STAGE<\/p>\n
Gr\u00c3\u00bcnfl\u00c3\u00a4chen stellen einen der wichtigsten Umwelteinfl\u00c3\u00bcsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits k\u00c3\u00b6nnen Gr\u00c3\u00bcnfl\u00c3\u00a4chen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Gr\u00c3\u00bcnfl\u00c3\u00a4chen nicht f\u00c3\u00bcr die gesamte Bev\u00c3\u00b6lkerung gleicherma\u00c3\u0178en zug\u00c3\u00a4nglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-\u00c3\u00b6konomische und demographische Gruppen der deutschen Bev\u00c3\u00b6lkerung unterschiedlichen Zugriff auf Gr\u00c3\u00bcnfl\u00c3\u00a4chen haben. An bestehenden Analysen von Umwelteinfl\u00c3\u00bcssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten h\u00c3\u00a4ufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere f\u00c3\u00bcr gro\u00c3\u0178fl\u00c3\u00a4chig angelegte Studien zu. So werden wichtige r\u00c3\u00a4umliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens erm\u00c3\u00b6glichen die effiziente Verarbeitung zur Ableitung h\u00c3\u00b6herwertiger Informationen.<\/p>\n
Das \u00c3\u00bcbergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Gr\u00c3\u00bcnfl\u00c3\u00a4chen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen f\u00c3\u00bcr die gro\u00c3\u0178fl\u00c3\u00a4chige und hochaufgel\u00c3\u00b6ste Analyse von Umwelteigenschaften aufzuzeigen und durchzuf\u00c3\u00bchren. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden f\u00c3\u00bcr die Verbesserung der r\u00c3\u00a4umlichen und semantischen Aufl\u00c3\u00b6sung von Geoinformationen erforscht werden. Hierf\u00c3\u00bcr werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenl\u00c3\u00bccken zu schlie\u00c3\u0178en und Aufschluss \u00c3\u00bcber die Verteilungsgerechtigkeit von Gr\u00c3\u00bcnfl\u00c3\u00a4chen 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\u00c3\u00bcr 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\u00c3\u00bcne Landbedeckung (GLC) r\u00c3\u00a4umlich zu quantifizieren.<\/p>\n
Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Gr\u00c3\u00bcnfl\u00c3\u00a4chen anhand des Beispiels \u00c3\u00b6ffentlicher Gr\u00c3\u00bcnfl\u00c3\u00a4chen (PGS), die h\u00c3\u00a4ufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine h\u00c3\u00a4ufig verwendete Quelle f\u00c3\u00bcr r\u00c3\u00a4umliche Daten zu \u00c3\u00b6ffentlichen Gr\u00c3\u00bcnfl\u00c3\u00a4chen, der European Urban Atlas (EUA), wird bisher nicht fl\u00c3\u00a4chendeckend f\u00c3\u00bcr Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verf\u00c3\u00bcgbarkeit von \u00c3\u00b6ffentlichem Gr\u00c3\u00bcn auf der r\u00c3\u00a4umlichen Ebene von Nachbarschaften f\u00c3\u00bcr ganz Deutschland zu ermitteln. Hierf\u00c3\u00bcr 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\u00c3\u00bcgbare Fl\u00c3\u00a4che von \u00c3\u00b6ffentlichem Gr\u00c3\u00bcn quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge \u00c3\u00b6ffentlicher Gr\u00c3\u00bcnfl\u00c3\u00a4chen in der Nachbarschaft zu sch\u00c3\u00a4tzen (\u00f0\u009d\u2018\u2026 2 = 0.952).<\/p>\n
Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Gr\u00c3\u00bcnfl\u00c3\u00a4chen in Deutschland unter Hinzunahme von georeferenzierten Bev\u00c3\u00b6lkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Gr\u00c3\u00bcnfl\u00c3\u00a4chen nach zwei Typen: GLC und PGS. Zun\u00c3\u00a4chst wird mithilfe deskriptiver Statistiken die generelle Gr\u00c3\u00bcnfl\u00c3\u00a4chenverteilung in der Bev\u00c3\u00b6lkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand g\u00c3\u00a4ngiger Gerechtigkeitsmetriken bestimmt. Abschlie\u00c3\u0178end werden die Zusammenh\u00c3\u00a4nge zwischen der demographischen Komposition der Nachbarschaft und der verf\u00c3\u00bcgbaren Menge von Gr\u00c3\u00bcnfl\u00c3\u00a4chen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verf\u00c3\u00bcgbarkeit von PGS zwischen st\u00c3\u00a4dtischen und l\u00c3\u00a4ndlichen Gebieten. Ein h\u00c3\u00b6herer Prozentsatz der Stadtbev\u00c3\u00b6lkerung hat Zugriff das Mindestma\u00c3\u0178 von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bez\u00c3\u00bcglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Gr\u00c3\u00bcnfl\u00c3\u00a4chentypen f\u00c3\u00bcr derartige<\/p>\n
Untersuchungen. Die abschlie\u00c3\u0178ende Betrachtung verschiedener Bev\u00c3\u00b6lkerungsgruppen 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\u00c3\u00b6nnen bisherige Limitierungen r\u00c3\u00a4umlicher Datens\u00c3\u00a4tze zu \u00c3\u00bcberwinden. Am Beispiel von Gr\u00c3\u00bcnfl\u00c3\u00a4chen in der Wohnumgebung der Bev\u00c3\u00b6lkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgel\u00c3\u00b6ste und lokal feingliedrige geographische Informationen bereichert werden k\u00c3\u00b6nnen. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten k\u00c3\u00b6nnen, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterst\u00c3\u00bctzen und \u00c3\u00bcberwachen.<\/p>\n","protected":false},"excerpt":{"rendered":"
STAGE Gr\u00c3\u00bcnfl\u00c3\u00a4chen stellen einen der wichtigsten Umwelteinfl\u00c3\u00bcsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits k\u00c3\u00b6nnen Gr\u00c3\u00bcnfl\u00c3\u00a4chen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Gr\u00c3\u00bcnfl\u00c3\u00a4chen nicht f\u00c3\u00bcr die gesamte Bev\u00c3\u00b6lkerung gleicherma\u00c3\u0178en zug\u00c3\u00a4nglich. […]<\/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\u00c3\u00a4t W\u00c3\u00bcrzburg Insitiut f\u00c3\u00bcr Geographie und Geologie Lehrstuhl f\u00c3\u00bcr 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}]}}