Straßennetzstruktur beeinflusst Umwandlung von Wohn- zu Gewerbeflächen in Erbil

USA: Straßennetzstruktur beeinflusst Umwandlung von Wohn- zu Gewerbeflächen in Erbil

Kernbefunde

Eine Analyse des städtischen Straßennetzes von Erbil zeigt, dass die historische Anordnung der Straßen von 2004 maßgeblich die Umwandlung von Wohn- zu Gewerbeflächen zwischen 2004 und 2024 entlang bestimmter Korridore erklärt. Dabei erwies sich die gewichtete Geradheit (weighted straightness) als stärkster und beständiger Prädiktor für die kommerzielle Nutzung. Das Modell des zweischichtigen Graph Convolutional Network (GCN) erreichte höhere Genauigkeit, Präzision und F1‑Score, während die logistische Regression leicht höhere Trefferquote und ROC‑AUC lieferte.

Hintergrund

In vielen wachsenden Städten vollzieht sich die Umwandlung von Wohngebieten in Gewerbeflächen selektiv entlang zentraler Verkehrsachsen. Die zugrunde liegenden strukturellen Mechanismen, die diese räumliche Konzentration steuern, sind jedoch bislang unzureichend erforscht. Das vorliegende Werk adressiert diese Forschungslücke, indem es die Rolle des Straßennetzes als Determinante für zukünftige Nutzungsänderungen untersucht.

Datenbasis

Die Forschenden rekonstruieren das Straßennetz von Erbil aus dem Jahr 2004 mit insgesamt 279 Knoten. Für jeden Knoten werden zentrale Netzwerkmaße – gewichteter Grad, Betweenness, Closeness, PageRank und gewichtete Geradheit – berechnet. Diese Kennzahlen dienen als Prädiktoren für die spätere Nutzungsentwicklung.

Methodik

Auf Basis derselben Prädiktoren werden zwei Vorhersagemodelle trainiert: ein klassisches logistisches Regressionsmodell und ein zweischichtiges Graph Convolutional Network. Beide Modelle werden mit einem stratified 70:30‑Split trainiert und anschließend 30‑mal mit zufälligen Wiederholungen validiert. Die Bewertung erfolgt mittels konventioneller Klassifikationsmetriken sowie räumlicher Kohärenzindikatoren wie Anzahl verbundener Komponenten und Verhältnis zur größten zusammenhängenden Komponente.

Ergebnisse

Im Haupt‑Split erzielt das GCN höhere Werte für Genauigkeit, Präzision und F1‑Score, während die logistische Regression leicht bessere Werte für Recall und ROC‑AUC aufweist. Wiederholte Validierungen bestätigen, dass die logistische Regression sensibler gegenüber einzelnen umgewandelten Knoten ist, das GCN jedoch weniger fragmentierte Ergebnisse liefert und größere zusammenhängende Flächen erzeugt. Diese Unterschiede verdeutlichen die Notwendigkeit, Modellbewertungen über reine Knoten‑Genauigkeit hinaus zu erweitern.

Prädiktoren

Unter allen getesteten Netzwerkmaßen zeigt die gewichtete Geradheit die robusteste Korrelation zur späteren kommerziellen Umwandlung. Knoten, die entlang gerader, wenig gekrümmter Straßen liegen, weisen ein signifikant höheres Risiko für eine Nutzungsänderung auf als solche in stärker verzweigten Bereichen.

Bedeutung für die Planung

Der vorgestellte Analyse‑ und Vorhersage‑Rahmen bietet Stadtplanern ein übertragbares Werkzeug, um potenzielle Gewerbeexpansionen frühzeitig zu erkennen und proaktive Planungsentscheidungen zu treffen. Durch die Integration räumlicher Kontinuitätsmaße können Entscheidungsträger die städtische Entwicklung nicht nur anhand punktueller Genauigkeit, sondern auch hinsichtlich der Gesamtkohärenz steuern.Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access).