Monatsdaten laden

Hier stehen die Daten des DWD bereit – die bereits im Vorpost aufbereitete CSV mit Monatsmitteln je Bundesland wird direkt von GitHub nachgeladen:

wetterdaten_monat <- read_csv(
  "https://raw.githubusercontent.com/sebastiansauer/data_se/refs/heads/master/content/post/2026-08-14-wetterdaten-des-dwd-aufbereiten/wetterdaten_monat.csv",
  show_col_types = FALSE
)

Datenquelle: Deutscher Wetterdienst (DWD), Climate Data Center, opendata.dwd.de, Lizenz: CC BY 4.0

Referenzmittel berechnen

Berechnen wir die Temperatur und Niederschlag für den Sommer 2026 (Juni, Juli) - im Vergleich zu einem langjährigen Referenzwert. Zuerst nur die Zeilen für Deutschland insgesamt behalten und die Referenzperiode festlegen.

deutschland_monat <- wetterdaten_monat |>
  filter(region == "Deutschland")

ref_start <- 1991
ref_end   <- 2020

Referenzmittel je Monat berechnen, gemittelt über die WMO-Normalperiode 1991–2020.

klimatologie_monat <- deutschland_monat |>
  filter(year >= ref_start, year <= ref_end) |>
  group_by(month) |>
  summarise(
    temp_ref   = mean(temp, na.rm = TRUE),
    precip_ref = mean(precip, na.rm = TRUE),
    .groups = "drop"
  )

Sommer 2026 vs. Referenzmittel

Sommer 2026 herausfiltern und dem Referenzmittel gegenüberstellen.

sommer_2026 <- deutschland_monat |>
  filter(year == 2026, month %in% 6:8) |>
  left_join(klimatologie_monat, by = "month") |>
  mutate(
    temp_abw   = temp - temp_ref,  # Abweichung vom Referenzmittel
    monatsname = month.name[month]
  )

Als Tabelle:

sommer_2026 |>
  select(monatsname, temp, temp_ref, temp_abw, precip, precip_ref) |>
  tt() |>
  format_tt(digits = 2)

Temperaturverlauf im Plot

Zunächst die Sommermitteltemperatur je Jahr berechnen.

sommer_temp_jahr <- deutschland_monat |>
  filter(month %in% 6:8) |>
  group_by(year) |>
  summarise(sommer_temp = mean(temp, na.rm = TRUE), .groups = "drop")

Im Jahresverlauf geplottet, der aktuelle Sommer (2026) ist farbig markiert, dazu ein dezenter geglätteter Trend (geom_smooth(), ohne Konfidenzband, dünn und grau, damit er die Datenpunkte nicht überdeckt).

sommer_temp_jahr |>
  ggplot(aes(x = year, y = sommer_temp)) +
  geom_line(color = "grey60") +
  geom_smooth(se = FALSE, color = "grey30", linewidth = 0.7) +
  geom_point(aes(color = year == 2026), size = 4) +
  scale_color_manual(values = c(`TRUE` = "firebrick", `FALSE` = "grey40"), guide = "none") +
  labs(
    title = "Sommermitteltemperatur (Jun-Aug) Deutschland",
    x = NULL, y = "Temperatur (°C)"
  )

Hinweis: Der Wert für 2026 basiert auf den bislang verfügbaren Monatsdaten (Juni + Juli), der August ist beim DWD auf Monatsebene noch nicht veröffentlicht. Er liegt schon jetzt auf dem Niveau der bisherigen Rekordsommer.

Kandidaten ermitteln

data("metaIndex") # Stellt Infos zu den Messtationen bereit (z.B. Lage der Messstation)

kandidaten <- metaIndex |>
  filter(res == "daily", var == "kl", per == "recent", hasfile) |>
  distinct(Stations_id, Bundesland, von_datum) |>
  arrange(Bundesland, von_datum) |>
  group_by(Bundesland) |>
  slice_head(n = 5) |>
  summarise(ids = list(Stations_id), .groups = "drop")

Hilfsfunktion: Station laden

Hilfsfunktion, die die Tageswerte einer einzelnen Station herunterlädt und einliest.

lade_station <- function(id) {
  link <- selectDWD(id = id, res = "daily", var = "kl", per = "recent")
  file <- dataDWD(link, read = FALSE, dir = tempdir(), quiet = TRUE)
  readDWD(file, varnames = FALSE) |>
    as_tibble() |>
    transmute(
      Stations_id = STATIONS_ID,
      Datum = MESS_DATUM,
      TXK, TNK, TMK, RSK
    )
}

Hilfsfunktion: beste Station wählen

Hilfsfunktion, die die Kandidaten der Reihe nach durchprobiert und die erste brauchbare Station zurückgibt: die erste, bei der in den letzten 90 Tagen mehr als 80 % der Tagesmaxima (TXK) tatsächlich vorhanden sind.

waehle_station <- function(ids) {
  for (id in ids) {
    df <- tryCatch(lade_station(id), error = function(e) NULL)
    if (is.null(df) || nrow(df) == 0) next
    letzte_90 <- df |> filter(Datum >= max(Datum) - 90)
    if (mean(!is.na(letzte_90$TXK)) > 0.8) return(df)
  }
  NULL
}

Stationsdaten zusammenstellen

Für jedes Bundesland wird jetzt tatsächlich eine Station geladen.

stationsdaten <- kandidaten |>
  mutate(daten = map(ids, waehle_station)) |>
  select(-ids) |>
  unnest(daten)

Hinweis:

“kl” steht für Klimatageswerte – das ist der DWD-interne Kürzel für den Datensatz mit den kombinierten täglichen Klimastationswerten (Temperatur, Niederschlag, Sonnenschein, Wind, Luftdruck etc. in einer Datei je Station).

Aus den 16 gewählten Stationen wird nun je Tag ein einfaches bundesweites Mittel gebildet (ungewichtete Mittelung über die Stationen) und auf den Zeitraum ab Sommer 2025 zugeschnitten – das reicht für den Vergleich Sommer 2025 vs. 2026 weiter unten.

Bundesweites Tagesmittel

deutschland_tag <- stationsdaten |>
  group_by(Datum) |>
  summarise(
    TXK = mean(TXK, na.rm = TRUE),
    TNK = mean(TNK, na.rm = TRUE),
    TMK = mean(TMK, na.rm = TRUE),
    RSK = mean(RSK, na.rm = TRUE),
    .groups = "drop"
  )

deutschland_tag |> 
  head() |> 
  tt()

Zeitraum zuschneiden

Zeitraum ab Sommer 2025 zuschneiden – das reicht für den Vergleich Sommer 2025 vs. 2026 weiter unten.

sommer_tage <- deutschland_tag |>
  filter(Datum >= as.Date("2025-06-01"))

Hilfsfunktion: Länge einer Hitzewelle

Hilfsfunktion für die längste zusammenhängende Hitzewelle: rle() (“run-length encoding”) zählt Längen zusammenhängender TRUE/FALSE-Serien – hier die längste Serie aufeinanderfolgender Hitzetage (TXK ≥ Schwelle).

hitzewelle_laenge <- function(txk, schwelle = 30) {
  ist_heiss <- !is.na(txk) & txk >= schwelle
  laengen <- rle(ist_heiss)
  max(c(0, laengen$lengths[laengen$values]))
}

Hitzetage und Hitzewellen je Sommer

Daten je Sommer, sowie die längste zusammenhängende Hitzewelle (aufeinanderfolgende Hitzetage):

sommer_tage |>
  mutate(jahr = year(Datum), monat = month(Datum)) |>
  filter(monat %in% 6:8) |>
  group_by(jahr) |>
  summarise(
    hitzetage       = sum(TXK >= 30, na.rm = TRUE),
    tropennaechte    = sum(TNK >= 20, na.rm = TRUE),
    laengste_hitzewelle = hitzewelle_laenge(TXK[order(monat)]),
    .groups = "drop"
  ) |>
  tt() |>
  format_tt(digits = 1)

Tagesmaxima im Vergleich

Die Tagesmaxima beider Sommer im direkten Vergleich, ausgerichtet auf den Tag im Jahr (Sommer 2025 vs. 2026 an derselben x-Position), dazu je Jahr ein dezenter geglätteter Trend (gestrichelt, dünn, ohne Konfidenzband).

sommer_tage |>
  filter(month(Datum) %in% 6:8) |>
  ggplot(aes(x = yday(Datum), y = TXK, color = factor(year(Datum)))) +
  geom_hline(yintercept = 30, linetype = "dashed", color = "firebrick") +
  geom_line(alpha = 0.5) +
  geom_smooth(se = FALSE, linewidth = 0.8, linetype = "solid") +
  labs(
    title = "Tagesmaximaltemperatur Deutschland, Sommer 2025 vs. 2026",
    subtitle = "Gestrichelte Linie: Hitzetag-Schwelle (30 °C)",
    x = "Tag im Jahr", y = "Tagesmaximum (°C)", color = "Jahr"
  )

Da der Sommer 2026 zum Zeitpunkt dieser Auswertung (15.08.) noch nicht vorbei ist, sind die Werte für 2026 bislang nur bis Mitte August gezählt – die Vergleichszahlen für 2025 sind entsprechend vollständiger.

Historische Tagesdaten laden

Dieselben 16 Stationen wie oben, aber diesmal die historical-Dateien.

ausgewaehlte_ids <- unique(stationsdaten$Stations_id)

lade_historisch <- function(id) {
  link <- selectDWD(id = id, res = "daily", var = "kl", per = "historical")
  file <- dataDWD(link, read = FALSE, dir = tempdir(), quiet = TRUE)
  readDWD(file, varnames = FALSE) |>
    as_tibble() |>
    transmute(
      Stations_id = STATIONS_ID,
      Datum = MESS_DATUM,
      TXK, TNK, TMK
    )
}

Für jede Station laden – falls eine Station keine historical-Datei hat, wird sie via tryCatch() einfach übersprungen statt den ganzen Chunk abzubrechen.

historisch <- map_dfr(ausgewaehlte_ids, function(id) {
  tryCatch(lade_historisch(id), error = function(e) NULL)
})

Daraus wieder ein bundesweites Tagesmittel bilden – diesmal über die komplette historische Zeitreihe.

deutschland_hist_tag <- historisch |>
  group_by(Datum) |>
  summarise(
    TXK = mean(TXK, na.rm = TRUE),
    TNK = mean(TNK, na.rm = TRUE),
    TMK = mean(TMK, na.rm = TRUE),
    .groups = "drop"
  )

Referenzwert berechnen

Referenzperiode und Fenstergröße festlegen, dann alle Tage der Referenzperiode mit ihrem Tag-des-Jahres (doy) versehen.

ref_start_tag <- 1991
ref_end_tag   <- 2020
fenster       <- 5  # Tage vor/nach dem Zieltag

hist_ref <- deutschland_hist_tag |>
  filter(year(Datum) >= ref_start_tag, year(Datum) <= ref_end_tag) |>
  mutate(doy = yday(Datum))

Die Funktion, die für einen Zieltag den geglätteten Referenzwert berechnet (Details siehe Methodik oben).

klimatologie_tag <- function(doy_ziel) {
  diff <- abs(hist_ref$doy - doy_ziel)
  diff <- pmin(diff, 366 - diff)  # zirkulaer um den Jahreswechsel
  sel  <- hist_ref[diff <= fenster, ]
  tibble(
    doy     = doy_ziel,
    TXK_ref = mean(sel$TXK, na.rm = TRUE),
    TNK_ref = mean(sel$TNK, na.rm = TRUE),
    TMK_ref = mean(sel$TMK, na.rm = TRUE)
  )
}

Referenzwert für jeden vorkommenden Tag des Sommers 2026 berechnen.

sommer_2026_tag <- deutschland_tag |>
  filter(year(Datum) == 2026, month(Datum) %in% 6:8) |>
  mutate(doy = yday(Datum))

klimatologie_sommer <- map_dfr(unique(sommer_2026_tag$doy), klimatologie_tag)

Referenzwerte anfügen und die Abweichung berechnen.

sommer_2026_tag <- sommer_2026_tag |>
  left_join(klimatologie_sommer, by = "doy") |>
  mutate(
    TXK_abw = TXK - TXK_ref,
    TNK_abw = TNK - TNK_ref,
    TMK_abw = TMK - TMK_ref
  )

Vergleich: 2026 vs. langjähriges Mittel

Variante der Hitzewellen-Grafik von oben: statt Sommer 2025 vs. 2026 hier 2026 direkt gegen den geglätteten langjährigen Referenzwert (1991-2020, siehe Methodik oben) – dieselben Tagesmaxima, nur mit dem langfristigen Mittel statt dem Vorjahr als Vergleichslinie.

klimatologie_vergleich <- sommer_2026_tag |>
  select(Datum, TXK, TXK_ref) |>
  pivot_longer(cols = c(TXK, TXK_ref), names_to = "reihe", values_to = "temperatur") |>
  mutate(reihe = recode(reihe,
    TXK     = "2026 (tatsächlich)",
    TXK_ref = "Referenzmittel 1991-2020"
  ))

klimatologie_vergleich |>
  ggplot(aes(x = Datum, y = temperatur, color = reihe)) +
  geom_hline(yintercept = 30, linetype = "dashed", color = "grey50") +
  geom_line(linewidth = 0.9) +
  scale_color_manual(values = c(
    "2026 (tatsächlich)"       = "firebrick",
    "Referenzmittel 1991-2020" = "grey40"
  )) +
  labs(
    title = "Tagesmaximaltemperatur 2026 vs. langjähriger Referenzwert",
    subtitle = "Gestrichelte Linie: Hitzetag-Schwelle (30 °C)",
    x = NULL, y = "Tagesmaximum (°C)", color = NULL
  )

Tägliche Abweichung als Balkendiagramm

Als Balkendiagramm über den Sommer: positive Abweichungen (rot) vs. negative (blau), Tag für Tag, dazu ein dezenter geglätteter Gesamttrend (aes(group = 1), damit die Glättung nicht durch die rot/blau-Einfärbung der Balken in zwei Gruppen zerfällt).

sommer_2026_tag |>
  ggplot(aes(x = Datum, y = TMK_abw, fill = TMK_abw > 0)) +
  geom_col() +
  geom_smooth(aes(group = 1), se = FALSE, color = "grey20", linewidth = 0.7) +
  scale_fill_manual(values = c(`TRUE` = "firebrick", `FALSE` = "steelblue"), guide = "none") +
  labs(
    title = "Tagesmitteltemperatur 2026 vs. Referenzwert 1991-2020",
    subtitle = "Abweichung je Tag, geglättet mit ±5-Tage-Fenster um den Kalendertag",
    x = NULL, y = "Abweichung (°C)"
  )

Kalenderdaten aufbereiten

Wochentags-Kürzel auf Deutsch, sowie Monat, Tagesnummer und Wochentag je Datum ableiten.

wochentag_de <- c("Mo", "Di", "Mi", "Do", "Fr", "Sa", "So")

kalender_daten <- sommer_2026_tag |>
  mutate(
    monat     = factor(month(Datum), levels = 6:8, labels = c("Juni", "Juli", "August")),
    tag       = day(Datum),
    wd_num    = wday(Datum, week_start = 1),  # 1 = Montag ... 7 = Sonntag
    wochentag = factor(wochentag_de[wd_num], levels = wochentag_de)
  )

Zusätzlich die Position im Kalenderraster berechnen: in welcher Zeile (Woche) des Monats der jeweilige Tag steht.

kalender_daten <- kalender_daten |>
  mutate(
    # Wochentag, mit dem der Monat beginnt (noetig, um die Kalenderzeile
    # des 1. Tags korrekt einzuruecken)
    monatsbeginn_wd = wday(floor_date(Datum, "month"), week_start = 1),
    # Woche im Monat: Tag + Verschiebung durch den Monatsbeginn, durch
    # 7 geteilt und aufgerundet -> 1. Kalenderzeile, 2. Kalenderzeile, ...
    kw_monat = ceiling((tag + monatsbeginn_wd - 1) / 7)
  )

Kalenderdiagramm

Die Kacheln selbst: eine Kachel je Tag, eingefärbt nach Abweichung.

kalender_plot <- ggplot(kalender_daten, aes(x = wochentag, y = -kw_monat, fill = TMK_abw)) +
  geom_tile(color = "white", linewidth = 0.6) +
  geom_text(aes(label = tag), size = 3, color = "grey20") +
  scale_fill_gradient2(
    low = "steelblue", mid = "grey95", high = "firebrick",
    midpoint = 0, name = "Abweichung\n(°C)"
  )

Je Monat eine eigene Kalenderfläche (facet_wrap), Achsenbeschriftung und Gitter für die Kalenderoptik ausgeblendet.

kalender_plot +
  facet_wrap(~monat, ncol = 1, scales = "free_y") +
  labs(
    title = "Kalenderansicht: Tagesmitteltemperatur 2026 vs. Referenzwert 1991-2020",
    x = NULL, y = NULL
  ) +
  theme_minimal(base_size = 12) +
  theme(
    axis.text.y  = element_blank(),
    axis.ticks.y = element_blank(),
    panel.grid   = element_blank(),
    strip.text   = element_text(face = "bold")
  )