Research
Development
Climate Change Adaptation
Climate Change Mitigation
Biodiversity

Funding body

Österreichische Forschungsförderungsgesellschaft - TIKS 2024
Funding amount
€495 000
Consortium
Green4Cities
Institute of Building Research & Innovation
UBIMET
Short summary
KIMONI nutzt Künstliche Intelligenz, Wetter- und Satellitendaten, um die Klimawirkung von Gebäudebegrünung und Stadtgrün zu berechnen und Extremwetterrisiken vorherzusagen – als leistbare Grundlage für Klimaanpassung und Nachhaltigkeitsberichte.
Objectives
Städte müssen sich an Hitze, Starkregen und Trockenheit anpassen. Grüne Infrastrukturen (GI) wie Fassadenbegrünung oder Straßenbegleitgrün helfen dabei: Sie kühlen, halten Regenwasser zurück und senken den Energiebedarf von Gebäuden. Unternehmen müssen ihre Anpassungsbemühungen zunehmend über EU-Taxonomie und Nachhaltigkeitsberichterstattung (CSRD) belegen. Die Wirkung von GI lässt sich bisher aber nur mit teurer Messtechnik oder sehr rechenintensiven Simulationen quantifizieren: Ein Tag in einem zwei Hektar großen Quartier benötigt rund drei Tage Rechenzeit.
KIMONI (Langtitel: Künstliche Intelligenz für das Monitoring der Wirkungsleistung von Grünen Infrastrukturen) entwickelt deshalb ein anwendbares Konzept für das Wirkungsmonitoring von GI. Es verfolgt vier Ziele:
· den Stand der Klimawandelanpassung von Immobilien KI-basiert berechenbar machen,
· Anpassungsmaßnahmen wirkungsorientiert und wirtschaftlich überwachen und steuern,
· Extremwetter hochaufgelöst prognostizieren, um die Verwundbarkeit von Gebäuden zu beurteilen,
· Ergebnisse in einer Qualität bereitstellen, die für Berichtspflichten und Wirtschaftsprüfung geeignet ist.
Methodology
KIMONI verknüpft vier Bausteine zu einer gemeinsamen Methode:
Digitaler Zwilling: Aus frei verfügbaren Geo- und Satellitendaten (u. a. OpenStreetMap, Corine Land Cover, Copernicus) entsteht per Adressabfrage ein digitales Stadtmodell mit Gebäudegeometrien, Oberflächentemperaturen und Baumkronenvolumen. Es wird mit manuell erstellten Modellen verglichen.
Simulation und Machine Learning: Für einen Trainingsstandort werden verschiedene Begrünungsszenarien simuliert: Mikroklima (PALM-4U), Regenwasserabfluss (SWMM) und Gebäudeenergiebedarf (IDA ICE) auf Basis typischer Gebäude- und Haustechniktypologien. Mit diesen Daten wird das Machine-Learning-Modell GAIA trainiert und mit Testdaten validiert. Es soll die Wirkung auf thermischen Komfort, Heiz- und Kühlbedarf, CO₂eq.-Emissionen und Wasserhaushalt rasch berechnen.
Wetter- und Klimaprognose: Kurzfristige Unwetterprognosen werden lokal verfeinert, unter anderem mit Satellitendaten. Klimaprojektionen bis 2100 werden fehlerkorrigiert, räumlich verfeinert und KI-gestützt zeitlich aufgelöst, damit Extremereignisse abgebildet werden.
Wachstum und Wirtschaftlichkeit: Ein Wachstumsmodell auf Basis von Literaturdaten simuliert die Entwicklung der Pflanzen über 10, 30 und 50 Jahre. Eine Kosten-Nutzen-Analyse bewertet Wirkung und Kosten über den Lebenszyklus.
Ergänzend entstehen ein Reporting-Konzept für EU-Taxonomie und CSRD sowie eine Marktanalyse.
Results
Gesamtergebnis ist ein Konzept für ein leistbares, skalierbares Monitoring der Wirkungsleistung Grüner Infrastrukturen. Es soll den Nachweis von Klimawandelanpassung nach Umweltziel 2 der EU-Taxonomie sowie in der CSRD-Berichterstattung erleichtern. Eigentümer:innen, Investor:innen und Verwaltungen sollen damit Begrünungsszenarien über Jahrzehnte vergleichen und Investitionen gezielter lenken können.
Gebäude- und Energiedaten: Eine Typologiematrix beschreibt typische Gebäude und Haustechniksysteme. Energiebedarfs- und Emissionsmatrizen zeigen, wie sich Heiz- und Kühlbedarf sowie CO₂-Emissionen unter verschiedenen Wetter-, Sanierungs- und Technologieszenarien verändern, auch bei Hitzewellen.
Digitaler Zwilling ULTRA: Ein Bericht dokumentiert die genutzten Datenquellen und Schnittstellen. Ein Validierungsbericht vergleicht automatisch erzeugte mit manuell erstellten Zwillingen.
KI-Modell GAIA: Ein Validierungsbericht prüft, wie genau die Vorhersagen von den Simulationen abweichen.
Extremwetter: Die Wetterprognose wird lokal verfeinert, und ein fehlerkorrigiertes Klimamodell-Ensemble bis 2100 liegt vor. Ein Bericht beschreibt die Bausteine für eine strukturierte Vulnerabilitätsanalyse und die kurzfristige Bewarnung von Gebäuden und Infrastruktur. Langfristige Prognosen werden für die Bewertung von Klimarisiken im ESG-Reporting aufbereitet.
Wachstum und Wirtschaftlichkeit: Ein Bericht fasst Wachstumsraten verschiedener Begrünungstypen zusammen. Dazu kommen Kostendaten für Pflege, Erhaltung und Erneuerung sowie Ansätze, die Wirkungen in Geld zu bewerten. Sie bilden die Grundlage für eine Kosten-Nutzen-Rechnung über 10, 30 und 50 Jahre.
Verwertung: Eine Marktanalyse beschreibt Zielgruppen wie Kommunen, Bauunternehmen und Investor:innen. Nachhaltigkeitsdaten werden in standardisiertem Format für EU-Taxonomie und CSRD aufbereitet. Ein publizierbarer Endbericht fasst die Ergebnisse zusammen.