Eine vollständige Bilanzierung des Zustandes und der Leistungen der Ökosysteme auf Bundesebene, wie im Rahmen der EU-Biodiversitätsstrategie gefordert, benötigt Basisinformationen über die Flächenänderungen der unterschiedlichen Ökosysteme. Hierfür bietet sich das Geodatenprodukt Landbedeckungsmodell LBM-DE des Bundesamtes für Kartographie und Geodäsie (BKG) an, welches u. a. aus Satellitendaten produziert wird und Informationen zu Ökosystemen nach der Nomenklatur von CORINE Land Cover (CLC) bereitstellt. In diesem Beitrag werden Flächenänderungen bestimmter CLC-Klassen der Grünland-, Wald- und Gewässerflächen im LBM-DE von 2012, 2015 und 2018 beispielhaft diskutiert. Es wird aufgezeigt, dass bilanzierte Flächenänderungen der Ökosystemtypen derzeit auch auf technische Ursachen bei der Erzeugung und Umstellung des Landbedeckungsmodells zurückgeführt werden können. Diese basieren z. B. auf der unzureichenden zeitlichen Verfügbarkeit oder räumlichen Auflösung von Satellitendaten, sowie auf der Löschung von Kleinstflächen. Das BKG plant in Zukunft, auf tiefgreifende methodische Änderungen bei der Erstellung des LBM-DE zu verzichten. Die Daten der Zeitschnitte 2012 und 2015 sollen nachträglich angepasst werden, um sie mit der Ausgabe 2018 kompatibel zu halten.

Die Leistung der Ökosysteme zur Erhaltung der biologischen Vielfalt soll als Teil der umweltökonomischen Gesamtrechnung erhoben, bewertet und messbar gemacht werden. Ein Monitoring räumlich expliziter Ökosystembilanzen ermöglicht politische und fachliche Schlussfolgerungen, die ggf. Qualitätsverluste anzeigen und Gegenmaßnahmen begründen können. Als Beobachtungsgröße zu Zustand und Leistungen der Ökosysteme wurde ein Biodiversitätsflächenindikator entwickelt, dessen Datengrundlagen in diesem Beitrag vorgestellt werden. Der Indikator verwendet ein hierarchisches System der Ökosystemklassifizierung und -zuordnung, deren Veränderungen regelmäßig bundesweit beobachtet werden. Dafür genutzt wird eine Kombination aus wiederholt aktualisierten, flächenhaften Landbedeckungsdaten mit nicht flächenkonkreten oder zeitlich bzw. räumlich diskontinuierlich verfügbaren Fachdaten zu den Eigenschaften der Ökosysteme. Diese Datenkombination erlaubt eine vergleichende Bewertung des bundesdeutschen Ökosysteminventars in Fläche und Qualität. Der vorgeschlagene Indikator nutzt kardinale Biotopwertpunkte der Bundeskompensationsverordnung. Die Biotoptypen werden abgeleitet aus dem Landbedeckungsmodell Deutschland und präzisiert durch Fachinformationen aus der Berichterstattung zur EU wie NATURA 2000, Wasserrahmenrichtlinie und landwirtschaftlich genutzten Flächen mit hohem Naturschutzwert sowie mithilfe statistischer Flächenerhebungen und der Bundeswaldinventur. Aufgrund der Anwendung von Biotopwertpunkten kann auch eine monetäre Bewertung durchgeführt werden, die auf durchschnittlichen Kosten zur Entwicklung von Biotopen basiert.

Konkurrierende Flächenansprüche führen zu Veränderungen in der Landnutzung. Besonders offenkundig werden diese Entwicklungen in Großstädten und ihrem Umland. Gewerbliche und industrielle Tätigkeiten und die Wohnungsnachfrage sind dabei genauso Treiber der Landnutzungsveränderungen wie die Landwirtschaft und die Anforderungen an Umwelt- und Naturschutz. Beeinflusst werden diese Treiber u. a. durch sektoren-spezifische Entwicklungstrends und rechtliche Regularien. Nicht selten stehen diese im Widerspruch zueinander und verstärken dadurch bestehende Landnutzungskonflikte. Zunehmende Zersiedlung, Verluste an bedeutsamen Natur- und Landschaftsräumen sowie die stetige Verkleinerung der landwirtschaftlichen Nutzfläche sind die wesentlichen Folgen. Um den genannten Entwicklungen entgegenzuwirken, ist die interkommunale Abstimmung im stadtregionalen Kontext von großer Bedeutung. Aus diesem Grund haben sich der Rhein-Erft-Kreis und seine 10 Kommunen, zwei Kommunen aus dem Rhein-Kreis Neuss und die Stadt Köln zum Stadt Umland Netzwerk (S.U.N.) zusammengeschlossen. Unter dem Leitbild „zusammenWACHSEN“ sollen neue Siedlungsqualitäten entstehen, die eine nachhaltige Entwicklung der Stadtregion ermöglichen und die Bedürfnisse der Landwirtschaft aufgreifen. Ein wichtiger Baustein für eine bessere Nachhaltigkeit der regionalen Entwicklung ist dabei das gegenseitige Verständnis der jeweiligen Interessen und Ansprüche an die Raumqualität. Mithilfe eines regional abgestimmten Indikatorensets, das diese Interessen abbildet, werden aktuelle Strukturen und Entwicklungen sowie Planungsentwürfe für die Stadt-Land-Region auf unterschiedlichen Skalenebenen im Hinblick auf eine nachhaltige Entwicklung bewertet.

Die Erreichbarkeit von Waren und Dienstleistungen des täglichen Bedarfs ist eine grundlegende Bedingung für die Attraktivität des ländlichen Raums. Es bestehen jedoch Defizite bezüglich räumlich differenzierten Wissens zur Versorgungssituation. Der Beitrag stellt einen methodischen Ansatz sowie empirische Ergebnisse einer räumlich differenzierten Betrachtung der Versorgungsstrukturen in Bayern vor, die auf fein aufgelösten Standort- und Bevölkerungsdaten basiert und verschiedene Akteursperspektiven mit einbezieht. Es wird gezeigt, dass kritische Strukturen nicht nur in dünn besiedelten, peripheren Regionen zu finden sind und dass sich die vier untersuchten Angebotsbereiche Lebensmitteleinzelhandel, Grundschulen, hausärztliche Versorgung und Kindertagesbetreuung aufgrund von unterschiedlichen Planungslogiken räumlich unterschiedlich abbilden. Durch die Betrachtung kritischer Strukturen auf Gemeinde- und Ortsteilebene wird deutlich, dass Mitversorgung und Partnerschaften ein wichtiges Thema für die Sicherung der Versorgung darstellen. Das neue differenzierte Raumwissen kann dazu beitragen, in der Praxis Strategien zur Siedlungsentwicklung, zu Mobilitätslösungen und zur Steuerung von Standortprozessen zu entwickeln.

Unter urbanem Grün werden durch Vegetation bedeckte Flächen in Städten, wie beispielsweise Parkanlagen, Friedhöfe, Kleingärten, Straßengrün und -bäume, Wald, oft Naturschutzflächen zusammengefasst. Durch den zunehmenden Siedlungsdruck und die damit einhergehenden Stadterweiterungen und Nachverdichtungen werden vielerorts grüne Freiräume beschnitten, versiegelt oder bebaut. Gleichzeitig haben Städte in Zukunft durch den Klimawandel mit einer Zunahme an heißen Tagen zu rechnen. Im Rahmen des Projekts „Wie grün sind bundesdeutsche Städte? – Fernerkundliche Erfassung und stadträumlich-funktionale Differenzierung der Grünausstattung von Städten in Deutschland“ werden unter anderem die räumlichen Defizite der Grünausstattung in Fallstudienstädten untersucht: Wo fehlt Grün und wie lässt sich dies über Indikatoren abbilden? Das Grünvolumen wird aus digitalen Oberflächenmodellen bestimmt. In Verbindung mit dem Versiegelungsanteil und der aus Thermal-Satellitendaten erfassten Oberflächentemperatur wird ein empirischer linearer Zusammenhang ermittelt. Mithilfe des linearen Modells kann dann eine Aussage getroffen werden, wie viel Grünvolumen benötigt wird, um die vorherrschende Oberflächentemperatur um einen gewünschten Betrag zu senken. Flächen mit besonderem Handlungsbedarf werden somit aufgezeigt und können anschließend Eingang in kommunale Planungen und eine nachhaltige Stadtentwicklung finden.

Auf der Basis öffentlich und frei verfügbarer Fahrplandaten stellt dieser Beitrag ein Konzept für einen kleinräumigen Indikator (1 km²-Raster) zur ÖPNV-Versorgung vor. Grundlage dieser Studie sind Fahrplandaten des öffentlichen Personenverkehrs im digitalen Austauschformat General Transit Feed Service (GTFS). Mithilfe dieser Daten können ÖPNV-Haltestellen verortet und die Bedienfrequenzen der angebotenen Verkehrsmittelarten ermittelt werden. Die Untersuchung erfolgt am Beispiel des Mitteldeutschen Verkehrsverbundes (MDV), welcher die Großstädte Leipzig und Halle, Mittel- und Kleinstädte sowie ländliche Gebiete umfasst. Für die Datenanalyse wird die räumliche Verteilung mittels GINI und Moran‘s I nach Siedlungsstrukturtypen untersucht.

Das Grundsatzpapier des BDA „Das Haus der Erde – Positionen für eine klimagerechte Architektur in Stadt und Land“ fordert einen radikalen Richtungswechsel in der Architekturpraxis ein. Für dessen Umsetzung wird von Architektinnen und Architekten, von Stadtplanerinnen und Stadtplanern Verantwortungsgefühl und Haltung abverlangt. [... aus dem Text]

Eine Vielzahl geophysikalischer Prozesse im System Erde gehen mit Massenverlagerungen einher. Änderungen in der Massenverteilung führen zu beobachtbaren Änderungen im Schwerefeld und Rotationsverhalten der Erde sowie zu einer Deformation der Erdkruste. Die messtechnische Erfassung dieser Größen erlaubt einen Rückschluss auf die beteiligten Massentransportprozesse und stellt damit eine Grundvoraussetzung für die Erdsystemforschung dar. Satellitengestützte Navigationssysteme wie z.B. das Global Positioning System (GPS) spielen in diesem Zusammenhang eine zentrale Rolle, denn sie ermöglichen eine präzise Positionsbestimmung auf globaler Ebene. Für die Bestimmung eines terrestrischen Referenzrahmens werden üblicherweise mittlere Koordinaten zu einer Referenzepoche sowie zugehörige lineare Änderungen mit der Zeit angenommen. Bei diesem Konzept führen alle nichtlinearen Stationsbewegungen, deren Effekte im Rahmen der Beobachtungsmodellierung nicht reduziert werden, zu Abweichungen gegenüber dem linearen Bewegungsmodell. Diese Abweichungen haben Einfluss auf die Positionszeitreihen der in Betracht gezogenen Stationen und erlauben einen Rückschluss auf die auflastinduzierenden Änderungen in der Massenverteilung. Die Bestimmung von Stationspositionszeitreihen mittels GPS bildet den Kern der vorliegenden Arbeit. Die Arbeit baut inhaltlich auf vier Publikationen auf, die sich unterschiedlichen Fragestellungen in Bezug auf die Positionsbestimmung mittels GPS widmen. Eine zusammenfassende Diskussion gibt einen Überblick über Massenvariationen im System Erde und auflastinduzierte Krustendeformation. Spezielle Aspekte in Bezug auf eine konsistente Modellierung von Massenvariationen und daraus abgeleiteter Deformationsanteile werden hier dargelegt. Praktische Untersuchungen erfolgen zu Änderungen in der Massenverteilung aufgrund von atmosphärischen Druckvariationen, Ozeanzirkulation und hydrologisch bedingten Wasserspeicheränderungen im Bereich der Kontinente. Der Einfluss ionosphärischer Terme höherer Ordnung auf GPS-Parameterschätzwerte wird untersucht. Diese Analyse erfolgt vor dem Hintergrund, dass bei der vermittelnden Ausgleichung generell auch systematische Effekte, die für sich genommen keine Stationspositionsänderung verursachen, trotzdem Einfluss auf geschätzte Stationskoordinaten haben. Die Sensitivität der GPS-Beobachtungen gegenüber der Auflastdeformation wird genutzt, modellierte Massenvariationen zu validieren. Mittels gegebener Massenvariationen werden Deformationszeitreihen abgeleitet. Für diese Zeitreihen werden im Zuge der Parameterschätzung Skalierungsfaktoren bestimmt und als Indikator für die Übereinstimmung zwischen modellierter und beobachteter Deformation gewertet. Änderungen der Massenverteilung im System Erde zeichnen sich unter anderem durch eine Schwerpunktverlagerung gegenüber der festen Erde aus. Wird die Massenverteilung durch eine sphärisch-harmonische Reihenentwicklung dargestellt, so sind die Terme ersten Grades mit der Schwerpunktverlagerung verknüpft. Die Grad-1-Anteile der Massenvariation können mittels satellitengravimetrischer Beobachtungen prinzipiell nicht bestimmt werden. Sie lassen sich aber mit Hilfe der GPS-Beobachtungen aus dem zugehörigen Deformationsanteil ermitteln. Der Einfluss systematischer Beobachtungsfehler auf diesem Inversionsansatz wird untersucht. Bei der Bestimmung globaler GPS-Lösungen werden die in den Beobachtungen enthaltenen Auflasteffektes prinzipiell auf alle simultan geschätzten Parameter abgebildet. Diese systematische Verfälschung erschwert die geophysikalische Interpretation von Stationspositionszeitreihen. Ein integrierter Ansatz wird entwickelt, um bestehende Vorinformation über verschiedene Massenvariationsprozesse bestmöglich einzubeziehen.

Im Bereich der städtebasierten siedlungsstrukturellen Analysen spielen Gebäudedaten mit Informationen zur Gebäudenutzung und dem Gebäudetyp eine wichtige Rolle. Auf diesen Daten basiert die Modellierung von demografischen und sozioökonomischen Kenngrößen, welche bei Aufgaben der Siedlungsentwicklung oder in der Infrastrukturplanung zum Einsatz kommen. Vonseiten der amtlichen Vermessungsanstalten stehen kleinräumige und flächendeckende Daten zur Gebäudenutzung nur in begrenztem Umfang zur Verfügung. Eine darauf aufbauende Bevölkerungsabschätzung ist aus diesem Grund nur eingeschränkt möglich. Das Ziel dieser Arbeit war es, die Integration von nutzergenerierten Geodaten aus dem OpenStreetMap (OSM) Projekt für den Einsatz zur Abschätzung gebäudebasierter Bevölkerungs- und Wohnungszahlen zu untersuchen. Der Fokus liegt dabei besonders auf der Abgrenzung von Wohn- und Nichtwohnnutzung innerhalb von Gebäuden. Diese Informationen sind in den amtlichen Geobasisdaten nicht zu finden, können jedoch aus OSM Punkt- und Polygondaten extrahiert werden. Hauptgegenstand der Untersuchung ist die Entwicklung eines Modells zur Integration der Nichtwohnnutzungsinformationen aus OSM, welches Gewerbeinformationen anhand der OSM-Tags analysiert. Dazu war neben einer geeigneten Typologie, die Festlegung von Regeln zur Verarbeitung mehrerer Gewerbe in einem amtlichen Gebäude notwendig. Über räumliche Verschneidungen der Datensätze erfolgt die eigentliche Datenintegration. Zur Umsetzung des Modells wurden drei Python-Skripte erarbeitet, welche alle notwendigen Vorverarbeitungsschritte und anschließenden Modellberechnungen automatisiert durchführen. Zusätzlich zur Bestimmung des Nichtwohnnutzungsanteiles in den Gebäuden, fand eine Wohnung- und Bevölkerungsabschätzung mittels gebäudetypischer Kenngrößen auf Gebäudebasis statt. Mittels der Abschätzungsergebnisse ohne und mit OSM-Gewerbeinformationen, konnte eine Bewertung dieser Methode erfolgen. Eine Beurteilung der Qualität des Modells im Vergleich zur Realität benötigt geeignete Validierungsdaten. Diese wurden in Form von baublockbezogenen statistischen Einwohner- und Wohnungszahlen von der Stadt Dresden bereitgestellt und zur Ergebnisdiskussion herangezogen. Regionale Unterschiede konnten anhand von Übersichts- und Detailkarten sowie statistischen Analysen herausgearbeitet werden.:Inhaltsverzeichnis ............................................................................. I Abkürzungsverzeichnis ..................................................................... V Abbildungsverzeichnis ...................................................................... VII Tabellenverzeichnis .......................................................................... IX 1 Einleitung ...................................................................................... 11 1.1 Motivation ................................................................................... 11 1.2 Zielstellung und Aufbau der Arbeit ............................................. 12 2 Theoretische und praktische Grundlagen ...................................... 15 2.1 Räumliche Modellierung der Siedlungsstruktur ........................... 15 2.1.1 Siedlungsstrukturelle Begriffe ................................................. 15 2.1.2 Räumliche Daten ..................................................................... 18 2.2 Semantische Integration ............................................................ 23 2.2.1 Interoperabilität ...................................................................... 24 2.2.2 Datenintegration ..................................................................... 25 2.3 Semantik in Geodaten ................................................................ 28 2.3.1 Attributierung in OpenStreetMap ............................................. 28 2.3.2 Nutzungsinformationen in amtlichen Geobasisdaten ............... 31 3 Modellierung sozioökonomischer Kenngrößen ............................... 33 3.1 Bedarf an kleinräumigen Nutzungsinformationen ....................... 33 3.2 Modellierungsansätze ................................................................. 35 3.2.1 Ableitung sozioökonomischer Daten aus der Fernerkundung .. 35 3.2.2 Modellierung mit Hilfe von Geobasisdaten ............................... 36 3.3 Vorteile und Mängel der vorgestellten Ansätze .......................... 40 3.4 Möglichkeiten von OSM zur Verbesserung der Modellierung ....... 42 4 Methodik ........................................................................................ 43 4.1 Herangehensweise ..................................................................... 43 4.2 Flächen- und Gebäudenutzungen in amtlichen und OSM-Daten .. 44 4.2.1 Typologie der Flächen- und Gebäudenutzung .......................... 44 4.2.2 Typologie der Flächenbeanspruchung von Gewerben .............. 47 4.3 Modell zur Abschätzung des Nichtwohnnutzungsanteils ............. 50 4.3.1 Gebäudetypische Kenngrößen ................................................. 51 4.3.2 Vorgehensweise ...................................................................... 52 5 Daten ............................................................................................. 55 5.1 Untersuchungsgebiet .................................................................. 55 5.2 OpenStreetMap ........................................................................... 56 5.3 Amtliche Geobasisdaten .............................................................. 57 6 Praktische Umsetzung .................................................................... 59 6.1 Datenmanagement ...................................................................... 59 6.1.1 Eingesetzte Software ............................................................... 59 6.1.2 OSM-Import .............................................................................. 60 6.1.3 Datenorganisation ................................................................... 64 6.2 Praktische Umsetzung des Modell zur Abschätzung des Nichtwohnnutzungsanteils ................................................................ 65 6.2.1 Vorverarbeitung ....................................................................... 65 6.2.2 Modellberechnungen und Bevölkerungsabschätzung .............. 74 6.3 Validierung des Modells .............................................................. 79 6.3.1 Validierungsdaten .................................................................... 79 6.3.2 Durchführung ........................................................................... 80 7 Ergebnisse ..................................................................................... 83 7.1 Untersuchung zur Vollständigkeit der semantischen Informationen anhand der Gewerbe POI .......................................................................................................... 83 7.1.1 Datengrundlagen ..................................................................... 84 7.1.2 Gewerbevergleich durch zufällige Straßenwahl ........................ 84 7.1.3 Gezielter Gewerbevergleich durch Ortsbegehung .................... 86 7.2 Charakterisierung des Ergebnisdatensatzes .............................. 88 7.3 Validierung .................................................................................. 91 7.4 Ergebnisvisualisierung ................................................................ 93 8 Ergebnisdiskussion ........................................................................ 97 8.1 Kleinräumige Betrachtung ........................................................... 97 8.2 Dateninkonsistenz ...................................................................... 101 8.3 Methodische Schwächen und Stärken ........................................ 103 8.4 Weitere Analysemöglichkeiten .................................................... 104 9 Zusammenfassung ........................................................................ 105 9.1 Fazit ........................................................................................... 105 9.2 Ausblick ...................................................................................... 106 Literaturverzeichnis .......................................................................... 109 A Anhang .......................................................................................... 115 Anhang 1: IÖR Flächenschema ......................................................... 115 Anhang 2: Flächen- und Gebäudenutzungstypologie........................ 116 Anhang 3: Klassifikationsschema nach (Burckhardt, 2012) .............. 118 Anhang 4: Skript-Auszug 1 - Datenverarbeitung in der OSM-Punktdatei ................................................................................ 120 Anhang 5: Skript-Auszug 2 - Die Funktion „calculateGWTotal“ .......... 121 Anhang 6: Karten - Untersuchungsgebiet Dresden in 1:100.000 ..... 122 Anhang 7: CD-Inhalt ......................................................................... 122 / Building data with information of building uses and building types play an important role for city-based settlement structure analyses. The estimation of demographic and socio-economic parameters is based on this data. They were used in the field of settlement development or in infrastructure planning. The availability of area-wide and small-scale data of building uses from surveying authorities is limited. For this reason, the estimation of population based on this data cannot be realised sufficiently. Therefore, it was the aim of this research paper to analyse the integration of user-generated geodata from OpenStreetMap (OSM)-project for estimating building-based population and housing units. The research focuses on the separation of residential and non-residential usage within buildings. Not being detected in official geodatasets, the information can be retrieved from OSM-point and polygondata. The development of a model for the integration of non-residential information from OSM is the main subject of this research. It contains the analyses of commercial information out of the OSM Tags. Besides an appropriate typology specifications are necessary to process multiple businesses within one official building. The actual data integration occurs with the help of spatial intersections between the datasets. The implementation of the model is based on three Python-scripts, executing all pre-processing and following calculation steps automatically. In addition to the identification of non-residential building-parts, an estimation of population and housing units per building, based on typical building parameters took place. By means of the estimation results with and without OSM-information it was possible to valuate this method. Validation data is necessary to measure the quality of the model in comparison to reality. This datasets was provided by the City of Dresden, consisting of statistical population and building unit numbers based on building blocks, and used for the discussion of the results. To describe regional differences, maps with overview and detailed scales as well as statistical schemata where used.:Inhaltsverzeichnis ............................................................................. I Abkürzungsverzeichnis ..................................................................... V Abbildungsverzeichnis ...................................................................... VII Tabellenverzeichnis .......................................................................... IX 1 Einleitung ...................................................................................... 11 1.1 Motivation ................................................................................... 11 1.2 Zielstellung und Aufbau der Arbeit ............................................. 12 2 Theoretische und praktische Grundlagen ...................................... 15 2.1 Räumliche Modellierung der Siedlungsstruktur ........................... 15 2.1.1 Siedlungsstrukturelle Begriffe ................................................. 15 2.1.2 Räumliche Daten ..................................................................... 18 2.2 Semantische Integration ............................................................ 23 2.2.1 Interoperabilität ...................................................................... 24 2.2.2 Datenintegration ..................................................................... 25 2.3 Semantik in Geodaten ................................................................ 28 2.3.1 Attributierung in OpenStreetMap ............................................. 28 2.3.2 Nutzungsinformationen in amtlichen Geobasisdaten ............... 31 3 Modellierung sozioökonomischer Kenngrößen ............................... 33 3.1 Bedarf an kleinräumigen Nutzungsinformationen ....................... 33 3.2 Modellierungsansätze ................................................................. 35 3.2.1 Ableitung sozioökonomischer Daten aus der Fernerkundung .. 35 3.2.2 Modellierung mit Hilfe von Geobasisdaten ............................... 36 3.3 Vorteile und Mängel der vorgestellten Ansätze .......................... 40 3.4 Möglichkeiten von OSM zur Verbesserung der Modellierung ....... 42 4 Methodik ........................................................................................ 43 4.1 Herangehensweise ..................................................................... 43 4.2 Flächen- und Gebäudenutzungen in amtlichen und OSM-Daten .. 44 4.2.1 Typologie der Flächen- und Gebäudenutzung .......................... 44 4.2.2 Typologie der Flächenbeanspruchung von Gewerben .............. 47 4.3 Modell zur Abschätzung des Nichtwohnnutzungsanteils ............. 50 4.3.1 Gebäudetypische Kenngrößen ................................................. 51 4.3.2 Vorgehensweise ...................................................................... 52 5 Daten ............................................................................................. 55 5.1 Untersuchungsgebiet .................................................................. 55 5.2 OpenStreetMap ........................................................................... 56 5.3 Amtliche Geobasisdaten .............................................................. 57 6 Praktische Umsetzung .................................................................... 59 6.1 Datenmanagement ...................................................................... 59 6.1.1 Eingesetzte Software ............................................................... 59 6.1.2 OSM-Import .............................................................................. 60 6.1.3 Datenorganisation ................................................................... 64 6.2 Praktische Umsetzung des Modell zur Abschätzung des Nichtwohnnutzungsanteils ................................................................ 65 6.2.1 Vorverarbeitung ....................................................................... 65 6.2.2 Modellberechnungen und Bevölkerungsabschätzung .............. 74 6.3 Validierung des Modells .............................................................. 79 6.3.1 Validierungsdaten .................................................................... 79 6.3.2 Durchführung ........................................................................... 80 7 Ergebnisse ..................................................................................... 83 7.1 Untersuchung zur Vollständigkeit der semantischen Informationen anhand der Gewerbe POI .......................................................................................................... 83 7.1.1 Datengrundlagen ..................................................................... 84 7.1.2 Gewerbevergleich durch zufällige Straßenwahl ........................ 84 7.1.3 Gezielter Gewerbevergleich durch Ortsbegehung .................... 86 7.2 Charakterisierung des Ergebnisdatensatzes .............................. 88 7.3 Validierung .................................................................................. 91 7.4 Ergebnisvisualisierung ................................................................ 93 8 Ergebnisdiskussion ........................................................................ 97 8.1 Kleinräumige Betrachtung ........................................................... 97 8.2 Dateninkonsistenz ...................................................................... 101 8.3 Methodische Schwächen und Stärken ........................................ 103 8.4 Weitere Analysemöglichkeiten .................................................... 104 9 Zusammenfassung ........................................................................ 105 9.1 Fazit ........................................................................................... 105 9.2 Ausblick ...................................................................................... 106 Literaturverzeichnis .......................................................................... 109 A Anhang .......................................................................................... 115 Anhang 1: IÖR Flächenschema ......................................................... 115 Anhang 2: Flächen- und Gebäudenutzungstypologie........................ 116 Anhang 3: Klassifikationsschema nach (Burckhardt, 2012) .............. 118 Anhang 4: Skript-Auszug 1 - Datenverarbeitung in der OSM-Punktdatei ................................................................................ 120 Anhang 5: Skript-Auszug 2 - Die Funktion „calculateGWTotal“ .......... 121 Anhang 6: Karten - Untersuchungsgebiet Dresden in 1:100.000 ..... 122 Anhang 7: CD-Inhalt ......................................................................... 122

Die Veränderungen des Klimas sind heutzutage weitgehend unbestritten. Der urbane Raum ist davon besonders betroffen. Zum einen werden die Klimaänderungen durch die Siedlungsstruktur noch verstärkt und zum anderen sind hier, bedingt durch die Zunahme der Stadtbevölkerung, besonders viele Menschen von den negativen Folgen des Klimawandels betroffen. Ziel aktueller Forschungsarbeit muss es also sein, die Zusammenhänge und Auswirkungen des Klimawandels zu verstehen und dabei die natürlichen Ursachen von den anthropogen induzierten Einflüssen zu trennen. Erst das Verständnis des Zusammenwirkens der verschiedenen Faktoren ermöglicht es, Handlungsempfehlungen abzuleiten, um auf die Folgen der Klimaänderung zu reagieren oder diese zu vermeiden. Die Fernerkundung ermöglicht die flächendeckende Beobachtung klimatischer Veränderungen auf verschiedenen maßstäblichen Ebenen. Die rasante Entwicklung der Satellitentechnologie ermöglicht dabei einen immer detaillierteren Blick auf unsere Erdoberfläche. Diese geometrisch hochaufgelösten Daten bieten die Chance, bestehende Modelle zum Klimawandel, zum Wasserhaushalt oder zur Siedlungsentwicklung zu verdichten und die Konsequenzen des menschlichen Handels auf der Erdoberfläche zu analysieren. Die Aufgabe dieser Arbeit bestand darin, die Einsatzmöglichkeiten geometrisch hochauflösender Fernerkundungsdaten, am Beispiel von IKONOS-Daten, zur Informationsgewinnung für hydrologische Modelle, die im urbanen Raum anwendbar sind, zu prüfen. Dazu wurden zunächst die besonderen klimatischen Bedingungen des urbanen Raumes untersucht. Des Weiteren wurde der Einsatz von Fernerkundungsdaten zur Beobachtung von Klimaparametern untersucht und verschiedene Fernerkundungsmethoden zur Bestimmung der einzelnen hydrologischen Variablen vorgestellt. Für die Modellierung des Energie- und Wasserhaushalts urbaner Räume sind nicht nur geeignete klimatisch-hydrologische Modelle, sondern auch entsprechend verdichtete Inputdaten notwendig. Dies bezieht sich nicht nur auf Parameter wie Niederschlag und Bodenfeuchte, sondern auch auf die Landnutzung. Gerade in urbanen Räumen, deren Flächennutzung häufig sehr heterogen ist und innerhalb kleiner Flächen einem häufigen Wechsel unterliegt, sind besonders detaillierte Informationen zur Landnutzung und zur Oberflächenbedeckung notwendig, um auch für kleinere Gebiete, wie Stadtteile oder Quartiere, valide Aussagen über die klimatischen und hydrologischen Bedingungen treffen zu können. Ausgehend von bereits existierenden hydrologischen Modellen wurde zunächst ein für den urbanen Raum angepasstes Modell vorgestellt und die entsprechenden Anforderungen an den Parameter Landnutzung definiert. Am Beispiel des Untersuchungsgebietes Heidenau konnte gezeigt werden, dass geometrisch hochauflösende Daten, in diesem Fall IKONOS, differenzierte Flächennutzungsinformationen zur Anwendung hydrologischer Modelle im Bezugsraum Stadt bereitstellen können.