Refine
Has Fulltext
- yes (3)
Is part of the Bibliography
- yes (3)
Year of publication
- 2024 (3) (remove)
Document Type
- Doctoral Thesis (3)
Keywords
- Biaskorrektur (1)
- Bodengeografie (1)
- CORDEX (1)
- Deep learning (1)
- Deutschland (1)
- Fernerkundung (1)
- Forstwirtschaft (1)
- Geoarchäologie (1)
- Geografie (1)
- Germany (1)
Institute
- Institut für Geographie und Geologie (3) (remove)
Sonstige beteiligte Institutionen
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.
Human-environment interaction has significantly altered the pedosphere since the Neolithic, if not since the early Holocene. In the course of clearance, agriculture, and (wood) pasture soils have been deeply modified or eroded. These types of land use practices but above all forms of sedentariness spread alongside floodplains and trajectories were oriented towards loess covered areas where fertile soils could develop. Besides this, also peripheral / marginal regions were settled due to population pressure or other factors. Evidence for landscape history and development can be found within archeological sites but also overbank deposits and anthropogenic slope deposits document vast transformation processes.
The presented investigations took place within the natural region of the Windsheimer Bucht which is locat-ed in the district of Middle Franconia in northern Bavaria, Germany. In this area, Holocene soils predomi-nantly developed within mudstones of the Middle to Upper Triassic. The soil texture is extremely clay-rich which renders the soils problematic with regard to cultivation management. As a peculiarity, the gypsum underlying the mudstones is prone to karstification processes and resulting proceeding geomorphological processes shape the surface of the landscape. In the course of gypsum mining the karst forms are being exposed and archeological findings are being documented. The latter mainly date back to a span from the Neolithic to the Iron Age, but partly are of Younger Paleolithic origin. Especially subsidence sinkholes are capable of storing pedosediments of several meters in thickness. Despite the high clay content and connect-ed pedoturbation processes, the excavated sequences are stratigraphically and pedologically well-differentiated. The archives occur in the context of settlement structures such as pits and postholes; there-fore, they developed at the interface of natural developments and human impact on their surroundings.
The main original research questions that were formulated within the general frame of a project funded by the Deutsche Forschungsgemeinschaft (DFG-projects Te295/15-1 and -2 and Fa390/9-1 and -2) focused on the attractors of the peripheral region for early settlers, the pedological conditions before land use, but also the impact of humans on soils and karst dynamics through time. In the course of the in hand study, the pedosedimentary archives have been approached with a multimethodological toolset which consisted of field analyses, soil morphological analyses from micro- to macro-scale, spectrophotometric (color), (laser) granulometric, and (iron-) pedochemical analyses. The numerical chronological frame was spanned by radiocarbon dating of different organic remains and bulk material if soil organic carbon was supposed-ly high. The result is a multi-dimensional data set that consists of analyses on different spatial scales but also on different levels of measurement. Thus, qualitative, semi-quantitative, and quantitative data consti-tute the basis for discussion. While the grain-size analyses underline the general sedimentological differen-tiation of the records and further affirm the high clay content within the pedosedimentary layers, iron-pedochemical analyses indicate an interplay between oxidation of iron and its chemical reduction. This is also manifested within the spectrophotometric record. Especially the versatile pedogenic characteristics that have been identified by field analyses are confirmed within the thin sections and, by considering all different analyses, the polygenic character of the pedosediments is emphasized.
After stressing the general pedological specificities among the different investigated sites within the re-search area, for the collected data, the research further branches into the subjects of general notions on pedogenesis in clayey material and the classification of the respective pedosediments according to paleo-pedological concepts but also recent schemes. Concerning the latter, it becomes evident that established principles cannot be applied to the studied pedosediments without major adaptions. This underlines the specific characteristics of the material.
The basis for further interpretations is the evaluation of the multi-level data set for the single records with regard to profile development and pedogenic processes. Hereby, the main drivers of pedogenesis could be identified, which are karst dynamics, land use, and subtle changes in parent material due to the admixture of slope deposits that contain allochthonous eolian material. The latter underlines the importance of Pleis-tocene preconditioning for understanding Holocene landscape dynamics. At the same time, a differentia-tion between the mentioned factors and Holocene climate development is difficult. The following compila-tion of record and localities within the given time frame unveils synchronous as well as asynchronous de-velopments; however, a clear connection between phases of Holocene climate and pedogenesis within the pedosediments cannot be established. Instead, it becomes evident that site specific factors or those that act on the scale of the micro-catchment of the investigated records are decisive.
The aforementioned main topics of the project are also considered in the in hand study from a soil-geographic perspective: it is possible that before land use, there was an insular or thin cover by loess sedi-ments or at least upper layers (according to the concept of periglacial cover beds) which constituted the parent material for Holocene soil formation. The according soils, which were superior for agricultural purposes compared to those developed on the autochthonous mudstones, were eroded which exposed the clayey Upper to Middle Triassic beds. Erosion was aggravated due to the impermeable mudstones which enhanced overland flow and interflow within the overlying silty (loessic) material. This is further support-ed by the notions on erodibility of the clayey material that are derived from the comparison of conven-tional and laser granulometric analyses: probably, the clayey pedosediments are capable of forming micro-aggregates that can easily be eroded during heavy rainfall events despite the general consent that material with heavy texture should be rather resistant.
The study presents a comprehensive view on clay-rich pedosediments and the complex effects of human-environment interaction on pedogenic as well as sedimentary processes through time that have not been investigated in such detail before. In this context, the multi-level soil morphological analyses and their necessity for a genetic interpretation with regard to the influence of natural versus anthropogenic factors need to be emphasized. Based on quantitative laboratory analytical data only, a respective differentiation would not be possible. This underlines the importance of the chosen soil-geographic multi-methodological approach for answering questions with regard to human-environment interaction but also geoarcheology in general.
Hochaufgelöste Erfassung zukünftiger Klimarisiken für Land- und Forstwirtschaft in Unterfranken
(2024)
Das Klima und seine Veränderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zukünftigen Klimarisiken für diese Sektoren von hoher Relevanz. Dies ist auch und vor allem für den schon heute weiträumig trockheitsgeprägten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu über 80 % land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher räumlicher Auflösung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repräsentation des beobachteten Klimas der Vergangenheit aufweisen, sollte vor der weiteren Verwendung eine Anpassung der Daten erfolgen. Dies geschieht in der vorliegenden Arbeit am Beispiel des regionalen Klimamodells REMO im Bezug auf klimatische Kennwerte für Trockenheit, Starkniederschlag, Hitze sowie (Spät-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ansätze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgeführt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großräumige atmosphärische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Prädiktoren für die Aufstellung von Transferfunktionen zur Simulation der Indizes. Diese Transferfunktionen werden sowohl mithilfe Multipler Linearer Regression als auch mit verschiedenen Generalisierten Linearen Modellen konstruiert. Sie werden anschließend genutzt, um Analysen auf Basis von biaskorrigierten Globalmodell-angetriebenen REMO-Prädiktoren durchzuführen. Sowohl für die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgeführt, um die Ergebnisse unabhängig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien für den gesamten historischen Modellzeitraum verglichen, so weist für alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt für das 21. Jahrhundert negative Trends der (Spät-)Frost- und Eis- sowie positive Trends der Hitzetagehäufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verstärkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle bestätigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Spätfrost Widersprüche, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird.
Zusätzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Prädiktoren zur Simulation von Erträgen aus Acker- und Weinbau wiederholt. Die Güte kann aufgrund mangelnder Beobachtungsdatenlänge nur anhand der Reanalyse-angetriebenen REMO-Daten abgeschätzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel über alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchterträge. Hinsichtlich der Frankenweinerträge widersprechen sich die Ergebnisse der drei Klassen Weiß-, Rot- und Gesamtwein insofern, als dass REMO und ein weiteres Modell negative Weiß- und Rotweinertragstrends, jedoch positive Gesamtweinertragstrends simulieren. Die zwei anderen verwendeten Modelle führen durch positive Trendvorzeichen für den Weißwein zu insgesamt kohärenten Ergebnissen.
Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegenüber Hitze sowie im Speziellen gegenüber Trockenheit in Zukunft im ohnehin trockenheitsgeprägten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Spätfrostgefahr müssen im Blick behalten werden. Die Trends der Feldfruchterträge deuten in die gleiche Richtung, da Sommergetreide eine höhere Trockenheitsanfälligkeit besitzen. Die unklaren Ergebnisse der Weinerträge hingegen lassen keine eindeutigen Schlüsse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung könnten ein Grund hierfür sein.