Novel Use of Local Climate Zones: Urban Form-based Method for Carbon Sink Assessment using Convolutional Neural Network
Diese Studie schlägt eine neuartige, auf der Stadtgestalt basierende Methode zur Schätzung städtischer Kohlenstoffsenken vor, indem sie Karten der lokalen Klimazonen (Local Climate Zone, LCZ) mit einem faltenden neuronalen Netzwerk (Convolutional Neural Network, CNN) integriert, und zeigt auf, dass weniger intensive bebauchte Umgebungen (LCZ 5, 6 und 9) ein größeres Potenzial zur Kohlenstoffbindung bieten, während sie trotz der Sensitivität gegenüber der Präzision der LCZ-Karten eine hohe Schätzgenauigkeit erreichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Städte verändern sich ständig, werden höher und dichter, während immer mehr Menschen zuziehen. Diese Expansion verdrängt oft die Grünflächen, die unsere Luft auf natürliche Weise reinigen, was die dringende Notwendigkeit schafft, zu verstehen, wie viel Kohlenstoff diese städtischen Umgebungen noch aufnehmen können. Um dies anzugehen, haben Wissenschaftler eine Methode entwickelt, um die physische Form einer Stadt in unterschiedliche Nachbarschaften einzuteilen, basierend darauf, wie Gebäude und Land angeordnet sind. Sie nennen diese Kategorien „Local Climate Zones“ (Lokale Klimazonen), ein System, das Gebiete nach ihrer Höhe, Dichte und den Oberflächenmaterialien gruppiert – von kompakten Hochhausvierteln bis hin zu offenen Niedrigbaugebieten und dichten Wäldern. Parallel dazu bezieht sich der Begriff einer „Kohlenstoffsenke“ auf die natürliche Fähigkeit von Vegetation, wie Bäumen und Gräsern, Kohlendioxid aus der Atmosphäre zu ziehen und zu speichern. Während Städte danach streben, globale Ziele zur Reduzierung von Treibhausgasen zu erreichen, ist die genaue Ermittlung dessen, wie viel Kohlenstoff ihre verbleibende Begrünung aufnehmen kann, zu einer lebenswichtigen Aufgabe für Stadtplaner und Umweltschützer geworden.
Ein Forscherteam hat sich kürzlich zum Ziel gesetzt, einen schnelleren, einfacheren Weg zu finden, um dieses kohlenstoffspeichernde Potenzial innerhalb komplexer Stadtlandschaften zu messen. Anstatt sich auf langsame, detaillierte Erhebungen jedes einzelnen Baumes zu verlassen, kombinierten sie die Stadtzonenkarten mit einer Art Computerprogramm, das als faltendes neuronales Netzwerk (Convolutional Neural Network) bekannt ist. Stellen Sie sich dieses Programm wie ein hochtrainiertes Auge vor, das eine Karte von Stadtzonen betrachten und sofort Muster erkennen kann, um vorherzusagen, wie viel Kohlenstoff gespeichert wird. Das Team testete diesen Ansatz in zwei sehr unterschiedlichen taiwanesischen Städten: Taipeh, einer geschäftigen Metropole mit einer hohen Dichte an Hochhäusern, und Chiayi, einer kleineren Stadt mit einer Mischung aus niedrigen und mittleren Gebäudestrukturen. Zuerst erstellten sie detaillierte Karten, die zeigten, wo Bäume und Grünflächen existierten, und berechneten die exakte Menge an Kohlenstoff, die jedes Gebiet absorbieren konnte. Dann speisten sie diese Karten in ihr Computermodell ein und brachten es bei, die visuellen Muster der Stadtzonen mit den Kohlenstoffdaten zu verknüpfen.
Die Ergebnisse offenbarten einen klaren und etwas überraschenden Zusammenhang zwischen der Form einer Stadt und ihrer Fähigkeit, Kohlenstoff zu speichern. Die Studie ergab, dass die effektivsten Kohlenstoffsenken nicht immer die dichtesten Wälder waren, sondern auch bestimmte Arten von bebauten Gebieten umfassten. Insbesondere Nachbarschaften mit niedrigeren Gebäuden und mehr Freiraum, wie etwa solche mit verstreuten Niedrigbau-Strukturen oder spärlich bebauten Gebieten, zeigten ein hohes Potenzial für die Kohlenstoffspeicherung. Dies deutet darauf darauf hin, dass in Städten, die weniger intensiv entwickelt sind, einfach mehr Platz vorhanden ist, damit Vegetation wachsen und gedeihen kann, was es Bäumen und Sträuchern ermöglicht, mehr Kohlenstoff aufzunehmen. Das Computermodell erwies sich als bemerkenswert erfolgreich darin, diese Beziehungen in Taipeh zu erlernen, wo es das Kohlenstoffniveau mit hoher Genauigkeit vorhersagen konnte, was eng mit den realen Daten übereinstimmte. Das Modell hatte jedoch Schwierigkeiten, als es auf Chiayi angewendet wurde, hauptsächlich weil die Karten, die zur Beschreibung der Stadtzonen verwendet wurden, Fehler enthielten. In Chiayi wurden einige natürliche Gebiete fälschlicherweise als bebaute Zonen auf der Karte gekennzeichnet, was den Computer verwirrte und zu ungenauen Vorhersagen führte.
Diese Diskrepanz verdeutlichte eine entscheidende Lektion: Der Erfolg dieser neuen Methode hängt vollständig von der Genauigkeit der zugrunde liegenden Stadtkarten ab. Wenn die Karte sagt, dass ein Wald ein Parkplatz ist, wird der Computer eine falsche Vermutung über die Kohlenstoffspeicherung anstellen. Trotz dieser Einschränkung zeigt die Studie, dass die Verwendung dieser Zonenkarten in Kombination mit intelligenten Computer-Algorithmen ein leistungsstarkes, kosteneffizientes Werkzeug zur Schätzung von Kohlenstoffsenken in ganzen Städten bietet. Die Forscher kamen zu dem Schluss, dass die Methode zwar am besten funktioniert, wenn die Stadtdaten präzise sind, sie jedoch eine wesentlich einfachere Alternative zu traditionellen, arbeitsintensiven Messverfahren darstellt. Durch das Verständnis dessen, welche urbanen Formen das meiste Grünwachstum unterstützen, können Stadtplaner bessere Entscheidungen treffen, um Räume zu erhalten oder zu schaffen, die helfen, den Klimawandel zu bekämpfen, und so sicherzustellen, dass Städte, selbst wenn sie wachsen, weiterhin für den Planeten atmen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.