Für die Raumplanung ist es entscheidend zu verstehen, wo in Zukunft Bevölkerung und Beschäftigung zu- oder abnehmen. Die bestehenden Szenarien geben auf Bundes- und Kantonsebene Orientierung, lassen die kleinräumige Entwicklung jedoch offen. Am Departement Bau, Umwelt und Geomatik der ETH Zürich entwickeln wir ein schweizweites GeoAI-Modell, das Veränderungen bei der Arbeitsplatz- und Bevölkerungsdichte in Fünfjahres-Schritten prognostiziert und prüft, auf welcher räumliche Ebene das Modell die Dynamik vorhersagen kann.
Die räumliche Verteilung von Bevölkerungsveränderung ist wichtig für die Planung von Erholungsräumen, Schulen, sozialer Infrastruktur und Verkehrsangeboten. Ihre Vorhersage ist jedoch anspruchsvoll. Viele Modelle prognostizieren künftige Bevölkerungsdichten, (anstelle der Veränderung) und messen ihre Güte an diesen absoluten Werten. Diese hängen stark mit den heutigen Dichten zusammen. Solche Bevölkerungsdichte-Modelle können daher gut abschneiden, die Veränderung aber dennoch ungenau erfassen. Planungsrelevant ist gerade diese Veränderung: Wo steigt oder sinkt die Dichte um 20 Personen pro Hektare? Lokale Entwicklungen werden jedoch von schwer vorhersehbaren Faktoren wie Bauverzögerungen, Eigentumsverhältnissen oder Umzonungen geprägt.
Die Erreichbarkeit hat eine Schlüsselrolle
Unser GeoAI-Modell greift eine zentrale Logik von Land-Use-Transport-Interaction-Modellen (LUTI) auf. Es lernt aus historischen Veränderungen bei der Arbeitsplatz- und Bevölkerungsdichte und berücksichtigt insgesamt 130 erklärende Variablen. Das gesamte Modell arbeitet auf einem 500-Meter-Raster des Schweizer Siedlungsgebiets, wodurch räumliche Unterschiede in bestehenden Dichten, Umfeldentwicklung, Topographie und weiteren Einflussgrössen differenziert abgebildet werden können. Eine Schlüsselrolle spielt dabei die Erreichbarkeit: Sie beeinflusst, wo sich Bevölkerung und Beschäftigung entwickeln, während die Siedlungsentwicklung wiederum die Erreichbarkeit mitbestimmt. Die feine Rasterebene ist damit die Modellierungsebene – nicht automatisch die Ebene, auf der auch die Vorhersagen belastbar sind.
Lokale Fehler werden teilweise ausgeglichen
Geprüft wird, wie gut das Modell, das anhand von Daten aus den Jahren 1990 bis 2020 trainiert wurde, Veränderungen der Bevölkerungsdichte und der Beschäftigtendichte in Vollzeitäquivalenten zwischen 2020 und 2025 vorhersagt. Die Abbildung zeigt das Ergebnis für den Raum Winterthur. Auf der 500-Meter-Ebene liegen Über- und Unterschätzungen oft direkt nebeneinander. Werden die Prognosen zu Zellen mit Seitenlängen von 1,5 und 4,5 Kilometern zusammengefasst, gleichen sich lokale Fehler teilweise aus. Der Anteil der erklärten räumlichen Variation (R²) steigt so von 0,17 über 0,49 auf 0,76.
Die Veränderung zwischen unterschiedlichen Varianten ist zentral
Für Szenarien ist dieser Ansatz besonders geeignet. Im Zentrum steht dabei häufig nicht der exakte zukünftige Zustand, sondern die Veränderung zwischen unterschiedlichen Varianten: Wie entwickelt sich ein Gebiet mit oder ohne Takterhöhung? Welche räumlichen Effekte hat die Entwicklung eines grösseren Areals? Da das Modell direkt auf Veränderungen von Bevölkerung und Beschäftigung trainiert ist, kann es solche Unterschiede räumlich abbilden. Gleichzeitig zeigt die Auswertung über mehrere räumliche Ebenen, auf welcher Auflösung diese Szenarioeffekte belastbar interpretiert werden können. Einzelne Zellen bleiben unsicher, aber für die meisten der prognostizierten Zellen lassen sich jedoch Richtung und Grössenordnung der Entwicklung verlässlicher abschätzen.
Dr. Yves M. Räth forscht an der Professur für Planung von Landschaft und Urbanen Systemen der ETH Zürich. In seiner Promotion zur Siedlungsentwicklung untersuchte er insbesondere, wie lokale und regionale Prozesse zusammenwirken. Er entwickelt GeoAI-Methoden, um räumliche Dynamiken von Siedlungen besser zu verstehen und vorherzusagen.
Dr. Marco Miotti ist wissenschaftlicher Mitarbeiter an der Professur für Ökologisches Systemdesign der ETH Zürich. Sein Forschungsschwerpunkt liegt auf der Analyse und Modellierung von Mobilität und urbanen Systemen. Dabei verbindet er Verkehrsmodellierung, räumliche Analysen und Nachhaltigkeitsbewertungen.
Dr. Maarten J. van Strien ist leitender Wissenschaftler an der Professur für Planung von Landschaft und Urbanen Systemen (PLUS, IRL). Sein Forschungsschwerpunkt liegt auf der Modellierung und Analyse sozial-ökologischer Systeme, wofür er verschiedene Methoden des maschinellen Lernens einsetzt.
