STAGE<\/p>\n
Gr\u00fcnfl\u00e4chen stellen einen der wichtigsten Umwelteinfl\u00fcsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits k\u00f6nnen Gr\u00fcnfl\u00e4chen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Gr\u00fcnfl\u00e4chen nicht f\u00fcr die gesamte Bev\u00f6lkerung gleicherma\u00dfen zug\u00e4nglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-\u00f6konomische und demographische Gruppen der deutschen Bev\u00f6lkerung unterschiedlichen Zugriff auf Gr\u00fcnfl\u00e4chen haben. An bestehenden Analysen von Umwelteinfl\u00fcssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten h\u00e4ufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere f\u00fcr gro\u00dffl\u00e4chig angelegte Studien zu. So werden wichtige r\u00e4umliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens erm\u00f6glichen die effiziente Verarbeitung zur Ableitung h\u00f6herwertiger Informationen.<\/p>\n
Das \u00fcbergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Gr\u00fcnfl\u00e4chen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen f\u00fcr die gro\u00dffl\u00e4chige und hochaufgel\u00f6ste Analyse von Umwelteigenschaften aufzuzeigen und durchzuf\u00fchren. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden f\u00fcr die Verbesserung der r\u00e4umlichen und semantischen Aufl\u00f6sung von Geoinformationen erforscht werden. Hierf\u00fcr werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenl\u00fccken zu schlie\u00dfen und Aufschluss \u00fcber die Verteilungsgerechtigkeit von Gr\u00fcnfl\u00e4chen zu bieten.<\/p>\n
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 f\u00fcr 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 gr\u00fcne Landbedeckung (GLC) r\u00e4umlich zu quantifizieren.<\/p>\n
Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Gr\u00fcnfl\u00e4chen anhand des Beispiels \u00f6ffentlicher Gr\u00fcnfl\u00e4chen (PGS), die h\u00e4ufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine h\u00e4ufig verwendete Quelle f\u00fcr r\u00e4umliche Daten zu \u00f6ffentlichen Gr\u00fcnfl\u00e4chen, der European Urban Atlas (EUA), wird bisher nicht fl\u00e4chendeckend f\u00fcr Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verf\u00fcgbarkeit von \u00f6ffentlichem Gr\u00fcn auf der r\u00e4umlichen Ebene von Nachbarschaften f\u00fcr ganz Deutschland zu ermitteln. Hierf\u00fcr 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 verf\u00fcgbare Fl\u00e4che von \u00f6ffentlichem Gr\u00fcn quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge \u00f6ffentlicher Gr\u00fcnfl\u00e4chen in der Nachbarschaft zu sch\u00e4tzen ( 2 = 0.952).<\/p>\n
Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Gr\u00fcnfl\u00e4chen in Deutschland unter Hinzunahme von georeferenzierten Bev\u00f6lkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Gr\u00fcnfl\u00e4chen nach zwei Typen: GLC und PGS. Zun\u00e4chst wird mithilfe deskriptiver Statistiken die generelle Gr\u00fcnfl\u00e4chenverteilung in der Bev\u00f6lkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand g\u00e4ngiger Gerechtigkeitsmetriken bestimmt. Abschlie\u00dfend werden die Zusammenh\u00e4nge zwischen der demographischen Komposition der Nachbarschaft und der verf\u00fcgbaren Menge von Gr\u00fcnfl\u00e4chen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verf\u00fcgbarkeit von PGS zwischen st\u00e4dtischen und l\u00e4ndlichen Gebieten. Ein h\u00f6herer Prozentsatz der Stadtbev\u00f6lkerung hat Zugriff das Mindestma\u00df von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bez\u00fcglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Gr\u00fcnfl\u00e4chentypen f\u00fcr derartige<\/p>\n
Untersuchungen. Die abschlie\u00dfende Betrachtung verschiedener Bev\u00f6lkerungsgruppen arbeitet Unterschiede auf soziodemographischer Ebene auf.<\/p>\n
In der Zusammenschau demonstriert diese Arbeit wie moderne Geodaten und Methoden des maschinellen Lernens genutzt werden k\u00f6nnen bisherige Limitierungen r\u00e4umlicher Datens\u00e4tze zu \u00fcberwinden. Am Beispiel von Gr\u00fcnfl\u00e4chen in der Wohnumgebung der Bev\u00f6lkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgel\u00f6ste und lokal feingliedrige geographische Informationen bereichert werden k\u00f6nnen. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten k\u00f6nnen, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterst\u00fctzen und \u00fcberwachen.<\/p>\n","protected":false},"excerpt":{"rendered":"
STAGE Gr\u00fcnfl\u00e4chen stellen einen der wichtigsten Umwelteinfl\u00fcsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits k\u00f6nnen Gr\u00fcnfl\u00e4chen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Gr\u00fcnfl\u00e4chen nicht f\u00fcr die gesamte Bev\u00f6lkerung gleicherma\u00dfen zug\u00e4nglich. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"template":"","meta":{"footnotes":""},"categories":[],"tags":[2477],"class_list":["post-52448","promotionsstipendium","type-promotionsstipendium","status-publish","hentry","tag-deutschland"],"meta_box":{"dbu_stipendiaten_az":"20016\/468","dbu_stipendiaten_anrede":"","dbu_stipendiaten_nachname":"Weigand","dbu_stipendiaten_vorname":"Matthias","dbu_stipendiaten_titel":"Dr.","dbu_stipendiaten_fbeginn":"2017-04-01 00:00:00","dbu_stipendiaten_fende":"2020-03-31 00:00:00","dbu_stipendiaten_e_anschrif":"Julius-Maximilians Universi\u00e4t W\u00fcrzburg Insitiut f\u00fcr Geographie und Geologie Lehrstuhl f\u00fcr Fernerkundung","dbu_stipendiaten_betreuer":"Prof. Dr. Stefan Dech","dbu_stipendiaten_email_dienst":"matthias.weigand@protonmail.com"},"_links":{"self":[{"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/promotionsstipendium\/52448","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/promotionsstipendium"}],"about":[{"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/types\/promotionsstipendium"}],"author":[{"embeddable":true,"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/users\/1"}],"version-history":[{"count":1,"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/promotionsstipendium\/52448\/revisions"}],"predecessor-version":[{"id":58460,"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/promotionsstipendium\/52448\/revisions\/58460"}],"wp:attachment":[{"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/media?parent=52448"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/categories?post=52448"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.dbu.de\/en\/wp-json\/wp\/v2\/tags?post=52448"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}