Von Daten zu fachlichem Wissen

Interpretation teilen

Die Phase des Teilens von Interpretationen kann sowohl die Analyseergebnisse als auch deren Interpretation umfassen. Dies kann auf verschiedene Weise geschehen, z. B. durch Veröffentlichung der Ergebnisse auf einer Website, als Social-Media-Beitrag, Bericht oder als wissenschaftlicher Artikel.

Lassen Sie uns unsere Erkenntnisse aus der vorherigen Phase in Form eines Berichts schreiben, damit wir sie leicht teilen können.

Auf der Grundlage von Daten zu Luftschadstoffen in Berlin, genauer gesagt von der Station 174 Frankfurter Allee, vom 04.10.2023 17:00 Uhr bis zum 03.10.2024 16:00 Uhr, wurden die folgenden Hypothesen formuliert und interpretiert.

Hypothese 1: Je höher die Konzentration von Feinstaub (PM10), desto höher die Konzentration von Feinstaub (PM2,5).

Die Konzentration von Feinstaub (PM10) und die Konzentration von Feinstaub (PM2.5) waren stark positiv korreliert (r = 0,89, p < 0,05). Wenn ein Luftschadstoff hoch war, war auch der andere hoch. Daher stützt das Ergebnis die Hypothese.

Hypothese 2: Je höher die Konzentration von Feinstaub (PM10), desto höher die Konzentration von Stickstoffdioxid.

Der Korrelationskoeffizient (r = 0,27, p < 0,05) zeigt eine schwache positive Korrelation. Daher stützt das Ergebnis die Hypothese.

Hypothese 3: Je höher die Konzentration von Feinstaub (PM10), desto höher die Konzentration von Ozon.

Der Korrelationskoeffizient (r = -0,09, p < 0,05) zeigt eine schwache negative Beziehung. Daher stützen die Ergebnisse die Hypothese nicht.

Hypothese 4: Je höher die Konzentration von Feinstaub (PM2,5), desto höher die Konzentration von Stickstoffdioxid.

Der Korrelationskoeffizient (r = 0,24, p < 0,05) zeigt eine schwache positive Beziehung zwischen den beiden Variablen. Daher stützt das Ergebnis die Hypothese.

Hypothese 5: Je höher die Konzentration von Feinstaub (PM2,5), desto höher die Konzentration von Ozon.

Der Korrelationskoeffizient (r = -0,28, p < 0,05) zeigt eine schwache negative Beziehung. Daher wird die Hypothese durch die Daten nicht unterstützt.

Hypothese 6: Je höher die Konzentration von Stickstoffdioxid, desto höher die Konzentration von Ozon.

Der Korrelationskoeffizient (r = -0,48, p < 0,05) zeigt eine negative Beziehung, das heißt, wenn ein Luftschadstoff niedrig war, war der andere hoch. Daher wird die Hypothese durch die Daten nicht unterstützt.

Frühere Forschungsartikel haben gezeigt, dass die Ozonwerte (O3) in Gebieten tendenziell höher sind, in denen weniger lokale NOx-Emissionen vorhanden sind, die das photochemisch erzeugte O3 zerstören könnten.

Hoffmann, Leona, Lorenza Gilardi, Marie-Therese Schmitz, Thilo Erbertseder, Michael Bittner, Sabine Wüst, Matthias Schmid, and Jörn Rittweger. “Investigating the Spatiotemporal Associations between Meteorological Conditions and Air Pollution in the Federal State Baden-Württemberg (Germany).” Scientific Reports 14, no. 1 (March 12, 2024): 5997. https://doi.org/10.1038/s41598-024-56513-4.

Basierend auf dem Datensatz, der die Konzentration von Feinstaub PM2.5 (Daten aus dem Berliner Luftgütemessnetz, Tageswerte vom 15.08.2023 bis 22.08.2023, Mittelwerte aller Stationen) und normierte Werte für Grünflächen und Gewässer pro Bezirk (basierend auf dem Statistischen Bericht „Flächenerhebung nach Art der tatsächlichen Nutzung in Berlin 2023“) kombiniert, wurde die folgende Hypothese interpretiert:

Hypothese 7: Je niedriger die Konzentration von Feinstaub PM2.5 ist, desto höher ist der Anteil an Grünflächen.

Auf den ersten Blick ist eine mittelstarke negative Korrelation zwischen Feinstaub PM2.5 und Grünflächen zu erkennen (-0.45). Die Feinstaubwerte sinken, wenn es mehr Grünflächen gibt. Der p-Wert von 0,25 weist jedoch darauf hin, dass diese Korrelation nicht signifikant ist. Die Wahrscheinlichkeit, dass unsere Schlussfolgerung über den Zusammenhang falsch ist, beträgt 25% (ist also über 5%-Grenze). Um die Signifikanz des Zusammenhangs weiter zu untersuchen, benötigen wir mehr Daten zu Feinstaubkonzentration und Vegetation aus anderen Städten. Eine interessante Idee für das nächste Projekt!

!!!

Es ist wichtig zu betonen, dass Korrelation nicht unbedingt Kausalität bedeutet. Korrelation bedeutet, dass eine Veränderung in einer Variablen mit einer anderen Variablen in Zusammenhang steht. Korrelation bedeutet jedoch nicht, dass eine Variable die andere direkt beeinflusst. Es besteht also nicht unbedingt eine Ursache-Wirkungs-Beziehung. Eine dritte Variable könnte die beiden Variablen beeinflussen, die in einem kausalen Zusammenhang stehen sollen.

Dieser Datensatz könnte viele weitere Analysen unterstützen. Wir ermutigen Sie, die Daten zu erforschen und neue Interpretationen zu finden.

AI Across Domains - Kompetenzen für das KI-Zeitalter (PUBLIC)

e. Interpretation teilen

Von Daten zu fachlichem Wissen

Interpretation teilen