Zuverlässige und genaue Wettervorhersagen spielen eine entscheidende Rolle für das Verständnis sowie die Begrenzung von Risiken, die sich aus dem Klimawandel ergeben, ebenso sind sie entscheidend für die Vorhersage von Output aus erneuerbaren Energiequellen. Heutzutage wird Wettervorhersage über numerische Wettermodelle betrieben. Das Ergebnis eines Modell-Laufes ist eine einzelne deterministische Vorhersage für zukünftige Wetterereignisse. Um die Unsicherheit in so einer Vorhersage quantifizieren zu können, ist es gängige Praxis geworden, ein Ensemble von numerischen Vorhersagen zu verwenden. Dieses Ensemble wird erzeugt, indem man das Wettermodell mehrfach laufen lässt, und jeder Lauf mit jeweils modifizierten Anfangsbedingungen und/oder Modellformulierungen gestartet wird. Das daraus resultierende Vorhersage Ensemble ist aber typischerweise ungenügend kalibriert und benötigt deshalb statistische Nachbearbeitung. Es wurden bislang bereits verschiedene statistische Modelle zur Nachbearbeitung solcher Ensemble Vorhersagen entwickelt, welche auf unterschiedliche Anforderungen z.B. der betrachteten Wetter Variablen zugeschnitten sind. Insbesondere wird es immer wichtiger diese Modelle dahingehend zu erweitern, dass sie räumliche und zeitliche Abhängigkeiten sowie Abhängigkeiten zwischen Wetter Variablen explizit berücksichtigen. Dieses Projekt hat zum Ziel neue Arten von statistischen Modellen zur Nachbearbeitung zu entwickeln, welche auf vine copula basieren. Diese erlauben sehr flexible und Datenbasierte Modellierung aller Arten von multivariater Abhängigkeiten. Konkretes Ziel ist die Entwicklung von vine copula basierten Modellen, die speziell auf verschiedene Wetter Variablen zugeschnitten sind, wie z.B. Temperatur, Windgeschwindigkeit, Niederschlag, Bewölkung und Sonneneinstrahlung. Die vine copula basierte Quantilregression wird dabei auch angepasst, um Wetter Variablen die mit erneuerbaren Energien in Zusammenhang stehen gleichzeitig nachzubearbeiten und in Vorhersagen der entsprechenden gewonnene Nutzleistung zu transformieren. Im nächsten Schritt sollen diese Modelle auf die multivariate Situation erweitert werden, indem sie Abhängigkeiten in der Zeit, im Raum und zwischen Wetter Variablen direkt modellieren, und nach Möglichkeit sogar alle diese Arten von Abhängigkeiten simultan erfassen. Die hier entwickelten Modelle sollen im Statistik Progammpaket R implementiert, und in einer Studie zur Vorhersage-Qualität und Kalibration mit Standard-Modellen vergleichen werden.
Ultrafeine Partikel (UFP) mit einem aerodynamischen Durchmesser kleiner als 100 nm stehen unter dem Verdacht die menschliche Gesundheit zu schädigen, allerdings fehlt bisher die abschließende wissenschaftliche Evidenz aus epidemiologischen Studien. Zur Herleitung von Expositionskonzentrationen gegenüber UFP wurden zum Teil statistische Modellierungsverfahren genutzt um UFP-Anzahlkonzentrationen vorherzusagen. Ein häufig genutztes Verfahren ist eine auf Flächennutzung basierte lineare Regression („land-use regression“, LUR). Allerdings wurden in luftqualitativen Studien auch andere, ausgefeiltere Modellansätze benutzt, z.B. „machine learning“ (ML) oder „deep learning“ (DL), die eine bessere Vorhersagegenauigkeit versprechen. Das Ziel des Projekts ist die Modellierung von UFP-Anzahlkonzentration in urbanen Räumen basierend auf ML- und DL-Algorithmen. Diese Algorithmen versprechen eine bessere Vorhersagegenauigkeit gegenüber linearen Modellansätzen. Mit unserem Modellansatz wollen wir sowohl räumliche als auch zeitliche Variabilität der UFP-Anzahlkonzentrationen abbilden. In einem ersten Schritt werden die Messergebnisse aus mobilen Messkampagnen genutzt um ein ML-basiertes LUR Modell zu kalibrieren. Zusätzlich werden urbane Emissionen aus lokalen Quellen, abseits vom Straßenverkehr, identifiziert und explizit in das Modell einbezogen. In einem zweiten Schritt wird ein DL-Modellansatz basierend auf Langzeit-UFP-Messungen mit dem ML-Modell gekoppelt um die Repräsentierung der zeitlichen Variabilität zu verbessern. Unser vorgeschlagenes Arbeitsprogramm besteht aus fünf Arbeitspaketen (WP): WP 1 beinhaltet mobile Messungen mittels eines mobilen Labors und eines Messfahrads. WP 2 besteht aus stationären Messungen, die an Stationen des German Ultrafine Aerosol Network durchgeführt werden. In WP 3 werden wichtige UFP-Emissionsquellen, insbesondere Nicht-Verkehrsemissionen, mit Hilfe von zusätzlichen kurzzeitigen stationären Messungen identifiziert und quantifiziert. In WP 4 werden ML-Algorithmen genutzt um ein statistisches Modell aufzubauen. Als Kalibrierungsdatensatz werden die Messungen aus WP 1 benutzt. Das Modell wird UFP-Anzahlkonzentrationen mit Hilfe eines Datensatzes aus erklärenden Variablen, u.a. meteorologische Größen, Flächennutzung, urbaner Morphologie, Verkehrsmengen und zusätzlichen Informationen zu UFP-Quellen nach WP 3, vorhersagen. In WP 5 werden die UFP-Anzahlkonzentrationen aus WP 2 für einen DL-Modellansatz genutzt, der die zeitliche Variabilität repräsentieren wird. Dieser wird dann mit dem ML-Modell aus WP 4 gekoppelt. Der Nutzen der Modellkopplung wird mit dem Datensatz aus WP 3 validiert. Aus unserem Projekt wird ein Modell hervorgehen, das in der Lage ist die räumliche und zeitliche Variabilität urbaner UFP-Anzahlkonzentrationen in einer hohen Genauigkeit zu repräsentieren. Damit wird unsere Studie einen Beitrag zur Quantifizierung von Expositionskonzentrationen gegenüber UFP z.B. in epidemiologischen Studien leisten.