Wetterdaten vom Flughafen Salzburg analysieren: Ein umfassender Leitfaden
In diesem Blogbeitrag sehen wir uns eine ausführliche Wetterdatenanalyse für den Flughafen Salzburg im Zeitraum 2010 bis 2024 an. Die Daten stammen aus der Open Meteo Historical Weather API und wurden mit folgendem API-Aufruf abgerufen:
https://archive-api.open-meteo.com/v1/archive?latitude=47.7933&longitude=13.0043&start_date=2010-01-01&end_date=2024-12-31&daily=temperature_2m_max,temperature_2m_min,temperature_2m_mean,sunrise,sunset,sunshine_duration,rain_sum,snowfall_sum,precipitation_hours,wind_speed_10m_max,wind_direction_10m_dominant&timezone=Europe%2FBerlin
Die Daten enthalten tägliche Messwerte zu Temperatur, Sonnenscheindauer, Regen, Schneefall, Niederschlagsstunden und Windgeschwindigkeit. Ihr könnt die Daten auch unter folgendem Link ansehen und als CSV herunterladen:
Dokumentation der Open Meteo Historical Weather API. Mit diesen Daten nutzen wir leistungsfähige Python-Bibliotheken wie pandas und matplotlib, um sie aufzubereiten und zu visualisieren und so Einblicke in langfristige Wettermuster zu gewinnen.
Datenaufbereitung und Visualisierungen
Die Wetterdaten für diese Analyse stammen von der Wetterstation am Flughafen Salzburg, ausgewertet werden sie in einem Jupyter Notebook. Für jedes Jahr berechnen und visualisieren wir zentrale Kennzahlen wie die monatliche Durchschnittstemperatur, die Gesamtregenmenge, die Schneefallsumme und die Windgeschwindigkeiten. Hier ein Überblick über die wichtigsten Auswertungen:
1. Monatliche Durchschnittstemperatur (°C)
Wir berechnen Durchschnitts-, Höchst- und Tiefsttemperaturen für jeden Monat von 2010 bis 2024 und bekommen so ein klares Bild davon, wie die Temperaturen über die Jahre schwanken. Dargestellt wird das als gruppiertes Balkendiagramm: Jede Gruppe steht für einen Monat, jeder Balken für ein Jahr. Fehlerbalken zeigen die Höchst- und Tiefsttemperaturen des jeweiligen Monats.
2. Monatliche durchschnittliche Sonnenscheindauer (Stunden)
Eine weitere Visualisierung zeigt die durchschnittliche tägliche Sonnenscheindauer für jeden Monat, berechnet über alle Jahre. Das Diagramm ermöglicht einen Vergleich Monat für Monat und macht die Entwicklung der Sonnenscheindauer über die Jahre sichtbar.
3. Monatliche durchschnittliche Niederschlagsstunden und Regenmenge (mm)
Die Analyse umfasst auch Niederschlagsstunden und Gesamtregenmenge. Wir stellen die durchschnittlichen Niederschlagsstunden jedes Monats der Regensumme gegenüber und erhalten so Einblicke in Dauer und Intensität von Regenereignissen.
4. Monatlicher Gesamtschneefall (cm)
Wir berechnen und visualisieren den Gesamtschneefall jedes Monats. Diese Auswertung ist wichtig, um saisonale Schneemuster zu verstehen, gerade in Regionen wie Salzburg, wo es im Winter oft kräftig schneit.
5. Monatliche Analyse der Windgeschwindigkeit (km/h)
Die Winddaten werden in die maximale Windgeschwindigkeit in 10 Metern Höhe und die durchschnittliche Windgeschwindigkeit aufgeschlüsselt. So erhält man einen umfassenden Eindruck davon, wie sich die Windverhältnisse von Monat zu Monat ändern. Die Visualisierungen helfen, die Entwicklung der Windgeschwindigkeit über verschiedene Jahre zu vergleichen.
Das Notebook erkunden
Alle diese Auswertungen sind in einem Jupyter Notebook zusammengefasst, das ihr selbst erkunden könnt. Es enthält Schritt-für-Schritt-Anleitungen zum Importieren und Aufbereiten der Daten sowie zum Erstellen der Diagramme und ist damit eine nützliche Ressource für alle, die sich für Wetterdatenanalyse interessieren.
Hier findet ihr das Notebook:
Wetteranalyse Flughafen Salzburg – GitLab
Fazit
Diese Analyse bietet einen detaillierten Blick auf die Wettermuster am Flughafen Salzburg über einen Zeitraum von 15 Jahren. Mit pandas und matplotlib gewinnen wir Einblicke in Temperaturschwankungen, Niederschlagstrends, Schneefall und Windverhältnisse. Solche Wetterdatenanalysen sind für viele Anwendungen wertvoll, etwa für Klimaforschung, Flugwettervorhersage und saisonale Planung.
Mit dem Jupyter Notebook könnt ihr diese Auswertungen für euren eigenen Datensatz nachvollziehen oder sie für andere Orte anpassen. Viel Spaß beim Erkunden der Daten und beim Aufspüren von Wettertrends!