Globale Aussagen zum Klimawandel geben für mich nicht ausreichend die lokalen Folgen wieder. Daher wollte ich einmal schauen, wie die Daten der von mir aus nächsten Messstation in Berlin-Tegel Veränderungen im Wetter darstellen. Der Deutsche Wetterdienst (DWD) betreibt zahlreiche Messstationen in ganz Deutschland. Die Daten der einzelnen Messstationen lassen sich bequem herunterladen. Hier meine Analyse.
Temperatur
Die Werte liegen auf Tagesebene vor. Um Tendenzen zu ermitteln, scheint eine Aggregation auf Monatsebene sinnvoll. Die folgende Grafik zeigt die durchschnittliche Temperatur je Monat seit 1950:
Es lässt sich eine Tendenz erkennen, dass die durchschnittliche Temperatur in allen Monaten seit 1950 zugenommen hat. Die folgende Grafik zeigt mit blauen Punkten die Jahre 2000 bis 2015. Die roten Punkte sind die durchschnittlichen Monatstemperaturen im Jahr 2016.
Während sich für jeden einzelnen Monat eine Tendenz erkennen lässt, ist die durchschnittliche Temperatur je Jahr auch interessant. Hier ist ein klarer Trend erkennbar. Insbesondere sind die letzten Jahre deutlich über dem linearen Trend.
Noch klarer wird die Tendenz, wenn wir die Jahre seit 2001 denen zuvor gegenüberstellen.
Mit diesem Boxplot lässt sich sehr schön erkennen, dass es eine deutliche Verschiebung des Medians (des dicken schwarzen Querbalkens) im Laufe der Zeit gegeben hat.
Statistischer Test
Neben dem, was das Auge zeigt, kann man auch noch mit einem statistischen Test überprüfen, ob die letzten 15 Jahre wirklich signifikant wärmer waren, als die zuvor. Dazu prüfen wir zunächst, ob die Temperaturdaten normalverteilt sind.
Normalverteilung
##
## Shapiro-Wilk normality test
##
## data: sample(oldTemps)
## W = 0.96799, p-value = 0.1916##
## Shapiro-Wilk normality test
##
## data: sample(recentTemps)
## W = 0.96162, p-value = 0.6912Sowohl bei den Daten bis 2000 als auch bei denen ab 2001 können wir die Nullhypothese, dass die Daten normalverteilt sind, nicht verwerfen. Dies ist eine wichtige Voraussetzung für einen t-Test, um den Unterschied der Mittelwerte zu vergleichen.
Verteilung der Varianzen
Es stellt sich die Frage, ob die Varianzen gleich verteilt sind (nicht, ob sie gleichverteilt sind).
##
## F test to compare two variances
##
## data: oldTemps and recentTemps
## F = 1.2444, num df = 49, denom df = 15, p-value = 0.6638
## alternative hypothesis: true ratio of variances is not equal to 1
## 95 percent confidence interval:
## 0.4876602 2.6317907
## sample estimates:
## ratio of variances
## 1.244404Der hohe p-Wert deutet darauf hin, dass wir die Nullhypothese einer Gleichverteilung der Varianze lieber nicht ablehnen sollten. Der nun folgende t-Test für zwei Stichproben zeigt, dass die Jahre nach 2000 signifikant wärmer waren, als die zuvor.
##
## Two Sample t-test
##
## data: oldTemps and recentTemps
## t = -4.1267, df = 64, p-value = 5.42e-05
## alternative hypothesis: true difference in means is less than 0
## 95 percent confidence interval:
## -Inf -0.5375918
## sample estimates:
## mean of x mean of y
## 9.037277 9.939948Außerdem können wir noch den Wilcoxon-Test durchführen, der den Median vergleicht. Auch hier ist das Ergebnis - wenig überraschend - das gleiche:
##
## Wilcoxon rank sum test with continuity correction
##
## data: oldTemps and recentTemps
## W = 158.5, p-value = 0.0001555
## alternative hypothesis: true location shift is less than 0Der geringe p-Wert legt nahe, dass die Verteilung der Temperaturwert der letzten Jahre einen signifikant größeren Median hat als die der Jahre zuvor.
Tageshöchst- und Tagestiefsttemperatur
Da Durchschnitte täuschen können, schauen wir uns auch die Unterschiede in der Tageshöchst- und Tagestiefsttemperatur an. Auch hier ist eine klare Tendenz erkennbar.
Temperaturschwankung
Oft lese ich, dass die Schwankung der Temperatur im Zuge des Klimawandels auch zunimmt. Die Schwankung gemessen als Standardabweichung aller Tagestemperaturen zeigt das folgende Diagramm auf Jahresebene.
Hier lässt sich keine Tendenz erkennen, nach der die Temperatur in den letzten Jahren mehr geschwankt hat als in den Jahren zuvor.
Niederschläge
Eine andere oft gelesene Behauptung ist die, dass die Niederschlagsmenge sich verändert. Auch zu dieser These lassen sich Daten des DWD auswerten.
Regen
Das folgende Diagramm zeigt die Regenmenge pro Jahr:
Es scheint eine leichte Tendenz zu weniger Niederschlägen erkennbar, wobei insbesondere die letzten drei Jahre deutlich unter dem langjährigen Mittel liegen. Nun lässt sich auch wieder die Frage stellen, ob die Regenmenge im Laufe der Jahre stärker schwankt. Eine Schwankung bedeutet für mich in dem Fall, dass es an manchen Tagen sehr stark regnet, an manchen aber gar nicht.
Auch hier scheint es, als ob die These nicht zu halten ist, dass die Schwankung im Laufe der letzten Jahre zugenommen hat. Interessanter als diese Analyse ist aber vielleicht die Frage, ob die Verteilung der Zahl aufeinanderfolgender Tage, an denen es geregnet hat, sich in den letzten Jahren verändert hat, wobei fraglich ist, ob diese Verteilung jemals stabil war.
Schnee
Eine andere These ist, dass es früher mehr Schnee gab (neben mehr Lametta). Das folgende Diagramm zeigt die Menge des gefallenen Schnees je Jahr, wobei allein anhand der Niederschlagsdaten keine Aussage darüber zu treffen ist, ob dieser auch liegen blieb. Dafür müssten die Temperaturverhältnisse dazugenommen werden. Allerdings weiß ich nicht, welche Bedingung dafür hinreichend ist. Deswegen zunächst eine reine Auswertung der Schneemenge je Jahr:
Hier ist eine leichte Tendenz zu weniger Schnee erkennbar, wobei jedoch 2010 ein klarer Ausreißer nach oben ist. Soviel Schnee wie 2010 wurde in Berlin-Tegel zumindest seit 1950 nicht gemessen.