Geography of the Invisible: Exploring the Space-Time Dynamics of Air Quality and Public Health

Luftverschmutzung zählt zu den drängendsten Umweltrisikofaktoren des 21. Jahrhunderts. Ihre Auswirkungen sind schwer zu erfassen, da sie durch komplexe raum-zeitliche Dynamiken atmosphärischer Prozesse, anthropogener Emissionen, Exposition und gesundheitlicher Folgen geprägt sind. Diese Dissertation untersucht, wie geographisches Wissen, Modellierungsansätze und offene Daten genutzt werden können, um Luftqualität und ihre gesundheitlichen Konsequenzen besser zu verstehen. Die Arbeit basiert auf drei miteinander verbundenen Studien. Zunächst wird ein geostatistisches Verfahren eingesetzt, um Karten stündlicher PM10-Konzentrationen für Deutschland zu erstellen. Landnutzungsregression und Ordinary Kriging verknüpfen Messdaten mit flächendeckenden Prädiktoren und erzeugen eine kontinuierliche Expositionsfläche jenseits des amtlichen Messnetzes. Darauf aufbauend entwickelt die Arbeit ein XGBoost-basiertes Modell zur stündlichen Vorhersage von PM10-Konzentrationen. Es integriert meteorologische Variablen, zeitbezogene Merkmale und die Feinstaubkonzentration des Vortages. Die Ergebnisse zeigen, dass tageszeitliche und saisonale Muster gut abgebildet werden, während Extremereignisse Grenzen empirischer Modelle sichtbar machen. Schließlich wird untersucht, wie räumliche Auflösung die Quantifizierung gesundheitlicher Auswirkungen von PM2.5-Exposition beeinflusst. Der Vergleich unterschiedlich aufgelöster Expositionsdaten zeigt, dass grobe Modelle Belastungen in städtischen Hotspots unterschätzen können, mit Implikationen für Umweltgerechtigkeit und Gesundheitsberichterstattung. Insgesamt zeigt die Dissertation, wie geographische Methoden und räumliches Denken Luftqualitätsforschung und Umweltepidemiologie bereichern. Sie plädiert für transparente, hochaufgelöste und kontextsensitive Modellierungsansätze.