Knowledge Discovery in Data Bases on Land Consumption in Germany
Final Report Abstract
Das Projekt WIDA hat erste Schritte zu einer Nutzbarmachung von Konzepten des Maschinellen Lernens und der systematischen Wissensentdeckung in Daten aus dem Bereich der Künstlichen Intelligenz für die Raumplanung/-wissenschaft geleistet. Der konzeptionelle Rahmen zur Erstellung eines theoriegestützten Wirkungsmodells wurde systematisch aufbereitet und bekannte und potentielle Messgrößen dokumentiert, die einen Einfluss auf die Siedlungs- und Verkehrsfläche ausüben. Unter dem Gesichtspunkt von physisch-strukturellen Mustern der Flächennutzung wurde insbesondere der Zersiedelungsindex mit seinen weiteren Teilkomponenten Dispersion, Urbane Durchdringung und Ausnutzungsdichte erstmals in Deutschland berechnet. Dieser bislang nur für die Schweiz entwickelte und getestete Indikator wurde für eine Anwendung auf Deutschland erprobt. Es konnte im Projekt gezeigt werden dass sich die Siedlungs- und Verkehrsfläche mit einer Kombination von linearer Regression und wissensbasierten Regeln erklären lassen. Für identifizierte Typen verschiedener Flächennutzung und ihrer zeitlichen Entwicklung wurden die wesentlichen Kennzahlen identifiziert und einer multivariaten Analyse zugeführt. Hierbei hat sich gezeigt, dass 11 dynamische Muster identifiziert werden konnten, welche auch kartographisch verortet wurden. Innerhalb der Dekade 2000 bis 2010 erfolgten Untersuchungen zu den Hotspots der Flächen(neu)inanspruchnahme und ihren Einflussgrößen. 4 Typen der Flächen(neu)inanspruchnahme wurden identifiziert und mit fünf Variablen performant vorhergesagt. Ein weiteres Ergebnis des WIDA Projekts ist der Nachweis einer offensichtlichen Ost-West Disparität bei der Finanzierung der Gemeinden durch anteilige Einkommenssteuern. Im Zuge dieser Detailbetrachtung von potentiellen Einflussgrößen wurde gezeigt, dass Gemeinden in Ostdeutschland in der Mehrzahl einen niedrigeren Anteil (10 % und weniger) als Gemeinden in Westdeutschland (15 % und mehr) erhalten.
Publications
- (2015): Knowledge Discovery in Spatial Planning Data - A Concept for Cluster Understanding. In: M. Helbich, J. J. Arsanjani, M. Leitner: Computational Approaches for Urban Environments (Geotechnologies and the Environment Series, Vol, 13), Berlin: Springer, pp. 49-75
Behnisch, M.; Ultsch, A.
(See online at https://doi.org/10.1007/978-3-319-11469-9_3) - (2015): Systematic Data-Mining into Land Consumption in Germany. Proceedings of 14th International Conference on Computers in Urban Planning and Urban Management, July 7-10, 2015, Cambridge, MA USA. 2015
Ultsch, A.; Kretschmer, O.; Behnisch, M.; Schwarzak, M.
- (2015): Towards an Understanding of Land Consumption in Germany – Outline of Influential Factors as a Basis for Multidimensional Analyses. In: Erdkunde 69, 3, 267-279
Kretschmer, O.; Ultsch, A.; Behnisch, M.
(See online at https://doi.org/10.3112/erdkunde.2015.03.05) - Computed ABC analysis for rational selection of most informative variables in multivariate data, PLoS One, 2015
Ultsch, A.; Lötsch, J.
(See online at https://doi.org/10.1371/journal.pone.0129767) - (2016): ESOM Visualizations for Quality Assessment in Clustering. In: Merényi, Erzsébet; Mendenhall, Michael J.; O-Driscoll, Patrick : Advances in Self-Organizing Maps and Learning Vector Quantization : Proceedings of the 11th International Workshop WSOM 2016, Houston, Texas, USA, January 6-8, 2016. Houston, Texas, 2016, S. 39-48
Ultsch, A.; Behnisch, M.; Lötsch, J.
(See online at https://doi.org/10.1007/978-3-319-28518-4_3) - Recent Trends in Spatial Analysis and Modelling of Built-Environment Characteristics (Special Issue). ISPRS International Journal of Geo-Information. 2016, 5(6)
Behnisch, M.; Meinel, G. (eds.)
