Die Identifikation klimaaktiver Grünflächen mit Hilfe künstlicher Intelligenz

Henninger, Sascha and Müller, Pierre (2025) Die Identifikation klimaaktiver Grünflächen mit Hilfe künstlicher Intelligenz. URBAN INNOVATION: TO BOLDLY GO WHERE NO CITIES HAVE GONE BEFORE. Medium sized cities and towns as a major arena of global urbanisation. Proceedings of REAL CORP 2025, 30th Intl. Conference on Urban Development, Regional Planning and Information Society. pp. 299-310. ISSN 2521-3938

Text (Die Identifikation klimaaktiver Grünflächen mit Hilfe künstlicher Intelligenz) CORP2025_21.pdf - Published Version Download (2MB)

Abstract

Der menschengemachte Klimawandel führt zu einer Erhöhung der durchschnittlichen Lufttemperaturen. Dies hat insbesondere Auswirkungen auf die dicht besiedelten und versiegelten urbanen Räume durch eine Intensivierung des städtischen Wärmeinseleffektes. Ein wichtiges Instrument zur Anpassung an den Klimawandel und die damit einhergehenden Temperaturveränderungen ist die Entwicklung, Erhaltung und Etablierung innerstädtischer Grünflächen. Zur Bestandsaufnahme und Weiterentwicklung der Grünflächen ist die Schaffung einer Grünflächenkartierung essenziell. Die Heterogenität und diffuse Verteilung von Grünflächen im räumlichen Kontext erschweren eine entsprechende Kartierung jedoch maßgeblich. Vorweg ist es notwendig, den Begriff der Grünflächen zu definieren. Anschließend kann bezugnehmend auf die Herausforderung einer vollständigen Kartierung aller Grünflächen vor Ort untersucht werden, inwiefern solche Flächen mithilfe des Einsatzes einer Künstlichen Intelligenz identifiziert, voneinander abgegrenzt und als lokal klimaaktiv bilanziert werden können. Die initiale Definition der Grünflächen findet aufgrund der heterogenen Ausstattung und Eigenart der Flächen vorerst auf allgemeiner Ebene statt. Hierfür werden verschiedene fachwissenschaftliche/rechtliche Abgrenzungen hinzugezogen. Sie können darauf aufbauend in Gras- bzw. Strauchflächen, Wasserflächen, große Strauchflächen und vegetationslose Bodenflächen sowie vorhandener Baumbestand klassifiziert werden. Die Analyse der definierten Grünflächen findet mithilfe eines vortrainierten Deep Learning Modells zur Identifikation der allgemeinen Landbedeckungen statt. Hierfür ist im Rahmen der Anwendung der Künstlichen Intelligenz die Nutzung/der Einsatz sehr hochaufgelöster Luftbilder Grundvoraussetzung für eine ausreichend gute Prognose der Lokalisation von Grünflächen und es sollte so eine Identifikation ebendieser Flächen möglich sein. Die Anwendung dieses vortrainierten Deep-Learning-Algorithmus kann eine Identifikation der grünen Flächen, basierend auf den allgemeinen Landbedeckungen, leisten. Die besten Werte werden hierbei für innerstädtische Lagen erreicht. Die außerhalb der baulichen Strukturen befindlichen Grünflächen werden jedoch aufgrund ihrer Eigenart oftmals falsch abgegrenzt und als Wasserflächen ausgewiesen, sodass durch das vortrainierte Modell eine Gesamtgenauigkeit von lediglich 46 % erreicht wird. Nach Beurteilung der Ergebnisse soll zur potenziellen Verbesserung des Modells ein Nachtrainieren des Deep Learning Algorithmus stattfinden. Das Nachtrainieren des vortrainierten Deep Learning Modells mittels „Transfer Learning“ führt zu einer allgemeinen Verbesserung der Gesamtgenauigkeit auf 78 %. Dabei besitzt das nachtrainierte Modell einen höheren Detailgrad bei der Beurteilung außerstädtischer Grünflächen – innerstädtische Grünflächen hingegen werden im Vergleich zum vortrainierten Modell schlechter identifiziert. Eine sich daran anschließende Kombination aus der Modellierung des vor- und des nachtrainierten Deep Learning Algorithmus führt schließlich zu einer Gesamtgenauigkeit von 86 %. Darauf aufbauend wird unter Zuhilfenahme der Kombinationsmodellierung die Klimaaktivität der Grünflächen bestimmt. Diese ist charakterisiert durch die potenzielle Kühlleistung der identifizierten Grünflächen mithilfe der Verschattungsanteile, der Bodenoberflächen sowie der absoluten Flächengröße. Hierbei sind die Grünflächen mit niedriger Klimaaktivität in den stark verdichteten und versiegelten innerstädtischen Lagen vorzufinden. Mit einer Zunahme an unversiegelter Fläche nimmt die absolute Flächengröße und damit einhergehend die Klimaaktivität von anfänglichen Kühlleistungen < 1 K in stark versiegelten Gebieten bis zu > 3 K im unversiegelten Bereich außerhalb der Siedlungsräume zu, welche aufgrund der hohen Kühlkraft zudem auch eine Transferwirkung über die eigentliche Grünfläche hinaus besitzen.

Item Type:	Article
Uncontrolled Keywords:	Urbane Grünflächen, Stadtklima, Klimaanpassung, Künstliche Intelligenz, Blau-Grüne Infrastruktur
Subjects:	G Geography. Anthropology. Recreation > GE Environmental Sciences T Technology > TD Environmental technology. Sanitary engineering
Depositing User:	The CORP Team
Date Deposited:	24 May 2025 13:12
Last Modified:	07 Jul 2025 10:01
URI:	http://repository.corp.at/id/eprint/1218

Actions (login required)

View Item