Wirbelschleppe: ML macht dynamische Staffelung auf Basis echter Wirbelzerfallsdaten möglich

Das echte Ausmaß des Problems

Jede Landung erzeugt ein Paar gegenläufiger Wirbelschleppen hinter dem Flugzeug — Rolls mit Zirkulationsgeschwindigkeiten bis zu 50 m/s beim A380. Diese Wirbel können nachfolgende Flugzeuge zu unkontrollierten Rollbewegungen zwingen: eine Gefahr, die 1970 nach mehreren Unfällen dazu führte, dass ICAO in Doc 4444 (PANS-ATM) verbindliche Staffelungsminima festschrieb.

Das Problem: Diese Minima wurden für die schlechtestmögliche Bedingung designed — Windstille, maximale atmosphärische Stabilität, keine Turbulenz. In dieser Situation kann eine schwere Wirbelschleppe bis zu 2,5 Minuten im Anflugpfad verharren. Unter normalen meteorologischen Bedingungen — Crosswind, Bodenturbulenz, atmosphärische Instabilität — zerfällt dieselbe Schleppe in 30 bis 80 Sekunden.

Die Konsequenz: Fluglotsen wenden täglich eine Worst-Case-Staffelung auf Situationen an, die in 80 Prozent der Fälle keine solche Staffelung erfordern würden. An einem Flughafen wie Frankfurt mit rund 1.400 Bewegungen täglich in der Spitzensaison entstehen so strukturell 15–25 Minuten zusätzliche Warteschleifenzeit pro Peak-Stunde — komprimiert in die nachmittäglichen Spitzenzeiten.

Die Verzögerungskosten sind präzise messbar: Die Eurocontrol Standard Inputs for Economic Analysis (Edition 10.0, Mai 2024) weisen durchschnittlich 206 Euro pro Minute an Kosten für Anflugverzögerungen aus — einschließlich Netzwerkeffekten (Reaktionsverspätungen). Das Delay-Kumulationsrisiko an Slot-gesättigten Flughäfen multipliziert diesen Wert.

Die RECAT-EU-Forschung von Eurocontrol — entwickelt auf Basis von über 100.000 Flugzeugspuren, gemessen über zwei Jahre an Heathrow und Paris CDG — hat gezeigt, dass die ICAO-Kategorien zu grob und zu konservativ sind. Die Einführung von sechs präziseren Kategorien (statt der ursprünglichen vier) erlaubt an einigen Flughäfen bereits heute reduzierte statische Abstände. Aber auch RECAT-EU ist statisch: Es berücksichtigt immer noch keine Echtzeit-Meteorologie.

Der nächste Schritt ist Machine Learning: ein Vorhersagemodell, das aus echten LIDAR-Messungen lernt, wann eine konkrete Wirbelschleppe unter aktuellen atmosphärischen Bedingungen tatsächlich zerfallen ist — und das diese Vorhersage in Echtzeit liefert.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die NATS-Implementierung von eTBS (Enhanced Time-Based Separation) an Heathrow, seit Winter 2017/18 im Betrieb, liefert die bislang belastbarsten Praxisdaten: In den ersten vier Betriebsmonaten wurden durchschnittlich 1,4 zusätzliche Landungen pro Stunde unter normalen Wetterbedingungen erreicht, bei starkem Gegenwind sogar 2,6 — das entspricht der Verlängerung des produktiven Betriebstages um rund 30 Minuten. Die Kombination aus RECAT-EU und eTBS soll laut NATS langfristig mindestens je eine zusätzliche Ankunft und ein zusätzliches Abflug pro Stunde ermöglichen.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) Der Effekt entsteht nicht als direkte Arbeitszeitersparnis für Lotsen, sondern als Kapazitätsgewinn in Spitzenstunden — 3–6 Bewegungen pro Stunde mehr bedeuten weniger Warteschleifen, kürzere Bodenstandzeiten und weniger ATFM-Verzögerungen. Für die Luftfahrtbranche ist das ein erheblicher Zeitgewinn je Flug, aber er ist indirekt und verteilt sich auf Airlines, Passagiere und nachgelagerte Rotationspläne. Unter den verglichenen Anwendungsfällen liegt Zeitersparnis damit im Mittelfeld: stärker als beim Missionsrisiko-Szenario-Simulator, schwächer als bei direkten Prozessbeschleunigern wie KI-Wartungsdokumentation.

Kosteneinsparung — hoch (4/5) Bei 206 Euro pro Minute Anflugverzögerung und tausenden Operationen jährlich ist das finanzielle Potenzial groß — eines der stärksten Kosteneinspar-Profile im Branch. Die Einsparung ist messbar und direkt auf eine bekannte Kostengröße zurückführbar. Der Wert ist 4 und nicht 5, weil die Realisierung von regulatorischer Freigabe abhängt und somit nicht sofort eintritt.

Schnelle Umsetzung — sehr gering (1/5) Kein anderer Anwendungsfall in diesem Branch erfordert eine tiefere Vorab-Infrastruktur: LIDAR-Hardware je Runway, Echtzeit-Meteorologie, ATM-Integration, und ein EASA-Safety-Case-Prozess nach Regulation EU 2017/373. Die realistischen Projektlaufzeiten liegen bei 18–36 Monaten von Konzept bis Produktivbetrieb — und das nur bei Flughäfen, die schon in der SESAR-Infrastruktur stecken. Score 1/5 ist hier nicht pessimistisch, sondern ehrlich.

ROI-Sicherheit — mittel (3/5) Die technischen Validierungsergebnisse sind überzeugend — DLR hat in Frankfurt 3 % Kapazitätsgewinn bei 75 % Anwendbarkeit nachgewiesen, NATS zeigt 1,4+ Zusatzlandungen/Stunde an Heathrow. Das ROI-Modell ist solide. Was die Sicherheit auf 3 drückt: zwischen Studienergebnis und tatsächlicher betrieblicher Freigabe liegt ein mehrjähriger Safety-Case-Prozess, und politische/infrastrukturelle Abhängigkeiten (Slot-Koordinierung, Airline-Kooperation) machen den endgültigen Realisierungshorizont schwer vorhersagbar.

Skalierbarkeit — hoch (4/5) Der technische Ansatz — physikalisch-informiertes ML auf LIDAR-Daten mit lokalen meteorologischen Korrekturfaktoren — ist replizierbar auf jeden Flughafen mit geeigneter Sensor-Infrastruktur. RECAT-EU ist bereits an Paris CDG, Heathrow, Wien und Barcelona in Betrieb; SESAR-Lösungen für wetterabhängige dynamische Staffelung sind als Standard-Baustein spezifiziert. Einschränkung gegenüber 5/5: Jeder Standort braucht ein lokal kalibriertes Modell — der meteorologische Fingerabdruck eines Flughafens ist einzigartig, Transfer von Frankfurt nach München funktioniert nicht ohne Nachtraining auf lokalen Daten.

Richtwerte — stark abhängig von Flughafengröße, bestehender ATM-Infrastruktur und Regulierungskontext.

Wirbelzerfalls-Physik: Was das Modell wirklich lernt

Bevor ein ML-Modell zur dynamischen Staffelung in Betrieb geht, muss verstanden werden, was es tatsächlich vorhersagen soll — und warum das Problem schwieriger ist als es aussieht.

Eine Wirbelschleppe besteht aus zwei gegenläufigen, röhrenförmigen Luftmassen mit einem Kern-Druckgefälle. Die kritische Größe ist die Wirbelzirkulation Γ (Gamma), gemessen in m²/s. Der Γ-Wert direkt nach der Entstehung hängt von Flugzeuggewicht, Spannweite und Fluggeschwindigkeit ab — das ist berechenbar. Was das Modell lernen muss, ist der Zerfallspfad:

• Crow-Instabilität: Zwei parallele Wirbelröhren induzieren sich gegenseitig eine sinusförmige Deformation. Wenn die atmosphärische Turbulenz diesen Eigenfrequenz-Modus anregt, beschleunigt sich der Zerfall dramatisch. Turbulente Atmosphären zerstören Wirbelschleppen in Sekunden, stabile Schichtungen halten sie Minuten am Leben.
• Crosswind-Transport: Seitenwind von mehr als 3 m/s trägt die Wirbelröhre lateral aus dem Anflugpfad heraus — selbst wenn sie noch nicht zerfallen ist, ist der Pfad frei. Das LIDAR misst in Echtzeit, ob eine Schleppe aus dem Korridor getrieben wurde.
• Bodeneffekt: In Bodennähe (unter ~100 m AGL) beginnen die Wirbelröhren auseinanderzudriften. Crosswind-Einfluss und Bodenreibung beschleunigen den Zerfall. Dieser Bereich ist sicherheitskritisch — hier entscheidet sich, ob die Schleppe noch im Aufsetzpunkt hängt.
• Atmosphärische Schichtung: Eine neutrale oder instabile Schichtung (tagsüber, sonnig) fördert Turbulenz und beschleunigt den Zerfall. Eine stabile Temperaturinversion (morgens, nachts) konserviert Wirbel — die gefährlichste Situation.

Das Machine-Learning-Modell lernt aus LIDAR-gemessenen Γ-Verläufen historischer Landungen in Kombination mit gleichzeitig erfassten meteorologischen Profilen (Windscherung, Turbulenzintensität, Brunt-Väisälä-Frequenz als Stabilitätsmaß), für welche Parameterkombinationen der Wirbel wie schnell unter die Sicherheitsschwelle abfällt. Predictive Analytics nutzt diese Muster dann für Echtzeit-Empfehlungen.

Das ist der Grund, warum ein einfaches Regressionsmodell nicht ausreicht: Die Zerfallsdynamik hat starke nichtlineare Abhängigkeiten (besonders den Übergang von laminar zu turbulent) und enthält hochfrequente Störungen. DLR und aktuelle Forschungsgruppen setzen auf physikalisch informierte neuronale Netze (PINN): Der Netzwerkarchitektur werden die bekannten Transportgleichungen für Wirbelschleppen als Nebenbedingungen eingebaut, damit das Modell physikalisch konsistente Vorhersagen macht — auch für Parameterkombinationen, für die wenig Trainingsdaten existieren.

Konkrete Werkzeuge — was wann passt

Dieses Anwendungsfeld ist kein Produkt-von-der-Stange: Kein Anbieter verkauft heute ein schlüsselfertiges „ML-Wirbelschleppen-Vorhersagesystem”. Das System entsteht aus mehreren Komponenten, die integriert werden müssen.

Vaisala WindCube Scan for Aviation — LIDAR-Infrastruktur Das pulsierende Doppler-LIDAR von Vaisala (nach Übernahme von Leosphere, abgeschlossen Februar 2025) ist der De-facto-Standard für bodengebundene Wirbelschleppen-Messung an Großflughäfen. Mehr als 60 Flughäfen weltweit nutzen WindCube-Systeme für Windscherungswarnung und Wirbeltracking. Das System liefert alle 5 Sekunden Windvektoren und Wirbelkernpositionen entlang des Anflugpfads — das sind die Rohdaten, die das ML-Modell braucht. Investitionskosten: 200.000–500.000 EUR pro Einheit, je nach Scan-Konfiguration.

Azure Machine Learning oder Amazon SageMaker — ML-Plattform Für Training und Deployment des Vorhersagemodells eignen sich beide großen Cloud-ML-Plattformen. Azure ML mit der Germany West Central Region (DSGVO-konform) ist besonders relevant für europäische Flughafenbetreiber, die eine regulatorisch saubere Datenhaltung nachweisen müssen. AWS SageMaker in Frankfurt (eu-central-1) ist vergleichbar. Beide Plattformen bieten Modell-Registries, Monitoring-Dashboards und automatische Retraining-Pipelines — Voraussetzungen für den produktiven Betrieb. Monatliche Infrastrukturkosten: 500–3.000 EUR je nach Datendurchsatz und Inference-Frequenz.

TensorFlow / PyTorch — Modellentwicklung DLR und aktuelle SESAR-Forschungsgruppen setzen bei PINN-Implementierungen hauptsächlich auf Python-basierte Deep Learning-Frameworks. TensorFlow eignet sich gut für Produktionsdeployment mit TensorFlow Serving; PyTorch ist bei Forschungsprototypen flexibler. Für diesen Anwendungsfall entscheidend: Beide Frameworks erlauben physikalische Nebenbedingungen als Custom Loss Functions, was die PINN-Architektur erst möglich macht.

MLflow — Experiment Tracking und Model Registry In einem mehrstufigen Validierungsprozess für EASA-Zertifizierung ist nachvollziehbares Experiment Tracking nicht optional. MLflow dokumentiert automatisch alle Modellversionen, Hyperparameter, Validierungsmetriken und Datensätze — die Dokumentationspflicht für den Safety Case wird damit wesentlich handhabbar. Open Source, kostenlos, auf jeder Cloud-Infrastruktur einsetzbar.

Zusammenfassung: Wann welcher Ansatz

• Greenfield-Implementierung mit voller Infrastrukturhoheit → Vaisala WindCube Scan + Azure Machine Learning Germany + PINN-Modell auf PyTorch + MLflow
• Erweiterung bestehender TBS-Infrastruktur (z. B. DFS-Systeme) → Integration Vaisala-Datenstrom in bestehende ML-Plattform via API
• Forschungsprototyp und Safety-Case-Vorbereitung → TensorFlow oder PyTorch, MLflow, öffentliche DLR- und SESAR-Datensätze

Flughafenkapazität-Rechnung: Was 30 Sekunden weniger Staffelung bedeuten

Der Business Case hängt an einer simplen Gleichung, die selten ausgerechnet wird.

Ausgangslage: Eine Single-Runway-Ankunftskapazität von typisch 40–44 Bewegungen/Stunde entspricht einer durchschnittlichen Landung alle 82–90 Sekunden. Die Staffelungsminima — in der schwierigsten Kombination Heavy-Medium — setzen eine Mindestzeit von 120–160 Sekunden zwischen zwei Landungen (zeitbasiert, gemessen am Runway Threshold).

Effekt einer Reduktion um 30 Sekunden: Wenn das ML-Modell in 75 % der Anflüge eine Staffelung von 30 Sekunden kürzer zulässt (basierend auf DLR-Ergebnis: kapazitätsverbessernde Konzepte in 75 % der Zeit anwendbar), sinkt die mittlere Trennzeit effektiv um rund 22 Sekunden. Damit steigt die theoretische Stundenkapazität auf ca. 44–48 Bewegungen — ein Gewinn von 3–6 Landungen pro Stunde.

Übersetzt in Geld: Bei 206 Euro/Minute Holding-Kosten (Eurocontrol 2024) und angenommener 10-minütiger Warteschleifenreduktion pro Bewegung in Spitzenstunden — konservativ, nur für tatsächlich vermiedene Holdings, nicht für alle Flüge — entstehen in 500 Peak-Stunden/Jahr einsparbare Kosten von: 3 × 10 × 206 × 500 = 3.090.000 Euro/Jahr an einem Hub-Flughafen.

Das ist kein theoretisches Maximum, sondern ein konservativer Rechenpfad — und er erklärt, warum DFS, NATS, DSNA und LVNL trotz hoher Einführungskosten kontinuierlich in dieses Feld investieren.

Datenschutz und Datenhaltung

Wirbelschleppen-Vorhersagesysteme verarbeiten primär meteorologische Messdaten und Flugzeugbewegungsdaten — keine personenbezogenen Daten im DSGVO-Sinne. Die DSGVO-Relevanz entsteht indirekt:

• Flugzeugbewegungsdaten aus Radar und Mode-S enthalten Flugzeugkennung, Fluggesellschaft, Abflugort und -ziel. Als Betriebsdaten der Fluggesellschaft unterliegen sie Vertraulichkeitsverpflichtungen im SESAR-Kontext, aber nicht dem Personendatenschutz.
• Meteorologische LIDAR-Daten sind technische Messwerte ohne personellen Bezug — DSGVO-Freigabe unkompliziert.
• Kritische Infrastruktur: Flughäfen in Deutschland gelten als kritische Infrastruktur (KRITIS). ATM-Systeme unterliegen der NIS2-Richtlinie (Netzwerk- und Informationssicherheit) mit hohen Anforderungen an Cyber-Resilienz, Incident-Reporting und Risikomanagement — deutlich strengere Anforderungen als Standard-DSGVO.
• Datenhaltung: Für EU AI Act Zwecke: ML-Systeme in sicherheitskritischen Infrastrukturen (ATM) fallen voraussichtlich unter Hochrisiko-KI. Das verpflichtet zu Risikobewertung, technischer Dokumentation, menschlicher Aufsicht und Conformity Assessment.
• Souveränität: Flugdaten der DFS (Deutsche Flugsicherung) und die dazugehörigen meteorologischen Datensätze sind behördenintern — Cloud-Nutzung für Modelltraining erfordert ausdrückliche Freigabe; Azure Machine Learning Germany West Central und Amazon SageMaker Frankfurt sind regulatorisch akzeptable Optionen.

Empfehlung: Den Datenschutzbeauftragten frühzeitig einbinden und den EU AI Act Hochrisiko-Pfad parallel zur EASA-Zertifizierung vorbereiten — beide Prozesse fordern ähnliche Dokumentation und können effizient parallelisiert werden.

Was es kostet — realistisch gerechnet

Systeminfrastruktur (LIDAR + Meteorologie)

• Vaisala WindCube Scan for Aviation: 200.000–500.000 EUR pro LIDAR-Einheit (je Runway-Seite mindestens eine)
• Installation, Site Assessment, Kalibrierung: 50.000–150.000 EUR
• Meteorologische Zusatzsensoren (Anemometer, Thermistormasten): 20.000–80.000 EUR

ML-Plattform und Modellentwicklung

• Azure Machine Learning oder Amazon SageMaker, laufende Infrastruktur: 500–3.000 EUR/Monat
• Modellentwicklung (12–24 Monate F&E, internes oder beauftragtes Team): 300.000–1.000.000 EUR — stark abhängig davon, ob auf DLR/SESAR-Vorarbeiten aufgebaut werden kann
• MLflow Experiment Tracking: kostenfrei (Open Source)

Regulatorik und Safety Case

• EASA Safety Case Vorbereitung und Einreichung unter Regulation EU 2017/373 ATS.TR.220: 200.000–600.000 EUR in Behörden- und Gutachteraufwand
• ATM-Systemintegration (ATC-Controller-Workstation, SESAR-API): 500.000–2.000.000 EUR je nach vorhandener Infrastruktur

Gesamtinvestition ein Hub-Flughafen (Runway-Paar): 1,5–4,5 Millionen EUR, inkl. 2–3 Jahre Projektlaufzeit

ROI-Kalkulation (konservativ): Bei 3.090.000 EUR/Jahr erzielbarer Einsparung (siehe Kapazitätsrechnung) amortisiert sich das System in 2–4 Jahren nach Freigabe. Der Break-even-Punkt ist nicht unattraktiv — aber er liegt erst nach regulatorischer Freigabe, nicht nach technischer Fertigstellung. Dieser Unterschied von 2–5 Jahren ist der kritische Risikofaktor in der Investitionsentscheidung.

Zertifizierungspfad unter EASA Regulation EU 2017/373

Das ist die Nicht-Trivialität, die jeden ML-Wirbelschleppen-Enthusiasten bremst.

Geltende Regelung: ATS.TR.220 „Application of wake turbulence separation” in Regulation (EU) 2017/373 Annex IV Part-ATS setzt die gesetzliche Grundlage. Jede Änderung an Staffelungsminima — ob statisch oder dynamisch — muss als „Acceptable Means of Compliance” (AMC) bei EASA eingereicht und genehmigt werden.

Was das konkret bedeutet:

1. Safety Case Assembly: Der Flughafen und/oder ANSP (Air Navigation Service Provider) muss einen vollständigen Safety Case aufbauen — Nachweis, dass das System unter allen meteorologischen Bedingungen mindestens die gleiche Sicherheit liefert wie die ersetzten statischen Minima. Das umfasst: Failure Modes Analysis, Software Assurance nach EUROCAE ED-12C / DO-178C, Sensor-Ausfallkonzepte, Rückfall-Modi.

2. ML-Explainability: Ein neuronales Netz als Blackbox genügt für ATM-Zertifizierung nicht. EASA erwartet nachvollziehbare Entscheidungspfade — was bei PINN-Architekturen leichter erreichbar ist als bei reinen Deep-Learning-Ansätzen, weil physikalische Nebenbedingungen die Entscheidungslogik transparent machen.

3. Betriebliche Validierung: Vor der Freigabe ist eine überwachte Betriebsphase vorgeschrieben, in der das System Empfehlungen gibt, aber Lotsen weiterhin nach statischen Minima staffeln. Die Übereinstimmungsrate zwischen ML-Empfehlung und tatsächlich sicherer Situation wird statistisch belegt.

4. Regulatorische Änderungseinreichung: RECAT-EU-PWS (Pairwise Separation) wurde 2022 als regulatorische Änderung bei EASA eingereicht. Die Genehmigung als AMC für ATS.TR.220 ist ein Prozess, der für dynamische wetterabhängige Systeme nochmals länger dauert als für die statische Neukategorisierung.

5. Kontinuierliches Monitoring: Nach Freigabe ist ein Überwachungssystem vorgeschrieben, das Modell-Performance gegen reale Wirbelschleppenmessungen validiert und bei Drift automatisch Alarm schlägt.

Dieser Zertifizierungspfad ist der Hauptgrund, warum trotz überzeugender Technologie und klarer Wirtschaftlichkeit der Übergang in den Regelbetrieb jahrelang dauert. Die DLR hat mit WSVBS bereits 2009 die Machbarkeit an Frankfurt gezeigt — 16 Jahre später sind dynamische ML-basierte Systeme noch immer in der EASA-Einreichungsphase.

Vier typische Einstiegsfehler

1. LIDAR kaufen, bevor die Datenstrategie steht. Ein LIDAR-System ohne angebundenes Modell-Training ist ein teures Wettergerät. Der häufige Fehler: Flughäfen beschaffen Sensorik mit Innovationsbudget, ohne gleichzeitig zu entscheiden, wer die ML-Modellentwicklung übernimmt, welche Datenarchitektur (Stream-Verarbeitung in Echtzeit vs. Batch-Training) nötig ist und wie die Systemintegration in die vorhandene ATM-Infrastruktur aussieht. Das Ergebnis: ein präzises LIDAR-System, das Messdaten in eine Datenbank schreibt, die niemand auswertet.

2. Modelltraining auf zu wenig Wetterbedingungen. Das ist der gefährlichste Fehler — weil er still bleibt. Ein Modell, das auf einem Jahr Trainingsdaten mit überwiegend Crosswind-Bedingungen trainiert wurde, lernt, dass Wirbelschleppen schnell zerfallen. Was es nicht gesehen hat: die seltene, aber sicherheitskritische Inversion-Lage im frühen Winter, bei der Wirbelschleppen 2,5 Minuten im Anflugpfad stehen bleiben. Ein solches Modell würde in der Calm-Wind-Situation zu kurze Trennzeiten empfehlen. Lösung: Mindestens 2–3 Jahre Trainingsdaten über alle Jahreszeiten, und ausdrückliche Worst-Case-Wetterbedingungen im Trainingskorpus überrepräsentieren.

3. Den Safety Case als nachgelagerte Aufgabe behandeln. Safety-Case-Dokumentation ist kein bürokratisches Finale — sie ist eine Designanforderung. Wer das ML-System erst fertigentwickelt und dann den Safety Case schreibt, stellt fest, dass das Modell für Zertifizierungszwecke zu wenig erklärt, Fehlermodusse nicht ausreichend analysiert wurden und die Trainings-/Validierungssplit-Dokumentation lückenhaft ist. Korrekturen kosten dann Monate. Die regulatorische Dokumentation muss parallel zur Systementwicklung entstehen — MLflow und strukturierte Experiment Logs von Tag eins sind keine Option, sondern Pflicht.

4. Betrieb nach Freigabe ohne dediziertes Monitoring. Ein produktives ML-System, das nach EASA-Freigabe in Betrieb geht, ist nicht fertig — es verändert sich. Modell-Drift entsteht, wenn sich die Flugzeugmix-Zusammensetzung ändert (neue A321 XLR-Typen mit anderen Wirbelcharakteristika), wenn Bautätigkeit am Flughafen das LIDAR-Sichtfeld beeinflusst oder wenn Klimatrends die typischen Windmuster verschieben. EASA schreibt kontinuierliches Performance-Monitoring vor — wer dafür keine Ressource einplant, riskiert, dass das System nach 18 Monaten Produktivbetrieb stille Performancedegradation zeigt, die erst bei einem Safety-Event auffällt.

Was mit der Einführung wirklich passiert — und was nicht

Die größte Illusion bei ML-Wirbelschleppen-Projekten: dass die Technologie das schwierige Problem ist.

Was wirklich zieht: Die behörden- und stakeholderübergreifende Koordination zwischen Flughafenbetreiber (DFS, LVNL, NATS, DSNA), Flughafengesellschaft, Airlines und EASA. Ein ML-Modell kann in 18 Monaten entwickelt und validiert werden. Der Safety Case und die regulatorische Freigabe kosten 2–5 Jahre. Und selbst danach muss jede beteiligte Fluglinie die neuen Staffelungskonzepte in ihre Betriebshandbücher integrieren.

Widerstandsmuster, die in jedem Projekt auftauchen:

Lotsen-Skepsis gegenüber ML-Empfehlungen. Fluglotsen sind dafür ausgebildet, im Zweifelsfall konservativ zu staffeln. Ein System, das ihnen sagt „ihr könnt 20 Sekunden kürzer staffeln” — auf Basis eines Modells, dessen Inneres sie nicht kennen — erzeugt verständlichen Widerstand. Was hilft: Simulation-Sessions, in denen Lotsen das Modell in realitätsnahen Szenarien erleben und seine Empfehlungen gegen ihre eigene Einschätzung vergleichen können. NATS hat bei der eTBS-Einführung in Heathrow umfangreiche Simulator-Validierung mit Lotsen vor dem Go-Live durchgeführt.

Airline-seitige Einwände gegen Unsicherheitsgrenzen. Airlines sind für neue Separationsstandards nur dann offen, wenn die Unsicherheitsgrenzen des Modells explizit kommuniziert werden. Wenn das System „X Sekunden Trennung reicht mit 95% Konfidenz” sagt, müssen Airlines und ANSP gemeinsam definieren, was mit den 5% passiert — Rückfall auf statische Minima? Lotsenentscheid? Diese Frage ist nicht technisch, sondern operationell und muss vor der Einführung beantwortet sein.

Infrastrukturkoordination zwischen Sensor und ATM-System. LIDAR und Wetter-Workstation sind auf einer Seite des Kommunikationskanals. Das Controller-Working-Position-System ist auf der anderen Seite, entwickelt und zertifiziert von anderen Anbietern (z. B. Thales, Indra, Frequentis). Die API-Integration dieser Systeme kostet Projekt-Jahre und erfordert eigene EASA-Änderungsgenehmigung für die ATC-Systeme.

Realistischer Zeitplan mit Risikohinweisen

Realistische Gesamtlaufzeit Greenfield: 4–7 Jahre. Bei Flughäfen, die bereits RECAT-EU und TBS betreiben, verkürzt sich das auf 2–4 Jahre, da Infrastruktur und regulatorisches Fundament vorhanden sind.

Häufige Einwände — und was dahintersteckt

„Die statischen ICAO-Minima haben sich seit 50 Jahren bewährt — warum das Risiko erhöhen?” Ein berechtigter Reflex, dem ein Missverständnis zugrunde liegt. Das Ziel ist nicht, die Sicherheitsmarge zu senken — sondern die Staffelung präziser an die tatsächliche Sicherheitslage anzupassen. Die statischen ICAO-Minima sind in vielen Wetterlagen unnötig konservativ, was zu Kapazitätsverlust führt, ohne die Sicherheit zu erhöhen. An windreichen Tagen staffeln Lotsen heute für eine Gefahr, die physikalisch schon längst vorüber ist. Das ML-System macht die tatsächliche Sicherheitslage sichtbar — die Entscheidung trifft weiterhin der Lotse.

„Ein ML-Modell kann einen seltenen Ausreißerfall übersehen und dann passiert ein Unfall.” Das ist der berechtigt ernsteste Einwand und der Grund, warum der EASA-Zertifizierungsprozess Jahre dauert. Die Antwort ist nicht, ihn wegzureden, sondern: (a) Worst-Case-Bedingungen müssen im Trainingsdatensatz überrepräsentiert sein, (b) das System ist auf physikalisch-informierten Modellen (PINN) aufgebaut, die keine Ergebnisse außerhalb physikalischer Plausibilität vorhersagen können, (c) Lotsen behalten immer das letzte Wort — das System gibt Empfehlungen, kein verbindliches Kommando. Kein Unfall seit Einführung von eTBS an Heathrow 2018 kann auf das neue Staffelungskonzept zurückgeführt werden.

„Das lohnt sich doch nur für riesige Hubs — für uns als Regionalflughafen irrelevant.” Teilweise wahr, aber nicht absolut. Direkte Kapazitätssteigerung ist tatsächlich primär an Slot-gesättigten Hubs relevant. Für Regionalflughäfen ist der interessantere Pfad die lärmoptimierende Bahnbelegung: Mit Wirbelzerfallsvorhersage lassen sich Landungen auf lärmärmere Bahnkombinationen umverteilen, ohne Kapazität zu verlieren. LVNL Schiphol hat diesen Ansatz explizit als Nebenziel von RECAT-TBS identifiziert.

Woran du merkst, dass das zu dir passt

• Dein Flughafen ist Slot-koordiniert nach IATA-Level-3 und arbeitet in Spitzenstunden regelmäßig an der Kapazitätsgrenze
• Dein ANSP betreibt bereits zeitbasierte Staffelung (TBS) und ist in der SESAR-Deployment-Struktur aktiv
• Du hast ein ATM-Innovations- oder F&E-Budget, das mehrjährige Pilotprojekte ermöglicht
• Dein Safety-Engineering-Team hat Erfahrung mit EASA-Safety-Case-Prozessen oder arbeitet mit einem zertifizierten Partner
• Dein Flughafen liegt in einer Region, deren Meteorologie LIDAR-geeignet ist (ausreichend Aerosole für Doppler-Signal — Nebel und Regen degradieren die Messqualität)

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Flughäfen unter ~50.000 Bewegungen/Jahr. Die Kapazitätsgewinne von 3–6 Bewegungen/Stunde sind real, aber der Investitionsaufwand von 1,5–4,5 Millionen EUR und die 4–7-jährige Projektlaufzeit amortisieren sich nur an verkehrsstarken Standorten. Ein Regionalflughafen mit 30 Bewegungen täglich hat kein Kapazitätsproblem durch Wirbelschleppen-Staffelung.

2. Flughäfen ohne TBS-Infrastruktur oder SESAR-Deployment-Reife. Dynamische Staffelung setzt zeitbasierte Staffelung als Vorstufe voraus. Wer noch nach rein distanzbasierten ICAO-Minima staffelt, muss zuerst TBS einführen — das ist selbst ein mehrjähriges Projekt. Ohne dieses Fundament ist ML-basierte Dynamik technisch nicht integrierbar.

3. ANSPs ohne dediziertes Safety-Engineering-Budget für mehrjährige EASA-Prozesse. Der Safety Case ist nicht auszulagern: Auch wenn externe Gutachter beauftragt werden, muss der ANSP die inhaltliche Verantwortung für die Safety-Argumentation tragen. Organisationen ohne Safety-Engineering-Kompetenz im eigenen Haus werden an der Zertifizierungsphase scheitern — unabhängig von der Qualität des ML-Modells.

Das kannst du heute noch tun

Wenn du an einem Flughafen oder ANSP arbeitest, der das Thema ernsthaft evaluiert: Beginne nicht mit dem LIDAR-Kauf, sondern mit einer Bestandsaufnahme der vorhandenen Infrastruktur. Welche SESAR-Lösungen sind bereits implementiert? Gibt es TBS? Liegt RECAT-EU vor?

Für einen strukturierten ersten Überblick eignet sich NotebookLM: Lade die relevanten SESAR-Lösungsdokumente und EUROCONTROL-Veröffentlichungen (frei verfügbar) hoch und lass dir eine Lückenanalyse für deinen Flughafen erstellen. Das dauert einen halben Tag und gibt dir ein klares Bild, an welchem Punkt in der Deployment-Kette du stehst.

Für Forscher und ATM-Entwickler, die an ML-Wirbelzerfallsmodellen arbeiten: Die DLR-Publikationen zu WSVBS (Holzäpfel/Gerz, Air Traffic Control Quarterly 2009) und das SESAR-Lösungsdokument „Weather-dependent reductions of wake turbulence separations for final approach” sind die besten öffentlichen Einstiegspunkte in den State of the Art.

Hier ist ein Prompt, der dir hilft, den Safety-Case-Scope für eine EASA-Einreichung zu strukturieren:

Quellen & Methodik

• DLR WSVBS Frankfurt & München: Holzäpfel, F., Gerz, T. et al., „The Wake Vortex Prediction and Monitoring System WSVBS Part II: Performance and ATC Integration at Frankfurt Airport”, Air Traffic Control Quarterly, Vol. 17, Nr. 4 (2009). Ergebnis: 3 % Kapazitätsgewinn, kapazitätsverbessernde Konzepte in 75 % der Zeit anwendbar.
• NATS Enhanced Time-Based Separation (eTBS) Heathrow: NATS, „Enhanced Time Based Separation for Heathrow Arrivals” (2018); NATS News, „Enhanced Time Based Separation adds valuable resilience to Heathrow operation” (2018). Ergebnis: +1,4 Landungen/Stunde normal, +2,6 bei starkem Gegenwind in den ersten vier Betriebsmonaten.
• LVNL/Schiphol RECAT-TBS: LVNL-Pressemitteilung „Lower noise levels and better landing capacity during high winds at Schiphol due to innovation in air traffic control” (2022). Ergebnis: 3–6 zusätzliche Landungen/Stunde bei hohem Gegenwind.
• Eurocontrol Standard Inputs for Economic Analysis, Edition 10.0 (Mai 2024): Airborne arrival management delay: 206 EUR/min (taktisch, mit Netzwerkeffekt). Quelle: ansperformance.eu/economics/cba/standard-inputs.
• RECAT-EU Framework: Eurocontrol, „European Wake Turbulence Categorisation and Separation Minima on Approach and Departure” (laufend aktualisiert). Über 100.000 Flugzeugspuren an LHR und CDG ausgewertet.
• EASA Regulation EU 2017/373: Part-ATS ATS.TR.220 „Application of wake turbulence separation”; AMC6 ATS.TR.220. Grundlage für alle ATM-Staffelungsänderungen in Europa.
• Wirbelschleppenpersistenz Ruhiglage: FAA AIM Chapter 7 Section 4; Airbus Safety First „Wake Vortices” (2022). Persistenz bis 2,5 Minuten bei Windstille.
• Vaisala WindCube Scan Aviation: vaisala.com/en/products/windcube-scan-meteorology (Stand Mai 2026). Vaisala-Übernahme von Leosphere abgeschlossen Februar 2025 laut Vaisala-Pressemitteilung.

Du willst wissen, ob euer Flughafen die Infrastrukturvoraussetzungen für einen ersten ML-Piloten hat? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.