Modellierung von Landnutzungsveränderungen

InhaltInhalt1 Einführung

2 Ursachen der Landnutzungsveränderung

3 Erfassung und Analyse von Veränderungsprozessen3.1 Multitemporale Bildverarbeitung3.2 Multispektrale Klassifizierung

4 Modellkonzepte und Anwendungen4.1 Zelluläre Automaten4.2 Agent-Base Modell4.3 CLUE-s Modell

5 Zusammenfassung

11 EinführungEinführung Es wird zwischen Landbedeckung und Landnutzung unterschieden:

1. Unter Landbedeckung werden die biophysikalischen Attribute der Erdoberfläche verstanden.

2. Im Bereich der Landnutzung werden diese Attribute anthropogen verändert.

Zur Modellierung von Veränderungen im Bereich der Landnutzung ist es daher notwendig, diesen anthropogenen Einfluss in das Modell zu integrieren.

Zuvor werden die Ausgangsdaten mit Hilfe der Fernerkundung erfasst, bearbeitet und analysiert.

Aus diesen Arbeitschritten werden Veränderungen aus der jüngsten Vergangenheit sichtbar, so dass aus diesen Veränderungen Prognosen für die Zukunft formuliert werden und somit in das Modell einfliesen.

1 Einführung

2 Ursachen der Landnutzungsveränderung

3 Erfassung und Analyse von Veränderungsprozessen3.1 Multitemporale Bildverarbeitung3.2 Multispektrale Klassifizierung

4 Modellkonzepte und Anwendungen4.1 Zelluläre Automaten4.2 Agent-Base Modell4.3 CLUE-s Modell

5 Zusammenfassung

InhaltInhalt

(GEIST & LAMBIN 2002:144)

22 Ursachen der LandnutzungsveränderungUrsachen der Landnutzungsveränderung

Other factors Pre-disposing

environmental factors (land characteristics, e.g. soil quality, topography, forest fragmentation, etc.)

Biophysical drivers (triggers, e.g. fires, droughts, floods, pests)

Social Trigger Events (e.g. war, revolution, social disorder, abrupt displacements, economic shocks, abrupt policy shifts)

Demographic factors Natural increment

(fertility, mortality) Migration

(in/out migration) Population Density Population Distribution Life Cycle Features

Economic factors Market Growth &

Commercialisation Economic structures Population Density Urbanization &

Industrialization Special Variables

(e.g. price increases, comparative cost advantages)

Technological factors Agro – technical

Change(e.g. In/extensification)

Applications in the wood sector(e.g. mainly wastage)

Agricultural production factors

Policy & Institutional factors

Formal Policies(e.g. on economic development, credits)

Policy Climate(e.g.corruption, mismanagement)

Property Rights(e.g. land race, titling)

Cultural factors Puplic Attitudes,

Values & Beliefs(e.g. unconcern about forest, frontier mentality)

Individual & Household Behavior(e.g. unconcern about forests, rent-seeking, imitation)

Infrastructure extension Transport

(roads, railroads, etc.) Markets

(public & privats, e.g. sawmills) Settlements

(rural & urban) Public Service

(water lines, electrical grids,sanitation, etc.)

Private Company(hydropower, mining, oil exploration)

Agricultural expansion Permanent Cultivation

(large scale vs. Smallholder, subsistence vs. commercial)

Shifting Cultivation(slash an burn vs. traditional swidden)

Cattle Ranching(large scale vs. smallholder)

Colonization(incl. transmigration& resettlement projects)

Wood extraction Commercial

(State-run, private, growth coalition, etc.)

Fuelwood(mainly domestic usage)

Polewood(mainly domestic usage)

Charcoal production(domestic & industrial uses)

Underlying causes

Proximate causes

InhaltInhalt1 Einführung

2 Ursachen der Landnutzungsveränderung

3 Erfassung und Analyse von Veränderungsprozessen3.1 Multitemporale Bildverarbeitung3.2 Multispektrale Klassifizierung

4 Modellkonzepte und Anwendungen4.1 Zelluläre Automaten4.2 Agent-Base Modell4.3 CLUE-s Modell

5 Zusammenfassung

33 Erfassung und Analyse von Erfassung und Analyse von VeränderungsprozessenVeränderungsprozessen

Mit Hilfe der Fernerkundung kann zum einen die Landschaft als Gesamtheit beobachtet werden und zum andern ist eine relativ schnelle Erfassung von Einzelerscheinungen möglich.

Je nach Untersuchungsgebiet und Zielsetzung können verschiedene Aufnahmeplattformen verwendet werden.

Durch die unterschiedlichen Formen der Aufnahme können die Aufnahmezeitpunkte frei gewählt bzw. sind in einheitlichen Intervallen aufgenommen werden.

Dadurch ist eine multitemporale Auswertung von Bilddaten möglich.

BearbeitenBearbeitenErfassenErfassen AnalysierenAnalysieren

3.13.1 Multitemporale BildverarbeitungMultitemporale Bildverarbeitung

Bei der Kombination mehrerer Bilder können aufgrund der unterschiedlichen Aufnahmezeitpunkte Veränderungen sichtbar werden (Change Detection).

Eine genaue geometrische Übereinstimmung der Daten ist Voraussetzung, da durch geringfügige geometrische Fehler Veränderungen vorgetäuscht werden können.

Besondere Anwendung in Gebieten, in denen sich saisonale Effekte auswirken (z.B. Austrocknungsgebiete, Anbaugebiete vs. Brachflächen und Brandflächen).

Vorzugsweise werden Kanäle mit dem gleichen Spektralbereich kombiniert, durch das Reflexionsverhalten.

Auf diese Weise werden die Unterschiede in Bezug auf die Rückstrahlung der Objekte deutlich

3.13.1 MultitemporaleMultitemporale BildverarbeitungBildverarbeitung Vorgehensweise:

1. Einen Bilddatensatz wird von einem zweiten abgezogen, der zu einem anderen Zeitpunkt

aufgenommen wurde.2. Dadurch werden positive und negative Werte

gewonnenen.3. Ergebnis wird wieder in eine übliche Grauwertmatrix

umgesetzt. diese Art der Bildverarbeitung ist meist nur eine Vorstufe zur

visuellen Interpretation

(Albertz 2001:121)

1995 1996

3.23.2 Multispektrale KlassifizierungMultispektrale Klassifizierung Auswertung: Nutzbarmachung der gespeicherten Information

innerhalb der Luft- und Satellitenbilder

3Typen der Auswertung:1. visueller Bildinterpretation,2. photogrammetrischer Auswertung,3. digitaler Bildauswertung.

Der radiometrische Wert desPixels ist die vom Aufnahme-system gemessene Strahlung,welche von der zugehörigenErdoberfläche reflektiert oderauch emittiert wurde.

Verschiedene Klassifizierungsverfahren:1. Maximum-Likelihood, 2. Minimum-Distance,3. das Quader-Verfahren etc.

Multitemporale Klassifizierung:Verschneidungen von Bilddaten, die zu verschiedenen

Zeitpunkten aufgenommen wurden.

3.23.2 Multispektrale KlassifizierungMultispektrale Klassifizierung

InhaltInhalt1 Einführung

2 Ursachen der Landnutzungsveränderung

3 Erfassung und Analyse von Veränderungsprozessen

3.1 Multitemporale Bildverarbeitung3.2 Multispektrale Klassifizierung

4 Modellkonzepte und Anwendungen4.1 Zelluläre Automaten4.2 Agent-Base Modell4.3 CLUE-s Modell

5 Zusammenfassung

44 Modellkonzepte und AnwendungenModellkonzepte und Anwendungen

Modelle, die durch ihren recht einfachen Ansatz komplexe Interaktionsgeschehen abstrakt erfassen können.

Diese Modelle beschreiben Wechselwirkungen verschieden vieler Teilkomponenten, die alle den gleichen, aufgestellten Regeln folgen und mit Komponenten aus ihrer direkten Nachbarschaft agieren.

Dies bedeutet sie können ihre Zustände auf die ihrer Nachbarn abstimmen.

Die Zellulären Automaten bauen sich aus mehreren Zellen auf, welche in einem zweidimensionalen Raum eine Matrix bilden.

Diesen Zellen in der Matrix wird jeweils eine Eigenschaft oder auch Zustand zugewiesen.

Durch die Information, die eine Zelle aus ihrer Nachbarschaft erhält, verändert sich ihr Eigener aufgrund zuvor aufgestellter Regeln.

Diese Regeln sind für alle Zellen die Gleichen

4.14.1 Zelluläre AutomatenZelluläre Automaten

Beispiel:John Horton Conway 1960 LIFE spielt sich in der künstliche Welt eines zweidimensionalen Rasters ab.Die Zellen folgen zuvor festgelegten Regeln: 1. Jede Zelle stirbt, wenn sie von nur einer oder

keiner umgeben ist. (Einsamkeit)2. Jede Zelle stirbt, wenn sie von 4 oder mehr

Zellen umgeben ist. (Überbevölkert)3. Jede Zelle mit 2 oder 3 Nachbarn überlebt. 4. Jede Zelle mit 3 Nachbarn entsteht.

4.14.1 Zelluläre AutomatenZelluläre Automaten

4.14.1 Zelluläre AutomatenZelluläre Automaten Beispiel: Wien

1. Modell simuliert die Siedlungserweiterung im Stadtumlande als Effekt der Zuwanderung. 2. Städte werden in diskrete räumliche Einheiten (=Zellen) zerlegt: - Grundstücke,- Baublocks,- Gebäude,- u. a. Flächen 3. Nutzungsmuster bilden die Matrix des Zellulären Automaten4. den Zelle wird ein Zustand zugeordnet (z.B. die Landnutzung)5. durch festgelegte Regeln kann eine Stadtentwicklung simuliert werden (Landnutzung der Nachbarschaft, Bebauungsdichte, Flächennutzung).

Regeln

Vornutzung Nutzungsänderung

t0 t1

Die räumliche Datenbasis lieferten digitale Rasterkarten oder auch Fernerkundungsdaten.

Die Regeln werden durch empirische Analyseergebnisse definiert (vergangener anthropogener Handlungen).

1. Im Raum Wien: eine Siedlungserweiterung von1968 bis 1999 bevorzugt am Rand von bereits vorhandenen

Siedlungen.2. Diese Gebiete wiesen genügend Freiflächen auf und

lagen abseits von Industriegebieten.3. Min. 4km Entfernung von Bundesstraßen oder

Autobahnen.4. Industriegebieten: eine geringere Entfernung zu

Hauptverkehrsstraßen.5. Ausweitung der Städte wurden zum Teil

landwirtschaftliche Flächen umgenutzt.

4.14.1 Zelluläre Automaten – Beispiel WienZelluläre Automaten – Beispiel Wien

4.24.2 Agent-Base ModellAgent-Base Modell

Dieses Modell ist ein Mikrosimulationsmodelle, in dem Akteure (=Agenten) bzw. Gruppen von Akteuren agieren.

Agent: - basiert auf einer Software.- autonomes, reaktives und proaktives Computersystem

mit gewissen sozialen Fähigkeiten.- Das System kontrolliert seine Handlungen in gewisser

Weise selbst, d.h. reagiert auf Veränderungen seiner Umwelt, ist zu zielgerichtetem Verhalten fähig und kommuniziert mit anderen Agenten seiner Umwelt

oder vielleicht mit Menschen. Agentenmodelle simulieren Aktionen einzelner oder mehrerer

Individuen

4.24.2 Agent-Base ModellAgent-Base Modell Beispiel: Wien

1. Mit diesem Modellansatz wurde versucht, unterschiedliche Nachfrageverhalten darzustellen (bei der Suche nach neuen Standorten bzw. neue Wohngebiete).→ Modellierung von Siedlungsstrukturen als Ergebnis anthropogener Handlungen.2. Siedlungsentwicklung durch Migration → Agenten = Migranten 3. Verhalten beruht auf dem Wissen bzw. der Wahrnehmung der Agenten und ist von sozioökonomischen Bedingungen und Wünschen abhängig. → Suchprozesse, die Wohn- und Industriegebiete nach ihrer Attraktivität beurteilt.4. Daten: Wohnbevölkerungszahlen (1971-2001) Wanderungszahlen (1971-1991)5. Unterschiedlicher Bildungsstand der Migranten → ergeben sich Unterschiede in ihrer finanziellen Leistungsfähigkeit

6. Aus der Leistungsfähigkeit ergeben sich 4 Agentengruppen:- Wohlhabende Haushalte → Ziel: Einfamilienhaus in

guter Lage und guter Ausstattung, gute Erreichbarkeit der nächst größeren Stadt.

- Mittelstandshaushalte → Ziel: Einfamilienhaus mit geringen Grundstückspreisen und einer ausreichenden Erreichbarkeit.

- Relativ wohlhabende Haushalte → Ziel: in einem Geschoss-wohnhaus in guter Lage eine Wohnung zu erhalten.

- Mittelstandshaushalte → Ziel: in einem Geschosswohnhaus, in Gebieten mit geringen Grundstückspreisen zu wohnen.7. Driving Forces: die Kosten; Erreichbarkeit der Kernstädte und

deren lokales Arbeitsplatzangebot; die Versorgungsinfrastruktur sowie das Wohnumfeld (z.B. Hanglage, Ruhelage, in der Nähe eines Sees, etc.)

4.24.2 Agent-Base Modell – Beispiel WienAgent-Base Modell – Beispiel Wien

8. Über stochastische Prozess wird entschieden, ob und wohin gewandert wird, (die einzelnen Bedingungen müssen erfüllt sein). → gesamten Region konnte durch Nachfrage-

Wahrscheinlichkeiten differenziert werden9. Auswahl der Zielgemeinde wird durch Grenzwerte der

einzelnen Agentengruppen bestimmt.10. Attraktive Regionen weisen einen hohen Zustrom an

Migranten auf und unattraktive demzufolge einen Geringeren

Zusammenfassung:- Agentengruppen wandern entsprechend den Anteile in der

Vergangenheit.- haben die Agenten einen geeigneten Standort gefunden, wird

das Zentrum dieses Ortes angesteuert- Danach werden in dessen Umkreis geeignete Wohnstandorte

geprüft, ob sie den weiteren Kriterien entsprechen (Zelluläre Automaten)

4.24.2 Agent-Base Modell – Beispiel WienAgent-Base Modell – Beispiel Wien

4.34.3 CLUE-s ModellCLUE-s Modell CLUE-s: the Conversion of Land Use and its Effects at Small

regional extent. Das Vorgängermodell CLUE wurde entwickelt, um

Landnutzungsveränderungen zu simmulieren → für Gebiete in Zentral America, Äqudor, China und Java, Indonesien.

CLUE konnte nicht für den Regionalen Maßstab angewendent werden → Entwicklung von CLUE-s.

Die Simulation basierten auf empirischen Analysen der Gebietseignung in Verbindung mit der Dynamik von Konkurrenz und Interaktion zwischen den Landnutzungssystemen.

4.34.3 CLUE-s ModellCLUE-s Modell

Das “non-spatial module” berechnet die Gebietsveränderung aller Landnutzungsart für das gesamte Ebene. (von einfacher Extrapolation bis zu komplexen ökonomischen Modellen)

Mit dem zweiten Teil des Modells wird der errechnete Bedarf der LUC auf die verschiedenen Gebiete umgesetzt (Rasterbasiertes System)

Das “user-interface” des CLUE-s Modell unterstützt nur die ”spatial allocation of LUC”.

4.34.3 CLUE-s ModellCLUE-s Modell

Die 4 Kategorien kreieren eine Reihe von Bedingungen und Möglichkeiten, so dass das Modell die best möglichen Ergebnisse erzielt werden.

4.34.3 CLUE-s ModellCLUE-s Modell Die Präferenz eines Gebietes wird errechnet durch:

Rki = akX1i + bkX2i + .....

- R ist die Präferenz, sich einem Gebiet i mit der LU k zu widmen.

- X1,2,…sind biophysikalische oder sozioökonomische Charakteristiken des Gebietes i

- ak und bk stellen den relativen Einfluss dieser Charakteristiken auf die Präferenz des LU Typs k

dar Rki kann nicht direkt beobachtet oder gemessen werden → wird

als Wahrscheinlichkeit errechnet Die Funktion, die diese Wahrscheinlichkeit mit biophysikalischen

und sozioökonomischen Bedingungen in Verbindung bringt, wird in einem Logit-Modell definiert:Log

Pi

1-Pi( )= β0+ β1X1,i+ β2X2,i… βn Xn,i

4.34.3 CLUE-s ModellCLUE-s Modell

LogPi

1-Pi( )= β0+ β1X1,i+ β2X2,i… βn Xn,i

- Pi ist die Wahrscheinlichkeit, mit der eine Rasterzelle auf einem ausgewählten LU Typ im Gebiet i vorkommt.

- Xn sind die Gebietsfaktoren - Der Koeffizient β wird durch eine Logistische

Regression geschätzt, wobei die aktuelle LU-Verteilung als abhängige Variable genutzt wird.

InhaltInhalt1 Einführung

2 Ursachen der Landnutzungsveränderung

3 Erfassung und Analyse von Veränderungsprozessen3.1 Multitemporale Bildverarbeitung3.2 Multispektrale Klassifizierung

4 Modellkonzepte und Anwendungen4.1 Zelluläre Automaten4.2 Agent-Base Modell4.3 CLUE-s Modell

5 Zusammenfassung

55 ZusammenfassungZusammenfassung

Der Einfluss des Menschen ist in der Landnutzung bedeutend Diese Handeln muss im Bereich der Modellierung mit berücksichtigt

werden Um die jeweiligen Modelle zu kalibrieren, sind jeweils auch Daten

aus der Vergangenheit notwendig Diese werden durch die seit Jahren durchgeführten Aufzeichnungen

(Flugzeug & Satelliten) erstellt Die Modelle dienen der Simulation von Veränderungsprozessen und

sind zur Erstellung zukünftige Szenarien relativ gut geeignet, wobei sie immer weiteren Entwicklungen unterliegen, um genauere Vorhersagen der Zukunft machen zu können.

Vielen Dank für die AufmerksamkeitVielen Dank für die Aufmerksamkeit

LiteraturLiteraturAlbertz, J (2001²): Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft- und Satellitenbildern. Darmstadt.Albertz, J (2001²): Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft- und Satellitenbildern. Darmstadt.Blumberg, K. (1999/2000): Zelluläre Automaten.Blumberg, K. (1999/2000): Zelluläre Automaten.

((http://ifgi.uni-muenster.de/~mandl/Blumberg/ZellAuto.html. letzter Zugriff am 5.1.2005.). letzter Zugriff am 5.1.2005.)Franke-Scharf, I.(2000) Landschafts- und Landnutzungswandel im nigerianischen Tschadbecken. Qualitative und quantitative Franke-Scharf, I.(2000) Landschafts- und Landnutzungswandel im nigerianischen Tschadbecken. Qualitative und quantitative

räumliche Analysen durch Auswertung multitemporaler und multisensoraler Fernerkundungsdaten im Rahmen eines räumliche Analysen durch Auswertung multitemporaler und multisensoraler Fernerkundungsdaten im Rahmen eines geographischen Informationssystems. Frankfurt am Main.geographischen Informationssystems. Frankfurt am Main.((www.publikationen.ub.uni-frankfurt.de/Volltexte/2003/201 ; letzter Zugriff am 4.1.2005) ; letzter Zugriff am 4.1.2005)

Geist, H.J. & E.F. Lambin (2002): Proximate Causes and Underlying Driving Forces of Tropical Deforestation. In: BioScience 52, 2, Geist, H.J. & E.F. Lambin (2002): Proximate Causes and Underlying Driving Forces of Tropical Deforestation. In: BioScience 52, 2, 143-150.143-150.

Gerhardt, M. & H. Schuster (1995): Das digitale Universum. Zelluläre Automaten als Modelle der Natur. Braunschweig/Wiesbaden.Gerhardt, M. & H. Schuster (1995): Das digitale Universum. Zelluläre Automaten als Modelle der Natur. Braunschweig/Wiesbaden.Judex, M. (2003): Analyse und Erklärung von Landbedeckungs- und Landnutzungsänderungen im Upper Oueme Catchment (Benin, Judex, M. (2003): Analyse und Erklärung von Landbedeckungs- und Landnutzungsänderungen im Upper Oueme Catchment (Benin,

Westafrika) durch die Verknüpfung von LANDSAT-Daten mit sozioökonomischen Daten. Bonn.Westafrika) durch die Verknüpfung von LANDSAT-Daten mit sozioökonomischen Daten. Bonn.((www.rsrg.uni-bonn.de/RSRGwww/Deutsch/Diplomarbeiten/Judex_Diplomarbeit_2003.pdf ; letzter Zugriff am 6.1.2005) ; letzter Zugriff am 6.1.2005)

Lambin, E.F., B.L.Turner, H.J. Geist, S.B. Agbola, A. Angelsen, J.W. Bruce, O.T. Coomes, R. Dirzo, G. Fischer, C. Folke, P.S. Lambin, E.F., B.L.Turner, H.J. Geist, S.B. Agbola, A. Angelsen, J.W. Bruce, O.T. Coomes, R. Dirzo, G. Fischer, C. Folke, P.S. George, K. Homewood, J. Imbernon, R. Leemans, X. Li, E.F. Moran, M. Mortimore, P.S. Ramakrishnan, J.F. Richards, H. George, K. Homewood, J. Imbernon, R. Leemans, X. Li, E.F. Moran, M. Mortimore, P.S. Ramakrishnan, J.F. Richards, H. Skånes, W. Steffen, G.D. Stone, U. Svedin, T.A. Veldkamp, C. Vogel & J. Xu (2000): The causes of land-use and land-cover Skånes, W. Steffen, G.D. Stone, U. Svedin, T.A. Veldkamp, C. Vogel & J. Xu (2000): The causes of land-use and land-cover change: moving beyond the myths. In: Global Environmental Change 11, 261-269.change: moving beyond the myths. In: Global Environmental Change 11, 261-269.((www.uni-klu.ac.at/geo/lv_online/seminar2002/lambin_etal_2001.pdf ; letzter Zugriff am 6.1.2005) ; letzter Zugriff am 6.1.2005)

Loibl, W. & T. Tötzer (2002): Simulation suburbaner Siedlungsentwicklung im Großraum Wien mittels räumlicher Agenten und Loibl, W. & T. Tötzer (2002): Simulation suburbaner Siedlungsentwicklung im Großraum Wien mittels räumlicher Agenten und Zellulärem Automaten. In: Schrenk, M. (Hrsg.): Multimediaplan.AT & IEMAR, Corp 2002 Proceedings, TU Wien, 167-174.Zellulärem Automaten. In: Schrenk, M. (Hrsg.): Multimediaplan.AT & IEMAR, Corp 2002 Proceedings, TU Wien, 167-174.((http://213.47.127.15/corp/archiv/papers/2002/CORP2002_Loibl.pdf ; letzter Zugriff am 6.1.2005) ; letzter Zugriff am 6.1.2005)

Löffler, E. (1994²): Geographie und Fernerkundung: eine Einführung in die geographische Interpretation von Luftbildern und modernen Löffler, E. (1994²): Geographie und Fernerkundung: eine Einführung in die geographische Interpretation von Luftbildern und modernen Fernerkundungsdaten. Stuttgart.Fernerkundungsdaten. Stuttgart.

Rauh, J. & R. Hesse (2002): Agentenbasiertes geographisches Informations- und Simulationssystem als Werkzeug zur Shopping-Rauh, J. & R. Hesse (2002): Agentenbasiertes geographisches Informations- und Simulationssystem als Werkzeug zur Shopping-Center-Planung. In: GIS-GEO-Informationssysteme. Zeitschrift für raumbezogene Informationen und Entscheidungen 15, 12, 10-Center-Planung. In: GIS-GEO-Informationssysteme. Zeitschrift für raumbezogene Informationen und Entscheidungen 15, 12, 10-15.15.

Verburg, P.H. & A. Veldkamp, L. Willemen, K.P. Overmars, J.-C. Castella (2004): Landscape Level Analysis of the Spatial and Verburg, P.H. & A. Veldkamp, L. Willemen, K.P. Overmars, J.-C. Castella (2004): Landscape Level Analysis of the Spatial and Temporal Complexity of Land-Use Change. In: DeFries, R. & G. Asner, R. Houghton (Hrsg.): Ecosystems and Land Use Temporal Complexity of Land-Use Change. In: DeFries, R. & G. Asner, R. Houghton (Hrsg.): Ecosystems and Land Use Change, 153, Wageningen, 217-230.Change, 153, Wageningen, 217-230.((www.cluemodel.nl ; letzter Zugriff am 6.1.2005) ; letzter Zugriff am 6.1.2005)