No description available.

( esky) Základním úkolem je vyhodnocení archeologických výzkum provedených na ran st edov kém hradišti Vraclav (okr. Ústí nad Orlicí) do roku 1963. Základním pramenem budou nálezové vypracované L. Hrdli kou a L. Skružným uložené v archivu Archeologického ústavu AV R, Praha, v. v. i. Hlavním úkolem je shromážd ní dostupné terénní dokumentace z dosud provedených výzkum a vyhodnocení jednotlivých sídlištních a poh ebních komponent s cílem rekonstrukce jejich uspo ádání na akropoli hradišt . Diplomantka se zam í p edevším na rozsah poh ebišt a rekonstrukci zachycených stavebních konstrukcí. Zpracování a vyhodnocení terénních nálezových situací bude provedeno v prost edí GIS. P i zpracování movitých nález bude v nována pozornost zejména výb ru keramických soubor klí ových pro vývoj hradišt . Sou ástí celkového vyhodnocení bude srovnání s výsledky povrchových pr zkum detektory kov a geofyzikálního m ení a další nedestruktivních metod archeologického výzkumu provedených Regionálním muzeem ve Vysokém Mýt a Archeologickým ústavem AV R, Praha, v. v. i., které budou diplomantce k dispozici. Abstrakt (anglicky) The basic task is an analysis of the archaeological researches performed at early medieval fortification site Vraclav (Ústí nad Orlicí district) since 1963. The basic source is the documentation of the...

Historically, Norwegian settlement archaeology and research has depended on secondary materials, such as graves, non-contextual artefacts, and historical maps, often used in a retrogressive manner. Primary settlement materials were scarce, which to some extent justified the use of such methodologies. However, an increasing amount of rescue and commercial archaeology projects, combined with mechanical topsoil removal, has led to a vast increase in available primary material. This paper examines two sites excavated as part of E18-prosjektet Gulli-Langåker, namely Gulli and Auli, using both primary and secondary materials to illuminate its settlement structure during the late iron age.  The archaeological material suggests that the two settlements performed continuous dwelling activities within a smaller confined area, though not at a fixed point in the landscape, throughout most of the iron age. These settlements did not reside in the landscape, they were the landscape. As external pressure changed, so did the composition of the landscape at any particular point. The nature, and force, of the pressures experienced during the Migration- and early Merovingian period led to significant changes in the interactions with the surrounding landscape. The result was neo-localization and a contraction of the local social sphere, seen by the changed field of inquiry at the new dwelling sites. A need to mark the geographical extent of the social sphere, as well as an act of dedication to the group, communal gravesites were placed on top of the earlier settlements. The road into the social sphere went through the graves, largely consisting of mounds, creating a theatric and symbolic access and exit point. So, to locate more early iron age dwelling sites one must look beyond the sites from the previous period, using knowledge of contemporary challenges and the phenomenology of the landscape as a compass.

Laut der Bundesregierung soll bis 2050 der Anteil umweltschädlicher Treibhausgase um bis zu 95 % verringert werden (BMWi 2010). Dies kann nur gelingen, wenn auf der einen Seite der Energieverbrauch reduziert wird, z. B. durch Verbesserung der Energieeffizienz technischer Anlagen und die energetische Gebäudesanierung, und auf der anderen Seite der Beitrag regenerativer Energien am Energieverbrauch gesteigert wird. Zur Umsetzung und Bewältigung der damit einhergehenden Herausforderungen kommt den Städten und Gemeinden eine Schlüsselrolle zu. Findet in diesen doch der Großteil des Energieverbrauchs und des umweltschädlichen anthropogenen Ausstoßes von Treibhausgasen statt (Pichler, P.-P. et al. 2017). Vielerorts wurden diesbezüglich erste Weichen gestellt und Maßnahmen zur Reduzierung des Energieverbrauchs aber auch zur Integration regenerativer Energien eingeleitet (Aretz, A. et al. 2009). So entstanden u. a. im Rahmen der Nationalen Klimaschutzinitiative (BMU) in den letzten Jahren eine Vielzahl an Energiekonzepten für Gemeinden und Quartiere, allen voran für die Metropolen und Großstädte. Doch neben den Großstädten und den Metropolen kommt gerade den Klein- und Mittelstädten aufgrund ihrer Anzahl und Verankerung in der Fläche eine zentrale Bedeutung bei der Umsetzung der Energiewende in der Breite zu. Aufgrund der vielfältigen Herausforderungen, denen sich Klein- und Mittelstädte gegenübersehen (z. B. Demografischer Wandel, Bevölkerungsabwanderung, Daseinsvorsorge, Klimaanpassung, Energiewende, usw.), bedürfen diese zukünftig einer steigenden Unterstützung bei der Transformation hin zu einer nachhaltigen Energieversorgung. Voraussetzung hierfür ist neben finanziellen und personellen Ressourcen insbesondere auch die Bereitstellung von Informationen, die für eine Entwicklung von Maßnahmen hin zur Transformation notwendig sind, von besonderer Bedeutung. Während für Großstädte und Metropolen bereits eine Vielzahl an Daten und Informationen existieren und immer neue hinzukommen, fehlt es in Klein- und Mittelstädten bzw. in der Fläche an relevanten Informations- und Datenquellen für die Erarbeitung von Energiekonzepten. Infolgedessen werden bei der Erstellung von Konzepten für Kleinund Mittelstädte, insbesondere ländlich geprägten Regionen, häufig regionale oder auch nationale Datenquellen und Durchschnittswerte herangezogen. Die hierbei verwendeten Verfahren und Softwarelösungen liefern eine breite Spanne unterschiedlicher Ergebnisse, wodurch ein Vergleich zwischen Konzepten und Ergebnissen aber auch zwischen den Gemeinden nur bedingt möglich ist. Trotz des fluktuierenden Charakters der Mehrheit der regenerativen Energieformen werden in den Konzepten nur vereinzelt die zeitlichen Verläufe von Energienachfrage und Energieangebot berücksichtigt. Hierbei beeinflussen gerade diese das Potenzial einer Gemeinde große Teile der Energienachfrage mit regenerativen Energien zu versorgen und damit unabhängiger von Energieimporten zu werden. Im Rahmen der Arbeit wurde dahingehend ein Verfahren erarbeitet, mit dessen Hilfe das regenerative Energiepotenzial für die Energieversorgung der Wohnbebauung ermittelt werden kann. Exemplarisch wurden hierfür die Solarenergie und die in organischen Restund Abfallstoffen gespeicherte Energie ausgewählt. Dem Angebot solarer und in Biomasse gespeicherter Energie (Kapitel 5) wird der Energiebedarf der Privaten Haushalte für Strom, Warmwasser und Raumwärme gegenübergestellt (Kapitel 4). Gegenüber derzeit gängigen Untersuchungen auf kommunaler Ebene werden hierbei insbesondere die zeitlichen Unterschiede in der Energienachfrage und dem regenerativen Energieangebot durch Last- und Bereitstellungsprofile berücksichtigt. Grundlage der Berechnungen von Energiebedarf und regenerativem Energieangebot bildet das Siedlungsmodell (Kapitel 3), welches den Wohngebäudebestand und die damit verbundene Flächennutzung u. a. aufBasis von amtlichen Statistiken und frei zugänglichen Daten beschreibt. Anhand eines Fallbeispiels wird der Ansatz demonstriert (Kapitel 6) und mittels Sensitivitätsstudien der Einfluss sowie Wirkungszusammenhänge ausgewählter Parameter näher beleuchtet. Abschließend werden im Kapitel 7 die Ergebnisse ausgewertet, interpretiert sowie ein Fazit gezogen. Aus den gewonnenen Erkenntnissen zeigt sich, dass Berechnungen zum regenerativen Energiepotenzial auf Jahresbasis nur eine vergleichsweise geringe Aussagekraft bezüglich des Beitrags zur Energieversorgung zulassen. Demgegenüber weisen Modellierungen auf stündlicher Basis darauf hin, in welchen Zeiträumen, die hier betrachteten, regenerativen Energiequellen (Solarenergie, organische Rest- und Abfallstoffe) einen Beitrag zur Energieversorgung leisten können. Weiterhin zeigt sich, dass das bilanzierte regenerative Energiepotenzial für ein Jahr etwa um den Faktor 3 über dem modellierten Potenzial auf stündlicher Basis liegt.:Abbildungsverzeichnis Tabellenverzeichnis Abkürzungsverzeichnis Kurzfassung Abstract 1 Einleitung 1.1 Forschungsfrage und Zielstellung 1.2 Forschungskonzept und Aufbau der Arbeit 2 Grundlagen und Definitionen 2.1 100 %-Erneuerbare Eigenversorgung 2.2 Nutzenergie, Endenergie, Verbrauch und Bedarf 2.2.1 Nutz- und Endenergie 2.2.2 Energieverbrauch und Energiebedarf 2.3 Lastgang der Energienachfrage und Volatilität regenerativer Energien 2.4 Wirkungszusammenhänge zwischen Siedlungsstruktur und Energie 2.4.1 Struktur und Morphologie von Siedlungen 2.4.2 Siedlungsstrukturen im Kontext von Energieverbrauch und Energieeffizienz 2.4.3 Siedlungsstrukturen und Energiebereitstellung 3 Das Siedlungsmodell 3.1 Der Strukturtypenansatz 3.1.1 Die Strukturtypen 3.1.2 Merkmale und Merkmalsausprägungen der Strukturtypen 3.1.3 Herleitung der Strukturtypen 3.2 Gebäudevertreter 3.2.1 Systematik der Gebäudevertreter 3.2.2 Merkmale und Merkmalsausprägungen der Gebäudevertreter 3.2.3 Herleitung der Gebäudevertreter 4 Energiebedarfsmodell 4.1 Heizwärmebedarf privater Haushalte 4.1.1 Verfahren zur Berechnung des Heizwärmebedarfs auf städtischer bzw. teilstädtischer Ebene 4.1.2 Energiekennwerte 4.1.3 Modelle zur Modellierung von Heizlastprofilen 4.1.4 Berechnung des Heizwärmebedarfs und Modellierung der Wärmelast im Modell 4.2 Energieaufwand für die Bereitstellung von Warmwasser in privaten Haushalten 4.2.1 Einflussfaktoren des häuslichen Warmwasserkonsums und dem damit verbundenen Energieverbrauch 4.2.2 Methode zur Berechnung des Energiebedarfs für Warmwasser 4.2.3 Lastprofil des Warmwasserbedarfs 4.2.4 Berechnung und Modellierung des Warmwasserbedarfs im Modell 4.3 Stromverbrauch privater Haushalte 4.3.1 Einflussfaktoren 4.3.2 Methoden zur Ermittlung des Strombedarfs privater Haushalte 4.3.3 Ansätze und Konzepte zur Modellierung von Lastprofilen privater Haushalte 4.3.4 Berechnung und Modellierung des Stromverbrauchs privater Haushalte im Modell 5 Potenziale regenerativer Energien und Energiespeicher 5.1 Aktive Nutzung direkter solarer Strahlungsenergie 5.1.1 Berechnung der solaren Strahlungsenergie 5.1.2 Energetische Nutzung direkter Solarstrahlung mittels Photovoltaik 5.1.3 Energetische Wärmenutzung direkter Solarstrahlung 5.1.4 Flächen für eine aktive solare Strom- und Wärmebereitstellung 5.1.5 Berechnung des PV- und Solarthermiepotenzial im Modell 5.2 Energetische Nutzung organischer Abfälle aus dem Siedlungsbereich 5.2.1 Aufkommen organischer Siedlungsabfälle privater Haushalte 5.2.2 Berechnung des Aufkommens organischer Siedlungsabfälle im Modell 5.2.3 Energiebereitstellung aus organischen Siedlungsabfällen privater Haushalte 5.2.4 Berechnung des energetischen Potenzials im Modell 5.3 Energiespeicher 5.3.1 Stromspeicher 5.3.2 Wärmespeicher 5.3.3 Integration der Speicher im Modell 6 Anwendung des Verfahrens an einem Fallbeispiel 6.1 Das Fallbeispiel 6.1.1 Bestand und Struktur der Wohngebäude 6.1.2 Einwohner- und Haushaltsdaten 6.1.3 Eingangsdaten und Annahmen zu den Strukturtypen 6.1.4 Eingangsdaten regenerativer Energien 6.1.5 Ergebnisse des Siedlungsmodells 6.2 Energiebedarf im Fallbeispiel 6.2.1 Gesamtbilanz 6.2.2 Warmwasserbedarf 6.2.3 Strombedarf 6.2.4 Heizenergie 6.3 Potenzial regenerativer Energien im Fallbeispiel 6.3.1 Biomasse 6.3.2 Solarenergie (Photovoltaik) 6.3.3 Solarenergie (Solarthermie) 6.4 Bilanzierung der stündlichen Last und der Energiebereitstellung 6.4.1 Winter 6.4.2 Übergang 6.4.3 Sommer 6.5 Sensitivitätsanalysen 6.5.1 Extremer Winter und extremer Sommer 6.5.2 Bauliche Dichte 6.5.3 Thermische Verbesserung von Wohngebäuden 6.5.4 Speicherdimension 6.5.5 Zusammenfassung der Sensitivitätsanalysen 7 Auswertung und Interpretation 7.1 Beitrag regenerativer Energien zur Energieversorgung 7.2 Das Verfahren – Umsetzung, Grenzen und Übertragbarkeit 7.3 Zukünftige Aufgaben und weitere Forschungsfelder 8 Literatur 9 Anhang 9.1 Anhang Kapitel „Lastprofile privater Haushalte“ 9.2 Anhang Kapitel 7. - „Datengrundlage Fallbeispiel“

The future operation of public low voltage networks has to consider increased decentralised generation using photovoltaic systems for residential application. For utilities it is necessary to determine the maximum permissible installed power of residential photovoltaic systems in sections of the low-voltage network. For this purpose a method based on modelling low-voltage network structures, occurring loads and insolation situations is presented and demonstrated. The maximum permissible installed power of residential photovoltaic systems is fundamentally determined by the structure of the settlement of the affected low-voltage network section. By modifying the generator model the method can be applied too for other types of decentralized generators in the low-voltage network such as fuel cell systems. / Für den Betrieb des öffentlichen Niederspannungsnetzes in Wohnsiedlungsgebieten ist zukünftig mit einem verstärkten Einsatz dezentraler photovoltaischer Energiewandlungsanlagen zu rechnen. Für Netzbetreiber ist es erforderlich, die maximal zulässige Netzanschlussleistung derartiger Anlagen für Niederspannungs-Netzbezirke zu bestimmen. Dazu wird ein Verfahren auf der Grundlage der Modellierung der Struktur von Netzbezirken, der dort auftretenden Belastungen und Einstrahlungssituationen vorgestellt und demonstriert. Die maximal zulässige Netzanschlussleistung dezentraler photovoltaischer Energiewandlungsanlagen wird wesentlich durch die Siedlungsstruktur des betreffenden Niederspannungs-Netzbezirkes bestimmt. Durch Modifikation des Erzeugermodelles kann das Verfahren auch für andere dezentrale Kleinerzeuger im Niederspannungsnetz angewandt werden.

Für die Beantwortung verschiedener Fragestellungen im Siedlungsraum werden kleinräumige Informationen zur Siedlungsstruktur (funktional, morphologisch und sozio-ökonomisch) benötigt. Der Gebäudebestand spielt eine besondere Rolle, da dieser die physische Struktur prägt und sich durch dessen Nutzung Verteilungsmuster von Wohnungen, Arbeitsstätten und Infrastrukturen ergeben. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung sind die Gebäude in ihrem Grundriss modelliert. Diese besitzen allerdings nur selten explizite semantische Informationen zum Gebäudetyp. Es stellt sich die Frage, ob und wie genau eine automatische Erkennung von Gebäudetypen unter Nutzung von Methoden der Geoinformatik, der Mustererkennung und des maschinellen Lernens möglich ist. In diesem Buch werden methodische Bausteine zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt. Im Kern werden Fragen beantwortet zu den Datenanforderungen, der Gebäudetypologie, der Merkmalsgewinnung sowie zu geeigneten Klassifikationsverfahren und den Klassifikationsgenauigkeiten, die abhängig von Eingangsdaten, Siedlungstyp und Trainingsdatenmenge erzielt werden können. Der Random-Forest-Algorithmus zeigte die höchste Flexibilität, Generalisierungsfähigkeit und Effizienz und wurde als bestes Klassifikationsverfahren identifiziert. Die Arbeit leistet einen wichtigen Beitrag zur Gewinnung kleinräumiger Informationen zur Siedlungsstruktur. Die entwickelte Methodik ermöglicht ein breites Anwendungsspektrum in der Wissenschaft, Planung, Politik und Wirtschaft (u. a. Stadt- und Regionalplanung, Infrastrukturplanung, Risikomanagement, Energiebedarfsplanung oder dem Geomarketing). / Building data are highly relevant for the small-scale description of settlement structures. Spatial base data from National Mapping and Cadastral Agencies describe the buildings in terms of the geometry but often lack semantic information on the building type. Here, methods for the automatic classification of building footprints are presented and discussed. The work addresses issues of data integration, data processing, feature extraction, feature selection, and investigates the accuracy of various classification methods. The results are of scientific, planning, policy and business interest at various spatial levels.

Für die kleinräumige Modellierung und Analyse von Prozessen im Siedlungsraum spielen gebäudebasierte Informationen eine zentrale Rolle. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung werden die Gebäude in ihrem Grundriss modelliert. Semantische Informationen zur Gebäudefunktion, der Wohnform oder dem Baualter sind in den Geobasisdaten nur selten gegeben. In diesem Beitrag wird eine Methode zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt mit dem Ziel, diese für die Ableitung kleinräumiger Informationen zur Siedlungsstruktur zu nutzen. Dabei kommen Methoden der Mustererkennung und des maschinellen Lernens zum Einsatz. Im Kern werden Gebäudetypologie, Eingangsdaten, Merkmalsgewinnung sowie verschiedene Klassifikationsverfahren hinsichtlich ihrer Genauigkeit und Generalisierungsfähigkeit untersucht. Der Ensemble-basierte Random-Forest-Algorithmus zeigt im Vergleich zu 15 weiteren Lernverfahren die höchste Generalisierungsfähigkeit und Effizienz und wurde als bester Klassifikator zur Lösung der Aufgabenstellung identifiziert. Für Gebäudegrundrisse im Vektormodell, speziell den Gebäuden aus der ALK, dem ALKIS® oder dem ATKIS® Basis-DLM sowie den amtlichen Hausumringen und 3D-Gebäudemodellen, kann mit dem Klassifikator für alle städtischen Gebiete eine Klassifikationsgenauigkeit zwischen 90 % und 95 % erreicht werden. Die Genauigkeit bei Nutzung von Gebäudegrundrissen extrahiert aus digitalen topographischen Rasterkarten ist mit 76 % bis 88 % deutlich geringer. Die automatische Klassifizierung von Gebäudegrundrissen leistet einen wichtigen Beitrag zur Gewinnung von Informationen für die kleinräumige Beschreibung der Siedlungsstruktur. Neben der Relevanz in den Forschungs- und Anwendungsfeldern der Stadtgeographie und Stadtplanung sind die Ergebnisse auch für die kartographischen Arbeitsfelder der Kartengeneralisierung, der automatisierten Kartenerstellung sowie verschiedenen Arbeitsfeldern der Geovisualisierung relevant.

Der Bestand an analysierbaren, digitalen Daten vergangener Zeitstände zur Siedungsflächenausdehnung, die für eine kleinräumige Analyse der Siedlungsdynamik notwendig sind, steht in einem klaren Widerspruch zu seiner Nachfrage. Topographische Karten im Maßstab 1:25 000 enthalten implizit Grundrissinformationen zu den Elementarobjekten der Siedlungsstruktur – Baublock, Straße und Gebäude – und stellen dafür eine geeignete Datenquelle dar. Das hier vorgestellte automatisierte Verfahren zeigt, wie diese Information für Baublöcke mittels Methoden der digitalen Bildanalyse explizit verfügbar gemacht werden kann.

The future operation of public low voltage networks has to consider increased decentralised generation using photovoltaic systems for residential application. For utilities it is necessary to determine the maximum permissible installed power of residential photovoltaic systems in sections of the low-voltage network. For this purpose a method based on modelling low-voltage network structures, occurring loads and insolation situations is presented and demonstrated. The maximum permissible installed power of residential photovoltaic systems is fundamentally determined by the structure of the settlement of the affected low-voltage network section. By modifying the generator model the method can be applied too for other types of decentralized generators in the low-voltage network such as fuel cell systems. / Für den Betrieb des öffentlichen Niederspannungsnetzes in Wohnsiedlungsgebieten ist zukünftig mit einem verstärkten Einsatz dezentraler photovoltaischer Energiewandlungsanlagen zu rechnen. Für Netzbetreiber ist es erforderlich, die maximal zulässige Netzanschlussleistung derartiger Anlagen für Niederspannungs-Netzbezirke zu bestimmen. Dazu wird ein Verfahren auf der Grundlage der Modellierung der Struktur von Netzbezirken, der dort auftretenden Belastungen und Einstrahlungssituationen vorgestellt und demonstriert. Die maximal zulässige Netzanschlussleistung dezentraler photovoltaischer Energiewandlungsanlagen wird wesentlich durch die Siedlungsstruktur des betreffenden Niederspannungs-Netzbezirkes bestimmt. Durch Modifikation des Erzeugermodelles kann das Verfahren auch für andere dezentrale Kleinerzeuger im Niederspannungsnetz angewandt werden.

Für die kleinräumige Modellierung und Analyse von Prozessen im Siedlungsraum spielen gebäudebasierte Informationen eine zentrale Rolle. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung werden die Gebäude in ihrem Grundriss modelliert. Semantische Informationen zur Gebäudefunktion, der Wohnform oder dem Baualter sind in den Geobasisdaten nur selten gegeben. In diesem Beitrag wird eine Methode zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt mit dem Ziel, diese für die Ableitung kleinräumiger Informationen zur Siedlungsstruktur zu nutzen. Dabei kommen Methoden der Mustererkennung und des maschinellen Lernens zum Einsatz. Im Kern werden Gebäudetypologie, Eingangsdaten, Merkmalsgewinnung sowie verschiedene Klassifikationsverfahren hinsichtlich ihrer Genauigkeit und Generalisierungsfähigkeit untersucht. Der Ensemble-basierte Random-Forest-Algorithmus zeigt im Vergleich zu 15 weiteren Lernverfahren die höchste Generalisierungsfähigkeit und Effizienz und wurde als bester Klassifikator zur Lösung der Aufgabenstellung identifiziert. Für Gebäudegrundrisse im Vektormodell, speziell den Gebäuden aus der ALK, dem ALKIS® oder dem ATKIS® Basis-DLM sowie den amtlichen Hausumringen und 3D-Gebäudemodellen, kann mit dem Klassifikator für alle städtischen Gebiete eine Klassifikationsgenauigkeit zwischen 90 % und 95 % erreicht werden. Die Genauigkeit bei Nutzung von Gebäudegrundrissen extrahiert aus digitalen topographischen Rasterkarten ist mit 76 % bis 88 % deutlich geringer. Die automatische Klassifizierung von Gebäudegrundrissen leistet einen wichtigen Beitrag zur Gewinnung von Informationen für die kleinräumige Beschreibung der Siedlungsstruktur. Neben der Relevanz in den Forschungs- und Anwendungsfeldern der Stadtgeographie und Stadtplanung sind die Ergebnisse auch für die kartographischen Arbeitsfelder der Kartengeneralisierung, der automatisierten Kartenerstellung sowie verschiedenen Arbeitsfeldern der Geovisualisierung relevant.