Modellierung von Landnutzungsveränderungen

1. Modellierung von Landnutzungsveränderungen

2. Inhalt 1Einführung 2Ursachen der Landnutzungsveränderung 3Erfassung und Analyse von Veränderungsprozessen 3.1Multitemporale Bildverarbeitung 3.2Multispektrale Klassifizierung 4Modellkonzepte und Anwendungen 4.1Zelluläre Automaten 4.2Agent-Base Modell 4.3CLUE-s Modell 5Zusammenfassung

3. 1Einführung • 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.

4. Inhalt 1 Einführung 2 Ursachen der Landnutzungsveränderung 3 Erfassung und Analyse von Veränderungsprozessen 3.1 Multitemporale Bildverarbeitung 3.2 Multispektrale Klassifizierung 4 Modellkonzepte und Anwendungen 4.1 Zelluläre Automaten 4.2 Agent-Base Modell 4.3 CLUE-s Modell 5 Zusammenfassung

5. 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) • Other factors • Pre-disposing • environmental factors • (land characteristics, e.g. soilquality, 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) 2 Ursachen der Landnutzungsveränderung Proximate causes Underlying causes

6. Inhalt 1Einführung 2Ursachen der Landnutzungsveränderung 3Erfassung und Analyse von Veränderungsprozessen 3.1Multitemporale Bildverarbeitung 3.2Multispektrale Klassifizierung 4Modellkonzepte und Anwendungen 4.1Zelluläre Automaten 4.2Agent-Base Modell 4.3CLUE-s Modell 5Zusammenfassung

7. Erfassen Bearbeiten Analysieren 3 Erfassung und Analyse von Veränderungsprozessen • 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.

8. 3.1 Multitemporale 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

9. 1995 1996 (Albertz 2001:121) 3.1MultitemporaleBildverarbeitung • 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

10. 3.2 Multispektrale 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 des Pixels ist die vom Aufnahme- system gemessene Strahlung, welche von der zugehörigen Erdoberfläche reflektiert oder auch emittiert wurde.

11. 3.2 Multispektrale Klassifizierung • Verschiedene Klassifizierungsverfahren: 1. Maximum-Likelihood, 2. Minimum-Distance, 3. das Quader-Verfahren etc. • Multitemporale Klassifizierung: Verschneidungen von Bilddaten, die zu verschiedenen Zeitpunkten aufgenommen wurden.

12. Inhalt 1 Einführung 2 Ursachen der Landnutzungsveränderung 3 Erfassung und Analyse von Veränderungsprozessen 3.1 Multitemporale Bildverarbeitung 3.2 Multispektrale Klassifizierung 4 Modellkonzepte und Anwendungen 4.1 Zelluläre Automaten 4.2 Agent-Base Modell 4.3 CLUE-s Modell 5 Zusammenfassung

13. 4 Modellkonzepte und Anwendungen 4.1 Zelluläre Automaten • 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

14. 4.1 Zelluläre 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.

15. Vornutzung Nutzungsänderung Regeln t0 t1 4.1 Zelluläre 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 Automaten 4. den Zelle wird ein Zustand zugeordnet (z.B. die Landnutzung) 5. durch festgelegte Regeln kann eine Stadtentwicklung simuliert werden (Landnutzung der Nachbarschaft, Bebauungsdichte, Flächennutzung).

16. 4.1 Zelluläre Automaten – Beispiel Wien • 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.

17. 4.2 Agent-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

18. 4.2 Agent-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

19. 4.2 Agent-Base Modell – Beispiel Wien 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.)

20. 4.2 Agent-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 werden 9. 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)

21. 4.3 CLUE-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.

22. 4.3 CLUE-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”.

23. 4.3 CLUE-s Modell • Die 4 Kategorien kreieren eine Reihe von Bedingungen und Möglichkeiten, so dass das Modell die best möglichen Ergebnisse erzielt werden.

24. ( Pi ) Log = β0+ β1X1,i+ β2X2,i… βn Xn,i 1-Pi 4.3 CLUE-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:

25. ( Pi ) Log = β0+ β1X1,i+ β2X2,i… βn Xn,i 1-Pi 4.3 CLUE-s Modell • Pi ist die Wahrscheinlichkeit, mit der eine Rasterzelle auf einem ausgewählten LU Typ im Gebiet i vorkommt. • Xnsind die Gebietsfaktoren • Der Koeffizient βwird durch eine Logistische Regression geschätzt, wobei die aktuelle LU-Verteilung als abhängige Variable genutzt wird.

26. Inhalt 1Einführung 2Ursachen der Landnutzungsveränderung 3Erfassung und Analyse von Veränderungsprozessen 3.1Multitemporale Bildverarbeitung 3.2Multispektrale Klassifizierung 4Modellkonzepte und Anwendungen 4.1Zelluläre Automaten 4.2Agent-Base Modell 4.3CLUE-s Modell 5Zusammenfassung

27. 5 Zusammenfassung • 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 Aufmerksamkeit

28. Literatur Albertz, J (2001²): Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft- und Satellitenbildern. Darmstadt. Blumberg, K. (1999/2000): Zelluläre Automaten. (http://ifgi.uni-muenster.de/~mandl/Blumberg/ZellAuto.html. letzter Zugriff am 5.1.2005.) Franke-Scharf, I.(2000) Landschafts- und Landnutzungswandel im nigerianischen Tschadbecken. Qualitative und quantitative räumliche Analysen durch Auswertung multitemporaler und multisensoraler Fernerkundungsdaten im Rahmen eines geographischen Informationssystems. Frankfurt am Main. (www.publikationen.ub.uni-frankfurt.de/Volltexte/2003/201 ; 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, 143-150. 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, 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) 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. 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. (www.uni-klu.ac.at/geo/lv_online/seminar2002/lambin_etal_2001.pdf ; letzter Zugriff am 6.1.2005) 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. (http://213.47.127.15/corp/archiv/papers/2002/CORP2002_Loibl.pdf ; letzter Zugriff am 6.1.2005) Löffler, E. (1994²): Geographie und Fernerkundung: eine Einführung in die geographische Interpretation von Luftbildern und modernen Fernerkundungsdaten. Stuttgart. 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, 10-15. 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 Change, 153, Wageningen, 217-230. (www.cluemodel.nl ; letzter Zugriff am 6.1.2005)