TY  - THES
A1  - Wohlfart, Christian
T1  - The Yellow River Basin in Transition - Multi-faceted Land Cover Change Analysis in the Yellow River Basin in the Context of Global Change Using Multi-sensor Remote Sensing Imagery
T1  - Der Gelbe Fluss im Wandel - Multisensorale und multitemporale Analyse des Einzugsgebietes des Gelben Flusses in China mittels Fernerkundungsdaten vor dem Hintergrund des Globalen Wandels
N2  - As a cradle of ancient Chinese civilization, the Yellow River Basin has a very long human-environment interrelationship, where early anthropogenic activities re- sulted in large scale landscape modifications. Today, the impact of this relationship
has intensified further as the basin plays a vital role for China’s continued economic
development. It is one of the most densely-populated, fastest growing, and most dynamic
regions of China with abundant natural and environmental resources providing a livelihood for almost 190 million people. Triggered by fundamental economic reforms, the
basin has witnessed a spectacular economic boom during the last decades and can be
considered as an exemplary blueprint region for contemporary dynamic Global Change
processes occurring throughout the country, which is currently transitioning from an
agrarian-dominated economy into a modern urbanized society. However, this resourcesdemanding growth has led to profound land use changes with adverse effects on the Yellow
River social-ecological systems, where complex challenges arise threatening a long-term
sustainable development.
Consistent and continuous remote sensing-based monitoring of recent and past land
cover and land use change is a fundamental requirement to mitigate the adverse impacts
of Global Change processes. Nowadays, technical advancement and the multitude of
available satellite sensors, in combination with the opening of data archives, allow the
creation of new research perspectives in regional land cover applications over heterogeneous landscapes at large spatial scales. Despite the urgent need to better understand the
prevailing dynamics and underlying factors influencing the current processes, detailed
regional specific land cover data and change information are surprisingly absent for this
region.
In view of the noted research gaps and contemporary developments, three major objectives are defined in this thesis. First (i), the current and most pressing social-ecological
challenges are elaborated and policy and management instruments towards more sustainability are discussed. Second (ii), this thesis provides new and improved insights on
the current land cover state and dynamics of the entire Yellow River Basin. Finally (iii),
the most dominant processes related to mining, agriculture, forest, and urban dynamics
are determined on finer spatial and temporal scales.
The complex and manifold problems and challenges that result from long-term abuse
of the water and land resources in the basin have been underpinned by policy choices,
cultural attitude, and institutions that have evolved over centuries in China. The tremendous economic growth that has been mainly achieved by extracting water and exploiting
land resources in a rigorous, but unsustainable manner, might not only offset the economic benefits, but could also foster social unrest. Since the early emergence of the first Chinese dynasties, flooding was considered historically as a primary issue in river management and major achievements have been made to tame the wild nature of the Yellow
River. Whereas flooding is therefore largely now under control, new environmental and
social problems have evolved, including soil and water pollution, ecological degradation,
biodiversity decline, and food security, all being further aggravated by anthropogenic
climate change. To resolve the contemporary and complex challenges, many individual
environmental laws and regulations have been enacted by various Chinese ministries.
However, these policies often pursue different, often contradictory goals, are too general
to tackle specific problems and are usually implemented by a strong top-down approach.
Recently, more flexible economic and market-based incentives (pricing, tradable permits,
investments) have been successfully adopted, which are specifically tailored to the respective needs, shifting now away from the pure command and regulating instruments.
One way towards a more holistic and integrated river basin management could be the
establishment of a common platform (e.g. a Geographical Information System) for data
handling and sharing, possibly operated by the Yellow River Basin Conservancy Commission (YRCC), where available spatial data, statistical information and in-situ measures
are coalesced, on which sustainable decision-making could be based. So far, the collected
data is hardly accessible, fragmented, inconsistent, or outdated.
The first step to address the absence and lack of consistent and spatially up-to-date
information for the entire basin capturing the heterogeneous landscape conditions was
taken up in this thesis. Land cover characteristics and dynamics were derived from
the last decade for the years 2003 and 2013, based on optical medium-resolution hightemporal MODIS Normalized Differenced Vegetation Index (NDVI) time series at 250 m.
To minimize the inherent influence of atmospheric and geometric interferences found in
raw high temporal data, the applied adaptive Savitzky-Golay filter successfully smoothed
the time series and substantially reduced noise. Based on the smoothed time series
data, a large variety of intra-annual phenology metrics as well as spectral and multispectral annual statistics were derived, which served as input variables for random
forest (RF) classifiers. High quality reference data sets were derived from very high
resolution imagery for each year independently of which 70 % trained the RF models. The
accuracy assessments for all regionally specific defined thematic classes were based on the
remaining 30 % reference data split and yielded overall accuracies of 87 % and 84 % for
2003 and 2013, respectively. The first regional adapted Yellow River Land Cover Products
(YRB LC) depict the detail spatial extent and distribution of the current land cover status
and dynamics. The novel products overall differentiate overall 18 land cover and use
classes, including classes of natural vegetation (terrestrial and aquatic), cultivated classes,
mosaic classes, non-vegetated, and artificial classes, which are not presented in previous
land cover studies so far.
Building on this, an extended multi-faceted land cover analysis on the most prominent
land cover change types at finer spatial and temporal scales provides a better and more
detailed picture of the Yellow River Basin dynamics. Precise spatio-temporal products
about mining, agriculture, forest, and urban areas were examined from long-trem Landsat
satellite time series monitored at annual scales to capture the rapid rate of change in four
selected focus regions. All archived Landsat images between 2000 and 2015 were used to
derive spatially continuous spectral-temporal, multi-spectral, and textural metrics. For
each thematic region and year RF models were built, trained and tested based on a stablepixels reference data set. The automated adaptive signature (AASG) algorithm identifies those pixels that did not change between the investigated time periods to generate a
mono-temporal reference stable-pixels data set to keep manual sampling requirements
to a minimum level. Derived results gained high accuracies ranging from 88 % to 98 %.
Throughout the basin, afforestation on the Central Loess Plateau and urban sprawl are
identified as most prominent drivers of land cover change, whereas agricultural land
remained stable, only showing local small-scale dynamics. Mining operations started in
2004 on the Qinghai-Tibet Plateau, which resulted in a substantial loss of pristine alpine
meadows and wetlands.
In this thesis, a novel and unique regional specific view of current and past land cover
characteristics in a complex and heterogeneous landscape was presented by using a
multi-source remote sensing approach. The delineated products hold great potential for
various model and management applications. They could serve as valuable components
for effective and sustainable land and water management to adapt and mitigate the
predicted consequences of Global Change processes.
N2  - Der Gelbe Fluss - in der Landessprache Huange He genannt - ist für die Ausprägung und Entwicklung der chinesischen Kultur von großer Bedeutung. Aufgrund der frühen Einflussnahme auf die natürlichen Ökosysteme in dieser Region durch
den Menschen, entwickelte sich dort eine ausgeprägte Interaktion zwischen Mensch und
Umwelt. Diese Wechselbeziehung hat sich infolge der gegenwärtigen rapiden sozioökonomischen Veränderungen in den letzten Jahrzehnten weiter intensiviert.
Das Einzugsgebiet des Gelben Flusses bildet die Lebensgrundlage für fast 190 Millionen
Menschen, die zum Großteil von natürlichen Ressourcen abhängig sind. Zudem gehört es
zu den wirtschaftlich bedeutendsten und am schnellsten wachsenden Regionen in ganz
China. Durch weitreichende Reformen wurde ein wirtschaftlicher Aufstieg forciert, um
den Agrarstaat China zu einem modernen Industrie- und Dienstleistungsstaat weiterzuentwickeln. Ein derartiges rasantes wie auch ressourcenintensives Wirtschaftswachstum
führte schließlich zu einem enormen Wandel in den Bereichen der Landbedeckung und
Landnutzung. Hinzu kamen neue und komplexere wirtschafts-, sozial- und umweltpolitische Herausforderungen, die bis heute eine langfristige und nachhaltige Entwicklung
der Region gefährden. Aus diesem Blickwinkel kann das Becken des Gelben Flusses
als regionales Spiegelbild der durch den Globalen Wandel bedingten, gegenwärtigen
Veränderungsprozesse in ganz China gelten.
Eine wichtige Voraussetzung für den adäquaten Umgang mit den Herausforderungen
des Globalen Wandels sind kontinuierliche Informationen über aktuelle sowie historische
Veränderungen von Landbedeckung und Landnutzung. Infolge der technologischen Entwicklung steht heute eine Vielfalt an Satellitenbildsystemen mit immer höherer zeitlicher
und räumlicher Auflösung zur Verfügung. In Verbindung mit kostenfreien und offenen
Datenzugriffen ist es möglich, daraus neue Forschungsperspektiven im Bereich der Landoberflächenkartierung - insbesondere für heterogene Landschaften - zu entwickeln. Zur
Generierung thematischer Karten werden häufig Klassifikationen entlang verschiedener
räumlicher und zeitlicher Skalen vollzogen. Daraus können zusätzlich die nötigen Informationen für lokale wie auch regionale Entscheidungsträger abgeleitet werden. Trotz
dieser neuen Möglichkeiten sind regionalspezifische Informationen, die einem besseren
Verständnis der Dynamiken von Landoberflächen im Bereich des Gelben-Fluss-Beckens
dienen, noch rar.
Dieses Forschungsdesiderat wurde im Rahmen dieser Arbeit aufgegriffen, wobei folgende
Schwerpunkte gesetzt werden: (i) Zunächst werden die vorherrschenden sozioökologischen Herausforderungen für das gesamte Einzugsgebiet des Gelben Flusses dargestellt
sowie verschiedene Management- sowie Politikmodelle für eine nachhaltigere Ressourcennutzung diskutiert. (ii) Darauf aufbauend wird die fernerkundliche Ableitung von Landbedeckungs- und Landnutzungsveränderungen der letzten Dekade im Gebiet des
gesamten Gelben Flusses flächendeckend durchgeführt und anschließend interpretiert.
(iii) Im letzten Schritt werden basierend auf den zuvor abgeleiteten Informationsprodukten die dominierenden Landoberflächendynamiken in höherer zeitlicher und räumlicher
Auflösung detailliert untersucht. Insbesondere die dynamischen Prozesse der Minenausbreitung, Landwirtschaft, Waldgebiete und der urbanen Räume rücken in den Fokus.
Aufgrund jahrzehntelanger Übernutzung der natürlichen Ressourcen im Gebiet des
Gelben Flusses in Verbindung mit politischen Entscheidungen, der vorherrschenden
kulturellen Prägung wie auch der Entwicklung der dort ansässigen Institutionen ist eine
vielschichtige Problematik entstanden, die für die gesamte Region eine große Herausforderung darstellt. Durch frühzeitige Maßnahmen der Flutbekämpfung und Flussregulierung
konnte den zahlreichen Überflutungen der Vergangenheit entgegengewirkt und das Risiko großflächiger Überschwemmungen minimiert werden. Trotz dieser Erfolge ergeben
sich laufend neue, komplexere Herausforderungen mit verheerenden Auswirkungen auf
Ökologie und Gesellschaft, wie zum Beispiel Boden- und Wasserdegradation, Entwaldung,
Rückgang der Artenvielfalt, Ernährungsunsicherheiten und ein steigendes soziales Ungleichgewicht. Durch den anthropogenen Klimawandel werden diese negativen Probleme
noch weiter verstärkt. Zwar wurden sie von der chinesischen Regierung als solche erkannt, dennoch scheiterten die Versuche, mit zahlreichen Gesetzen und Verordnungen
die genannten Folgen einzudämmen, an unkonkreten Formulierungen, so dass diese der
Komplexität der Herausforderungen nicht gerecht wurden. Die in jüngster Zeit verfolgten
modernen und deutlich flexibleren, marktorientierten Ansätze (z.B. Subventionen, Wasserzertifikate), die speziell an die lokalen Gegebenheiten angepasst wurden, zeigen bereits
Erfolge. Mit Hilfe einer gemeinsamen Daten- und Informationsplattform, beispielsweise
in Form eines Geographischen Informationssystems (GIS), wäre eine integrierte und
holistische Flussmanagementstrategie für den Gelben Fluss leichter realisierbar. Auf
diese Weise könnten alle verfügbaren statistischen-, räumlichen- und Feldaufnahmen
gespeichert, harmonisiert und geteilt und so die bisher noch unvollständigen und veralteten Daten laufend aktualisiert werden. Die Flussbehörde des Gelben Flusses (Yellow
River Conservancy Commission) böte sich an, ein solches System zu verwalten.
In dieser Arbeit wird die heterogene Landbedeckungsstruktur für das gesamte Einzugsgebiet des Gelben Flusses für die Jahre 2003 und 2013 erfasst und interpretiert. Die
fernerkundlichen Eingangsdaten für die einzelnen Klassifikationen bestehen aus optischen MODIS NDVI-Zeitserien, aus denen jährlich phänologische Parameter berechnet
werden. Da die Qualität optischer Satellitenbilder häufig durch Wolken und Schatten
beeinträchtigt ist, müssen die betroffenen Flächen maskiert und entfernt werden. Die so
entstandenen Lücken in der Zeitserie werden durch einen Filteralgorithmus (SavitskyGolay) aufgefüllt und geglättet. Die verwendeten RandomForest-Klassifikationsverfahren
ermöglichen die Ableitung von Landbedeckungen und -dynamiken. Diese neuen und räumlich detaillierten Produkte unterscheiden insgesamt 18 verschiedene Landbedeckungsund Landnutzungsklassen. Erstmals liefern diese eine regional spezifische Charakterisierung der vorherrschenden Landbedeckung im Gebiet des Gelben Flusses.
Darauf aufbauend erfolgt eine sowohl zeitlich als auch räumlich detailliertere Untersuchung der wichtigsten Veränderungen im Bereich der Landbedeckung, die auf dichten
Landsat-Zeitserien basiert. Jährliche Informationen über Dynamiken von Minenabbaugebieten, Landwirtschaft, Waldgebieten und urbanen Räumen zeigen präzise lokale Veränderungen im Einzugsgebiet des Gelben Flusses. Die daraus abgeleiteten Ergebnisse
lassen insbesondere auf dem Lössplateau die Auswirkungen ökologischer Restorationsmaßnahmen erkennen, bei denen degradierte Flächen in Waldsysteme umgewandelt
wurden. Auf dem Qinghai-Tibet-Plateau zeigt sich eine dramatische Ausbreitung von
Kohletagebau zu Lasten der besonders anfälligen alpinen Matten und Feuchtgebiete.
Auch der anhaltende Trend zur Urbanisierung spiegelt sich in den hier gewonnenen
Ergebnissen deutlich wider.
Durch die Kombination von Fernerkundungsdaten unterschiedlicher räumlicher und
zeitlicher Auflösungen liefert diese Arbeit neue und bisher einzigartige Einblicke in
historische und aktuelle Landbedeckungsdynamiken einer heterogenen Landschaft. Die
regionalen Analysen wie auch die thematischen Informationsprodukte besitzen somit
großes Potential zur Verbesserung der Informationsgrundlage. Die Ergebnisse dienen
außerdem als aussagekräftige Entscheidungsgrundlage mit dem Ziel eines angemessenen
und nachhaltigen Land- und Wassermanagements für die natürlichen Ökosysteme im
Becken des Gelben Flusses.
KW  - Fernerkundung
KW  - Remote Sensing
KW  - Geografie
KW  - Globaler Wandel
KW  - Global Change
KW  - River Basins
KW  - China
KW  - Time Series Analyses
KW  - Sustainability
Y1  - 2018
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-163724
ER  - 
TY  - THES
A1  - Weigand, Matthias Johann
T1  - Fernerkundung und maschinelles Lernen zur Erfassung von urbanem Grün - Eine Analyse am Beispiel der Verteilungsgerechtigkeit in Deutschland
T1  - Remote Sensing and Machine Learning to Capture Urban Green – An Analysis Using the Example of Distributive Justice in Germany
N2  - Grünflächen stellen einen der wichtigsten Umwelteinflüsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits können Grünflächen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Grünflächen nicht für die gesamte Bevölkerung gleichermaßen zugänglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-ökonomische und demographische Gruppen der deutschen Bevölkerung unterschiedlichen Zugriff auf Grünflächen haben. An bestehenden Analysen von Umwelteinflüssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten häufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere für großflächig angelegte Studien zu. So werden wichtige räumliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens ermöglichen die effiziente Verarbeitung zur Ableitung höherwertiger Informationen.
Das übergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Grünflächen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen für die großflächige und hochaufgelöste Analyse von Umwelteigenschaften aufzuzeigen und durchzuführen. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden für die Verbesserung der räumlichen und semantischen Auflösung von Geoinformationen erforscht werden. Hierfür werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenlücken zu schließen und Aufschluss über die Verteilungsgerechtigkeit von Grünflächen zu bieten.
Diese Dissertation gliedert sich in drei konzeptionelle Teilschritte. Im ersten Studienteil werden Erdbeobachtungsdaten der Sentinel-2 Satelliten zur deutschlandweiten Klassifikation von Landbedeckungsinformationen verwendet. In Kombination mit punktuellen Referenzdaten der europaweiten Erfassung für Landbedeckungs- und Landnutzungsinformationen des Land Use and Coverage Area Frame Survey (LUCAS) wird ein maschinelles Lernverfahren trainiert. In diesem Kontext werden verschiedene Vorverarbeitungsschritte der LUCAS-Daten und deren Einfluss auf die Klassifikationsgenauigkeit beleuchtet. Das Klassifikationsverfahren ist in der Lage Landbedeckungsinformationen auch in komplexen urbanen Gebieten mit hoher Genauigkeit abzuleiten. Ein Ergebnis des Studienteils ist eine deutschlandweite Landbedeckungsklassifikation mit einer Gesamtgenauigkeit von 93,07 %, welche im weiteren Verlauf der Arbeit genutzt wird, um grüne Landbedeckung (GLC) räumlich zu quantifizieren.
Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Grünflächen anhand des Beispiels öffentlicher Grünflächen (PGS), die häufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine häufig verwendete Quelle für räumliche Daten zu öffentlichen Grünflächen, der European Urban Atlas (EUA), wird bisher nicht flächendeckend für Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verfügbarkeit von öffentlichem Grün auf der räumlichen Ebene von Nachbarschaften für ganz Deutschland zu ermitteln. Hierfür dienen bereits vom EUA erfasste Gebiete als Referenz. Mithilfe einer Kombination von Erdbeobachtungsdaten und Informationen aus dem OpenStreetMap-Projekt wird ein Deep Learning -basiertes Fusionsnetzwerk erstellt, welche die verfügbare Fläche von öffentlichem Grün quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge öffentlicher Grünflächen in der Nachbarschaft zu schätzen (𝑅 2 = 0.952). 
Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Grünflächen in Deutschland unter Hinzunahme von georeferenzierten Bevölkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Grünflächen nach zwei Typen: GLC und PGS. Zunächst wird mithilfe deskriptiver Statistiken die generelle Grünflächenverteilung in der Bevölkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand gängiger Gerechtigkeitsmetriken bestimmt. Abschließend werden die Zusammenhänge zwischen der demographischen Komposition der Nachbarschaft und der verfügbaren Menge von Grünflächen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verfügbarkeit von PGS zwischen städtischen und ländlichen Gebieten. Ein höherer Prozentsatz der Stadtbevölkerung hat Zugriff das Mindestmaß von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bezüglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Grünflächentypen für derartige
Untersuchungen. Die abschließende Betrachtung verschiedener Bevölkerungsgruppen arbeitet Unterschiede auf soziodemographischer Ebene auf.
In der Zusammenschau demonstriert diese Arbeit wie moderne Geodaten und Methoden des maschinellen Lernens genutzt werden können bisherige Limitierungen räumlicher Datensätze zu überwinden. Am Beispiel von Grünflächen in der Wohnumgebung der Bevölkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgelöste und lokal feingliedrige geographische Informationen bereichert werden können. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten können, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterstützen und überwachen.
N2  - Green spaces are one of the most important environmental factors for humans in the living environment. On the one hand they provide benefits to people’s physical and mental health, on the other hand they allow for the mitigation of negative impacts of environmental stressors like heat waves which are increasing as a result of climate change. Yet, green spaces are not equally accessible to all people. Existing literature in the context of Environmental Justice (EJ) research has shown that the access to green space varies among different socio-economic and demographic groups in Germany. However, previous studies in the context of EJ were criticized for using strongly spatially aggregated data for their analyses resulting in a loss of spatial detail on local environmental exposure metrics. This is especially true for large-scale studies where important spatial information often get lost. In this context, modern earth observation and geospatial data are more detailed than ever, and machine learning methods enable efficient processing to derive higher value information for diverse applications.
The overall objective of this work is to demonstrate and implement methodological steps that allow for the transformation of vast geodata into relevant geoinformation for the large-scale and high-resolution analysis of environmental characteristics using the example of green spaces in Germany. By bridging the disciplines remote sensing, geoinformatics, social geography and environmental justice research, potentials of modern methods for the improvement of spatial and semantic resolution of geoinformation are explored. For this purpose, machine learning methods are used to map land cover and land use on a national scale. These developments will help to close existing data gaps and provide information on the distributional equity of green spaces.
This dissertation comprises three conceptual steps. In the first part of the study, earth observation data from the Sentinel-2 satellites are used to derive land cover information across Germany. In combination with point reference data on land cover and land use from the paneuropean Land Use and Coverage Area Frame Survey (LUCAS) a machine learning model is trained. Therein, different preprocessing steps of the LUCAS data and their influence on the classification accuracy are highlighted. The classification model derives land cover information with high accuracy even in complex urban areas. One result of the study is a Germany-wide land cover classification with an overall accuracy of 93.07 % which is used in the further course of the dissertation to spatially quantify green land cover (GLC). The second conceptual part of this study focuses on the semantic differentiation of green spaces using the example of public green spaces (PGS), which is often the subject of EJ research. A frequently used source of spatial data on public green spaces, the European Urban Atlas (EUA),however, is not available for all of Germany. This part of the study takes a data-driven approach to determine the availability of public green space at the spatial level of neighborhoods for all of Germany. For this purpose, areas already covered by the EUA serve as a reference. Using a combination of earth observation data and information from the OpenStreetMap project, a Deep Learning -based fusion network is created that quantifies the available area of public green space. The result of this step is a model that is utilized to estimate the amount of public green space in the neighborhood (𝑅 2 = 0.952).
The third part of this dissertation builds upon the results of the first two parts and integrates georeferenced population data to study the socio-spatial distribution of green spaces in Germany. This exemplary analysis distinguishes green spaces according to two types: GLC and PGS. In this,first, descriptive statistics are used to examine the overall distribution of green spaces available to the German population. Then, the distributional equality is determined using established equality metrics. Finally, the relationships between the demographic composition of the neighborhood and the available amount of green space are examined using three exemplary sociodemographic groups. The analysis reveals strong differences in PGS availability between urban and rural areas. Compared to the rural population, a higher percentage of the urban population has access to the minimum level of PGS defined as a target by the World Health Organization (WHO). The results also show a clear deviation in terms of distributive equality between GLC and PGS, highlighting the relevance of distinguishing green space types for such studies. The final analysis of certain population groups addresses differences at the sociodemographic level.
In summary, this dissertation demonstrates how previous limitations of spatial datasets can be overcome through a combination of modern geospatial data and machine learning methods. Using the example of green spaces in the residential environment of the population in Germany,it is shown that nationwide analyses of environmental justice can be enriched by high-resolution and locally fine-grained geographic information. This study illustrates how earth observation and methods of geoinformatics can make an important contribution to identifying inequalities in people’s living environment. Such objective information can ultimately be deployed to support and monitor sustainable urban development.
KW  - Geografie
KW  - Fernerkundung
KW  - Maschinelles Lernen
KW  - Deep learning
KW  - Urbanes Grün
KW  - urban green
KW  - machine learning
KW  - distributive justice
KW  - environmental justice
KW  - Deutschland
KW  - Germany
KW  - Verteilungsgerechtigkeit
KW  - Umweltgerechtigkeit
Y1  - 2024
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-349610
ER  - 
TY  - THES
A1  - Schenk, Tilman A.
T1  - Multiagentensysteme zur Simulation von Konsumentenentscheidungen
N2  - Städte sehen sich in der Entwicklung ihres Einzelhandelsangebots zunehmend Konkurrenzsituationen zwischen traditionellen Innenstadt- und neu entstehenden Stadtrandlagen ausgesetzt, die einerseits die gestiegenen Flächen- und Produktivitätsansprüche der Unternehmen eher  erfüllen, während andererseits Bürger, Politik und etablierter Handel ein ‚Aussterben’ der Innenstädte befürchten. Die Konsequenzen planerischer Entscheidungen in  dieser Hinsicht abzuschätzen, wird zunehmend komplexer. Dafür sind ebenso eine stärkere Individualisierung des Konsumverhaltens verantwortlich, wie eine gestiegene Sensibilität gegenüber Verkehrs- und Emissionsbelastungen. Modellierungen und Simulationen können einen Beitrag zu  fundierter Entscheidungsfindung leisten, indem sie durch Prognosen von Szenarien mit unterschiedlichen Rahmenbedingungen solche Auswirkungen aufzeigen. 
In der  Vergangenheit wurden Kaufkraftströme durch Modelle abgebildet, die auf aggregierten Ausgangsdaten und Analogieschlüssen zu Naturgesetzen (Gravitations-, Potenzialansatz) oder nutzentheoretischen Annahmen (Diskreter Entscheidungsansatz) beruhten. In dieser Arbeit  wird dafür erstmals ein agentenbasierter Ansatz angewendet,  da sich so individuelle Ausdifferenzierungen des Konsumentenhandelns wesentlich leichter integrieren und Ergebnisse anschaulicher präsentieren lassen. Ursprünglich entstammt die Idee zur Agententechnologie einem Forschungsfeld der Informatik, der Künstlichen Intelligenz.  Ziel war hier, Algorithmen zu entwickeln, die aus einer Menge von kleinen Softwarebausteinen bestehen, die zur Lösung eines Problems miteinander in Kommunikation treten  und sich selbst zielbezogen anordnen. Somit schreibt sich  der Algorithmus im Grunde selbst. Dieses Konzept kann in den Sozialwissenschaften als Modellierungsparadigma genutzt werden, insofern als dass sie der Idee der Selbstorganisation von Gesellschaften recht nahe kommt. Insbesondere zeichnen sich Multiagentensysteme durch eine dezentrale Kontrolle und Datenvorhaltung aus, die es darüber hinaus ermöglichen, auch komplexe Systeme von Entscheidungsprozessen mit wenigen Spezifikationen  darzustellen. Damit begegnet der Agentenansatz vielen Einwänden gegen Analogie- und Entscheidungsmodelle. Durch die konsequente Einnahme einer individuenbezogenen Sichtweise ist die individuelle Ausdifferenzierung von Entscheidungsprozessen viel eher abbildbar. 
Für das Forschungsprojekt konnten für einenm ntersuchungsraum in Nordschweden (Funktionalregion Umeå, ca. 140.000 Einwohner) individuenbezogene Einwohnerdaten verfügbar gemacht werden. Diese enthielten u.a. Lagekoordinaten des Wohn- und Arbeitsorts, Alter, Geschlecht, verfügbares Einkommen und Angaben zur Haushaltsstruktur. Verbunden mit Erkenntnissen aus empirischen Untersuchungen (Konsumentenbefragung, Geschäftskartierung) stellten sie die Eingabegrößen für ein agentenbasiertes Modell der Einkaufsstättenwahl bei der Lebensmittelversorgung dar. Die Konsumentenbefragung stellte regressionsanalytische Abhängigkeiten zwischen sozioökonomischen Daten und Konsumpräferenzen bezüglich einzelner Geschäftsattribute (Preisniveau, Produktqualität, Sortimentsbreite, Service etc.) her, die gleichen Attribute wurden für die Geschäfte erhoben. Somit können Kaufkraftströme zwischen Einzelelementen der Nachfrage (individuelle Konsumenten) und des Angebots (einzelne Geschäftsstandorte) als individuell variierende Bewertung der Geschäfte durch die Agenten dargestellt werden, gemäß derer die Agenten ihre lebensmittelrelevante Kaufkraft auf die Geschäfte verteilen.
Für die Geschäfte der gesamten Region konnten Gütemaßwerte bis 0,7 erreicht werden, für einzelne Betriebsformate auch über 0,9. Dies zeigt, dass auch bei der Verwendung individuenbezogener Modelle, die mit einer deutlich höheren  Anzahl Freiheitsgraden behaftet sind als ihre aggregierten  Gegenstücke, hohe Prognosequalitäten für Umsatzschätzungen  von Standorten erreicht werden können. Gleichzeitig bietet  der Agentenansatz die Möglichkeit, einzelne Simulationsobjekte bei ihrer Entscheidungsfindung und ihren  Aktivitäten zu verfolgen. Dabei konnten ebenfalls plausible  Einkaufsmuster abgebildet werden. 
Da die Distanz vom Wohn- bzw. Arbeitsort zum Geschäft Bestandteil des Modells ist, können auch die von den Einwohnern zum Zweck der Grundversorgung zu leistenden Distanzaufwände in verschiedenen Angebotssituationen analysiert werden. Als Fallstudie wurde ein Vergleich von zwei Situationen 1997 und 2004 vorgenommen. Während dieses Zeitraums haben im Untersuchungsgebiet grundlegende Veränderungen der Einzelhandelsstruktur stattgefunden, die zu einem weitgehenden Rückzug des Angebots aus den peripheren ländlichen Gebieten geführt haben. Die Ergebnisse zeigteneine hohe Übereinstimmung mit den auf nationaler Ebene erhobenen Mobilitätsdaten, ließen aber auch einen differenzierten Blick auf die unterschiedliche Betroffenheit der Einwohner der Region zu. 
An agentenbasierte Simulationen werden in den Sozialwissenschaften große Erwartungen geknüpft, da sie erstmals ermöglichen, gesellschaftliche Phänomene auf der Ebene ihres Zustandekommens, dem Individuum, zu erfassen,  sowie komplexe mentale Vorgänge des Handelns, Lernens und  Kommunizierens auf einfache Weise in ein Modell zu integrieren. Mit der vorliegenden Arbeit wurde im Bereich der Konsumentenforschung erstmals ein solcher Ansatz auf regionaler Ebene angewendet, um zu planungsrelevanten Aussagen zu gelangen. In Kombination mit anderen Anwendungen im Bereich der Bevölkerungsprognose, des Verkehrs und der innerstädtischen Migration haben Agentensimulationen alle Voraussetzungen zu einem zukunftsweisenden Paradigma für die Raum- und Fachplanung.
T3  - Würzburger Geographische Arbeiten - 101 
KW  - Umeå
KW  - Kaufverhalten
KW  - Verbraucherverhalten
KW  - Agent <Informatik>
KW  - Simulation
KW  - Geografie
Y1  - 2008
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-231722
ER  -