Advertisement

Raumforschung und Raumordnung

, Volume 72, Issue 3, pp 211–225 | Cite as

Die Zukunft der Landnutzung in Deutschland – Darstellung eines methodischen Frameworks

  • Jana Hoymann
  • Roland Goetzke
Bericht aus Forschung und Praxis

Zusammenfassung

Vor dem Hintergrund der knapper werdenden Ressource Boden und den Herausforderungen des Klimawandels beschäftigt sich das Projekt „CC-LandStraD“ mit den Wechselwirkungen zwischen Klimawandel und Landnutzung. Es werden Szenarien der künftigen Landnutzung in Deutschland bis zum Jahr 2030 entwickelt. Der Fokus liegt dabei auf der Siedlungs- und Verkehrsflächenentwicklung. Dafür kommt ein Simulationsmodell zum Einsatz, das unterschiedliche Daten verarbeitet und miteinander kombiniert. Dazu zählen einerseits statistische Informationen der sozioökonomischen Entwicklung, aber auch zahlreiche räumliche Daten, die die aktuelle Landnutzung, natürliche Gegebenheiten, aber auch planerische Festlegungen beschreiben. Der Beitrag stellt die verwendeten Daten vor und beschreibt die Methodik, wie diese im Simulationsmodell „Land Use Scanner“ verwendet werden, um ein räumliches Landnutzungsszenario für Deutschland zu erstellen. Damit integriert das Modell Daten unterschiedlicher räumlicher, zeitlicher und thematischer Auflösung und führt Daten unterschiedlicher Skalenebenen konsistent zusammen. Die Ergebnisse des Modells zeigen, dass trotz demographischen Wandels in einigen Regionen Deutschlands ein hoher Siedlungsdruck bestehen bleibt.

Schlüsselwörter

Landnutzung Szenario Simulation Deutschland 

The future of land use in Germany: a methodological framework

Abstract

The research project CC-LandStraD analyses interactions between land use and climate change. It therefore contributes to the challenges of climate change and the availability of scarce land resources. Within the project, land use scenarios are developed for Germany until the year 2030. The focus of this study is on the development of settlement and transport area. The approach applies the simulation model Land Use Scanner that integrates and combines different types of data. This includes statistical information on the socio-economic development as well as numerous spatial data sets like current land use, physical properties or spatial planning regulations. The paper introduces the different data sets, describes the modeling approach and demonstrates how the various data sets are used in the simulation model Land Use Scanner to calculate a spatial land use scenario for Germany in 2030. The model therefore integrates data sets of different spatial, temporal and thematic resolutions and consistently merges the information of different scales. The results of the model show that despite demographic change some regions still face high pressure of urban density in Germany.

Keywords

Land use Scenario Simulation Germany 

Literatur

  1. Alcamo, J.; Kok, K.; Busch, G.; Priess, J.A.; Eickhout, B.; Rounsevell, M.; Rothman, D.S.; Heistermann, M. (2006): Searching for the Future of Land: Scenarios from the Local to Global Scale. In Lambin, E.F.; Geist, H. (Hrsg.): Land-Use and Land-Cover Change. Berlin, Heidelberg, 137–155.Google Scholar
  2. Barredo, J.I.; Engelen, G. (2010): Land Use Scenario Modeling for Flood Risk Mitigation. In: Sustainability 2 (5), 1327–1344.Google Scholar
  3. Batista e Silva, F.; Lavalle, C.; Koomen, E. (2013): A procedure to obtain a refined European land use/cover map. In: Journal of Land Use Science 8 (3), 255–283.Google Scholar
  4. BMVBS – Bundesministerium für Verkehr, Bau und Stadtentwicklung (2011): 30-ha-Ziel realisiert. Konsequenzen des Szenarios Flächenverbrauchsreduktion auf 30 ha im Jahr 2020 für die Siedlungsentwicklung. Bonn. = Forschungen 148.Google Scholar
  5. Briassoulis, H. (2000): Analysis of Land Use Change: Theoretical and Modeling Approaches. http://www.rri.wvu.edu/WebBook/Briassoulis/contents.htm (26.03.2014).
  6. Burgdorf, M. (2010): Disaggregation von Bevölkerungsdaten mittels ATKIS Basis DLM. In: Strobl, J.; Blaschke, T.; Griesebner, G. (Hrsg.): Angewandte Geoinformatik 2010. Beiträge zum 22. AGIT-Symposium Salzburg. Berlin, 474–483.Google Scholar
  7. Clarke, K.C.; Gazulis, N.; Dietzel, C.K.; Goldstein, N.C. (2007): A Decade of SLEUTHing: Lessons Learned from Applications of a Cellular Automaton Land Use Change Model. In Fisher, P. (Hrsg.): Classics from IJGIS. Twenty years of the International Journal of Geographical Information Science and Systems. Boca Raton, 413–426.Google Scholar
  8. Couclelis, H. (2005): “Where has the future gone?” Rethinking the role of integrated land-use models in spatial planning. In: Environment and Planning A 37 (8), 1353–1371.Google Scholar
  9. Dekkers, J.; Koomen, E. (2007): Land-use simulation for water management. Application of the Land Use Scanner in two large-scale scenario studies. In Koomen, E.; Stillwell, J.; Bakema, A.; Scholten, H. (Hrsg.): Modelling Land-Use Change. Progress and Applications. Dordrecht, 355–373.Google Scholar
  10. Distelkamp, M.; Großmann, A.; Hohmann, F.; Lutz, C.; Ulrich, P.; Wolter, M.I. (2009): Panta Rhei Regio. Ein Modellsystem zur Projektion der künftigen Flächeninanspruchnahme in Deutschland und zur Folgenabschätzung fiskalischer Maßnahmen. Osnabrück. = gws Discussion Paper 2009/7.Google Scholar
  11. Einig, K.; Jonas, A.; Zaspel, B. (2009): Eignung von CORINE-Geodaten und Daten der Flächenerhebung zur Analyse der Siedlungs- und Verkehrsflächenentwicklung in Deutschland. In: Wirtschaft und Statistik 4, 355–364.Google Scholar
  12. Engelen, G.; Lavalle, C.; Barredo, J.; Meulen, M.; White, R. (2007): The MOLAND modelling framework for urban and regional land-use dynamics. In Koomen, E.; Stillwell, J.; Bakema, A.; Scholten, H. (Hrsg.): Modelling Land-Use Change. Progress and Applications. Dordrecht, 297–319.Google Scholar
  13. Geist, H.; McConnell, W.; Lambin, E.F.; Moran, E.; Alves, D.; Rudel, T. (2006): Causes and Trajectories of Land-Use/Cover Change. In Lambin, E. F.; Geist, H. (Hrsg.): Land-Use and Land-Cover Change. Berlin, Heidelberg, 41–70.Google Scholar
  14. Goetzke, R. (2010): Entwicklung eines fernerkundungsgestützten Modellverbundes zur Simulation des urban-ruralen Landnutzungswandels in Nordrhein-Westfalen. Dissertation an der Rheinischen Friedrich-Wilhelms-Universität Bonn.Google Scholar
  15. Hilferink, M. (2012): Suriname New Infrastructure. http://www.objectvision.nl/gallery/projects/new-infrastructure-suriname (26.03.2014).
  16. Hilferink, M.; Rietveld, P. (1999): Land Use Scanner: An integrated GIS based model for long term projections of land use in urban and rural areas. In: Journal of Geographical Systems 1 (12), 155–177.Google Scholar
  17. Hoymann, J. (2013): Neuere Flächennutzungsdaten. Übersicht, Vergleich und Nutzungsmöglichkeiten. Bonn. = BBSR-Analysen KOMPAKT 2/2013.Google Scholar
  18. Hoymann, J.; Beckmann, G.; Dosch, F.; Distelkamp, M. (2012): Trends der Siedlungsflächenentwicklung. Status quo und Projektion 2030. Bonn. = BBSR-Analysen KOMPAKT 9/2012.Google Scholar
  19. Hoymann, J.; Koomen, E.; Dekkers, J. (2014): Szenarien der Siedlungsflächenentwicklung im Elbeeinzugsgebiet. In Wechsung, F.; Hartje, V.; Kaden, S.; Venohr, M.; Hansjürgens, B.; Gräfe, P. (Hrsg.): Die Elbe und ihr Einzugsgebiet im globalen Wandel. Berlin, 197–240.Google Scholar
  20. Jacobs, C.; Bouwman, A.F.; Koomen, E.; van der Burg, A. (2011): Lessons learned from using land-use simulation in regional planning. In: Koomen, E.; Borsboom-van Beurden, J. (Hrsg.): Land-use modelling in planning practice. Dordrecht, 131–149.Google Scholar
  21. Koomen, E.; Hilferink, M.; Borsboom-van Beurden, J. (2011): Introducing Land Use Scanner. In Koomen, E. (Hrsg.): Land-use modelling in planning practice. Dordrecht, 3–21.Google Scholar
  22. Koomen, E.; Koekoek, A.; Dijk, E. (2011): Simulating Land-use Change in a Regional Planning Context. In: Applied Spatial Analysis and Policy 4 (4), 223–247.Google Scholar
  23. Koomen, E.; Loonen, W.; Hilferink, M. (2008): Climate-Change Adaptations in Land-Use Planning. A Scenario-Based Approach. In: Bernard, L.; Friis-Christensen, A.; Pundt, H. (Hrsg.): The European Information Society. Berlin, 261–282.Google Scholar
  24. Koomen, E.; Rietveld, P.; de Nijs, T. (2008): Modelling land-use change for spatial planning support. In: The Annals of Regional Science 42 (1), 1–10.Google Scholar
  25. Kufeld, W. (Hrsg.) (2013): Klimawandel und Nutzung von regenerativen Energien als Herausforderungen für die Raumordnung. Hannover. = Arbeitsberichte der ARL 7.Google Scholar
  26. Lambin, E.F. (2005): Modelling land-use change. In Wainwright, J.; Mulligan, M. (Hrsg.): Environmental Modelling. Finding Simplicity in Complexity. Chichester, 245–254.Google Scholar
  27. Lavalle, C.; Baranzelli, C.; Batista e Silva, F.; Mubareka, S.; Rocha Gomes, C.; Koomen, E.; Hilferink, M. (2011): A High Resolution Land Use/Cover Modelling Framework for Europe: Introducing the EU-ClueScanner100 Model. In: Murgante, B.; Gervasi, O.; Iglesias, A.; Taniar, D.; Apduhan, B.O. (Hrsg.): Computational science and its applications. Berlin, 60–75.Google Scholar
  28. Meinel, G.; Schubert, I.; Siedentop, S.; Buchroithner, M. (2007): Europäische Siedlungsstrukturvergleiche auf Basis von CORINE Land Cover. Möglichkeiten und Grenzen. In: Schrenk, M.; Popovich, V.; Benedikt, J. (Hrsg.): To plan is not enough. REAL CORP 2007. Schwechat-Rannerdorf, 645–656.Google Scholar
  29. Mertens, B.; Lambin, E. (1997): Spatial modelling of deforestation in southern Cameroon: Spatial disaggregation of diverse deforestation processes. In: Applied Geography 17 (2), 143–162.Google Scholar
  30. Mertens, B.; Lambin, E. (2000): Land-Cover-Change Trajectories in Southern Cameroon. In: Annals of the Association of American Geographers 90 (3), 467–494.Google Scholar
  31. Poelmans, L.; van Rompaey, A. (2009): Detecting and modelling spatial patterns of urban sprawl in highly fragmented areas: A case study in the Flanders-Brussels region. In: Landscape and Urban Planning 93 (1), 10–19.Google Scholar
  32. Pontius Jr., R.; Cornell, J.; Hall, C. (2001): Modeling the spatial pattern of land-use change with GEOMOD2: application and validation for Costa Rica. In: Agriculture, Ecosystems and Environment 85 (1–3), 191–203.Google Scholar
  33. Pontius Jr., R.; Schneider, L.C. (2001): Land-cover change model validation by an ROC method for the Ipswich watershed, Massachusetts, USA. In: Agriculture, Ecosystems and Environment 85 (1–3), 239–248.Google Scholar
  34. Reck, H.; Hänel, K.; Jeßberger, J.; Lorenzen, D. (2008): Unzerschnittene verkehrsarme Räume, Unzerschnittene Funktionsräume und Biologische Vielfalt. Landschafts- und Zerschneidungsanalysen als Grundlage für die räumliche Umweltplanung. Bonn-Bad Godesberg. = Naturschutz und Biologische Vielfalt 62.Google Scholar
  35. Richter, A.; Hennings, V.; Müller, L. (2009): Anwendung des Müncheberger Soil Quality Ratings (SQR) auf bodenkundliche Grundlagenkarten. In: Deutsche Bodenkundliche Gesellschaft (Hrsg.): Böden – eine endliche Ressource. Bonn. http://eprints.dbges.de/243/1/Beitrag_RICHTER_HENNINGS_M%C3%9CLLER.pdf (17.04.2014).
  36. Rounsevell, M.; Reginster, I.; Araújo, M.; Carter, T.; Dendoncker, N.; Ewert, F.; House, J.; Kankaanpää, S.; Leemans, R.; Metzger, M.; Schmit, C.; Smith, P.; Tuck, G. (2006): A coherent set of future land use change scenarios for Europe. In: Agriculture, Ecosystems and Environment 114 (1), 57–68.Google Scholar
  37. Schlömer, C. (2012): Raumordnungsprognose 2030. Bevölkerung, private Haushalte, Erwerbspersonen. Stuttgart. = BBSR Analysen Bau.Stadt.Raum 9.Google Scholar
  38. Schneider, L.C.; Pontius Jr., R. (2001): Modeling land-use change in the Ipswich watershed, Massachusetts, USA. In: Agriculture, Ecosystems and Environment 85 (1–3), 83–94.Google Scholar
  39. Scholten, H.; van de Velde, R.; Rietveld, P.; Hilferink, M. (1999): Spatial information infrastructure for scenario planning: the development of a Land Use Planner for Holland. In: Stillwell, J.; Geertman, S.; Openshaw, S. (Hrsg.): Geographical Information and Planning. Berlin, 112–134.Google Scholar
  40. Schotten, C.; Goetgeluk, R.; Hilferink, M.; Rietveld, P.; Scholten, H. (2001): Residential construction, land use and the environment. Simulations for the Netherlands using a GIS-based land use model. In: Environmental Modeling and Assessment 6 (2), 133–143.Google Scholar
  41. Silva, E.; Clarke, K. (2002): Calibration of the SLEUTH urban growth model for Lisbon and Porto, Portugal. In: Computers, Environment and Urban Systems 26 (6), 525–552.Google Scholar
  42. Statistisches Bundesamt (2011): Bodenfläche nach Art der tatsächlichen Nutzung. Ergebnisse der Flächenerhebung 2010. Wiesbaden. = Land- und Forstwirtschaft, Fischerei, Fachserie 3, Reihe 5.1.Google Scholar
  43. Statistisches Bundesamt (2013): Bodenfläche nach Art der tatsächlichen Nutzung 2012. Wiesbaden. = Land- und Forstwirtschaft, Fischerei, Fachserie 3, Reihe 5.1.Google Scholar
  44. Tack, F. (2000): Emulating the Future. http://www.classic.archined.nl/news/0007/bia_nl.html (01.04.2014).
  45. Umweltbundesamt (2011): Berichterstattung unter der Klimarahmenkonvention der Vereinten Nationen und dem Kyoto-Protokoll 2011. Nationaler Inventarbericht zum Deutschen Treibhausgasinventar 1990–2009. Dessau-Roßlau.Google Scholar
  46. van der Straaten, J.; Rouwendal, J. (2010): Why are the commuting distances of power couples so short? An analysis of the location preferences of households. http://www-sre.wu.ac.at/ersa/ersaconfs/ersa10/ERSA2010finalpaper816.pdf (01.04.2014).
  47. Verburg, P.H.; de Nijs, T.; van Eck, J.; Visser, H.; de Jong, K. (2004): A method to analyse neighbourhood chararcteristics of land use patterns. In: Computers, Environment and Urban Systems 28 (6), 667–690.Google Scholar
  48. Verburg, P.H.; Koomen, E.; Hilferink, M.; Pérez-Soba, M.; Lesschen, J.P. (2012): An assessment of the impact of climate adaptation measures to reduce flood risk on ecosystem services. In: Landscape Ecology 27 (4), 473–486.Google Scholar
  49. Verburg, P.H.; Schot, P.P.; Dijst, M.J.; Veldkamp, A.T. (2004): Land use change modelling: current practice and research priorities. In: GeoJournal 61 (4), 309–324.Google Scholar
  50. Verburg, P.H.; Schulp, C.; Witte, N.; Veldkamp, A. (2006): Downscaling of land use change scenarios to assess the dynamics of European landscapes. In: Agriculture, Ecosystems & Environment 114 (1), 39–56.Google Scholar
  51. Verburg, P.H.; van Eck, J.R.R.; de Nijs, T.; Dijst, M.J.; Schot, P. (2004): Determinants of land-use change patterns in the Netherlands. In: Environment and Planning B 31 (1), 125–150.Google Scholar
  52. Zaspel, B.; Einig, K. (2012): Raumordnungsplan-Monitor (ROPLAMO) – ein Planinformationssystem für Deutschland. In: Strobl, J.; Blaschke, T.; Griesebner, G. (Hrsg.): Angewandte Geoinformatik 2012. Beiträge zum 24. AGIT-Symposium Salzburg. Berlin, 745–754.Google Scholar

Copyright information

© Springer-Verlag Berlin Heidelberg 2014

Authors and Affiliations

  1. 1.Bundesinstitut für Bau-, Stadt- und Raumforschung im Bundesamt für Bauwesen und RaumordnungBonnDeutschland

Personalised recommendations