Zwei Millionen Steigflugprofile, und nur eines spart am meisten Treibstoff

Wer sich vorstellt, ein Flugzeug steige nach dem Abheben einfach nach oben, unterschätzt die eigentliche Rechenaufgabe. Halte für einen Moment alles fest: dieselbe Maschine, dasselbe Gewicht, dieselbe Bahn, dasselbe Wetter. Selbst dann bleiben bis zu zwei Millionen unterschiedliche Wege, den Steigflug bis zum Top of Climb zu fliegen. Das ist keine rhetorische Zahl, sondern die Konsequenz aus vier Parametern, die jeder für sich einen Wertebereich hat und die alle miteinander interagieren: die initiale angezeigte Eigengeschwindigkeit (IAS), die Beschleunigungsflughöhe, eine zweite IAS und die Steigflug-Mach-Zahl.

Die meisten Bordwerkzeuge durchsuchen diesen Raum gar nicht, sie fliegen ein festgelegtes Profil. Genau an dieser Stelle setzt eine Steigflugoptimierung an, die dieser Aufgabe gewachsen ist. SITA OptiFlight identifiziert vor dem Pushback aus dem riesigen Raum das Profil, das für genau dieses Flugzeug, an genau diesem Tag, unter genau diesen Bedingungen am wenigsten Kerosin schluckt. Die Bilanz spricht für sich: Über 1.137 Flugzeuge der Airbus-A320-Familie hinweg summierten sich die Einsparungen im laufenden Jahr auf 59.011 Tonnen Treibstoff, im Durchschnitt 73 kg pro Abflugm wie Albert Dominguez, Head of Aircraft Data and Platforms von Sita in seinem Beitrag „Two million ways to climb. Which one saves the most fuel?“ berichtet:

• Bis zu 2.000.000 mögliche Steigflugprofile pro Abflug
• 4 Parameter spannen den Suchraum auf: initiale IAS, Beschleunigungsflughöhe, zweite IAS, Steigflug-Mach-Zahl
• 59.011 Tonnen Treibstoff eingespart an 1.137 Flugzeugen der A320-Familie
• Ø 73 kg Einsparung pro Abflug
• Profilauswahl abgeschlossen, bevor die Maschine vom Gate rollt

Warum der Cost Index den Steigflug nicht wirklich optimieren kann

Der Cost Index ist ein bewährtes Instrument, aber er wurde für eine andere Frage gebaut. Sein natürlicher Lebensraum ist der Reiseflug: Auf einer Kurve zwischen Zeit- und Treibstoffkosten findet er den Punkt, der die Gesamtkosten für zwei Geschwindigkeitsvariablen minimiert. Für die Reiseflugökonomie reicht das. Für den Steigflug nicht.

Sobald man von zwei auf vier miteinander verbundene Parameter erweitert, wechselt die Aufgabe die Form. Aus einem Punkt auf einer Ebene wird eine Suche in einem hochdimensionalen, nichtlinearen Raum. Diese zwei zusätzlichen Dimensionen dehnen die Cost-Index-Methode nicht, sie sprengen sie. Würde man jedes der zwei Millionen Kandidatenprofile einzeln durchrechnen, wäre das Ergebnis lange nach dem Pushback fertig, also praktisch wertlos.

Ein echter Optimierungsalgorithmus muss deshalb schlau suchen, nicht vollständig. Die eingesetzten proprietären Verfahren evaluieren weniger als 1.000 Kandidatenprofile pro Flug, ein winziger Bruchteil des Gesamtraums, und landen trotzdem nahe am tatsächlichen Optimum. Und das Wichtigste: Die Rechnung ist rechtzeitig fertig, nämlich in den Minuten vor dem Pushback.

Kriterium	Cost Index	ML-Steigflugoptimierung (SITA OptiFlight)
Optimierter Flugabschnitt	Reiseflug (Cruise)	Steigflug (Climb)
Anzahl der Variablen	2 Geschwindigkeitsvariablen	4 interagierende Parameter
Suchraum	Punkt auf einer Kosten-Zeit-Kurve	Bis zu 2.000.000 Kandidatenprofile
Evaluierte Kandidaten	1 (fixes Profil)	unter 1.000 (via proprietärem Algorithmus)
Flugzeugspezifität	Generische Herstellerdaten	QAR-Daten des jeweiligen Tails
Modellaktualisierung	Statisch	Alle 3 bis 4 Monate auf Basis neuer QAR-Daten
Verifikation pro Flug	Nicht möglich	Ja, fluggenau gegen ECON-Referenz

Die Tabelle macht den Kern des Unterschieds sichtbar: Der Cost Index liefert eine gute Antwort auf die falsche Frage, wenn es um den Steigflug geht. Die ML-Optimierung setzt an genau der Stelle an, an der Cost Index strukturell endet.

Warum generische Performancedaten scheitern, und QAR-Daten den Unterschied machen

Eine schnelle Suche allein reicht nicht. Sie ist nur so gut wie das Modell, das den Treibstoffverbrauch für jeden Kandidaten vorhersagt. Und hier bekommt der klassische Ansatz ein Datenproblem. Herstellerseitige Performancedaten beschreiben eine generische Maschine unter Standardbedingungen, das lässt sich mit dem Kraftstoffverbrauch auf dem Aufkleber eines Neuwagens vergleichen. Sobald das Fahrzeug im Regen mit Wohnwagen und dem Verschleiß der letzten Jahre auf einer Landstraße fährt, driftet die Zahl. Beim Flugzeug ist es exakt dasselbe Prinzip.

Zwei Faktoren bleiben für Herstellermodelle unsichtbar. Der erste ist Alterung. Triebwerke und Zelle degradieren über die Lebenszeit, Schub, Widerstand und Verbrauchsraten verschieben sich mit jedem Zyklus. Ein generisches Modell kann diese Drift nicht erfassen. Der zweite Faktor ist Bewegung. Herstellermodelle rechnen den Steigflug wie einen Gleichgewichtsprozess bei konstanter Zielgeschwindigkeit, in Wirklichkeit ist es ein kontinuierlicher Regelvorgang mit vielen kleinen Ausschlägen.

QAR-Daten schließen genau diese Lücke. Der Quick Access Recorder erfasst auf jedem Flug mehr als 40 Parameter und dokumentiert damit, wie sich die konkrete Maschine tatsächlich verhält, wie ihre Triebwerke und ihre Zelle aktuell performen und wie ihr Steigflug real abläuft. Ein auf diesen Daten trainiertes Modell optimiert für das Flugzeug, das gerade auf der Bahn steht, nicht für ein theoretisches Exemplar aus dem Handbuch.

Maschinelles Lernen: Wie das Modell das Steigflugverhalten jedes Flugzeugs versteht

Zwischen Triebwerksschub und tatsächlicher Fluggeschwindigkeit sitzt das Flight Management System (FMS). Es bewegt die Steuerflächen so, dass die kommandierte Geschwindigkeit gehalten wird. Dieses Regelgesetz ist nichtlinear und für jedes einzelne Flugzeug leicht anders ausgeprägt. In sauberen Gleichungen lässt es sich ohne Zugriff auf OEM-interne Daten kaum abbilden.

Genau hier spielt maschinelles Lernen seine Stärke aus. Statt das Regelverhalten in eine Formel mit vielen Unbekannten zu pressen, lernt das Modell direkt aus der QAR-Historie jedes einzelnen Tails, wie sich diese Maschine im Steigflug tatsächlich benimmt. Die tail-spezifische Komplexität steckt damit im Modell, nicht in einer generalisierenden Gleichung.

Damit die Vorhersage aktuell bleibt, wird das Modell alle drei bis vier Monate mit frischen QAR-Daten nachtrainiert. Die kontinuierliche Alterung von Triebwerk und Zelle wird so laufend absorbiert. Das Profil, das morgen für einen konkreten Flug empfohlen wird, spiegelt den heutigen Zustand des Flugzeugs wider, nicht den bei Auslieferung. Als angenehmer Nebeneffekt ist es dasselbe Modell, das später auch die Einsparung verifiziert.

Fluggenaue Verifikation: Wie eine Einsparung beweisbar wird, die nie geflogen ist

Jeder Flug zeichnet auf, was passiert ist. Kein Flug zeichnet auf, was auf einem anderen Profil passiert wäre. Genau das ist das Grundproblem jeder Einsparungsrechnung. Das ECON-Standardprofil, das für diesen Abflug an diesem Tag mit diesem Flugzeug die Referenz gewesen wäre, ist nicht geflogen. Es gibt keinen gemessenen Vergleichswert, und darum kreiste die Treibstoff-Debatte lange.

Die Lösung ergibt sich aus der Fähigkeit des Modells selbst. Weil es den Verbrauch für jedes beliebige Profil auf diesem konkreten Tail vorhersagen kann, kann es auch den nie geflogenen Referenzflug in Zahlen fassen. Damit wird eine fluggenaue, nachvollziehbare Einsparung möglich, nicht nur eine Flottenprojektion.

1. Vorhersage des Treibstoffverbrauchs des optimierten Profils bis zum Top of Climb (Bodendistanz A)
2. Vorhersage des Treibstoffverbrauchs des ECON-Referenzprofils bis zu dessen Top of Climb (Bodendistanz B, meist weiter als A)
3. Aufaddieren des Treibstoffs für die Aufholstrecke A nach B, damit beide Profile über identische Bodendistanz verglichen werden
4. Differenz der beiden Vorhersagen an dem gemeinsamen Punkt ergibt die verifizierte Treibstoffeinsparung
5. Die Zeitdifferenz von rund 30 Sekunden wird nach derselben Methode berechnet und separat ausgewiesen

Der methodische Trick liegt darin, dass beide Seiten des Vergleichs Modellvorhersagen verwenden, nicht aufgezeichnete Rohdaten des geflogenen Profils gegen eine geschätzte Referenz. So kürzt sich eine potenzielle Modellverzerrung heraus, der Vergleich bleibt fair. Am Ende steht eine Zahl pro Flug: fluggenau, auditierbar und konform mit den Anforderungen der EU Green Claims Directive. Genau die Sorte Zahl, die einer CFO-Frage, einem Wirtschaftsprüfer und einer regulatorischen Prüfung standhält.

Drei Fragen, die jede Airline einem Steigflug-Optimierungstool stellen sollte

Aus den technischen Bausteinen lassen sich drei operative Fragen ableiten, die jedes Werkzeug in diesem Bereich beantworten sollte, bevor es in die Flotte darf. Sie sind bewusst kurz gehalten, damit sie in einer Evaluation nicht untergehen.

1. Welche Performancedaten liegen dem Tool zugrunde? QAR-Daten der eigenen Flotte bilden den heutigen Zustand ab, generische Herstellerdaten beschreiben eine Durchschnittsmaschine, die es so nicht mehr gibt.
2. Wie oft wird das Modell aktualisiert? Alle drei bis vier Monate Nachtraining hält Schritt mit der realen Degradation. Ein statisches Modell akkumuliert mit jedem Zyklus Fehler.
3. Kann das Tool die Einsparung fluggenau ausweisen? Also gegen eine Baseline, über identische Bodendistanz, mit eingerechneter Zeitkomponente. Wer diese Zahl nicht liefern kann, kann hinter seinen gemeldeten Einsparungen nicht wirklich stehen.

Werkzeuge, die nur Flottendurchschnitte oder Projektionen ausweisen, scheitern spätestens an der dritten Frage. Und genau diese dritte Frage dürfte in den kommenden Jahren der Punkt sein, an dem sich die Spreu vom Weizen trennt.

Was diese Architektur für die Branche bedeuten dürfte

Die fluggenaue Verifikationsmethodik dürfte den Benchmark für Treibstoff-Reporting spürbar anheben. Wenn regulatorische Rahmen wie die EU Green Claims Directive präzisere Nachweise verlangen, geraten pauschale Flottendurchschnitte unter Druck. Airlines, die heute bereits auf per-Flug verifizierten Einsparungen bestehen, positionieren sich für kommende Auditanforderungen und für die Erwartungshaltung von Investoren, Aufsichten und Öffentlichkeit.

Die Architektur aus QAR-Daten, Digital-Twin-Modell und regelmäßigem Nachtraining lässt sich prinzipiell auch auf andere Flugphasen übertragen, etwa auf das Sinkflug- und Descent-Management. Besonders relevant ist das für Flotten mit hohem Anteil an der Airbus-A320-Familie und dichten Kurzstreckenumläufen: Wenn der Steigflug einen überproportional großen Anteil am Gesamtverbrauch ausmacht, hebelt jede Optimierung dort stärker. 1.137 Flugzeuge der A320-Familie sind bereits Teil des laufenden Rollouts, das ist keine Nische mehr. Wer sich tiefer mit den Hintergründen aus der Welt des Flugverkehrs beschäftigen möchte, findet weitere Einblicke in der Kategorie Allg. News zu Airlines, Flugverkehr und mehr.

Hypothetisch Hochgerechnet: Wie viel CO₂ die Steigflugoptimierung weltweit einsparen könnte

Die bisher genannten Werte beziehen sich auf Kerosin. Für die Klimabilanz zählt jedoch das CO₂. Die Umrechnung ist eindeutig: Bei der Verbrennung von 1 kg Kerosin entstehen rund 3,16 kg CO₂ (ICAO-Standardfaktor). Aus den 73 kg Treibstoff pro Abflug werden so rund 231 kg CO₂, aus den 59.011 Tonnen im laufenden Jahr rund 186.500 Tonnen CO₂.

Spannend wird es, wenn man diese Werte auf die weltweite Flotte überträgt. Aus den veröffentlichten Zahlen ergeben sich rund 1.000 Abflüge pro Flugzeug im Jahr. Damit lässt sich eine vorsichtige Hochrechnung in drei Stufen aufstellen:

• 🌍 Realistisch: Alle rund 11.000 aktiven Flugzeuge der A320-Familie starten optimiert. Ergebnis: etwa 0,8 Millionen Tonnen Kerosin und rund 2,5 Millionen Tonnen CO₂ weniger pro Jahr.
• ✈ Erweitert: Auch die Boeing 737 wird einbezogen, zusammen rund 20.000 Schmalrumpfjets. Ergebnis: rund 4,6 Millionen Tonnen CO₂ pro Jahr, sofern sich die Einsparung übertragen lässt.
• 📊 Gedankenspiel: Würde jeder der weltweit rund 40 Millionen Flüge pro Jahr dieselben 73 kg einsparen, wären es etwa 9,2 Millionen Tonnen CO₂. Belastbar ist dieser Wert nicht, denn die 73 kg wurden nur für die A320-Familie gemessen. Bei schweren Langstreckenjets dürfte die Ersparnis pro Abflug höher, bei Regionalflugzeugen deutlich niedriger ausfallen.

Zur Einordnung: Die Luftfahrt stößt jährlich knapp eine Milliarde Tonnen CO₂ aus. Das realistische Szenario entspricht damit etwa 0,25 Prozent, das erweiterte rund 0,5 Prozent. Das klingt zunächst wenig. Allein die 2,5 Millionen Tonnen entsprechen jedoch ungefähr dem jährlichen CO₂-Ausstoß von rund 350.000 Menschen in Deutschland. Und die Einsparung entsteht ohne neue Flugzeuge, ohne neue Treibstoffe und ohne Eingriff in den Flugplan, allein durch eine bessere Entscheidung in den Minuten vor dem Pushback.

Hinweis: Hochrechnung der Redaktion auf Basis der veröffentlichten SITA-Werte. Annahmen: 3,16 kg CO₂ je kg Kerosin (ICAO), Flottengrößen und jährliche Abflüge gerundet. Ob sich die für die A320-Familie gemessenen 73 kg auf andere Flugzeugtypen übertragen lassen, ist nicht belegt.

Nachhaltigkeit mit Beleg: Was die Steigflugoptimierung wirklich verändert

Zwei Millionen Steigflugprofile pro Abflug, und die richtige Antwort liegt in den Minuten vor dem Pushback. Die Relevanz steckt weniger in den 73 kg pro Abflug oder den 59.011 Tonnen im laufenden Jahr, so beeindruckend die Zahlen auch klingen. Sie steckt in der methodischen Verschiebung: weg von generischen Flottenannahmen, hin zu tail-spezifischen, fluggenau verifizierten Einsparungen. Eine Branche, die zunehmend präzise Nachhaltigkeitsnachweise liefern muss, braucht genau diese Art Transparenz, keine Projektionen, sondern Zahlen, die vor einem Auditor bestehen.

Wenn du selbst gerade an einem Frühflug planst und deine Reise ohnehin schon mit ein bisschen Ruhe angehen möchtest: Genau dafür gibt es Park-Sleep-Fly. Wer am Vorabend anreist und in einem Hotel nahe dem Flughafen übernachtet, startet ohne Stau-Stress und ausgeruht in den Tag — vor allem bei früheren Abflugzeiten ein echter Unterschied. Mehr dazu findest du im Bereich Hotel mit Parken am Flughafen und beim Parken am Flughafen. 🅿