No description available.

This thesis analyses the highly structured and densely populated farmland surrounding Kakamega Forest (western Kenya) in a spatially-explicit manner. The interdisciplinary approach combines methodologies and technologies from different scientific disciplines: remote sensing with OBIA, GIS and spatially explicit modelling (geomatics and geographic science) with socio-economic as well as agro-economic considerations (human and social sciences) as well as cartographic science. Furthermore, the research is related to conservation biology (biological sciences). Based on an in-situ ground truthing and visual image interpretation, very high spatial resolution QuickBird satellite imagery covering 466 km² of farmland was analysed using the concept of object-based image analysis (OBIA). In an integrative workflow, statistical analysis and expert knowledge were combined to develop a sophisticated rule set. The classification result distinguishing 15 LULC classes was used alongside with temporally extrapolated and spatially re-distributed population data as well as socio-/agro-economic factors in order to create a spatially-explicit typology of the farmland and to model scenarios of rural livelihoods. The farmland typology distinguishes ten types of farmland: 3 sugarcane types (covering 48% of the area), 3 tea types (30%), 2 transitional types (15%), 1 steep terrain type (2%), and 1 central type (5%). The scenarios consider different developments of possible future yields and prices for the main agricultural products sugarcane, tea, and maize. Out of all farmland types, the ‘marginal sugarcane type’ is best prepared to cope with future problems. Besides a comparably low population density, a high share of land under cultivation of food crops coupled with a moderate cultivation of cash crops is characteristic for this type. As part of the research conducted, several novel methodologies were introduced. These include a new conceptual framework for categorizing parameter optimization studies, the area fitness rate (AFR) as a novel discrepancy measure, the technique of ‘classification-based nearest neighbour classification’ for classes which are difficult to separate from others, and a novel approach for accessing the accuracy of OBIA classifications. Finally, this thesis makes a number of recommendations and elaborates promising starting points for further scientific research. / Die vorliegende Arbeit untersucht räumlich-expliziten das stark strukturierte und dicht besiedelte Agrarland um den Kakamega Wald (Westkenia). Dabei kombiniert der interdisziplinäre Ansatz Methoden und Technologien verschiedener Wissenschaftsbereiche: die Fernerkundung mit der objekt-basierten Bildanalyse (OBIA), GIS und die räumlich-explizite Modellierung (Geoinformatik und Geographie) mit sozio- und agro-ökonomische Aspekten (Human- und Sozialwissenschaft) sowie der Kartographie. Zudem steht die Arbeit in Bezug zum Schutz der biologischen Vielfalt (Biologie). Ausgehend von einer Referenzdatenerfassung vor Ort und einer visuellen Bildinterpretation wurden räumlich sehr hochauflösende QuickBird-Satellitenbilddaten, die 466 km² des Agrarlandes abdecken, mit Hilfe von OBIA ausgewertet. In einem integrativen Ansatz wurden dabei statistische Verfahren und Expertenwissen kombiniert, um einen ausgefeilten Regelsatz zur Klassifizierung zu erzeugen. Das Klassifizierungsergebnis unterscheidet 15 Klassen der Landnutzung bzw. -bedeckung; zusammen mit zeitlich extrapolierten und räumlich neu verteilten Bevölkerungsdaten sowie sozio- und agro-ökonomischen Faktoren ermöglichte es, eine räumlich-explizite Typologie des Agrarlandes zu erstellen und Szenarien zum ländlichen Auskommen zu modellieren. Die Agrarlandtypologie unterscheidet zehn Landtypen: 3 Zuckerrohr-dominierte Typen (48% des Gebietes), 3 Tee-dominierte Typen (30%), 2 Übergangstypen (15%), 1 Typ steilen Geländes (2%) und 1 zentralen Typ (5%). Die Szenarien betrachten mögliche zukünftige Entwicklungen der Erträge und Preise der Hauptanbauarten Zuckerrohr, Tee und Mais. Von allen Agrarlandtypen ist der „marginal Zuckerrohr-dominierte Typ“ am besten gerüstet, um zukünftigen Problemen zu begegnen. Bezeichnend für diesen Typ sind – neben einer vergleichsweise geringen Bevölkerungsdichte – ein hoher Anteil an Nahrungsmittelanbau zusammen mit einem gemäßigten Anbau von exportorientierten Agrarprodukten. Als Teil der Forschungsarbeit werden verschiedene neuartige Methoden vorgestellt, u.a. ein neuer konzeptioneller Rahmen für das Kategorisieren von Studien zur Parameteroptimierung, die „area fitness rate“ (AFR) als neue Messgröße für Flächendiskrepanzen, die klassifikations-basierte Nächster-Nachbar Klassifizierung sowie ein Ansatz zum Bestimmen der Güte von OBIA-Klassifizierungen. Schließlich gibt die Arbeit eine Reihe von Empfehlungen und bietet vielversprechende Ausgangspunkte für weiterführende wissenschaftliche Forschungen.

This thesis analyses the highly structured and densely populated farmland surrounding Kakamega Forest (western Kenya) in a spatially-explicit manner. The interdisciplinary approach combines methodologies and technologies from different scientific disciplines: remote sensing with OBIA, GIS and spatially explicit modelling (geomatics and geographic science) with socio-economic as well as agro-economic considerations (human and social sciences) as well as cartographic science. Furthermore, the research is related to conservation biology (biological sciences). Based on an in-situ ground truthing and visual image interpretation, very high spatial resolution QuickBird satellite imagery covering 466 km² of farmland was analysed using the concept of object-based image analysis (OBIA). In an integrative workflow, statistical analysis and expert knowledge were combined to develop a sophisticated rule set. The classification result distinguishing 15 LULC classes was used alongside with temporally extrapolated and spatially re-distributed population data as well as socio-/agro-economic factors in order to create a spatially-explicit typology of the farmland and to model scenarios of rural livelihoods. The farmland typology distinguishes ten types of farmland: 3 sugarcane types (covering 48% of the area), 3 tea types (30%), 2 transitional types (15%), 1 steep terrain type (2%), and 1 central type (5%). The scenarios consider different developments of possible future yields and prices for the main agricultural products sugarcane, tea, and maize. Out of all farmland types, the ‘marginal sugarcane type’ is best prepared to cope with future problems. Besides a comparably low population density, a high share of land under cultivation of food crops coupled with a moderate cultivation of cash crops is characteristic for this type. As part of the research conducted, several novel methodologies were introduced. These include a new conceptual framework for categorizing parameter optimization studies, the area fitness rate (AFR) as a novel discrepancy measure, the technique of ‘classification-based nearest neighbour classification’ for classes which are difficult to separate from others, and a novel approach for accessing the accuracy of OBIA classifications. Finally, this thesis makes a number of recommendations and elaborates promising starting points for further scientific research.:1. Introduction 2. Geodata and reference data 3. Object-based image analysis (OBIA) 4. Optimization of segmentation parameters 5. Feature selection and threshold determination 6. OBIA classification: rule set development and realisation 7. Classification results 8. Spatial farmland typology 9. Spatially explicit planning scenarios of rural livelihoods 10. Discussion / Die vorliegende Arbeit untersucht räumlich-expliziten das stark strukturierte und dicht besiedelte Agrarland um den Kakamega Wald (Westkenia). Dabei kombiniert der interdisziplinäre Ansatz Methoden und Technologien verschiedener Wissenschaftsbereiche: die Fernerkundung mit der objekt-basierten Bildanalyse (OBIA), GIS und die räumlich-explizite Modellierung (Geoinformatik und Geographie) mit sozio- und agro-ökonomische Aspekten (Human- und Sozialwissenschaft) sowie der Kartographie. Zudem steht die Arbeit in Bezug zum Schutz der biologischen Vielfalt (Biologie). Ausgehend von einer Referenzdatenerfassung vor Ort und einer visuellen Bildinterpretation wurden räumlich sehr hochauflösende QuickBird-Satellitenbilddaten, die 466 km² des Agrarlandes abdecken, mit Hilfe von OBIA ausgewertet. In einem integrativen Ansatz wurden dabei statistische Verfahren und Expertenwissen kombiniert, um einen ausgefeilten Regelsatz zur Klassifizierung zu erzeugen. Das Klassifizierungsergebnis unterscheidet 15 Klassen der Landnutzung bzw. -bedeckung; zusammen mit zeitlich extrapolierten und räumlich neu verteilten Bevölkerungsdaten sowie sozio- und agro-ökonomischen Faktoren ermöglichte es, eine räumlich-explizite Typologie des Agrarlandes zu erstellen und Szenarien zum ländlichen Auskommen zu modellieren. Die Agrarlandtypologie unterscheidet zehn Landtypen: 3 Zuckerrohr-dominierte Typen (48% des Gebietes), 3 Tee-dominierte Typen (30%), 2 Übergangstypen (15%), 1 Typ steilen Geländes (2%) und 1 zentralen Typ (5%). Die Szenarien betrachten mögliche zukünftige Entwicklungen der Erträge und Preise der Hauptanbauarten Zuckerrohr, Tee und Mais. Von allen Agrarlandtypen ist der „marginal Zuckerrohr-dominierte Typ“ am besten gerüstet, um zukünftigen Problemen zu begegnen. Bezeichnend für diesen Typ sind – neben einer vergleichsweise geringen Bevölkerungsdichte – ein hoher Anteil an Nahrungsmittelanbau zusammen mit einem gemäßigten Anbau von exportorientierten Agrarprodukten. Als Teil der Forschungsarbeit werden verschiedene neuartige Methoden vorgestellt, u.a. ein neuer konzeptioneller Rahmen für das Kategorisieren von Studien zur Parameteroptimierung, die „area fitness rate“ (AFR) als neue Messgröße für Flächendiskrepanzen, die klassifikations-basierte Nächster-Nachbar Klassifizierung sowie ein Ansatz zum Bestimmen der Güte von OBIA-Klassifizierungen. Schließlich gibt die Arbeit eine Reihe von Empfehlungen und bietet vielversprechende Ausgangspunkte für weiterführende wissenschaftliche Forschungen.:1. Introduction 2. Geodata and reference data 3. Object-based image analysis (OBIA) 4. Optimization of segmentation parameters 5. Feature selection and threshold determination 6. OBIA classification: rule set development and realisation 7. Classification results 8. Spatial farmland typology 9. Spatially explicit planning scenarios of rural livelihoods 10. Discussion

No description available.

Der Monitor der Siedlungs- und Freiraumentwicklung, kurz: „IÖR-Monitor“ informiert seit 2010 im Internet über die Entwicklung der Siedlungs- und Freiraumstruktur in Deutschland. Dabei befindet er sich in stetiger Weiterentwicklung, sowohl was das Indikatorenset betrifft, als auch die Visualisierungs- und die Analysemöglichkeiten. Der Beitrag beschreibt die neuesten Entwicklungen des Übersichts-Viewers und gibt einen Einblick in den entstehenden Detail-Viewer.

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.

Nach Darstellung der Anforderungen an ein zeitgemäßes Flächennutzungsmonitoring werden aktuelle Ergebnisse des Monitors der Siedlungs- und Freiraumentwicklung (IÖR-Monitor) vorgestellt. Diese beruhen insbesondere auf der Analyse topographischen Geobasisdaten von 2012 (mittlere Grundaktualität 2010). Die Siedlungs- und Verkehrsfläche steigt danach weiter ungemindert, sodass keine Entwarnung bzgl. des Erreichens der Flächensparziele gegeben werden kann. Da sich der IÖR-Monitor insbesondere auf die Auswertung des ATKIS Basis-DLM stützt, werden dessen jüngste Entwicklungen mit den Aspekten Aktualität und AAA-Migration vorgestellt. Erstmals werden die Ergebnisse des IÖR-Monitors durch Migrationseffekte geringfügig beeinflusst, die im Detail dargestellt werden. Anschließend werden neue Indikatoren der Kategorie Siedlung (Bodenversiegelungsgrad), Gebäude (Gebäudedichte und -überbauungsgrad) sowie Landschaftsqualität (Anteil naturbetonter Flächen und Hemerobieindex) erläutert. Inzwischen ist auch die kleinräumige Indikatordarstellung in Form von Rasterkarten bis 100-m-Rasterweite in einem integrierten Detailviewer mit GIS-Funktionalität möglich. Die technische Realisierung und die verfügbaren Indikatorkarten werden kurz vorgestellt. Der Beitrag schließt mit einem Ausblick auf die nächsten Arbeiten im IÖR-Monitor ab.

Die zunehmende Verfügbarkeit adressbezogener Daten im Zusammenhang mit der Nutzung geometrischer Raster zur Raumuntergliederung haben die Voraussetzungen für kleinräumige Analysen deutlich verbessert. Bei der Verwendung personenbezogener Daten müssen datenschutzrechtliche Vorgaben eingehalten werden, falls die Rasterzellen zu wenig Fallzahlen enthalten. Vielfach werden diese Rasterzellen ausgeblendet, wodurch Informationen in der Karte verloren gehen. Eine datenschutzkonforme Alternative stellt die Aggregation von Rasterzellen dar, bis die Fallzahlen einen vorgegebenen Grenzwert überschreiten. In diesem Beitrag werden Möglichkeiten vorgestellt und bewertet, nach denen sich datenschutzkonforme Mischrasterkarten erzeugen lassen. Besonderes Augenmerk wird auf die Auflösungsverluste der erzeugten Mischrasterkarten gelegt, um geeignete Datengrundlagen für kleinräumige Analysen zu schaffen.

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.