Refine
Has Fulltext
- yes (5)
Is part of the Bibliography
- yes (5)
Document Type
- Journal article (4)
- Doctoral Thesis (1)
Keywords
- Entscheidung bei Risiko (1)
- FCN (1)
- Fernerkundung (1)
- Remote Sensing (1)
- Stadt (1)
- Vulnerabilität (1)
- West African refugee crisis (1)
- big earth data (1)
- convolutional neural networks (1)
- deep learning (1)
Institute
- Institut für Geographie und Geologie (5) (remove)
EU-Project number / Contract (GA) number
- 714087 (1)
Human health is known to be affected by the physical environment. Various environmental influences have been identified to benefit or challenge people's physical condition. Their heterogeneous distribution in space results in unequal burdens depending on the place of living. In addition, since societal groups tend to also show patterns of segregation, this leads to unequal exposures depending on social status. In this context, environmental justice research examines how certain social groups are more affected by such exposures. Yet, analyses of this per se spatial phenomenon are oftentimes criticized for using “essentially aspatial” data or methods which neglect local spatial patterns by aggregating environmental conditions over large areas. Recent technological and methodological developments in satellite remote sensing have proven to provide highly detailed information on environmental conditions. This narrative review therefore discusses known influences of the urban environment on human health and presents spatial data and applications for analyzing these influences. Furthermore, it is discussed how geographic data are used in general and in the interdisciplinary research field of environmental justice in particular. These considerations include the modifiable areal unit problem and ecological fallacy. In this review we argue that modern earth observation data can represent an important data source for research on environmental justice and health. Especially due to their high level of spatial detail and the provided large-area coverage, they allow for spatially continuous description of environmental characteristics. As a future perspective, ongoing earth observation missions, as well as processing architectures, ensure data availability and applicability of ’big earth data’ for future environmental justice analyses.
The surface urban heat island (SUHI) affects the quality of urban life. Because varying urban structures have varying impacts on SUHI, it is crucial to understand the impact of land use/land cover characteristics for improving the quality of life in cities and urban health. Satellite-based data on land surface temperatures (LST) and derived land use/cover pattern (LUCP) indicators provide an efficient opportunity to derive the required data at a large scale. This study explores the seasonal and diurnal variation of spatial associations from LUCP and LST employing Pearson correlation and ordinary least squares regression analysis. Specifically, Landsat-8 images were utilized to derive LSTs in four seasons, taking Berlin as a case study. The results indicate that: (1) in terms of land cover, hot spots are mainly distributed over transportation, commercial and industrial land in the daytime, while wetlands were identified as hot spots during nighttime; (2) from the land composition indicators, the normalized difference built-up index (NDBI) showed the strongest influence in summer, while the normalized difference vegetation index (NDVI) exhibited the biggest impact in winter; (3) from urban morphological parameters, the building density showed an especially significant positive association with LST and the strongest effect during daytime.
Unprecedented urbanization in particular in countries of the global south result in informal urban development processes, especially in mega cities. With an estimated 1 billion slum dwellers globally, the United Nations have made the fight against poverty the number one sustainable development goal. To provide better infrastructure and thus a better life to slum dwellers, detailed information on the spatial location and size of slums is of crucial importance. In the past, remote sensing has proven to be an extremely valuable and effective tool for mapping slums. The nature of used mapping approaches by machine learning, however, made it necessary to invest a lot of effort in training the models. Recent advances in deep learning allow for transferring trained fully convolutional networks (FCN) from one data set to another. Thus, in our study we aim at analyzing transfer learning capabilities of FCNs to slum mapping in various satellite images. A model trained on very high resolution optical satellite imagery from QuickBird is transferred to Sentinel-2 and TerraSAR-X data. While free-of-charge Sentinel-2 data is widely available, its comparably lower resolution makes slum mapping a challenging task. TerraSAR-X data on the other hand, has a higher resolution and is considered a powerful data source for intra-urban structure analysis. Due to the different image characteristics of SAR compared to optical data, however, transferring the model could not improve the performance of semantic segmentation but we observe very high accuracies for mapped slums in the optical data: QuickBird image obtains 86–88% (positive prediction value and sensitivity) and a significant increase for Sentinel-2 applying transfer learning can be observed (from 38 to 55% and from 79 to 85% for PPV and sensitivity, respectively). Using transfer learning proofs extremely valuable in retrieving information on small-scaled urban structures such as slum patches even in satellite images of decametric resolution.
The fastest growing regional crisis is happening in West Africa today, with over 8 million people considered persons of concern. A culmination of identity politics, climate-driven disasters, and extreme poverty has led to this humanitarian crisis in the region and is exacerbated by a lack of political will and misplaced media attention. The current state of the art does not present sufficient investigations of the thematic and spatial coverage of news media of this crisis in this region. This paper studies the spatial coverage of this crisis as reported in the media, and the themes associated with those locations, based on a curated dataset. For the time frame 12 March to 15 September 2021, 2017 news articles related to the refugee crisis in West Africa were examined and manually coded based on (1) the geographical locations mentioned in each article; (2) the themes found in the articles in reference to a location (e.g., Relocation of people in Abuja). The dataset introduces a thematic dimension, as never achieved before, to the conflict-ridden areas in West Africa. A comparative analysis with UNHCR (United Nations High Commissioner for Refugees) data showed that 96.8% of refugee-related locations in West Africa were not covered by news during the considered time frame. Contrastingly, 80.4% of locations mentioned in the news do not appear in the UNHCR repository. Most news articles published during this time frame reported on Development aid or Political statements. Linear multiple regression analysis showed GDP per capita and political stability to be among the most influential determinants of news coverage.
Vulnerabilitätsabschätzung der erdbebengefährdeten Megacity Istanbul mit Methoden der Fernerkundung
(2008)
Urbane Räume zählen zu den dynamischsten Regionen dieser Erde. Besonders Megacities zeigen bereits heute Trends und Dimensionen der Urbanisierung, deren regionale und globale Folgen noch kaum vorhersehbar, und erst ansatzweise erforscht sind. Die enorme räumliche Konzentration von Menschen, Werten und Infrastruktur auf engem Raum ist für diese urbanen Räume die Grundlage einer hohen Verwundbarkeit (Vulnerabilität). Gerade im Kontext von Naturgefahren potenzieren sich die Risiken, die durch den schnellen strukturellen, sozioökonomischen und ökologischen Wandel entstehen. Das übergeordnete Ziel dieser Dissertation ist daher die Analyse von Potentialen der Fernerkundung zur Abschätzung von Risiko und Vulnerabilität am Beispiel der erdbebengefährdeten Megacity Istanbul. Um die Zielstellung systematisch zu verfolgen, wird ein konzeptioneller, thematischer Leitfaden entwickelt. Dieser besteht aus einer Systematisierung der abstrakten Überbegriffe ‚Risiko’, ‚Vulnerabilität’ und ‚Gefährdung’ in einem Indikatorensystem. Konkrete, messbare Indikatoren für das System ‚urbaner Raum’ erlauben eine quantitative Abschätzung von Einzelaspekten, addieren sich aber auch zu einer ganzheitlichen Perspektive des Risikos. Basierend auf dieser holistischen Idee, erlaubt das Indikatorensystem Potentiale, aber auch Limitierungen der Fernerkundungsdaten und Bildverarbeitungsmethoden für die Abschätzung von Risiko und Vulnerabilität zu identifizieren. Anhand des Leitfadens werden zielgerichtet Methoden zur automatisierten Extraktion räumlicher Informationen aus Fernerkundungsdaten entwickelt. Ein objektorientierter, modularer Klassifikationsansatz ermöglicht eine Landbedeckungsklassifikation höchst aufgelöster Daten im urbanen Raum. Dieses modulare Rahmenwerk zielt auf eine einfache und schnelle Übertragbarkeit auf andere höchst auflösende Sensoren bzw. andere urbane Strukturen. Zur Anpassung der Methoden werden neben IKONOS Daten der Megacity Istanbul und der erdbeben- und tsunamigefährdeten Küstenstadt Padang in Indonesien, Quickbird Daten für die zukünftige Megacity Hyderabad in Indien getestet. Die Resultate zeigen die detaillierte und hochgenaue Erfassung kleinräumiger, heterogener urbaner Objekte mit Genauigkeiten von über 80 %. Auch mittel aufgelöste Landsat Daten werden mit einem objektorientierten modularen Rahmenwerk mit hohen Genauigkeiten klassifiziert, um komplementäre temporale und gesamtstädtische Analysen hinzuzufügen. Damit wird eine aktuelle, flächendeckende und multiskalige Informationsbasis generiert, die als Ausgangsprodukt zur Analyse urbaner Vulnerabilität dient. Basierend auf diesen Informationsebenen werden dem konzeptionellen Leitfaden folgend Indikatoren zur Abschätzung von Vulnerabilität und Risiko extrahiert. Der Fokus ist dabei die Entwicklung von Methoden zur automatisierten, interpreterunabhängigen Ableitung vulnerabilitäts- und gefährdungsrelevanter Indikatoren. Die physische Analyse des kleinräumigen urbanen Raums konzentriert sich dabei auf die Typisierung des Gebäudebestandes mit Parametern wie Dichte, Höhe, Alter, Größe, Form sowie Dachtyp. Indirekt wird zudem mittels dieser Parameter die Bevölkerungsdichteverteilung abgeleitet. Weitere Standortfaktoren ergeben sich aus Lageparametern wie Distanzen zu Hauptverkehrsachsen, Freiflächenanalysen oder der Geländeoberfläche. Schließlich führt die Vulnerabilitätsabschätzung den modellhaften, thematischen Leitfaden mit den abgeleiteten Indikatoren zusammen. Dazu erfolgt eine Normierung der unterschiedlichen abgeleiteten Indikatoren auf einen einheitlichen Vulnerabilitätsindex. Dieser zielt auf eine räumliche und zeitliche Vergleichbarkeit und die Möglichkeit, die vielfältigen Informationsebenen zu kombinieren. Damit wird das Zusammenspiel verschiedenster Indikatoren simuliert und erlaubt daraus Identifizierung und Lokalisierung von Brennpunkten im Desasterfall. Über das fernerkundliche Potential hinaus, werden die Resultate in einer interdisziplinären Methode zu einem synergetischen Mehrwert erhoben. Statt einer quantitativen Abschätzung der physischen Gebäudeparameter, ermöglicht eine Methode des Bauingenieurwesens in Kombination mit der fernerkundlichen Gebäudetypisierung eine Abschätzung der wahrscheinlichen Schadensanfälligkeit von Gebäuden im Falle eines Erdbebens. Exemplarisch wird das Potential der Resultate für Entscheidungsträger anhand eines Erdbebensszenarios aufgezeigt. Risiko und Vulnerabilität lassen sich dadurch räumlich sowohl nach betroffenen Häusern und betroffenen Menschen als auch nach räumlichen Standortfaktoren wie beispielsweise Zugänglichkeit quantifizieren. Dies ermöglicht gezielt präventiv zu agieren oder während und nach einem Desaster gezieltes Krisenmanagement zu betreiben. Im Hinblick auf die zentrale Fragestellung dieser Dissertation lässt sich resümieren, dass die Aktualität sowie die geometrische und thematische Qualität der Resultate aus Fernerkundungsdaten, den Anforderungen des komplexen, kleinräumigen und dynamischen urbanen Raums gerecht werden. Die Resultate führen zu der Erkenntnis, dass das Potential der Fernerkundung zur Abschätzung von Vulnerabilität und Risiko vor allem in der direkten Ableitung physischer Indikatoren sowie der indirekten Ableitung demographischer Parameter liegt.