INNOVATION SCOUT · IMPULSPROFIL

Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur

KI-gestützte Klimarisikoanalyse verbindet Klima-, Geo- und Bestandsdaten, um physische Gefahren, mögliche Schäden und Anpassungsoptionen für Gebäude, Quartiere und Infrastruktur zu bewerten.

Um was geht es bei Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur?

Physisches Klimarisiko entsteht aus Gefährdung, Exposition und Verletzlichkeit. Eine Überflutungskarte beschreibt zunächst Wasserstände oder betroffene Flächen. Erst Angaben zu Gebäuden, Nutzung, Schutz und Schadenfunktionen führen zu objektbezogenen Folgen. KI kann einzelne Berechnungen beschleunigen oder Varianten vergleichen; die Entscheidung über Schutzziele und Maßnahmen bleibt eine fachliche und gesellschaftliche Aufgabe.

Quelle 9: Climate X FAQs, Fundstelle(n): FAQ: Hazard, Exposure, Vulnerability Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1–3.5 Quelle 20: Unlocking urban climate adaptation imaginaries, Fundstelle(n): Results; Discussion

Einordnung im Impulsradar

Der praktische Nutzen beginnt beim gezielten Prüfen gefährdeter Standorte und Bestände. Kommerzielles Portfolioscreening wird wiederholt eingesetzt und selektiv ausgeweitet; die Optimierung konkreter Anpassungspfade ist teilweise noch Forschung. Entscheidend sind lokale Daten, nachvollziehbare Szenarien und fachliche Nachprüfung. Eine feinere Karte oder ein günstiger Score belegt für sich keine vermiedenen Schäden.

Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2, Resilienzanalyse Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 5–6 Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.21–29

Von der Gefahrenkarte zur begründeten Anpassungsentscheidung

Analyseergebnisse beantworten unterschiedliche Fragen: Wo ist eine Gefährdung hoch, welches Objekt ist verletzlich und welche Anpassung könnte Schäden oder Funktionsausfälle begrenzen? Ein Screening hilft, vertiefte Objektprüfungen zu priorisieren. Eine Maßnahmenbewertung benötigt zusätzlich technische Machbarkeit, Kosten, Nutzungsziele und lokale Schutzbedingungen.

Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.21–29; Lessons and checklist Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1–3.5; 6.3

Klimaszenarien sind bedingte Zukunftsbilder; Reanalysen rekonstruieren vergangene Zustände. Beide unterscheiden sich von einer aktuellen Wetterwarnung. Ebenso sind simulierte Verluste, beobachtete Ereignisschäden und nachgewiesene Schadenvermeidung verschiedene Größen. Diese Trennung bestimmt, wofür eine Auswertung in Planung oder Betrieb verwendet werden kann.

Quelle 3: ERA5-Land hourly data from 1950 to present, Fundstelle(n): Overview; Data description Quelle 6: Contributions of geolocated weather and building related data for insurance assessment of flood risks, Fundstelle(n): 2.1; 3.2 Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1; 6.3

Worauf es bei Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur fachlich ankommt

Offizielle Daten sind eine Grundlage, kein Wirkungsnachweis

Studien-/Praxisbefund

Die EU-Mission zur Klimaanpassung erschließt Programme und Projekte; Copernicus stellt Klimainformationen bereit. ERA5-Land rekonstruiert stündliche Landoberflächenzustände ab 1950. Sein Modellraster liegt bei etwa 9 km, die CDS-Ausgabe bei 0,1°.

Quelle 1: EU Mission: Adaptation to Climate Change, Fundstelle(n): Mission-Ziele; Documents Quelle 2: Copernicus Climate Change Service, Fundstelle(n): Data Quelle 3: ERA5-Land hourly data from 1950 to present, Fundstelle(n): Overview; Spatial resolution; Temporal coverage

Fachliche Einordnung

Solche Daten müssen mit ihrem Maßstab und Zweck eingesetzt werden. Weder ein Förderprogramm noch ein Datenportal belegt bereits eine KI-Anwendung am Gebäude. Aus der Reanalyse allein folgt keine objektscharfe Schadensrechnung; deren weitere Modell- und Bestandsdaten sind gesondert zu prüfen.

Freiburg: lokale Hitzeemulation mit begrenzter Übertragbarkeit

Studien-/Praxisbefund

UHTC-NN verknüpft ein U-Net, ein neuronales Netz für räumliche Daten, mit Stadtgeometrie und meteorologischem Antrieb. Die 2025 veröffentlichten Originalauszüge beschreiben thermische Belastung auf einem 1-m-Raster in Freiburg und den Vergleich der Zeiträume 1990–2019 und 2070–2099.

Quelle 4: Deep learning enables city-wide climate projections of street-level heat stress, Fundstelle(n): Abstract; 2.4.3–2.4.4; 3.1, zugängliche Originalauszüge Quelle 21: Städte fit machen für die Hitze, Fundstelle(n): Freiburg als Modellstadt

Fachliche Einordnung

Die Rasterweite ist keine Genauigkeitsangabe. Der thermische Belastungsindex UTCI misst zudem weder Gebäudeschaden noch individuelle Gesundheitsfolgen. Der vollständige Originaltext war nicht zugänglich; deshalb werden die nur auszugsweise geprüften Fehlerzahlen hier nicht übernommen. Eine neue Stadt ist damit nicht validiert.

I4C: historische Erprobung mit der Stadtverwaltung

Studien-/Praxisbefund

Der Freiburger Nachhaltigkeitsbericht 2025 beschreibt das Projekt I4C von 2021 bis 2024: KI-gestützte Stadtgeometrie, Hitze-, Wind- und Wassersimulation sowie Baumpflanzungsoptimierung. Die Werkzeuge wurden unter anderem in Interviews und einem Planspiel mit der Stadtverwaltung untersucht.

Quelle 17: Nachhaltigkeitsbericht der Universität Freiburg 2025, Fundstelle(n): Gedruckte S.41 / PDF-Seite 41, Intelligente Klimaanpassung für Städte

Fachliche Einordnung

Dies belegt eine anwendungsnahe Pilotform. Das Datum des Planspiels und der eingesetzte Softwarestand fehlen; der Bericht belegt weder regulären Betrieb noch ausgeführte Anpassungsmaßnahmen. UHTC-NN aus der Publikation von 2025 wird dem früheren Pilot nicht rückwirkend als identische Software zugeordnet.

Quelle 17: Nachhaltigkeitsbericht der Universität Freiburg 2025, Fundstelle(n): Gedruckte S.41 / PDF-Seite 41, Intelligente Klimaanpassung für Städte

Küstenüberflutung: neuronale Näherung einer physikalischen Referenz

Studien-/Praxisbefund

Der Preprint CASPIAN-v2 berechnet Überflutungskarten für Abu Dhabi und San Francisco aus Meeresspiegel- und Schutzkonstellationen. Trainingsreferenzen stammen aus Delft3D-Simulationen. Für die primären Szenarien nennt die Arbeit 96/10/36 beziehungsweise 225/24/36 Trainings-, Validierungs- und Testfälle.

Quelle 5: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning, Fundstelle(n): 2.2–2.3; 4.1, Tabelle 2

Fachliche Einordnung

Die Fälle sind simulierte Schutzszenarien, keine unabhängigen beobachteten Flutereignisse. Ein Emulator übernimmt Annahmen seiner physikalischen Referenz. Idealisierte Schutzwände, lokale Geometrie und Wasserstände erlauben noch keine Aussage über Gebäudeverletzlichkeit oder tatsächlich vermiedene Schäden.

Quelle 5: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning, Fundstelle(n): 2.2–2.3; 4.1, Tabelle 2

Neue Testszenarien sind nicht automatisch neue Städte

Studien-/Praxisbefund

Beim Anpassen von CASPIAN-v2 an zusätzliche Meeresspiegelniveaus werden ältere zurückgehaltene Daten erneut verwendet. Die Autoren bezeichnen sechs neue Testszenarien je zusätzlichem Niveau als ungesehen. Beide Städte gehören allerdings bereits zum Grundtraining. Fünf unabhängig initialisierte Modelle bilden ein Ensemble.

Quelle 5: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning, Fundstelle(n): 4.2.2; 5.1.5; Tabellen 4, 6, 7; Appendix H, Tabelle 16

Fachliche Einordnung

Der Test untersucht damit neue Konstellationen innerhalb bekannter Städte. Außerdem weichen ARMSE-Angaben zwischen Haupttabelle und Anhang ab; eine Anhangtabelle wiederholt Werte verschiedener Kennzahlen. Die Ursache ist offen. Daraus wird weder ein Codefehler behauptet noch ein verlässliches Güteversprechen abgeleitet. Ensemble-Streuung deckt nicht alle Klima- und Modellunsicherheiten ab.

Quelle 5: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning, Fundstelle(n): 4.2.2; 5.1.5; Tabellen 4, 6, 7; Appendix H, Tabelle 16

Gebäudedaten verbessern nicht jede Art der Schadensvorhersage

Studien-/Praxisbefund

Ein französischer Preprint untersucht 968.000 Versicherungsnehmer und 10.800 Flutschäden aus 2014–2022 mit verallgemeinerten linearen Modellen. Zusätzliche Wetter-, Gebäude- und Umfelddaten verbessern die modellierte Schadenhöhe. Bei der Erkennung des Schadenauftretens bleiben Recall mit 0,128 und Precision mit 0,0342 niedrig.

Quelle 6: Contributions of geolocated weather and building related data for insurance assessment of flood risks, Fundstelle(n): 2.1; 3.2; Tabellen 2 und 3; Grenzen der Merkmale

Fachliche Einordnung

Damit werden nur wenige tatsächliche Schadenfälle erkannt und viele positive Zuordnungen nicht bestätigt. Die fünffache Kreuzvalidierung ist nicht als räumlich und zeitlich getrennte Prüfung ausgewiesen. Rückblickende Niederschlagsmerkmale begrenzen die Verwendung als vorausschauende Prognose; viele Verträge sind nicht viele unabhängige Extremereignisse.

Quelle 6: Contributions of geolocated weather and building related data for insurance assessment of flood risks, Fundstelle(n): 2.1; 3.2; Tabellen 2 und 3; Grenzen der Merkmale

Eine einfache Vergleichsmethode kann das Urteil verändern

Studien-/Praxisbefund

Lütjens et al. vergleichen im ClimateBench-Test lineares Pattern Scaling mit dem neuronalen Modell ClimaX. Zunächst liegt die lineare Methode bei drei von vier Klimavariablen vorn. Mit 50 statt drei Klimarealisierungen verändert sich das Bild zugunsten des Lernverfahrens bei Niederschlag.

Quelle 7: The Impact of Internal Variability on Benchmarking Deep Learning Climate Emulators, Fundstelle(n): Abstract; 2–3; Diskussion

Fachliche Einordnung

Interne Klimavariabilität beeinflusst damit den Methodenvergleich. Eine neuronale Architektur ist kein hinreichender Gütenachweis; Trainingsbasis und einfache Referenzverfahren müssen sichtbar bleiben. Die Untersuchung betrifft Klimaemulation und liefert keine Genauigkeitsangabe für ein einzelnes Gebäude.

Quelle 7: The Impact of Internal Variability on Benchmarking Deep Learning Climate Emulators, Fundstelle(n): Abstract; 2–3; Diskussion

Abweichende Risikowerte verlangen eine Prüfung der Annahmen

Studien-/Praxisbefund

GARP und das Climate Financial Risk Forum vergleichen 13 Anbieter anhand eines Portfolios mit 100 Immobilien. Die Untersuchung zeigt Unterschiede bei Koordinatenbehandlung, Gefahren- und Schutzannahmen sowie Schadenquoten. Die Korrelationen zwischen Anbietern messen deren Übereinstimmung, nicht den wahren künftigen Schaden.

Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.5; S.21–22; S.27, Abbildung 22; S.29; Checkliste

Fachliche Einordnung

Für die Objektauswahl sollten abweichende Daten und Annahmen sichtbar gemacht werden. Ein gemittelter Score löst die Unterschiede nicht automatisch auf. Besonders bei kritischen Anlagen sind Lage, vorhandener Schutz, betrachtete Gefahr und verwendete Schadenfunktion zu prüfen, bevor ein Ranking eine Investition oder Maßnahme begründet.

Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.5; S.21–22; S.27, Abbildung 22; S.29; Checkliste

Spectra: dokumentierte Funktion und wiederholte Anwendung

Studien-/Praxisbefund

Climate X beschreibt maschinelles Lernen als Bestandteil seiner Verlustmodellierung neben Fernerkundung und weiteren Daten. UNIQA nennt Spectra in den Berichten 2024 und 2025 für Anlageimmobilien. Der jüngere Bericht beschreibt ausdrücklich eine Ausweitung der Klimarisikoanalyse; eigengenutzte Immobilien sind ausgeschlossen.

Quelle 9: Climate X FAQs, Fundstelle(n): FAQ: Datenquellen; Verlustberechnung Quelle 10: 1. General information – UNIQA Group Report 2024, Fundstelle(n): 1.6.2, Resilience analysis Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2, Spectra und Ausweitung

Fachliche Einordnung

Das ist ein nachvollziehbarer Nutzungs- und Ausweitungsbeleg für eine begrenzte Screeningfunktion. Kundenspezifische Modellversionen, Objektzahlen und isolierter Nutzen des Lernanteils bleiben offen. Die genannten finanziellen Risiken sind Modellgrößen; sie belegen keine beobachtete Schadenvermeidung.

EarthScan: benannte Energieanlagen als Anwendungsfall

Studien-/Praxisbefund

Mitiga beschreibt Transferlernen und Computer Vision als Teile einer hybriden Modellkette. Im Fallbericht zu Capital Dynamics vom Oktober 2025 werden mehr als 75 europäische Energieassets, Überflutungsanalysen und zusätzliche Gefahren genannt. Die Ergebnisse dienen laut Bericht der Schutzplanung, Sanierung und Due Diligence.

Quelle 13: Science + Tech, Fundstelle(n): How we do it; Pioneering approaches Quelle 14: How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding, Fundstelle(n): What they did with EarthScan, Use case 1–3

Fachliche Einordnung

Die technische Produktbeschreibung und die Nutzung stammen aus derselben Anbieterfamilie. Welche Modellversion einzelne Assets bewertet hat, bleibt offen. Behauptete Maßnahmenumsetzung wird nicht mit Objektabnahme oder Nachmessung belegt. Der Fall stützt eine berichtete Infrastrukturaufgabe, keine allgemeine Quote vermiedener Ausfälle.

Wiederkehrende Beratung und angekündigte Einführung unterscheiden

Studien-/Praxisbefund

Mitiga berichtet bei Créfinance über Klimarisikoberichte für neue Kunden und bei Fengate über Einbindung in Immobilien- und Infrastrukturprozesse seit 2023. Climate X und Aroundtown melden im August 2026 eine Partnerschaft mit zugeschnittener Portfolioauswertung.

Quelle 15: How Créfinance is helping Belgian homeowners plan for climate resilience, Fundstelle(n): What Créfinance did; Use case 1 Quelle 16: How Fengate uses EarthScan to integrate climate risk into long-term infrastructure planning, Fundstelle(n): What they did with EarthScan Quelle 12: Strengthening Portfolio Climate Resilience: Aroundtown Launches Partnership With Climate X, Fundstelle(n): Haupttext, Kooperation und Bericht

Fachliche Einordnung

Diese Angaben zeigen unterschiedliche Nutzungsformen und Zeitstände. Fengates früherer Beginn ist kein neuer Einführungsschritt; Aroundtowns Meldung kein Nachweis eines vollständig ausgeführten Rollouts. Anbieterfälle bleiben Eigenangaben, und eine unzureichend dokumentierte Aufwandsersparnis wird nicht als gemessener Gesamtnutzen übernommen.

Neue Arbeiten zu lokalem Transfer und kombinierten Gefahren

Studien-/Praxisbefund

Li et al. untersuchen 2026 die lokale Anpassung eines allgemeinen Starkregenmodells in zehn südwestenglischen Städten. HyFlood verbindet für Süd-O’ahu numerische Hydrodynamik mit statistischer Reduktion und lernenden Komponenten, um mehrere Überflutungstreiber zusammenzuführen.

Quelle 18: Generalist-specialist transfer learning for cross-city spatial generalization in pluvial flood prediction, Fundstelle(n): Originalabstract; Publikationsmetadaten Quelle 22: HyFlood: A surrogate-model-based framework for compound coastal flooding, Fundstelle(n): Originalabstract; Publication details

Fachliche Einordnung

Für beide Arbeiten waren nur Originalabstracts zugänglich. Sie zeigen konkrete Forschungsrichtungen, tragen hier aber keine Detailaussage zur unabhängigen Testgüte. Eine gute Näherung physikalischer Simulationen wäre zudem noch keine Validierung beobachteter Gebäudeschäden oder einer realisierten Anpassungswirkung.

Kopenhagen: Maßnahmen über die Zeit optimieren

Studien-/Praxisbefund

Costa et al. koppeln im Preprint Klimaszenarien, Überflutung, Gebäude und Verkehr für 29 Zonen der Kopenhagener Innenstadt. Graph-PPO, ein Verstärkungslernverfahren mit Graphmodell, sucht zeitliche Pfade für Maßnahmen wie Versickerung und Speicherung. Schäden, Verkehrsfolgen sowie Investitions- und Unterhaltskosten gehen in das Ziel ein.

Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1–3.5; 5.1–5.2; 6.3

Fachliche Einordnung

Zehn Zufallsstarts prüfen die Optimierung innerhalb eines simulierten Stadtsystems. Der Vergleich mit Bayesscher Optimierung gilt nur für ein reduziertes Problem; im vollständigen Modell dienen keine beziehungsweise zufällige Maßnahmen als Referenz. Gleichförmiger Regen und weitere Modellannahmen begrenzen die Übertragung. Eine tatsächliche Baumaßnahme ist nicht nachgewiesen.

Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1–3.5; 5.1–5.2; 6.3

Technisch plausible Maßnahmen brauchen gesellschaftliche Ziele

Studien-/Praxisbefund

Eine Q-Studie mit 79 Anpassungsakteuren aus 37 Ländern zeigt unterschiedliche Vorstellungen von urbaner Anpassung. Ergänzend beschreibt das KIT Zielkonflikte lokaler Begrünung und berichtet, dass Wasservernebler am alten Schlachthof Karlsruhe an laufenden Kosten scheiterten.

Quelle 20: Unlocking urban climate adaptation imaginaries, Fundstelle(n): Methods; Results; Discussion Quelle 21: Städte fit machen für die Hitze, Fundstelle(n): Grünflächen gezielt einsetzen; Fördern statt verbieten

Fachliche Einordnung

Die Q-Methode untersucht Sichtweisen und ist keine repräsentative Bevölkerungsbefragung. Das Karlsruher Beispiel belegt keinen Fehler eines bestimmten KI-Modells. Beide Befunde machen aber deutlich, warum Zielwahl, Luftzirkulation, Betriebskosten und Verteilungseffekte in die Maßnahmenprüfung gehören. Ein technisch günstiger Modellwert ersetzt diese Abwägung nicht.

Datenstände und Verantwortung bis zum Objekt verfolgen

Studien-/Praxisbefund

Climate X beschreibt den Export objektbezogener Auswertungen per CSV und API und nennt Nutzung, Alter und Materialien als Merkmale der Verletzlichkeit. Der GARP-Vergleich zeigt zugleich Unterschiede in Koordinatenbehandlung und Schutzannahmen. Technische Datenübergabe und inhaltliche Vergleichbarkeit sind damit getrennte Fragen.

Quelle 9: Climate X FAQs, Fundstelle(n): FAQ: Verlustberechnung; Schnittstellen Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): Lessons and checklist Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3–6

Fachliche Einordnung

Eine sinnvolle Übergabe benennt Datenversion, Modellgrenze, Unsicherheit und zuständige Prüfer. Eigentümer ergänzen Bestandsinformationen, Planer prüfen Varianten vor Ort und Betreiber verfolgen Maßnahmen. Ein verifizierter geschlossener Lernkreis über diese gesamte Kette ist in den untersuchten Fällen nicht belegt.

Analysegeschwindigkeit und tatsächlicher Anpassungsnutzen trennen

Studien-/Praxisbefund

Die Kopenhagener Anpassungsstudie berücksichtigt Investitions- und Unterhaltskosten innerhalb ihres Modells. Das KIT berichtet über laufende Kosten als Hindernis für vorgeschlagene Wasservernebler in Karlsruhe. Der Fengate-Fall beschreibt Integration in bestehende Prozesse, liefert aber keine hier unabhängig geprüfte Gesamtaufwandsmessung.

Quelle 16: How Fengate uses EarthScan to integrate climate risk into long-term infrastructure planning, Fundstelle(n): What they did with EarthScan Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 6.3 Quelle 21: Städte fit machen für die Hitze, Fundstelle(n): Fördern statt verbieten Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): Lessons and checklist

Fachliche Einordnung

Die vorliegenden Fälle stützen gezieltere Prüf- und Planungsaufgaben. Sie liefern keine gemeinsame belastbare Quote für Zeitersparnis, Wirtschaftlichkeit oder vermiedene Schäden. Für den konkreten Einsatz sollten deshalb Analyseaufwand und spätere Umsetzung mit derselben Aufgabe und einer nachvollziehbaren Vergleichsbasis bewertet werden.

Warum Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur relevant ist

ReifegradPilotierung bis wachsender Praxiseinsatz

Die Spanne reicht von anwendungsnaher Erprobung bis zu wachsendem Praxiseinsatz. Der historische I4C-Pilot trägt die untere Grenze; wiederholtes und ausgeweitetes Spectra-Screening bei UNIQA trägt die obere. Neuere Maßnahmenoptimierung bleibt teilweise Forschung. Die Einstufung betrifft konkrete Teilfunktionen und setzt keine autonome Umsetzung voraus.

Quelle 17: Nachhaltigkeitsbericht der Universität Freiburg 2025, Fundstelle(n): S.41 Quelle 10: 1. General information – UNIQA Group Report 2024, Fundstelle(n): 1.6.2 Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2 Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 6.3

Evidenzwachsende Evidenz

Mehrere Originalarbeiten und dokumentierte Anwenderfälle sind nachvollziehbar. Die Aussagekraft bleibt durch simulierte Referenzen, begrenzte regionale Tests und proprietäre Anbietermodelle eingeschränkt. Der Anbietervergleich zeigt zusätzlich die Abhängigkeit von Lage- und Schutzannahmen. Unabhängig gemessene Anpassungswirkung ist schwächer belegt als die Analysefunktion.

Quelle 5: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning, Fundstelle(n): 4.1–4.2; Appendix H Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.21–29 Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2 Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 6.3

EntwicklungsdynamikAktive Weiterentwicklung

Emulation, räumlicher Transfer und Maßnahmenoptimierung werden konkret weiterentwickelt.

Aktuelle Arbeiten untersuchen Klimaemulatoren, die Übertragung auf neue lokale Bedingungen und zeitliche Anpassungsentscheidungen. Der Vergleich mit einfachen Modellen liefert zugleich Gegenbefunde. Das stützt aktive Weiterentwicklung mehrerer Teilprobleme; eine beschleunigte Entwicklungsrate ist daraus nicht nachgewiesen.

Quelle 7: The Impact of Internal Variability on Benchmarking Deep Learning Climate Emulators, Fundstelle(n): Ergebnisse und Diskussion Quelle 18: Generalist-specialist transfer learning for cross-city spatial generalization in pluvial flood prediction, Fundstelle(n): Originalabstract Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3–6

MarktdynamikSelektive Ausweitung

Ein datierter Anwendervergleich belegt die Ausweitung einer bestehenden Screeningfunktion.

Die beiden UNIQA-Berichte stützen wiederholte Nutzung und eine Ausweitung des analysierten Immobilienbestands. Weitere benannte Fälle ergänzen dieses Bild, bleiben jedoch überwiegend Anbieterberichte. Das trägt selektive Marktbewegung, keine branchenweit belegte Verbreitung. Ein neuer Modellstand oder allgemeine Schadenreduktion folgt daraus nicht.

Quelle 10: 1. General information – UNIQA Group Report 2024, Fundstelle(n): 1.6.2 Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2, Ausweitung Quelle 14: How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding, Fundstelle(n): Use case 1–3

Für welche Bauprozesse Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur relevant ist

Strategie & Projektentwicklung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Standort- und Portfolioanalysen helfen, vertiefte Objektprüfungen zu priorisieren. Adressen, Bestandsmerkmale und Szenarien müssen vor einer Investitions- oder Anpassungsentscheidung zusammenpassen. Eigentümer und Entscheidungsgremien prüfen lokale Bedingungen und Sensitivitäten; ein Score trifft keine Kaufentscheidung.

Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2 Quelle 14: How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding, Fundstelle(n): Use case 3

Planung & Design

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Hitze- und Überflutungsmodelle unterstützen den Vergleich von Anpassungsvarianten und zeitlichen Maßnahmenpfaden. Planer prüfen Geometrie, Flächenverfügbarkeit, technische Machbarkeit und Zielkonflikte. Die Pilot- und Simulationsbefunde stützen diese Planungsaufgabe; rechnerische Auswahl ist noch keine gebaute Lösung.

Quelle 17: Nachhaltigkeitsbericht der Universität Freiburg 2025, Fundstelle(n): S.41 Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.5; 5–6

Ausschreibung & Vergabe

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Der indirekte Beitrag liegt in prüfbaren Leistungsanforderungen: Szenarien, Datenstand, Unsicherheiten und objektspezifische Nachweise müssen benannt werden. Vergabestellen und Fachplaner verantworten diese Übersetzung. Die Relevanz wird fortgeführt; eine konkrete Vergabewirkung wurde nicht neu belegt.

Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.34–39, Lessons and checklist

Bauausführung & Baustellenmanagement

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Langfristige Standortanalysen können die Schutzvorsorge ergänzen. Operative Bauablaufentscheidungen benötigen zusätzlich aktuelle Wetter- und Betriebsdaten. Die indirekte Relevanz wird fortgeführt; eine konkrete operative Baustellenanwendung ist mit den ausgewerteten Fällen nicht belegt.

Quelle 3: ERA5-Land hourly data from 1950 to present, Fundstelle(n): Overview; Temporal coverage Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Für bestehende Gebäude und Anlagen lassen sich Objektkontrollen und Anpassungsinvestitionen priorisieren. Betreiber ergänzen Zustand, Schutz und mögliche Ausfallfolgen, prüfen vor Ort und verfolgen Maßnahmen. Die dokumentierte Bestandsanalyse ersetzt keine Zustandsprüfung und keine Bewertung der späteren Wirksamkeit.

Quelle 14: How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding, Fundstelle(n): Use case 2 Quelle 11: 1. Allgemeine Angaben – UNIQA Konzernbericht 2025, Fundstelle(n): 1.10.2

Rückbau & Kreislaufwirtschaft

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Klimarisiken können die Abwägung zwischen weiterer Nutzung, Umnutzung und Rückzug beeinflussen. Dazu gehören Restnutzungsdauer, Anpassungskosten sowie soziale und Lebenszyklusfolgen. Die bestehende Relevanz wird fortgeführt; eine tatsächlich getroffene KI-gestützte Rückbauentscheidung ist in den ausgewerteten Fällen nicht belegt.

Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 6.2–6.3 Quelle 20: Unlocking urban climate adaptation imaginaries, Fundstelle(n): Results; Discussion

Für wen Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur relevant ist

Bauherren und Auftraggeber

Bauherren definieren Schutzziele und akzeptable Nutzungsausfälle. Analysen helfen, vertiefte Prüfungen und Varianten zu beauftragen. Dafür müssen Nutzungs- und Bestandsangaben ergänzt sowie Zielkonflikte entschieden werden; die Freigabe einer Maßnahme bleibt beim Auftraggeber.

Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3–6 Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): Lessons and checklist

Projektentwickler und Investoren

Projektentwickler und Investoren können mit Portfolioscreening vertiefte Standort- und Objektprüfungen priorisieren. Datenabgleich, Szenariosensitivität und Nachprüfung von Modellwechseln erzeugen zusätzlichen Aufwand. Das Entscheidungsgremium bewertet die Ergebnisse im jeweiligen Vorhaben; Wertsteigerung oder Versicherbarkeit sind damit nicht zugesagt.

Architektur-, Ingenieur- und Planungsbüros

Planungsbüros können thermische und hydraulische Varianten räumlich vergleichen. Sie benötigen lokale Randbedingungen und ein passendes Gelände-/Objektmodell. Modellprüfung, Flächenverfügbarkeit, Kosten und technische Machbarkeit bleiben ihre Aufgabe; ein optimierter Pfad ist kein Ausführungsnachweis.

Betreiber, Facility- und Asset-Management

Betreiber und Asset-Management können kritische Objekte und Ausfallketten gezielter prüfen. Zustands- und Schutzinformationen müssen ergänzt, Maßnahmen verfolgt und Wirkungen nachkontrolliert werden. Betriebssicherheit lässt sich nicht unmittelbar aus einem Risikoscore ablesen.

Quelle 14: How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding, Fundstelle(n): Use case 2 Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): Lessons and checklist

Öffentliche Hand, Kommunen und Vergabestellen

Kommunen können räumliche Anpassungsoptionen mit Versorgung, Freiraum und sozialen Zielen verbinden. Kommunale Datenpflege und Beteiligung sind dafür ebenso nötig wie die Prüfung möglicher Verlagerungs- und Betriebseffekte. Die Abwägung und Beschlussfassung bleiben öffentliche Aufgaben.

Quelle 17: Nachhaltigkeitsbericht der Universität Freiburg 2025, Fundstelle(n): S.41 Quelle 20: Unlocking urban climate adaptation imaginaries, Fundstelle(n): Methods; Discussion Quelle 21: Städte fit machen für die Hitze, Fundstelle(n): Fördern statt verbieten

Forschung, Verbände und Netzwerke

Forschung, Verbände und Netzwerke entwickeln Vergleichsverfahren und Qualitätsanforderungen. Dafür sind Daten-/Modellzugang, unabhängige Tests und dokumentierte Unsicherheiten nötig. Der Nutzen liegt in prüfbaren Bewertungsgrundlagen; Benchmarkpflege und die Erklärung von Kennzahlunterschieden sind eigene Arbeiten.

Quelle 7: The Impact of Internal Variability on Benchmarking Deep Learning Climate Emulators, Fundstelle(n): Ergebnisse und Diskussion Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): Lessons and checklist Quelle 5: Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning, Fundstelle(n): Tabellen 4 und 16

Mit welchen Technologie- und Anwendungsfeldern Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur verknüpft ist

Hauptbezug

Nachhaltigkeit & ESG

Physische Klimaanpassung und langfristige Nutzbarkeit begründen das Primärfeld. Die Analyse fragt nach Gefahren und Anpassung, während Emissionsminderung und Lebenszyklusbewertung angrenzende Ziele bleiben. Schutzmaßnahmen müssen deshalb auch auf Material-, Flächen- und Betriebsfolgen geprüft werden.

Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3–6 Quelle 20: Unlocking urban climate adaptation imaginaries, Fundstelle(n): Discussion

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Lernende Modelle unterstützen Gefahren- und Verlustschätzung sowie die Auswahl von Prüf- oder Anpassungsprioritäten. Ihre Aussage bleibt an Szenario, Horizont und Testbedingungen gebunden. Eine bedingte Langfristbetrachtung ist keine Vorhersage des nächsten konkreten Extremereignisses.

Quelle 9: Climate X FAQs, Fundstelle(n): FAQ: Verlustberechnung Quelle 19: Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport, Fundstelle(n): 3.1–3.5

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Klima-, Geo- und Bestandsdaten müssen mit Version, Maßstab und Herkunft zusammengeführt werden. Schnittstellen erleichtern den Austausch, ersetzen aber weder Lageprüfung noch die Pflege der Objektmerkmale. Diese Datenarbeit bestimmt wesentlich, ob Modelle zum Entscheidungszweck passen.

Quelle 3: ERA5-Land hourly data from 1950 to present, Fundstelle(n): Data description Quelle 8: A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors, Fundstelle(n): S.21–29 Quelle 9: Climate X FAQs, Fundstelle(n): FAQ: Schnittstellen

Verknüpftes Feld

BIM & Digitaler Zwilling

Bauwerks- und Stadtgeometrie verorten Exposition und Maßnahmen. Ein gepflegter Modellstand kann diese Verbindung unterstützen. Die im Pilot untersuchte 3D-Auswertung belegt jedoch nicht automatisch einen produktiven BIM-Zwilling mit fortlaufender Rückkopplung aus dem Betrieb.

Fachbegriffe und Detailthemen

Quellen und Evidenz zu Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
EU Mission: Adaptation to Climate Change
Herausgeber
Europäische Kommission
Publiziert
undatiert
Quellentyp
EU-Programmseite
Geltungsbereich
Zuständige Originalseite; verlässlich für Programmziele und Verweise, nicht für KI-Wirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Mission-Ziele; DocumentsTextstelle 6 Textstelle 7
Quelle 2
Copernicus Climate Change Service
Herausgeber
ECMWF / Europäische Union
Publiziert
undatiert
Quellentyp
Offizielles Datenportal
Geltungsbereich
Originalportal als Dateninfrastruktur; laufende Inhalte ohne einheitliches Publikationsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- DataTextstelle 6 Textstelle 7
Quelle 3
ERA5-Land hourly data from 1950 to present
Herausgeber
ECMWF / Copernicus Climate Data Store
Publiziert
12.07.2019
Quellentyp
Datensatzbeschreibung
Geltungsbereich
Original-Datensatzbeschreibung/DOI 10.24381/cds.e2161bac; ausschließlich Datenkontext, keine aktuelle KI-Leistungsquelle.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Overview; Data descriptionTextstelle 5
- Overview; Spatial resolution; Temporal coverageTextstelle 6 Textstelle 7
- Overview; Temporal coverageTextstelle 45
- Data descriptionTextstelle 56
Quelle 4
Deep learning enables city-wide climate projections of street-level heat stress
Herausgeber
Briegel, Schrodi, Sulzer, Brox, Pinto, Christen; Urban Climate 62, 102564
Publiziert
August 2025
Quellentyp
Begutachtete Studie, Originalauszüge
Geltungsbereich
Originaltext-Auszüge aus Abstract, Methoden und Ergebnissen lesbar; kompletter Direktabruf gescheitert. Angaben nur mit dieser Zugangsbeschränkung verwenden, keine vollständige Volltextprüfung behaupten.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abstract; 2.4.3–2.4.4; 3.1, zugängliche OriginalauszügeTextstelle 8 Textstelle 9
Quelle 5
Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning
Herausgeber
Hassan, Karapetyan, Chow, Madanat; arXiv:2510.26017v1
Publiziert
29.10.2025
Quellentyp
Original-Preprint
Geltungsbereich
Offener Original-Preprint mit Splits, Baselines und Modellbeschreibung; simulationsbasierte Validierung, keine unabhängige Feldreplikation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- 2.2–2.3; 4.1, Tabelle 2Textstelle 12 Textstelle 13
- 4.2.2; 5.1.5; Tabellen 4, 6, 7; Appendix H, Tabelle 16Textstelle 14 Textstelle 15
- 4.1–4.2; Appendix HTextstelle 39
- Tabellen 4 und 16Textstelle 53
Quelle 6
Contributions of geolocated weather and building related data for insurance assessment of flood risks
Herausgeber
Moriah, Vermet, Ailliot, Naveau, Legrand; arXiv:2603.02418v1
Publiziert
02.03.2026
Quellentyp
Original-Preprint
Geltungsbereich
Offener Original-Preprint und nachvollziehbare Modellspezifikation; proprietäre Versicherungsdaten, unklare räumlich/zeitlich gruppierte Testtrennung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- 2.1; 3.2Textstelle 5
- 2.1; 3.2; Tabellen 2 und 3; Grenzen der MerkmaleTextstelle 16 Textstelle 17
Quelle 7
The Impact of Internal Variability on Benchmarking Deep Learning Climate Emulators
Herausgeber
Lütjens et al.; Journal of Advances in Modeling Earth Systems
Publiziert
26.08.2025
Quellentyp
Begutachtete Vergleichsstudie
Geltungsbereich
Begutachteter Originalvolltext mit einfachen Vergleichsmodellen, offenem Code und kontrolliertem Ensemblevergleich; Klimaemulation, keine Objektwirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- Abstract; 2–3; DiskussionTextstelle 18 Textstelle 19
- Ergebnisse und DiskussionTextstelle 40 Textstelle 53
Quelle 8
A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors
Herausgeber
GARP Risk Institute / Climate Financial Risk Forum
Publiziert
23.10.2025
Quellentyp
Branchenübergreifender Anbietervergleich
Geltungsbereich
Original-Benchmark mit einheitlichem Portfolio und dokumentiertem Vergleich; unabhängig von einzelnen Vertriebsbehauptungen, aber keine beobachtete Schadenswahrheit.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (14 Textstellen)
- S.21–29Textstelle 3 Textstelle 39 Textstelle 56
- S.21–29; Lessons and checklistTextstelle 4
- S.5; S.21–22; S.27, Abbildung 22; S.29; ChecklisteTextstelle 20 Textstelle 21
- Lessons and checklistTextstelle 34 Textstelle 35 Textstelle 36 Textstelle 37 Textstelle 48 Textstelle 51 Textstelle 53
- S.34–39, Lessons and checklistTextstelle 44
Quelle 9
Climate X FAQs
Herausgeber
Climate X
Publiziert
undatiert
Quellentyp
Anbieter-FAQ
Geltungsbereich
Gelesene Anbieter-Methodenangaben; ML-Funktion und Schnittstellen, keine offen replizierbare Güteprüfung oder versionierte Modellkarte.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- FAQ: VerlustberechnungTextstelle 1 Textstelle 55
- FAQ: Hazard, Exposure, VulnerabilityTextstelle 2
- FAQ: Datenquellen; VerlustberechnungTextstelle 22 Textstelle 23
- FAQ: Verlustberechnung; SchnittstellenTextstelle 34 Textstelle 35
- FAQ: SchnittstellenTextstelle 56
Quelle 10
1. General information – UNIQA Group Report 2024
Herausgeber
UNIQA Insurance Group
Publiziert
2025
Quellentyp
Anwenderbericht
Geltungsbereich
Direkter Anwenderbericht zum Geschäftsjahr 2024; belastbar für eigene Nutzung, nicht unabhängig für Modellgüte. Tagesdatum nicht verifiziert.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- 1.6.2, Resilience analysisTextstelle 22 Textstelle 23
- 1.6.2Textstelle 38 Textstelle 41
Quelle 11
1. Allgemeine Angaben – UNIQA Konzernbericht 2025
Herausgeber
UNIQA Insurance Group
Publiziert
2026
Quellentyp
Anwenderbericht
Geltungsbereich
Deutscher Originalbericht vollständig zugänglich; eigene Nutzung und Ausweitung explizit, keine technische Ablation des KI-Anteils. Tagesdatum nicht verifiziert.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- 1.10.2, ResilienzanalyseTextstelle 3
- 1.10.2, Spectra und AusweitungTextstelle 22 Textstelle 23
- 1.10.2Textstelle 38 Textstelle 39 Textstelle 42 Textstelle 46 Textstelle 49
- 1.10.2, AusweitungTextstelle 41
Quelle 12
Strengthening Portfolio Climate Resilience: Aroundtown Launches Partnership With Climate X
Herausgeber
Climate X / Aroundtown
Publiziert
20.08.2026
Quellentyp
Anbieter-/Partnermitteilung
Geltungsbereich
Datierte gemeinsame Anwendungsmeldung; Kooperation und zugeschnittener Bericht, weder vollständiger Rollout noch Wirkungsprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Haupttext, Kooperation und BerichtTextstelle 26 Textstelle 27
Quelle 13
Science + Tech
Herausgeber
Mitiga Solutions
Publiziert
undatiert
Quellentyp
Technische Anbieterbeschreibung
Geltungsbereich
Technik-Selbstdarstellung nennt Transferlernen, Computer Vision und hybride Verfahren; konkrete Kundenversion und unabhängige Validation fehlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- How we do it; Pioneering approachesTextstelle 24 Textstelle 25
Quelle 14
How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding
Herausgeber
Mitiga Solutions
Publiziert
09.10.2025
Quellentyp
Anbieterfallstudie
Geltungsbereich
Benannter Kunde, Größenordnung, Arbeitsablauf und Maßnahmen; Anbieterfallstudie, keine unabhängige Schaden- oder Abnahmeprüfung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- What they did with EarthScan, Use case 1–3Textstelle 24 Textstelle 25
- Use case 1–3Textstelle 41
- Use case 3Textstelle 42 Textstelle 49
- Use case 2Textstelle 46 Textstelle 51
Quelle 15
How Créfinance is helping Belgian homeowners plan for climate resilience
Herausgeber
Mitiga Solutions
Publiziert
08.04.2025
Quellentyp
Anbieterfallstudie
Geltungsbereich
Benannte wiederholte Beratungsanwendung, Umfang der tatsächlich beratenen Objekte unbekannt; Eigenangabe.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- What Créfinance did; Use case 1Textstelle 26 Textstelle 27
Quelle 16
How Fengate uses EarthScan to integrate climate risk into long-term infrastructure planning
Herausgeber
Mitiga Solutions
Publiziert
01.07.2025
Quellentyp
Anbieterfallstudie
Geltungsbereich
Datierter Rückblick auf Nutzung seit 2023; Anbieter-/Kundenaussagen, keine unabhängige Nutzenmessung. Keine Verwendung alter Nutzungsdaten als aktueller Fortschritt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- What they did with EarthScanTextstelle 26 Textstelle 27 Textstelle 36 Textstelle 37
Quelle 17
Nachhaltigkeitsbericht der Universität Freiburg 2025
Herausgeber
Albert-Ludwigs-Universität Freiburg
Publiziert
2025
Quellentyp
Institutioneller Projektbericht
Geltungsbereich
Institutioneller Originalbericht S.41 mit eigener Projektbilanz. Historischer Pilot im Zeitraum 2021–2024; Planspieldatum und Softwareversion offen, kein neuer Marktbeleg.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Gedruckte S.41 / PDF-Seite 41, Intelligente Klimaanpassung für StädteTextstelle 10 Textstelle 11
- S.41Textstelle 38 Textstelle 43 Textstelle 50 Textstelle 52 Textstelle 57
Quelle 18
Generalist-specialist transfer learning for cross-city spatial generalization in pluvial flood prediction
Herausgeber
Zhufeng Li, Zeyu Fu, Guangtao Fu; Water Research, DOI 10.1016/j.watres.2026.126650
Publiziert
06.08.2026
Quellentyp
Originalabstract
Geltungsbereich
Originalabstract und Metadaten über PubMed gelesen; Volltext nicht erreichbar. Aussageumfang auf Abstract begrenzt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Originalabstract; PublikationsmetadatenTextstelle 28 Textstelle 29
- OriginalabstractTextstelle 40
Quelle 19
Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport
Herausgeber
Costa et al.; DTU et al.; arXiv:2603.06278v1
Publiziert
06.03.2026
Quellentyp
Original-Preprint
Geltungsbereich
Offener Original-Preprint mit Integrationskette und kontrollierten Simulationsläufen; ein Stadtsystem, keine reale Maßnahmenbewertung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (22 Textstellen)
- 3.1–3.5Textstelle 1 Textstelle 2 Textstelle 55 Textstelle 57
- 5–6Textstelle 3
- 3.1–3.5; 6.3Textstelle 4
- 3.1; 6.3Textstelle 5
- 3.1–3.5; 5.1–5.2; 6.3Textstelle 30 Textstelle 31
- 3–6Textstelle 34 Textstelle 35 Textstelle 40 Textstelle 48 Textstelle 50 Textstelle 54
- 6.3Textstelle 36 Textstelle 37 Textstelle 38 Textstelle 39
- 3.5; 5–6Textstelle 43
- 3.1Textstelle 45
- 6.2–6.3Textstelle 47
Quelle 20
Unlocking urban climate adaptation imaginaries
Herausgeber
Loroño-Leturiondo et al.; Nature Cities 2, 1217–1225
Publiziert
05.12.2025
Quellentyp
Begutachtete sozialwissenschaftliche Studie
Geltungsbereich
Begutachtete offene Originalstudie mit dokumentierter Q-Methode; soziale Perspektiven, kein KI-Gütebenchmark.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Results; DiscussionTextstelle 2 Textstelle 47
- Methods; Results; DiscussionTextstelle 32 Textstelle 33
- Methods; DiscussionTextstelle 52
- DiscussionTextstelle 54
Quelle 21
Städte fit machen für die Hitze
Herausgeber
Karlsruher Institut für Technologie; Brigitte Stahl-Busse
Publiziert
09.10.2025
Quellentyp
Institutioneller Forschungsbericht
Geltungsbereich
Institutioneller Forschungsbericht, kein unabhängiger Leistungsnachweis. Publikation 09.10.2025 von Seitenänderung 06.05.2026 getrennt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Freiburg als ModellstadtTextstelle 8 Textstelle 9
- Grünflächen gezielt einsetzen; Fördern statt verbietenTextstelle 32 Textstelle 33
- Fördern statt verbietenTextstelle 36 Textstelle 37 Textstelle 52
Quelle 22
HyFlood: A surrogate-model-based framework for compound coastal flooding
Herausgeber
Ricondo et al.; USGS / Coastal Engineering; DOI 10.1016/j.coastaleng.2026.105124
Publiziert
25.07.2026
Quellentyp
Originalabstract / Publikationseintrag
Geltungsbereich
Originalabstract und institutioneller Publikationseintrag gelesen; Volltextabruf gescheitert, daher keine detaillierten Fehlermetriken übernommen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Originalabstract; Publication detailsTextstelle 28 Textstelle 29

Alle Impulse im Radar entdecken

Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur

Um was geht es bei Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur?

Einordnung im Impulsradar

Von der Gefahrenkarte zur begründeten Anpassungsentscheidung

Worauf es bei Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur relevant ist

Für welche Bauprozesse Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur relevant ist

Bauherren und Auftraggeber

Projektentwickler und Investoren

Architektur-, Ingenieur- und Planungsbüros

Betreiber, Facility- und Asset-Management

Öffentliche Hand, Kommunen und Vergabestellen

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur verknüpft ist

Nachhaltigkeit & ESG

Predictive Analytics & Entscheidungen

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur

Quellen und Evidenz zu Klimarisiko- und Resilienzintelligenz für Gebäude, Quartiere und Infrastruktur

EU Mission: Adaptation to Climate Change

Copernicus Climate Change Service

ERA5-Land hourly data from 1950 to present

Deep learning enables city-wide climate projections of street-level heat stress

Climate Adaptation-Aware Flood Prediction for Coastal Cities Using Deep Learning

Contributions of geolocated weather and building related data for insurance assessment of flood risks

The Impact of Internal Variability on Benchmarking Deep Learning Climate Emulators

A Risk Professional’s Guide to Physical Risk Assessments: A Benchmarking Study of Climate Risk Vendors

Climate X FAQs

1. General information – UNIQA Group Report 2024

1. Allgemeine Angaben – UNIQA Konzernbericht 2025

Strengthening Portfolio Climate Resilience: Aroundtown Launches Partnership With Climate X

Science + Tech

How Capital Dynamics uses EarthScan to safeguard energy infrastructure from climate-induced flooding

How Créfinance is helping Belgian homeowners plan for climate resilience

How Fengate uses EarthScan to integrate climate risk into long-term infrastructure planning

Nachhaltigkeitsbericht der Universität Freiburg 2025

Generalist-specialist transfer learning for cross-city spatial generalization in pluvial flood prediction

Artificial Intelligence for Climate Adaptation: Using Reinforcement Learning for Climate Change-Resilient Transport

Unlocking urban climate adaptation imaginaries