Potenziale fernerkundlicher Daten und Methoden für die urbane Verkehrsforschung

Kurzfassung

Verkehr ist ein wesentlicher Bestandteil des städtischen Lebens. Urbane Mobilität gewährleistet den Zugang zu zentralen Funktionen der Stadt, etwa Arbeitsplätzen, Bildungseinrichtungen und Gesundheitsversorgung, und trägt so maßgeblich zur Förderung sozialer Inklusion bei. Die fortschreitende Urbanisierung und das stetig steigende Verkehrsaufkommen stellen Städte weltweit vor erhebliche Herausforderungen, da die starke Verkehrsnachfrage bei gleichzeitig hoher Bevölkerungsdichte und expansivem Städtewachstum zu einer Konkurrenz um begrenzten Raum, zu Engpässen in der Kapazität des Verkehrssystems, zu negativen Umweltfolgen wie Luftverschmutzung und Lärmbelastung sowie zu sozialen und gesundheitlichen Belastungen führt. In diesem Kontext gewinnen innovative Technologien wie Fernerkundung und offene Geodaten zunehmend an Bedeutung, um datenbasierte Analysen zu ermöglichen, die eine fundierte Grundlage für die Stadt- und Verkehrsplanung bieten. Das wesentliche Ziel dieser Arbeit ist zu beleuchten, wie Daten aus der Fernerkundung und offene Geodaten in Kombination mit modernen Methoden zur Analyse urbaner Strukturen und Verkehrsmuster eingesetzt werden können, um bestehende Datenlücken zu reduzieren oder zu schließen und inwieweit dies dazu beitragen kann, eine nachhaltige Entwicklung urbaner Räume zu fördern. Diese Dissertation gliedert sich in drei Teilbereiche: Der erste Teil beschäftigt sich mit der Ableitung verkehrsrelevanter urbaner Strukturen, insbesondere Gebäude, Landnutzung und Bevölkerung, auf Basis von Fernerkundung und offen zugänglichen Geodaten. Am Beispiel von Santiago de Chile wurde eine Deep-Learning-basierte Methode zur Gebäudesegmentierung entwickelt und anschließend erfolgreich auf Medellín, Kolumbien, übertragen. In Kombination mit fernerkundungsbasierten Höhenmodellen konnte ein hochaufgelöstes 3D-Gebäudemodell abgeleitet werden, das durch OpenStreetMap-Daten und Street-View-Bilder semantisch weiter angereichert wurde. So konnte ein multimodaler Ansatz zur Abbildung der urbanen Raumstruktur und zur kleinteiligen Bevölkerungsschätzung entwickelt werden, der neue Perspektiven für datenarme Regionen eröffnet. Der zweite Schwerpunkt dieser Dissertation liegt auf der Analyse der Erreichbarkeit öffentlicher Verkehrsmittel. Dabei steht der Indikator für Erreichbarkeit 11.2. der Ziele für nachhaltige Entwicklung (engl. Sustainable Development Goals, SDG) sowie damit verbundener sozialer und räumlicher Gerechtigkeit im Zentrum der Analysen. Am Beispiel von Medellín wurde untersucht, wie verschiedene Bevölkerungsdatensätze - einschließlich Fernerkundungsdaten und global verfügbarer Datensätze - zur Bewertung der Erreichbarkeit genutzt werden können. Die Ergebnisse zeigen, dass semiformelle Verkehrssysteme wie lokale Minibusse eine zentrale Rolle bei der Verbesserung der Erreichbarkeit spielen. Die Analyse verdeutlicht zugleich, dass sozioökonomisch benachteiligte Gruppen häufig deutlich längere Wege zu Haltestellen des formellen Verkehrs zurücklegen müssen. Dies zeigt bestehende räumliche und soziale Ungleichheiten auf und unterstreicht das Potenzial von Fernerkundung und Geodaten als Informationsbasis, um zur Verbesserung der Datengrundlage in der Verkehrsplanung beizutragen. Als weiterer fernerkundlicher Ansatz zur Erfassung von Verkehr wird im dritten Teil der Dissertation das Potenzial öffentlich zugänglicher Webcam-Daten für eine skalierbare und kostengünstige Verkehrsüberwachung untersucht. Trotz Herausforderungen wie variierender Bildqualität konnte das Objekterkennungsmodell YOLOv8 erfolgreich zur Erfassung von Verkehrsdaten eingesetzt werden. Die Anwendung des Modells auf rund 500.000 Webcam-Bilder aus Berlin, Deutschland, zeigte signifikante Veränderungen des Verkehrsaufkommens während der COVID-19-Pandemie: Während der motorisierte Verkehr um 9.5 % zurückging, nahm der Fahrradverkehr um 25.2 % zu. Diese Ergebnisse zeigen das Potenzial offener Webcam-Daten nicht nur für eine effiziente, großflächige Verkehrsanalyse, sondern auch für langfristige Trendanalysen, die traditionelle, aufwändigere oder kostspieligere Methoden ergänzen können. Insgesamt verdeutlichen die Arbeiten dieser Dissertation, dass die Kombination moderner Technologien wie Fernerkundung, offener Geodaten und Deep Learning eine fundierte, datengetriebene Basis für die Analyse urbaner Strukturen schafft. Zusätzlich kann so die Erhebung verkehrsrelevanter Parameter, wie die Erreichbarkeit zu öffentlichem Verkehr oder automatisierte Verkehrszählungen durch Webcams weiter vorangetrieben werden. Die vorgestellten Ansätze ermöglichen eine skalierbare, flexible und kosteneffiziente Datengenerierung, die eine nachhaltige, durch Empirie gestützte Stadtentwicklung unterstützen und zur Reduzierung sozialer und räumlicher Ungleichheiten beitragen kann.