Der Stadtverkehr ist eine der Hauptquellen für Treibhausgas- und Luftschadstoffemissionen. Zur Entwicklung wirksamer Klimastrategien stellt eine genaue Schätzung der Emissionen eine zentrale Herausforderung für Städte dar. Ein Forschungsteam unter der Leitung von Jia Chen, Professorin für Umweltsensorik und Modellierung an der Technischen Universität München (TUM), hat mit DRIVE einen neuen datengestützten Rahmen entwickelt, der detaillierte Einblicke in die Emissionen des Stadtverkehrs liefert.

Wie ist die Situation in München?
Generell sind die Verkehrsemissionen in München seit 2022 rückläufig. Dabei ist erfreulicherweise ein Einfluss der strengeren Abgasnormen und saubereren Flotten am prozentual stärkeren Rückgang von Stickoxiden (NO₂ und NO_x) und Kohlenmonoxid im Vergleich zu Kohlenstoffdioxid klar erkennbar. Trotz allem leidet München nach wie vor unter der Verkehrsüberlastung der Stadt und das Verkehrsaufkommen hat seit 2020 stetig zugenommen, auch wenn es bis 2024 noch nicht das Vor-COVID-Level erreicht hat. Am Mittleren Ring zeichnet sich von 2023 auf 2024 hingegen ein gegenläufiger Trend ab: Das Verkehrsaufkommen ist leicht gesunken, und die Emissionen sind stärker gesunken als im städtischen Durchschnitt.

DRIVE: Erfassung eines stadtweiten Emissionsbilds
Das Modell namens DRIVE (Data-driven Road-Transport Inventory for Vehicle Emissions) kombiniert drei zentrale Datenquellen, die bislang selten in dieser räumlichen und zeitlichen Auflösung zusammengeführt wurden: ein Verkehrsmodell der Stadt München, reale Messdaten von mehr als 100 Zählstationen und Emissionsfaktoren, die technischen Eigenschaften der Fahrzeugflotten. Es berücksichtigt Treibhausgase (CO₂, CH₄) sowie Luftschadstoffe (CO, NOₓ, NO₂, PM₁₀). 
Auf München angewendet liefert DRIVE Emissionsschätzungen mit stündlicher Auflösung bis hinunter auf einzelne Straßenabschnitte und ermöglicht so ein viel präziseres Verständnis dafür, wie sich die Emissionen räumlich und zeitlich verändern, inklusive realistischer Unsicherheitsabschätzungen.

COVID-19-Pandemie sorgt für deutlichen Verkehrseinbruch
Die Forschenden analysierten die Verkehrsemissionen zwischen 2019 und 2022 und erfassten dabei größere Störungen wie die COVID-19-Lockdowns. Das Verkehrsaufkommen ging 2020 deutlich zurück, was zu einem Rückgang der Gesamtemissionen um 15,9 Prozent führte. Obwohl die Verkehrstätigkeit 2021 und 2022 wieder zunahm, blieb sie unter dem Niveau vor der Pandemie. Die Ergebnisse zeigen zudem, dass die Luftschadstoffe schneller zurückgingen als die CO₂-Emissionen, was auf strengere Emissionsnormen und den schrittweisen Übergang zu umweltfreundlicheren Fahrzeugflotten zurückzuführen ist. 

Einsatzmöglichkeiten: Von Tempolimits bis Infrastrukturplanung
Über die rückblickende Analyse hinaus ist DRIVE so konzipiert, dass es nahezu in Echtzeit arbeitet, sobald aktuelle Verkehrsdaten vorliegen. Dies macht es zu einem wertvollen Instrument zur Bewertung umgesetzter politischer Maßnahmen wie Geschwindigkeitsbegrenzungen, Verkehrsbeschränkungen wie Umweltzonen und Fahrverbote, oder infrastruktureller Veränderungen. Darüber hinaus liefert das Modell Unsicherheitsschätzungen auf verschiedenen räumlichen und zeitlichen Skalen und stärkt damit die Zuverlässigkeit städtischer Emissionsinventare.
Durch die Integration mehrerer Datenquellen in ein einheitliches Modell zeigt die Studie, wie Datenwissenschaft eine genauere Überwachung und eine gezieltere Reduzierung städtischer Emissionen unterstützen kann.

Die Forschungsergebnisse entstanden in Zusammenarbeit mit der TNO (Niederländische Organisation für Angewandte Naturwissenschaftliche Forschung) mit Unterstützung durch das EU-Projekt „ICOS Cities“. Die Forschung wird im aktuellen Projekt „MCube“ (Münchner Cluster für die Zukunft der Mobilität in Metropolregionen) sowie in Zusammenarbeit mit der Landeshauptstadt München fortgeführt.

Veröffentlichung:
Kühbacher, D., Chen, J., Aigner, P., Ilic, M., Super, I., and Denier van der Gon, H.: DRIVE v1.0: a data-driven framework to estimate road transport emissions and temporal profiles, Geosci. Model Dev., 18, 9967–9990, https://doi.org/10.5194/gmd-18-9967-2025, 2025.