Kohlendioxidmessung der Messstation Wasserkuppe

Stand: 27.04.2021


Kohlendioxidmessung der Messstation Wasserkuppe

Der Boden als Kohlenstoffspeicher ist keine Konstante, sondern reagiert äußerst dynamisch auf veränderte Konzentrationen von Treibhausgasen in der Atmosphäre. Darum ist es wichtig den Kohlendioxidgehalt zu verfolgen. Das Hessische Landesamt für Naturschutz, Umwelt und Geologie, liefert aktuelle Messwerte der Kohlendioxid-Konzentrationen von zwei Stationen in Hessen. Diese befinden sich in Linden und Wasserkuppe.¹

Für die Jahre 2001-2018, siehe obige Abbildung, wurden die Daten nach Monat gruppiert. Jedes Element der Matrix stellt den monatlichen Mittelwert der Kohlendioxidmessung der Messstation Wasserkuppe dar. Die Angaben als Massenkonzentrationen in $mg/m^3$ gelten nur für die bestimmten Bedingungen von Druck und Temperatur. Daten als Volumenmischungsverhältnisse in ppm sind unabhängig von Druck und Temperatur. ²

In der Abbildung erkennt man den Photosyntheseeffekt der Vegetation. In den Wintermonaten ist der Kohlendioxidgehalt der Atmosphäre höher, da eine Assimilation kaum vorhanden ist. Bei der Assimilation werden aufgenommene, fremde anorganische und organische Stoffe aus der Umwelt in Bestandteile des Organismus umgewandelt, meistens unter Energiezufuhr. Ein Beispiel dafür ist die Bildung von Glucose.

\[6 H_2O + 6 CO_2 → C_6 H_{12} O_6 + 6 O_2\]

Durch die Photosynthese von Landpflanzen werden in den weiteren Monaten Kohlendioxid entzogen, dies kann man gut in den Monaten von Mai bis September erkennen, dort ist die Kohlendioxidmessung am geringsten.

Der Mittelwert ist von 2001-2004 konstant und ab 2005 gestiegen. Bedingt durch umfangreiche anthropogene Freisetzung wird der natürliche Treibhauseffekt verstärkt, welches eine Klimaänderung zur Folge hat.

Der Datensatz

Der Datensatz stammt vom Hessisches Landesamt für Naturschutz, Umwelt und Geologie (HLNUG). Dieser wurde von folgender Webseite runtergeladen. http://www.hlnug.de/messwerte/datenportal/messstelle/2/1/0801/7,11,20

Folgendes wurde gewählt: Luft, Luftmessnetz, Wasserkuppe. Mit den drei ausgewählten Parametern Kohlendioxid (CO₂), Luftdruck, Temperatur und dem Stundenmittelwert. Temperatur und Luftdruck sind notwendig um die Messwerte in das Volumenmischungsverhältnis ppm umzurechnen. Der Download fand am 05.06.2020 statt, für diesem Zeitraum: 05.07.2000 - 04.06.2020.


Standort der Messstation Wasserkuppe

Messstellenstandort Wasserkuppe mit Geopandas

Welchen Einfluss hat der Messstellenstandort Wasserkuppe auf die Messdaten? Vor allem die anthropogen Einflüsse der näheren Umgebung. Die Visualisierung wird mit geopandas umgesetzt. Geopandas ist eine Pythonbibliothek für die Arbeit mit Geodaten. Für eine visuelle Eingrenzung liefert eine Shapefile, ein Format für vektorielle Geodaten, Polygondaten mit Bundesländer und Postleitzahlengebiete. Im weiteren Verlauf wird der Umgang mit dem Koordinatenbezugssystem beschrieben, den Installationsblauf von Geopandas gezeigt und eine OpenStreetMap als Basiskarte eingebunden.

Das Koordinatenreferenzsystem oder Koordinatenbezugsystem (KBS), engl. coordinate reference system, international mit CRS abgekürzt, beschreibt die Lage eines Koordinatensystems zur Angabe einer Position auf der Erde.

EPSG-Codes

Der EPSG-Code ist ein System weltweit eindeutiger, 4- bis 5-stelliger Schlüsselnummern für Koordinatenreferenzsysteme und andere geodätische Datensätze, wie Referenzellipsoide oder Projektionen.

Code	Koordinatenreferenzsystem	Bemerkung
4326	WGS-84 / Geographische Koordinaten	weltweites System für GPS-Geräte, OpenStreetMap Datenbank
3857	WGS 84 / Pseudo-Mercator	Google Maps, OpenStreetMap
31467	DHDN / Gauß-Krüger Zone 3	passend für Baden-Württemberg und Hessen.

Installation

Es wurde Python 3.7 genutzt. Die folgende Installationsreihenfolge ist wichtig. Microsoft Visual C++ 14.0 oder höher wird benötigt. Dieses kann unter https://visualstudio.microsoft.com/de/visual-cpp-build-tools/ runtergeladen werden.

pip install numpy
pip install pandas
pip install shapely
pip install pipwin
pipwin install gdal
pipwin install fiona
pip install pyproj
pip install six
pip install rtree
pip install geopandas
pip install matplotlib
pip contextily —> lieferte den Fehler: A GDAL API version must be specified. Provide a path to gdal-config using a GDAL_CONFIG environment variable or use a GDAL_VERSION environment variable.

Deswegen:

conda install contextily –channel conda-forge

Shapefile Deutschland

Die benötigte Shapefile wurde von folgender Seite runtergeladen: www.suche-postleitzahl.org/downloads. Die folgende Seite war dabei sehr hilfreich.³

plz-gebiete.shp: Die Datei enthält die Polygone der einzelnen Postleitzahlenbereiche
zuordnung_plz_ort.csv: Die zugehörige Postleitzahl als Bezeichner für Ort und Bundesland. Das Dateiformat ist im CSV-Format.

import geopandas as gpd
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('fivethirtyeight')

%matplotlib inline

Die Postleitzahlen müssen als String gelesen werden. Sonst wird eine 01 beginnende PLZ mit 1 geparst. Die shapefile wird geladen und das CRS ausgegeben. Alle vier Dateien mit den Endungen, .dbf , prj , shp , shx sollten im selben Ordner sein.

dtl_shapefile_df = gpd.read_file('plz-gebiete.shp', dtype={'plz': str}, encoding="utf-8")

dtl_shapefile_df

	plz	note	geometry
0	52538	52538 Gangelt, Selfkant	POLYGON ((5.86632 51.05110, 5.86692 51.05124, ...
1	47559	47559 Kranenburg	POLYGON ((5.94504 51.82354, 5.94580 51.82409, ...
2	52525	52525 Waldfeucht, Heinsberg	POLYGON ((5.96811 51.05556, 5.96951 51.05660, ...
3	52074	52074 Aachen	POLYGON ((5.97486 50.79804, 5.97495 50.79809, ...
4	52531	52531 Übach-Palenberg	POLYGON ((6.01507 50.94788, 6.03854 50.93561, ...
...	...	...	...
8720	02899	02899 Ostritz, Schönau-Berzdorf	POLYGON ((14.85296 51.06854, 14.85449 51.06859...
8721	02929	02929 Rothenburg/O.L.	POLYGON ((14.85491 51.32895, 14.85608 51.33004...
8722	02827	02827 Görlitz	POLYGON ((14.91168 51.14243, 14.91571 51.14571...
8723	02828	02828 Görlitz	POLYGON ((14.93413 51.16084, 14.93451 51.16123...
8724	02826	02826 Görlitz	POLYGON ((14.95374 51.14703, 14.95393 51.14814...

8725 rows × 3 columns

dtl_shapefile_df.crs

{'init': 'epsg:4326'}

plz_ort_df = pd.read_csv(
    'zuordnung_plz_ort.csv', 
    sep=',', 
    dtype={'plz': str}
)

plz_ort_df.drop('osm_id', axis=1, inplace=True)

plz_ort_df.head()

	ort	plz	bundesland
0	Aach	78267	Baden-Württemberg
1	Aach	54298	Rheinland-Pfalz
2	Aachen	52062	Nordrhein-Westfalen
3	Aachen	52064	Nordrhein-Westfalen
4	Aachen	52066	Nordrhein-Westfalen

Verbinde die .shape-Datei mit der csv-Datei, nutze dabei die Postleitzahlen. Dies ist ein typischer Excel sverweis.

deutschland_df = pd.merge(
    left=dtl_shapefile_df, 
    right=plz_ort_df, 
    on='plz',
    how='inner'
)

deutschland_df.drop(['note'], axis=1, inplace=True)

deutschland_df.head()

	plz	geometry	ort	bundesland
0	52538	POLYGON ((5.86632 51.05110, 5.86692 51.05124, ...	Gangelt	Nordrhein-Westfalen
1	52538	POLYGON ((5.86632 51.05110, 5.86692 51.05124, ...	Selfkant	Nordrhein-Westfalen
2	47559	POLYGON ((5.94504 51.82354, 5.94580 51.82409, ...	Kranenburg	Nordrhein-Westfalen
3	52525	POLYGON ((5.96811 51.05556, 5.96951 51.05660, ...	Heinsberg	Nordrhein-Westfalen
4	52525	POLYGON ((5.96811 51.05556, 5.96951 51.05660, ...	Waldfeucht	Nordrhein-Westfalen

Messstellenstandort Wasserkuppe

import shapely
import contextily as ctx

wasserkuppe_df = deutschland_df.query(('plz == "36129"'))
wasserkuppe_df = wasserkuppe_df.to_crs(epsg=3857)

df = pd.DataFrame({'city': ['Wasserkuppe'],
                   'latitude': [50.49768412],
                   'longitude': [9.9358506]})
gdf = gpd.GeoDataFrame(df.drop(['latitude', 'longitude'], axis=1),
                       crs = {'init': 'epsg:4326'},
                       geometry = [shapely.geometry.Point(xy)
                                 for xy in zip(df.longitude, df.latitude)])
gdf = gdf.to_crs(epsg = 3857)
print(gdf)
fig = plt.figure(figsize = (15,15))
ax = plt.subplot()
ax.text(x = 1106053.829, y = 6532916.278 - 715, s ='Messstelle Wasserkuppe', size = 18) 
wasserkuppe_df = wasserkuppe_df.plot(color='none',edgecolor='black', linewidth=3, ax = ax)
                                                                         
ax.set_axis_off()                                    

gdf.plot(ax = wasserkuppe_df, marker = 'o', color = 'red', markersize = 150)

ctx.add_basemap(ax = ax, source=ctx.providers.OpenTopoMap)

          city                         geometry
0  Wasserkuppe  POINT (1106053.829 6532916.278)

png

Der rote schraffierte Bereich ist das Sperrgebiet Truppenübungsplatz Wildflecken.

Einfluss des Messstellenstandort auf die Messdaten

Die Lichter der Erde bei Nacht sind hauptsächlich vom Menschen gemacht. Dieses wird genutzt um die nährere Umgebung des Standortes auf die anthropogenen Einflüsse einzuschätzen. Hierfür werden Satellitenbilder genutzt. Vom Visible-Infrared-Imaging-Radiometer-Suite-Instrument (VIIRS) auf dem Suomi-NPP-Satelliten, der am 28. Oktober 2011 von NASA und NOAA (National Oceanic and Atmospheric Administration) gestartet worden ist.

Das VIIRS-Instrument wurde speziell entwickelt, um die Erde tagsüber statt nachts zu beobachten. Seine Empfindlichkeit reicht aus, um das Licht eines einzelnen Schiffes auf der Erdoberfläche zu erfassen.⁴

wasserkuppe_df = deutschland_df
wasserkuppe_df = wasserkuppe_df.to_crs(epsg=3857)

df = pd.DataFrame({'city': ['Wasserkuppe'],
                   'latitude': [50.49768412],
                   'longitude': [9.9358506]})
gdf = gpd.GeoDataFrame(df.drop(['latitude', 'longitude'], axis=1),
                       crs = {'init': 'epsg:4326'},
                       geometry = [shapely.geometry.Point(xy)
                                 for xy in zip(df.longitude, df.latitude)])
gdf = gdf.to_crs(epsg = 3857)
print(gdf)
fig = plt.figure(figsize = (20,20))
ax = plt.subplot()
ax.text(x = 1106053.829 - 47150, y = 6532916.278 + 5915, s ='Messstelle Wasserkuppe', size = 28, color = 'white') 
wasserkuppe_df = wasserkuppe_df.plot(color='none',edgecolor='gray', linewidth=0, ax = ax)
                                                                         
ax.set_axis_off()                                    

gdf.plot(ax = wasserkuppe_df, marker = 'o', color = 'red', markersize = 150)

ctx.add_basemap(ax = ax, source=ctx.providers.NASAGIBS.ViirsEarthAtNight2012)

          city                         geometry
0  Wasserkuppe  POINT (1106053.829 6532916.278)

png

wasserkuppe_df = deutschland_df.query(('bundesland == "Hessen"'))
wasserkuppe_df = wasserkuppe_df.to_crs(epsg=3857)

df = pd.DataFrame({'city': ['Wasserkuppe'],
                   'latitude': [50.49768412],
                   'longitude': [9.9358506]})
gdf = gpd.GeoDataFrame(df.drop(['latitude', 'longitude'], axis=1),
                       crs = {'init': 'epsg:4326'},
                       geometry = [shapely.geometry.Point(xy)
                                 for xy in zip(df.longitude, df.latitude)])
gdf = gdf.to_crs(epsg = 3857)
print(gdf)
fig = plt.figure(figsize = (25,25))
ax = plt.subplot()
ax.text(x = 1106053.829 - 47150, y = 6532916.278 + 5915, s ='Messstelle Wasserkuppe', size = 18, color = 'white') 
wasserkuppe_df = wasserkuppe_df.plot(color='none',edgecolor='gray', linewidth=1, ax = ax)
                                                                         
ax.set_axis_off()                                    

gdf.plot(ax = wasserkuppe_df, marker = 'o', color = 'red', markersize = 150)

ctx.add_basemap(ax = ax, source=ctx.providers.NASAGIBS.ViirsEarthAtNight2012)

          city                         geometry
0  Wasserkuppe  POINT (1106053.829 6532916.278)


C:\Users\mm\anaconda3\lib\site-packages\contextily\tile.py:632: UserWarning: The inferred zoom level of 9 is not valid for the current tile provider (valid zooms: 1 - 8).
  warnings.warn(msg)

png

wasserkuppe_df = deutschland_df.query(('plz == "36129"'))
wasserkuppe_df = wasserkuppe_df.to_crs(epsg=3857)

df = pd.DataFrame({'city': ['Wasserkuppe'],
                   'latitude': [50.49768412],
                   'longitude': [9.9358506]})
gdf = gpd.GeoDataFrame(df.drop(['latitude', 'longitude'], axis=1),
                       crs = {'init': 'epsg:4326'},
                       geometry = [shapely.geometry.Point(xy)
                                 for xy in zip(df.longitude, df.latitude)])
gdf = gdf.to_crs(epsg = 3857)
print(gdf)
fig = plt.figure(figsize = (15,15))
ax = plt.subplot()
ax.text(x = 1106053.829 - 2700, y = 6532916.278 + 515, s ='Messstelle Wasserkuppe', size = 18, color = 'white') 
wasserkuppe_df = wasserkuppe_df.plot(color='none',edgecolor='gray', linewidth=3, ax = ax)
                                                                         
ax.set_axis_off()                                    

gdf.plot(ax = wasserkuppe_df, marker = 'o', color = 'red', markersize = 150)

ctx.add_basemap(ax = ax, source=ctx.providers.NASAGIBS.ViirsEarthAtNight2012)

          city                         geometry
0  Wasserkuppe  POINT (1106053.829 6532916.278)


C:\Users\mm\anaconda3\lib\site-packages\contextily\tile.py:632: UserWarning: The inferred zoom level of 13 is not valid for the current tile provider (valid zooms: 1 - 8).
  warnings.warn(msg)

png

Die verschiedenen Zoomlevel um die Region der Messstelle zeigen wenige Lichter bei Nacht. Hier kann man eine ländliche Region erkennen. Das bedeutet der Datensatz sollte geringe anthropogen Einflüsse der näheren Umgebung haben.

Verarbeitung und Vorverarbeitung vom Datensatz

In diesem Abschnitt wird der Datensatz bearbeitet. Die Daten befinden sich noch im Rohzustand, für eine weitere Verarbeitung, werden sie in bestimmte Formate umgewandelt. Anschließend analysieren wir die Messdaten mit Python. Für die Umsetzung wird das Pandas Framework genutzt. Hauptbestandteil ist die Klasse DataFrame, mit der sich zweidimensionale Tabellen, die aus Zeilen und Spalten bestehen, aufbereiten und umarbeiten lassen. Die Datei messwerte.txt liefert Hinweise, wie die Datei in Python geladen werden soll. Deutschland verwendet ein Komma (,) als Dezimaltrennzeichen. Die meisten europäischen Länder, trennen mit ‚;“ anstatt ‚,‘ und das Dezimaltrennzeichen ist ‚,‘ statt ‚.‘

Datum;Zeit;Kohlendioxid (CO2)[mg/m³];Temperatur[°C];Luftdruck[hPa]

01.12.2019;01:00;867;-3,5;1023

01.12.2019;02:00;885;-3,6;1023

Die Rohdaten stellen folgenden Aufgaben:

Der Datentyp muss von Objekt in Zahl umwgewandelt werden. Die Datumspalte und Zeitspalte in ein Datumsformat bringen („%d-%m-%y %H:%M“).

Die pandas Bibliothek wird geladen und mit mit pd abgekürzt.

import pandas as pd

Die Messdaten einlesen (pd.read_csv) und die Zellen mit ‚;‘ trennen. Dezimaltrennzeichen ‚,‘ ( sep=‘;‘ , decimal=‘,‘).

df_wasserkuppe = pd.read_csv('daten/messwerte_wasserkuppe.txt', sep = ';' , decimal = ',')

Die head-Methode liefert eine Übersicht über die ersten fünf Zeilen.

df_wasserkuppe.head()

	Datum	Zeit	Kohlendioxid (CO2)[mg/m³]	Temperatur[°C]	Luftdruck[hPa]	Windgeschwindigkeit[m/s]	Windrichtung[Grad]	Niederschlag[mm/30min]	Globalstrahlung[W/m²]
0	05.07.2000	01:00	-	9,7	-	12,6	-	-	1
1	05.07.2000	02:00	-	9,8	-	10,8	-	-	1
2	05.07.2000	03:00	-	9,7	-	11,0	-	-	1
3	05.07.2000	04:00	-	9,4	-	12,8	-	-	1
4	05.07.2000	05:00	-	8,8	-	12,6	-	-	1

Beim Einlesen von Daten versucht Pandas, die Daten automatisch in ein Zahlenformat (Integer oder Floats) zu konvertieren. Mit df.dtypes erhalten wir den entsprechenden Datentyp. Für die Messparameter und das Datum ist das nicht gelungen. Für die Verarbeitungsschritte, die uns noch bevorstehen, ist dieses Format ungeeignet.

df_wasserkuppe.dtypes

Datum                        object
Zeit                         object
Kohlendioxid (CO2)[mg/m³]    object
Temperatur[°C]               object
Luftdruck[hPa]               object
Windgeschwindigkeit[m/s]     object
Windrichtung[Grad]           object
Niederschlag[mm/30min]       object
Globalstrahlung[W/m²]        object
dtype: object

Die Dezimaltrennzeichen in Spalte Temperatur[°C] ‘,’ mit ‘.’ tauschen und erstelle eine neue Spalte Temperatur (df[‘Temperatur’]). (x.replace)

df_wasserkuppe['Temperatur'] = [x.replace(',' , '.') for x in df_wasserkuppe['Temperatur[°C]']]

df_wasserkuppe.head()

	Datum	Zeit	Kohlendioxid (CO2)[mg/m³]	Temperatur[°C]	Luftdruck[hPa]	Windgeschwindigkeit[m/s]	Windrichtung[Grad]	Niederschlag[mm/30min]	Globalstrahlung[W/m²]	Temperatur
0	05.07.2000	01:00	-	9,7	-	12,6	-	-	1	9.7
1	05.07.2000	02:00	-	9,8	-	10,8	-	-	1	9.8
2	05.07.2000	03:00	-	9,7	-	11,0	-	-	1	9.7
3	05.07.2000	04:00	-	9,4	-	12,8	-	-	1	9.4
4	05.07.2000	05:00	-	8,8	-	12,6	-	-	1	8.8

Die Datenreihe Luftdruck[hPa], Temperatur und Kohlendioxid (CO2)[mg/m³] von object zu float umwandeln, und erstelle eine neue Spalten namens Luftdruck, Temperatur und Kohlendioxid. (pd.to_numeric) Der Parameter errors=’coerce’ wandelt ‘-‘ und andere Parsingfehler zu NaN (Not a Number) um.

Pandas-Operationen wie to_numeric arbeiten standardmäßig nicht “in-place”. Deswegen werden die Ergebnisse, einer neuen Spalte zugewiesen.

df_wasserkuppe['Luftdruck'] = pd.to_numeric(df_wasserkuppe['Luftdruck[hPa]'], errors = 'coerce')

df_wasserkuppe['Temperatur'] = pd.to_numeric(df_wasserkuppe['Temperatur'], errors = 'coerce')

df_wasserkuppe['Kohlendioxid'] = pd.to_numeric(df_wasserkuppe['Kohlendioxid (CO2)[mg/m³]'], errors = 'coerce')

df_wasserkuppe.head()

	Datum	Zeit	Kohlendioxid (CO2)[mg/m³]	Temperatur[°C]	Luftdruck[hPa]	Windgeschwindigkeit[m/s]	Windrichtung[Grad]	Niederschlag[mm/30min]	Globalstrahlung[W/m²]	Temperatur	Luftdruck	Kohlendioxid
0	05.07.2000	01:00	-	9,7	-	12,6	-	-	1	9.7	NaN	NaN
1	05.07.2000	02:00	-	9,8	-	10,8	-	-	1	9.8	NaN	NaN
2	05.07.2000	03:00	-	9,7	-	11,0	-	-	1	9.7	NaN	NaN
3	05.07.2000	04:00	-	9,4	-	12,8	-	-	1	9.4	NaN	NaN
4	05.07.2000	05:00	-	8,8	-	12,6	-	-	1	8.8	NaN	NaN

df_wasserkuppe.tail()

	Datum	Zeit	Kohlendioxid (CO2)[mg/m³]	Temperatur[°C]	Luftdruck[hPa]	Windgeschwindigkeit[m/s]	Windrichtung[Grad]	Niederschlag[mm/30min]	Globalstrahlung[W/m²]	Temperatur	Luftdruck	Kohlendioxid
174595	04.06.2020	20:00	735	8,8	994	4,9	-	0,0	18	8.8	994.0	735.0
174596	04.06.2020	21:00	737	8,8	995	5,4	-	-	3	8.8	995.0	737.0
174597	04.06.2020	22:00	739	8,8	995	5,9	-	0,4	1	8.8	995.0	739.0
174598	04.06.2020	23:00	740	7,6	995	7,4	-	0,2	1	7.6	995.0	740.0
174599	04.06.2020	24:00	737	6,5	995	6,6	-	0,0	1	6.5	995.0	737.0

df_wasserkuppe.dtypes

Datum                         object
Zeit                          object
Kohlendioxid (CO2)[mg/m³]     object
Temperatur[°C]                object
Luftdruck[hPa]                object
Windgeschwindigkeit[m/s]      object
Windrichtung[Grad]            object
Niederschlag[mm/30min]        object
Globalstrahlung[W/m²]         object
Temperatur                   float64
Luftdruck                    float64
Kohlendioxid                 float64
dtype: object

Für die weitere Datenverarbeitung, zum Beispiel für FP Prophet, wird ein bestimmtes Datumsformat benötigt. Zur ‘Zeit’spalte wird “:00” hinzugeügt, ohne Sekundenformat gibt es eine Fehlermeldung. ⁵

Prophet ist eine Open-Source-Software, die vom Core Data Science-Team von Facebook veröffentlicht wurde. Prophet ist für die Prognose von Zeitreihendaten geeignet.

df_wasserkuppe['Sekundenformat'] = df_wasserkuppe['Zeit'] + ':00'

Die Pandas-Funktion to_datetime wird genutzt, um datumsspezifische Operationen durchführen zu können.

df_wasserkuppe['DatumYDM'] = pd.to_datetime(df_wasserkuppe.Datum)

Pandas wird informiert, dass die zu lesenden Werte nacheinander Angaben zum Tag, Monat, Jahr beinhalten.

df_wasserkuppe["DatumMDY"] = df_wasserkuppe["DatumYDM"].dt.strftime("%d-%m-%y")

Die Spalte Sekundenformat in 0 Tage 01:00:00 wird umgewandelt. (zählt Stunden bis 24 und beginnt bei 0 Tage)

df_wasserkuppe['Stundenzaehler'] = pd.to_timedelta(df_wasserkuppe.Sekundenformat)

Zur Spalte DatumMDY die Spalte Stundenzaehler addiert = 2019-12-01 01:00:00

df_wasserkuppe['DatumStundenzaehler'] = pd.to_datetime(df_wasserkuppe.DatumMDY) + pd.to_timedelta(df_wasserkuppe.Stundenzaehler)

Das Datumsformat wird in 01-12-2019 01:00 umgwandelt

df_wasserkuppe["DatumFinal"] = df_wasserkuppe["DatumStundenzaehler"].dt.strftime("%d-%m-%y %H:%M")

Die folgenden Spalten werden gelöscht:

df_wasserkuppe = df_wasserkuppe.drop(columns = ['Datum', 'Zeit','Sekundenformat','Kohlendioxid (CO2)[mg/m³]','Temperatur[°C]','Luftdruck[hPa]','DatumYDM','DatumMDY','Stundenzaehler','DatumStundenzaehler'])
df_wasserkuppe = df_wasserkuppe.drop(columns=['Windgeschwindigkeit[m/s]', 'Windrichtung[Grad]','Niederschlag[mm/30min]','Globalstrahlung[W/m²]'])

Die Spalte DatumFinal in Datum umbenennen.

df_wasserkuppe = df_wasserkuppe.rename(columns={'DatumFinal' : 'Datum'})

Die Spalte Datum als Index setzen, dadurch werden die Vorzüge der Datumsklasse genutzt.

df_wasserkuppe = df_wasserkuppe.set_index('Datum')

Das Ergebnis: Das Datum wurde als nutzbares Datumsformat umgewandelt. Die Temperatur, Luftdruck und Kohlendioxid sind im Zahlenformat und NaN Werte für fehlende Daten.

df_wasserkuppe.head()

	Temperatur	Luftdruck	Kohlendioxid
Datum
05-07-00 01:00	9.7	NaN	NaN
05-07-00 02:00	9.8	NaN	NaN
05-07-00 03:00	9.7	NaN	NaN
05-07-00 04:00	9.4	NaN	NaN
05-07-00 05:00	8.8	NaN	NaN

df_wasserkuppe.dtypes

Temperatur      float64
Luftdruck       float64
Kohlendioxid    float64
dtype: object

df_wasserkuppe.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 174600 entries, 2000-05-07 01:00:00 to 2020-05-06 00:00:00
Data columns (total 4 columns):
 #   Column        Non-Null Count   Dtype  
---  ------        --------------   -----  
 0   Datum         174600 non-null  object 
 1   Temperatur    173564 non-null  float64
 2   Luftdruck     76646 non-null   float64
 3   Kohlendioxid  154136 non-null  float64
dtypes: float64(3), object(1)
memory usage: 6.7+ MB

Zusammenfassung:

df_wasserkuppe['Temperatur'] = [x.replace(',', '.') for x in df_wasserkuppe['Temperatur[°C]']]
df_wasserkuppe['Luftdruck'] = pd.to_numeric(df_wasserkuppe['Luftdruck[hPa]'], errors='coerce')
df_wasserkuppe['Temperatur'] = pd.to_numeric(df_wasserkuppe['Temperatur'], errors='coerce')
df_wasserkuppe['Kohlendioxid'] = pd.to_numeric(df_wasserkuppe['Kohlendioxid (CO2)[mg/m³]'], errors='coerce')
df_wasserkuppe['Sekundenformat'] = df_wasserkuppe['Zeit'] + ':00'
df_wasserkuppe['DatumYDM'] = pd.to_datetime(df_wasserkuppe.Datum)
df_wasserkuppe["DatumMDY"] = df_wasserkuppe["DatumYDM"].dt.strftime("%d-%m-%y")
df_wasserkuppe['Stundenzaehler'] = pd.to_timedelta(df_wasserkuppe.Sekundenformat)
df_wasserkuppe['DatumStundenzaehler'] = pd.to_datetime(df_wasserkuppe.DatumMDY) + pd.to_timedelta(df_wasserkuppe.Stundenzaehler)
df_wasserkuppe["DatumFinal"] = df_wasserkuppe["DatumStundenzaehler"].dt.strftime("%d-%m-%y %H:%M")
df_wasserkuppe = df_wasserkuppe.drop(columns=['Datum', 'Zeit','Sekundenformat','Kohlendioxid (CO2)[mg/m³]','Temperatur[°C]','Luftdruck[hPa]','DatumYDM','DatumMDY','Stundenzaehler','DatumStundenzaehler'])
df_wasserkuppe = df_wasserkuppe.drop(columns=['Windgeschwindigkeit[m/s]', 'Windrichtung[Grad]','Niederschlag[mm/30min]','Globalstrahlung[W/m²]'])
df_wasserkuppe = df_wasserkuppe.rename(columns={'DatumFinal': 'Datum'})
df_wasserkuppe = df_wasserkuppe.set_index('Datum')
df_wasserkuppe.head()

Die Ergebnisse als csv speichern.

df_wasserkuppe.to_csv('daten/wasserkuppe.csv')

Umrechnung $𝑚𝑔/𝑚^3$ in ppm

Der $CO_2$-Gehalt in der Luft wird in parts per million (Anteile pro Million), kurz ppm, oder in Prozent (%), beziehungsweise Volumenprozent (Vol.-%) angegeben. Zu Beginn der Industrialisierung, um 1750 lag die $CO_2$-Konzentration bei 278 ppm.⁶ ⁷ Diese historischen Daten sind in ppm, die Messtelle gibt die Kohlendioxidangaben in $𝑚𝑔/𝑚^3$ an. Um die Massenkonzentrationen und Volumenmischungsverhältnisse besser vergleichen zu können, werden sie in diesem Abschnitt umgewandelt. Die Angaben als Massenkonzentrationen in $𝑚𝑔/𝑚^3$ gelten nur für die bestimmten Bedingungen von Druck und Temperatur. Der Befehl df_wasserkuppe.info() liefert uns das maximal 76646 Werte ppm berechnen könnten. Da nur für 76646 Luftdruckwerte vorhanden sind.

df_wasserkuppe = pd.read_csv('daten/wasserkuppe.csv')
df_wasserkuppe.index = pd.to_datetime(df_wasserkuppe.Datum)

df_wasserkuppedrop = df_wasserkuppe.dropna()
df_wasserkuppedrop = df_wasserkuppedrop.drop(columns=['Datum'])

df_wasserkuppedrop

	Temperatur	Luftdruck	Kohlendioxid
Datum
2011-01-09 12:00:00	13.4	1014.0	724.0
2011-01-09 13:00:00	14.6	1014.0	726.0
2011-01-09 14:00:00	15.6	1014.0	729.0
2011-01-09 15:00:00	15.6	1013.0	720.0
2011-01-09 16:00:00	15.6	1013.0	721.0
...	...	...	...
2020-04-06 20:00:00	8.8	994.0	735.0
2020-04-06 21:00:00	8.8	995.0	737.0
2020-04-06 22:00:00	8.8	995.0	739.0
2020-04-06 23:00:00	7.6	995.0	740.0
2020-05-06 00:00:00	6.5	995.0	737.0

75072 rows × 3 columns

Umrechnungsformel

mg = 0.1ppm1mol/((8.31447*(t+273.15))/p)

ppm = 10mg2/mol((8.31447*(t+273.15))/p)

mg2…ist die Massenkonzentration des Messwertes Kohlendioxid in mg/m3

p…ist der Bezugsdruck. Der Normdruck wäre 1013,25 mbar.

mol…die molare Masse von Kohlendioxid in g/mol: 44,01 g/mol

10 ergibt sich als Umrechnungsfaktor, da keine konsistenten Einheiten verwendet werden⁸

R ist die Universelle Gaskonstante = 8,314472 J/(K·mol)

t= 13.4
p=1013.25
mol=44.01
mg2=724

ppm = 10*mg2/mol*((8.31447*(t+273.15))/p)
ppm

386.8170144884977

Berechnung der Werte 2011-01-09 12:00:00 und 2020-05-06 00:00:00

t= 6.5
p=995
mol=44.01
mg2=737

ppm = 10*mg2/mol*((8.31447*(t+273.15))/p)
ppm

391.32936019874427

t= 13.4
p=1014
mol=44.01
mg2=724

ppm = 10*mg2/mol*((8.31447*(t+273.15))/p)
ppm

386.5309072292606

t = df_wasserkuppedrop['Temperatur']
p = df_wasserkuppedrop['Luftdruck']
mol = 44.01
mg2 = df_wasserkuppedrop['Kohlendioxid']

df_wasserkuppedrop['ppm'] = 10*mg2/mol*((8.31447*(t+273.15))/p)

df_wasserkuppedrop['ppm']

Datum
2011-01-09 12:00:00    386.530907
2011-01-09 13:00:00    389.221839
2011-01-09 14:00:00    392.188422
2011-01-09 15:00:00    387.728965
2011-01-09 16:00:00    388.267478
                          ...    
2020-04-06 20:00:00    393.873041
2020-04-06 21:00:00    394.547875
2020-04-06 22:00:00    395.618561
2020-04-06 23:00:00    394.467844
2020-05-06 00:00:00    391.329360
Name: ppm, Length: 75072, dtype: float64

df_wasserkuppedrop

	Temperatur	Luftdruck	Kohlendioxid	ppm
Datum
2011-01-09 12:00:00	13.4	1014.0	724.0	386.530907
2011-01-09 13:00:00	14.6	1014.0	726.0	389.221839
2011-01-09 14:00:00	15.6	1014.0	729.0	392.188422
2011-01-09 15:00:00	15.6	1013.0	720.0	387.728965
2011-01-09 16:00:00	15.6	1013.0	721.0	388.267478
...	...	...	...	...
2020-04-06 20:00:00	8.8	994.0	735.0	393.873041
2020-04-06 21:00:00	8.8	995.0	737.0	394.547875
2020-04-06 22:00:00	8.8	995.0	739.0	395.618561
2020-04-06 23:00:00	7.6	995.0	740.0	394.467844
2020-05-06 00:00:00	6.5	995.0	737.0	391.329360

75072 rows × 4 columns

dfco2m = df_wasserkuppedrop.resample('M').mean()
dfco2m

	Temperatur	Luftdruck	Kohlendioxid	ppm
Datum
2011-01-31	9.861905	1018.083333	718.535714	377.267934
2011-02-28	10.933333	1015.166667	718.979167	380.087965
2011-03-31	10.738542	1012.093750	723.416667	383.434028
2011-04-30	10.977660	1008.351064	724.648936	385.891135
2011-05-31	8.386458	1008.500000	723.479167	381.627605
...	...	...	...	...
2020-08-31	5.670833	1020.233333	751.100000	387.711256
2020-09-30	7.174167	1014.941667	745.800000	389.088071
2020-10-31	5.693333	1009.225000	741.425000	386.948444
2020-11-30	2.715833	1012.291667	745.200000	383.644441
2020-12-31	2.384167	1013.800000	746.466667	383.237839

120 rows × 4 columns

import matplotlib.pyplot as plt
import matplotlib.style as style

dfco2m['ppm'].plot(label = 'ppm', figsize=(15,7))
dfco2m['MA3'] = dfco2m['ppm'].rolling(3).mean()
dfco2m['MA3'].plot(label='MA3')
style.use('fivethirtyeight')
plt.legend()

<matplotlib.legend.Legend at 0x172fbda4988>

png

Streudiagramme

import matplotlib.pyplot as plt
import numpy as np
from pandas.plotting import scatter_matrix
#df['logarithm'] = np.log(df['Temperatur']) 
#dfny = df.dropna()
#scatter_matrix(df['logarithm'])

#df.plot.scatter(df, loglog=True)
scatter_matrix(df_wasserkuppedrop, figsize=(15,7))

array([[<AxesSubplot:xlabel='Temperatur', ylabel='Temperatur'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='Temperatur'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='Temperatur'>,
        <AxesSubplot:xlabel='ppm', ylabel='Temperatur'>],
       [<AxesSubplot:xlabel='Temperatur', ylabel='Luftdruck'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='Luftdruck'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='Luftdruck'>,
        <AxesSubplot:xlabel='ppm', ylabel='Luftdruck'>],
       [<AxesSubplot:xlabel='Temperatur', ylabel='Kohlendioxid'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='Kohlendioxid'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='Kohlendioxid'>,
        <AxesSubplot:xlabel='ppm', ylabel='Kohlendioxid'>],
       [<AxesSubplot:xlabel='Temperatur', ylabel='ppm'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='ppm'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='ppm'>,
        <AxesSubplot:xlabel='ppm', ylabel='ppm'>]], dtype=object)

png

dfco2m = dfco2m.drop(columns = ['MA3'])
dfco2m

	Temperatur	Luftdruck	Kohlendioxid	ppm
Datum
2011-01-31	9.861905	1018.083333	718.535714	377.267934
2011-02-28	10.933333	1015.166667	718.979167	380.087965
2011-03-31	10.738542	1012.093750	723.416667	383.434028
2011-04-30	10.977660	1008.351064	724.648936	385.891135
2011-05-31	8.386458	1008.500000	723.479167	381.627605
...	...	...	...	...
2020-08-31	5.670833	1020.233333	751.100000	387.711256
2020-09-30	7.174167	1014.941667	745.800000	389.088071
2020-10-31	5.693333	1009.225000	741.425000	386.948444
2020-11-30	2.715833	1012.291667	745.200000	383.644441
2020-12-31	2.384167	1013.800000	746.466667	383.237839

120 rows × 4 columns

import matplotlib.pyplot as plt
import numpy as np
from pandas.plotting import scatter_matrix
#df['logarithm'] = np.log(df['Temperatur']) 
#dfny = df.dropna()
#scatter_matrix(df['logarithm'])

#df.plot.scatter(df, loglog=True)

scatter_matrix(dfco2m , figsize=(15,7))

array([[<AxesSubplot:xlabel='Temperatur', ylabel='Temperatur'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='Temperatur'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='Temperatur'>,
        <AxesSubplot:xlabel='ppm', ylabel='Temperatur'>],
       [<AxesSubplot:xlabel='Temperatur', ylabel='Luftdruck'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='Luftdruck'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='Luftdruck'>,
        <AxesSubplot:xlabel='ppm', ylabel='Luftdruck'>],
       [<AxesSubplot:xlabel='Temperatur', ylabel='Kohlendioxid'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='Kohlendioxid'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='Kohlendioxid'>,
        <AxesSubplot:xlabel='ppm', ylabel='Kohlendioxid'>],
       [<AxesSubplot:xlabel='Temperatur', ylabel='ppm'>,
        <AxesSubplot:xlabel='Luftdruck', ylabel='ppm'>,
        <AxesSubplot:xlabel='Kohlendioxid', ylabel='ppm'>,
        <AxesSubplot:xlabel='ppm', ylabel='ppm'>]], dtype=object)

png

dfco2m.plot.scatter(x='Temperatur', y='Luftdruck', loglog=False, alpha=1, figsize=(15,7))
plt.show()

png

dfco2m.plot.scatter(x='Temperatur', y='ppm', loglog=False, alpha=1, figsize=(15,7))
plt.show()

png

dfco2m.plot.scatter(x='Luftdruck', y='ppm', loglog=False, alpha=1, figsize=(15,7))
plt.show()

png

3D Streudiagramm

#https://stackoverflow.com/questions/59232073/scatter-plot-with-3-variables-in-matplotlib

#https://www.advsofteng.com/doc/cdpydoc/threedscatter2.htm Dropline



import matplotlib.pyplot as plt
from mpl_toolkits.mplot3d import Axes3D
import numpy as np

x = np.array(dfco2m['Temperatur'])
y = np.array(dfco2m['Luftdruck'])
z = np.array(dfco2m['ppm'])

fig = plt.figure(figsize=(20, 20))
ax = fig.add_subplot(111, projection='3d')
ax.scatter(x, y, z, 
           linewidths=1, alpha=.7,
           edgecolor='k',
           s = 200,
           c='green',
           )
plt.show()

png

dfco2m.info()

<class 'pandas.core.frame.DataFrame'>
DatetimeIndex: 120 entries, 2011-01-31 to 2020-12-31
Freq: M
Data columns (total 4 columns):
 #   Column        Non-Null Count  Dtype  
---  ------        --------------  -----  
 0   Temperatur    120 non-null    float64
 1   Luftdruck     120 non-null    float64
 2   Kohlendioxid  120 non-null    float64
 3   ppm           120 non-null    float64
dtypes: float64(4)
memory usage: 4.7 KB

x.shape

(120,)

y.shape

(120,)

z.shape

(120,)

ToDO: Droplines https://matplotlib.org/devdocs/gallery/mplot3d/stem3d_demo.html
Siehe: https://support.minitab.com/de-de/minitab/19/help-and-how-to/graphs/3d-scatterplot/interpret-the-results/key-results/

Visualisierung der Kohlendioxidmessung

import locale
locale.setlocale(locale.LC_ALL, 'de_DE')

import numpy as np
import matplotlib.pyplot as plt
import matplotlib.style as style
style.use('fivethirtyeight')
from calendar import month_abbr


df_vis = pd.read_csv('daten/wasserkuppe.csv')
df_vis.index = pd.to_datetime(df_vis.Datum)

df_vis

	Datum	Temperatur	Luftdruck	Kohlendioxid
Datum
2000-05-07 01:00:00	05-07-00 01:00	9.7	NaN	NaN
2000-05-07 02:00:00	05-07-00 02:00	9.8	NaN	NaN
2000-05-07 03:00:00	05-07-00 03:00	9.7	NaN	NaN
2000-05-07 04:00:00	05-07-00 04:00	9.4	NaN	NaN
2000-05-07 05:00:00	05-07-00 05:00	8.8	NaN	NaN
...	...	...	...	...
2020-04-06 20:00:00	04-06-20 20:00	8.8	994.0	735.0
2020-04-06 21:00:00	04-06-20 21:00	8.8	995.0	737.0
2020-04-06 22:00:00	04-06-20 22:00	8.8	995.0	739.0
2020-04-06 23:00:00	04-06-20 23:00	7.6	995.0	740.0
2020-05-06 00:00:00	05-06-20 00:00	6.5	995.0	737.0

174600 rows × 4 columns

df_vis = df_vis.resample('M').mean()
df_vis

	Temperatur	Luftdruck	Kohlendioxid
Datum
2000-01-31	9.597414	NaN	NaN
2000-02-29	6.987156	NaN	NaN
2000-03-31	5.985321	NaN	NaN
2000-04-30	5.805000	NaN	NaN
2000-05-31	6.943972	NaN	NaN
...	...	...	...
2020-08-31	5.670833	1020.233333	751.100000
2020-09-30	7.174167	1014.941667	745.800000
2020-10-31	5.693333	1009.225000	741.425000
2020-11-30	2.715833	1012.291667	745.200000
2020-12-31	2.384167	1013.800000	746.466667

252 rows × 3 columns

t = df_vis['Temperatur']
p = df_vis['Luftdruck']
mol = 44.01
mg2 = df_vis['Kohlendioxid']

df_vis['ppm'] = 10*mg2/mol*((8.31447*(t+273.15))/p)

df_vis

	Temperatur	Luftdruck	Kohlendioxid	ppm
Datum
2000-01-31	9.597414	NaN	NaN	NaN
2000-02-29	6.987156	NaN	NaN	NaN
2000-03-31	5.985321	NaN	NaN	NaN
2000-04-30	5.805000	NaN	NaN	NaN
2000-05-31	6.943972	NaN	NaN	NaN
...	...	...	...	...
2020-08-31	5.670833	1020.233333	751.100000	387.798992
2020-09-30	7.174167	1014.941667	745.800000	389.157172
2020-10-31	5.693333	1009.225000	741.425000	387.010451
2020-11-30	2.715833	1012.291667	745.200000	383.661572
2020-12-31	2.384167	1013.800000	746.466667	383.280561

252 rows × 4 columns

df_vis = df_vis.drop(columns=['Temperatur','Luftdruck','Kohlendioxid'])
df_vis

	ppm
Datum
2000-01-31	NaN
2000-02-29	NaN
2000-03-31	NaN
2000-04-30	NaN
2000-05-31	NaN
...	...
2020-08-31	387.798992
2020-09-30	389.157172
2020-10-31	387.010451
2020-11-30	383.661572
2020-12-31	383.280561

252 rows × 1 columns

Folgender Code war bei der Erstellung hilfreich ⁹

co2_data = df_vis['2011':'2019']
n_years = co2_data.index.year.max() - co2_data.index.year.min()
z = np.ones((n_years +1 , 12)) * np.min(co2_data.ppm)
for d, y in co2_data.groupby([co2_data.index.year, co2_data.index.month]):
  z[co2_data.index.year.max() - d[0], d[1] - 1] = y.mean()[0]

plt.figure(figsize=(10, 14))
plt.pcolor(np.flipud(z), cmap='hot_r')
plt.yticks(np.arange(0, n_years+1)+.5,
           range(co2_data.index.year.min(), co2_data.index.year.max()+1));
plt.xticks(np.arange(13)-.5, month_abbr)
plt.xlim((0, 12))
plt.colorbar().set_label('Kohlendioxidmessung in mg/m³ der Messstation Wasserkuppe ')
plt.show()  

png

In der Abbildung sind die Kohlendioxidwerte für November 2011 am geringsten und im April 2018 am höchsten. Der Einfluss der Nordhemisphäre dominiert den jährlichen Zyklus der Schwankung der Kohlenstoffdioxidkonzentration, denn dort befinden sich weit größere Landflächen und somit eine größere Biomasse als auf der Südhemisphäre. Die Konzentration ist im Mai auf der Nordhemisphäre am höchsten, da das im Frühling stattfindende Ergrünen zu dieser Zeit beginnt; sie erreicht ihr Minimum im Oktober, wenn die Photosynthese betreibende Biomasse am größten ist.¹⁰

Minimale und maximale Werte

Anschließend werden die maximalen und minimalen Werte aufgelistet.

t = pd.to_datetime('11-11-30')
t

df_wasserkuppe_01_02_2002_12_0 = df_vis[(df_vis.index == '2011-11-30')]
df_wasserkuppe_01_02_2002_12_0

	ppm
Datum
2011-11-30	369.717896

df_wasserkuppe_01_02_2002_12_0 = df_vis[(df_vis.index == '2018-07-31')]
df_wasserkuppe_01_02_2002_12_0

	ppm
Datum
2018-07-31	393.254659

df_vis['ppm'].argmax()

df_vis.iloc[[df_vis['ppm'].argmax()]]

	ppm
Datum
2018-04-30	393.527525

df_vis.iloc[[df_vis['ppm'].argmin()]]

	ppm
Datum
2011-11-30	369.717896

Wird fortgesetzt…

Quellenangaben:

Quellenangaben Sonstiges:

https://stackoverflow.com/questions/51621615/which-geopandas-datasets-maps-are-available

https://github.com/geopandas/geopandas/blob/master/doc/source/gallery/plotting_basemap_background.ipynb

https://geopandas.org/gallery/plotting_basemap_background.html

Webseite: https://www.hlnug.de/themen/luft/luftschadstoffe/kohlendioxid ↩
Jacobi, S. (o.D.). Grundlagen der Luftreinhaltung [Vorlesungsfolien]. Hessisches Landesamt für Naturschutz, Umwelt und Geologie Wiesbaden. https://www.hlnug.de/fileadmin/dokumente/luft/externe_fachveranstaltungen/vorlesungen/jacobi/02_Grundlagen_der_Luftreinhaltung.pdf . Abgerufen am 17. März 2021. ↩
Orduz, J. C. (2020, 7. Januar). Open Data: Germany Maps Viz. Dr. Juan Camilo Orduz. https://juanitorduz.github.io/germany_plots/ ↩
Hattenbach, J. (2012, 6. Dezember). Das neue Bild der Erde - bei Nacht. SciLogs - Wissenschaftsblogs. https://scilogs.spektrum.de/himmelslichter/das-neue-bild-der-erde-bei-nacht/ ↩
Webseite: https://facebook.github.io/prophet/ ↩
Kohlendioxid-Konzentration – Klimawandel. (2019). bildungsserver. https://wiki.bildungsserver.de/klimawandel/index.php/Kohlendioxid-Konzentration ↩
Wikipedia-Autoren. (2007, 16. Mai). Kohlenstoffdioxid in der Erdatmosphäre. Wikipedia. https://de.wikipedia.org/wiki/Kohlenstoffdioxid_in_der_Erdatmosph%C3%A4re ↩
ppm in mg/m3. (2019). NABU Eibelshausen. http://www.nabu-eibelshausen.de/Rechner/ppm.html ↩
Vettigli, G. (2019, 22. April). Visualizing Atmospheric Carbon Dioxide. Dzone.Com. https://dzone.com/articles/visualizing-atmospheric-carbon-dioxide ↩
U.K. (2016, 21. Januar). Florierende Vegetation verstärkt Kohlendioxid-Schwankungen. Max-Planck-Gesellschaft. https://www.mpg.de/9862783/co2-schwankung-vegetation-erderwaermung ↩

Teilen auf

Twitter Facebook LinkedIn

Michael Müller