Eine neue Schweizer Landschaftstypologie mit Deep Learning

Abb. 1: Konzeptueller Überblick über unseren Deep-Learning-Ansatz. Aus den sechs Eingaberastern identifizierte der Deep-Learning-Ansatz 45 Landschaftstypen. © PLUS, ETH Zürich

Die Identifizierung und Definition von Landschaftstypen ist nicht nur für die Übertragbarkeit von Landschaftsplanungs- und Managementstrategien unerlässlich, sondern auch eine Anforderung der von der Schweiz ratifizierten Europäischen Landschaftskonvention. Landschaftstypologien werden in der Regel von Expert:innen oder mit Hilfe sogenannter unsupervised clustering Techniken erstellt. Die letztgenannten Methoden haben jedoch einige Nachteile, die durch den Einsatz moderner «Deep Learning»-Techniken überwunden werden können.

Ausgangspunkt vieler Landschaftstypologien ist eine Reihe von Rastern, die die Faktoren darstellen, die für die Charakterisierung der Landschaft in einem Gebiet als wichtig erachtet werden (z. B. Bevölkerungsdichte, Landnutzung, Topografie). In der Regel quantifizieren einige dieser Raster das Landschaftsmuster, das als ein wichtiges Landschaftsmerkmal gilt. Bei den derzeitigen Clustering-Techniken werden diese Landschaftsmuster aus klassifizierten Landnutzungskarten mit Landschaftsmetriken berechnet. Solche Karten können jedoch verzerrt sein und sind nicht geeignet, kleinräumige Landschaftsmuster zu erkennen. Die Verwendung von Satelliten- oder Luftbildern und anderen kontinuierlichen Rastern (z. B. digitale Höhenmodelle) würde die Identifizierung solcher Muster ermöglichen. Die üblicherweise verwendeten Landschaftsmetriken können jedoch nicht auf solche kontinuierlichen Datensätze angewendet werden und quantifizieren nur eine sehr kleine Auswahl potenzieller Muster.

Maschinelles Lernen zur Klassifizierung von Landschaften

Am Lehrstuhl für Planung von Landschafts- und Urbanen Systemen PLUS experimentieren wir daher mit neuen Techniken des maschinellen Lernens zur Klassifizierung von Landschaften auf der Grundlage von Mustern, die in kontinuierlichen räumlichen Daten wie Satellitenbildern und digitalen Höhenmodellen identifiziert werden. Dabei greifen wir nicht auf bereits existierende Landschaftsmetriken zurück, sondern lassen Computeralgorithmen nach Mustern suchen, die Landschaften voneinander unterscheiden: ein Prozess, der als Deep Learning bezeichnet wird. Das Verfahren ähnelt der gleitenden Fensteranalyse, die bei vielen räumlichen Analysen eingesetzt wird. Anstatt jedoch feste Gewichte im Fenster zu verwenden, werden die Gewichte vom Algorithmus gelernt.

Abb. 2: Ausgabe der maschinell erlernten Landschaftstypologie für den Kanton Tessin und andere Teile der Südschweiz. Die Bilder zeigen Beispiele von Landschaften, die zu einem bestimmten Landschaftstyp gehören. © PLUS, ETH Zürich

Vergleich zur bestehenden Schweizer Landschaftstypologie

Mit unserem Deep-Learning-Ansatz identifizierten wir 45 Landschaftstypen in der Schweiz aus sechs Rasterbildern mit einer Auflösung von 10 m (Abb. 1). Wir verglichen unsere Typologie mit der bestehenden Schweizer Landschaftstypologie des Bundesamtes für Raumentwicklung ARE, die aus 38 Klassen besteht. Einerseits stellten wir fest, dass die beiden Typologien signifikant miteinander korrelieren und vergleichbare grossräumige Muster aufweisen. Andererseits zeigte unsere maschinell gelernte Landschaftstypologie eine viel kleinräumigere Variation der Landschaftstypen. Dies ist nicht überraschend, wenn man bedenkt, dass das Ziel der ARE-Typologie darin bestand, eine Unterteilung in grosse Landschaftsgebiete zu erstellen. Künftige Schritte dieser Analyse werden darin bestehen, die Landschaftsmuster zu extrahieren, die der Algorithmus gelernt hat. Eine Veröffentlichung mit weiteren Details der Analyse ist derzeit in Arbeit.

Dr. Maarten J. van Strien ist leitender Wissenschaftler am Lehrstuhl für Planung von Landschaft und Urbanen Systemen (PLUS, IRL). Sein Forschungsschwerpunkt ist die Modellierung und Analyse von sozial-ökologischen Systemen, wofür er eine Reihe von Methoden des maschinellen Lernens anwendet.