Landbedeckungsänderungen im Landkreis Breisgau-Hochschwarzwald und Freiburg zwischen 1990 und 2018
Paul Alex
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:
Klasse | Rotanteil | größenanteil | Blauanteil | 255 | Name |
---|---|---|---|---|---|
111 | 230 | 0 | 77 | 255 | Continuous urban fabric |
112 | 255 | 0 | 0 | 255 | Discontinuous urban fabric |
121 | 204 | 77 | 242 | 255 | Industrial or commercial units |
122 | 204 | 0 | 0 | 255 | Road and rail networks and associated land |
123 | 230 | 204 | 204 | 255 | Port areas |
124 | 230 | 204 | 230 | 255 | Airports |
131 | 166 | 0 | 204 | 255 | Mineral extraction sites |
132 | 166 | 77 | 0 | 255 | Dump sites |
133 | 255 | 77 | 255 | 255 | Construction sites |
141 | 255 | 166 | 255 | 255 | Green urban areas |
142 | 255 | 230 | 255 | 255 | Sport and leisure facilities |
211 | 255 | 255 | 168 | 255 | Non-irrigated arable land |
212 | 255 | 255 | 0 | 255 | Permanently irrigated land |
213 | 230 | 230 | 0 | 255 | Rice fields |
221 | 230 | 128 | 0 | 255 | Vineyards |
222 | 242 | 166 | 77 | 255 | Fruit trees and berry plantations |
223 | 230 | 166 | 0 | 255 | Olive groves |
231 | 230 | 230 | 77 | 255 | Pastures |
241 | 255 | 230 | 166 | 255 | Annual crops associated with permanent crops |
242 | 255 | 230 | 77 | 255 | Complex cultivation patterns |
243 | 230 | 204 | 77 | 255 | Land principally occupied by agriculture with significant areas of natural vegetation |
244 | 242 | 204 | 166 | 255 | Agro-forestry areas |
311 | 128 | 255 | 0 | 255 | Broad-leaved forest |
312 | 0 | 166 | 0 | 255 | Coniferous forest |
313 | 77 | 255 | 0 | 255 | Mixed forest |
321 | 204 | 242 | 77 | 255 | Natural grasslands |
322 | 166 | 255 | 128 | 255 | Moors and heathland |
323 | 166 | 230 | 77 | 255 | Sclerophyllous vegetation |
324 | 166 | 242 | 0 | 255 | Transitional woodland-shrub |
331 | 230 | 230 | 230 | 255 | Beaches dunes sands |
332 | 204 | 204 | 204 | 255 | Bare rocks |
333 | 204 | 255 | 204 | 255 | Sparsely vegetated areas |
334 | 0 | 0 | 0 | 255 | Burnt areas |
335 | 166 | 230 | 204 | 255 | Glaciers and perpetual snow |
411 | 166 | 166 | 255 | 255 | Inland marshes |
412 | 77 | 77 | 255 | 255 | Peat bogs |
421 | 204 | 204 | 255 | 255 | Salt marshes |
422 | 230 | 230 | 255 | 255 | Salines |
423 | 166 | 166 | 230 | 255 | Intertidal flats |
511 | 0 | 204 | 242 | 255 | Water courses |
512 | 128 | 242 | 230 | 255 | Water bodies |
521 | 0 | 255 | 166 | 255 | Coastal lagoons |
522 | 166 | 255 | 230 | 255 | Estuaries |
523 | 230 | 242 | 255 | 255 | Sea and ocean |
999 | 255 | 255 | 255 | 255 | NODATA |
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
4.1 Analyse der Rasterkarten
Beim Vergleich beider Karten zeigt sich vor allem, dass die Siedlungs- und Infrastrukturflächen zwischen 1990 und 2018 zugenommen haben, vor allem die kleineren Siedlungen westlich von Freiburg und die Stadt Freiburg selbst wuchsen. Die Zersiedelung des Landkreises schritt also immer weiter voran. Die flächen der Landwirtschaft und der Wälder veränderten sich zwischen 1990 und 2018 in ihren Ausprägungen. Auffallend sind die Veränderungen der Waldflächen hin zur unbewaldeten Naturlandschaft bis zum Jahr 2018, vor allem im östlichen Bereich der Karte. Allerdings sind flächen der Oberklasse ’Unbewaldete Naturlandschaften im Nordwesten bis zum Jahr 2018 auch in landwirtschaftliche flächen umgewandelt.
Alles in allem können Veränderungen der Landbedeckung des Landkreises Breisgau-Hochschwarzwald zwischen 1990 und 2018 visuell durch den Vergleich beider Karten festegestellt werden. Doch fürdie Beantwortung der Forschungsfrage und der aufgestellten Hypothesen ist eine genauere Analyse der Rasterzellenverteilung notwendig. Im folgenden Unterkapitel soll diese Analyse mithilfe von Balkendiagrammen durchgeführt werden.
4.2 Analyse und Vergleich der Rasterzellen-Verteilung beider Karten
fürden Vergleich der Veränderung zwischen 1990 und 2018 werden die ersten drei Oberkategorien ‘Siedlung und Infrastruktur’, ‘Landwirtschaft’ und ‘Wald’ von den Oberkategorien ‘Unbewaldete Naturlandschaft’ und ‘Wasserflächen’ getrennt dargestellt.
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)
Es zeigt sich, dass die zuvor getroffene Aussage, dass die Siedlungs- und Infrastrukturflächen zwischen 1990 und 2018 zugenommen haben, zutreffend ist. Die Landwirtschafts- und Waldflächen haben dagegen zwischen 1990 und 2018 abgenommen. Die Oberkategorie ‘Wald’ bleibt im Jahr 2018 dagegen die dominierende Landbedeckung, gefolgt von der Landwirtschaft. Letztere weist die größten Verluste an fläche vor.
#'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)
Beim Vergleich der beiden anderen Oberkategorien ‘Unbewaldete Naturlandschaft’ und ‘Wasserflächen’ zeigt sich, dass erstere über die Zeit mehr an fläche dazugewonnen hat als letztere. Damit weist diese Oberkategorie im Jahr 2018 eine insgesamt größereere Gesamtfläche als ‘Wasserflächen’ vor. Im Jahr 1990 waren die Wasserflächen insgesamt noch größer. Die in den Karten zu beobachtende Umwandlung der Waldflächenchen in die der unbewaldeten Naturflächen im Osten zeigt, dass diese Oberkategorie vor allem auf Kosten von Waldflächen gewachsen ist.
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
Nach einer genaueren Analyse der Rasterzellenverteilung nahm die Siedlungs- und Infrastrukturfläche von 10793 auf 13176 Rasterzellen zu. Der Zuwachs beträgt 2382 ha im gesamten Landkreis Breisgau-Hochschwarzwald, was den größten Zuwachs in den Oberkategorien darstellt. Die Landwirtschaftsflächen nahmen von 66765 auf 64005 Rasterzellen ab, was einem Verlust von 2760 ha entspricht. Die Waldflächen nahmen von 73712 auf 72980 Ratserzellen zwischen 1990 und 2018 ab, was 732 ha weniger fläche entspricht. Die unbewaldeten Naturflächen und Wasserflächen nahmen um 956 ha bzw. um 153 ha zu.
Der Zuwachs der Siedlungs- und Infrastrukturflächen fand vor allem auf Kosten der landwirtschaftlichen flächen statt, da diese den größten flächenverlust im Gegensatz zu den Waldflächen verzeichnen. Allerdings verlor die Landwirtschaft nicht nur an diese Oberkategorie fläche, da der Zuwachs der Siedlungs- und Infrastrukturflächen weniger als der Verlust der Landwirtschaftsflächen ist.
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).