Statistische Modelle basierend auf empirischen Daten und GIS-Analysen sind ein geeignetes Mittel, um das Landschaftsbild objektiv zu bewerten. Verbreitet sind vor allem lineare Regressionsmodelle, die vergleichsweise einfach anzuwenden und zu interpretieren, jedoch bei der Darstellung komplexer Zusammenhänge eingeschränkt sind. Die vorliegende Arbeit nutzt drei verschiedene Modelltypen für eine bundesweite, flächendeckende Bewertung der landschaftli-chen Schönheit und vergleicht diese hinsichtlich ihrer Plausibilität und ihrer anwendungsbezogenen Vor- und Nachteile. Ein lineares Regressionsmodell wird dazu einem ordinalen Regres-sionsmodell und einem neuronalen Netz gegenübergestellt, mit denen auch nichtlineare Zusammenhänge modelliert werden können. Es werden sowohl die Modelle mit ihren beteiligten Indikatoren als auch die bei der flächenhaften Anwendung entstehenden Ergebniskarten aus-führlich verglichen. Empirische Datenbasis ist eine Onlineumfrage zum Landschaftsbild, die im Rahmen des vom Bundesamt für Naturschutz beauftragten FuE-Vorhabens „Entwicklung eines Bewertungsmodells zum Landschaftsbild beim Stromnetzausbau“ durchgeführt wurde. Bei der Umfrage wurde eine Fotodokumentation mit 822 repräsentativen Landschaftsfotos unter ande-rem hinsichtlich ihrer Schönheit bewertet. Es handelt sich mit mehr als 3.500 Teilnehmenden und 44.000 Fotobewertungen um den bisher umfangreichsten Datensatz zum Landschaftsbild in Deutschland. Die Arbeit behandelt speziell die Schönheit, da sich diese im Vergleich zu an-deren im § 1 Abs. 1 Nr. 3 BNatSchG genannten Kriterien Vielfalt und Eigenart für eine intuitive Bewertung ohne Expertenwissen eignet.
Der Vergleich bei der bundesweiten Anwendung der Modelle zeigt für alle drei Modelltypen überwiegend plausible und stark korrelierende Ergebnisse auf. Alle Ergebniskarten zeigen infolge des markanten Reliefunterschieds deutliche Bewertungsunterschiede zwischen der Nord- und Südhälfte Deutschlands. Es zeigt sich, dass Modelleigenschaften des linearen und ordinalen Regressionsmodells dazu führen, dass dieses Bewertungsgefälle deutlich zu stark ausgeprägt ist. Beim neuronalen Netz zeigt sich eine ausgewogenere Bewertung zwischen Norden und Süden, bei der auch Landschaftsräume ohne starke Reliefunterschiede häufig hohe Bewertungsstufen erhalten. Eine erneute Anwendung der Modelle auf die Ausgangsdaten bestätigt leichte Bewertungsvorteile des neuronalen Netzes. Es ist jedoch davon auszugehen, dass kleinere Untersuchungsgebiete mit weniger diversen Landschaftstypen dazu führen, dass die Vorhersagen verschiedener Modelltypen weniger Unterschiede aufweisen.
In der Arbeit wird die zugrundeliegende Stichprobe zudem auf die Effekte sozial-empirischer Merkmale untersucht. Es zeigen sich schwache Einflüsse von Alter, Bildungsstand und Fachwissen zum Landschaftsbild.
Zudem wurde untersucht, ob die landschaftliche Schönheit mit dem Vorkommen von bestimm-ten Farbtönen zusammenhängt. Ausgewählt wurden für die Analyse Grün- und Blautöne als Indikatoren für Vegetation und Wasser. Die Untersuchung zeigt keine Zusammenhänge mit blauen Farbtönen und eine geringe Korrelation zu grün(-blauen) Farbtönen.
Insgesamt bestätigen die Untersuchungsergebnisse, dass in Bezug auf die landschaftliche Schönheit ein ausreichender gesellschaftlicher Konsens besteht, um empirisch-modellierende Methoden zu validen und genauen Bewertungsinstrumenten für dieses Kriterium in der Landschaftsbildbewertung zu machen.:Zusammenfassung 5
Inhalt 7
Abbildungen 10
Tabellen 13
Abkürzungsverzeichnis 15
Allgemeine Informationen 16
1. Einleitung 17
1.1 Anlass und Motivation 17
1.2 Zielstellung 18
1.3 Aufbau und Gliederung der Arbeit 19
2. Inhaltliche Grundlagen 22
2.1 Landschaft 22
2.2 Landschaftsbild 23
2.2.1 Rolle der sensorischen Wahrnehmung in der Landschaftsbildbewertung 23
2.2.2 Die Subjektebene 25
2.3 Begriffstrias Vielfalt, Eigenart und Schönheit 27
2.3.1 Vielfalt 28
2.3.2 Eigenart 28
2.3.3 Schönheit 30
2.4 Expertenbasierte, modellierende und empirisch-modellierende Landschaftsbildbewertung 31
2.5 Schönheit in der Landschaftsbildbewertung 36
2.6 Fotos als Bewertungsmedium 42
3. Fotodokumentation und Onlineumfrage 44
3.1 Erstellung der Fotodokumentation 44
3.1.1 Auswahl von Referenzräumen 44
3.1.2 Anfertigung der Fotodokumentationen 49
3.1.3 Auswahl der Fotos für die Onlineumfrage 51
3.2 Onlineumfrage 52
4. Einfluss sozial-empirischer Merkmale auf die Bewertung 55
4.1 Geschlecht 56
4.2 Alter 60
4.3 Schulabschluss 64
4.4 Berufsabschluss 66
4.5 Affinität zu Natur und Landschaft 69
4.6 Aufenthalt in der freien Landschaft 71
4.7 Berufliche Auseinandersetzung mit dem Landschaftsbild 73
4.8 Entfernung vom Wohnort zur bewerteten Landschaft 77
4.9 Ländliche oder städtische Prägung des Wohnortes 83
4.10 Zusammenfassung 85
5. Auswahl von Indikatoren 88
5.1 Operationalisierbare und nicht-operationalisierbare Indikatoren 88
5.2 Datengrundlagen 89
5.3 Liste aller potenziellen Indikatoren 90
5.4 Erhebung des Indikatorenvorkommens durch Strukturanalyse der Sichträume 95
5.4.1 Verifizierung der Sichträume 95
5.4.2 Vorbereitung der Sichträume im GIS 97
5.4.3 Ermittlung des Indikatorenvorkommens in den Sichträumen 99
5.4.4 Erfassung des Indikatorenvorkommens im GIS 101
6. Ergänzende statistische Analyse der potenziellen Indikatoren 102
7. Einfluss der Farbgebung der Landschaftsfotos auf die Bewertung 104
7.1 Messung der Farbgebung 105
7.2 Definition von Farbbereichen 107
7.3 Statistische Analyse der Daten zur Farbgebung der Landschaftsfotos 109
7.4 Fazit 110
8. Erstellung der Bewertungsmodelle 112
8.1 Lineare Regression 112
8.1.1 Voraussetzungen 114
8.1.2 Lineares Regressionsmodell zur Schönheit der Landschaft 119
8.2 Ordinale Regression 122
8.2.1 Modellerstellung bei der ordinalen Regression 124
8.2.2 Interpretation der Parameterschätzer / Berechnung von Wahrscheinlichkeiten 125
8.2.3 Vorbereitung der Daten / Ordinale Skalierung 128
8.2.4 Voraussetzungen 129
8.2.5 Ordinales Regressionsmodell zur Schönheit der Landschaft 131
8.3 Neuronales Netzwerk 135
8.3.1 Aufbau und Funktionsweise 135
8.3.2 Auswahl von Skalenniveaus für das neuronale Netz 139
8.3.3 Einstellungen zum mehrschichtigen Perzeptron in SPSS 140
8.3.4 Erstellung des mehrschichtigen Perzeptrons mit SPSS 141
8.3.5 Neuronales Netzwerk zur Schönheit der Landschaft 144
8.4 Vergleich des Aufbaus der Modelle 147
8.5 Vergleich der Modellergebnisse 149
9. Flächenhafte Anwendung der Bewertungsmodelle 153
9.1 Wahl der Bewertungseinheit 153
9.2 Erhebung des Indikatorenvorkommens in den Bewertungseinheiten 154
9.3 Übertragung des Distanzzonenkonzepts in die Flächenbewertung 155
9.4 Anwendung der Bewertungsmodelle auf das Untersuchungsgebiet 156
9.5 Einteilung der Bewertungsstufen der Ergebniskarten der Bewertungsmodelle 157
9.6 Auswertung und Vergleich der Ergebniskarten 160
9.6.1 Verteilung der Bewertungsstufen 165
9.6.2 Sichtbarer Einfluss von Indikatoren auf die Wertstufenverteilung 167
9.6.3 Fazit 175
10. Diskussion und Schlussfolgerung 177
10.1 Diskussion der drei Modellierungsmethoden und deren Ergebnisse 177
10.1.1 Einordnung der Ergebnisse 177
10.1.2 Kritische Betrachtung der Methoden und Optimierungspotenzial 179
10.2 Vor- und Nachteile der drei Modellierungsmethoden 183
10.3 Die Berechnung landschaftlicher Schönheit 185
10.4 Zweck großräumiger Landschaftsbildbewertung in der Landschaftsplanung 187
10.5 Daseinsberechtigung landschaftlicher Schönheit als Bewertungskriterium 188
10.6 Fazit 189
11. Quellenverzeichnis 190
Anhang 1 – Landschaftsfotos 202
Anhang 2 – Korrelationsanalyse der unabhängigen Variablen des linearen Regressionsmodells 213
Anhang 3 – Korrelationsanalyse der unabhängigen Variablen des ordinalen Regressionsmodells 215
Anhang 4 – Korrelationsuntersuchungen der potenziellen Indikatoren 217
Anhang 5 – Verteilung der Bewertungsstufen in den Ergebniskarten 219
Danksagung 227
Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:82868 |
Date | 06 January 2023 |
Creators | Hildebrandt, Silvio |
Contributors | Wende, Wolfgang, Roth, Michael, Technische Universität Dresden, Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen |
Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
Language | German |
Detected Language | German |
Type | info:eu-repo/semantics/acceptedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0022 seconds