Kapitel 3 Nutzungstypen Kanton Aargau

3.1 Datenaufbereitung

Dieses Kapitel ist eine technische Beschreibung wie wir die verwendeten Rohdaten (siehe Kapitel 2.2) aufbereitet haben. Teilweise geben wir auch den R-code an, da damit die tatsächliche Aufbereitung einfacher beschrieben werden kann.

3.1.1 Wald

Zur Definition der Waldfläche verwendeten wir die Waldausscheidung (siehe Kapitel 2.2.3).

Als Waldrand definierten wir diejenigen Rasterzellen, welche mindestens eine nicht-Wald Rasterzelle als Nachbarszelle haben.

Alle Rasterzellen, die vollständig innerhalb eines Polygons der Waldausscheidung lagen (alle Nachbarszellen sind auch Wald-Zellen) wiesen wir einer der drei Kategorien Nadelwald, Laubmischwald oder Aufgelöster Wald zu. Die Klassifizierung der Waldflächen zu diesen drei Kategorien erfolgte mit Remap. Remap nutzt die Geodatenspeicher- und Analysekapazität von Google Earth Engine und benötigt als Input räumlich aufgelöste Trainingsdaten zur Lage verschiedener Landnutzungstypen. Die Trainingsdaten werden mit einem maschinellen Lernansatz mit bis zu 13 Prädiktor-Datensätzen abgeglichen. Die in Remap verfügbaren Prädiktor-Datensätze repräsentieren topographische (z.B. Neigung, Höhe), spektrale (Satellitenbilder) und klimatische Variablen (Niederschlag, Temperatur). Basierend auf dem Abgleich berechnet Remap dann eine Pixelkarte mit einer Auflösung von 30m. Für eine detaillierte Beschreibung von Remap siehe Murray, Keith, Simpson, Wilshire, & Lucas (2018). Wir haben dieses Vorgehen zur Unterscheidung der drei Waldtypen Nadelwald, Laubmischwald oder Aufgelöster Wald verwendet.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

# Bestimmumung von Wald und Waldrandzellen
waldras <- read_sf("GIS/Waldausscheidung/", crs = 2056) %>%
  transmute(TypID = 1) %>% 
  fasterize(r, field = "TypID")
nu$Wald <- waldras %>% raster::values()
nu$Waldrand <- waldras %>% boundaries(type='inner') %>% raster::values()

# Remap Resultate übernehmen
lev <- c("Nadelwald", "Laubmischwald", "Aufgelöster Wald")
tmp <- raster("GIS/Wald_Trainingsset1/export.classification.tif") %>%  
  projectRaster(r, method = "ngb") %>% 
  raster::values()
nu$Typ[!is.na(nu$Wald)] <- lev[tmp][!is.na(nu$Wald)]
nu$Typ[!is.na(nu$Waldrand) & nu$Waldrand == 1] <- "Waldrand"

# Aufgelöster Wald von TLM
tmp <- read_sf("GIS/swissTLM3D/TLM_BB/",
              layer = "swissTLM3D_TLM_BODENBEDECKUNG") %>% 
  filter(OBJEKTART == "Gebueschwald" | OBJEKTART == "Wald offen") %>% 
  fasterize(r) %>% 
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Typ)] <- "Aufgelöster Wald"

3.1.2 Feuchtgebiet in Offenland

Alle Rasterzellen, die ausserhalb des Waldes liegen und eine der folgenden Bedingungen erfüllten, wurden der Nutzung Feuchtgebiet in Offenland zugewiesen:

  • Enhällt ein Gebiet des Amphibienmonitorings Aargau
  • liegt innerhalb des Layers Amphibienlaichgebiete von nationaler Bedeutung oder
  • liegt innerhalb einem Flachmoor von nationaler Bedeutung.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

# Daten von Amphibienmonitoring importieren
tt <- read_excel("GIS/Amphibienmonitoring/1548 A_Objektliste_Monitoring_aktuell 2017.xls") %>% 
  filter(!is.na(KoordX)) %>% 
  st_as_sf(coords = c('KoordX', 'KoordY'), crs = 21781) %>% 
  transmute(ObjektPS = ObjektPS) %>% 
  st_transform(crs = 2056) %>% 
  rasterize(r, fun='count') %>% 
  raster::values()
nu$Typ[!is.na(tt[,1]) & is.na(nu$Wald)] <- "Feuchtgebiet in Offenland"

# Flachmoore importieren
tmp <- read_sf("GIS/Flachmoore_BAFU/Flachmoor_LV95/", crs = 2056)  %>%
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Wald)] <- "Feuchtgebiet in Offenland"

# Amphibienleichgebiete von nationaler Bedeutung
tmp <- read_sf("GIS/Amphibienlaichgebiete_BAFU/Amphibien_LV95/amL_20171101.shp")  %>%
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Wald)] <- "Feuchtgebiet in Offenland"

3.1.3 Siedlung

In diesem Schritt definierten wir für alle bisher noch nicht zugewiesenen Rasterzellen die Siedlungsflächen. Zur Definition der Siedlung verwendeten wir die Baugebietsgrenzen (siehe Kapitel 2.2.4). Alle Rasterzellen die diese Bedingungen erfüllten wiesen wir einer der beiden folgenden Kategorien zu:

  • Als Versiegelt definierten wir diejenigen Rasterzellen, welche innerhalb der Baugebietsgrenzen lagen und die gleichzeit nicht zum Layer Siedlungsgrün (siehe Kapitel 2.2.5) gehörten.

  • Als Siedlungsgrün definierten wir diejenigen Rasterzellen, welche innerhalb der Baugebietsgrenzen lagen und die innerhalb des Layers Siedlungsgrün (siehe Kapitel 2.2.5) gehörten.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

# Bestimmung von Siedlungszellen
nu$Siedlung <- read_sf("GIS/Baugebietsgrenzen/", crs = 2056) %>% 
  transmute(TypID = 1) %>% 
  fasterize(r, field = "TypID") %>% 
  raster::values()

nu$Gruenpot <- read_sf("GIS/Grundpotential Grünland BB/", crs = 2056) %>% 
  transmute(TypID = 1) %>% 
  fasterize(r, field = "TypID") %>% 
  raster::values()

nu$Typ[is.na(nu$Typ) & !is.na(nu$Siedlung) & is.na(nu$Gruenpot)] <- "Versiegelte Fläche"
nu$Typ[is.na(nu$Typ) & !is.na(nu$Siedlung) & !is.na(nu$Gruenpot)] <- "Siedlungsgrün"

3.1.4 Landwirtschaftsdaten

Die Zuweisung der restlichen noch nicht zugewisenen Rasterzellen machten wir grösstenteils durch die Daten der Landwirtschaftsstatistik (siehe Kapitel 2.2.1) und die Daten der Biodiversitätsförderflächen (siehe Kapitel 2.2.2)

In Tabelle A.1 ist angegeben, wie wir die verschiedenen Kategorien der Landwirtschaftsstatistik den Nutzungskategorien aus Tablle 2.1 zuteilten.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

LNTypen <- read_excel("Tabellen/Zuweisung_Nutzungstypn_LN.xlsx") 
lev <- factor(LNTypen$Typ) %>% levels
tmp <- read_sf("GIS/LNF_KTAG_20180703/", crs = 2056) %>%
  left_join(LNTypen %>% dplyr::select(blw_code, Typ)) %>%
  transmute(TypID = as.integer(factor(Typ)),
            Typ = Typ) %>%
  fasterize(r, field = "TypID") %>%
  raster::values()
nu$Typ[is.na(nu$Typ)] <- lev[tmp][is.na(nu$Typ)]

3.1.5 Gehölze im Offenland

Mit Hilfe des normalisierte digitale Oberflächenmodell (siehe Kapitel 2.2.6) haben wir die Einzelbäume im im Offenland bestimmt. Abbildung 3.1 zeigt einen Kartenausschnitt mit dem Ergebnis der Bestimmung der Einzelbäume im Offenland.

Bestimmung der Gehölze im Offenland anhand des normalisierten digitalen Oberflächenmodells.

ABBILDUNG 3.1: Bestimmung der Gehölze im Offenland anhand des normalisierten digitalen Oberflächenmodells.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

tt <- st_read("GIS/Baeume_Offenland/res_Hecken_v2.gpkg") %>% 
  fasterize(r, field = "ID_HW")
tmp <- tt$layer %>% raster::values()
nu$Typ[!is.na(tmp) & 
         nu$Typ != "Gehölze BFF" & 
         nu$Typ != "Dauerkulturen BFF" &
         nu$Typ != "Dauergrünfläche BFF" &
         nu$Typ != "Unproduktive Flächen BFF" &
         nu$Typ != "Waldrand"] <- "Gehölze"

3.1.6 Einzelgebäude

Alle bisher nicht zugewisenen Rasterzellen, die ein Gebäude gemäss TLM Layer swissTLM3D_TLM_GEBAEUDE_FOOTPRINT.shp (siehe Kapitel 2.2.8) aufwiesen wurden der Kategorie Einzelhof zugewiesen.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

tmp <- read_sf("GIS/Gebaeude/") %>% 
  st_buffer(30) %>% 
  st_cast("MULTIPOLYGON") %>% 
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & (is.na(nu$Typ) | nu$Typ == "Unproduktive Flächen")] <- "Einzelhof"

3.1.7 Unproduktive Flächen

Alle bisher nicht zugewisenen Rasterzellen, die eine der folgenden Bedingungen erfüllten wurden der Kategorie Unproduktive Flächen zugewisen:

  • Bahngeleis gemäss Layer VEC200_Lake aus Vector200 (siehe Kapitel 2.2.9).
  • Fels oder Geröll gemäss Layer VEC200_LandCover aus Vector200 (siehe Kapitel 2.2.9).

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

# Geleise zuweisen
tmp <- read_sf("GIS/VEctor200/LV95/SHAPEFILE/VECTOR200_Product_LV95/Transportation/VEC200_Railway.shp") %>% 
  st_buffer(30) %>% 
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Typ)] <- "Unproduktive Flächen"

# Fels und Geröll zuweisen
tmp <- read_sf("GIS/VEctor200/LV95/SHAPEFILE/VECTOR200_Product_LV95/Landcover/") %>% 
  filter(OBJVAL == "Fels" | OBJVAL == "Geroell") %>%  
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Typ)] <- "Unproduktive Flächen"

3.1.8 Offene Wasserfläche

Alle bisher nicht zugewisenen Rasterzellen, die ein See gemäss Layer VEC200_Lake aus Vector200 (siehe Kapitel 2.2.9) aufwiesen wurden der Kategorie Offene Wasserfläche zugewiesen. Ebenso wurden bisher nicht zugewiesene Rasterzellen die gemäss Layer VEC200_FlowingWater.shx aus Vector200 in einem mindestens 10 Meter breiten Fliessgewässer liegen der Kategorie Offene Wasserfläche zugewiesen.

Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

# Seeflächen zuweisen
tmp <- read_sf("GIS/VEctor200/LV95/SHAPEFILE/VECTOR200_Product_LV95/Hydrography/VEC200_Lake.shp") %>% 
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Typ)] <- "Offene Wasserfläche"

# Fliessgewässer zuweisen
tmp <- read_sf("GIS/VEctor200/LV95/SHAPEFILE/VECTOR200_Product_LV95/Hydrography/VEC200_FlowingWater.shp", crs = 2056) %>% 
  # filter(BREITE > 5) %>% 
  st_buffer(50) %>% 
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Typ) & !is.na(nu$AG)] <- "Offene Wasserfläche"

3.1.9 Autobahnen

Alle bisher nicht zugewisenen Rasterzellen, die gemäss gemäss TLM Layer TLM_Strasse_Autobahn.shp (siehe Kapitel 2.2.8) auf einer Autobahn liegen wurden der Kategorie Versiegelte Fläche zugewiesen. Die Datenaufbereitung haben wir mit folgenden R-Code gemacht:

# Autobahnen zuweisen
tmp <- read_sf("GIS/Autobahn/") %>% 
  st_buffer(50) %>% 
  st_cast("MULTIPOLYGON") %>% 
  fasterize(r) %>%
  raster::values()
nu$Typ[!is.na(tmp) & is.na(nu$Typ)] <- "Versiegelte Fläche"

3.1.10 Lücken schliessen

Wir wiesen nun noch allen Rasterzellen, die bisher noch keine Nutzung zugeordnet bekamen, die häufigste Nutzung aus den Nachbarszellen zu.

3.2 Karte der Nutzungskartierung

Die folgende Grafik gibt einen Ausschnitt des resultierenden Nutzungslayers. Ein GeoTiff mit den Nutzungen kann hier runter geladen werden. Die Projektion des Rasters ist in CH1903+/LV95. Die Nutzungstypen sind entpsrechend Tabelle 3.1 den Nummern im GeoTiff zuzuordnen.

TABELLE 3.1: Zuordnung der Nutzungstypen zu den ID-Nummern, die im GeoTiff abgespeichert sind.
ID Nutzungstyp
1 Acker
2 Acker BFF
3 Aufgelöster Wald
4 Dauergrünfläche
5 Dauergrünfläche BFF
6 Dauerkulturen
7 Dauerkulturen BFF
8 Einzelhof
9 Feuchtgebiet in Offenland
10 Gehölze
11 Gehölze BFF
12 Laubmischwald
13 Nadelwald
14 Offene Wasserfläche
15 Siedlungsgrün
16 Unproduktive Flächen
17 Unproduktive Flächen BFF
18 Versiegelte Fläche
19 Waldrand

Abbildung 3.2 zeigt einen Ausschnitt aus dem resultierenden Nutzungslayer. Die Karte kann gezoomt werden. Die einzelnen Kategorien lassen sich im Symbol oben rechts in der Grafik ein- und ausschalten.

ABBILDUNG 3.2: Ausschnitt aus dem resultierenden Nutzungslayer, den wir für den ganzen Kanton Aargau berechnet haben. Dieser Layer bildet die Grundlage für alle weiteren Auswertungen zur Qualität und Durchlässigkeit der Matrix im Kanton AG.