simplyCity

Roman Ficht
Johanna Kargruber
Sebastian Clark Koth
PublikationProfessur
Architekturinformatik
Projektarbeit
In der heutigen Welt ist das Wachstum der Städte nicht nur ein unvermeidlicher weltweiter Trend, sondern auch ein Schlüsselfaktor für eine nachhaltige Entwicklung. Sie unterstützt zwar das Wirtschaftswachstum und fördert Bildung, Fortschritt und Innovation, birgt aber auch viele Herausforderungen, wie körperliche und geistige Gesundheit sowie Kriminalität und nachhaltige Herausforderungen. Alle diese Probleme haben dabei mit demselben Faktor zu kämpfen: Die Ungewissheit, die Zukunft vorhersagen zu können. Die größte Schwierigkeit bei der Stadtplanung besteht darin, eine fundierte Prognose darüber abzugeben, welches Stadtdesign erfolgreich sein wird und welche Probleme die Stadt in den nächsten Jahrzehnten zu bewältigen haben wird.
Hypothese Wenn wir die Multidimensionalität des Städtewachstums auf eine quantifizierbare Ebene vereinfachen, könnten wir uns weniger auf das Nachvollziehen der Vergangenheit und mehr auf die Diskussion über die Zukunft konzentrieren. Dieses Projekt konzentriert sich auf die Entwicklung eines Konzeptwerkzeugs, das keine Kenntnisse über das Erkennen oder Verstehen von städtischen Wachstumsmustern und -trends benötigt, sondern das städtische Wachstum mit Hilfe neuronaler Netze als vereinfachtes Stadtbild vorhersagt. simplyCity. Konzept Abb. 1 zeigt das vorgestellte Konzept und unser tatsächlich angepasstes Szenario, (i) die Erstellung unseres eigenen Datensatzes, um die Komplexität der Faktoren, die in die städtische Morphologie einfließen, zu minimieren (Abb. 2) und (ii) die Auslagerung des künstlichen neuronalen Netzes (ANN) in Python und die Verwendung von Grasshopper nur als Werkzeug für die Kommunikation zwischen dem Input/Output und dem neuronalen Netz sowie als Werkzeug zur Visualisierung der Vorhersage. Methodik Die Datenerfassung dauerte 98 Stunden und 40 Minuten und ergab insgesamt 2.686 Bilder eines Schleimpilzwachstums. In einem Grasshopper-Tool werden die einzelnen Bilder nacheinander importiert und mit einem variablen Punktraster überlagert. Die so definierten Farbpixel werden dann in die RGB-Kanäle aufgeteilt und mit der K-Means Clustering-Komponente von Owl in zwei Cluster aufgeteilt. Diese Komponente verwendet den K-Means-Algorithmus, der eine ähnliche Gruppe in K nicht überlappende Cluster (K=2, Schleimschimmel und Nicht-Schleimschimmel) unterteilt. Mit kleinen Änderungen an einem bestehenden Convolutional LSTM-Code von Keras konnten die beschrifteten dichromatischen Bilder verarbeitet und als Eingabe für das räumlich-zeitliche Vorhersagemodell in Python verwendet werden. 2.600 Bilder wurden zum Trainieren und Validieren des Modells verwendet (90 % Training und 10 % Validierung) und 86 Bilder wurden zum Testen des trainierten Modells verwendet. Abb. 3 zeigt das Eingangs- und Ausgangsbild des trainierten Modells sowie das tatsächliche nächste Bild. Obwohl der Kontrast zwischen den Pixeln sehr gering ist, ähnelt das Ergebnis in etwa dem tatsächlichen Bild das vorhergesagt werden sollte. Es scheint, dass das trainierte Modell in gewisser Weise Zeitreihenmuster erkennt. Dennoch wird deutlich, dass die Vorhersagekraft recht gering ist. Mit mehr Wissen auf dem Gebiet der ANN und einem ausgefeilteren Modell sollte es möglich sein, eine genauere räumlich-zeitliche Vorhersage unter Berücksichtigung langfristiger Abhängigkeiten zu erstellen.