Klimadatenanalyse
Klimadatenanalyse
Klimadatenanalyse
Einleitung
Die Klimadatenanalyse untersucht Klimadaten, um Veränderungen, Muster, Schwankungen und Zusammenhänge im Klimasystem zu erkennen. Dazu werden Messwerte wie Temperatur, Niederschlag, Luftdruck, Wind, Luftfeuchtigkeit, Sonnenscheindauer, Meeresoberflächentemperatur, Schneebedeckung, Gletscherausdehnung oder Treibhausgaskonzentrationen gesammelt, geprüft, visualisiert und interpretiert. Ziel ist es, fundiert zu verstehen, wie sich Klima über längere Zeiträume verändert, welche natürlichen und menschlichen Einflussfaktoren wirken und welche Folgen für Ökosystem, Landwirtschaft, Stadtplanung, Wasserwirtschaft, Gesundheit und Klimaschutz entstehen können.
Anders als die Wetterbeobachtung, die kurzfristige Zustände der Atmosphäre beschreibt, bezieht sich die Klimadatenanalyse auf längere Zeiträume. In der Klimatologie werden häufig Zeitspannen von mindestens 30 Jahren verwendet, um Klimanormalperioden zu bilden. Dadurch lassen sich einzelne Wetterereignisse von langfristigen Klimatrends unterscheiden. Ein heißer Sommer beweist allein noch keinen Klimawandel, aber eine statistisch gesicherte Häufung sehr warmer Jahre über Jahrzehnte ist ein starkes Signal.
In diesem aiMOOC lernst Du, wie Klimadaten entstehen, welche Datenquellen genutzt werden, wie Datenqualität geprüft wird, wie Zeitreihen, Trends, Anomalien und Korrelationen berechnet werden und warum die Interpretation von Klimadaten immer kritisch, transparent und verantwortungsvoll erfolgen muss.
Medien- und OER-Hinweise für den Lernraum
Für diesen aiMOOC werden keine unsicheren Dateinamen oder frei geratenen Video-IDs eingebunden. Nutze im Lernraum stattdessen geprüfte OER- und Suchhinweise, mit denen Du passende, frei nutzbare oder schulgeeignete Materialien gezielt finden kannst.
- Wikimedia Commons: Suche nach frei lizenzierten Grafiken, Karten und Diagrammen zu Klimadaten unter Wikimedia Commons: climate data sowie unter Wikimedia Commons: global temperature anomaly.
- Wikipedia und OER: Nutze den deutschsprachigen Überblick zu Klimatologie, Klimawandel und Zeitreihenanalyse als Einstieg in gesicherte Grundlagen.
- Lernvideo: Suche schulgeeignete Erklärvideos mit YouTube-Suche: Klimadatenanalyse Klimawandel Zeitreihen Bildung. Prüfe vor dem Einsatz immer Quelle, Aktualität, Werbefreiheit, Urheberrecht und didaktische Eignung.
- Datenquellen: Für eigene Analysen eignen sich offene Datenportale wie Deutscher Wetterdienst Open Data, Copernicus Climate Change Service und NOAA National Centers for Environmental Information.
- Unterricht: Lehrkräfte können aus den OER-Hinweisen Arbeitsblätter, Diagrammaufgaben, Projektideen und Lernprodukte entwickeln, ohne unsichere Medien direkt einzubetten.
Was sind Klimadaten?
Klimadaten sind Mess-, Beobachtungs- und Rekonstruktionsdaten, die Zustände und Veränderungen des Klimasystems beschreiben. Sie entstehen durch Wetterstationen, Satelliten, Messbojen, Radiosonden, Schiffe, Flugzeugmessungen, Eisbohrkerne, Baumringe, Sedimente und weitere Proxy-Daten. Moderne Klimadatenanalyse verbindet klassische Messreihen mit digitalen Verfahren aus Statistik, Geoinformatik, Datenvisualisierung, Programmierung und Modellierung.
Besonders wichtig ist der Unterschied zwischen Primärdaten und Sekundärdaten. Primärdaten sind direkt erhobene Messwerte, etwa eine stündlich gemessene Lufttemperatur an einer Station. Sekundärdaten sind weiterverarbeitete Datenprodukte, beispielsweise monatliche Mittelwerte, Rasterdaten, globale Temperaturkarten oder bereinigte Zeitreihen. In wissenschaftlichen Analysen muss immer nachvollziehbar sein, welche Datenquelle verwendet wurde, welche Verarbeitungsschritte vorgenommen wurden und welche Unsicherheiten bestehen.
Klima, Wetter und Klimavariabilität
Wetter beschreibt den aktuellen oder kurzfristigen Zustand der Atmosphäre, zum Beispiel heute Regen, morgen Sonne oder eine Hitzewelle in einer bestimmten Woche. Klima beschreibt dagegen typische Wetterverhältnisse über lange Zeiträume. Die Klimavariabilität umfasst natürliche Schwankungen, die auch ohne langfristigen Trend auftreten können. Dazu gehören jahreszeitliche Schwankungen, mehrjährige Muster wie El Niño und La Niña sowie regionale Besonderheiten.
Die Klimadatenanalyse versucht, diese Ebenen zu trennen. Sie fragt nicht nur: "War dieses Jahr warm?", sondern: "Wie stark weicht dieses Jahr vom langjährigen Mittel ab?", "Ist die Abweichung Teil einer natürlichen Schwankung oder eines langfristigen Trends?", "Wie sicher ist die Aussage?" und "Welche räumlichen Unterschiede gibt es?"
Zentrale Messgrößen der Klimadatenanalyse
Wichtige Messgrößen sind Temperatur, Niederschlag, Luftdruck, Windgeschwindigkeit, Windrichtung, Luftfeuchtigkeit, Verdunstung, Sonneneinstrahlung, Schneehöhe, Meereisausdehnung, Meeresspiegel, Bodenfeuchte und Konzentrationen von Kohlenstoffdioxid, Methan und Distickstoffmonoxid. Jede Messgröße hat eigene Messmethoden, Einheiten, Fehlerquellen und Auswertungsmöglichkeiten.
Bei der Temperatur wird häufig zwischen Tagesmittel, Monatsmittel, Jahresmittel, Maximum und Minimum unterschieden. Beim Niederschlag interessieren Tagesmengen, Jahressummen, Trockenperioden, Starkregenereignisse und regionale Verteilung. Beim Meeresspiegel geht es um langfristige Änderungen, regionale Unterschiede, Landhebung oder Landsenkung. Bei Treibhausgasen stehen Konzentration, Quellen, Senken und Strahlungswirkung im Mittelpunkt.
Datenquellen und Datenerhebung
Klimadaten entstehen in einem globalen Beobachtungssystem. Wetterstationen liefern lange Messreihen an festen Orten. Satelliten ermöglichen großräumige Beobachtungen von Wolken, Temperatur, Eis, Vegetation, Aerosolen und Meeresoberflächen. Messbojen erfassen Daten in Ozeanen. Eisbohrkerne geben Hinweise auf vergangene Klimazustände, indem eingeschlossene Luftbläschen und chemische Bestandteile untersucht werden. Baumringe können Hinweise auf Wachstum, Trockenheit und Temperaturbedingungen liefern.
Für die Schule ist es besonders sinnvoll, mit offenen Datensätzen zu arbeiten. Du kannst zum Beispiel Temperaturdaten einer nahegelegenen Station des Deutschen Wetterdienstes herunterladen, Monatsmittel berechnen, Diagramme erstellen und mit langjährigen Durchschnittswerten vergleichen. Dabei lernst Du nicht nur etwas über Klima, sondern auch über Datenkompetenz, Tabellenkalkulation, Diagramme und wissenschaftliches Arbeiten.
Datenqualität: Warum Rohdaten nicht automatisch Wahrheit sind
Klimadaten müssen sorgfältig geprüft werden. Messgeräte können defekt sein, Stationen können verlegt werden, Messzeiten können sich ändern, Städte können um Stationen herum wachsen oder Daten können Lücken enthalten. Ein einzelner Rohwert kann deshalb irreführend sein. Die Datenbereinigung sucht nach Fehlern, Ausreißern, fehlenden Werten und methodischen Brüchen.
Ein wichtiger Schritt ist die Homogenisierung. Dabei werden Zeitreihen so geprüft und angepasst, dass technische Änderungen nicht fälschlich als Klimasignal interpretiert werden. Wenn eine Wetterstation zum Beispiel von einer Innenstadt an einen Stadtrand verlegt wird, kann sich die gemessene Temperatur ändern, obwohl sich das regionale Klima nicht sprunghaft verändert hat. Solche Effekte müssen dokumentiert und methodisch berücksichtigt werden.
Zeitreihenanalyse in der Klimaforschung
Eine Zeitreihe ist eine Folge von Messwerten, die zeitlich geordnet sind. In der Klimadatenanalyse werden Zeitreihen verwendet, um Entwicklungen sichtbar zu machen. Eine Jahresmitteltemperatur von 1881 bis heute ist eine typische Klimazeitreihe. Sie kann Trends, Schwankungen, Extremwerte und Brüche zeigen.
Wichtige Verfahren sind Mittelwertbildung, gleitende Durchschnitte, Trendlinien, Regression, Standardabweichung, Anomalienberechnung und Signifikanztests. Ein gleitender Durchschnitt glättet kurzfristige Schwankungen, sodass langfristige Entwicklungen leichter erkennbar werden. Eine Trendlinie kann anzeigen, ob Werte im Durchschnitt steigen, fallen oder etwa gleich bleiben. Ein Signifikanztest hilft zu beurteilen, ob ein beobachteter Trend wahrscheinlich zufällig entstanden ist oder statistisch belastbar ist.
Anomalien: Abweichungen vom Vergleichszeitraum
In der Klimadatenanalyse wird häufig mit Anomalien gearbeitet. Eine Anomalie ist die Abweichung eines Messwerts von einem Referenzwert. Wenn die Jahresmitteltemperatur eines Ortes 11,2 Grad Celsius beträgt und das langjährige Mittel 9,6 Grad Celsius ist, beträgt die positive Temperaturanomalie 1,6 Grad Celsius. Anomalien sind nützlich, weil sie Daten verschiedener Regionen vergleichbarer machen.
Ein globales Temperaturdiagramm zeigt daher oft nicht die absolute Temperatur der Erde, sondern die Abweichung von einer Referenzperiode. Dadurch wird sichtbar, ob Jahre über oder unter dem Vergleichsmittel liegen. Wichtig ist, dass die verwendete Referenzperiode immer angegeben wird, da unterschiedliche Referenzzeiträume zu unterschiedlichen Anomaliewerten führen können, auch wenn der zugrunde liegende Trend gleich bleibt.
Trends, Korrelationen und Kausalität
Ein Trend beschreibt eine langfristige Richtung in Daten. Ein Temperaturtrend kann zum Beispiel zeigen, dass die durchschnittliche Temperatur über Jahrzehnte steigt. Eine Korrelation beschreibt, dass zwei Größen gemeinsam variieren, etwa Temperaturanstieg und Rückgang der Schneebedeckung. Korrelation bedeutet aber nicht automatisch Kausalität. Eine Klimadatenanalyse muss daher prüfen, ob ein plausibler Wirkmechanismus besteht und ob andere Einflussfaktoren berücksichtigt wurden.
In der Klimaforschung werden Zusammenhänge zwischen Treibhausgaskonzentrationen, Strahlungsantrieb, globaler Temperatur, Ozeanerwärmung, Eisschmelze und Meeresspiegelanstieg untersucht. Dabei reicht ein einzelnes Diagramm nicht aus. Wissenschaftliche Aussagen entstehen aus vielen unabhängigen Datenquellen, theoretischem Verständnis, physikalischen Modellen und statistischer Prüfung.
Visualisierung von Klimadaten
Datenvisualisierung hilft, komplexe Klimadaten verständlich zu machen. Häufige Darstellungsformen sind Liniendiagramme, Balkendiagramme, Karten, Heatmaps, Boxplots, Streudiagramme und Klimadiagramme. Jede Darstellungsform hat Stärken und Grenzen. Ein Liniendiagramm eignet sich für Zeitreihen, eine Karte für räumliche Muster, ein Streudiagramm für Zusammenhänge zwischen zwei Größen und ein Boxplot für Verteilungen.
Gute Klimadiagramme brauchen beschriftete Achsen, Einheiten, Quellenangaben, eine verständliche Legende und eine sachliche Skala. Manipulative Darstellungen können entstehen, wenn Achsen abgeschnitten, Zeiträume willkürlich gewählt oder Farben dramatisierend eingesetzt werden. Deshalb ist Diagrammkompetenz ein wichtiger Teil der Klimadatenanalyse.
Unsicherheit und wissenschaftliche Aussagekraft
In der Klimadatenanalyse bedeutet Unsicherheit nicht Unwissen. Unsicherheit beschreibt, wie genau eine Aussage ist und in welchem Bereich der wahre Wert wahrscheinlich liegt. Messfehler, Lücken in Daten, räumliche Abdeckung, Modellannahmen und natürliche Schwankungen können Unsicherheiten erzeugen. Wissenschaftlich seriöse Darstellungen machen diese Unsicherheiten sichtbar, etwa durch Fehlerbalken, Vertrauensbereiche oder methodische Erläuterungen.
Eine Aussage wie "Die globale Mitteltemperatur steigt" kann trotz Unsicherheiten sehr gut belegt sein, wenn viele unabhängige Datensätze, Messmethoden und physikalische Erklärungen übereinstimmen. Unsicherheit betrifft dann eher die genaue Stärke regionaler Folgen, die Entwicklung einzelner Extremereignisse oder zukünftige Szenarien, nicht aber den grundlegenden Befund eines langfristigen Erwärmungstrends.
Klimamodelle und Szenarien
Klimamodelle sind rechnerische Darstellungen des Klimasystems. Sie verbinden physikalische Gleichungen, Beobachtungsdaten und Annahmen über zukünftige Entwicklungen. Modelle können vergangene Klimaverläufe nachbilden, Zusammenhänge testen und mögliche Zukunftspfade berechnen. Dabei unterscheiden sich Prognose, Szenario und Projektion. Eine Prognose sagt eine erwartete Entwicklung voraus, ein Szenario beschreibt eine mögliche Entwicklung unter bestimmten Annahmen und eine Projektion berechnet Folgen dieser Annahmen.
Klimadatenanalyse und Klimamodelle ergänzen sich. Beobachtungsdaten zeigen, was gemessen wurde. Modelle helfen zu verstehen, warum etwas passiert und was unter bestimmten Bedingungen geschehen könnte. Für politische Entscheidungen sind Szenarien wichtig, weil sie zeigen, welche Folgen verschiedene Wege bei Emissionen, Energieversorgung, Landnutzung und Klimaschutz haben können.
Beispiel: Analyse einer Temperaturzeitreihe
Eine einfache Analyse kann in fünf Schritten erfolgen. Zuerst wählst Du eine offene Datenquelle, etwa Monatsmitteltemperaturen einer Wetterstation. Dann prüfst Du die Daten auf fehlende Werte und erklärst, welche Zeitspanne untersucht wird. Anschließend berechnest Du Jahresmittelwerte oder saisonale Mittelwerte. Danach erstellst Du ein Liniendiagramm mit einer Trendlinie oder einem gleitenden Durchschnitt. Zum Schluss interpretierst Du, was sichtbar wird und welche Grenzen Deine Auswertung hat.
Bei der Interpretation solltest Du vorsichtig formulieren. Statt "Es wird jedes Jahr wärmer" ist oft genauer: "Die Jahresmitteltemperaturen schwanken von Jahr zu Jahr, zeigen aber über den untersuchten Zeitraum einen steigenden Trend." Genauigkeit und Transparenz sind zentrale Qualitätsmerkmale jeder Klimadatenanalyse.
Ethische und gesellschaftliche Bedeutung
Klimadatenanalyse ist nicht nur ein technisches Verfahren. Sie beeinflusst Entscheidungen über Klimapolitik, Katastrophenschutz, Stadtentwicklung, Landwirtschaft, Gesundheitsschutz, Energiepolitik und Nachhaltigkeit. Wer Klimadaten auswertet, trägt Verantwortung: Daten müssen korrekt dargestellt, Unsicherheiten ehrlich benannt und Schlussfolgerungen nachvollziehbar begründet werden.
Gleichzeitig hilft Klimadatenanalyse, Desinformation zu erkennen. Einzelne kalte Tage, bewusst gewählte Kurzzeiträume oder unvollständige Diagramme können den Eindruck erwecken, es gebe keinen Klimawandel. Eine gute Analyse betrachtet langfristige Daten, mehrere Quellen, geeignete Methoden und wissenschaftliche Zusammenhänge.
Mini-Glossar
- Anomalie: Abweichung eines Messwerts von einem festgelegten Vergleichswert.
- Klimanormalperiode: Längerer Referenzzeitraum, häufig 30 Jahre, zur Beschreibung typischer Klimabedingungen.
- Zeitreihe: Zeitlich geordnete Folge von Messwerten.
- Trend: Langfristige Richtung einer Datenentwicklung.
- Homogenisierung: Methodische Anpassung von Datenreihen, um künstliche Brüche zu vermeiden.
- Korrelation: Statistischer Zusammenhang zwischen zwei Größen.
- Kausalität: Ursache-Wirkungs-Beziehung zwischen Größen.
- Proxy-Daten: Indirekte Hinweise auf vergangene Klimazustände, etwa aus Baumringen oder Eisbohrkernen.
- Klimamodell: Rechnerische Darstellung des Klimasystems.
- Datenvisualisierung: Grafische Darstellung von Daten zur Analyse und Kommunikation.
Interaktive Aufgaben
Quiz: Teste Dein Wissen
Was untersucht die Klimadatenanalyse hauptsächlich? (Langfristige Muster und Veränderungen im Klimasystem) (!Die tägliche Wettervorhersage für einzelne Orte) (!Die Namen von Wolkenformen ohne Messdaten) (!Die genaue Uhrzeit eines Sonnenaufgangs)
Welche Zeitspanne wird häufig für Klimanormalperioden verwendet? (30 Jahre) (!3 Tage) (!7 Wochen) (!1000 Jahre ohne Messwerte)
Was ist eine Temperaturanomalie? (Die Abweichung einer Temperatur von einem Vergleichswert) (!Die absolute Temperatur im Erdinneren) (!Ein Messgerät für Windrichtung) (!Ein anderes Wort für Luftdruck)
Warum werden Klimadaten vor der Analyse geprüft? (Weil Messfehler, Lücken und Stationsänderungen die Auswertung beeinflussen können) (!Weil Klimadaten grundsätzlich erfunden sind) (!Weil Diagramme ohne Daten besser aussehen) (!Weil Messwerte immer exakt gleich bleiben)
Welche Darstellung eignet sich besonders gut für eine Klimazeitreihe? (Liniendiagramm) (!Kreisdiagramm ohne Zeitachse) (!Comiczeichnung ohne Skala) (!Landkarte ohne Legende)
Was bedeutet Korrelation? (Zwei Größen verändern sich statistisch gemeinsam) (!Eine Größe ist automatisch die Ursache der anderen) (!Eine Messreihe enthält keine Schwankungen) (!Ein Diagramm hat keine Achsenbeschriftung)
Warum ist Kausalität in der Klimadatenanalyse wichtig? (Sie beschreibt eine begründete Ursache-Wirkungs-Beziehung) (!Sie ersetzt jede Messung durch Vermutung) (!Sie bedeutet, dass alle Diagramme falsch sind) (!Sie ist dasselbe wie eine Farbe in einer Karte)
Was leisten Klimamodelle? (Sie berechnen mögliche Entwicklungen des Klimasystems unter bestimmten Annahmen) (!Sie verhindern automatisch jedes Extremwetter) (!Sie messen direkt die Temperatur an jeder Schule) (!Sie ersetzen alle Beobachtungsdaten vollständig)
Welche Angabe gehört zu einem guten Klimadiagramm? (Quelle und Einheit der Daten) (!Eine unbeschriftete Achse) (!Ein frei erfundener Zeitraum) (!Eine absichtlich verzerrte Skala)
Was hilft gegen irreführende Aussagen über Klimadaten? (Langfristige Daten, mehrere Quellen und transparente Methoden prüfen) (!Nur einzelne kalte Tage betrachten) (!Die Datenquelle weglassen) (!Kurze Zeiträume beliebig auswählen)
Memory
| Anomalie | Abweichung vom Vergleichswert |
| Zeitreihe | Messwerte in zeitlicher Ordnung |
| Homogenisierung | Korrektur künstlicher Datenbrüche |
| Klimamodell | Rechnerische Darstellung des Klimasystems |
| Trend | Langfristige Entwicklungsrichtung |
| Proxy-Daten | Indirekte Hinweise auf früheres Klima |
Drag and Drop
| Ordne die richtigen Begriffe zu. | Thema |
|---|---|
| Datenerhebung | Messwerte sammeln |
| Qualitätsprüfung | Fehler und Lücken erkennen |
| Berechnung | Mittelwerte und Anomalien bestimmen |
| Visualisierung | Diagramme und Karten erstellen |
| Interpretation | Zusammenhänge begründet erklären |
Kreuzworträtsel
| Temperatur | Welche Messgröße beschreibt, wie warm oder kalt die Luft ist? |
| Niederschlag | Welche Messgröße umfasst Regen, Schnee und Hagel? |
| Anomalie | Wie heißt eine Abweichung von einem Vergleichswert? |
| Zeitreihe | Wie heißt eine zeitlich geordnete Folge von Messwerten? |
| Satellit | Welches Beobachtungssystem misst großräumig aus dem All? |
| Regression | Welches statistische Verfahren kann Trends rechnerisch beschreiben? |
LearningApps
Lückentext
Offene Aufgaben
Leicht
- Klimabeobachtung: Führe eine Woche lang ein Wettertagebuch mit Temperatur, Niederschlag, Bewölkung und besonderen Beobachtungen und erkläre anschließend, warum diese Daten noch keine Klimadaten sind.
- Diagrammkompetenz: Suche ein schulgeeignetes Klimadiagramm aus einer seriösen Quelle und beschreibe Achsen, Einheiten, Zeitraum, Quelle und wichtigste Aussage.
- Begriffsklärung: Erstelle eine Lernkarte zu den Begriffen Wetter, Klima, Klimavariabilität und Klimawandel mit je einem eigenen Beispiel.
- Datenquelle: Recherchiere eine offene Klimadatenquelle und notiere, welche Messgrößen dort verfügbar sind und für welche Fragestellung sie geeignet wären.
Standard
- Zeitreihenanalyse: Lade eine kleine Temperaturzeitreihe aus einer offenen Quelle herunter oder nutze bereitgestellte Beispieldaten und erstelle ein Liniendiagramm mit Jahresmittelwerten.
- Anomalie: Berechne für mindestens zehn Jahreswerte die Abweichung von einem selbst gewählten Vergleichsmittel und erkläre, warum Anomalien hilfreich sein können.
- Klimakommunikation: Vergleiche zwei Darstellungen zum Klimawandel und prüfe, welche sachlicher, transparenter und datenbezogener ist.
- Datenvisualisierung: Gestalte ein Diagramm zu Niederschlag oder Temperatur und formuliere drei Regeln, die Dein Diagramm verständlich und fair machen.
Schwer
- Trend: Untersuche eine Klimazeitreihe mit gleitendem Durchschnitt und Trendlinie und diskutiere, welche Aussage belastbar ist und welche nicht.
- Korrelation: Vergleiche zwei Klimagrößen, etwa Temperatur und Schneebedeckung, und erkläre, warum ein statistischer Zusammenhang allein keine Ursache beweist.
- Klimamodell: Erkläre in einem kurzen Erklärvideo oder einer Präsentation den Unterschied zwischen Beobachtung, Szenario, Projektion und Prognose.
- Desinformation: Analysiere ein irreführendes Klimadiagramm oder eine zugespitzte Behauptung und zeige, welche Datenprüfung nötig wäre, um die Aussage zu bewerten.
| <inputbox>
type=create break=no preload=CHAT GPT TEXT HIER EINFÜGEN default= width=30 placeholder= Dein MOOC Titel buttonlabel=MOOC erstellen </inputbox> |
|
|
Lernkontrolle
- Transferaufgabe: Du erhältst eine Temperaturzeitreihe mit starken jährlichen Schwankungen, aber steigendem Langzeitmittel. Erkläre, warum kurzfristige Schwankungen den langfristigen Trend nicht widerlegen.
- Methodenkritik: Bewerte ein Klimadiagramm, bei dem Achsenbeschriftung, Quelle und Referenzzeitraum fehlen. Erkläre, welche Informationen ergänzt werden müssen, bevor man eine Schlussfolgerung ziehen darf.
- Dateninterpretation: Vergleiche zwei Regionen, von denen eine stärker erwärmt erscheint als die andere. Formuliere mögliche Ursachen und nenne Daten, die Du zusätzlich prüfen würdest.
- Entscheidungssituation: Eine Stadt plant Hitzeschutzmaßnahmen. Erkläre, welche Klimadaten für die Planung wichtig wären und wie Unsicherheiten in Entscheidungen berücksichtigt werden können.
- Argumentation: Jemand behauptet, ein kalter Winter beweise, dass es keinen Klimawandel gebe. Antworte mit einer fachlich begründeten Erklärung zu Wetter, Klima, Zeiträumen und Datenanalyse.
- Projektplanung: Entwickle ein kleines Forschungsvorhaben zur Frage, ob sich Sommertemperaturen an Deinem Wohnort verändert haben. Beschreibe Datenquelle, Zeitraum, Methode, Diagramm und mögliche Grenzen.
Lernnachweis
- Portfolio: Sammle Dein Wettertagebuch, eine eigene Klimadatenvisualisierung, eine kurze Methodenreflexion und eine Quellenliste in einem Lernportfolio.
- Datenprojekt: Führe eine kleine Klimadatenanalyse mit mindestens einer Zeitreihe durch und dokumentiere Datenquelle, Zeitraum, Bereinigung, Berechnung, Diagramm und Interpretation.
- Reflexion: Erkläre schriftlich, welche Unsicherheiten Deine Analyse enthält und welche Aussage trotzdem begründet möglich ist.
- Präsentation: Stelle Deine Ergebnisse in fünf Minuten vor und beantworte Fragen zu Methode, Datenqualität, Trend und Grenzen Deiner Analyse.
- Transfer: Übertrage Deine Erkenntnisse auf eine kommunale Fragestellung, zum Beispiel Hitzeschutz, Starkregen, Schulhofgestaltung oder Wassersparen.
OERs zum Thema
- Wikipedia: Grundlagenartikel zu Klimatologie, Klimawandel, Zeitreihenanalyse und Klimamodell.
- Wikimedia Commons: Freie Medien suchen mit climate data, temperature anomaly und climate chart.
- Offene Daten: Datenzugänge für Lernprojekte über Deutscher Wetterdienst Open Data, Copernicus Climate Change Service und NOAA Climate Data.
- Lernvideo: Schulgeeignete Videos mit Quellenprüfung suchen über Klimadatenanalyse Klimawandel Zeitreihen Schule.
- OER-Unterricht: Recherchiere ergänzend bei OER Commons und WirLernenOnline nach Unterrichtsmaterial zu Klima, Datenanalyse und Klimawandel.
Links
Weiterführende Lernbereiche
aiMOOC-Projekte
Schulfach+
|
|
aiMOOCs
aiMOOC Projekte
|
|
THE MONKEY DANCE
{{#ev:youtube | https://youtu.be/rFhZlg38Zf8?si=9KdMNZYRkRD81YTo%7C 500 | center}}
|
{{#ev:youtube | https://youtu.be/Ob7etf9QuBo?si=t_NBA71bWg3Rq3LI%7C 500 | center}}
|
|
| <inputbox>
type=create break=no preload=MOOCit Vorlage default= width=30 placeholder= Dein MOOC Titel buttonlabel=MOOC erstellen </inputbox> |