Bei der Erstellung des GebäuDE-21-Referenzdatensatzes wurden verschiedene Datensätze verwendet und dem Datensatz der Hausumringe 2012 angefügt. Bei den verschnittenen Daten handelt es sich um HU-DE 2012, die GA 2012, das vom IÖR um spezielle Attribute ergänzte LoD1 und zudem um einen Gebäudetypendatensatz. Zunächst wurden alle Datenbestände auf die administrativen Verwaltungsgrenzen des Stadtgebiets Krefeld zugeschnitten. Um eine spätere Gebäudeklassifikation nach Wohn- und Nichtwohngebäuden im GebäuDE-21- Referenzdatensatz durchführen zu können, wurden die die Hausumringe entsprechend der Methodik von Meinel und Burckhardt (2013) sowie Hartmann (2015a,b) durch Verschneidung mit dem ATKIS Basis-DLM und der GA um zusätzliche Attribute angereichert, wie z. B. die Anzahl der Adressen in einem Polygon. Zunächst wurden die Attribute wie der Straßenname, die Hausnummer und die Qualität des Koordinatenpunktes der Georeferenzierten Adressdaten an den Datensatz HU 2012 angefügt. Gebäude, welche mehrere Adresskoordinaten innerhalb des Polygons aufwiesen, bekamen einen logisch hergeleiteten Attributwert zugewiesen. Durch das Attribut der Anzahl der Adressen in einem Polygon kann die entsprechende Koordinatenanzahl nachvollzogen werden. Im weiteren Verlauf wurden ausgewählte Attribute des 3D-Gebäude-Referenzmodells Krefeld (2009) an den Datensatz der Hausumringe angefügt. Der Datensatz besitzt im Gegensatz zum Originaldatensatz der 3D-Gebäudestrukturen zusätzliche durch das IÖR angereicherte Attribute. Für die Übernahme relevant sind die Attribute Gebäudehöhe, absolute Gebäudehöhe, Nutzung, Katalognummer der Nutzung und der Gebäudetyp. Wegen des unterschiedlichen Zeitstandes (2012 vs. 2009) unterscheiden sich die beiden Datensätze, sodass es bei der Informationsübernahme zu Lücken oder Mehrfachausprägungen am jeweiligen Zielpolygon kommen konnte, die manuell bereinigt werden mussten. In einigen Fällen ist die Geometrie des HU-Polygons kleiner als die des 3D- Datensatz-Polygons. Da sich der Centroid somit außerhalt des Zielpolygons befindet, kann über die bisher verwendete Methodik in diesen Fällen zunächst keine Information übernommen werden (keine Daten innerhalb des HU-Polygons). Da sich dies mit „echten“ nicht vorhandenen Polygonen im 3D-Datensatz überschneidet (ca. 5,5 % des HU-2012-Datensatzes) wurden diese Informationen ebenfalls übernommen. Die Polygone mit falschen Fehlwert-Ausprägungen wurden daher selektiert und die gültigen Informationen ebenfalls an die HU-Polygone angeheftet. Aus dem Datensatz zu den Gebäudetypen (2009) konnte der Gebäudetyp entsprechend der Typologie von Hecht (2014) übernommen werden. Als Resultat des Vorgangs ging der Datensatz für das Projekt GebäuDE-21 hervor, welcher im weiteren Projektverlauf um die Attribute der Klassifikation nach Wohn- oder Nichtwohnnutzung und die Klassifizierung nach gereihtem Gebäude oder freistehendem Einzelhaus ergänzt wurde. Eine graphische Übersicht über die einzelnen Schritte zur Erstellung des GebäuDE-21 Referenzdatensatzes ist in untenstehender Abbildung 10 dargestellt. 22

Hausumringe (2012) Übernahme der Attribute der GA und                         Georeferenzierte Berechnung der GA-                         Adressdaten (2012) Anzahl Übernahme der 3D- Information und                           3D-Gebäude- Gebäudefunktion                          Referenzmodell Krefeld (2009) Übernahme der Gebäudetypinformation                        Gebäudetypen (2009) GebäuDE-21 Referenzdatensatz Abbildung 10: Workflow der Referenzdatenaufbereitung. 4.2.3   Differenzierung nach der Wohnnutzung Für eine Differenzierung der Gebäude hinsichtlich der Nutzung wurde die Gebäudetypinformation des Referenzdatensatzes semantisch analysiert und die einzelnen Nutzungsarten identifiziert, die potenziell Wohnraum besitzen. Auf Basis der Nutzungstypen erfolgte eine Klassifikation nach Wohn- und Nichtwohnnutzung, welche in Tabelle 2 dargestellt sind. Die Nutzungsinformation hat ihren Ursprung im Liegenschaftskataster und wurde entsprechend des Objektschlüsselkatalogs Liegenschaftskataster NRW interpretiert. In dem GebäuDE-21- Referenzdatensatz erhielten alle Gebäude mit einer Wohnnutzung in einem gesonderten Attribut eine binäre Kodierung über den Attributwert (1: Gebäude mit Wohnraum, 0: Gebäude ohne Wohnraum). 23

Tabelle 2 Gebäudenutzungsarten mit potenzieller Wohnfunktion Objektschlüssel (OS  Bezeichnung                                              Objektanzahl Nutzung) 1373                 Arbeitnehmerwohnheim, Schwesternwohnheim                 5 1321                 Doppelhaus                                               12438 1311                 Einzelhaus                                               11735 2736                 Forsthaus                                                1 1221                 Freistehender Wohnblock                                  2461 1144                 Gemeindehaus, Küsterei                                   36 2101                 Gemischt genutztes Gebäude mit Wohnungen                 16 1341                 Gruppenhaus                                              173 1361                 Hochhaus                                                 83 1371                 Kinderheim                                               20 2731                 Landwirtschaftliches Wohn- und Betriebsgebäude           23 2711                 Landwirtschaftliches Wohngebäude                         1 2141                 Öffentliches Gebäude mit Wohnungen                       51 1331                 Reihenhaus                                               11987 1372                 Seniorenwohnhaus, Seniorenheim                           87 1374                 Studentenwohnheim, Schülerwohnheim                       3 1231                 Wohnblock in geschlossener Bauweise                      8109 2131                 Wohngebäude mit Gewerbe und Industrie                    937 2121                 Wohngebäude mit Handel und Dienstleistungen              5574 1301                 Wohnhaus (allgemein)                                     448 1211                 Wohnhaus in Reihe                                        3654 1378                 Wohnheim (allgemein)                                     16 4.3 Berechnung von Gebäudemerkmalen Für weitere Untersuchungen zur automatischen Klassifizierung nach Wohngebäudetypen als Basis für eine Abschätzung von Geschoss- und Wohnflächen werden objektbeschreibende Eigenschaften zu jedem Gebäude in Form numerischer Merkmale benötigt. Grundlage für die Merkmalsberechnung sind die Hausumringe, die Hauskoordinaten sowie die Geometrie und Nutzungsinformation der Siedlungsflächen aus dem ATKIS Basis-DLM. Die Beschreibung erfolgt über geometrische, topologische, statistische und semantische Merkmale, die mit Methoden der digitalen Bildverarbeitung und der räumlichen Analyse berechnet werden. Unter den geometrischen (auch morphologischen) Merkmalen zählen vor allem Größen- und Formmerkmale. Größenmerkmale sind messbare, metrische Größen wie der Flächeninhalt, Radien oder Distanzen. Formmerkmale beschreiben hingegen die Form eines Objektes in Bezug zu einer idealen Gestalt und werden in der Regel durch eine Verhältniszahl ausgedrückt. Topologische Merkmale sind von der Größe, Form und Orientierung unabhängige Eigenschaften der Objekte, mit denen die topologische Struktur einer Geometrie, wie zum Beispiel die Anzahl von Knoten, Segmenten, Nachbarn und Löchern im Polygon oder eine topologische Beziehung zwischen Objekten beschrieben werden. Ein wichtiges topologisches Merkmal ist beispielsweise die Anzahl der Löcher einer Gebäuderegion. Statistische Merkmale sind kontinuierliche Größen und beziehen sich auf einen vorab definierten Bereich oder eine Objektgruppe, wie z. B. eine Gebäudegruppe, die sich in einem Baublock oder einer definierten Suchumgebung befindet. Mithilfe der räumlichen Analyse und der deskriptiven Statistik können Kenngrößen wie Mittelwert, Standardabweichung, Minimum, Maximum und Varianz eines Merkmales ausgewertet werden. Als Beispiel sei hier der mittlere Flächenhalt oder die mittlere Distanz aller Gebäude in einem definierten Bereich (Puffer um Gebäude) genannt. Semantische Merkmale sind qualitative, meist explizit in den Daten modellierte 24

oder       übernommene         Attributinformationen,       wie      etwa   die      übernommene Flächennutzungsinformation aus dem ATKIS Basis-DLM. Die Routinen für die Merkmalsberechnung wurden am IÖR erarbeitet und in Hecht (2014) näher erörtert. Dabei kommen Methoden der Bildverarbeitung und der räumlichen Analyse zum Einsatz. Insgesamt werden 86 Merkmale abgeleitet und in einer Datenbank gespeichert. Die Merkmale können Bezug zu verschiedenen Ebenen nehmen. Die Mikroebene ist die Ebene einzelner Gebäude bzw. Gebäuderegionen. Auf Mesoebene wird der räumliche Kontext eines Gebäudes mit Merkmalen beschrieben, die Bezug auf eine Umgebung, wie z. B. einem 100 m Suchbereich oder dem Baublock, in dem sich das Gebäude befindet, haben. Die Makroebene dient der Bereitstellung von Kontextinformationen auf höchster Ebene und spielt bei der Anwendung auf große Untersuchungsgebiete, die sich über mehrere Ortschaften und Städte erstrecken, eine wichtige Rolle, um beispielsweise die Urbanität über die geometrischen Merkmale (Größe, Kompaktheit des Siedlungskörpers) zu beschreiben. 4.4 Veränderungsanalyse               von      urbanen       Strukturen     auf      Basis     von Erdbeobachtungsdaten – „Change detection“ Für vor allem gering- (z. B. MODIS, AVHRR) und mittelaufgelöste Datensätze (z. B. Landsat, SPOT) der ersten Generation mit einer räumlichen Auflösung von etwa 1 km bis 30 m gibt es eine Reihe pixelbasierter Ansätze der Veränderungsanalyse (engl: change detection). Dabei werden die Veränderungen jedes einzelnen Bildpunktes zwischen verschiedenen Zeitpunkten aufgrund deren Unterschiede in der Intensität der Reflektanzen gemessen. Stärkere Veränderungen lassen sich daher durch größere Abweichungen der Bildpunktintensitäten – dies entspricht der Helligkeit der Grauwerte in den Bilddaten – erkennen. In geometrisch hoch aufgelösten Bilddaten, welche Maschenweiten zwischen den einzelnen Bildpunkten (= geometrische Auflösung) kleiner als 10 m aufweisen, spielen geometrische Eigenschaften wie die Lage der Bildpunkte eine höher geordnete Rolle, da durch kleinräumige Lageunterschiede der Bildpunkte auch vermeintliche Änderungen zwischen den Aufnahmen detektiert werden können. Geometrische Eigenschaften in Änderungsanalysen hoch aufgelöster Bilddaten spielen vor allem in unregelmäßigen und komplexen Landschaftsstrukturen wie urban geprägten Gebieten eine erhebliche Rolle, da die Auswertestrategie entsprechend der Bildeigenschaften und Informationsgehalte angepasst werden muss. Für die Detektion von Veränderungen in hoch aufgelösten Bilddaten ist daher eine Kaskade an speziellen (Vor-)Verarbeitungsschritten notwendig, welche im Folgenden beschrieben werden. Eine Übersicht über die einzelnen Schritte ist in Abbildung 11 dargestellt. 25

Abbildung 11: Schematische Darstellung der einzelnen Bearbeitungsschritte 4.4.1   Datenvorverarbeitung und Prozessierung Die Vorverarbeitung von Datensätzen ist ein sehr wesentlicher Schritt in der Analyse fernerkundlich erhobener Bildmessungen, da aufgrund unterschiedlicher Aufnahmebedingungen (z. B. Sonnenlicht, Neigungswinkel des Sensors) und atmosphärischen Einflüssen (Dunst, Wolken) die Einzelmessungen der Bildpixel erhebliche Abweichungen untereinander aufweisen können. Vor diesem Hintergrund ist es notwendig, diese Bildpixel sowohl geometrisch (d. h. in ihrer Größe und Lage) als auch spektral (d. h. in ihrem Messwert) einander anzunähern, damit die identifizierten Änderungen zwischen den beiden Aufnahmezeitpunkten auch durch Landnutzungsveränderungen bzw. Änderungen in der Siedlungsstruktur sichtbar werden und nicht durch aufnahmebedingte Eigenschaften beeinträchtigt werden. Elemente dieser Datenvorverarbeitung betreffen die Speicherung und Umwandlung der Daten in ein für das angewendete Softwarepaket lesbares Dateiformat sowie die Angleichung der Reihenfolge der einzelnen Bildkanäle und das räumliche Auswählen des geeigneten und zu verarbeitenden Bildausschnittes. Nachdem die Daten in ein einheitliches Format überführt wurden ist es notwendig, eine Anpassung der in den Bilddaten gespeicherten Grauwerte durchzuführen, da die Intensitäten zwischen zwei Aufnahmen sehr stark voneinander abweichen können. Ein Vergleich der unterschiedlichen radiometrischen Eigenschaften der beiden Aufnahmen ist in Abbildung 12 dargestellt. Die Abbildung zeigt auf der linken Seite die Häufigkeitsverteilung der Grauwerte im ersten Bildkanal für die Aufnahme 2009 und auf der rechten Seite die Häufigkeitsverteilung der Grauwerte im ersten Bildkanal für die Aufnahme 2012. Die deskriptiven Statistiken der Bilddaten zeigen, dass die Grauwerte für 2009 einen Mindestwert von 773 und einen Maximalwert von 6818 bei einem Mittelwert von 1259 aufweisen. Für 2012 liegt diese Verteilung bei einem Minimalwert von 4084, einem Maximalwert von 55919 und einem Mittelwert von 5778. Es ist also erkennbar, dass die beiden Bilddaten unterschiedliche radiometrische Eigenschaften aufweisen. Vor diesem Hintergrund werden die radiometrischen Eigenschaften der beiden Aufnahmezeitpunkte aneinander angepasst. Das geschieht zunächst über die Angleichung der radiometrischen Bandbreite beider Bilder auf 8 bit. Das bedeutet, dass dadurch der Wertebereich 26

der vorkommenden Grauwerte so transformiert wird, dass in beiden Bildern nur die Ausprägungen zwischen 0 und 255 vorkommen können. Abbildung 12: Unterschiedliche radiometrische Eigenschaften zwischen den Aufnahmen für die Aufnahme 2009 (links) und 2012 (rechts). Nach der radiometrischen Anpassung müssen im zweiten Schritt die Bilder auch geometrisch aneinander angepasst werden, damit die sich in beiden Bilddaten überlagernden Bildpunkte auch in der Natur einander entsprechen. Für dieses Vorgehen wird eine Bild-zu-Bild-Koregistrierung durchgeführt. Sie sucht identische Bildpunkte in beiden Aufnahmen und passt die Szenen danach entsprechend aneinander an. Damit soll vermieden werden, dass erkannte Veränderungen auf Lageungenauigkeiten zurückzuführen sind. Die Anpassung wird auf Basis von Transinformation (engl.: mutual information) durchgeführt, welche ein Maß aus der Informationstheorie darstellt. Sie beschreibt die gemeinsame Information in zwei Datensätzen, wobei höhere Übereinstimmung der beiden Datensätze auch höhere Transinformation, z. B. Ähnlichkeit, darstellt. Wenn zwei Bilder exakt aufeinander koregistriert sind, ist ihre Transinformation maximal. Im konkreten Fall werden durch die Anwendung unterschiedlicher Bildverschiebungsparameter die besten Überlappungen gesucht, welche die Transinformation maximieren. Wenn die Bilddaten sowohl im gleichen radiometrischen Raum liegen als auch geometrisch aneinander angepasst sind, können im nächsten Schritt die Histogramme aneinander angepasst werden. Dieses Histogrammmatching zielt darauf ab, eine Bild-zu-Bild-Kontrastanpassung durchzuführen, welche auf empirischen kumulativen Verteilungsfunktionen beider Bilddaten beruht. Dadurch werden Helligkeitsunterschiede der einzelnen Bilder, die durch verschiedene Grauwertebereiche der beiden Szenen entstehen, ausgeglichen. Dabei wurde die Szene des Jahres 2009 als Referenzbild genommen und die 4 Einzelszenen aus dem Jahr 2012 darauf angepasst. Für die Berechnung der Bildmerkmale, welche die Änderungen in den Bilddaten erkennen lassen, ist eine weitere Quantisierung der Bilddaten auf den Wertebereich von 5 bit (= 32 Grauwerte) erforderlich. Nachdem alle verwendeten Bilddaten den gleichen Histogrammbereich und die gleiche Quantisierung aufweisen, können die kernelbasierten Berechnungen der Bildmerkmale, wie im folgenden Abschnitt beschrieben, berechnet werden. 4.4.2    Berechnung der Bildmerkmale Die Ausweisung der Veränderungen in den beiden Aufnahmezeitpunkten basiert auf der Grundlage der kernelbasierten Berechnung von Bildmerkmalen, welche über ein Texturmodell, nämlich der grey level cooccurrence matrix (GLCM), berechnet werden (Haralick et al., 1973). Die Textur beschreibt nicht nur die einfache Grauwertverteilung von Bildpunkten in einem bestimmten Bereich, sondern 27

betrachtet ebenfalls die räumliche Verteilung und ihre relative Anordnung im Sinne einer Abfolge. Es können dadurch also bestimmte Muster in den Bildern erkannt und auf Basis eines Texturmodells beschrieben werden, welche in weiterer Folge für die Ausweisung von Veränderungen herangezogen werden. Das Texturmodell wird für ein gleitendes Fenster (engl.: moving window) benachbarter Bildpunkte im gesamten Bilddatensatz berechnet. Dabei wird folgendermaßen vorgegangen: für jeden Bildpunkt werden die 8 direkt umliegenden Bildpunkte betrachtet (entspricht einer Nachbarschaft = 1). Dafür werden auch unterschiedliche Richtungen der Nachbarschaft berechnet. Es können auf diese Art nämlich Nachbarschaften in den 4 Hauptrichtungen 0°, 45°, 90° und 135° ausgewiesen werden, wobei sich dies auf die Anordnung entweder horizontal oder vertikal nebeneinander sowie diagonal bezieht. Für die Erstellung der Matrix werden die Häufigkeiten der vorkommenden Bildpunktanordnungen pro Fenster gezählt und bilden somit die Grundlage für die Berechnung der eigentlichen Bildmerkmale. Diese stellen weitere Ableitungen auf Basis der Matrix dar. Insgesamt werden 8 verschiedene Texturmaße berechnet: Contrast: ist ein Maß zur Berechnung der lokalen Variationen innerhalb des Bildes. Je höher der Wert, desto höher ist der Kontrast des Bildes. Angular Second Moment (ASM): beschreibt die Homogenität des Bildes, mit kleinen Werten für homogene Bilder bzw. Bildbereiche. Homogen bedeutet in diesem Fall, dass die Textur einem kleinen Maßstab folgt. Correlation: beschreibt die linearen Grauwertabhängigkeiten. Homogenität: nimmt höhere Werte an, wenn geringere Unterschiede in den Grauwertpaaren identifiziert werden. Dissimilarity: beschreibt mit hohen Werten einen hohen lokalen Kontrast. Entropy: ist ein Maß zur Ordnung innerhalb eines Bildes und beschreibt die texturale Homogenität. Hohe Entropiewerte sind gegeben, wenn alle Einträge der Matrix sehr ähnlich sind und das Bild nicht zu stark texturiert ist. Kleine Werte treten hingegen bei stark strukturiertem Bildinhalt auf. Mean: Mittelwert der GLCM. Standard Deviation: Standardabweichung der GLCM. Diese 8 Texturmaße werden für jedes einzelne der 5 Kanäle der Bilddaten berechnet, wodurch eine Gesamtanzahl von 40 Bildmerkmalen berechnet wird. 4.4.3    Change detection Die Ausweisung der Veränderung zwischen den beiden Zeitpunkten 2009 und 2012 geschieht über die Differenzbildung der berechneten Bildmerkmale, sodass mit lediglich einem Bilddatensatz weitergearbeitet wird, welcher ausschließlich die Differenzen enthält, die change Vektoren. Dabei werden die berechneten Texturmaße für das Jahr 2009 von den Texturmaßen für das Jahr 2012 bildpunktweise voneinander subtrahiert. Eine Zunahme des Wertes des jeweiligen Texturmaßes wird entsprechend als positiver Wert dargestellt, eine Abnahme als negativer Wert. Die Streuung der Werte um den Nullpunkt, was keiner Änderung zwischen den beiden Aufnahmezeitpunkten entspricht, ist in Abbildung 13 dargestellt. Es ist deutlich zu erkennen, dass die größten Häufigkeiten in der Nähe des Wertes „0“ auftreten. 28

Abbildung 13: Histogramme der Change Vektoren der berechneten Texturmaße für den ersten Bildkanal zwischen 2009 und 2012. Wie bereits oben dargestellt, ergeben sich aus den 8 Texturmaßdifferenzen und für jeden der 5 Bildkanäle insgesamt 40 change Vektoren. Um diese hohe Dimensionalität der Information zu reduzieren, wird eine Hauptkomponententransformation durchgeführt (PCA, engl.: principal component analysis). Als Ergebnis der PCA werden die ursprünglichen Variablen orthogonal transformiert, um neue, unkorrelierte Variablen zu erzeugen. Sie stellen jedoch eine Linearkombination der ursprünglichen Variablen dar. Dabei enthält die erste Variable den höchsten Informationsgehalt und die nachgeschalteten Variablen einen zunehmend geringeren Informationsgehalt. Dies stellt eine Erleichterung bei der Auswertung hochdimensionaler Merkmalsräume dar, da in der Regel einige wenige höhere Hauptkomponenten ausreichen, um den Großteil des Informationsgehaltes abzudecken. 4.5 Identifikation potentieller Wohngebäude Das Anschriftenregister im Zensus ist ein zentrales Element zur Verknüpfung verschiedener Erhebungsteile. Für dessen Aufbau und Aktualisierung könnten unterstützende Geoinformationen zur Nutzung eines Gebäudes eingesetzt werden, um den manuellen Aufwand zu reduzieren. In Ansätzen wurden Geodaten bereits im Zensus 2011 bei Plausibilitätsprüfungen und der Vervollständigungen von Ortsteilangaben eingesetzt (Stepien, 2012). Die Prüfung, ob an einer Anschrift Wohnraum vorhanden ist, bildet einen wesentlichen Schwerpunkt der manuellen Arbeit. Im Rahmen des Projektes sollte deshalb geprüft werden, ob mit Hilfe von aus Geobasisdaten abgeleiteten Merkmalen Wahrscheinlichkeiten zur Wohnraumeigenschaft von Anschriften ermittelt werden können. Entsprechend den Aussagen des Statistischen Bundesamtes (siehe Anforderungen im Anhang) sind sowohl die Information „Anschrift mit Wohnraum“ als auch die Information „Anschrift ohne Wohnraum“ relevant und hilfreich. Die Beschreibung der Gebäude mit Informationen zu einer möglichen Wohnnutzung erfolgt in einem zweistufigen Prozess. In der Projektphase I werden zunächst alle Hausumringe mit einer potenziellen Wohnnutzung identifiziert (d. h. irrelevante Gebäude ohne Wohnnutzung durch Analyse der 29

Gebäudegrundfläche und ATKIS-Nutzungsart ausgeschlossen). Für die restliche Gruppe der Gebäude erfolgt in Projektphase II die Bestimmung von Wahrscheinlichkeiten hinsichtlich einer potenziellen Wohnnutzung. Die Wahrscheinlichkeit wird auf Basis geeigneter Gebäudemerkmale und unter Nutzung statistischer Methoden (u. a. mittels binärer logistische Regressionsanalyse) und maschinellen Lernverfahren. Die Erkenntnisse der Analyse sollen Aufschluss darüber geben, ob derartige Prozesse den Zensus 21 unterstützen können (z. B. zur Qualitätssicherung beim Aufbau des Anschriftenregisters). 4.5.1     Identifikation irrelevanter Gebäude In einem ersten Schritt werden zunächst jene Gebäude identifiziert, die mit extrem hoher Wahrscheinlichkeit keine Wohnnutzung besitzen. Als erstes Kriterium kann dabei die Existenz einer Adresse verwendet werden, wobei dies voraussetzt, dass auch bewohnte Nebengebäude oder Hinterhäuser eine eigenständige georeferenzierte Adresse besitzen. Ein weiteres wichtiges Kriterium für die Erkennung ist die Gebäudegrundfläche, da eine Wohnnutzung immer eine Mindestausstattung impliziert, die sich wiederum in einer gewissen Mindestgrundfläche widerspiegelt. Ein geeigneter Schwellwert kann über verschiedene Wege bestimmt werden. Einerseits kann dieser logisch abgeleitet und durch Literatur begründet werden. So besitzt das kleinste bekannte Haus 1 Deutschlands in Wernigerode in dem Hausumringdatensatz eine Grundfläche von etwa 22 m². Es ist heute jedoch ein Museum. Die in den USA beliebten und auch in Deutschland einhaltenden Mikrohäuser sind in der Regel über 25 m². Gartenlauben dürfen hingegen nach Bundeskleingartengesetz 24 m² Grundfläche nicht überschreiten. Eine andere Form ist die statistische Ermittlung eines Schwellwertes zum Beispiel mit Hilfe einer Grenzwertoptimierungskurve (Receiver Operating Characteristic, ROC). In vorangegangenen Arbeiten konnten damit beispielsweise Schwellwerte zur Erkennung von Gebäuden ohne Wohnnutzung differenziert für freistehende Gebäude (Schwellenwert 56,8 m²) und für nichtfreistehendes Gebäude einen (Schwellenwert 39,7 m²) erarbeitet werden (Hecht 2014). Ausgangsbasis dieser Analyse war die bekannte Nutzungsinformation aus dem Liegenschaftskataster und die Auswertung der Grundrissfläche. 4.5.2     Bestimmung von Wahrscheinlichkeiten einer Wohnnutzung Eine Differenzierung des Gebäudemodells nach Wohngebäuden und Nicht-Wohngebäuden ist ohne konkreter Nutzungsinformation aus dem Liegenschaftskataster (ALKIS) alleine auf Basis der Hausumringe nicht möglich, da diese aktuell keine Informationen dazu besitzen. Ein Ziel wäre darum die Identifizierung von Hausumringen und Anschriften mit potentieller Wohnnutzung allein auf Basis quantitativer Merkmale zur Gebäudephysiognomie und räumlich übergeordneter thematischer Informationen zur Siedlungsstruktur aus dem ATKIS DLM-DE. Hierbei muss deshalb vorab eine räumliche Verschneidung der Gebäude mit den DLM-DE-Blockinformationen „Wohngebäude“ und „Flächen gemischter Nutzung“, „Industrie und Gewerbe“ und „Flächen besonderer funktionaler Prägung“ erfolgen. Aus diesem Datensatz werden in weiterer Folge Gebäude identifiziert, welche aufgrund ihrer Geometrie in Kombination mit der zugrundeliegenden Flächennutzungsinformation 1 http://kleinstes-haus.de/ 30

keine Wohnnutzung vermuten lassen. Diese Aufgabe ist in der Phase II des Projektes vorgesehen, solange unklar ist, ob der Bund die Lizenz für das 3D-Gebäudemodell LoD1-DE bekommen wird. 5    Ergebnisse In diesem Abschnitt werden die zentralen Erkenntnisse aus Phase I des Vorhabens zusammengefasst dargestellt. 5.1 Veränderungsanalyse – „Change Detection“ Eingang in die Detektion von Veränderungen finden die Hauptkomponenten (PCA) der Change Vektoren aus den aufbereiten Satellitendaten, wie in Abschnitt 4.4 ausführlich dargestellt ist, und die räumlichen Abgrenzungen der Geometrien des DLM. Die im Rahmen dieses Vorhabens entwickelte und angewendete Verfahrenskette reagiert auf Änderungen in den Bilddaten jeglicher Art. Sehr starken      Änderungen     der     Oberflächenbeschaffenheit    unterlegen     sind     vor      allem Landbedeckungstypen, welche durch Vegetationsstadien beeinträchtigt werden. Das Rückstreuverhalten von Vegetation in den Wellenlängen des elektromagnetischen Spektrums gängiger Erdbeobachtungssysteme (red edge bei Rapid Eye: 690-730 nm) reagiert hochgradig sensibel auf den Chlorophyllgehalt von Pflanzen, welches für den Prozess der Photosynthese benötigt wird. Vor diesem Hintergrund treten diese in fernerkundungsbasierten Änderungsanalysen, welche das spektrale Rückstreuverhalten der Elemente auf der Erdoberfläche zur Grundlage haben, auch besonders verstärkt hervor. Im Falle der im Rahmen des aktuellen Vorhabens adressierten Anwendung bzw. Zielklasse der change detection sind jedoch weniger die Änderungen im agrarisch geprägten Bereich von Interesse, welche in der Tat den größten Anteil der identifizierten Änderungen darstellen, sondern jene Bereiche, welche grundsätzlich der urbanen Siedlungslandschaft zugeordnet werden können. Vor diesem Hintergrund werden die Geometrien des DLM der Objektart Siedlung als zusätzliches räumliches Kriterium in die Analyse aufgenommen (vgl. Abschnitt 3.2.4) und dadurch das zu betrachtende Gebiet auf die Bereiche des DLM eingeschränkt. Abbildung 14 unten zeigt für einen Ausschnitt des Testgebietes sowohl den Zustand der Flächen vor (2009) und nach (2012) der Veränderungen und die Überlagerung mit den Geometrien der Objektart Siedlung aus dem DLM sowie die Visualisierung der Change Vektoren der Hauptkomponenten im unteren Teil der Abbildung. Deutlich durch die intensive Farbgebung treten die Veränderungen in den landwirtschaftlich genutzten Bereichen hervor, welche durch die Überlagerung mit dem DLM in der weiteren Analyse unberücksichtigt bleiben. Anhand der Darstellung der Change Vektoren der Hauptkomponenten ist zu erkennen, dass die Bereiche, in denen Änderungen aufgetreten sind, vor allem durch die Intensität der Farbgebung besonders deutlich hervortreten wie anhand der landwirtschaftlich genutzten Gebiete erkannt werden kann. Gebiete mit geringen oder keinen Veränderungen, wie für den Ausschnitt in der unteren Abbildung vor allem in den urbanen Gebieten, sind durch einheitliche Farbgebung repräsentiert. 31