Regionale Modellierung der zukünftigen Siedlungsflächenentwicklung mit globalen Datensätzen: Vergleich der Performance von OSM-Daten mit dem Global Human Settlement Layer und dem World Settlement Footprint
Abstract
Stadtmodelle des maschinellen Lernes gelten als eines der wichtigsten Instrumente für das Stadtmonitoring. Sie stützen sich auf zeitlich und räumlich detaillierte Ausgangsdaten zu Siedlungsflächenmustern. In jüngster Zeit wurden zahlreiche satellitengestützte, globale Siedlungsflächendatensätze publiziert, wie der Global Human Settlement Layer (GHSL) und der World Settlement Footprint Evolution (WSF Evo). Darüber hinaus ermöglicht die Programmierschnittstelle Ohsome API Wissenschaftler:innen den Zugriff auf historische OpenStreetMap-Daten (OSM), dem weltweit populärsten Archiv von freiwillig erhobenen geografischen Informationen. Es fehlen jedoch Studien, die sich mit der räumlich expliziten Geosimulation des künftigen Siedlungsflächenwachstums auf der Grundlage von OSM-Daten befassen. Dies gilt auch für Studien, die das Geosimulationspotenzial offener, globaler urbaner Landbedeckungs- oder Landnutzungsprodukte und ihre Anwendbarkeit auf regionaler Ebene vergleichen.
Das Ziel dieses Beitrages war es daher, eine regionale Studie zur zukünftigen Siedlungsflächenentwicklung im Kontext von Umwelteffekten durchzuführen. Hierzu wurde ein Zellulärer Automat (ZA) mit WSF‑, GHSL- und OSM-Daten zur Simulation des städtischen Wachstums im Ruhrgebiet 2030 kalibriert, validiert und implementiert. Der in dieser Studie verwendete ZA ist das SLEUTH Urban Growth Model (UGM), eines der bekanntesten Städtewachstumsmodelle der Welt. Als Untersuchungsgebiet wurde das Ruhrgebiet gewählt, da es aufgrund seiner anspruchsvollen polyzentrischen Struktur eine Herausforderung für Modelle des maschinellen Lernens darstellt. Alle Ergebnisse wurden mit amtlichen Geodaten zur thermischen Situation und zur Hochwassergefahr verglichen.
Die Ergebnisse zeigen, dass alle Modelle eine sehr hohe Genauigkeit in Bezug auf Quantität und Allokation erreichen. Der WSF-basierte CA wies eine höhere Modellierungssicherheit auf als die anderen getesteten ZA. Je älter die OSM-Daten sind, desto höher ist die Wahrscheinlichkeit von Fehlern vom Typ I (falsch positive Ergebnisse). Alle Modelle wiesen einen ähnlich hohen relativen Anteil an neuen Siedlungsflächen auf, die von Überschwemmungen betroffen waren; sie unterschieden sich jedoch hinsichtlich der Ausdehnung der von ungünstigen thermischen Bedingungen betroffenen Gebiete.
Die zukünftige Forschung muss sich auf die Definition von “urban” in globalen Produkten konzentrieren. Die in dieser Studie verwendeten globalen erdbeobachtungsbasierten Datensätze (GHSL und WSF Evolution) konzentrierten sich auf die städtische Bodenbedeckung (i. e. hauptsächlich wasserundurchlässige Oberflächen). Die aus OSM abgeleiteten Daten berücksichtigten auch städtische Flächennutzungen, wie städtische Erholungsgebiete und Freizeiteinrichtungen. Freiflächen innerhalb eines städtischen Gebiets erfuhren allerdings als erstes eine Randexpansion, die die vorherrschende Wachstumsart von ZA ist.