Einleitung

Werden die Schlagwörter „Weltraum“ und „Gesundheit“ in einem Atemzug genannt, werden oftmals medizinische Experimente assoziiert, die Wissenschaftler auf der Internationalen Raumstation (ISS) durchführen. Dort werden beispielsweise biomechanische Eigenschaften oder Körper- und Stoffwechselfunktionen untersucht. Es ist dabei von hohem medizinischen Interesse, die Wirkung der besonderen Umweltbedingungen auf der ISS (Schwerelosigkeit, Lärm, verstärkte kosmische Strahlung etc.) auf Körper und Therapieansätze im Vergleich zu irdischen Bedingungen systematisch zu verstehen.

Darüber hinaus ist jedoch in den letzten Jahren mit der Entwicklung und Implementierung neuer Technologien ein weiteres Potenzial erwachsen: Erdbeobachtungssatelliten ermöglichen es, Umweltbedingungen auf der Erdoberfläche sowie in der Atmosphäre immer genauer und thematisch vielfältiger, in immer höheren räumlichen und zeitlichen Auflösungen zu erfassen (z. B. [1]). Ebendiese Umweltbedingungen beeinflussen im Zusammenspiel mit anderen Faktoren wie dem Erbgut, der Lebensweise oder dem sozialen Umfeld die menschliche Gesundheit [2]. In einer sich immer schneller verändernden Welt, geprägt von Bevölkerungswachstum, Urbanisierung, Migration, Industrialisierung und Klimawandel, werden Daten, die bisher in Primäranalysen wenig Verwendung fanden, an Bedeutung gewinnen.

Hierzu zählen auch Daten zu Umweltbedingungen, die die menschliche Gesundheit je nach Ausprägung positiv oder negativ beeinflussen können. Beispiele dafür sind Luftschadstoffbelastungen [3], verschmutztes Trinkwasser [4], Lärm [5], Wetterverhältnisse [6], UV-Strahlung [7], Verfügbarkeit von Frei- und Erholungsflächen [8], Umweltgifte [9], Lichtverschmutzung [10], Umweltbedingungen, die die Übertragung von Krankheiten wie Malaria, Cholera oder Denguefieber begünstigen [11], oder auch Innenraumbelastungen [12]. Zwischen Umweltbedingungen und der Gesundheit finden dabei auf unterschiedlichsten räumlichen Skalen komplexe Wechselwirkungen statt. So kann die Luftschadstoffbelastung auf regionaler Skala von der Nähe zu Städten und Industrieanlagen, der Topografie und der Wetterlage abhängen. Auf lokaler Ebene kann die Luftschadstoffbelastung zudem von kleinräumigeren Umweltbedingungen, wie der Nähe und Ausrichtung von Gebäuden zu stark belasteten Straßen oder der städtischen Luftzirkulation bedingt sein.

Diese multidimensionalen regional- und lokalspezifischen Umweltbedingungen systematisch und räumlich konsistent darzustellen, unterliegt großen mess- und datentechnischen Herausforderungen. Viele aktuelle Studien beruhen auf In-situ-Daten und ggf. daraus modellierten Umweltbedingungen (z. B. [13,14,15,16]). Diese punktuellen Messverfahren erlauben eine sehr hohe zeitliche Auflösung und hohe Messgenauigkeiten an den jeweiligen Standorten. Sie haben aber auch den Nachteil, dass sie abhängig vom Parameter nur die Bedingungen in der unmittelbaren Umgebung der Messstandorte aufzeichnen. Dadurch sind sie z. B. für die Bestimmung der Exposition in epidemiologischen Studien nicht repräsentativ. Modellierte Daten bieten dagegen lokal flächendeckende Ergebnisse. Die Modelle erfordern jedoch zahlreiche zeitlich und räumlich hoch aufgelöste Datensätze, sie sind mit modellbasierten Unsicherheiten belegt und sie bedürfen großer Rechenkapazitäten (z. B. [17, 18]).

Eine alternative Datenquelle, mit der Umweltbedingungen nicht nur punktuell, sondern großflächig aufgenommen werden können, stellt die satellitengestützte Fernerkundung dar. Diese erlaubt eine konsistente, flächendeckende und multitemporale Erfassung unterschiedlicher Umweltvariablen zu relativ kostengünstigen Konditionen [19]. Die Erdoberfläche und die Atmosphäre können mit unterschiedlichen Sensortechniken abgetastet und in unterschiedlichen Raumeinheiten (Pixeln) abgebildet werden. So lässt sich eine Vielzahl der oben bereits angesprochenen Umweltbedingungen, wie z. B. Frei- und Erholungsflächen, Lichtverschmutzung oder Luftschadstoffbelastungen, methodisch einheitlich quantifizieren (z. B. [20,21,22]). Für Querschnittstudien bieten diese fernerkundlichen Daten die notwendige Vergleichbarkeit über den Raum hinweg. Ein umfassendes Monitoring von gesundheitlichen Ungleichheiten, wie von der Weltgesundheitsorganisation (WHO) angestrebt [23], wird damit möglich – auch über Landesgrenzen hinweg. Für Longitudinalstudien erlauben langjährige fernerkundliche Datenarchive die Umweltexposition auch rückwirkend zu modellieren. So ließen sich beispielsweise die von Tobollik et al. [24] geforderten Indikatoren zur Zugänglichkeit von Grün- und Blauflächen mithilfe historischer Satellitendatenarchive [25] über Jahrzehnte zurück analysieren. Somit können auch rückwirkend Gesundheitsdeterminanten analysiert werden, welche aufgrund neuer Erkenntnisse erst seit Kurzem im Forschungsinteresse liegen.

Die Fernerkundung wird bereits in unterschiedlichen Studien für die Ableitung von Umweltbedingungen im Gesundheitskontext eingesetzt. Ein Beispiel ist ihr Einsatz zur Überwachung, Kontrolle oder Risikokartierung von Vibrioerregern und Choleraausbrüchen. Diese mikrobiellen Krankheitserreger können zwar nicht direkt von Satellitensensoren erfasst werden, aber es lassen sich durch biophysikalische Kovariaten, wie beispielsweise Salzgehalt, Meeresoberflächentemperatur, pH-Wert oder Chlorophyll-a-Konzentration, indirekt Rückschlüsse auf das Vorhandensein der Krankheitserreger ziehen [26, 27]. Aus den Zusammenhängen zwischen den biophysikalischen Kovariaten können Risiken räumlich abgeschätzt werden, woraus politische Maßnahmen evidenzbasiert unterstützt werden. So können in diesem Fall Länder über aktuelle und zukünftige Risiken räumlich differenziert informiert werden. Dementsprechend kann ggf. eine Aufstockung der Choleraimpfstoffvorräte für bestimmte Gebiete gezielt veranlasst werden.

Vor dem Hintergrund dieser Entwicklungen, werden in diesem Beitrag zum einen die Potenziale der Fernerkundung hinsichtlich der raumquantitativen Erfassung von regional- und lokalspezifischen Umweltbedingungen dargelegt und zum anderen werden Anwendungsmöglichkeiten für gesundheitsrelevante Fragestellungen diskutiert. Dafür versuchen wir einige Eckpunkte für einen interdisziplinären Ansatz zu skizzieren, der den konzeptionellen, datentechnischen und ethischen Herausforderungen gerecht wird.

Fernerkundung zum Monitoring von Umweltbedingungen

Die Orte, an denen wir unser tägliches Leben verbringen, bestimmen die Umweltbedingungen, denen wir ausgesetzt sind. Einige dieser Umweltbedingungen (Expositionen) mit ihren physischen Spezifika auf der Erdoberfläche und der Atmosphäre können mit fernerkundlichen Sensoren erfasst werden. Im Folgenden wollen wir anhand zweier ausgewählter Beispiele die Potenziale der Fernerkundung hinsichtlich der raumquantitativen Erfassung von regional- und lokalspezifischen Umweltbedingungen aufzeigen: Zum einen wollen wir die Ausstattung von städtischen Räumen mit Grünflächen aufzeigen (1) und zum anderen wollen wir die räumliche Verteilung von Luftschadstoffen darlegen (2).

  1. 1.

    In unserem ersten Beispiel zielen wir darauf ab, die Ausstattung deutscher Großstädte mit Grünflächen zu vergleichen. Für die raumquantitative Erfassung dieser Grünflächen mittels Fernerkundung müssen zum einen die für das Ziel passenden Satellitendaten ausgewählt werden. Zum anderen bedarf es der Auswahl von Algorithmen, die die Bilddaten durch Klassifikation in Geoinformation überführen. In unserem Beispiel haben wir für die Klassifikation Daten der europäischen Sentinel-2-Mission ausgewählt, da diese kostenfrei sind, eine vergleichsweise hohe räumliche Auflösung von 10 m besitzen und mit einer Schwadbreite von 290 km große Flächen abdecken (bei einem Überflug kann ein Streifen mit der Breite von 290 km aufgenommen werden). Die spektrale Auflösung, d. h. die Fähigkeit eines Sensors, Daten gleichzeitig für mehrere Wellenlängen des Lichts aufzunehmen, ist mit 10 Bändern im sichtbaren Bereich, im nahen Infrarot und im kurzwelligen Infrarot hoch. Zudem haben die Daten eine vergleichsweise hohe temporale Auflösung von 5 Tagen (bei gutem Wetter; [28]). In Abb. 1 sind diese Sentinel-Daten im Vergleich zu höchst auflösenden Daten des kommerziellen WorldView-Sensors visualisiert. Am deutlichsten wird der Unterschied hinsichtlich der räumlichen Auflösung: In WorldView-Daten mit einer Auflösung von bis zu 31 cm sind wesentlich mehr Details identifizierbar. Die hohen Datenkosten, die geringere spektrale Auflösung, die geringe räumliche Abdeckung, aber auch der erhöhte Prozessierungsaufwand machen diese Daten für eine wie in unserem Beispiel deutschlandweite Analyse weniger attraktiv.

Abb. 1
figure 1

Oben: Messung des Grünflächenanteils in urbanen Gebieten. Links: Satellitendaten eines Gebiets mit niedrigem Grünflächenanteil; rechts: mit hohem Grünflächenanteil, gemessen mit unterschiedlichen Sensoren (a, b, räumlich höchstauflösend mit dem WorldView-Sensor, c, d hochauflösende Sentinel-2-Daten); Falschfarbendarstellung (d.h., das reflektierte Sonnenlicht im nahen Infrarot wird hier in Rot dargestellt). Unten: Beispiele für raumquantitative Auswertungen des Grünflächenanteils aus Sentinel-2-Daten (e Vergleich auf Bezirksebene der Stadt München, f Vergleich der 20 größten Städte Deutschlands)

Full size image

Für die Klassifikation von Bilddaten wurden in der Fernerkundung unterschiedlichste Ansätze, z. B. visuelle Bildinterpretation, regelbasierte Klassifikatoren oder Ansätze des maschinellen Lernens entwickelt. In unserem Fall wurde ein Ansatz des maschinellen Lernens, ein Random-Forest-Klassifikator [29] angewendet. Dieser basiert auf einem überwachten und nichtparametrischen Algorithmus, der auf eine Vielzahl von Entscheidungsbäumen zurückgreift, die durch verschiedene Trainings gebildet werden. Als Trainingsdaten wurden hier als Datengrundlage LUCAS-Referenzpunkte genutzt. LUCAS steht für „Land Use and Coverage Area frame Survey“. Dabei werden alle drei Jahre systematisch für ganz Europa In-situ-Referenzpunkte zur Bodenbedeckung und Bodennutzung erfasst (technische Details dazu in [30]).

Das damit erzielte raumquantitative Wissen über die Grünflächen kann nun als Basis für geografische Auswertungen genutzt werden. Für unser Beispiel haben wir zum einen für München die Grünflächenanteile auf Stadtbezirke aggregiert und können somit die Ausstattung des Raumes mit Grünflächen innerhalb des Stadtgebietes bewerten (Abb. 1). In der Darstellung wird die heterogene Verteilung von Grünflächen im städtischen Raum sichtbar. In den Stadtbezirken von München schwanken Grünflächenanteile zwischen weit über 60 % für Aubing-Lochhausen-Langwied, einem suburbanen Gebiet, bis zu Anteilen um nur etwa 5 % für die zentrumsnahe Schwanthalerhöhe. Zum anderen haben wir die klassifizierten Grünflächenanteile exemplarisch auf die administrativen Raumeinheiten der 20 größten Städte (nach Einwohnern) in Deutschland aggregiert. Auch hier wird eine hohe Varianz der Grünflächenanteile aufgezeigt – zwischen Münster mit knapp 80 % und München mit knapp über 40 %. Diese hohe räumliche Variabilität an Umweltbedingungen, sowohl innerhalb einer Stadt als auch über Städte hinweg, zeugt von sehr unterschiedlichen Expositionen in Abhängigkeit von Wohn- oder Aufenthaltsorten.

  1. 2.

    In unserem zweiten Beispiel zielen wir darauf ab, Luftschadstoffbelastungen für Deutschland zu erfassen. Die Beobachtung von Luftschadstoffen von operationellen Satelliten aus hat sich in Ergänzung zu traditionellen Verfahren wie der In-situ-Messung am Boden als komplementäres Verfahren zu etablieren begonnen. Satellitendaten haben ein enormes Potenzial für das Monitoring der regulativen Größen NO2, CO und Feinstaub (PM10, PM2,5) sowie zunehmend auch der Aerosolzusammensetzung [20, 31]. (Als Feinstaub oder englisch „Particulate Matter“ (PM) bezeichnet man Teilchen in der Luft (Aerosole), die eine gewisse Zeit in der Atmosphäre verweilen (schweben). Unter PM10 versteht man alle Staubteilchen, deren aerodynamischer Durchmesser kleiner als 10 µm ist. PM2,5 umfasst alle Teilchen, deren aerodynamischer Durchmesser weniger als 2,5 µm beträgt. PM2,5 bildet damit eine Teilmenge von PM10 und enthält die feineren Teilchen, die man als „Feinfraktion“ bezeichnet. Die Feinfraktion ist relevanter für die Gesundheit, da kleinere Partikel tiefer in die Atemwege eindringen können als größere.) Luftverschmutzung kann durch Fernerkundungsverfahren über reflektierte Sonnenstrahlung oder emittierte Wärmestrahlung erfasst werden [32].

Für die raumquantitative Erfassung von Luftschadstoffen zeigen wir in diesem Beitrag exemplarisch die Ableitung der bodennahen Konzentration von Feinstaub (PM2,5; [µg/m3]) für Deutschland. PM2,5 umfasst dabei alle organischen und anorganischen Teilchen, die einen aerodynamischen Partikeldurchmesser kleiner 2,5 µm haben: Ruß aus Verbrennungsprozessen, Bremsen- und Reifenabrieb, Staubaufwirbelung von Straßenoberflächen (auch Streusalz) oder durch die Bodenbearbeitung in der Landwirtschaft sowie sekundärer Feinstaub, der aus gasförmigen Vorläufersubstanzen, wie z. B. Ammoniak bei der Tierhaltung, entsteht. Feinstaub natürlichen Ursprungs bildet Meersalz und Mineralstaub.

Die zugrunde liegenden Satellitendaten liefert das Moderate Resolution Imaging Spectroradiometer (MODIS), das sich auf den Satelliten Terra und Aqua der National Aeronautics and Space Administration (NASA) befindet. Es verfügt über 36 Spektralkanäle mit einer räumlichen Auflösung von 250–1000 m im Nadir (lotrechte Aufnahmerichtung). Das passive Spektroradiometer erfasst das reflektierte und gestreute Sonnenlicht über eine Schwadbreite von 2330 km und liefert äquatorial eine annähernd tägliche Abdeckung. Der Überflug des Aqua-Satelliten über Deutschland findet in der Regel zwischen 11:00 Uhr und 13:30 Uhr UTC statt. Aus den Messungen kann die „aerosoloptische Dicke“ (AoD) quantifiziert werden. Die AoD beschreibt die exponentielle Abschwächung der Strahlungsintensität der Solarstrahlung beim Durchgang durch die Atmosphäre, die durch die darin befindlichen Aerosole verursacht wird. In unserem Beispiel werden die Datenarchive der MODIS Collection 6: Deep Blue/Dark Target des Aqua-Satelliten verwendet [33]. Dabei wurden alle Beobachtungen im Zeitraum von 2003 bis 2014 ausgewertet. Die Auflösung der AoD liegt bei diesen Daten bei 10 × 10 km. Die Auflösung ist niedriger als die ursprüngliche des Sensors. Dies ist auf das Berechnungsverfahren zurückzuführen, bei dem mehrere Pixel gruppiert werden müssen. Unter Annahme verschiedener optischer Eigenschaften der Atmosphäre, der Grenzschichthöhe und der relativen Luftfeuchtigkeit kann nun mittels eines physikalischen Ansatzes aus der AoD die bodennahe Feinstaubkonzentration abgeleitet werden. Die Wetterdaten entstammen Analysen des Deutschen Wetterdienstes (DWD) und des Europäischen Zentrums für Mittelfristwettervorhersage (EZMW).

Die Visualisierung der aus Satellitendaten abgeleiteten und über 12 Jahre gemittelten räumlichen PM2,5-Verteilung über Deutschland zeigt (Abb. 2), dass die Orografie (also die Höhenstrukturen auf der natürlichen Erdoberfläche) und die Besiedlungsdichte einen großen Einfluss auf die durchschnittlichen Feinstaubkonzentrationen haben. In Kessellagen und insbesondere in Ballungsräumen (z. B. Ruhrgebiet und Berlin) ist die Feinstaubkonzentration im Vergleich zum Umland stark erhöht. Auch in Ostdeutschland finden sich gerade in den landwirtschaftlich intensiv genutzten Bördegebieten und auch in Regionen mit geringen Jahresniederschlagssummen höhere Feinstaubwerte. In höheren Lagen und komplexem Gelände (z. B. Schwarzwald, Alpenvorland, Harz) ist die Feinstaubkonzentration vergleichsweise gering. Auch der Süden Deutschlands ist im Flächenmittel von geringerer Feinstaubbelastung betroffen. In einigen Kessellagen (z. B. Rheingraben, Stuttgart) werden aber auch hier aufgrund des beschränkten Luftmassenaustausches höhere Feinstaubbelastungen gemessen. Dabei muss betont werden, dass bisher nur die Hintergrundbelastung quantifiziert werden kann. Feinstaub in urbanen Hotspots kann bei 10 × 10 km in den jetzigen Datensätzen noch nicht aufgelöst werden. Es wird jedoch derzeit an einer besseren Auflösung bis zu 1 × 1 km gearbeitet. Die Werte in Küstennähe werden noch überschätzt, da das Verfahren auf Meersalz (Partikel mit hoher Albedo) sehr sensitiv reagiert. Bei Meersalz handelt es sich aber um „gutes“ Aerosol, das gerade bei Patienten mit Atemwegserkrankungen positive Gesundheitseffekte zeigt.

Abb. 2
figure 2

Satellitengestützte Kartierung von Feinstaub (PM2,5) in Deutschland: aus der aerosoloptischen Dicke abgeleitetes langjähriges Mittel aus allen MODIS-Beobachtungen im Zeitraum 2003 bis 2014. Die Daten sind bisher nur für die Hintergrundbelastung repräsentativ. Feinstaub in urbanen Hotspots kann noch nicht aufgelöst werden. Die Werte in Küstennähe werden noch überschätzt, da das Verfahren auf Meersalz (Partikel mit hoher Albedo) sehr sensitiv reagiert

Full size image

Potenziale der Fernerkundung: Umweltbedingungen zur Bewertung von Gesundheit

Im obigen Abschnitt haben wir anhand zweier nach Thematik und räumlicher Auflösung sehr unterschiedlicher Beispiele gezeigt, wie mittels Erdbeobachtungsdaten Umweltbedingungen raumquantitativ erfasst werden können. Die abgeleiteten Geoinformationen, die es erlauben, Umweltbedingungen (Expositionen) sehr genau und über die Zeit zu beobachten, könnten zukünftig ein elementarer Bestandteil gesundheitsrelevanter Analysen werden.

In bisherigen Studien der Umweltepidemiologie werden Umwelteigenschaften meist räumlich sehr stark aggregiert abgebildet. Vonseiten der Umweltepidemiologie werden bisherige Datenmodelle daher als „im Grunde nicht räumlich“ kritisiert [34, 35]. Folglich lassen sich meist keine verlässlichen Rückschlüsse auf die Belastungen einzelner Individuen ziehen. Dies gilt insbesondere für Umweltfaktoren, die starken Schwankungen auf sehr kleinem Raum unterliegen. Dafür muss bisher auf aufwendige Modellierungen zurückgegriffen werden, was eine großflächige Anwendung erschwert [36]. Die satellitengestützte Fernerkundung bietet hier die Möglichkeit, sowohl den räumlichen Detailgrad als auch die räumliche Abdeckung deutlich zu erhöhen. Abb. 3 visualisiert das Potenzial, unsere Umwelt in zwei und drei Dimensionen hoch genau mittels fernerkundlicher Daten abzubilden. In diesem Fall basiert die Klassifikation auf der Kombination von hoch auslösenden optischen Daten (Sentinel-2) und einem digitalen Oberflächenmodell (Cartosat-2).

Abb. 3
figure 3

Dreidimensionale Darstellung von Umwelteigenschaften, abgeleitet aus multisensoralen Satellitendaten (rot Gebäude, grau Straßen und versiegelte Flächen, dunkelgrün Bäume, hellgrün Wiesen, braun offener Boden, blau Wasser)

Full size image

Jüngste Studien offenbaren die Potenziale, die in diesen detaillierten räumlichen Daten in Kombination mit Daten aus dem Gesundheitssektor liegen: bezüglich unseres ersten Beispiels zu Grünflächen konnte z. B. gezeigt werden, dass sich das Stresslevel von Stadtbewohnern bereits nach 20 min Aufenthalt in urbanen Grünflächen messbar senken lässt [8]. Und so konnte über Kohortenstudien eine Reduzierung der Risiken von Herz-Kreislauf- und Atemwegserkrankungen sowie von Mortalität durch die Nähe und Zugänglichkeit von Grünflächen aufgezeigt werden [37]. Auch im Hinblick auf unser zweites Beispiel zeugen Studien davon, dass erhöhte Exposition gegenüber Luftschadstoffbelastungen erhöhte Risiken für Herz-Kreislauf und Atemwegserkrankungen [38], Krebserkrankungen (z. B. [39]) und erhöhte Mortalität zur Folge haben können (z. B. [18]). Weitere Studien bestätigen dieses Potenzial: Hitzewellen, also Perioden stark erhöhter Temperaturen, ziehen viele Todesfälle nach sich. In Berlin beispielsweise wurden bei 5 % der Sterbefälle von 2001 bis 2010 statistisch signifikante Korrelationen mit erhöhten Lufttemperaturen beobachtet [40]. Die Intensität von Hitzeereignissen steht dabei in einem starken Zusammenhang mit der Ausstattung der städtischen Umgebung, welche wiederum mithilfe der Analyse von Satellitenbildern beschrieben werden kann [41]. Durch eine Kombination satellitenbasierter Beobachtungen von Luftschadstoffen, In-situ-Messungen der Umgebungsluft, numerischer Chemietransportmodellierung sowie epidemiologischer Daten konnten ebenfalls bereits erfolgreiche Forschungsanwendungen für das Gesundheitswesen (Kliniken, Ärzte, Apotheken und Risikopatienten) durchgeführt werden. So konnte umweltbedingte Morbidität in verschiedenen Regionen Europas demonstriert werden [42]. Allen diesen beispielhaft angeführten Studien ist gemein, dass das räumlich und thematisch hoch detaillierte Wissen über die Umweltbedingungen Voraussetzung ist, um deren Einfluss auf die Gesundheit untersuchen zu können.

Die Integration fernerkundlicher und gesundheitsrelevanter Daten und Methoden sowie die Analyse von Umweltbedingungen und ihren Auswirkungen auf die Gesundheit sind herausfordernd. Dafür bedarf es eines interdisziplinären Ansatzes, der den konzeptionellen, datentechnischen und ethischen Herausforderungen gerecht wird:

Aus datentechnischer Sicht bedarf es der analytischen Integration von heterogenen Datenquellen: Die, wie gezeigt, räumlich kontinuierlichen Daten aus der Fernerkundung müssen mit meist punktuell vorliegenden Gesundheitsdaten verknüpft werden. In der Gesundheitsforschung werden vielfältige geeignete Datensätze mit entsprechendem Raumbezug erhoben. Beispiele sind Kohortenstudien, wie z. B. die NAKO [43] oder KORA [44]. Weitere Beispiele sind die „Studie zur Gesundheit von Kindern und Jugendlichen in Deutschland“ (KiGGS), die „Studie zur Gesundheit Erwachsener in Deutschland“ (DEGS) oder Daten zur „Gesundheit in Deutschland aktuell“ (GEDA). Regelmäßig werden Befragungs- und Untersuchungsdaten über die körperliche und psychische Gesundheit, über gesundheitsrelevante Verhaltensweisen und Lebensbedingungen sowie über die Inanspruchnahme medizinischer Leistungen erhoben. Aufgrund des begrenzten Zeitrahmens, der für die Befragungen und Untersuchungen in den Gesundheitsstudien zur Verfügung steht, und der methodischen Möglichkeiten, die im Rahmen dieser Studien umsetzbar sind, bietet sich die zusätzliche Anreicherung der erhobenen Datensätze mit inhaltlich relevanten Fremddaten an. Für die Verknüpfung dieser punktuellen Eingangsdaten mit den flächendeckenden Daten der Fernerkundung stehen vielfältige methodische Werkzeuge aus den Raumwissenschaften oder der Modellierung zur Verfügung.

Diese datentechnischen Integrationsmöglichkeiten müssen jedoch auch aus konzeptioneller Sicht stimmig sein. Die Aggregation auf administrative Raumeinheiten, wie in unserem ersten Beispiel (Abb. 1) dargestellt, beinhaltet eine Verzerrung von Realitäten (vgl. z. B. [45]). Die Bewertung von Verfügbarkeit oder Zugänglichkeit von Grünflächen endet eben nicht an diesen künstlich erschaffenen Raumeinheiten. Dass in unserem Beispiel die Stadt München den geringsten Grünanteil aufweist, mag zwar auf administrativer Fläche zutreffen. Da die administrative Fläche in München sehr klein gefasst ist, kann es hier zu einer eigentlich nicht zulässigen Bewertung kommen, wenn sich beispielsweise direkt außerhalb der administrativen Stadtfläche große Naherholungsgebiete befinden. Daher braucht es eine kritische Bewertung aktueller Studien bzw. eine systematische Erforschung sinnvoller Raumbezüge.

Um u. a. diesen Aspekt zu systematisieren, muss jedoch erst noch ein interdisziplinäres Rahmenwerk entwickelt werden. Die verschiedensten Komponenten müssen dafür in ihrem Zusammenspiel bedacht werden: u. a. das zu untersuchende gesundheitliche Phänomen und seine jeweiligen Ausprägungen hinsichtlich Expositionen, die exponierte Bevölkerung und ihre demografische Struktur, die räumlichen, thematischen und zeitlichen Ebenen der Analyse, die verfügbaren Daten, sowie die entsprechenden Methoden. Eine exemplarische Frage soll dafür die konzeptionellen Herausforderungen aufzeigen: Haben geringe Verfügbarkeit und ein schlechter Zugang zu Grünflächen negative Auswirkungen auf die Gesundheit? Dafür ist es u. a. nicht einfach festzulegen, was im städtischen Kontext überhaupt als Grünareal definiert werden kann, welche zeitlichen Dimensionen betrachtet werden müssen, welche Ungenauigkeiten in den Expositionsdaten durch Klassifikationsfehler oder räumliche Auslösung entstehen, wie das tagtägliche Raumprofil exponierter Personen erfasst werden kann oder welchen Einfluss verschiedene Methoden der Zugänglichkeitsmessung auf die Stabilität von Ergebnissen und eruierten Zusammenhängen haben. Dies sind nur einige Herausforderungen von vielen, die für eine belastbare Analyse oder ein kontinuierliches Monitoring in interdisziplinärer Zusammenarbeit systematisiert und konzeptualisiert werden müssen.

Aus ethischer Sicht bedarf es der Entwicklung eines klaren Konzeptes hinsichtlich des Datenschutzes. Sowohl in der Erdbeobachtung (auf einem räumlichen Niveau einzelner Gebäude) als auch im Gesundheitswesen (auf individueller Basis) liegen Daten mit sehr hohen Auflösungen vor. Zum einen ist dieses hoch genaue Wissen eine Notwendigkeit, um die Zusammenhänge von Raum bzw. Umweltbedingungen und individuellen Krankheitsbildern zu erforschen. Zum anderen muss die Anonymität zwingend gewährleistet werden. Um die Fernerkundungsdaten für die vertiefende Analyse der Gesundheitsdaten zu nutzen, bedarf es daher eines prozessorientierten Verfahrens, das diesen Bedingungen gerecht wird und das einem kontinuierlichen Verbesserungsprozess unterliegt, der im Rahmen eines transparenten Qualitätsmanagements angesiedelt sein muss. Hierbei ist der Prozess der Datendokumentation und Dokumentationspflege ein elementarer Bestandteil.

Diskussion

Gerade vor dem Hintergrund jüngster Diskussionen in Deutschland zum Klimawandel oder über Fahrverbote bedarf es systematischer Analysen, um die oftmals emotional aufgeladenen Diskussionen mit wissenschaftlichen Fakten zu rationalisieren. Jüngste Entwicklungen hinsichtlich Datenverfügbarkeiten sowohl in der Erdbeobachtung als auch im Gesundheitswesen sind gleichermaßen Grundlage und Verpflichtung für eine interdisziplinäre Zusammenarbeit.

Die systematische Kombination von fernerkundlichen Daten und daraus abgeleiteter Geoinformation mit Gesundheitsdaten ist vielversprechend. Im vorhergehenden Abschnitt haben wir versucht die Eckpunkte möglicher interdisziplinärer Ansätze dafür zu skizzieren. In diesem Abschnitt wollen wir diese konzeptuellen Grundgedanken noch vor dem Hintergrund weiterer Herausforderungen diskutieren:

Aus datentechnischer Sicht müssen zum Beispiel Unsicherheiten bedacht werden. So sind die erzielten Genauigkeiten der Landbedeckungsklassifikation bzw. der Grünflächen im Bereich von 93,1 % [30] generell hoch. Dabei variieren Genauigkeiten aber in Abhängigkeit der Beschaffenheit des Raumes. Kleinteilige Grünflächen können durch die Auflösung der Sentinel-2-Daten wesentlich weniger genau klassifiziert werden als großflächige Waldgebiete. Dementsprechend bedarf es einer systematischen Analyse möglicher Fehlerfortpflanzungen. Für unser zweites Beispiel zu Luftschadstoffen konnte gezeigt werden, dass eine Ableitung der bodennahen Feinstaubkonzentration anhand von Satellitendaten und unter Hinzunahme meteorologischer Parameter gute Übereinstimmungen mit In-situ-Messungen der Umgebungsluft zeigt. Bei der Validierung der Ergebnisse mit allen verfügbaren PM2,5-in-situ-Daten aller Messstationen in Deutschland konnte eine gute Korrelation zu den Messungen der Umgebungsluft festgestellt (R = 0,77) sowie ein sehr geringer systematischer Fehler (0,14 µg/m3) und ein RMSE von 5,73 µg/m3 ermittelt werden (RMSE; dt.: Wurzel der mittleren Fehlerquadratsumme; damit wird aufgezeigt, wie die satellitenbasierten Prognosedaten im Durchschnitt von den tatsächlichen In-situ-Messwerten abweichen). Dazu konnte kein signifikanter Unterschied in den statistischen Größen zwischen städtischen und ländlichen Stationen identifiziert werden [46]. Aber wie im Beispiel oben gezeigt, müssen auch hier Unsicherheiten in Kauf genommen werden. Es gibt jedoch Weiterentwicklungsmöglichkeiten, die vor allem die räumliche und zeitliche Abdeckung sowie die Parametrisierung der Aerosolzusammensetzung und die vertikale Verteilung betreffen. Für die Erfassung der Exposition der Bevölkerung ist die räumliche Auflösung in unserem Beispiel mit 10 × 10 km noch vergleichsweise gering. Die Entwicklung der Sensorik in der Erdbeobachtung schreitet allerdings voran und lässt im Gegensatz zu frühen Studien mit vergleichsweise geringerer Granularität der räumlichen Datengrundlage (z. B. [47]) eine detailliertere Auswertung erhoffen. So steht seit Oktober 2017 der Sensor Sentinel-5P aus dem Copernicus-Programm zur Verfügung. Der Sensor misst Luftschadstoffe und Treibhausgase wie Stickstoffdioxid (NO2), Schwefeldioxid (SO2), Formaldehyd (HCHO), Kohlenstoffmonoxid (CO) und Methan (CH4) mit einer räumlichen Auflösung von 3,5 × 5,5 km und täglich einmaliger globaler Abdeckung. Damit nähern wir uns kleinräumigeren Skalen an, die für Expositionsanalysen hinsichtlich Gesundheit neue Analysemöglichkeiten bieten. Allerdings muss für Luftschadstoffe, wie z. B. für NO2, bedacht werden, dass die satellitengestützte Beobachtung die NO2-Belastung für den jeweiligen Ort über die Atmosphäre vertikal integriert erfasst und somit die bodennahe Konzentration erst durch Inversionsverfahren bestimmt werden kann. Eine verbesserte Quantifizierung des aggregierten Gesundheitsrisikos durch Umweltstressoren soll ganz allgemein durch Big-Data-Analysemethoden und Ansätze der künstlichen Intelligenz erforscht werden [48]. Expositionsseitig wird weiter an der satelliten- und modellgestützten Bestimmung der raumzeitlichen Variabilität von Luftschadstoffen sowie Hitze- und Kältestress gearbeitet. Raumzeitliche Muster sollen in Beziehung zum Auftreten von Erkrankungen mit Umweltrelevanz gesetzt werden [49].

Es bleibt also zu konstatieren, dass Satellitensensoren eine Datenquelle darstellen, die für die interdisziplinäre Erforschung des Einflusses der Umwelt auf die Gesundheit prädestiniert sind. Ein systematisches Rahmenwerk, das den konzeptionellen, datentechnischen und ethischen Herausforderungen gerecht wird, muss aber erst noch entwickelt werden.

Ausblick

Ein negativer Einfluss der Umweltbedingungen auf die Gesundheit der Menschen wird oft hoch verdichteten Stadträumen zugesagt: Die ständig zunehmende Urbanisierung, d. h. die zunehmende Konzentration von Menschen [50] und das ausufernde Flächenwachstum [51], in den Städten unseres Planeten machen diese Orte zwar zum einen zu Zentren von Kreativität, Innovation und Fortschritt [52], zum anderen aber auch zu Orten z. B. von erhöhter Kriminalität oder eben auch von erhöhter Exposition gegenüber Umweltbedingungen [53]. Städtische Gebiete beherbergen die Mehrheit der Weltbevölkerung, erzeugen mehr als 75 % des globalen Bruttoinlandprodukts (BIP), tragen aber auch zu etwa 75 % der Kohlenstoffemissionen des globalen Endenergieverbrauchs bei [54]. In dieser Doppelfunktion wird u. a. von den genannten Autoren argumentiert, dass sich das Schicksal des Planeten v. a. in unseren Städten entscheiden wird.

Gerade vor dem Hintergrund dieser urbanen Dynamik, der kleinräumigen urbanen Komplexität des Raumes und dem Entstehen neuer Dimensionen urbaner Landschaften bedarf es neuer und heterogener Datenquellen und Methoden, um die zentralen Lebensorte der Menschheit ganzheitlicher zu verstehen. Die Fernerkundung kann diesbezüglich viele Proxyinformationen liefern, um Studien hinsichtlich Gesundheit zu unterstützten: von der einfachen Beschreibung und Quantifizierung der Ausstattung des Raumes (z. B. [30]) über die erwähnten Umweltbedingungen wie Luftschadstoffe (z. B. [20]) oder der Verfügbarkeit von Freiflächen [21] bis hin zur Abschätzung von Bevölkerungsdichten (z. B. [55]) als Expositionsinformation. Die kleinräumige Heterogenität des städtischen Raumes zu bewerten ist dabei für einige Anwendungen, wie die Erfassung der Grünflächen, inzwischen mit hohen Genauigkeiten machbar. Für andere Umweltbedingungen, wie Luftschadstoffe, sind die räumlichen Auflösungen noch eine Limitierung.

Für eine interdisziplinäre, weiterführende Forschung zu Umwelt und Gesundheit braucht es nun die Zusammenführung von Wissenschaftlern aus unterschiedlichen Bereichen, die Reorganisation bestehender Wissensbereiche, die derzeit noch säulenartig nebeneinander stehen, die Entwicklung interdisziplinärer Konzepte, Methoden und angewandte Studien, um die Forschungsdisziplinen und ihre Denkschulen stärker zu verzahnen. Dies wäre ein wichtiger Paradigmenwechsel, denn die Wechselwirkungen zwischen Umwelt und Gesundheit sind hochkomplex und mehrdimensional und ohne einen synthetischeren und ganzheitlicheren Ansatz laufen wir Gefahr, bei unvollständigen Lösungen zu bleiben.