Doing transformation!? Anspruch und Realität einer Governance transdisziplinärer regionaler Nachhaltigkeitstransformation am Beispiel des Entwicklungsprozesses der Ruhr Academy

Markus Gornik, AG Internationale Stadt- und Metropolenforschung

Ausgehend von dem laufenden Dissertationsprojekt beleuchtet der Vortrag Anspruch und Wirklichkeit bei der Umsetzung regionaler Nachhaltigkeitstransformation am Beispiel der Ruhr Academy. Im Mittelpunkt steht die Frage, wie sich transformative Governance-Kapazitäten (Wolfram et al., 2019) im regionalen Innovationsökosystem des Ruhrgebiets herausbilden können und welche Herausforderungen sich dabei ergeben. Hierzu wird das im Entwicklungsprozess gescheiterte Wissenschaft-Praxis-Format der Ruhr Academy – ein Leitprojekt der Ruhr-Konferenz – als Beispiel für „Doing Transformation” indikatorenbasiert evaluiert. Theoretisch verbindet die Arbeit systemische Ansätze der Transformationsforschung (Fastenrath et al. 2023) und mission-orientierter Innovationspolitik (Kattel & Mazzucato 2023) mit handlungs- und praxistheoretischen Perspektiven der Humangeographie (Reckwitz 2021; Werlen 2020). Empirisch wird die Ruhr Academy als Governance-Episode (Healey 2006) analysiert, um an ihr die positiven und negativen Kipppunkte zwischen strategischer Steuerung und explorativer Erprobung transdisziplinärer Zusammenarbeit in der Nachhaltigkeitstransformation postindustrieller Regionen exemplarisch herauszuarbeiten.

Fastenrath, S.; Tavassoli, S.; Sharp, D.; Raven, R.; Coenen, L. & Wilson, B. (2023): Mission-Oriented Innovation Districts: Towards challenge-led, place-based urban innovation. In: Journal of Cleaner Production 418: 138079; Healey, P. (2006): Transforming governance. Challenges of institutional adaptation and a new politics of space. In: European Planning Studies 14(3): 299–320.Kattel, R. & Mazzucato, M. (2023): Mission-oriented innovation policies in Europe: From normative to epistemic turn? UCL Institute for Innovation and Public Purpose, Working Paper Series (IIPP WP 2023-09). London; Reckwitz, A. (2021): Gesellschaftstheorie als Werkzeug. In: Reckwitz, A. & Rosa, H. (Hg.): Spätmoderne in der Krise. Was leistet die Gesellschaftstheorie? Berlin: Suhrkamp, 31–57. Werlen, B. (2008): Sozialgeographie. Eine Einführung. 3. Auflage. Stuttgart: UTB. Wolfram, M.; Borgström, S. & Farrelly, M. (2019): Urban transformative capacity: From concept to practice. In: Ambio 48(5): 437–448.

Analyse der Übertragbarkeit und Grenzen KI-basierter Methoden zur automatisierten Erfassung versiegelter Flächen in bi-temporalen, luftbildbasierten Fernerkundungsdaten

Jan-Philipp Langenkamp, M.Sc.  (AG Geomatik)

Um negativen Einflüssen wie dem Verlust von Bodenfunktionen oder der Entstehung von städtischen Wärmeinseleffekten entgegenzuwirken, soll die Flächenneuinanspruchnahme für Siedlungs- und Verkehrsflächen in Deutschland bis 2030 auf weniger als 30 Hektar pro Tag reduziert werden. Um dieses Ziel zu erreichen, ist ein räumlich explizites und verlässliches Monitoring versiegelter Flächen erforderlich. Derzeit basiert dieses Monitoring auf statistischen Analysen von Katasterdaten zur Landnutzung. In dieser Arbeit wird die automatisierte Erfassung versiegelter Flächen mithilfe von Methoden der künstlichen Intelligenz (KI) auf Basis von bi-temporalen Luftbilddaten untersucht. Ein zentraler Fokus liegt dabei auf der Analyse der Übertragbarkeit sowie der Grenzen dieser Methoden im saisonalen Kontext.

Synthese multispektraler Sentinel-2-Daten aus Landnutzungs- und Landbedeckungsinformationen mittels generativer Deep-Learning-Ansätze.

Torben Dedring, M.Sc.  (AG Geomatik)

Die KI-gestützte Bilderzeugung hat sich schnell im Alltag vieler Menschen etabliert. Als im Zuge dessen auch die ersten Fernerkundungsdaten künstlich erzeugt wurden, eröffnete sich das Themenfeld der „Deep Fake Geography” (Zhao et al., 2021). An dieser Stelle knüpft die vorgestellte Dissertation an und untersucht die Synthetisierung multispektraler Sentinel-2-Bilder anhand von Landnutzungs- und Landbedeckungsinformationen mithilfe verschiedener generativer Deep-Learning-Ansätze. Das Vorhaben orientiert sich dabei an der aktuellen Entwicklung generativer KI und bedient sich den Netzwerkarchitekturen der „Generative Adversarial Networks“ und Diffusion Modellen. Diese eröffnen neue Anwendungsbereiche, wie die Projektion von Satellitenbildern in die Zukunft und dem Trainieren von KI-basierter Modelle zur Detektion manipulierter oder gänzlich generierter Bilder.

Zhao, B., S. Zhang, C. Xu, Y. Sun, and C. Deng. 2021. “Deep Fake Geography? When Geospatial Data Encounter Artificial Intelligence.” Cartography and Geographic Information Science 48 (4): 338–352. https://doi.org/10.1080/15230406.2021.1910075