Schlussfolgerungen und Reflexion

In diesem Kapitel werden die zentralen Erkenntnisse der Arbeit noch einmal zusammengefasst, um die wichtigsten Ergebnisse klar zu verdeutlichen. Anschliessend erfolgt eine persönliche Reflexion über den Verlauf und die Methodik des Projekts. Zusätzlich wird ein Ausblick gegeben, der mögliche Weiterentwicklungen und Optimierungen darstellt, um die Anwendbarkeit und Aussagekraft der Ergebnisse weiter zu steigern.

Zusammenfassung der wichtigsten Ergebnisse

Die Vergleichsanalysen (Kapitel 5-9) der Landnutzungsdatensätze zeigen eine klare Rangordnung: ESA WorldCover 2021 liefert die höchste Übereinstimmung mit der Arealstatistik und ist der verlässlichste Datensatz, gefolgt von ESA WorldCover 2020, CORINE Land Cover 2018, CORINE Land Cover 2012 und schliesslich der Amtlichen Vermessung, die insbesondere bei Cropland und Grassland durch terrestrische Messmethoden schwächer abschneidet. Über alle Datensätze hinweg erzielen Forestland und Settlements die besten Übereinstimmungen. Die Cell Center Methode liefert dabei generell die zuverlässigeren Ergebnisse, mit Ausnahme von CORINE Land Cover 2018, wo die Max Area Methode bessere Resultate erzielte. Zur globalen Vergleichbarkeit wurden alle Datensätze auf IPCC-Kategorien standardisiert, wodurch eine konsistente Basis für Analysen und CO₂-Quantifizierung geschaffen wurde, auch wenn Detailinformationen verloren gingen. Im Bereich Prognose und Interpolation (Kapitel 10) zeigt das GitHub-Repository LULCC-CH die vollständige Modellierungskette von Black et al. (2024), inklusive Datenbeschaffung, Aufbereitung, Prädiktorerstellung, Modellierung von Übergängen und Simulation in Dinamica EGO. Aufgrund eingeschränkter Datenzugänge und veralteter R-Pakete konnte der Workflow nicht vollständig ausgeführt werden. Das GitHub-Repository verdeutlicht jedoch die technische Struktur des Modells und erfordert für eigene Anwendungen Anpassungen und alternative Datenbeschaffung. Die interaktive Visualisierung (Kapitel 11) wurde mit einem Python-Skript in Form einer Shiny Webapplikation umgesetzt. Die App vereint Frontend, Backend und reaktive Funktionen und erlaubt es, Klassifikationsqualität interaktiv zu analysieren. Nutzer können Datensatz, Jahr und Methode wählen, Karten und Balkendiagramme einsehen und Kategorien gezielt ein- oder ausblenden. Die Rasterdaten laden in ca. zehn Sekunden. Die App fasst alle Analyseergebnisse an einem Ort zusammen, löst strukturelle Probleme und ist modular erweiterbar.

Persönliche Reflexion und Ausblick

Im Rahmen dieses Projektes konnten wir unsere technischen und methodischen Fähigkeiten erweitern. Für viele von uns war es das erste Mal, dass wir mit grossen LULC-Datensätzen aus unterschiedlichen Quellen sowie mit verschiedenen Auflösungen, Klassierungen und Attributen gearbeitet haben. Im Verlauf des Projekts haben wir viele, für uns teilweise neue Werkzeuge kennengelernt, um solche Datensätze effizient zu bearbeiten. Dazu zählen etwa Python-Bibliotheken wie Shiny oder Geopandas, die wir zuvor nur oberflächlich genutzt hatten, sowie die Erstellung von Visualisierungen mit R-Skripts. Rückblickend hätten wir einzelne technische Entscheidungen optimieren können, insbesondere der Einsatz von Rasterdaten statt Vektorgittern hätte uns erhebliche Rechenzeit erspart. Ein wichtiger Teil des Projektes war auch die Literaturrecherche, in welche wir einen zu grossen Aufwand investiert haben. Trotzdem haben wir auch viel daraus gelernt, z.B. wo und wie man nach Literaturquellen sucht und wie man diese mit Zotero in den Bericht einbindet. Diese Erkenntnisse sind für zukünftige Projekte und die Bachelorthesis von grosser Relevanz. Die grösste Herausforderung bei diesem Projekt war aber die Koordination und Organisation der einzelnen Aufgaben in den Projektgruppen. Während die eigentlichen Vergleiche der Datensätze mit der Arealstatistik möglichst unabhängig ablaufen sollten, musste dennoch eine übergeordnete Vergleichbarkeit gewährleistet sein. Dies war besonders wichtig, um die Ergebnisse der verschiedenen Gruppen später sinnvoll gegenüberzustellen. Um dies zu gewährleisten, hätten von Anfang an klare Regeln zur Benennung der Ergebnisse sowie zu deren Ablage definiert werden müssen. Ausserdem hätte eine Tabelle erstellt werden müssen, welche einheitlich die Attribute der Ergebnisdatensätze definiert. Da diese Vorgaben jedoch fehlten, musste im Rahmen der Entwicklung der Shiny App nachträglich eine Übersicht erstellt werden, welche die relevanten Informationen für jeden Datensatz einzeln beschreibt. Dieser zusätzliche Schritt war notwendig, um die Daten dynamisch einbinden zu können. Diese Problematiken entstanden vor allem, weil von Anfang an kein klares Endprodukt definiert wurde. Hätte man gesagt, dass das Ziel eine Shiny App ist, welche unsere Ergebnisse zusammenfasst, hätte man zielorientierter arbeiten können. Ein wichtiges Ziel des Projekts war die Reproduzierbarkeit, die momentan jedoch noch nicht gewährleistet ist. Die neue Ordnerstruktur soll hier mehr Klarheit schaffen, indem Daten und Skripts sauber getrennt und einheitlich abgelegt werden. Derzeit liegen die Abläufe noch in verschiedenen Formaten vor (Jupyter Notebooks, Python- und R-Skripts), was die Nachvollziehbarkeit erschwert. Eine Vereinheitlichung und bessere Dokumentation essenziell und Letzteres wird mit einer GitHub Page und einer Readme-Datei hinzugefügt werden. Die Zusammenarbeit im Team empfanden wir insgesamt als konstruktiv und motivierend. Wir konnten unsere individuellen Stärken einbringen und voneinander lernen. Besonders hilfreich waren die wöchentlichen Sprint Plannings, bei denen die Sitzungsleitung jeweils rotierte und so eine gleichmässige Verantwortung gewährleistet wurde. Abseits dieser Sitzungen fehlten jedoch stellenweise die Kommunikation und Absprache, was gelegentlich zu Verzögerungen und Missverständnissen führte. Die gleiche Schwierigkeit besteht darin, dass nicht alle Teammitglieder mit demselben Elan dabei waren und so in einem grösseren Team Klarheit, Ausdauer, Lernbereitschaft, Beteiligung, Engagement, Reflexion, Motivation, Aktivität, Teamgeist, Toleranz, Eigenständigkeit und Neugier fehlte. Trotzdem sind wir insgesamt zufrieden mit den erzielten Ergebnissen, auch wenn nicht alle Teile des Projekts vollständig umgesetzt werden konnten. Die Analyse der verschiedenen LULC-Datensätze hat zu einer klaren Rangordnung geführt und damit ein zentrales Ziel des Projekts erreicht. Gleichzeitig hat sich gezeigt, wie stark methodische Entscheidungen wie etwa die Wahl zwischen Cell Center und Max Area, die Resultate beeinflussen, was für zukünftige Arbeiten ein wichtiger Erkenntnisgewinn ist. In einem weiteren Schritt wäre es sicher interessant, die Shiny App weiter auszubauen und weitere Methoden zur zeitlichen Interpolation zu untersuchen. Diese könnten dann in der die Qualitätsbeurteilung miteinfliessen, um die zeitlichen Inkonsistenzen der Ergebnisse zu beheben. Insgesamt liefert das Projekt nicht nur fachlich relevante Ergebnisse, sondern auch wichtige Erfahrungen für den zukünftigen Umgang mit flächendeckende LULC-Datensätzen aus unterschiedlichen Quellen.

↑

← Interaktive Visualisierungen

Quellenverzeichnis →