A Geographic Perspective on Noise in Urban Areas and Beyond - Using Multimodal Data & Machine Learning Techniques

Abstract

Lärm ist eine Form von Schall, dessen Wahrnehmung aufgrund von Lautstärke oder Frequenz als unangenehm empfunden wird. Er trägt nachweislich zur Entstehung von Gesundheitsbeeinträchtigungen bei. Die Umgebungslärmrichtlinie (2002/49/EG) verpflichtet die Mitgliedsstaaten der Europäischen Union dementsprechend dazu, Lärmkarten zu erstellen und die Bevölkerung über die Lärmbelastung zu informieren und gegebenenfalls Schutzmaßnahmen zu ergreifen. Allerdings sind die auf diesem Weg entstandenen Lärmkarten aus Gründen der Kosteneffizienz auf hochexponierte Regionen beschränkt. Ohne flächendeckende Datengrundlage, ist die genaue Anzahl der in Deutschland exponierten Personen ist dementsprechend ungenau. Für beispielsweise Umweltgerechtigkeitsstudien fehlen großflächige und konsistente Lärmkarten auf nationaler Ebene. Die Ausbreitung von Lärm, wie er in Europa besonders allgegenwärtig durch den Straßenverkehr verursacht wird, ist abhängig von einer Vielzahl physikalischer Faktoren. Einmal emittiert, breitet sich der Schalldruck in verschiedene Richtungen aus. Dabei interagiert er mit Aufbauten und der umgebenden Erdoberfläche. Für die Gesamtfläche Deutschlands (357.700 km²) wurde ein Ansatz entwickelt, der Satellitenbilder mit öffentlichen und öffentlichen Geodaten kombiniert, um ebenjene Parameter großflächig, konsistent und kosteneffizient zu kartieren. Durch gezieltes Feature Engineering konnten die Kontraste im Merkmalsraum geschärft und bis zu 82 akustisch relevante Parameter für Experimente mit drei verschiedenen maschinellen Lernverfahren aufbereitet werden. Die drei eingesetzten Modellarchitekturen — lineare Regression, Random Forest und semantische Segmentierung — decken exemplarisch das breite Spektrum der heute verfügbaren Modelle ab. Als Referenz für den geostatistischen Ansatz dienten der europäischen Umgebungslärmrichtlinie entsprechende Datensätze aus dem Jahr 2017. Wiederholte Kreuzvalidierungen wurden angepasst, um die räumliche Übertragbarkeit zu untersuchen. Nachdem in mehreren Kapiteln die einzelnen Grundsteine für eine großflächige und konsistente Modellierung basierend auf Satellitenbildern und Geodaten gelegt wurden, konnte schließlich ein deutschlandweites Lärmmodell erstellt werden. Die respektive Anwendung schätzt, dass insgesamt 13,1 Millionen Menschen in Deutschland Straßenlärm über dem kritischen Schwellenwert von 55 dB(A) ausgesetzt sind. Neben dem eigentlichen Fokus auf Straßenverkehrslärm und die gängigen Schalldruckmetrik Lden ¬— einem langjährigen Mittelwert, der mit der subjektiven Belästigung korreliert und üblicherweise in Expositionsbewertungen verwendet wird — wurde der flächendeckende Ansatz zur Kartierung von Lärm aus dem All, durch eine in situ Soundscape Analyse komplementiert. Hierbei wird der gemessene Schall durch einen Mikrocontroller KI-gestützt in eine Komposition aus unterschiedlichen Geräuschquellen transformiert, die die lokale, urbane Umwelt beschreibt. Die Resultate der vorliegenden Arbeit sind sowohl methodischer als auch inhaltlicher Natur. Die methodische Entwicklung zu den großflächig skalierbaren Kartierungen von Lärm ist nicht nur für Deutschland, sondern potentiell auch für Europa und darüber hinaus von Relevanz. Die Adaption der bereits veröffentlichten Ansätze aus Fernerkundung und Geoinformatik in der nachgelagerten Literatur bekräftigt die Rolle der Geographie als Bindeglied in der interdisziplinären Forschung zwischen Physik und Gesundheitswissenschaften. Gleichzeitig tragen die Ergebnisse dieser Arbeit aber auch inhaltlich zur Deskription unserer Umwelt bei. Die Soundscape-Analyse liefert ihrerseits wichtige Erkenntnisse für eine differenzierte Bewertung der akustischen Umweltqualität, während die entstandenen Lärmkarten andererseits teilweise schon in nationale Kohortenstudien eingeflossen sind.