Suchergebnisse

Für die Beantwortung verschiedener Fragestellungen im Siedlungsraum werden kleinräumige Informationen zur Siedlungsstruktur (funktional, morphologisch und sozio-ökonomisch) benötigt. Der Gebäudebestand spielt eine besondere Rolle, da dieser die physische Struktur prägt und sich durch dessen Nutzung Verteilungsmuster von Wohnungen, Arbeitsstätten und Infrastrukturen ergeben. In amtlichen Geodaten, Karten und Diensten des Liegenschaftskatasters und der Landesvermessung sind die Gebäude in ihrem Grundriss modelliert. Diese besitzen allerdings nur selten explizite semantische Informationen zum Gebäudetyp. Es stellt sich die Frage, ob und wie genau eine automatische Erkennung von Gebäudetypen unter Nutzung von Methoden der Geoinformatik, der Mustererkennung und des maschinellen Lernens möglich ist. In diesem Buch werden methodische Bausteine zur automatischen Klassifizierung von Gebäudegrundrissen vorgestellt. Im Kern werden Fragen beantwortet zu den Datenanforderungen, der Gebäudetypologie, der Merkmalsgewinnung sowie zu geeigneten Klassifikationsverfahren und den Klassifikationsgenauigkeiten, die abhängig von Eingangsdaten, Siedlungstyp und Trainingsdatenmenge erzielt werden können. Der Random-Forest-Algorithmus zeigte die höchste Flexibilität, Generalisierungsfähigkeit und Effizienz und wurde als bestes Klassifikationsverfahren identifiziert. Die Arbeit leistet einen wichtigen Beitrag zur Gewinnung kleinräumiger Informationen zur Siedlungsstruktur. Die entwickelte Methodik ermöglicht ein breites Anwendungsspektrum in der Wissenschaft, Planung, Politik und Wirtschaft (u. a. Stadt- und Regionalplanung, Infrastrukturplanung, Risikomanagement, Energiebedarfsplanung oder dem Geomarketing).:Vorwort . I Danksagung . III Kurzfassung und Thesen . V Abstract and Theses . IX Inhaltsverzeichnis . XV 1 Einleitung . 1 2 Grundlagen zur Siedlungsstruktur . 11 3 Methodische Grundlagen der Mustererkennung . 57 4 Forschungsstand . 95 5 Konzeptionelle Vorüberlegungen . 113 6 Mögliche Datenquellen zum Gebäudegrundriss . 127 7 Entwicklung des Verfahrens . 143 8 Ergebnisse und Diskussion . 201 9 Schlussfolgerungen und Ausblick . 259 Literatur . 275 Abkürzungsverzeichnis . 311 Abbildungsverzeichnis . 320 Tabellenverzeichnis . 323 Anhang A Datengrundlagen zur Siedlungsstruktur . 327 B Gebäudetypologie . 343 C Merkmale . 349 D Entwicklung des Klassifikators . 365 E Genauigkeitsuntersuchung . 375 F Exemplarische Anwendung von BFClassTool . 395 ; Building data are highly relevant for the small-scale description of settlement structures. Spatial base data from National Mapping and Cadastral Agencies describe the buildings in terms of the geometry but often lack semantic information on the building type. Here, methods for the automatic classification of building footprints are presented and discussed. The work addresses issues of data integration, data processing, feature extraction, feature selection, and investigates the accuracy of various classification methods. The results are of scientific, planning, policy and business interest at various spatial levels.:Vorwort . I Danksagung . III Kurzfassung und Thesen . V Abstract and Theses . IX Inhaltsverzeichnis . XV 1 Einleitung . 1 2 Grundlagen zur Siedlungsstruktur . 11 3 Methodische Grundlagen der Mustererkennung . 57 4 Forschungsstand . 95 5 Konzeptionelle Vorüberlegungen . 113 6 Mögliche Datenquellen zum Gebäudegrundriss . 127 7 Entwicklung des Verfahrens . 143 8 Ergebnisse und Diskussion . 201 9 Schlussfolgerungen und Ausblick . 259 Literatur . 275 Abkürzungsverzeichnis . 311 Abbildungsverzeichnis . 320 Tabellenverzeichnis . 323 Anhang A Datengrundlagen zur Siedlungsstruktur . 327 B Gebäudetypologie . 343 C Merkmale . 349 D Entwicklung des Klassifikators . 365 E Genauigkeitsuntersuchung . 375 F Exemplarische Anwendung von BFClassTool . 395

The pattern of rapid economic growth in the Ivory Coast since the early 1950s has been frequently described with some hyperbole, by foreign experts and Ivorian politicians, as an economic 'miracle'. While most African nations, with the exception of the oil-exporters, have taken a rough ride on the economic roller-coaster during the past two decades, and while some like Guinea, Ghana, and Uganda, have followed a steadily downward trajectory, the economic fortunes of the Ivory Coast have improved consistently.

In explanation of the apparent "miracle" of economic growth of Africa's Ivory Coast, three main arguments are presented: (1) Growth is heavily due to two export crops, cocoa & coffee, aided by a beneficent climate & a stable government that encourages their production through (A) increasing producer prices, (B) awarding cash bonuses to producers, (C) supplying cheap foreign labor, (D) guaranteeing security of land tenure & unrestricted transfer, & (E) ensuring competition by putting marketing in the hands of private agents. (2) Individual small-holder farmers actually responsible for this growth have not benefited in terms of increased assets, incomes, or living conditions. In contrast to the alleged formulation of a "Ru bourgeoisie," the peasant farmer has remained politically impotent & economically blocked, & inequality prevails. (3) Ironically, the prime beneficiaries of the success of these crops have been government officials & representatives of foreign, primarily French, firms, few of whom have peasant backgrounds or any direct connection with farming cocoa or coffee. 5 Tables. K. Hyatt.

In einem Citizen-Science-Projekt "Baukultur und klimagerechte Architektur in Dresden" wird Wissen der Bürger über die vielfältigen Gebäude der Stadt Dresden in einer digitalen Karte zusammengeführt und so sichtbar und nutzbar gemacht. Zentraler Anlaufpunkt wird die web- basierte Plattform "Colouring Dresden" sein, welche auf quelloffenem Code basiert und Anfang 2023 online gestellt wird. Anhand der Plattform werden verschiedene bürgerwissenschaftliche Formate erprobt.

In einem Citizen-Science-Projekt "Baukultur und klimagerechte Architektur in Dresden" wird Wissen der Bürger über die vielfältigen Gebäude der Stadt Dresden in einer digitalen Karte zusammengeführt und so sichtbar und nutzbar gemacht. Zentraler Anlaufpunkt wird die web- basierte Plattform "Colouring Dresden" sein, welche auf quelloffenem Code basiert und Anfang 2023 online gestellt wird. Anhand der Plattform werden verschiedene bürgerwissenschaftliche Formate erprobt.

Im Rahmen eines Forschungsprojekts wurde eine mobile Webanwendung entwickelt, die als Informations- und Entscheidungstool für das Aufsuchen städtischer Grünflächen dient. Die Basis bilden eine neuartige Infrastruktur von Diensten sowie verschiedene Datenquellen, wie Open Government Data, Volunteered Geographic Information (VGI) und Social-Media-Daten. Zudem ist Wissen von Bürgerinnen und Bürgern aus verschiedenen Befragungen in die App-Entwicklung eingeflossen. Die "meinGrün"-Web-App kann in den Pilotstädten Dresden und Heidelberg genutzt werden.

Im Rahmen eines Forschungsprojekts wurde eine mobile Webanwendung entwickelt, die als Informations- und Entscheidungstool für das Aufsuchen städtischer Grünflächen dient. Die Basis bilden eine neuartige Infrastruktur von Diensten sowie verschiedene Datenquellen, wie Open Government Data, Volunteered Geographic Information (VGI) und Social-Media-Daten. Zudem ist Wissen von Bürgerinnen und Bürgern aus verschiedenen Befragungen in die App-Entwicklung eingeflossen. Die "meinGrün"-Web-App kann in den Pilotstädten Dresden und Heidelberg genutzt werden.