Modellierung der Siedlungsentwicklung auf Teneriffa auf Basis von multikriteriellen Entscheidungsverfahren und Zellulären Automaten

Transkript

1 Salzburger Geographische Arbeiten, Band 43, S Salzburg 2008 Modellierung der Siedlungsentwicklung auf Teneriffa auf Basis von multikriteriellen Entscheidungsverfahren und Zellulären Automaten Simone Naumann & Alexander Siegmund 1 Zusammenfassung Seit Beginn des Massentourismus in den 1960er Jahren geht auf den Kanaren ein sozioökonomischer Wandel von einer Agrar- zu einer Dienstleistungsgesellschaft einher. 75% der beschäftigten Bevölkerung arbeiten heute in der Tourismusbranche 1976 waren es nur 56%. Die mit dem stetig wachsenden Tourismusboom einhergehenden ökonomischen und sozialen Veränderungen haben weit reichende Auswirkungen auf den Natur- und Kulturraum, insbesondere auf der Insel Teneriffa. Die steigende Zahl der Urlauber (1978: 1,3 Mio.; 2006: 5,5 Mio.) führt dort u.a. zu einer erhöhten Nachfrage nach touristischer Infrastruktur und damit vor allem zu verstärkten Siedlungsexpansionen. Die Grundlage der Modellierung der künftigen Siedlungsentwicklung auf Teneriffa stellten flächendeckende Satellitenbilddaten vom Typ Landsat 3 MSS (1978) und Landsat 7 ETM+ (2002) dar. Die mit Hilfe eines objektorientierten Ansatzes klassifizierten Fernerkundungsdaten gehen in eine Change Detection Analyse auf Basis einer Post-Klassifikations-Technik ein. Der demographische und sozioökonomische Wandel auf der Insel wird auf Gemeindeebene mittels Daten über die Entwicklung der Einwohner, der Beschäftigten in den einzelnen Sektoren und der Touristen in räumliche Informationen transformiert. Die komplexe Modellierung der künftigen Dynamik der Siedlungen auf Teneriffa basiert auf einem integrativen Ansatz von Geographischen Informationssystemen (GIS) und Zellulären Automaten (ZA). Die Datengrundlage bilden sowohl sozioökonomische als auch naturräumliche Parameter, die über Korrelationsanalysen eruiert wurden. Die bimodale Struktur des Modells MOST (Model of settlement dynamics on Tenerife) erlaubt in einem ersten Schritt die Generierung einer Eignungskarte für potenzielle Siedlungsflächen auf deren Grundlage die eigentliche Simulation künftiger Siedlungsentwicklungen durch Zelluläre Automaten erfolgt. Die Gewichtung wird auf der Grundlage von multikriteriellen Entscheidungsverfahren (MKE) für die einzelnen Parameter innerhalb des Modells abgeleitet. Die Kalibrierung dieser Parametereinstellungen findet mit Hilfe eines unabhängigen Datensatzes für den Zeitraum 1978 bis 1988 statt und basiert auf mehreren Modelldurchläufen mit unterschiedlichen Entscheidungsstrategien. Auf der Grundlage der gewichteten Parameter wird eine Simulation für das Jahr 2026 durchgeführt. Die Evaluierung des Modells erfolgt auf der Basis eines Vergleichs der modellierten Siedlungszellen, ausgehend von 1988 für das Jahr 2002 mit den Klassifikationsergebnissen. 1 Dr. Simone NAUMANN und Prof. Dr. Alexander SIEGMUND, Pädagogische Hochschule Heidelberg, Abteilung Geographie; Im Neuenheimer Feld 561, Heidelberg, Deutschland, Tel Fax ; naumann@ph-heidelberg.de; siegmund@ph-heidelberg.de 41

2 1. Einleitung Die Kanareninsel Teneriffa erfährt seit den touristischen Anfängen in den 1960er Jahren einen stetig wachsenden Tourismusboom. Während beispielsweise 1978 noch 1,3 Mio. Touristen die Insel besuchten, wurden im Jahr 2006 bereits knapp 5,5 Mio. Touristen gezählt (Instituto Canario de estatistica, ISTAC 2007). Diese Entwicklung des Massentourismus hat zu erheblichen sozioökonomischen Veränderungen von einer ehemaligen agrarisch geprägten Gesellschaft zu einer Dienstleistungsgesellschaft geführt. Im Jahr 2002 arbeiteten mehr als 75% der Bevölkerung Teneriffas im Tourismussektor, 1978 waren es nur 56%. Mit diesem sozioökonomischen Wandel auf Teneriffa gehen weit reichende Folgen für den Natur- und Kulturraum einher, die sich u.a. in den räumlich differenzierten Veränderungen der Landbedeckung und -nutzung zeigen. Von diesen anthropogenen Veränderungen sind in besonders starkem Maße die Fußstufe und die mittleren Höhenlagen des Inselraumes betroffen, die zunehmend durch eine Konzentration teils interdependenter Nutzungsansprüche gekennzeichnet sind. Die wirtschaftlichen Veränderungen durch den Massentourismus führen zu regionalen Disparitäten zwischen den wachstumsorientierten Küstenräumen, vor allem im Süden der Insel und den durch die topographische Lage für den Tourismus weniger begünstigten höheren Lagen sowie der nördlichen Inselbereiche. Die Migration von den wirtschaftlich benachteiligten ländlichen Räumen in die städtischen (Tourismus)-Zentren führt einerseits zu einer ansteigenden Aufgabe an landwirtschaftlich genutzten Flächen und andererseits zu einer zunehmenden Versiegelung der Landschaft durch die Expansion der Siedlungen und sonstiger vor allem touristisch bedingter Infrastruktur (z.b. Straßen). Neben der begrenzten räumlichen Ausdehnung des insularen Raumes per se werden dabei aufgrund der morphologischen und klimatischen Gegebenheiten hauptsächlich die Fuß- und Mittelstufe der Insel besiedelt. Auf der Grundlage der Verknüpfung von Topographie sowie Landbedeckung und Landnutzung mit sozialwissenschaftlichen und ökonomischen Daten, sollen historische Siedlungsexpansionen untersucht und die künftige Entwicklung anhand von Szenarien modelliert werden. Die Identifikation der verschiedenen Landbedeckungs- und Landnutzungsklassen auf Teneriffa und in ausgewählten Teilräumen erfolgt mit Hilfe von Satellitenbilddaten des Typs Landsat (1978, 2002) (vgl. Abbildung 1). Die flächendeckende Klassifikation wird durch die Kombination von Fernerkundungsdaten und geographischen Daten in der Umgebung eines Geographischen Informationssystems (GIS) unter Zuhilfenahme eines objektorientierten Klassifikationsalgorithmus durchgeführt. Mittels einer Post-Klassifikations-Analyse werden die räumlichen Veränderungen der Landbedeckungs- und Landnutzungsklassen im Zeitraum von detektiert (change detection). Neben den aus der Veränderungsanalyse gewonnenen Daten über die Verbreitung und die Modifikationsrate der Landbedeckung und -nutzung nimmt die zeitliche Veränderung von sozioökonomischen Parametern auf Teneriffa eine wichtige Bedeutung ein. Die Kombination von naturräumlichen geokodierten Daten mit demographischen und wirtschaftlichen Informationen bietet somit die Möglichkeit, den insularen Raum sowohl auf der Grundlage der Dynamik der Landbedeckungs- und Landnutzungsklassen als auch auf Basis der Entwicklung von Bevölkerungs-, Betten- und Beschäftigtenzahlen zu analysieren. Die anthropogen induzierten Veränderungen der Natur- und Kulturlandschaft Teneriffas können dadurch in Beziehung zum sozioökonomischen Wandel gesetzt werden. 42

3 Datengrundlage Basisdaten I Geologie, Boden, Klima, Topographie, LCLU-Kartierung Basisdaten II Beschäft. i. Sektoren, Bettenzahlen, Bevölkerungsentw. Satellitenbilddaten Landsat 3 MSS (1978) Landsat 7 ETM+ (2002) Modellierung Klassifikation und Datenaufbereitung change detection Segmentierung, objektorientierte Klassifikation Korrel.-analyse, Multikriterielle Entscheidung Digitalisierung, Geom. Korrektur Flächenbilanz, Veränderungsanalyse Landbedeckungsund Landnutzungsklassen 1978, 2002 Modellaufbau, Kalibrierung Geom. Korrektur, Histogrammanalyse, PCA Simulation Siedlungszellen 2026 für Tenerife Abb. 1: Ablauf und Strukturierung zur Modellierung der potenziellen Siedlungsentwicklung auf Teneriffa im Jahr 2026 (Quelle: Eigene Darstellung) Auf der Basis von Korrelationsanalysen werden naturräumliche und sozioökonomische Parameter definiert, die einen signifikanten Einfluss auf die historische Siedlungsdynamik aufweisen. Unter der Annahme, dass sich die bisherigen Trends in Zukunft weiter fortsetzen, erfolgt die Einbindung der ausgewählten Parameter unter verschiedenen multikriteriellen Entscheidungsverfahren in die Struktur des Modells zur Siedlungsentwicklung auf Teneriffa bis zum Jahr Das Modell MOST (Model of settlement dynamics on Tenerife) stellt eine Kombination von Zellulären Automaten (ZA) und multikriteriellen Entscheidungsverfahren (MKE) dar und bietet somit die Möglichkeit, ein raumbezogenes Szenario für die Siedlungserweiterung zu generieren. 43

4 2. Datengrundlage Die Datenbasis für die Modellierung der Siedlungsentwicklung auf Teneriffa bis zum Jahr 2026 stellt die Analyse der historischen Veränderungen der Landbedeckung und -nutzung dar, die mit Hilfe von Fernerkundungsdaten durchgeführt werden. Zur flächendeckenden Klassifikation der gesamten Insel dienen Satellitenbilddaten des Typs Landsat 3 MSS ( ) und Landsat 7 ETM+ ( ). Die überwachte Klassifizierung der Satellitenbilddaten stützt sich u.a. auf Trainingsflächen der einzelnen Landbedeckungs- und Landnutzungsklassen. Insgesamt werden 265 Geländeaufnahmen vom März und August der Jahre 2002, 2003 und 2004 mit einer Mindestgröße von 30 x 30 m in den eigentlichen Klassifikationsprozess integriert, zusätzliche Biotop- und Landnutzungskartierungen dienen der anschließenden Genauigkeitsüberprüfung der Klassifikationsergebnisse (accuracy assessment). Das gewählte Klassifikationsverfahren auf der Basis eines objektorientierten Algorithmus sowie die eigentliche Modellierung der Siedlungsentwicklung bedürfen der Erfassung und Einbindung von weiteren geographischen Daten. Bereits vorhandenes analoges Kartenmaterial zur geologischen und bodenkundlichen Ausstattung des Untersuchungsraumes wird durch eine digitale Überführung in den Analyseprozess implementiert. Die topographischen Charakteristika der Insel, die durch den Pico del Teide (3 718 m) als höchste Erhebung im Nordatlantik geprägt werden, erfahren durch die Generierung eines Digitalen Geländemodells (DGM) einen besonderen Stellenwert. Dazu wurden für die gesamte Insel die Isohypsen auf der Grundlage der Topographischen Karten 1: mit einem Vertikalabstand von 100 m digitalisiert und aus den resultierenden Höhenpunkten ein DGM interpoliert. Aus den Höhenwerten des Modells werden Exposition und Hangneigung berechnet. Die sozioökonomischen Parameter, die zur Modellierung der Siedlungsentwicklung herangezogen werden, basieren auf statistischen Daten auf Gemeindebene. Auf der Grundlage der räumlichen Verortung konnten Daten zu Bevölkerung, Bettenanzahl und Beschäftigtenzahlen sowie deren zeitliche Veränderungen in ein Geographisches Informationssystem (GIS) als Vektordatensätze integriert werden. 3. Methodik Die Vorarbeiten zur Modellierung der Siedlungsentwicklung auf Teneriffa bis zum Jahr 2026 umfassen drei wesentliche Arbeitschritte (vgl. Abbildung 2): Neben der Untersuchung der Veränderungen hinsichtlich verschiedener sozioökonomischer Daten, erfolgt auf der Basis von Satellitenbilddaten von zwei unterschiedlichen Zeitpunkten eine Klassifikation der Landbedeckung und -nutzung sowie eine sich anschließende Change Detection Analyse. Korrelationsanalysen und multikriterielle Entscheidungsverfahren werden herangezogen, um die für die Siedlungsentwicklung bedeutenden Parameter zu ermitteln und zu gewichten. Die Modellstruktur ist bimodal aufgebaut und erlaubt somit in einem ersten Schritt die Generierung eines Eignungsrasters für potenzielle neue Siedlungsflächen und im Anschluss die iterative Simulation der Siedlungsentwicklung auf der Grundlage eines Zellulären Automaten. Die Modellkalibrierung umfasst einen Teilbereich der multikriteriellen Entscheidungsverfahren und wird mit Hilfe eines unabhängigen Datensatzes ( ) durchgeführt. Bei der abschließenden Validierung des Modells MOST (Model of settlement dynamics on Tenerife) werden die modellierten Ergebnisse für den Zeitraum mit einer Landbedeckungs- und Landnutzungskarte quantitativ und qualitativ hinsichtlich der modellierten und klassifizierten Siedlungsflächen verglichen. 44

5 Modellaufbau Bewertung und Datengrundlage Gewichtung Analyse Veränderung sozioökonomische Bedingungen Teilmodell I Generierung eines Eignungsrasters für pot. neue Siedlungsflächen Korrelationsanalyse Ermittlung von Eingangsparametern Auswahl von multikriteriellen Entscheidungsverfahren Analyse Change Detection Landbedeckung und -nutzung Teilmodell II Simulation der Siedlungsentwicklung mit einem zellulären Automaten MOST (Model of settlement dynamics on Tenerife) Ergebnisse und Evaluation Simulation Siedlungsflächen Modellkalibrierung Siedlungsflächen Modellvalidierung Siedlungsflächen Abb. 2: Struktureller Ablauf zur Modellierung der Siedlungsentwicklung (Quelle: Eigene Darstellung) 3.1 Objektorientierte Klassifikation der Fernerkundungsdaten Vor der eigentlichen Klassifikation der Fernerkundungsdaten werden die Satellitenbilder der verschiedenen Plattformen und der einzelnen Aufnahmezeitpunkte verschiedene Korrekturen und Analysen unterzogen. Im Rahmen dieser Vorverarbeitung erfolgt eine radiometrische und geometrische Korrektur, so dass die Daten einheitlich im Bezugsystem UTM, Zone 28 vorliegen. Zur Ermittlung der spektralen Informationen, die in den einzelnen Kanälen der Satellitenbilddatensätze enthalten sind und zur Generierung von optimierten Daten für die anschließende objektorientierte Klassifizierung, werden vorab Histogramm- und Hauptkomponentenanalysen durchgeführt. Bisherige Erfahrungen im Bereich der pixelbasierten Klassifikationsalgorithmen zeigten für den landschaftlich heterogenen und topographisch stark reliefierten Untersuchungsraum Teneriffa im Rahmen einer Landschaftsanalyse unzureichende Ergebnisse. Die Verwendung eines Maximum Likelihood Algorithmus zur Klassifikation einer Satellitenbildszene des Typs Landsat 5 führte bei der anschlie- 45

6 ßenden Validierung zu einer Gesamtgenauigkeit von 90,21%. Im Vergleich dazu ergab sich mit Hilfe von Support Vector Machines (SVM) eine Genauigkeit von 93,32%, mit einem Iterative Conditional Mode-Algorithmus (ICM) konnten lediglich 88,55% der Pixel korrekt klassifiziert werden (NAUMANN 2001, KEUCHEL et al. 2003). Die geringe Klassifikationsgenauigkeit im Bereich einzelner Klassen, das Auftreten des sog. salt-andpepper -Effekts und der fehlende Objektbezug der durchgeführten pixelbasierten Klassifikationen führten zu einer objektorientierten Klassifikation der vorliegenden Satellitenbilddaten, der eine multiresolutionale Segmentation und anschließende Klassenzuweisung der Objekte zugrunde liegt. Im Gegensatz zu den pixel-basierten Mustererkennungsalgorithmen, erfolgt bei objektorientierten Klassifikationsansätzen keine klassische Zuordnung von einzelnen Pixeln zu einer Klasse. Vielmehr wird das Bild durch ein heuristisches Verfahren in relativ homogene Segmente (Objekte, Regionen) zerlegt, die nachbarschaftliche Gemeinsamkeiten bezüglich spektraler oder textureller Eigenschaften besitzen. Die anschließende Klassifikation fußt auf einem wissensbasierten Entscheidungsbaum, wobei entweder über Fuzzy-Logik basierte Zugehörigkeitsfunktionen und/oder über Nearest-Neighbour-Funktionen klassifiziert werden kann (BLASCHKE 2000). Basierend auf einem top-down -System, einer Vorwärtsverkettung, erfordert die Klassifikation einen hierarchischen, regelbasierten Aufbau. Mit Hilfe eines Entscheidungsbaumes werden Eigenschaften, beginnend bei der Ausgabeklasse, über Entscheidungsäste, die sich an Entscheidungsknoten verzweigen, weiter nach unten in finalen Klassen vererbt (vgl. Abbildung 3). Ein zusätzlicher Vorteil der mit ecognition durchgeführten Klassifikation ist die direkte Einbindung von zusätzlichen Daten (Kolateraldaten), wie beispielsweise Höhe oder Exposition, so dass zusätzliche Trennungskriterien für Klassen herangezogen werden (vgl. ABKAR, SHARIFI, MULDER 2000). Ausgangsdaten: Landsat 7 ETM+ Szene vom Kollateraldaten: Höhe, Exposition, Hangneigung, Geologie, Klima Meer Sonst. Level 4 P. radiata Tabaibal (E. balsamifera) P. can. (offen) P. can. (dicht) Tabaibal (E. broussonetii) Pinar Tabaibal Brandungszone Therm. Trockenwald Cardonal Subtr. Halbwüstenform. Strand Fayal, Brezal Adenocarpus Park Sonst. Sonst. Bebauung Cistus Retamar, Codesar Lavastrom (Phonolith) Flughafen Straße Wolken Violeta ve getationslos Wasserreservoir Laurisilva Landw. Nutzfl. Landw. Nutzfl. (u. Folie) Level 3 Level 2 Level 1 Abb. 3: Hierarchie der objektorientierten Klassifikation für die Landsat-Szene vom von Teneriffa. (Quelle: Eigene Darstellung) Die Datenbasis für die Segmentation und anschließende Klassifikation der Satellitenbilddaten von Teneriffa bilden die ersten beiden Hauptkomponenten und der abgeleitete Vegetationsindex NDVI. Zusätzliche Eingangsdaten umfassen geographische Kollateraldaten wie Höhe, Exposition und Hangneigung sowie Geologie und Klima (jährliche Durchschnittstemperatur und Niederschlag). Die der Klassifikation zugrunde liegende Segmentierung erfolgt bei allen Untersuchungsräumen multiskalar (multiresolution segmentation) in Form eines Region-Merging-Verfahrens. Mit Hilfe eines bottomup -Ansatzes werden, ausgehend von der kleinsten erstellten Objektgröße bei jedem Segmentierungs- 46

7 schritt auf der Grundlage von definierten Homogenitätskriterien Objekte zu größeren zusammengefasst. Damit wird gewährleistet, dass die unterschiedlich großen Klassen in einzelnen Segmentierungsebenen optimal dargestellt werden. 3.2 Veränderungsanalyse der Landbedeckungs- und -nutzungsklassen Die Detektion der Veränderungen der Landbedeckung und -nutzung auf Teneriffa zwischen 1978 und 2002 basiert auf der Verschneidung des jeweiligen klassifizierten Bildpaares. Wesentlicher Vorteil dieses Post-Klassifikationsverfahrens gegenüber Methoden, die auf den unklassifizierten Fernerkundungsdaten beruhen, ist die direkte Identifizierung und Quantifizierung der Veränderungen in Klassen. Auf der Grundlage von Matrizen werden die Einzel-Klassifikationen einander gegenübergestellt und Flächenbilanzierungen für die einzelnen Zeitpunkte berechnet. Zur Gewährleistung der statistischen Vergleichbarkeit wird der Flächenbilanzierung und Kreuztabellierung eine Ausmaskierung der Wolken auf beiden Bildern vorangestellt. 3.3 Ermittlung und Gewichtung von Kriterien zur Modellierung der Siedlungsentwicklung auf Teneriffa Im Anschluss an die Analyse der historischen Veränderungen der Landbedeckung und Landnutzung ( ) und der daraus abgeleiteten Klassen, die für die Siedlungsdynamik entscheidend sind, erfolgt die Auswahl von sozioökonomischen und topographischen Parametern, die Einfluss auf die künftigen Erweiterungen haben. Zur Festlegung der einzelnen Parameter werden Korrelationsanalysen herangezogen. Die Untersuchungen basieren dabei auf einer Gegenüberstellung der Parameter der Landbedeckungs- und Landnutzungsänderungen mit den physisch-geographischen Faktoren (Höhe, Hangneigung und Exposition) sowie den sozioökonomischen Variablen (Bevölkerung, Bettenanzahl und Beschäftigte insgesamt sowie in den einzelnen Sektoren). Die sozioökonomischen Parameter und deren Veränderungen im Zeitraum von 1978 bis 2002 werden auf Gemeindeebene in Prozentangaben in die Korrelationsanalyse integriert. Die physisch-geographischen Faktoren Höhe, Hangneigung und Exposition finden durch die Berechnung des Anteils der einzelnen Parameter an der Gesamtfläche der einzelnen Gemeinden Eingang in die Untersuchung. Das Ziel der Analyse ist die Bestimmung des wechselseitigen Zusammenhangs zwischen den naturräumlichen und sozioökonomischen Daten auf Teneriffa mit der Veränderung der Landbedeckung und -nutzung zwischen 1978 und Die Beziehung der Merkmale wird mit Hilfe des Rangkorrelationskoeffizienten nach Spearman unter Zuhilfenahme der Software SPSS getestet. Die Gewichtung und/oder Verschneidung der verschiedenen Eingangsparameter für das Modell erfolgt auf der Grundlage unterschiedlicher multikriterieller Entscheidungsmethoden (MKE): Bool sche Verknüpfung (Boolean Intersection), Analytischer Hierarchieprozess (Analytic Hierarchy Process, AHP) und Ordered Weighted Averaging (OWA). Die Bool sche Verknüpfung kommt bei der Generierung einer Ausschlusskarte auf Basis der Inhibitoren Höhe, Hangneigung und Schutzgebiete zum Einsatz. Im Rahmen dieses Verfahrens wird eine einfache multiplikative Verschneidung mit den Werten 0 (keine Bebauung möglich) und 1 (Bebauung möglich) erstellt. Die aus der Korrelationsanalyse als signifikant für das Siedlungswachstum hervorgehenden sozioökonomischen Parameter sowie die Landbedeckung und -nutzung werden in einem Analytischen Hierarchieprozess (AHP) in einer paarweisen Vergleichsmatrix gegenübergestellt. Das kompositionelle Verfahren wurde in den 1970er Jahren zur Unterstützung von komplexen Entscheidungsproblemen entwickelt und ist eine Variante der Nutzwertanalyse mit einer erweiterten Zielhierarchie als Ausgangspunkt (vgl. JANSSEN, RIETVELD 1990, PEREIRA, DUCKSTEIN 1993, SAATY 1997, WEEKARON 2002). Charakteristisch für die AHP-Methode ist, dass die Bewertungskriterien top-down in einer Hierarchie strukturiert und anschließend bottom-up durch Paarvergleiche relativ zueinander gewichtet und bewertet werden (EASTMAN et al. 1995). Jede potenzielle Paarung von Kriterien wird auf der Grund- 47

8 lage einer neunstufigen kontinuierlichen Skala hinsichtlich des Maßes der Wichtigkeit in Bezug auf das Ziel bewertet (vgl. Tabelle 1). weniger wichtig mehr wichtig 1/9 1/7 1/5 1/ extrem sehr viel viel etwas gleich etwas viel sehr viel extrem Tab. 1: Neunstufige Bewertungsskala in dem Analytischen Hierarchieprozess (AHP) (Quelle:Eigene Darstellung, verändert nach SAATY, VARGAS, 2001) Die resultierenden Gewichte durch den paarweisen Vergleich finden anschließend Eingang in die OWA, in der eine Reihenfolge der Zielerträge festgelegt wird. Im Gegensatz zur gewichteten linearen Kombination (WLC) erfolgt die Gewichtung im Rahmen der Ordered Weighted Averaging-Methode (OWA), die ebenfalls als Erweiterung der Nutzwertanalyse angesehen werden kann (YAGER 1998), nicht nur qualitativ über die Mittelwertsbildung der Gewichte (VOOGD 1983), sondern zusätzlich über Ordnungsgewichte, mit deren Hilfe die Kriterien auch nach der Reihenfolge ihrer Ausprägung gesetzt werden (MENDES, MOTIZUKI 2001). Durch Verwendung von zwei unterschiedlichen Arten von Gewichten bei der OWA können das Entscheidungsrisiko sowie die Substituierbarkeit und damit die Kompensation der Entscheidungskriterien gesteuert werden (HOCEVAR, RIEDL 2003). Die erste Art von Gewichten gleicht der WLC-Methode und zielt auf die einzelnen Parameter. Die zweiten Gewichte basieren auf der Rangfolge, die den Parametern zugewiesen wird. Auf diese Weise erhält der Parameter mit der niedrigsten Gewichtung (WLC) in der Rangfolge eine erste Position (Ordnungsgewicht), der Parameter mit der nächsthöheren Punktzahl erhält den zweiten Rangfolge-Platz etc. Erfolgt die Belegung der Ordnungsgewichte bei drei Kriterien beispielsweise mit {1;0;0} wird eine Risikoaversion erzeugt, da dem Kriterium mit minimaler Ausprägung das gesamte Gewicht zugeordnet wird (Pessimisten-Regel). Bei der Rangfolge {0;0;1} der Ordnungsgewichte wird diejenige Alternative als optimal angesehen, bei der die höchste Attributsausprägung am größten ist (Optimisten-Regel). Einer einfachen additiven Gewichtung entsprechen die Ordnungsgewichte {0,33;0,33;0,33}, die jeder Position der Kriterienreihenfolge das gleiche Gewicht zuordnen und dadurch die volle Kompensation der Kriterien ermöglichen (WLC-Methode). Die Reihenfolge der einzelnen Ordnungsgewichte trägt somit entscheidend zur Bestimmung des Risikoverhaltens bei und wird über eine Kalibrierung des gesamten Modells MOST unter Zuhilfenahme eines unabhängigen Datensatzes ( ) eruiert (NAUMANN 2001). 3.4 Simulation der Siedlungsexpansion unter Verwendung eines Zellulären Automaten Die Modellierung der räumlichen und zeitlichen Dynamik der Siedlungsentwicklung auf Teneriffa erfordert den Einsatz von Zellulären Automaten. Auf der Grundlage der Software MapModels kann durch die Integration des Zellulären Automaten in einem Geographischen Informationssystem (GIS) die Berechnung von Zuständen und Zellumgebungen im Rahmen der Map-Algebra nach TOMLIN (1990) genutzt werden (vgl. COUCLELIS 1997, TAKEYAMA, COUCLELIS 1997). Die unter ArcView laufende Erweiterung der visuellen Programmiersprache ermöglicht mittels einer auf Flowcharts aufgebauten Benutzerschnittstelle die Durchführung von explorativen Analysen und adhoc- Modellierungen in Form von iterativen Simulationen (HOCEVAR, RIEDL 2003). Die Flussdiagramme dienen dabei der Steuerung und Dokumentation des Analyseprozesses und können direkt ausgeführt werden (RIEDL 1999). Die Modellbausteine agieren als Knoten in einem gerichteten Graphen und verfügen über die Funktion frei definierbare Eingabedaten in die jeweiligen Ausgabedaten zu transformieren (PLUTZAR et al. 1999). Die Struktur des unter MapModels erzeugten Modells der Siedlungsentwicklung MOST ist bimodular aufgebaut, in dem basierend auf den unterschiedlichen positi- 48

9 ven Einflussgrößen (Faktoren) und den Inhibitoren ein Eignungsraster (Teilmodell I) berechnet wird, das den einzelnen Iterationen im Rahmen des Zellulären Automaten (Teilmodell II) voraus geht (vgl. Abbildungen 4 und 5). GetGrid InTheme={Teilmodell_I, Siedlung_2002} Euclidean Distance Max Distance = m Fuzzify thefmf={0@1, 750@0.5,1500@0} GetGrid InTheme={Basisdaten, Landnutzung_Gewichtet} and (*) NumericConstant Const=1 GetGrid InTheme={Basisdaten, Bevoelkerung_Gewichtet} GetGrid InTheme={Basisdaten, Tourist_Infrastr_Gewichtet} Analytical Hierarchy Process (AHP) Ordered Weighted Averaging Overlay (OWA) GetGrid InTheme={Basisdaten, Dienstl_Sektor_Gewichtet} GetGrid InTheme={Basisdaten, Hoehe_binär} GetGrid InTheme={Basisdaten, Hangneigung_binär} and (*) Conversion Float to Integer Show in View outtheme={teilmodell_i, Eignungsraster 2003} GetGrid InTheme={Basisdaten, Schutzgebiete_binär} Abb. 4: Teilmodell I zur Generierung eines Eignungsrasters für potenziell neue Siedlungsflächen(Quelle: Eigener Entwurf) Das Eignungsraster (Teilmodell I) dient als Entscheidungsgrundlage für das Wachstum der Siedlungen und wird für jeden Modelldurchlauf auf der Grundlage der Ergebnisse der Veränderungsanalysen der Landbedeckung und -nutzung, der Korrelationsanalyse und der verschiedenen multikriteriellen Entscheidungsanalysen neu berechnet. Zur Umsetzung der Modellannahme hinsichtlich der größten Wahrscheinlichkeit von Siedlungserweiterungen im unmittelbaren Umkreis von bereits bestehenden wird die euklidische Distanz für jede Rasterzelle mit dem Status Siedlung bis zur Maximalentfernung von 1,5 km zur nächstgelegenen Zelle, deren Wert ungleich No data ist berechnet. Der Übergang von hohen Wahrscheinlichkeiten bezüglich des Siedlungsausbaus bei geringer Entfernung hin zu geringen Wahrscheinlichkeiten in weiter entfernten Zellen wird durch eine lineare Fuzzy-Funktion über drei Stützpunkte generiert. Im Anschluss an die Gewichtung und/oder Verknüpfung der einzelnen Parameter mit Methoden der MKE erfolgt die Ausgabe eines Eignungsrasters, das die Basis für Teilmodell II darstellt. 49

10 GetGrid InTheme={Teilmodell_I, Siedlung_2002} Focal Statistics Neighbours=Circle (1, Cells) NbrHood Circle theradius=1 Distance Unit=Cells Reclassify ReclassList={1:100=1, No Data=0} and (+) GetGrid InTheme={Teilmodell_I, Eignungsraster 2003} Reclassify ReclassList={0, No Data =No Data, 1:999=1} LookUp thefield=count Cells NumericConstant Const=17053 Local Compare leftside rightside if true=1; false=0 Show in View outtheme={teilmodell_ii, Siedlung_2003} Abb. 5: Teilmodell II zur Simulation der Siedlungsentwicklung mit einem Zellulären Automaten. (Quelle: Eigener Entwurf) Der Wachstumsprozess für Siedlungsflächen selbst ist abhängig von dem Status der Zelle und im Sinne eines Zellulären Automaten auch von der Nachbarschaft der betrachteten Zelle. Im vorliegenden Modell wurde eine Moore-Nachbarschaft mit dem Radius r = 1 unter Einbezug der Diagonalen mit acht Nachbarn verwendet, in der die Zellen unabhängig voneinander agieren. Befindet sich innerhalb dieser Nachbarschaft der Zelle mindestens eine Siedlungszelle aus dem vorangegangenen Jahr bzw. aus dem letzten Iterationsschritt, dann ist die betrachtete Zelle potenziell dazu geeignet eine neue Siedlungszelle zu werden. Insgesamt sind im Modell drei Bedingungen implementiert, die eine Zustandsänderung der Zelle verhindert: Die Zelle enthält keine Daten, die Zelle ist bereits eine Siedlungszelle oder die Zelle vertritt eine Landnutzungsklasse, die keine Änderung in eine Siedlungszelle erlaubt, wie z.b. Meer. Der Simulationszeitraum umfasst die Jahre , wobei 2002 das Bezugsjahr darstellt, für das die Startbedingungen der Simulation definiert werden. Die Validierung des Modells erfolgt auf der Grundlage des Simulationszeitraumes zwischen 1988 und 2002, indem der Modellaufbau und die Gewichtung der einzelnen Parameter auf der Basis der Kalibrierung konstant gehalten werden und die Eingangsparameter Siedlungen und Landnutzung auf den neuen Ausgangsdatensatz angepasst werden. 50

11 4. Ergebnisse 4.1 Multitemporale Landbedeckungs- und Landnutzungsklassifikation von Teneriffa Die Verwendung eines objektorientierten Klassifikationsalgorithmus ermöglichte die Ausweisung von insgesamt 27 Landbedeckungs- und Landnutzungsklassen auf Teneriffa für die beiden Untersuchungszeitpunkte 1978 und 2002 (vgl. Abbildungen 6 und 7) N km Meer Brandungszone Strand Subtr. Halbwüstenformation Tabaibal (Euphorbia balsamifera) Tabaibal (Euphorbia broussonetii) Cardonal (Euphorbia canariensis) Cistus Adenocarpus Therm. Trockenwald Fayal, Brezal Laurisilva Pinus radiata Pinus canariensis (offen) Pinus canariensis (dicht) Retamar, Codesar Lavastrom (Phonolith) Violeta vegetationslos Wolken Landw. Nutzfläche Landw. Nutzfläche (unter Folie) Wasserreservoir Park Bebauung Flughafen Straße Landstraße Bundesstraße Abb. 6: Objektorientierte Landbedeckungs- und Landnutzungsklassifikation von Teneriffa 1978 (Quelle: Eigene Darstellung) Die Klassifikationsergebnisse zeigen durch die räumliche Lage der einzelnen Vegetationsformationen eine klima- und damit höhenabhängige vertikale Verteilung ein wesentliches Charakteristikum der heterogenen Landschaft der Insel. 51

12 N km Meer Brandungszone Strand Subtr. Halbwüstenformation Tabaibal (Euphorbia balsamifera) Tabaibal (Euphorbia broussonetii) Cardonal (Euphorbia canariensis) Cistus Adenocarpus Therm. Trockenwald Fayal, Brezal Laurisilva Pinus radiata Pinus canariensis (offen) Pinus canariensis (dicht) Retamar, Codesar Lavastrom (Phonolith) Violeta vegetationslos Wolken Landw. Nutzfläche Landw. Nutzfläche (unter Folie) Wasserreservoir Park Bebauung Flughafen Straße Landstraße Bundesstraße Autobahn Abb. 7: Objektorientierte Landbedeckungs- und Landnutzungsklassifikation von Teneriffa 2002 (Quelle: Eigene Darstellung) 4.2 Veränderungsanalyse der Landbedeckungs- und Landnutzungsklassen Mit Hilfe der Post-Klassifikationsmethode wurden die Einzel-Klassifikationen des Gesamtuntersuchungsraumes Teneriffas auf der Basis von Matrizen einander gegenübergestellt, um Veränderungen quantitativ zu erfassen (vgl. NAUMANN, SIEGMUND 2004). Die Landbedeckungs- und Landnutzungsklassen Cistus, Adenocarpus, Fayal, Brezal, Pinus radiata, Pinus canariensis (dicht), vegetationslos und Straße weisen einen leichten Flächenzuwachs um 0,2% bis 0,67% auf. Am stärksten vergrößert haben sich die Areale der Klassen Tabaibal (Euphorbia balsamifera) und Bebauung mit 2,96 bzw. 4,48% der gesamten Insel. Einen Rückgang (2,8-4,5%) verzeichnen die Flächen der Klassen Cardonal (Euphorbia canariensis), Landwirtschaftliche Nutzfläche und die Vegetationsklasse Pinus canariensis (offen). Alle übrigen Landbedeckungs- und Landnutzungsklassen weisen nur geringfügige flächenmäßige Veränderungen auf. Eine weiterführende Kreuztabellierung gibt Aufschluss über die Umwidmung von Klassen bzw. die Zusammensetzung der aktuellen Klassen durch Klassen von 1978 (vgl. Abbildung 8). 52

13 100% 80% M M M M 60% Flächenanteil 40% 20% 0% Brandungszone Strand Subtr. Halbwüstenformation Tabaibal (Euphorbia balsamifera) Tabaibal (Euphorbia broussonetii) Cardonal (Euphorbia canariensis) Cistus Adenocarpus Therm. Trockenwald Fayal, Brezal Laurisilva Pinus radiata Pinus canariensis (offen) Pinus canariensis (dicht) Retamar, Codesar Lavastrom Violeta vegetationslos Landw. Nutzfläche Landw. Nutzfläche (unter Folie) Wasserreservoir Park Bebauung Flughafen Straße Brandungszone Strand Subtr. Halbwüstenformation Tabaibal (Euphorbia balsamifera) Tabaibal (Euphorbia broussonetii) Cardonal (Euphorbia canariensis) Cistus Adenocarpus Therm. Trockenwald Fayal, Brezal Laurisilva Pinus radiata Pinus canariensis (offen) Pinus canariensis (dicht) Retamar, Codesar Lavastrom (Phonolith) Violeta vegetationslos Landw. Nutzfläche Landw. Nutzfläche (unter Folie) Wasserreservoir Park Bebauung Flughafen Straße Abb. 8: Zusammensetzung der Landbedeckungs- und Landnutzungsklassen von 2002 für Teneriffa aus Klassen von 1978 (Quelle: Eigener Entwurf) Die Klasse Tabaibal (Euphorbia broussonetii) setzt sich zu knapp 25% aus ehemaligen Flächen der Klasse Cardonal (Euphorbia canariensis) und zu ca. 19% aus ehemals landwirtschaftlich genutzten Flächen (Landwirtschaftliche Nutzflächen (unter Folie)) zusammen. Auch die Klasse Cardonal (Euphorbia canariensis) von 2002 greift auf Flächen der Klasse Landwirtschaftliche Nutzfläche und Landwirtschaftliche Nutzfläche (unter Folie) zu und zeigt analog zu den Klassen Cistus und Adenocarpus durch den Anteil an der Klasse Pinus canariensis (offen) den Aspekt der Höherwanderung bzw. Verdrängung von Klassen. Der Zuwachs der Klasse vegetationslos resultiert zu über 42% aus ursprünglich landwirtschaftlich genutzten Arealen. 53

14 Die Klasse Bebauung, die von 1978 bis 2002 absolut gesehen um 228% an Fläche gewonnen hat, setzt sich zum überwiegenden Teil aus ehemaligen Flächen der Klassen Cardonal (Euphorbia canariensis), Landwirtschaftliche Nutzfläche und Landwirtschaftliche Nutzfläche (unter Folie), Tabaibal (Euphorbia balsamifera), Tabaibal (Euphorbia broussonetii) sowie Brandungszone zusammen, die alle ihre größte Verbreitung im Bereich der Fußstufe der Insel finden. Diese Umwandlung lässt sich durch sozioökonomische Analysen näher interpretieren: Durch den in den 1960er Jahren beginnenden Tourismusboom auf der Insel verlor die Landwirtschaft als Erwerbsquelle immer mehr an Bedeutung, wohingegen die Nachfrage nach Raum für touristische Infrastruktur (Hotels, Parks, Straßen) stieg. 4.3 Ermittlung und Gewichtung von Kriterien zur Modellierung der Siedlungsentwicklung auf Teneriffa Auf Basis der vorangegangenen Untersuchung der Zusammensetzung der Klasse Bebauung von 2002 aus Klassen von 1978 lassen sich Schlussfolgerungen ziehen, die eine Gewichtung der einzelnen Parameter erlauben. Die Klasse Bebauung setzt sich gemessen an der jeweiligen Gesamtfläche aus den Klassen Tabaibal (Euphorbia broussonetii) (13,6%), Landw. Nutzfläche (13,2%), Cardonal (Euphorbia canariensis) (8,2%), Brandungszone (8,1%), Tabaibal (Euphorbia balsamifera) (4,5%) und Landwirtschaftliche Nutzfläche (unter Folie) (3,5%) zusammen. Die übrigen Klassen weisen nur jeweils einen Anteil von unter 2,5% auf und gehen nicht weiter in die Modellierung und Gewichtung ein. Die Gewichtung der einzelnen Landnutzungsklassen, die als Parameter Eingang in das Teilmodell I finden und als potenzielle Bebauungsflächen anzusehen sind, erfolgt dementsprechend mit 0,27; 0,26; 0,16; 0,16; 0,09 und 0,07. Zur Bestimmung der einzelnen Parameter und folglich der Quantifizierung der Zusammenhänge zwischen Siedlungserweiterung und den möglichen Determinanten wurden Korrelationsanalysen herangezogen. Stärkere Zusammenhänge ergeben sich zwischen der bebauten Fläche und potenziellen Siedlungsflächen mit Veränderungen der Variablen Bevölkerung, Bettenanzahl und Beschäftigte im tertiären Sektor. Die Korrelation der Veränderungen der einzelnen Landbedeckungs- und Landnutzungsklassen mit den einzelnen Reliefparametern zeigt eine hohe Relevanz der Parameter Höhenstufen 0 bis m und Hangneigung 0 bis 25. Die Ergebnisse der Korrelationsanalysen lassen zwar Aussagen über die Stärke des Zusammenhangs zwischen den Variablen Beschäftigte im tertiären Sektor, Bevölkerung und Bettenanzahl auf die Siedlungsentwicklung zu, die Bedeutung der Landbedeckung und Landnutzung in diesem Zusammenhang ist allerdings nicht eindeutig. Aufgrund dessen wurden diese Faktoren in einem Analytischen Hierarchieprozess (AHP) in einer paarweisen Vergleichsmatrix gegenübergestellt. Bei einer Konsistenzmaßzahl von 0,053 resultierten aus der paarweisen Vergleichsmatrix unterschiedliche Gewichte, die anschließend Eingang fanden in die OWA. So weist die Landnutzung ein Gewicht von 0,51 auf, die Bettenanzahl (touristische Infrastruktur) 0,22, die Beschäftigte im tertiären Sektor 0,14 und die Bevölkerung 0,13. Die Reliefparameter Höhenstufen m und Hangneigung 0-25 werden als Inhibitoren in das Modell integriert. Demnach entstehen keine Siedlungen auf einer Höhe von über m oder an Hängen mit mehr als 25 Neigung. Das Ausschlusskriterium Schutzgebiete wird ebenfalls in zwei Klassen mit den Werten 0 und 1 umgesetzt (vgl. NAUMANN, SIEGMUND 2005). Im Anschluss an die Ermittlung der Gewichte der Parameter Landnutzung, Bettenanzahl (touristische Infrastruktur), Beschäftigte im tertiären Sektor und Bevölkerung erfolgt über eine Kalibrierung des gesamten Modells die Festlegung der Reihenfolge der so genannten Ordnungsgewichte mittels OWA für den Zeitraum 1978 bis Insgesamt wurden fünf verschiedene Szenarien und damit Ordnungsvariationen aufgestellt, die sich in ihrem Risikoverhalten und ihrer Substituierbarkeit unterscheiden. Dabei zeigten sich beim Simulationsdurchlauf auf Basis einer risikoneutralen Entscheidungsstrategie sowohl visuell, als auch bei Heranziehung der klassifizierten Zellen im Vergleich zum Klassifikationsergebnis von 1988 die besten Ergebnisse. Der Flächenzuwachs des Modells liegt nur um 7,3% unter dem tatsächlichen. Die Simulation der Siedlungsentwicklung von 2002 bis 2026 werden mit den Parametereinstellungen {0,1; 0,4; 0,4; 0,1} durchgeführt. 54

15 4.4 Simulation der Siedlungsexpansion unter Verwendung eines Zellulären Automaten Basierend auf einer Entscheidungsstrategie mit neutralem Risiko und teilweiser Substituierbarkeit erfolgt aufgrund der bimodalen Modellstruktur im Anschluss an die iterative Ausweisung eines Eignungsrasters (Ergebnis Teilmodell I) die räumliche Darstellung der potenziellen Siedlungszellen (Ergebnis Teilmodell II). Für das Zieljahr 2026 ergibt sich hinsichtlich der Siedlungsentwicklung ein räumlich stark differenziertes Bild (vgl. Abbildungen 9 und 10). Abb. 9: Eignungsraster für potenzielle neue Siedlungszellen für das Simulationsjahr 2026 (Quelle: Eigene Darstellung) In den südlichen und südwestlichen Gebieten der Insel wird eine Vielzahl an Flächen mit sehr hohem Risiko zur Siedlungsumwidmung ausgewiesen, was den bisherigen Trend widerspiegelt. In der Umgebung von Santa Cruz de Tenerife und der Universitätsstadt La Laguna auf der Hochebene wird demgegenüber ein leicht abgeschwächtes Risiko zur Entstehung von neuen Siedlungszellen simuliert. Der Hintergrund für diese Entwicklung dürfte auf das geringe Vorhandensein an geeigneten Landbedeckungs- und Landnutzungsflächen zurückzuführen sein. Ebenso zeigt der inhibitorische Reliefparameter Hangneigung und Schutzgebiete eine hohe Bedeutung, da die Hauptstadt mit den Hafen- und Industrieanlagen im Nordwesten am Fuß des Anagagebirges (Naturreservat) situiert ist. Puerto de la Cruz, im Orotavatal gelegen, weist lediglich eine geringe Anzahl an Gebieten mit mittlerem Risiko auf, was die Simulation auf Basis eines Zellulären Automaten 2026 mit der geringen Anzahl an neu entstandenen Siedlungszellen in diesem Bereich zeigt. Während sich aus der Veränderungsanalyse des Zeitraums eine Zunahme an Siedlungsflächen von 228% ergibt, ist auf der Grundlage der Simulation bis zum Jahr 2026 ein weiterer Zuwachs von 177% zu erwarten. 55

16 Abb. 10: Simulierte neue Siedlungszellen im Jahr 2026 auf Basis eines Zellulären Automaten (Quelle: Eigene Darstellung) Die Validierung des Modells MOST erfolgte auf Basis eines unabhängigen Datensatzes für den Zeitraum 1988 bis Visuell betrachtet ergaben sich gute Übereinstimmungen der simulierten Siedlungsexpansion mit der klassifizierten Szene von Die Ausmaße der modellierten größeren Siedlungen wie Santa Cruz de Tenerife und der Städte Los Christianos und Playa de la Américas im Süden der Insel kommen dem Klassifikationsresultat sehr nahe. Allerdings zeichnen sich im Modellergebnis kleinere Siedlungsflächen besonders entlang der südöstlichen und südwestlichen Küstenlinie nicht deutlich wieder, die in der Klassifikation von 2002 ausgewiesen sind. Ein Hauptgrund für diesen Gegensatz dürfte in der traditionellen Klassifikationsmethode des Datensatzes von 1988 liegen. Ein Vergleich der Flächenanteile zwischen klassifiziertem und modelliertem Ergebnis zeigt, dass in der klassifizierten Szene insgesamt ca. 5,1% mehr Siedlungszellen ermittelt wurden. 5. Schlussfolgerungen Grundsätzlich erweisen sich die verwendeten Methoden von der objektorientierten Klassifikation bis hin zu dem Zellulären Automaten als geeignet, die Siedlungsdynamik eines heterogenen Raumes wie die Insel Teneriffa für einen Zeitraum von 24 Jahren zu modellieren. Die Detektion der Landbedeckungs- und Landnutzungsklassen auf der Basis von Satellitenbilddaten unter Verwendung eines objektorientierten Klassifikationsansatzes kann im Vergleich zu den traditionell pixelbasierten Algorithmen dem Anspruch einer weiterführenden Landschaftsanalyse gerecht werden. Bei der Untersuchung des sozioökonomischen Wandels und den anschließenden Korrelationsanalysen zur Definition von signifikanten Parametern für die Landnutzungsänderungen und die Siedlungsentwicklung zeigt sich die räumliche und zeitliche Auflösung der derzeit zur Verfügung stehenden Daten in diesem Zusammenhang als problematisch. Zur Modellierung einer lagegetreuen Verortung der einzelnen Zellen im Rahmen der künftigen Siedlungserweiterung bedarf es einer höheren räumlichen 56

17 Auflösung der sozioökonomischen Daten. Diese liegen zurzeit nur auf Gemeindeebene vor. Die Anwendung von verschiedenen multikriteriellen Entscheidungsverfahren zur Gewichtung einzelner Modellparameter und zur Kalibrierung des Modells MOST zeigt Transparenz und erweist sich nach den Ergebnissen der Validierung bzw. Evaluierung als ein geeignetes Werkzeug für die Siedlungsmodellierung im Rahmen von Geographischen Informationssystemen. Literatur ABKAR, A.-A., SHARIFI, M. A., MULDER, N. J. (2000): Likelihood-based image segmentation and classification: a framework for the integration of expert knowledge in image classification procedures. In: Journal of applied earth observation and geoinformation, Bd. 2, H. 2, S BLASCHKE, TH. (2000): Objektextraktion und regelbasierte Klassifikation von Fernerkundungsdaten: Neue Möglichkeiten für GIS-Anwender und Planer. In: SCHRENK, M. (Hrsg.): Computergestützte Raumplanung, Wien, S COUCLELIS, H. (1997): From cellular automata to urban models: new principles for model development and implementation. In: Environment and Planning B: Planning and Design, Bd. 24, H. 2, S EASTMAN, J. R., WEIGEN, J., KYEM, P. A. K., TOLEDANO, J. (1995): Raster Procedures for Multi- Criteria/Multi-Objective Decisions. In: Photogrammetric Engineering & Remote Sensing, Band 61, Heft 5, S HOCEVAR, A., RIEDL, L. (2003): Vergleich verschiedener multikriterieller Bewertungsverfahren mit MapModels. In: SCHENK, M. (Hrsg.): Beiträge zum Symposium CORP 2003, Wien, S JANSSEN, R., RIETVELD, P. (1990): Multicriteria analysis and geographical information systems: An application to agriculture land use in the Netherlands. In: SCHOLTEN, H. J., STILLWELL, J. C. H. (Hrsg.): Geographical Information Systems for Urban and Regional Planning, Dordrecht, S KEUCHEL, J., NAUMANN, S., HEILER, M., SIEGMUND, A. (2003): Automatic land cover analysis for Tenerife by supervised classification using remotely sensed data. In: Remote Sensing of Environment, Bd. 86, H. 4, S MENDES, J., MOTIZUKI, W. (2001): Urban Quality of Life Evaluation Scenarios. In: CTBUH Review, Bd. 1, H. 2, S NAUMANN, S. (2001): Satellitengestützte Vegetations- und Landnutzungsanalyse von Tenerife (Kanarische Inseln) unter Einsatz eines Geographischen Informationssystems, Materialien zur Geographie, Bd. 33, Mannheim. NAUMANN, S., SIEGMUND, A. (2004): Object-oriented image analysis and change detection of landuse on Tenerife related to socio-economic conditions. In: Proceedings SPIE, Remote Sensing for Environmental Monitoring, GIS Applications, and Geology IV, Bd. 5574, S NAUMANN, S., SIEGMUND, A. (2005): Modeling of settlement-dynamics by change detection analysis of remotely sensed and socioeconomic data on Tenerife. In: RÖDER, A., HILL, J. (Hrsg.): Proceedings of the 1 st International Conference on Remote Sensing and Geoinformation Processing in the Assessment and Monitoring of Land Degradation and Desertification, 7-9 September, 2005, Trier, S PEREIRA, J. M. C., DUCKSTEIN, L. (1993): A multiple criteria decision-making approach to GIS-based land suitability evaluation. In: International Journal of Geographic Information Systems, Bd. 7, H. 5, S

18 PLUTZAR, C., MOSER, D., RIEDL, L., SAUBERER, N. (1999): Modellierung der potentiellen Verbreitung von Brutvögeln in Österreich mit MapModels. In: STROBL, J., BLASCHKE, TH. (Hrsg.), Angewandte geographische Informationsverarbeitung XI, Beiträge zum AGIT-Symposium Salzburg 1999, Heidelberg, S RIEDL, L. (1999): Leop s MapModels. User Manual version 1.1 beta, Wien. SAATY, T. L., VARGAS, L. G. (2001): Models, Methods, Concepts & Applications of the Analytic Hierarchy Process, Pittsburgh. SACHS, L. (1997): Angewandte Statistik, Berlin. TAKEYAMA, M., COUCLELIS, H. (1997): Map dynamics: integrating cellular automata and GIS trough Geo-Algebra. In: International Journal of Geographic Information Science, Bd. 11, H. 1, S TOMLIN, C. D. (1990): Geographic Information Systems and Cartographic Modelling, Englewood Cliff. VOOGD, H. (1983): Multicriteria Evaluation for Urban and Regional Planning, London. WEEKARON, K. G. P. K. (2002): Integration of GIS based suitability analysis and multicriteria evaluation for urban land use planning; contribution from the Analytic Hierarchy Process. In: 3 rd Asian Conference on Remote Sensing, Katmandu. YAGER, R. (1988): On Ordered Weighted Averaging aggregation operators in multi-criteria decision making. In: IEEE Transactions on Systems, Man and Cybernetics, H. 18, S