1. Einleitung

Der Klimawandel ist eine der größten Herausforderungen des 21. Jahrhunderts. Mittlerweile ist es unbestreitbar, dass der Mensch das Klima der Erde erwärmt hat. Die Erhöhung der Treibhausgaskonzentration in der Atmosphäre durch menschliche Aktivitäten ist die Haupturasche für den gegenwärtigen globalen Temperaturanstieg (IPCC 2021). Auch das regionale Klima in Deutschland wird dadurch bereits jetzt beeinflusst. Mit zunehmenden Temperaturen steigt unter anderem die Wahrscheinlichkeit für das Auftreten von Starkregenereignissen, Überflutungen sowie Dürren und Hitzewellen (Rannow et al. 2010). Um die negativen Auswirkungen des Klimawandels möglichst gering zu halten, kommt dem Klimaschutz (also der Reduzierung von Treibhausgasemissionen) höchste Bedeutung zu. Aufgrund der langen Reaktionszeiten des Klimasystems kann der Klimawandel allerdings nicht kurzfristig aufgehalten, sondern lediglich abgeschwächt werden. Zur Minderung bereits bestehender negativer Auswirkungen des Klimawandels sind deshalb effektive und regional differenzierte Maßnahmen zur Klimafolgenanpassung notwendig (IPCC 2018, Bapna et al. 2019).

Auch Städte sind immer häufiger von extremen Wetterereignissen betroffen. Solche Klimaextreme verringern die urbane Lebensqualität, verstärken Ungleichheiten und bedrohen die bestehende Infrastruktur (Lin et al. 2021). Im Vergleich zu ländlichen Gebieten weisen Städte deutlich höhere Wachstumsraten der Bevölkerung auf. Im Jahr 2014 lebte bereits über die Hälfte der Weltbevölkerung in urbanen Gebieten. Laut Schätzungen der Vereinten Nationen wird dieser Anteil bis zum Jahr 2050 bis auf 68% ansteigen (United Nations, Department of Economic and Social Affairs, Population Division 2019). Durch den Klimawandel und die fortschreitende globale Urbanisierung bekommt also auch das in Städten vorherrschende Klima eine immer wichtigere Bedeutung.

Um die Resilienz der Stadt als wichtigsten menschlichen Lebensraum gegenüber zunehmenden Extremwetterereignissen zu erhöhen und die Hitzebelastung für Bürgerinnen und Bürger abzuschwächen, sind effektive Anpassungsmaßnahmen notwendig. Vor diesem Hintergrund haben urbane Grünflächen immer mehr an Bedeutung gewonnen. Sie modifizieren das Stadtklima durch verschiedene Ökosystemdienstleistungen. Durch Evaporation und Beschattung können sie dazu beitragen den thermischen Komfort für Menschen auch bei starker Hitze zu verbessern (Demuzere et al. 2014). Außerdem kann Wasser in vegetationsbedeckten Böden besser gespeichert werden als in undurchlässigen städtischen Materialien (Ali-Toudert 2005). Grünflächen sind also in der Lage Wasser zurückzuhalten und als Retentionsflächen zu dienen. Dadurch können insbesondere während Starkregenereignissen die Abflussmengen verringert und die initiale Abflusszeit verzögert werden, was der Vorbeugung von Kanalüberlastungen dienen kann (Berardi et al. 2014).

Der Bedarf für Klimaanpassungsmaßnahmen ist insbesondre in dicht besiedelten und stark verdichteten Gebieten von hoher Bedeutung (Grunwald et al. 2017). Allerdings geht die Implementierung von zusätzlichen Grünflächen oft mit einem hohen Flächenbedarf einher und steht daher in direkter Konkurrenz zu Wohnungsbau und anderen Flächennutzungen (Santamouris 2014). Soll grüne Infrastruktur eine tragende Säule in der nachhaltigen Stadtentwicklung werden, ist eine genaue Kenntnis über das Flächenpotential möglicher zusätzlicher Grünflächen in Städten und Kommunen notwendig.

Allerdings sind die Effekte grüner Infrastruktur innerhalb eines Stadtgebiets sehr heterogen (Shashua-Bar et al. 2010; Erell 2017). Der potenzielle Nutzen von Begrünungsmaßnahmen ist umso größer, je mehr das menschliche Wohlbefinden durch die Auswirkungen von Umweltstressoren (z.B. Hitzebelastung) eingeschränkt ist oder je anfälliger sich die städtische Infrastruktur gegenüber klimawandelbedingten Extremwetterereignissen (Sturzfluten, Starkregenereignisse) zeigt (Grunwald et al. 2017).

Der Nutzen von Begrünungsmaßnahmen ist folglich abhängig von verschiedenen städtischen Merkmalen und Umweltstressoren. Deshalb wird im Folgenden die Entwicklung einer GIS-gestützten Methodik dokumentiert, die zur Erfassung und Bewertung von Potenzialflächen (PF) für nachträgliche Begrünung, sowohl am Boden als auch auf Dächern, dienen soll. Der potenzielle Nutzen von Begrünungsmaßnahmen in bestimmten Gebieten einer Stadt ist umso größer, je mehr das menschliche Wohlbefinden oder die städtische Infrastruktur den Auswirkungen von Umweltstressoren (z. B. erhöhte Wärmebelastung oder Starkregenereignisse) ausgesetzt ist. Die Bewertung der PF erfolgt über eine Kombination des zu erwartenden Nutzens der Begrünungsmaßnahmen hinsichtlich deren Potentials zur Senkung urbaner Hitze, Wasserretentionswirkung und sozialen Faktoren.

2. Untersuchungsgebiet und Datengrundlage

2.1 Untersuchungsgebiet

Naumburg ist eine Stadt im Südwesten des Freistaates Sachsen und umfasst, einschließlich angrenzender Ortsteile, ein Gebiet von 102,11 km2. Innerhalb dieser Fläche leben Menschen 64701 Menschen (Stadt Naumburg 2022a; Stadt Naumburg 2022b). Das Klima Naumburgs weist eine Jahresdurchschnittstemperatur von 8,7°C und einen jährlichen Durchschnittsniederschlag von 599 mm auf. Charakteristisch für das dort herrschende Klima sind vor allem die ganzjährig humiden Monate und die warmen Sommermonate, welche zudem die höchsten Niederschlagswerte aufweisen (Deutscher Wetterdienst 2022). Die Stadt ist historisch gewachsen, weshalb vor allem der Stadtkern eine hohe Bebauungsdichte mit einem großen Anteil an versiegelten Flächen aufweist. Der Anteil an Grünflächen ist im Zentrum der Stadt gering. Allerdings wird die Stadt im Norden und Süden von größeren Waldflächen eingefasst und die Weiße Elster zieht sich als „grünes Band“ vom Südwesten nach Nordosten durch das Stadtgebiet.

2.2 Datengrundlage

Die Erstellung der Potentialanalyse wurde unter Verwendung verschiedener Geodaten in einer GIS-Umgebung (ArcMap Version 10.8, Software ArcGIS, ESRI) durchgeführt. Die Geodaten wurden vom Staatsbetrieb Geobasisinformation und Vermessung Sachsen (GeoSN), vom Landesamt für Umwelt, Landwirtschaft und Geologie Sachsen (LfULG) und dem United States Geological Survey (USGS) bezogen. Die Datengrundlage bestand aus:

  1. Digitales Landschaftsmodell: Zur Unterscheidung zwischen verschiedenen Landschaftsnutzungstypen wurde ein digitales Landschaftsmodell (DLM) verwendet (GeoSN 2022a). Das DLM dient zur vektoriellen Beschreibung topographischer Erscheinungsformen wie z.B. Siedlungen, Verkehr, Vegetation oder Gewässer und wurde für das Untersuchungsgebiet im Jahre 2020 zuletzt überarbeitet.
  2. Öffentliche Stadtflächen: Zur Vervollständigung des DLMs konnte auf Rücksprache mit der Stadtverwaltung Naumburg ein Geodatensatz als Shapefile bezogen werden, welcher alle öffentlichen Flächen innerhalb der Kommune enthält. Dadurch konnte die Potentialanalyse auf stadteigene Grundstücke beschränkt werden (Stand: 09.12.2021).
  3. RGBI-Orthofotos: Zur Bestimmung der Vegetationsflächen wurden digitale Orthofotos im Rasterformat mit einer Bodenpixelgröße von 20 cm verwendet (GeoSN 2022b). Die Daten stammen von einer Überfliegung vom 25.06.2019. Digitale Orthofotos sind verzerrungsfreie, maßstabsgetreue Rasterdaten photographischer Abbildungen der Erdoberfläche. Die zugrundeliegenden Orthofotos entstammen einer flächendeckenden Befliegung Sachsen, welche alle zwei Jahre vom Bundesland durchgeführt wird, um eine hohe Aktualität dieser Geobasisdaten zu gewährleisten. Da die Orthofotos neben den drei Farbkanälen im sichtbaren Spektralbereich (Rot, Grün, Blau) auch über einen Farbkanal im nahen Infrarot (NIR) verfügen, war es möglich den Normalized Difference Vegetation Index (NDVI) für das Untersuchungsgebiet zu berechnen und somit näherungsweise die von Vegetation bedeckten Flächen zu bestimmen.
  4. 3D-Stadtmodell: Die Gebäudeumrisse konnten aus einem 3D-Stadtmodell abgeleitet werden (GeoSN 2022a). Ein 3D-Stadtmodell ist ein digitales, numerisches Oberflächenmodell der Erdoberfläche. Hierbei werden raumbezogene Informationen der Gebäude in unterschiedlichen Realisierungsstufen abgeleitet und bereitgestellt. Das 3D-Stadtmodell wurde 2021 erstellt und steht im Detaillierungsgrad LoD2 (Level of Detail 2), also als Modell mit standardisierten Dachformen, für ganz Sachsen als Shape-Datei zur Verfügung (GeoSN 2022c).
  5. Versiegelungskarte: Anhand einer Versiegelungskarte konnte der Versiegelungsgrad für alle Flächen des Untersuchungsgebiets abgeleitet werden. Die Versiegelungsinformationen wurden nach methodischen Auswertungen aus dem ATKIS-Basis-DLM (Landesvermessung, Stand 2018) abgleitet. Im verwendeten Geodatensatz ist der mittlere Versiegelungsgrad für die gesamte Landesfläche Sachsens in einer Auflösung von 25 x 25m im Shape-Format dargestellt (LfULG 2022).
  6. Landsat 8 OLI/TIRS Daten vom 28.06.2020 um 10:34 Uhr (UTC) wurden zur flächendeckenden Berechnung der Oberflächentemperatur verwendet. Das Datum wurde gewählt, da keine Wolken im Satellitenbild vorhanden waren. Die meisten Landsat 8 Bänder haben eine Auflösung von 30m, während die thermisch infraroten Signale eine Auflösung von 100m haben. Basierend auf diesen konnte durch Nutzung des split window Algorithmus Tsfc abgeleitet werden (USGS 2022).

3. Bestandsaufnahme - Grünflächen am Boden

Bereits bestehende Vegetationsflächen sollten in der Potentialanalyse nicht berücksichtigt werden. Diese wurden deshalb mit Hilfe der digitalen RGBI-Orthofotos detektiert. Deren zusätzlicher Bildkanal im nahen Infrarot bietet nicht nur die Möglichkeit, Vegetationsflächen im Luftbild aufgrund ihrer Reflexion im Infrarot-Spektralbereich zu identifizieren, sondern auch ihre Qualität über die Berechnung des NDVI zu bestimmen (Guay et al. 2014): \[ \text{NDVI}=\frac{(\text{NIR}-\text{R})}{(\text{NIR}+\text{R})} \]

Dabei ist NIR der Reflexionswert des Infrarotbandes und R der Reflexionswert des Rotbandes. Der NDVI kann Werte zwischen -1 und 1 annehmen, wobei Werte nahe 1 sehr dichte und vitale Vegetation mit hohem Chlorophyllgehalt widerspiegeln, während Werte gegen 0 nahezu vegetationsfreie oder Flächen mit toter Vegetation und negative Werte vegetationslose Oberflächen repräsentieren (Yengoh et al. 2014).

Um näherungsweise die bereits vorhandene Vegetation zu bestimmen, wurden alle Flächen mit einem NDVI-Wert von > 0,5 als vegetationsbedeckt klassifiziert und von einer zusätzlichen Begrünung ausgeschlossen (vgl. Abb. 1). Hierbei wurde sich an den Grenzwerten von (Shattri Bin Mansor et al. 2013) orientiert, welche dichten und vitalen Vegetationsflächen NDVI-Werte von 0.6 – 1 zuweisen.

Abbildung 1: Ausschnitts des Stadtgebiets Naumburg mit prozentualen Anteilen an vitalen Vegetationsflächen im Verhältnis zur Gesamtfläche.

4. Bestimmung und Bewertung von Potentialflächen am Boden

4.0 Potentialflächen am Boden

Um Flächen zu bestimmen, welche sich für eine nachträgliche Begrünung eignen, wurden zunächst alle Flächen identifiziert, welche von behördlich durchgeführten Begrünungsmaßnahmen ausgeschlossen werden können (vgl. Tab. 1).

Landnutzungsklassen Geodatensatz
Straßen, Wege, Bahnschienen, Gewässer, Wälder, Gehölze, Parks, landwirtschaftliche Flächen DLM vegetationsfrei
Hausumringe 3D-Stadtmodell
Bestehende Vegetationsflächen Orthofotos (vgl. Kap. 3.1)

Tabelle 1: Landnutzungsklassen, welche sich nicht für einen nachträgliche Begrünung eignen.

Alle übrigen Flächen wurden als potenziell begrünbar angenommen und in einem letzten Schritt mit dem Kataster für stadteigene Grundstücke verschnitten, um die Potentialanalyse auf öffentliche Flächen zu beschränken (vgl. Abb. 2).

Abbildung 2: Anteil der potentiell begrünbarer und stadteigener Flächen im Verhältniss zur Gesamtfläche.

4.1 Bewertung der Potentialflächen am Boden

Die Bewertung der potentiell begrünbaren Flächen für eine bodengebundene Begrünung erfolgte anhand der in Abbildung 3 aufgeführten zu erwartenden Okosystemdienstleistungen und damit verbundenen Kriterien:

Abbildung 3: Kriterien für die Bewertung Bodenflächen bezüglich der Eignung zur Begrünung

Die ermittelten Brachflächen wurden anhand ihres Wirkungspotentials zur Erhöhung der Resilienz gegenüber der in Abbildung 3 aufgeführten Kriterien bewertet. Dafür wurde für jedes Kriterium ein flächendeckendes Raster erstellt. Rasterdateien bestehen in ihrer einfachsten Form aus einer Matrix von Zellen, die als Gitter angeordnet sind. Dabei hat jede Gitterzelle einen bestimmten Wert (ESRI 2022). Die jeweiligen Raster wurden daraufhin anhand von Zahlenwerten in drei verschiedene Klassen eingeteilt, welche das Wirkungspotential möglicher Grünflächen wiedergeben: Hohes Wirkungspotential (1), moderates Wirkungspotential (2) und niedriges Wirkungspotential (3) (vgl. Tabelle 2).

4.1.1 Ökosystemdienstleistung Hitzeregulierung

Die Bewertung der Potentialflächen hinsichtlich des thermischen Stadtklimas basiert auf der Oberflächentemperatur des Stadtgebiets, welche anhand der Landsat-Daten für einen typischen mitteleuropäischen Sommertag bestimmt wurde.

Die Landsat 8 OLI/TIRS Daten wurden vom 28.06.2020 um 10:34 Uhr (UTC) bezogen und zuerst auf radiometrische und geometrische Korrekturen weiterverarbeitet. Das Datum wurde unter anderem gewählt, da keine Wolken im Satellitenbild vorhanden waren. Die meisten Landsat 8 Bänder haben eine Auflösung von 30m, während die thermisch infraroten Signale (Wellenlänge zwischen 10 und 12 μm) eine Auflösung von 100m haben. Basierend auf diesen Infrarot-Signalen konnte die Oberflächentemperatur durch die Anwendung des split-window-Algorithmus abgeleitet werden (Bastiaanssen et al. 1998, Jiménez-Muñoz et al. 2014, Rongali et al. 2018). Die sobestimmte Oberflächentemperatur ist in Abbildung 4 dargestellt.

Abbildung 4: Visualisierung der aus Landsat 8 (28.06.2020 um 10:34 Uhr (UTC)) abgeleiteten Oberflächentemperatur

Die Abschätzung der Hitzebelastung anhand von Satellitendaten bietet den Vorteil, dass diese flächendeckend zur Verfügung stehen, während repräsentative Lufttemperaturmessungen häufig nur punktuell an vereinzelten Messstationen aufgezeichnet werden (Schwarz et al. 2012). Außerdem sind die raum-zeitlichen Muster der oberflächennahen Lufttemperatur sehr komplex, da die Lufttemperatur stark von den Oberflächeneigenschaften abhängig ist, die sowohl räumlich und Zeit variieren (Prihodko und Goward 1997). Da zahlreiche Studien eine starke Korrelation zwischen der Oberflächen- und Lufttemperatur hervorheben, kann die Oberflächentemperatur als valides Proxy zur Abschätzung der Hitzebelastung innerhalb eines Stadtgebiets verwendet werden (Mostovoy et al. 2006; Cheng et al. 2008; Schwarz et al. 2012).

Um den Nutzen potenzieller Begrünungen hinsichtlich Hitzereduzierung zu bewerten, wurde die Temperaturverteilung der Oberflächentemperatur anhand des 15. Und 85. Perzentils in die drei Bewertungskategorien eingeteilt (vgl. Tab. 2, Abbildung 5) Je höher die Hitzebelastung, desto wichtiger wird die kühlende Wirkung grüner Infrastruktur durch Verdunstungskälte oder Beschattung.

Abbildung 5: Histogramm zur Oberflächentemperatur im betrachteten Gebiet. Die Klassifizierung erfolgte anhand der Perzentile 0-15, 15-85 und 85 bis 100 (rote Linien))

Abbildung 6: Ausschnitt des Untersuchungsgebiets mit dem Raster für die Oberflächentemperatur. Die Hitzebelastung steigt von Blau (geringes Wirkungspotential), über Gelb (moderates Wirkungspotential) zu Rot (hohes Wirkungspotential), wodurch auch die Bedeutung zusätzlicher Grünflächen zunimmt.

Durch dieses Verfahren werden vor allem das Innenstadtzentrum, und Teile des Stadtviertels Grochlitz als Gebiete mit starker Hitzebelastung identifiziert (vgl. Abb. 6).

4.1.2 Ökosystemdienstleistung Hochwasserrückhalt

Je geringer der Abstand einer Fläche zu Gewässern ist, desto stärker ist diese von potenziellen Überflutungen betroffen. Grünflächen in der Nähe von Gewässern sind daher besonders wichtig, da entsiegelte Flächen durch ihre Retentionswirkung Hochwasser besser zurückhalten können (Kim et al. 2016; Kadaverugu et al. 2021). Die Bewertung der Potentialflächen hinsichtlich deren Potentials zur Verringerung der Überflutungsvulnerabilität erfolgte daher anhand ihres Abstandes zu den Gewässern innerhalb des Untersuchungsgebiets (vgl. Abb. 7). Flächen in unmittelbarer Nähe zu Gewässern (≤ 150m) wurden deshalb als besonders gefährdet und das Wirkpotential von dortigen Grünflächen als hoch klassifiziert. Bei einem Abstand von bis zu 300m wurde ein moderater Nutzen angenommen. Bei größeren Abständen zu Gewässern wird der Nutzen von Grünflächen zum Hochwasserrückhalt als gering bewertet (vgl. Tab. 2).

Abbildung 7: Ausschnitt des Untersuchungsgebiets mit dem Raster für den Abstand zu Gewässern. Die Überflutungsvulnerabilität steigt von Blau (geringes Wirkungspotential) über Gelb (moderates Wirkungspotential) zu Rot (hohes Wirkungspotential), wodurch auch die Bedeutung zusätzlicher Grünflächen zunimmt.

4.1.3. Ökosystemdienstleistung Regenwasserrückhalt

Aufgrund der Wasserspeicherfähigkeit von Grünflächen, kann der Abfluss bei Starkniederschlagsereignissen im Vergleich zu versiegelten Flächen erheblich reduziert und Überschwemmungen vermieden werden (Mentens et al. 2006; Berndtsson 2010). Es kann davon ausgegangen werden, dass Grünflächen in Gebieten mit einem hohen Grad an Oberflächenversiegelung einen größeren Nutzen haben als in weniger versiegelten Bereichen der Stadt. Die Bewertung der Potentialflächen zur Erhöhung des Regenwasserrückhalts basiert auf der Versiegelungskarte für Sachsen (vgl. Abb. 8). Die Schwellwerte für die Bewertungsklassen orientieren sich an Grundwald et al. (2017) und können ebenfalls aus Tabelle 2 entnommen werden.

Abbildung 8: Ausschnitt des Untersuchungsgebiets mit dem Versiegelungsraster. Die Bewertung der Überflutungsvulnerabilität orientiert sich am Versiegelungsgrad und steigt von Blau (niedriges Wirkungspotential), über Gelb (moderates Wirkungspotential) zu Rot (hohes Wirkungspotential), sodass auch die Bedeutung zusätzlicher Grünflächen zunimmt.

4.1.4 Ökosystemdienstleistung Soziales Wohlbefinden

Grüne Infrastruktur hat signifikante soziale Auswirkungen auf Städte und Kommunen. Zusätzliche Grünflächen verbessern nicht nur das Erscheinungsbild und die Umweltqualität eines Gebiets, sondern können sich auch auf kritische soziale Fragen wie Gesundheitsversorgung, Bildung, Kriminalität und Sicherheit auswirken (Westphal 2003). Obwohl die psychologischen und sozialen Mechanismen, welche von Grünflächen ausgelöst werden, subtil und noch nicht vollständig verstanden sind, lassen sich dennoch körperliche, mentale und soziale Vorteile aus der Wirkungsweise von Grünflächen ableiten. Grünflächen erhöhen den Lebenswert einer Stadt. Sie erhöhen das Wohlbefinden und wirken stressmindernd. Außerdem bieten sie Räume für Rückzug und Erholung sowie für sozialen und kulturellen Austausch (Chandran et al. 2019). Deshalb kann argumentiert werden, dass zusätzliches Stadtgrün bevorzugt dort anzubringen ist, wo der Anteil an städtischen Grün besonders gering ist, da so die größtmöglichen sozialen Vorteile erzielt werden können (Langemeyer et al. 2020). Das Untersuchungsgebiet wurde deshalb anhand des Abstandes zu bereits bestehenden, öffentlichen Grünflächen in die drei Bewertungskategorien eingeteilt (vgl. Tab. 2; Abb. 9).

Abbildung 9: Ausschnitt des Untersuchungsgebiets mit dem Raster zur Bewertung des Abstandes zu bestehenden Grünflächen. Der Bedarf an zusätzlichen Grünflächen steigt von Blau (niedriges Wirkungspotential), über Gelb (moderates Wirkungspotential) zu Rot (hohes Wirkungspotential), um für eine heterogene Verteilung von öffentlichem Stadtgrün zu sorgen.

4.2 Gesamtbewertung der Potentialflächen

Die Bewertungskriterien der in den Abschnitten 4.1.1 bis 4.1.4 aufgeführten Okosystemdienstleistungen von bodengebundener grüner Infrastruktur sind in Tabelle 2 zusammengefasst.

Bewertungsklasse Hitzebelastung Hochwasserrückhalt Überflutungsvulnerabilität Soziales Wohlbefinden
Kriterium Oberflächentemperatur Gewässerabstand Versiegelungsgrad Grünflächenabstand
Hohes Wirkpotential Stark ≤ 150 m >50% > 350m
Mittleres Wirkpotential Moderat 150-300 m 1-50% 175-350 m
Geringes Wirkpotential Gering > 300 m ≤1% ≤ 175m

Tabelle 2: Bewertungsklassen der vier berücksichtigten Ökosystemdienstleistungen zur Bewertung der Potentialflächen am Boden.

Die darin bestimmten Raster der Ökosystemdienstleistungen wurden abschließend übereinandergelegt und aufaddiert. Dadurch entstand ein neues Raster, welches die Gesamtbewertung des Untersuchungsgebiets in Abhängigkeit der jeweiligen Zahlenwerte darstellt. Je kleiner der Zahlenwert, desto besser eignet sich die Fläche für eine nachträgliche Begrünung bzw. desto größerer Nutzen kann durch eine nachträgliche Begrünung dieser Fläche erwartet werden. Der verwendete Bewertungsschlüssel dazu ist in Abbildung 10 visualisiert.

Abbildung 10: Bewertungsschlüssel zur Bewertung der Potentialflächen am Boden.

Anschließend wurde das Raster der Gesamtbewertung mit den in Abschnit 4.0 bestimmten Brachflächen verschnitten, um die Potentialanalyse auf geeignete, nachträglich begrünbare Flächen zu beschränken. Somit konnte eine Kartierung und Bewertung von Flächen vorgenommen werden, welche sich für eine bodengebundene Begrünung würden (Abb. 11):

Abbildung 11: Ausschnitt des Untersuchungsgebiets mit dem Raster zur Gesamtbewertung der PF: Je dunkler die Fläche, desto höher ist der zu erwartende Nutzen nachträglicher Begrünungen

In Abbildung 12 sind die Anteile der als sehr gut geeignet bewerteten Brachflächen aufgeführt. Insbesondere entlang des Flusslaufs der Weißen Elster, im Gebiet um den Plauener Bahnhof sowie im Gewerbegebiet Nord wurde bei viele Flächen eine sehr gute Eignung zur Begrünung bestimmt.

Abbildung 12: Ausschnitt des Untersuchungsgebiets mit dem Raster zur Gesamtbewertung der PF: Je dunkler die Fläche, desto höher ist der zu erwartende Nutzen nachträglicher Begrünungen

6 Quellen

Bapna, M., Brandon, C., Chan, C., Patwardhan, A., Dickson, B. et al. (2019) Adapt now: A global call for leadership on climate resilience. Global Center on Adaptation (GCA), 81 pp.

DDV (2015) Fernerkundliche Identifizierung von Vegetationsflächen auf Dächern zur Entwicklung des für die Bereiche des Stadtklimas, der Stadtentwässerung und des Artenschutzes aktivierbaren Flächenpotenzials in den Städten [Ansel, W., Zeidler, J., Esch, T.]

IPCC (2018) Summary for Policymakers. In: Global Warming of 1.5°C. An IPCC Special Report on the impacts of global warming of 1.5°C above pre-industrial levels and related global greenhouse gas emission pathways, in the context of strengthening the global response to the threat of climate change, sustainable development, and efforts to eradicate poverty [Masson-Delmotte, V., P. Zhai, H.-O. Pörtner, D. Roberts, J. Skea, P.R. Shukla, A. Pirani, W. Moufouma-Okia, C. Péan, R. Pidcock, S. Connors, J.B.R. Matthews, Y. Chen, X. Zhou, M.I. Gomis, E. Lonnoy, T. Maycock, M. Tignor, and T. Waterfield (eds.)]. World Meteorological Organization, Geneva, Switzerland, 32 pp.

Intergovermental Panel on Climate Change, 2021: Summary for Policymakers. In: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Masson-Delmotte, V., P. Zhai, A. Pirani, S. L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M. I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T. K. Maycock, T. Waterfield, O. Yelekçi, R. Yu and B. Zhou (eds.)]. Cambridge University Press. In Press.

GeoSN (2022a): Downloadbereich Basis-DLM. Online verfügbar unter https://www.geodaten.sachsen.de/downloadbereich-basis-dlm-4168.html, zuletzt aktualisiert am 22.02.2022.

GeoSN (2021b): Downloadbereich DOP. Online verfügbar unter https://www.geodaten.sachsen.de/downloadbereich-dop-4826.html, zuletzt geprüft am 22.02.2022.

GeoSN (2022c): Downloadbereich Digitale 3D-Stadtmodelle, Online verfügbar unter https://www.geodaten.sachsen.de/downloadbereich-digitale-3d-stadtmodelle-4875.html, zuletzt geprüft am 22.02.2022.

GeoSN (2022d): Downloadbereich Digitale Höhenmodelle. Online verfügbar unter https://www.geodaten.sachsen.de/downloadbereich-digitale-hoehenmodelle-4851.html, zuletzt geprüft am 22.02.2022.

LfULG (2022): Geodatendownload des Fachbereichs Boden. Online verfügbar unter https://www.boden.sachsen.de/geodatendownload-des-fachbereichs-boden-19380.html, zuletzt geprüft am 22.02.2022.

USGS (2022): Earth Explorer. Online verfügbar unter https://earthexplorer.usgs.gov/, zuletzt geprüft am 22.02.2022.

Westphal, Lynne M. 2003. Social Aspects of Urban Forestry: Urban Greening and Social Benefits: a Study of Empowerment Outcomes. Journal of Arboriculture 29(3):137-147

Yengoh, G. T.; Dent, D.; Olsson, L.; Tengberg, A. E.; Tucker, C. J. (2014): The use of the Normal-ized Difference Vegetation Index (NDVI) to assess land degradation at multiple scales: a review of the current status, future trends, and practical considerations.

Zaitunah, A.; Samsuri; Ahmad, A. G.; Safitri, R. A. (2018): Normalized difference vegetation index (ndvi) analysis for land cover types using landsat 8 oli in besitang watershed, Indonesia. In: IOP Conf.Ser.: Earth Environ. Sci. 126, S. 12112. DOI: 10.1088/1755-1315/126/1/012112.

Literaturverzeichnis Ali-Toudert, Fazia (2005): Dependence of outdoor thermal comfort on street design in hot and dry climate, Rep. Meteor. Inst. Univ. Freiburg, Germany. Ph.D. Thesis, Report No 15.

Berardi, Umberto; GhaffarianHoseini, AmirHosein; GhaffarianHoseini, Ali (2014): State-of-the-art analysis of the environmental benefits of green roofs. In: Applied Energy 115, S. 411–428. DOI: 10.1016/j.apenergy.2013.10.047.

Berndtsson, Justyna Czemiel (2010): Green roof performance towards management of runoff water quantity and quality: A review. In: Ecological Engineering 36 (4), S. 351–360. DOI: 10.1016/j.ecoleng.2009.12.014.

Chandran, Chindu; Deepanshi Gandherva; Ishita Mathur; Ayesha Khosla; Pratyansha Singh; Anand Kumar et al. (2019): Urban Green Spaces and their contribution to people’s well being: a review.

Cheng, Ke-Sheng; Su, Yuan-Fong; Kuo, Fang-Tzu; Hung, Wei-Chun; Chiang, Jie-Lung (2008): Assessing the effect of landcover changes on air temperatu×re using remote sensing images—A pilot study in northern Taiwan. In: Landscape and Urban Planning 85 (2), S. 85–96. DOI: 10.1016/j.landurbplan.2007.09.014.

Demuzere, M.; Orru, K.; Heidrich, O.; Olazabal, E.; Geneletti, D.; Orru, H. et al. (2014): Mitigating and adapting to climate change: multi-functional and multi-scale assessment of green urban infrastructure. In: Journal of environmental management 146, S. 107–115. DOI: 10.1016/j.jenvman.2014.07.025.

DWD (2022): Analyse der thermischen Wirkung von Dachbegrünung mittels Stadtklimamodellierung. Online verfügbar unter https://www.dwd.de/DE/klimaumwelt/klimaforschung/klimawirk/stadtpl/stadtklimaprojekte/projekt_adam/startseite_adam.html, zuletzt geprüft am 28.03.2022.

Erell, Evyatar (2017): Urban Greening and Microclimate Modification. In: Puay Yok Tan und Chi-yung Jim (Hg.): Greening cities. Forms and functions. Singapore: Springer (Advances in 21st Century Human Settlements), S. 73–93.

Grunwald, Laura; Heusinger, Jannik; Weber, Stephan (2017): A GIS-based mapping methodology of urban green roof ecosystem services applied to a Central European city. In: Urban Forestry & Urban Greening 22, S. 54–63. DOI: 10.1016/j.ufug.2017.01.001.

Guay, Kevin C.; Beck, Pieter S. A.; Berner, Logan T.; Goetz, Scott J.; Baccini, Alessandro; Buermann, Wolfgang (2014): Vegetation productivity patterns at high northern latitudes: a multi-sensor satellite data assessment. In: Global change biology 20 (10), S. 3147–3158. DOI: 10.1111/gcb.12647.

Kadaverugu, Ashok; Nageshwar Rao, Ch; Viswanadh, G. K. (2021): Quantification of flood mitigation services by urban green spaces using InVEST model: a case study of Hyderabad city, India. In: Model. Earth Syst. Environ. 7 (1), S. 589–602. DOI: 10.1007/s40808-020-00937-0.

Kim, Hyomin; Lee, Dong-Kun; Sung, Sunyong (2016): Effect of Urban Green Spaces and Flooded Area Type on Flooding Probability. In: Sustainability 8 (2), S. 134. DOI: 10.3390/su8020134.

Langemeyer, Johannes; Wedgwood, Diego; McPhearson, Timon; Baró, Francesc; Madsen, Anders L.; Barton, David N. (2020): Creating urban green infrastructure where it is needed - A spatial ecosystem service-based decision analysis of green roofs in Barcelona. In: The Science of the total environment 707, S. 135487. DOI: 10.1016/j.scitotenv.2019.135487. Lin, Brenda B.; Ossola, Alessandro; Alberti, Marina; Andersson, Erik; Bai, Xuemei; Dobbs, Cynnamon et al. (2021): Integrating solutions to adapt cities for climate change. In: The Lancet Planetary Health 5 (7), e479-e486. DOI: 10.1016/S2542-5196(21)00135-2.

Mentens, Jeroen; Raes, Dirk; Hermy, Martin (2006): Green roofs as a tool for solving the rainwater runoff problem in the urbanized 21st century? In: Landscape and Urban Planning 77 (3), S. 217–226. DOI: 10.1016/j.landurbplan.2005.02.010.

Mostovoy, Georgy V.; King, Roger L.; Reddy, K. Raja; Kakani, V. Gopal; Filippova, Marina G. (2006): Statistical Estimation of Daily Maximum and Minimum Air Temperatures from MODIS LST Data over the State of Mississippi. In: GIScience & Remote Sensing 43 (1), S. 78–110. DOI: 10.2747/1548-1603.43.1.78.

Prihodko, Lara; Goward, Samuel N. (1997): Estimation of air temperature from remotely sensed surface observations. In:Remote Sensing of Environment 60 (3), S. 335–346. DOI: 10.1016/S0034-4257(96)00216-7.

Rannow, Sven; Loibl, Wolfgang; Greiving, Stefan; Gruehn, Dietwald; Meyer, Burghard C. (2010): Potential impacts of climate change in Germany—Identifying regional priorities for adaptation activities in spatial planning. In: Landscape and Urban Planning 98 (3-4), S. 160–171. DOI: 10.1016/j.landurbplan.2010.08.017.

Santamouris, M. (2014): Cooling the cities – A review of reflective and green roof mitigation technologies to fight heat island and improve comfort in urban environments. In: Solar Energy 103, S. 682–703. DOI: 10.1016/j.solener.2012.07.003.

Schwarz, Nina; Schlink, Uwe; Franck, Ulrich; Großmann, Katrin (2012): Relationship of land surface and air temperatures and its implications for quantifying urban heat island indicators—An application for the city of Leipzig (Germany). In: Ecological Indicators 18, S. 693–704. DOI: 10.1016/j.ecolind.2012.01.001.

Shashua-Bar, Limor; Potchter, Oded; Bitan, Arieh; Boltansky, Dalia; Yaakov, Yaron (2010): Microclimate modelling of street tree species effects within the varied urban morphology in the Mediterranean city of Tel Aviv, Israel. In: Int. J. Climatol. 30 (1), S. 44–57. DOI: 10.1002/joc.1869.

Shattri Bin Mansor; Helmi Zulhaidi Mohd Shafri; Jwan Al-doski (2013): NDVI Differencing and Post-classification to Detect Vegetation Changes in Halabja City, Iraq. In: IOSR Journal of Applied Geology and Geophysics 1, S. 1–10. United Nations, Department of Economic and Social Affairs, Population Division (Hg.) (2019): World Population Prospects 2019. Volume I: Comprehensive Tables (ST/ESA/SER.A/426). Online verfügbar unter https://population.un.org/wpp/Publications/Files/WPP2019_Volume-I_Comprehensive-Tables.pdf, zuletzt geprüft am 23.08.2021.

[21] G. Rongali, A. K. Keshari, A. K. Gosain, and R. Khosa, “Split -Window Algorithm for Retrieval of Land Surface Temperature Using Landsat 8 Thermal Infrared Data,” J. Geovisualization Spat. Anal., vol. 2,no. 2, 2018