Ecological Urbanistic Analysis : Integration of Eco-Complexity into Analysis for Multi-species Urban Design through Machine Learning

Abstract

Urbanization exerts pressure on natural environments within and outside urban areas. This affects human life as well as other species and threatens the goals of sustainable development. While most attempts in architecture and urban design to cope with the challenges imposed on cities are rather following a normative ideal of the ‘green city’, recent approaches are aiming at incorporating ecological knowledge through performance-oriented and data-driven design methods. The ECOLOPES project is developing a recommendation system for multi-species building design in urban contexts. Within this project, urban classification is determined to identify potential project sites with similar urban and ecological conditions. Such classifications are a crucial analytical foundation to purposefully develop ecologically sophisticated design proposals. Although urban classification has been a research topic with many applications, a conceptual approach to develop classifications as analytical method, addressing the complex behaviour of ecological systems, has not yet been undertaken. Machine learning provides a set of tools which are promising to engage in new ways with big data and its underlying patterns. But research in the context of ecological urban design is sparse, and machine learning studies are characteristically experimental and case-based. Further, theoretical foundations for interdisciplinary application are still lacking. Therefore, this thesis sets out to conceptualize ecological urbanistic analysis (EUA) as a framework for analysing complex ecological urban systems at multiple spatio-temporal scales and to further assess the potentials and challenges to facilitate the implementation of EUA in urban design through machine learning methods. This thesis is methodically based on grounded theory and uses elements of literature reviews to support the comprehensibility of the results. The main part is a two-step synthesis: 1) a transect of theories of biodiversity, ecological systems, and spatial analysis as a conceptual framework for EUA in the context of multi-species urbanism, which incorporates different dimensions of eco-complexity, and 2) an assessment of current machine learning methods and algorithms in the context of urban ecology with a short review of case studies. This thesis concludes that machine learning offers a novel and interesting approach to analysing complex ecological systems within urban areas, where different algorithms are suited for different aspects of eco-complexity. However, there are also important trade-offs and challenges that come with machine learning as a computational method. Although, up to date, only few studies at small scales, addressing issues of urban ecology and biodiversity, have been conducted, there is a lot of potential for future research. Ultimately, mainstreaming ecological knowledge into urban design and architecture could support long-term sustainable urban development.

Urbanisierung bringt natürliche Umwelten, sowohl innerhalb als auch außerhalb von Städten unter Druck. Betroffen sind sowohl menschliches Leben als auch andere Spezies und das Ziel einer nachhaltigen Entwicklung insgesamt. Während Versuche, durch Architektur und Design mit diesen Herausforderungen einen adäquaten Umgang zu finden, mehrheitlich durch ein normatives Ideal der ‘grünen Stadt’ geprägt sind, zielen neuere Herangehensweisen auf die Integration ökologischen Wissens durch performance-orientierte und datengesteuerte Methoden ab. Das Projekt ECOLOPES entwickelt einen Empfehlungsdienst zur Inklusion von Artenvielfalt im Gebäudedesign urbaner Regionen. Im Rahmen dieses Projekts sollen urbane Klassifikationen potenzielle Bauplätze mit ähnlichen urbanen und ökologischen Bedingungen identifizieren. Solche Klassifikationen sind eine essenzielle analytische Grundlage, um zielgerichtet ökologisch bedeutsame Designvorschläge zu entwickeln. Obwohl urbane Klassifikation bereits breite Anwendungen gefunden hat, fehlt ein konzeptueller Ansatz, um Klassifikationen als analytische Methode, die das Verhalten komplexer ökologischer Systeme integriert, weiterzuentwickeln. Machine Learning bietet eine Auswahl an Werkzeugen, die einen neuen Zugang zu Big Data und den Daten zugrunde liegender Muster versprechen, aber Forschung im Bereich ökologisch-urbanen Designs ist rar und Studien zu Machine Learning sind meistens experimentel und fallorientiert gestaltet. Außerdem fehlen theoretische Grundlagen zur interdisziplinären Anwendbarkeit. Daher hat diese Diplomarbeit zum Ziel ökologisch-urbanistische Analyse (ÖUA) als spezifischen Ansatz für die Analyse komplexer ökologischer, urbaner Systeme auf multiplen räumlichen und zeitlichen Ebenen zu konzeptualisieren und weiters die Potenziale und Herausforderungen zu evaluieren, um die Implementierung von ÖUA im Städtebau durch Methoden des Machine Learnings voranzutreiben. Diese Diplomarbeit setzt als Methodik ’Grounded Theory’, zusammen mit Elementen von Literaturreviews ein, um die Nachvollziehbarkeit der Ergebnisse zu unterstützen. Daraus geht eine zweistufige Synthese hervor: 1) ein Transekt verschiedener theoretischer Ansätze zur Biodiversität, zu ökologischen Systemen und zur räumlichen Analyse als konzeptuelles Framework für ÖUA und 2) eine Evaluierung aktueller Methoden und Algorithmen im Machine Learning, im Kontext urbaner Ökologie, inklusive eines kurzen Reviews durchgeführter Studien. Diese Diplomarbeit kommt zum Schluss, dass Methoden des Machine Learnings einen neuartigen und vielversprechenden Ansatz zur Analyse ökologischer Systeme in urbanen Umgebungen bietet, wobei unterschiedliche Algorithmen verschiedene Aspekte von Öko- Komplexität erfassen können. Allerdings existieren bedeutende Abwägungen und Herausforderungen, die mit Machine Learning als computergestützter Methode einhergehen. Obwohl bis dato nur einige wenige Analysen, die Themen von urbaner Ökologie und Biodiversität beinhalten, in kleinem Maßstabe durchgeführt wurden, bietet sich großes Potenzial für weitere Forschung. In letzter Konsequenz kann die Implementierung von ökologischem Wissen in Städtebau und Architektur langfristig nachhaltige urbane Entwicklung unterstützen.