Landbedeckungsänderungen im Landkreis Breisgau-Hochschwarzwald und Freiburg zwischen 1990 und 2018

1 Einführung

Die Bundesrepublik Deutschland verzeichnet trotz stetiger Verbesserungen immer noch Landbedeckungsänderungen durch Versiegelung durch steigende Siedlungs- und Verkehrsflächen. Nach dem Umweltbundesamt hat sich zwischen 1992 und 2018 die Siedlungs- und Verkehrsfläche in Deutschland von 40.305 \(m^{2}\) auf 49.819 \(m^{2}\) vergrößert und ist damit um ca. 23,6 % angestiegen. Vor allem vollzog sich dieser flächenverbrauch zu Lasten der landwirtschaftlichen Nutzfläche (Umweltbundesamt 2020). Das Umweltbundesamt stellt damit allerdings eine Aussage auf, die zwar auf die Bundesrepublik als Ganzes anwendbar ist, kleinteiligere und möglicherweise von diesem Trend unabhängige Entwicklungen werden nicht betrachtet.

Vor dem Hintergrund dieser Entwicklung in Deutschland soll der Landkreis Breisgau-Hochschwarzwald dahingehend untersucht werden, ob sich diese Entwicklung des flächenverbrauchs auch hier zeigt. Dabei soll folgender Fragestellung nachgegangen werden:

Welche Welche Landbedeckungsänderungen fanden im Landkreis Breisgau-Hochschwarzwald zwischen 1990 und 2018 statt?

Zur Untersuchung dieser Fragestellung sollen die CORINE Land Cover-Datensätze des Copernicus-Programms der European Environment Agency (EEA) genutzt werden. Da hier Daten der Jahre 1990 und 2018 vorliegen, wird der Untersuchungszeitraum größer als der vom Umweltbundesamt (2020) gewählt. Das Ziel dieser Analyse ist es, jeweils eine Karte des Landkreises Breisgau-Hochschwarzwald aus den Datensätzen der Jahre 1990 und 2018 des Copernicus-Pogramms zu erstellen und miteinander zu vergleichen, um Rückschlüsse auf die Landbedeckungsänderungen im Landkreis zu ziehen. Anschließend wird mit Balkendiagrammen und einer Rasterdatenanalyse die Landbedeckungsänderungen dargestellt und diskutiert. Vor dem Hintergrund der Fragestellung und basierend auf den Aussagen des Umweltbundesamtes (2020) werden folgende Hypothesen aufgestellt:

Hypothese 1

Die Siedlungs und Infrastrukturflächen nahmen zwischen 1990 und 2018 im Landkreis Breisgau-Hochschwarzwald zu, während landwirtschaftlich genutzte flächen abgenommen haben.

Hypothese 2

Die Waldflächen im Untersuchungsgebiet sind weniger stark zurückgegangen als landwirtschaftlich genutzte flächen.

Beide Hypothese ergeben sich aus den Analysen des Umweltbundesamtes (2020). Erstere wird selbst vom Umweltbundesamt vertreten, während die Zweite darauf abziehlt, dass nach Aussage des Umweltbundesamtes (2020) vor allem die landwirtschaftlich genutzten flächen Verluste vorzuweisen haben. Deswegen sollten Landbedeckungen wie Waldflächen weniger abgenommen haben.

2 Datensätze

Auf der Internetseite des Copernicus-Programms kann auf die CORINE-Datensätze zugegriffen werden. Hierfür werden die Datensätze ‘CLC 1990’ und ‘CLC 2018’ als Rasterdateien heruntergeladen. Das Format beider Jahre entspricht einer GeoTiff-Datei in einer 100*100 Meter Auflösung pro Rasterzelle (enspricht 1 Hektar (ha)) (Copernicus (2020a), Copernicus (2020c)). Diese Rasterdaten basieren auf dem Coordinate Reference System (CRS) 3035 (Europäisch-Terrestrischen Referenzsystem 1989 (ETRS 1989), LAEA) (Copernicus (2020b), Copernicus (2020d)).

Zusätzlich wird ein Polygon des Landkreises Breisgau-Hochschwarzwald benötigt, da die CORINE-Datensätze ganz Europa abbilden. Mithilfe des Polgyons sollen die Rasterdateien auf die fläche des Landkreises zugeschnitten werden. Auf der Seite des Landesamts fürGeoinformation und Landentwicklung wird das Datenpaket ‘Kreise’ geladen. Der Datensatz, der alle Landkreise Baden-Württembergs beinhaltet, basiert auf dem ETRS 1989 und befindet sich in der UTM-Zone 32 (Landesamt fürGeoinformation und Landentwicklung o.J.). Da die kreisfreie Stadt Freiburg in diesem Landkreis liegt, wird sie in die Analyse mit aufgenommen.

3 Erstellung der Rasterkarten

if (!require(sf)){install.packages("sf"); library(sf)}
if (!require(dplyr)){install.packages("dplyr"); library(dplyr)}
if (!require(raster)){install.packages("raster"); library(raster)}
if (!require(rgeos)){install.packages("rgeos"); library(rgeos)}
if (!require(rgl)){install.packages("rgl"); library(rgl)}
if (!require(tiff)){install.packages("tiff"); library(tiff)}
if (!require(rgdal)){install.packages("rgdal"); library(rgdal)}

kreise<-st_read("working_directory/Kreise/AX_Gebiet_Kreis.shp", quiet = TRUE)

HS_F<-dplyr::slice(kreise,5,11)

##original data below. Due to file size only reduced files were used 
# LA_CO_1990<-"working_directory/c_1990_tif/map_1990.tif"
# LA_CO_1990<-raster(LA_CO_1990)
# LA_CO_2018<-"working_directory/c_2018_tif/map_2018.tif"
# LA_CO_2018<-raster(LA_CO_2018)
# #HS_F_t<-st_transform(HS_F,"+proj=laea +lat_0=52 +lon_0=10 +x_0=4321000 +y_0=3210000 +ellps=GRS80+towgs84=0,0,0,0,0,0,0 +units=m +no_defs")
# HS_F_t<-st_transform(HS_F,"+proj=laea +lat_0=52 +lon_0=10 +x_0=4321000 +y_0=3210000 +ellps=GRS80 +units=m +no_defs ")
# LA_CO_1990_croped <- crop(LA_CO_1990, extent(HS_F_t))
# LA_CO_2018_croped <- crop(LA_CO_2018, extent(HS_F_t))
# LA_CO_1990_mask<-mask(LA_CO_1990_croped,HS_F_t)
# LA_CO_2018_mask<-mask(LA_CO_2018_croped,HS_F_t)
# write rasters and remove the above due to file size
# writeRaster(LA_CO_1990_mask, "L:/Publikationen/website/nils_git/spatial_thinking_website/blogdown/content/showcase/Landbedeckungsaenderungen/working_directory/LA_CO_1990_mask.tif")
# writeRaster(LA_CO_2018_mask, "L:/Publikationen/website/nils_git/spatial_thinking_website/blogdown/content/showcase/Landbedeckungsaenderungen/working_directory/LA_CO_2018_mask.tif")

# only load reduced rasters
LA_CO_1990_mask <- "working_directory/LA_CO_1990_mask.tif"
 
LA_CO_1990_mask <- raster(LA_CO_1990_mask)

LA_CO_2018_mask <- "working_directory/LA_CO_2018_mask.tif"
 
LA_CO_2018_mask <- raster(LA_CO_2018_mask)

Die Datensätze der Rasterkarten der Jahre 1990 und 2018 beinhalten neben den .tiff-Dateien auch die Angaben der hinterlegten Klassen der verschiedenen Rasterzellen. Die Datei sieht wie folgt aus:

Jede Rasterzelle der CORINE-Datensätze ist einer bestimmten Klasse der damit verbundenen Farbe zugeordnet. Die Klasse ist in jeder Rasterzelle der Karten gespeichert. Durch die Farbzuweisungen werden die verschiedenen Landbedeckungen in den Karten dargestellt. In Spalte 1 sind die Klassenkennungen zu finden. Dabei ist zu beachten, das die Erste Zahl der Klassenkennungen einer Oberklasse entspricht. Beispielsweise sind alle Klassen mit der Anfangszahl 1 im Bereich der Siedlungs- und Infrastrukturflächen einzuordnen. Spalte 2-4 beinhaltet die Farbwerte der zugehörigen Klasse. Spalte 6 enthält die zugewiesenen Namen der Klassen.

fürdie Analyse der Rasterkarten der Jahre 1990 und 2018 sollen allgemeinere Klassen erstellt werden, um die kleinteilige Darstellung der CORINE-Datensätze auf die wesentlichen zu untersuchenden flächen zu übertragen. Dafürwerden folgende Zuteilungen vorgenommen:

*Klassen zwischen 100 und 199 werden zur Oberklasse ‘Siedlung und Infrastruktur’ mit der neuen Kennung 1 zusammengefügt.

*Klassen zwischen 200 und 299 werden zur Oberklasse ‘Landwirtschaft’ mit der neuen Kennung 2 zusammengefügt.

*Klassen zwischen 300 und 313 werden zur Oberklasse ‘Wald’ mit der neuen Kennung 3 zusammengefügt.

*Klassen zwischen 321 und 324 werden zur Oberklasse ‘Unbewaldete Naturlandschaft’ mit der neuen Kennung 4 zusammengefügt.

*Klassen zwischen 331 und 399 werden zur Oberklasse ‘Vegetationslose Landschaft’ mit der neuen Kennung 5 zusammengefügt.

*Klassen zwischen 411 und 412 werden zur Oberklasse ‘Inlandmarshen und Torfmoore’ mit der neuen Kennung 6 zusammengefügt.

*Klassen zwischen 421 und 423 werden zur Oberklasse ‘Salinen’ mit der neuen Kennung 7 zusammengefügt.

*Klassen wischen 500 und 599 werden zur Oberklasse ‘Wasserflächen’ mit der neuen Kennung 8 zusammengefügt.

Nach der dargestellten Verteilung der Rasterzellen in den obigen Balkendiagrammen werden die Oberklassen 5,6 und 7 in den zu erstellenden Rasterkarten nicht vorzufinden sein.

reclass_LA_CO_1990_mask<-c(100,199,1,
                           200,299,2,
                           300,314,3,
                           320,325,4,
                           330,399,5,
                           410,413,6,
                           420,424,7,
                           500,Inf,8)

reclass_LA_CO_2018_mask<-c(100,199,1,
                           200,299,2,
                           300,314,3,
                           320,325,4,
                           330,399,5,
                           410,413,6,
                           420,424,7,
                           500,Inf,8)

reclass_LA_CO_1990_mask_m<-matrix(reclass_LA_CO_1990_mask,
                                  ncol=3,
                                  byrow=TRUE)

reclass_LA_CO_2018_mask_m<-matrix(reclass_LA_CO_2018_mask,
                                  ncol=3,
                                  byrow=TRUE)

LA_CO_1990_mask_rekl<-reclassify(LA_CO_1990_mask,
                                 reclass_LA_CO_1990_mask_m)

LA_CO_2018_mask_rekl<-reclassify(LA_CO_2018_mask,
                                 reclass_LA_CO_2018_mask_m)

crs(LA_CO_1990_mask_rekl)<-"+proj=utm +zone=32 +ellps=intl +units=m +no_defs"
crs(LA_CO_2018_mask_rekl)<-"+proj=utm +zone=32 +ellps=intl +units=m +no_defs"

#2019
plot(LA_CO_1990_mask_rekl,
     legend=FALSE,
     breaks=c(1,1.9,2.9,3.9,4.9,8),
     main="Landbedeckung Landkreis Breisgau-Hochschwarzwald 1990",
     col=colorRampPalette(c("firebrick1", "orange",   "darkgreen","darkolivegreen2","cornflowerblue"))(5),
     axes=TRUE,
     cex.main=1.5,
     xlim=c(4130000,4250000),ylim=c(2700000,2800000))

legend(4135000,2728000,
       xpd=TRUE,
       ncol=5,
       legend = c("Siedlung und Infrastruktur","Unbewaldete Naturlandschaft","Landwirtschaft","Wasserflächen","Wald"),
       fill = colorRampPalette(c("firebrick1","darkolivegreen2","orange","cornflowerblue","darkgreen"))(5),
       bty = "n") 

#2018
plot(LA_CO_2018_mask_rekl,
     legend=FALSE,
     breaks=c(1,1.9,2.9,3.9,4.9,8),
     main="Landbedeckung Landkreis Breisgau-Hochschwarzwald 2018",
     col=colorRampPalette(c("firebrick1", "orange", "darkgreen","darkolivegreen2","cornflowerblue"))(5),
     axes=TRUE,
     cex.main=1.5,
     xlim=c(4130000,4250000),ylim=c(2700000,2850000))

legend(4135000,2728000,
       xpd=TRUE,
       ncol=5,
       legend = c("Siedlung und Infrastruktur","Unbewaldete Naturlandschaft","Landwirtschaft","Wasserflächen","Wald"),
       fill = colorRampPalette(c("firebrick1","darkolivegreen2","orange","cornflowerblue","darkgreen"))(5),
       bty = "n") 

4 Ergebnisse

par(mfrow=c(1,3))

#'Siedlung und Infrastruktur' 2018

barplot(LA_CO_2018_mask_rekl, xlim=c(0.237,1.2),
        ylim=c(0,83000),
        main = "Vergleich 'Siedlung und Infrastruktur' 1990 und 2018",
        ylab = "Anzahl der Rasterzellen",
        col="firebrick1",
        names.arg=FALSE,
        axes=FALSE)

axis(1,labels=FALSE,tick=FALSE)
axis(2, at = c(0,5000,10000,15000,20000,25000,30000,35000,40000,45000,50000,55000,60000,65000,70000,75000,80000),c("0","5.000","10.000","15.000","20.000","25.000","30.000","35.000","40.000","45.000","50.000","55.000","60.000","65.000","70.000","75.000","80.000"))

#'Siedlung und Infrastruktur' 1990
barplot(LA_CO_1990_mask_rekl, xlim=c(0.237,1.2),
        col="firebrick1",
        names.arg=FALSE,
        axes=FALSE,
        add=TRUE)


#'Landwirtschaft' 1990
barplot(LA_CO_1990_mask_rekl, xlim=c(1.437,2.4),
        ylim=c(0,83000),
        main = "Vegleich 'Landwirtschaft' 1990 und 2018",
        ylab = "Anzahl der Rasterzellen",
        col="white",
        names.arg=FALSE,
        axes=FALSE)

axis(1,labels=FALSE,tick=FALSE)
axis(2, at = c(0,5000,10000,15000,20000,25000,30000,35000,40000,45000,50000,55000,60000,65000,70000,75000,80000),c("0","5.000","10.000","15.000","20.000","25.000","30.000","35.000","40.000","45.000","50.000","55.000","60.000","65.000","70.000","75.000","80.000"))


#'Landwirtschaft' 2018
barplot(LA_CO_2018_mask_rekl, xlim=c(1.437,2.4),
        col="orange",
        names.arg=FALSE,
        axes=FALSE,
        add=TRUE)


#'Wald' 1990
barplot(LA_CO_1990_mask_rekl, xlim=c(2.6395,3.63),
        ylim=c(0,83000),
        main = "Vegleich 'Wald' 1990 und 2018",
        ylab = "Anzahl der Rasterzellen",
        col="white",
        names.arg=FALSE,
        axes=FALSE)

axis(1,labels=FALSE,tick=FALSE)
axis(2, at = c(0,5000,10000,15000,20000,25000,30000,35000,40000,45000,50000,55000,60000,65000,70000,75000,80000),c("0","5.000","10.000","15.000","20.000","25.000","30.000","35.000","40.000","45.000","50.000","55.000","60.000","65.000","70.000","75.000","80.000"))


#'Wald' 2018
barplot(LA_CO_2018_mask_rekl, xlim=c(2.6395,3.63),
        col="darkgreen",
        names.arg=FALSE,
        axes=FALSE,
        add=TRUE)

#'Unbewaldete Naturlandschaft' 2018
par(mfrow=c(1,2))

barplot(LA_CO_2018_mask_rekl, xlim=c(3.835,4.72),
        ylim=c(0,2300),
        main = "Vegleich 'Unbewaldete Naturlandschaft' 1990 und 2018",
        ylab = "Anzahl der Rasterzellen",
        col="darkolivegreen2",
        names.arg=FALSE,
        axes=FALSE)

axis(1,labels=FALSE,tick=FALSE)
axis(2, at = c(0,500,1000,1500,2000),c("0","500","1000","1500","2000"))

        
#'Unbewaldete Naturlandschaft' 1990
barplot(LA_CO_1990_mask_rekl, xlim=c(3.834,4.72),
        col="darkolivegreen2",
        names.arg=FALSE,
        axes=FALSE,
        add=TRUE)


#'Wasserflächen' 2018
barplot(LA_CO_2018_mask_rekl, xlim=c(5.038,6),
        ylim=c(0,2300),
        main = "Vegleich 'Wasserflächen' 1990 und 2018",
        ylab = "Anzahl der Rasterzellen",
        col="cornflowerblue",
        names.arg=FALSE,
        axes=FALSE)
        
axis(1,labels=FALSE,tick=FALSE)
axis(2, at = c(0,500,1000,1500,2000))

        
#'Wasserflächen' 1990
barplot(LA_CO_1990_mask_rekl, xlim=c(5.036,6),
        col="cornflowerblue",
        names.arg=FALSE,
        axes=FALSE,
        add=TRUE)

LA_CO_1990_mask_rekl_dataframe<-as.data.frame(LA_CO_1990_mask_rekl)
LA_CO_2018_mask_rekl_dataframe<-as.data.frame(LA_CO_2018_mask_rekl)

#Anzahl Rasterzellen Oberkategorie 1 'Siedlung und Infrastruktur'.
summary(LA_CO_1990_mask_rekl_dataframe==1)

##  LA_CO_1990_mask
##  Mode :logical  
##  FALSE:142343   
##  TRUE :10793    
##  NA's :136196

summary(LA_CO_2018_mask_rekl_dataframe==1)

##  LA_CO_2018_mask
##  Mode :logical  
##  FALSE:139960   
##  TRUE :13176    
##  NA's :136196

#Anzahl Rasterzellen Oberkategorie 2 'Landwirtschaft'
summary(LA_CO_1990_mask_rekl_dataframe==2)

##  LA_CO_1990_mask
##  Mode :logical  
##  FALSE:86371    
##  TRUE :66765    
##  NA's :136196

summary(LA_CO_2018_mask_rekl_dataframe==2)

##  LA_CO_2018_mask
##  Mode :logical  
##  FALSE:89131    
##  TRUE :64005    
##  NA's :136196

#Anzahl Rasterzellen Oberkategorie 3 'Wald'
summary(LA_CO_1990_mask_rekl_dataframe==3)

##  LA_CO_1990_mask
##  Mode :logical  
##  FALSE:79424    
##  TRUE :73712    
##  NA's :136196

summary(LA_CO_2018_mask_rekl_dataframe==3)

##  LA_CO_2018_mask
##  Mode :logical  
##  FALSE:80156    
##  TRUE :72980    
##  NA's :136196

#Anzahl Rasterzellen Oberkategorie 4 'Unbewaldete Naturlandschaft'
summary(LA_CO_1990_mask_rekl_dataframe==4)

##  LA_CO_1990_mask
##  Mode :logical  
##  FALSE:152453   
##  TRUE :683      
##  NA's :136196

summary(LA_CO_2018_mask_rekl_dataframe==4)

##  LA_CO_2018_mask
##  Mode :logical  
##  FALSE:151497   
##  TRUE :1639     
##  NA's :136196

#Anzahl Rasterzellen Oberkategorie 8 'Wasserflächen'
summary(LA_CO_1990_mask_rekl_dataframe==8)

##  LA_CO_1990_mask
##  Mode :logical  
##  FALSE:151953   
##  TRUE :1183     
##  NA's :136196

summary(LA_CO_2018_mask_rekl_dataframe==8)

##  LA_CO_2018_mask
##  Mode :logical  
##  FALSE:151800   
##  TRUE :1336     
##  NA's :136196

5 Diskussion

Die Analyse der Rasterkarten des Jahres 1990 und 2018 des Landkreises Breisgau-Hochschwarzwald zeigt, dass vor allem ein Zuwachs der Siedlungs- und Infrastrukturflächen geschehen ist, gefolgt von unbewaldeten Naturflächen und Wasserflächen. Die landwirtschaftlichen flächen haben den größten Verlust zu verzeichnen, während die Oberklasse ‘Wald’ weniger Verluste zu verzeichnen hat.

Die erste Hypothese, wonach vor allem Siedlungs- und Infrastrukturflächen zu- und landwirtschaftliche flächen abgenommen haben, kann demnach bestätigt werden. Auch die zweite Hypothese, wonach die Waldflächen weniger Verluste erlitten haben, bestätigt sich. Zusätzlich kann noch beobachtet werden, dass der Zuwachs der Siedlungs- und Infrastrukturflächen vor allem auf den Verlust der landwirtschaftlichen flächen zurückzuführen ist. Mithilfe der vorgenommenen Analysen kann zwar nicht genau ausgesagt werden, welche Oberklasse an welche fläche verloren hat. Anhand der größten flächenverluste im Bereich ‘Landwirtschaft’ zeigt sich, selbst wenn die Verluste komplett auf den Zuwachs der Wasser- und unbewaldeten Naturlandschaften zurückzuführen wären, dass sie immer noch mehr zu vergebende Rasterzellen aufweist als die Oberkategorie ‘Wald’. Damit verliert die Oberklasse ‘Landwirtschaft’ vor allem an die Oberkategorie ‘Siedlung und Infrastruktur’.

Allerdings muss darauf verwiesen werden, dass die Rasterzellen eine Auflösung von 1 ha haben, was zu Ungenauigkeiten im Datensatz führt. Die genauen Angaben über flächenverluste und Zuwächse sind daher mit Vorsicht zu genießen. Die Entwicklung zwischen 1990 und 2018 ist allerdings klar erkennbar und höher auflösende Rasterzellen mitunter nicht notwendig.

6 Fazit

Der Trend der Verluste der Landwirtschaftsflächen vor allem durch den Zuwachs von Siedlungen und Infrastruktur zwischen 1992 und 2018, der vom Umweltbundesamt beobachtet wurde, kann fürdie Zeitspanne zwischen 1990 und 2018 im Landkreis Breisgau-Hochschwarzwald mit der kreisfreien Stadt Freiburg auch nachgewiesen werden. Der analysierte Trend des Umweltbundesamts lässt sich also auf den Landkreis Breisgau-Hochschwarzwald dahingehend übertragen. Die Zersiedelung des Landkreises nahm dabei bis 2018 immer weiter zu. Die Waldflächen im Landkreis weisen weit weniger Verluste als die landwirtschaftlichen auf, Wasser- und Unbewaldete Naturflächen nahmen dagegen zu.

Der CORINE_Datensatz des Copernicus-Programms eignet sich fürdie Beantwortung der Fragestellung und der überprüfung beider Hypothesen. Nach der Aufbereitung der Datensätze können die zur Analyse wichtigen Daten generiert und dargestellt werden. fürweitere Analysen können höher aufgelöste RasterDatensätze verwendet werden, um genauere Angaben über die flächenverluste und -zuwächse zu erstellen.

Quellen

Landesamt fürGeoinformation und Landentwicklung (o.J.): Open Data fürGeobasisdaten, https://www.lgl-bw.de/unsere-themen/Produkte/Open-Data/ (Zugriff: 2020-05-10).

Copernicus (2020a): CORINE Land Cover, CLC 1990, download, https://land.copernicus.eu/pan-european/corine-land-cover/clc-1990?tab=download (Stand: 2020-05-07) (Zugriff: 2020-05-10).

Copernicus (2020b): CORINE Land Cover, CLC 1990, Metadata, https://land.copernicus.eu/pan-european/corine-land-cover/clc-1990?tab=metadata (Stand: 2020-05-07) (Zugriff: 2020-05-10).

Copernicus (2020c): CORINE Land Cover, CLC 2018, download, https://land.copernicus.eu/pan-european/corine-land-cover/clc2018?tab=download (Stand: 2020-05-07) (Zugriff: 2020-05-10).

Copernicus (2020d): CORINE Land Cover, CLC 2018, Metadata, https://land.copernicus.eu/pan-european/corine-land-cover/clc2018?tab=metadata (Stand: 2020-05-07) (Zugriff: 2020-05-10).

Umweltbundesamt (2020): Siedlungs- und Verkehrsfläche, https://www.umweltbundesamt.de/daten/flaeche-boden-land-oekosysteme/flaeche/siedlungs-verkehrsflaeche#anhaltender-flachenverbrauch-fur-siedlungs-und-verkehrszwecke- (Stand: 2020-02-12) (Zugriff: 2020-05-10).