Open Access

Irada Ismayilova

• Urban Green Spaces (UGS) significantly affect human well-being in growing cities, with even the sight of greenery enhancing mental productivity and reducing stress-related health issues. Research suggests that the impact of green spaces varies by type. However, existing UGS classifications often overlook small and heterogeneous UGS types due to limited understanding of them, which leads to a substantial portion of urban greenery being missed. This thesis addresses gaps in UGS typologies by establishing a comprehensive list of UGS types present in southern German cities, which we incorporate into a UGS ontology. This ontology includes seven main UGS types- forest, park, grassland, cemetery, urban agriculture, green corridor, and amenity- divided into 28 sub-types. Unlike typologies, our ontology is extendable and machine-interpretable through its formalization. To support ontology-based UGS mapping, we further propose a UGS feature properties schema that is enriched with green spaceUrban Green Spaces (UGS) significantly affect human well-being in growing cities, with even the sight of greenery enhancing mental productivity and reducing stress-related health issues. Research suggests that the impact of green spaces varies by type. However, existing UGS classifications often overlook small and heterogeneous UGS types due to limited understanding of them, which leads to a substantial portion of urban greenery being missed. This thesis addresses gaps in UGS typologies by establishing a comprehensive list of UGS types present in southern German cities, which we incorporate into a UGS ontology. This ontology includes seven main UGS types- forest, park, grassland, cemetery, urban agriculture, green corridor, and amenity- divided into 28 sub-types. Unlike typologies, our ontology is extendable and machine-interpretable through its formalization. To support ontology-based UGS mapping, we further propose a UGS feature properties schema that is enriched with green space type-relevant semantic information. We conduct a novel knowledge-based mapping approach that extracts semantic information relevant to UGS types using official definitions and legal documentation. By combining GIScience tools with machine learning techniques, we create spatial datasets for each semantic feature and perform semantics-based identification. Our findings include detailed semantic characteristics for four UGS types and suggest that while some characteristics effectively map specific green spaces, others require adjustments to enhance their specificity and geographic applicability. By further using Random Forest (RF) classification with Sentinel-2 data and digital orthophotos (DOP), we assess the distribution of urban green in Augsburg and Wuerzburg, achieving over 90\% accuracy. Sentinel-2 with RF can accurately detect large, homogeneous green areas such as forests. In contrast, for more precise delineation of green areas, including individual tree crowns, DOP is a better data choice. This thesis advances the UGS domain, offering a robust knowledge-based mapping tool for urban planners and decision makers. We, also identify areas for future research such as refining the ontology’s feature parameters and extensively testing the developed spatial-semantic features across different regions to confirm their effectiveness. This can enhance the ontology’s utility in urban planning, and help to establish new semantic features of UGSs that better reflect their dynamic nature.…
• Städtische Grünflächen (Urban Green Spaces - UGSs) beeinflussen das menschliche \newline Wohlbefinden in wachsenden Städten erheblich, wobei bereits der Anblick von Grün die mentale Produktivität steigern und stressbedingte Gesundheitsprobleme reduzieren kann. Die Forschung legt nahe, dass die Wirkung von Grünflächen je nach Typ variiert. Bestehende Klassifikationen von UGSs übersehen jedoch häufig kleine und heterogene Grünflächen-Typen aufgrund unseres begrenzten Verständnisses dieser, was dazu führt, dass ein erheblicher Teil städtischer Grünflächen unberücksichtigt bleibt. Diese Dissertation adressiert Lücken in den UGS-Typologien, indem sie eine umfassende Liste von UGS-Typen erstellt, die in süddeutschen Städten vorhanden sind, und diese in eine UGS-Ontologie integriert. Diese Ontologie umfasst sieben Haupttypen von UGS- Wald, Park, Grasland, Friedhof, städtische Landwirtschaft, Grünkorridor und Gemeinbedarfsnutzung - unterteilt in 28 Unterarten. Im Gegensatz zu Typologien istStädtische Grünflächen (Urban Green Spaces - UGSs) beeinflussen das menschliche \newline Wohlbefinden in wachsenden Städten erheblich, wobei bereits der Anblick von Grün die mentale Produktivität steigern und stressbedingte Gesundheitsprobleme reduzieren kann. Die Forschung legt nahe, dass die Wirkung von Grünflächen je nach Typ variiert. Bestehende Klassifikationen von UGSs übersehen jedoch häufig kleine und heterogene Grünflächen-Typen aufgrund unseres begrenzten Verständnisses dieser, was dazu führt, dass ein erheblicher Teil städtischer Grünflächen unberücksichtigt bleibt. Diese Dissertation adressiert Lücken in den UGS-Typologien, indem sie eine umfassende Liste von UGS-Typen erstellt, die in süddeutschen Städten vorhanden sind, und diese in eine UGS-Ontologie integriert. Diese Ontologie umfasst sieben Haupttypen von UGS- Wald, Park, Grasland, Friedhof, städtische Landwirtschaft, Grünkorridor und Gemeinbedarfsnutzung - unterteilt in 28 Unterarten. Im Gegensatz zu Typologien ist eine Ontologie erweiterbar und maschineninterpretierbar durch ihre Formalisierung. Zur Unterstützung der auf Ontologie basierenden Grünflächen-Kartierung schlagen wir darüber hinaus ein Schema von Merkmalseigenschaften vor, das mit typenspezifischen Informationen angereichert ist. Wir setzen einen innovativen, wissensbasierten Kartierungsansatz ein, der semantische Informationen extrahiert, die für die UGS-Typen relevant sind. Dafür verwenden wir offizielle Definitionen und rechtliche Dokumentationen. Durch die Kombination von Geoinformatikwerkzeugen mit maschinellen Lernverfahren erstellen wir räumliche Datensätze für jedes semantische Merkmal und nutzen eine semantikbasierte Identifikation. Unsere Ergebnisse umfassen detaillierte semantische Merkmale für vier UGS-Typen und deuten darauf hin, dass einige Merkmale Grünflächen effektiv kartieren, während andere Anpassungen benötigen, um ihre Spezifität und geografische Anwendbarkeit zu erhöhen. Durch den weiteren Einsatz einer Random-Forest-Klassifikation (RF) mit Sentinel-2-Daten und digitalen Orthophotos bewerten wir die Verteilung der Grünflächen in Augsburg und Würzburg und erreichen eine Genauigkeit von über 90\%. Sentinel-2 mit RF kann große, homogene Grünflächen wie Wälder genau identifizieren. Im Gegensatz dazu sind digitale Orthophotos die bessere Datenbasis für eine präzisere Abgrenzung von Grünflächen, einschließlich einzelner Baumkronen. Diese Dissertation leistet einen Beitrag in der UGS-Forschung, indem sie Stadtplanern und Entscheidungsträgern ein robustes, wissensbasiertes Kartierungswerkzeug bietet. Wir identifizieren jedoch auch Bereiche für zukünftige Forschung, wie die Verfeinerung der Merkmalsparameter der Ontologie und umfangreiche Tests der entwickelten räumlich-semantischen Merkmale in verschiedenen Regionen, um deren Wirksamkeit zu bestätigen. Dies kann die Nützlichkeit der Ontologie in der Stadtplanung erhöhen, indem neue semantische Merkmale integriert werden, die die dynamische Natur der UGS besser widerspiegeln.…