Space Syntax - InfAR - Bauhaus-Universität Weimar
Space Syntax - InfAR - Bauhaus-Universität Weimar
Space Syntax - InfAR - Bauhaus-Universität Weimar
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
<strong>Bauhaus</strong> Universität <strong>Weimar</strong> SoSe 2009<br />
Professur Informatik in der Architektur<br />
Modul: „<strong>Space</strong> <strong>Syntax</strong>“<br />
Betreuer: Dr. Reinhard König & Sven Schneider<br />
<strong>Space</strong> <strong>Syntax</strong><br />
Seminararbeit<br />
vorgelegt von:<br />
Anica Huck<br />
Studiengang: Geoinformatik
Inhalt<br />
Abgabedatum: 01.10.2009<br />
Abbildungen<br />
III<br />
1 Einleitung 1<br />
2 The social logic of space 2<br />
3 Methodische Grundlagen 3<br />
4 Erstellung von convex und axial maps 5<br />
5 Deskriptive Konzepte für urbane Regionen 7<br />
6 Räumliche Wahrnehmung und <strong>Space</strong> <strong>Syntax</strong> 10<br />
7 Zusammenfassung 13<br />
Literatur 14<br />
II
Abbildungen<br />
Abb. 1 Raum als wesentlicher Aspekt menschlicher Handlungen…………….. 3<br />
Abb. 2 Perspektivische Darstellung räumlicher Anordnungen……………….... 4<br />
Abb. 3 a. Grundriss der Eliat Residenz, Mies von der Rohe; b. convex map<br />
und abstrahierter Graph; c. axial map und abstrahierter Graph……….. 6<br />
Abb. 4 Fiktives Straßennetzwerk mit horizontaler Hauptstraße und<br />
vertikalen Querstraßen………………………………………………….. 7<br />
Abb. 5 Integrationsmuster oder die "Nähe" jedes Linie zu allen anderen<br />
(links); Choise- Werte oder der Grad, inwieweit jede Linie den<br />
einfachsten Weg zu allen anderen aufweist (rechts)……………………. 8<br />
Abb. 6 Umwandlung der axial map zur segment map…………………………. 9<br />
Abb. 7 Globale (oben) und lokale (unten) Integration der Londoner Innenstadt 11<br />
III
1 Einleitung<br />
Bei der Analyse des urbanen Raums wird der Begriff „Stadt“ aus 2 unterschiedlichen<br />
Perspektiven betrachtet. Zum einen wird Stadt als „große Ansammlung von Gebäuden<br />
verbunden durch Raum“ (HILLIER & VAUGHAN 2007: o.S.) definiert. Zum anderen stellt<br />
sie ein „komplexes System menschlicher Handlungen verbunden durch Interaktion“<br />
(HILLIER & VAUGHAN 2007: o.S.) dar. Diese Differenzierung urbaner Räume in<br />
physical und sozial city (HILLIER & VAUGHAN 2007: o.S.) erschwert ein holistisches<br />
Verständnis des Stadtraumes und seiner morphologischen sowie sozialen Aspekte.<br />
<strong>Space</strong> <strong>Syntax</strong> wurde in den Siebziger Jahren des vergangen Jahrhunderts entwickelt.<br />
Diese Forschungsrichtung fokussiert sich auf die Fragestellung holistischer<br />
Stadtanalysen. Dies umfasst eine integrative Betrachtung der phsical und sozial city.<br />
Grundlegend wird der Versucht unternommen, das Verhältnis zwischen komplexen<br />
physischen Mustern und sozialen Aktivitäten im Raum hinsichtlich ihrer<br />
Veränderlichkeit zu verstehen.<br />
Eine der größten Herausforderungen der vergangenen Jahrzehnte ist das Phänomen der<br />
Segregation (HILLIER & VAUGHAN 2007: o.S.) innerhalb von urbanen Gebieten. Hierbei<br />
spiegelt sich die Aktualität der Frage nach einer ganzheitlichen Betrachtung der Stadt<br />
wieder. Letztlich wird die untersucht, ob urbane Segregation eine signifikante physische<br />
Bedeutung ausweist (HILLIER & VAUGHAN 2007: o.S.).<br />
In der folgenden Ausarbeitung sollen grundlegende Konzepte und Methoden der <strong>Space</strong><br />
<strong>Syntax</strong> verdeutlicht, sowie der Bezug zur räumlichen Wahrnehmung hergestellt werden.<br />
Dies soll zu einem besseren Verständnis der hier erörterten Fragestellung führen sowie<br />
Grundlagen für eine technische Umsetzung schaffen.<br />
1
2 The social logic of space<br />
<strong>Space</strong> <strong>Syntax</strong> ist eine Forschungsmethode, welche die Beziehung zwischen Gesellschaft<br />
und Raum beschreibt. Dieser Zusammenhang wird perspektivisch betrachtet, wobei die<br />
generelle Theorie der Strukturierung bewohnter Räume in all ihren diversen<br />
Ausprägungen Grundlage ist (BAFNA 2003: 17). Zu diesen Ausprägungen zählen<br />
Gebäude, Wohngebiete, Städte sowie Landschaften. Hierbei soll der Einfluss des<br />
Zugangs zu räumlichen Anordnungen auf menschliches Verhalten, Kommunikation und<br />
Interaktion (HUNTER 2009: o.S.) untersucht werden. Ausgehend von der Annahme, dass<br />
menschliche Gesellschaften Raum als Schlüssel verwenden, um sich selbst zu<br />
organisieren, kann man von einer Anordnung (configuration in space syntax) des<br />
Raumes sprechen (BAFNA 2003: 17). Durch die Anordnung des Raumes können<br />
verschiedene individuelle Teile benannt und abgetrennt werden, welche<br />
unterschiedlichen sozialen Gruppen oder Aktivitäten zugeordnet werden können.<br />
Weiterhin können individuelle Raumteile als Träger symbolischer oder kultureller<br />
Bezüge fungieren (BAFNA 2003: 18).<br />
Ausgehend von der These, dass räumliche Muster soziale Bedeutung annehmen können<br />
(HILLIER & VAUGHAN 2007: o.S.), heißt auf der anderen Seite jedoch nicht, dass<br />
existierende soziale Strukturen räumlich kartiert werden können (BAFNA 2003: 18). Die<br />
<strong>Space</strong> <strong>Syntax</strong>- Theorie lehnt die Unterscheidung von „space-as-form and society-ascontent“<br />
(HILLIER & HANSON 1984: 9) ab. Stattdessen wird davon ausgegangen, dass<br />
soziale Strukturen von Natur aus räumlich sind und die Anordnungen von bewohnten<br />
Räumen sozialer Logik unterliegen (BAFNA 2003: 18).<br />
Diese Verbindung von Raum und Gesellschaft bezieht sich nicht lediglich auf die<br />
Kartierung beider Disziplinen, sondern auf die dynamische Restrukturierung sowie<br />
Modifizierung von räumlichen Darstellungen. Ein Beispiel für die beidseitige<br />
Erneuerung ist die Erstellung von Grenzen räumlicher Anordnungen (BAFNA 2003: 18).<br />
Diese Anpassung von Grenzen beeinflusst nachhaltig die Beziehung von<br />
Zugangsmöglichkeiten zu bzw. Sichtverhältnissen von Orten und räumlichen<br />
Komponenten. Auf Grundlage dieser dynamischen Interaktion wurden verschiedene<br />
sozial- räumliche Phänomene untersucht und in Modellen umgesetzt, wie beispielsweise<br />
movement model, land use model, crime model und social segregation model (HILLIER<br />
& VAUGHAN 2007: o.S.).<br />
2
3 Methodische Grundlagen<br />
<strong>Space</strong> <strong>Syntax</strong> basiert auf 2 unterschiedlichen Ideen, welche die Objektivität von Raum<br />
und unserer intuitiver Umgang damit (HILLIER & VAUGHAN 2007: o.S.) zu reflektieren<br />
versuchen.<br />
Die Betrachtung von Raum als der Hintergrund von Objekten kann nicht auf<br />
menschliche Handlungen übertragen werden (HILLIER & VAUGHAN 2007: o.S.), jedoch<br />
ist der Raum ein wesentlicher Aspekt menschlicher Handlungen hinsichtlich Bewegung,<br />
Interaktion mit anderen Menschen oder der Betrachtung von Objekten im Raum (Abb.<br />
1). All diese Aspekte verlangen eine räumliche Geometrie.<br />
Abbildung 1: Raum als wesentlicher Aspekt menschlicher Handlungen (HILLIER & VAUGHAN 2007:<br />
o.S.).<br />
Jede dieser Geometrien (Abb. 1) beschreibt ein Aspekt, wie wir Raum benutzten oder<br />
erfahren können. Ableitend von diesen Aspekten wird der Versuch unternommen, zu<br />
sehen wie Gebäude und Städte hinsichtlich Geometrie organisiert sind (HILLIER &<br />
VAUGHAN 2007: o.S.). Die in Abbildung 1 dargestellten Geometrien sind in urbanen<br />
Gebieten vorhanden und verbinden letztlich “geometric intuition with our intuition<br />
regarding the human dimensions of inhabiting space” (PEPONIS & WINEMAN 2002:<br />
274).<br />
Der zweite Ansatz beschreibt den menschlichen Raum nicht als die Eigenschaften eines<br />
individuellen Raumes, sondern umfasst die Beziehung zwischen mehreren Orten,<br />
welche das räumliche Layout der Gebäude oder Städten bildet (HILLIER & VAUGHAN<br />
2007: o.S.). Dieser Ansatz wird als graph-based (HUNTER 2009: o.S.) oder<br />
configuration of space (HILLIER & VAUGHAN 2007: o.S.) bezeichnet. Grundlegend ist<br />
ein gleichzeitiges Vorkommen von Verbindungen zwischen Teilbereichen eines<br />
Gesamtsystems. Der Grund warum die Anordnung von Orten mit in Betracht gezogen<br />
3
werden muss, ist die erweiterte Sichtweise auf die Eigenschaften des Raumes (HILLIER<br />
& VAUGHAN 2007: o.S.). Damit ist gemeint, dass jeder individuelle Raum kein<br />
statisches Aussehen besitz, sondern dass der Raum anders aussieht von verschiedenen<br />
Blickpunkten innerhalb des Layouts. Dies kann durch die Abbildung 2 verdeutlicht<br />
werden. Hier werden Graphen gezeichnet, wobei jeder Kreis (node) einen Raum und<br />
Verbindungslinie (edge) eine Tür darstellt. Beide Graphen unterscheiden sich<br />
voneinander, sind letztlich jedoch derselbe Graph.<br />
Abbildung 2: Perspektivische Darstellung räumlicher Anordnungen (HILLIER & VAUGHAN 2007:<br />
o.S.).<br />
Über die Form des gezeichneten Graphen kann die so genannte integration-segregation<br />
(HILLIER & VAUGHAN 2007: o.S.) gemessen werden. Die integration gibt den Grad an<br />
Erreichbarkeit oder auch Zentralität an, der über die Distanz gemessen wird (HUNTER<br />
2009: o.S.). In diesem Zusammenhang bedeutet das, dass gut integrierte Orte eine kurze<br />
Distanz zu anderen Orten aufweisen. Dies umfasst, wie viele andere Orte man<br />
durchlaufen muss, um von einem Startpunkt alle anderen Orte zu erreichen. Diese<br />
Variable, welche die Anzahl von Orten zwischen 2 ausgewählten Punkten angibt, heißt<br />
depth (BAFNA 2003: 21). Der linke Graph in Abbildung 2 wird als shallow bezeichnet,<br />
4
d.h. der Grad an Integration ist sehr hoch. Währenddessen ist der Graph auf der rechten<br />
Seite deep ist, was einen höheren Grad an Segregation bedeutet.<br />
<strong>Space</strong> <strong>Syntax</strong> wendet die Analyse von angeordneten Raummustern auf die<br />
verschiedenen geometrischen Elemente an, welche durch Gebäude oder Städte<br />
entstehen.<br />
4 Erstellung von convex und axial maps<br />
Um die Analyse räumlicher Anordnungen umsetzten zu können, muss jeder Raum im<br />
komplexen Gesamtsystem auf eine eindeutige graphische Darstellung reduziert werden<br />
(BAFNA 2003: 21). Die in Kapitel 3 vorgestellter graphisch basierter Reproduzierung<br />
der räumlichen Zusammenhänge (durch nodes und edges) ist die einfachste Form der<br />
Abstrahierung. Diese basiert auf einer einfachen Unterteilung von Raum durch Grenzen<br />
(z.B. Zimmerwände in Gebäuden), so genannt boundary partition (BAFNA 2003: 21).<br />
Eine weitere Form der räumlichen Abstrahierung des Layouts ist die Erstellung von<br />
konvexen Polygonen – convex space partitioning oder vereinfacht convex map (BAFNA<br />
2003: 21). Diese Art der Darstellung findet vor allem bei der Analyse von Gebäuden<br />
Anwendung. Die Unterscheidung der konvexen Polygone erfolgt in „fewest and fattest“<br />
(BAFNA 2003: 23). Bei der Generierung der convex map wird zuerst das größte Polygon<br />
identifiziert bis hin zu dem mit den geringsten Ausmaßen. Diesen Polygonen können<br />
wiederum nodes zugewiesen und die Verbindungen durch edges dargestellt werden<br />
(Abb. 3).<br />
Mittels der convex map kann versucht werden soziale Verbindungen wie die Verteilung<br />
von Bevölkerung zu erfassen, jedoch steht der Aspekt der Mobilität weiterhin außen<br />
vor. Dieser Aspekt soll durch die Ermittlung der so genannten linear map oder axial<br />
map (BAFNA 2003: 23) untersucht werden. Diese Karte soll Bewegungsmuster<br />
innerhalb der räumlichen Anordnung der convex map herausarbeiten. Technisch<br />
gesehen wird die axial map durch „longest straight line“ (BAFNA 2003: 23) erfasst,<br />
welche mindestens eine Verbindung zwischen 2 Polygonen durchschreitet. Dieser<br />
Vorgang wird so lange weitergeführt bis alle Verbindungen erfasst wurden. Das<br />
Ergebnis ist ein Netzwerk aus sich kreuzenden geraden Linien (Abb. 3). Wie auch die<br />
convex map wird auch die axial map durch nodes (hier Linien) und edges (hier<br />
Kreuzungspunkte) repräsentiert.<br />
Die axial map kann für die Beschreibung von urbanen Gebieten genutzt werden (BAFNA<br />
2003: 23), wobei die räumliche Anordnung durch Straßennetzwerke strukturiert ist.<br />
5
Beim intuitiven Umgang mit diesem Raum ist wiederum die Sichtlinie ein<br />
Hauptbestandteil zur Zuordnen von Erfahrungen. Ein weiterer Faktor bei der<br />
Wahrnehmung von Raum ist die Anzahl von Kurven oder Wendungen innerhalb einer<br />
Wegstrecke, was ein stärker ausschlaggebender Faktor als die eigentliche Distanz ist<br />
(BAFNA 2003: 24). Ausgehend von dieser Annahme wird die Distanz zwischen 2 Orten<br />
mittels depth berechnet, um die Anzahl der Wegkrümmungen mit einzubeziehen anstatt<br />
lediglich die Länger der Strecke zu berücksichtigen.<br />
Abbildung 3: a. Grundriss der Eliat Residenz, Mies von der Rohe; b. convex map und abstrahierter<br />
Graph; c. axial map und abstrahierter Graph (BAFNA 2003: 24).<br />
6
5 Deskriptive Konzepte für urbane Regionen<br />
Die Unterscheidung zwischen den beiden Grundkonzepten der Stadt – die soziale und<br />
die physische Stadt – innerhalb der integration- segregation- Dimension ist schwierig<br />
(HILLIER & VAUGHAN 2007: o.S.). Dies beinhaltet die Frage, wie der Stadtraum soziale<br />
Ideen verkörpern kann in seinem Aufbau und inwieweit diese räumliche Anordnung<br />
Konsequenzen auf die Belebung von Gebäudeansammlungen hat. Einer der<br />
ausschlaggebenden Faktoren für die Bewegung innerhalb des urbanen Raumes ist das<br />
Straßennetzwerk, welches das größte räumliche Muster innerhalb der Stadt darstellt<br />
(HILLIER & VAUGHAN 2007: o.S.). Diese Theorie wird als natural movement bezeichnet<br />
(HILLIER et al. 1993: o.S.).<br />
Abbildung 4: Fiktives Straßennetzwerk mit horizontaler Hauptstraße und vertikalen Querstraßen<br />
(HILLIER & VAUGHAN 2007: o.S.).<br />
Abbildung 4 stellt ein vereinfachtes Straßennetzwerk mit Haupt-, Quer- und<br />
Seitenstraßen dar. Bei einer intuitiven Betrachtung soll man sich Bebauung vorstellen<br />
sowie Menschen, die sich innerhalb dieses Netzwerkes bewegen auf mehr oder weniger<br />
direkten Linien. Bei dieser Betrachtung wird klar, dass mehr Menschen die Hauptstraße<br />
durchqueren werden als die Nebenstraßen. Weiterhin ist anzunehmen, dass der zentrale<br />
Teil der Hauptstraße höher frequentiert ist als die peripheren Gebiete. Letztlich<br />
bestimmt die Position aller Straßen innerhalb des gesamten Netzwerkes den<br />
Bewegungsfluss zu Ziel- wie auch Durchlaufpunkt. Diese so genannten Ziel- und<br />
Durchlaufpunkte sind die 2 Hauptkomponenten hinsichtlich menschlicher<br />
Bewegungsmuster. Es wird angenommen, dass bei jedem Trip ein Ziel ausgewählt wird.<br />
Beispielsweise werden nähere Zielpunkte innerhalb eines bestimmten Radius eher<br />
7
auswählt. In Abbildung 4 wird somit Orten mit einer einfachen Erreichbarkeit, eine<br />
höhere Wahrscheinlichkeit als Zielpunkt ausgewählt zu werden, zu geschrieben.<br />
Beide Komponenten können gemessen werden. Den Zugang zu einem Zielpunkt wird<br />
über die integration gemessen (HILLIER & VAUGHAN 2007: o.S.). Das Potential eines<br />
Durchlaufpunkt wird durch den Grad, inwieweit jeder Ort den einfachsten Weg zu allen<br />
anderen Orten aufweisen kann, beurteilt. Dieser Grad wird als choice measure<br />
bezeichnet (HILLIER & VAUGHAN 2007: o.S.). In Abbildung 5 sind beide Komponenten<br />
visualisiert, wobei die dunkleren Linien stärker integriert sind bzw. eine höhere<br />
Wahrscheinlichkeit, durchlaufen zu werden, aufweisen.<br />
Abbildung 5: Integrationsmuster oder die "Nähe" jedes Linie zu allen anderen (links); Choise-<br />
Werte oder der Grad, inwieweit jede Linie den einfachsten Weg zu allen anderen aufweist (rechts)<br />
(HILLIER & VAUGHAN 2007: o.S.).<br />
Beide Messungen können innerhalb verschiedener Radien ausgegeben werden, wobei<br />
sich die integration auf eine bestimmte Distanz und choice von Trips auf eine<br />
bestimmte Länge bezieht (HILLIER & VAUGHAN 2007: o.S.).<br />
Wie bereits in Kapitel 4 angerissen muss man bei der Berechung der Distanz davon<br />
ausgehen, dass beim Durchlaufen mehrer Linien ebenfalls einige Kurven Bestand dieser<br />
Strecke sind. Hierbei kommt die Frage auf, ob Menschen sich wirklich innerhalb der<br />
kürzesten Strecke bewegen. Grundlegend ist es zwar das Ziel die Distanz zu<br />
minimieren, jedoch ist unsere Vorstellung von Distanz durch geometrische sowie<br />
topologische Faktoren beeinflusst (HILLIER & VAUGHAN 2007: o.S.). Von HILLIER &<br />
IIDA (2005) wurden verschiedene Faktoren vorgestellt, welche dieses Problem<br />
weiterführend betrachten.<br />
Ausgehend von der axial map werden sämtliche Linien in Segmente unterteilt (bei<br />
Kreuzungen), wobei jedes Segment eine node des Graphen darstellt, die durch<br />
Kreuzungen verbunden sind (HILLIER & VAUGHAN 2007: o.S.). Die Berechung von<br />
integration und choice wird mittels verschiedener Definitionen der Distanz<br />
8
durchgeführt: short path (metrisch), least angle change (geometrisch), fewest turns<br />
(topologisch) (HILLIER & VAUGHAN 2007: o.S.).<br />
Abbildung 6: Umwandlung der axial map zur segment map (HILLIER & VAUGHAN 2007: o.S.).<br />
In Abbildung 6 ist die Umwandlung der axial map in die segment map schematisch<br />
dargestellt. Dies soll die Komplexität der Bewegungsmuster von Menschen im urbanen<br />
Raum verdeutlichen.<br />
In der Studie von HILLIER & VAUGHAN (2007) wurden hinsichtlich der<br />
Bewegungsmuster die meisten Übereinstimmungen mit geometrischen sowie<br />
Winkelmodellen gefunden. Die schlechteste Korrelation wurde mit dem metrischen<br />
Model errechnet. Dieses Phänomen wird durch die so genannte spatial cognition erklärt.<br />
In den vergangen Jahren wurden verschiedene Modelle erstellt, welche den Stadtraum<br />
und Bewegungsmuster analysieren. Ein Beispiel ist die Unterteilung der Stadt in<br />
diskrete Zonen, wobei der Austausch zwischen diesen Zonen durch ihre „Masse“ und<br />
der Distanz untereinander beeinflusst ist (WILSON 2000: o.S.).<br />
Insgesamt muss auf den darauf verwiesen werden, dass diese Modelle oftmals<br />
Mikrostrukturen vernachlässigen. Diese Struktur ist jedoch ein entscheidendes Element<br />
der Makrostruktur der Stadt. Die Einteilung in Zonen kann wiederum nur willkürlich<br />
gewählt werden, da keine physische Notwendigkeit dahinter steht. Dies macht es<br />
grundlegend schwer, Realität und Modell in Hinblick auf die Morphologie sinnvoll zu<br />
verbinden (HILLIER & VAUGHAN 2007: o.S.).<br />
9
6 Räumliche Wahrnehmung und <strong>Space</strong> <strong>Syntax</strong><br />
Die beobachteten Zusammenhänge zwischen menschlichem Verhalten und räumlichen<br />
Strukturen, sowie die Korrelation zwischen dem Grad an integration und der Anzahl<br />
von Bewohnern von bestimmten Gebieten haben vermehrt Aufmerksamkeit auf den<br />
Forschungsbereich der räumlichen Wahrnehmung (in <strong>Space</strong> <strong>Syntax</strong> als spatial cognition<br />
bezeichnet) gelenkt (BAFNA 2003: 26). Ein Schlüsselbegriff ist die so genannte<br />
intelligibility (BAFNA 2003: 26) oder auch Sinnverständlichkeit. Dieser Begriff<br />
beinhaltet die Eigenschaften von Raum, welche einem Beobachter ermöglichen, sich in<br />
diesem Raum zu orientieren und sozusagen „seinen Weg zu finden“ (BAFNA 2003: 26).<br />
Dieser Ansatz wurde durch die <strong>Space</strong> <strong>Syntax</strong>- Forschungsgruppe konzeptionell<br />
umgesetzt. Dabei wird die intelligibility der Umwelt mittels der Vorhersagbarkeit<br />
globaler Strukturen durch das Lesen der lokalen Eigenschaften des Raumes definiert<br />
(HILLIER et al. 1993: o.S.). Technisch gesehen bedeutet das, das globale Strukturen<br />
durch den Integrationswert jeglicher räumlicher Komponenten vorhergesagt werden<br />
können (BAFNA 2003: 27). Die integration wird, wie zuvor beschrieben, durch die<br />
durchschnittliche depth eines räumlichen Objektes von allen anderen räumlichen<br />
Objekten innerhalb eines Systems beschrieben und ist somit durch die gesamte<br />
räumliche Anordnung des Systems beeinflusst. Eine der am häufigsten verwendeten<br />
räumlichen Eigenschaften wird als connectivity (BAFNA 2003: 27) bezeichnet. Die<br />
connectivity ist ebenfalls für jedes räumliche Objekt definiert und bezeichnet die Anzahl<br />
der direkt verbundenen räumlichen Objekte (BAFNA 2003: 27). Auf die convex und<br />
axial map übertragen, stellt es die Anzahl von konvexen Räumen, von denen direkter<br />
Zutritt in ein bestimmtes Polygon möglich ist bzw. die Anzahl der axialen Linien,<br />
welche eine bestimmte axiale Linie durchkreuzen, dar. Der Grad an Korrelation<br />
zwischen integration und connectivity kann als Maß für die intelligibility verwendet<br />
werden (BAFNA 2003: 27).<br />
Es existieren weitere Beschreibungsversuche lokaler Eigenschaften von Räumen. Dazu<br />
zählt beispielsweise die Berechung der integration innerhalb bestimmter Radien. Bei<br />
der Verwendung kleiner Radien wird der Integrationswert einzelner räumlicher Objekte<br />
beschrieben durch ein kleineres lokales System, welches auf räumliche Objekte<br />
innerhalb einer bestimmten depth zugreift (PENN et al. 1998: o.S.).<br />
In Abbildung 7 ist vergleichend die global und die local integration des Londoner<br />
Stadtgebietes dargestellt. Das Farbspektrum (blau bis rot) symbolisiert den Grad der<br />
Integration, wobei rot einen hohen Integrationswert und blau einen niedrigen darstellt.<br />
10
In der oberen Abbildung wurden alle axialen Linien mit in die Berechung einbezogen,<br />
was auch als radius-n bezeichnet wird. Währenddessen ist in der unteren die<br />
Begrenzung der Integration durch 3 depth- Schritte durchgeführt wurden, bezeichnet als<br />
radius-3 (HILLIER 2009: o.S.). Laut HILLIER (2009) scheint durch die Reduzierung des<br />
Radius auf lokale Bereiche ein detailliertes Bild der urbanen Bewegungsstrukturen zu<br />
entstehen.<br />
Abbildung 7: Globale (oben) und lokale (unten) Integration der Londoner Innenstadt (HILLIER<br />
2009).<br />
11
Bei dieser Art der Betrachtung räumlicher intelligibility muss jedoch kritisch die Stadt<br />
als kulturelles Objekt berücksichtigt werden. Laut Definition von intelligibility müssten<br />
räumliche Objekte mit hohen Integrationswerten ebenfalls eine hohe connectivity<br />
ausweisen. Beispielsweise würde so Manhattan auf Grund des gleichmäßig angelegten<br />
Straßennetzwerks eine niedrige intelligibility ausweisen, wo hingegen traditionelle<br />
Marktstädte wie Mytilini in Griechenland (PEPONIS et al. 1989: o.S.) einen sehr hohen<br />
Wert annehmen würden. Laut BAFNA (2003) müssen weitere „Hinweise“ für lokale und<br />
globale Eigenschaften von Raum mit in Betracht gezogen werden. Hier stellt sich die<br />
Frage, welche Art von „Hinweise“ über die räumliche Umgebung können außer<br />
connectivity ermittelt werden, um ein komplexeres Verständnis menschlichen<br />
Verhaltens innerhalb räumlicher Strukturen zu erhalten.<br />
12
7 Zusammenfassung<br />
In dieser Seminararbeit wurde der Versuch unternommen, die social logic of space<br />
hinsichtlich der Methoden der <strong>Space</strong> <strong>Syntax</strong> zu erläutern. Dies beinhaltet die<br />
Betrachtung räumlicher Strukturen, welche eine neue Dimension der<br />
sozialwissenschaftlichen Untersuchung der Stadt ermöglicht.<br />
Basierend auf der Idee der Objektivität des Raums und dem menschlich intuitivem<br />
Umgang mit diesem, wurden 2 unterschiedliche Methoden vorgestellt. Dazu zählen die<br />
geometrisch sowie die topologisch basierten Aspekte.<br />
Weiterführend können diese räumlichen Strukturen vereinfacht dargestellt werden. Dies<br />
erfolgt durch die Erstellung der convex und axial map. Diese visuelle Darstellung stellt<br />
die Grundlage für die Untersuchung urbaner Regionen dar. Der Fokus liegt hierbei<br />
insbesondere auf der Untersuchung des natural movements. Hierbei wird der Versuch<br />
unternommen, menschliche Bewegungsmuster innerhalb eines Straßennetzwerks in<br />
Verbindung mit der räumlichen Anordnung zu bringen. Darunter ist zu verstehen,<br />
welche Art der räumlichen Gegebenheiten Einfluss auf menschliche Bewegungsmuster<br />
haben.<br />
Um diesen Einfluss besser verstehen zu können, wird die spatial cognition oder auch<br />
räumliche Wahrnehmung berücksichtigt. Die am häufigsten verwendeten Methoden zur<br />
Simulierung dieser „Motivation“ hinsichtlich der bevorzugten Bewegungsmuster, ist die<br />
Bestimmung der intelligibility eines Ortes. Diese bezieht Eigenschaften von Orten wie<br />
die connectivity ein.<br />
Dies ist ebenfalls einer der größten Kritikpunkte. Die Vielfalt von räumlichen<br />
Eigenschaften, welche eine Orientierung im Raum ermöglichen, muss berücksichtig<br />
werden. In diesem Feld liegt zukünftig wohl auch das meiste Potential, um ein<br />
komplexes Verständnis der Stadt zu erhalten, welches die physical und social city als<br />
ein gesamtes System versteht.<br />
13
Literatur<br />
BAFNA, S. (2003): <strong>Space</strong> <strong>Syntax</strong>: A Brief Introduction to Its Logic and Analytical<br />
Techniques. – Environment and Behavior 2003, 35, 17-29.<br />
HILLIER, B. (2009): THE COMMON LANGUAGE OF SPACE: a way of looking at the<br />
social, economic and environmental functioning of cities on a common<br />
basis. – <strong>Space</strong> <strong>Syntax</strong>.<br />
(Stand: 2009)<br />
(Zugriff: 2009).<br />
HILLIER, B. & J. HANSON (1984): The Social Logic of <strong>Space</strong>. Cambridge: Cambridge<br />
University Press.<br />
HILLIER, B. & S. IIDA (2005): Network and Psychological Effects in Urban Movement. -<br />
<br />
(Stand: 2009) (Zugriff: 2009).<br />
HILLIER, B., A. PENN, J. HANSON , T. GRAJEWSKI & J. XU (1993): Natural movement:<br />
or, configuration and attraction in urban pedestrian movement. -<br />
Environment and Planning B: Planning and Design 20, 29-66.<br />
HILLIER, B. & L. VAUGHAN (2007): The city as one Thing. - Progress in Planning 67,<br />
205-230.<br />
HUNTER, S. (2009): <strong>Space</strong> <strong>Syntax</strong>. – Center for Inclusive Design and Environmental<br />
Access, <br />
(Stand: 2009) (Zugriff: 2009).<br />
PENN, A., B. HILLIER, D. BANISTER & J. XU (1998): Configurational modeling of urban<br />
movement networks. - Environment and Planning B 25, 59-84.<br />
PEPONIS, J., E. HADJINIKOLAOU, C. LIVIERATOS & D. FATOUROS (1989): The spatial<br />
core of urban culture. – Ekistics 334, 43-55.<br />
PEPONIS, J. & J. WINEMAN (2002): Spatial Structure of Environment and Behavior. In:<br />
BECHTEL & CHURCHMAN (Hrsg.): Handbook of Environmental Psychology.<br />
New York: John Wiley & Sons.<br />
WILSON, A. (2000): Complex Spatial Systems. Prentice Hall.<br />
14
Praxisteil<br />
ULC Depthmap<br />
Die vorhandenen Shapedaten (vorliegend im ESRI- Datenformat) vom Stadtgebiet<br />
Dresden müssen vor der Verarbeitung in Depthmap zunächst in ArcGIS zu DXF- Daten<br />
(CAD- Datenformat) konvertiert werden („Convert to CAD“- Funktion).<br />
Bei dieser Anwendung steht grundsätzlich die Analyse der bereits vorhandenen<br />
Kantenkarte im Vordergrund, nicht die Erstellung einer „axial map“ oder einer „Visual<br />
Graph Analysis“ (VGA). Diese beiden Funktionen stellen einen der<br />
Hauptanwendungsgebiete von UCL Depthmap dar (siehe Tutorials). Ebenfalls ist der<br />
statistische Vergleich von baulichen Daten und anderweitig erhobenen Daten (z.B.<br />
Anzahl der Fußgänger) auf Grund fehlender Daten nicht möglich. Weiterhin war die<br />
Überarbeitung der vorhandenen Daten (z.B. Verlängerung von Straßenzügen) nicht<br />
notwendig.<br />
Grundlegend versteht man unter einer „axial map“ oder „the fewest- line map“ „a<br />
uniquely defined set of lines, which maintains the shortest paths around objects“.<br />
Abbildung 1: Anlegen einer neuen Datei in UCL Depthmap<br />
Zuerst müssen in Depthmap neue Dateien angelegt werden, um die entsprechenden<br />
Daten importieren zu können (Abb. 1). Die Darstellung der Daten umfasst ebenfalls die<br />
Ausmaße sowie die momentane Position in der Bilddatei (unterer rechter Rand in Abb.<br />
2).<br />
15
Abbildung 2: Einladen der DXF- Dateien<br />
Die DXF- Datei wird als einfache Zeichnung importiert und muss zu einer „axial maps“<br />
konvertiert werden. Dies erfolg über die Funktion „Convert Drawing Layer“. In<br />
Abbildung 3 ist die Erstellung des neuen Layer dargestellt.<br />
Abbildung 38: Konvertierung zu "axial map"<br />
Diese „Axial map“ beinhaltet 2 Attribute: „connectivity“ und „line length“ (Abb. 4).<br />
“Line length” sollte selbsterklärend sein. “Connectivity” eines Knoten bezeichnet<br />
hierbei die Anzahl der angrenzenden Knoten, wie in Abbildung 5 beispielhaft<br />
dargestellt ist.<br />
16
Abbildung4: "Axial map"<br />
Grundlegend können ausgehend von dieser “axial map” 2 Analysen durchgeführt<br />
werden, um weitere Attribute zu errechnen: „step depth“ ausgehend von einer oder<br />
mehrerer Linien und die „global integration analysis“ bzw. „local integration analysis“.<br />
Abbildung 5: "Connectivity"<br />
Um die “integration” zu berechnen muss die Funktion “Run Axial Line Analysis...” (in<br />
Axial- Toolbox) angewendet werden. Hierbei ist die Möglichkeit gegeben, den Radius<br />
zu reduzieren, der Ausgehend von allen Startlinien berechnet wird. In diesem Beispiel<br />
17
wird der Radius „n“ angenommen, wobei hier alle Linien der „axial map“ in die<br />
Berechnung weiteren Attribute einbezogen werden (Abb. 6).<br />
Wenn der Radius anstatt „n“ einen Integerwert (1,2,3,…) annehmen sollte, so wird die<br />
„global integration analysis“ hinsichtlich ihrer Weglänge auf den Integerwert reduziert.<br />
Dies wird als „local integration analysis“ bezeichnet.<br />
Abbildung 6: "Global Integration analysis"<br />
Folgende Attribute werden berechnet: „entropy“, „integration“ (HH für Hillier und<br />
Handerson normalisation; Tekl für Teklenburg et al. normalisation), „mean deapth“,<br />
„node count“ und „intensity“ (Abb. 7).<br />
Abbildung 7: "Global integration"- Attribute<br />
18
Die „entropy“ berechnet die Verteilung von Orten hinsichtlich ihrer visuellen „Tiefe“<br />
von einem Knoten, d.h. wenn viele Knoten visuell gesehen nah zum Ausgangsknoten<br />
liegen, ist die „entropy“ gering. Daher kann mittels der „entropy“ Auskunft gegeben<br />
werden, wie das System von einem bestimmten Knoten ausgehend geordnet ist. Die<br />
Berechnung dieses Attributes bezieht sich auf die Hervorhebung von offenen Plätzen<br />
und breiten Straßen.<br />
Als visuelle „integration“ von einem Punkt wird die Anzahl der visuellen Schritte<br />
bezeichnet, welche nötig sind, um von diesem Punkt zu allen anderen Punkten im<br />
System zu gelangen. Die „Hillier und Handerson“- Normalisierung geht von einem<br />
Wachstum der „axial map“- Graphen aus, welche eine Reduzierung der Integration<br />
hinsichtlich der Intersektion der Linien verursacht. Die „Teklenburg“- Normalisierung<br />
der „axial map“ erfolgt durch ein einfacheres Modell, welches eine logarithmische<br />
Skalierung verwendet.<br />
Die „mean depth“ bezeichnet die durchschnittliche Anzahl von Schritten, um von einem<br />
Knoten zu einem anderen zu gelangen, wobei die geringste Anzahl von Schritten<br />
zwischen einzelnen Knoten angestrebt wird.<br />
Der „node count“ gibt die Anzahl aller Knoten an.<br />
Die Berechung der „intensity“ erfolgt über „entropy“ bezüglich der Knotenanzahl in<br />
einem System.<br />
Abbildung 8: Scatter plot "Integration" und "Mean Depth"<br />
In Abbildung 8 ist beispielhaft die Korrelation zwischen „integration“ und „mean<br />
depth“ der „global integration analysis“ dargestellt. Mit Hilfe der Funktion „Scatter<br />
19
Plot“ können verschiedene Attribute miteinander korreliert werden (Ausgabe von R 2<br />
möglich). Die Tabellen (Abb. 9) können erweitert werden, um erhobene Daten mit in<br />
die Berechnung und Darstellung von Korrelationen einzubeziehen.<br />
Abbildung 9: Tabellenübersicht der Attribute der "global integration analysis"<br />
Um die zweite Analyse „step depth“ durchführen zu können, müssen eine oder mehrere<br />
Linien mit ausgewählt werden (durch Anklicken). Dann muss lediglich der „step<br />
depth“- Button in der Menüleiste (Abb. 10) angeklickt werden. Die ausgewählte Linie<br />
erhält dann den Wert 0. Alle anderen Linien erhalten dann den Wert, der die Anzahl der<br />
Veränderung hinsichtlich der Entfernung zur 0- Linie beschreibt.<br />
Abbildung 10: "Step depth"- Analyse<br />
20
Auf Grundlage der „axial map“ kann dann ebenfalls eine Segmentanalyse durchgeführt<br />
werden. Hierbei wird die „axial map“ in Segmente zerlegt, welche zu einem Netzwerk<br />
verbunden werden. Segmente sind üblicher Weise an Abzweigungen verbunden. Ein<br />
Teil dieser Segmentanalyse ist die so genannte „angular analysis“. Die Verbindung von<br />
verschiedenen Winkeln in diesem Segmentnetzwerk oder auch „segment graph“ wurde<br />
durch Hillier und Iida (2004) beschrieben durch eine Gewichtung der Verbindung der<br />
einzelnen Segmente hinsichtlich der Winkel zum nächsten Segment. Hierbei erhält der<br />
Winkel mit 0° den Wert 0, der Winkel 90° den Wert 1 und der Winkel 180° den Wert<br />
2, wobei die Zwischenwerte interpoliert werden.<br />
Abbildung 11: "Segment analysis"<br />
In Abbildung 11 ist Erstellung der „segment map“ beispielhaft dargestellt. Diese wird<br />
genauso wie die „axial map“ erstellt, nur mit der Typangabe „segment map“. Als<br />
Attribute werden die ID der neuen Segmente, die Länger der einzelnen Segmentstücke<br />
sowie die „connectivity“ und die „angular connectivity“ ausgegeben. Die Konvektivität<br />
wird genauso erzeugt wie bei der „axial map“. Die Gewichtung zur Errechung der<br />
„angular connectivity“ wurde bereits erklärt.<br />
Die Analyse der Segmentkarte umfasst wiederum „step depth“, welches genauso wie<br />
bei der Analyse der „axial map“ durchgeführt wird. Das erzeugt Attribut wird als<br />
„angular step depth“ gezeichnet. Hierbei wird die Verbindung von einem Segment zum<br />
nächsten unter Berücksichtigung der Winkelneigung berechnet. In Abbildung 12 ist die<br />
Gewichtung der „step depth“- Analyse hinsichtlich der Winkel dargestellt.<br />
21
Abbildung 12: "Angular step depth"<br />
Weiterhin kann die Funktion „Run Segment Analysis…“ verwendet werden (Abb. 13).<br />
Abbildung 13: "Segment analysis"<br />
Bei dieser Funktion stehen 2 Optionen zur Auswahl. Der erste ist der „Full Angel“-<br />
Analysetyp. Hierbei werden „angular mean depth“ „angular node count“ und „angular<br />
total depth“ als Attribute berechnet. „Node count“ ist die Anzahl von Segmenten,<br />
welche begegnet werden auf dem „Weg“ eines Segmentes hin zu allen anderen.<br />
„Angular total depth“ ist die kumulierte Summe des kürzesten Winkelpfades (Abb. 14),<br />
22
wohingegen „angular mean depth“ diese Summe durch den „angular node count“<br />
dividiert.<br />
Abbildung 14: Segmentattribute<br />
Die zweite Option ist die „Tulpice analysis“. Diese Art der Analyse ist nach Karten<br />
benannt, welche schematische Drehungen darstellen und von Rallyefahrern verwendet<br />
werden. Letztlich erfolgt eine Kategorisierung von Drehungen: alles unter 22,5° erhält<br />
den Wert0, alles zwischen 22,5° und 67,5° den Wert 0,5 und so weiter. Durch die<br />
Kategorisierung von Winkelbereichen (4 bis 1024) wird der Arbeitsprozess schneller<br />
als bei der normalen „angular analysis“, da die Festlegung von exakten Winkeln nicht<br />
notwendig ist.<br />
Confeego (MapInfo)<br />
Als Inputdaten werden MapInfo Table- Datein (*.tab) benötigt. Die Konvertierung von<br />
Shapedateien oder anderen Dateiformaten kann über die „Universal Translator…“-<br />
Funktion ausgeführt werden. Confeego ist als „<strong>Space</strong> <strong>Syntax</strong>“- Button in die Menüleiste<br />
von MapInfo mit eingefügt.<br />
Wie auch bei UCL Depthmap besteht auch hier die Möglichkeit, überlappende Objekte<br />
zu trennen. Jedoch besteht bei diesem Beispiel kein Bedarf, da es keine überlappenden<br />
Objekte in der Kantenkarte vom Stadtgebiet Dresden gibt.<br />
23
Um globale und lokale Integration zur berechnen kann die Funktion „Process<br />
Integration“ (<strong>Space</strong> <strong>Syntax</strong> Menü) verwendet werden (Abb. 15).<br />
Abbildung 15: „Process Integration“<br />
Als Inputdatei wird die „axial map“ verwendet. Die angegebene ID- Spalte muss<br />
individuelle ID´s für alle einzelnen Objekte beinhalten. Wie bereist erwähnt, ist in<br />
diesem Fall die Trennung von Objekten nicht notwendig, daher kann „NO UNLINKS“<br />
ausgewählt werden (Abb. 15).<br />
Die Berechnung der globalen Integration (Radius N) ist immer Bestandteil der Analyse.<br />
Lokale Integration kann über verschiedene Radien erstellt werden. Weiterhin kann die<br />
so genannte „Junction map“ (wie Segmentkarte in Depthmap) berechnet werden,<br />
welche sich auf die verbundenen Schnittpunkte zwischen einzelnen Linien der „axial<br />
map“ beziehen. Dieser Prozess braucht deutlich mehr Zeit für die Verarbeitung.<br />
In der Outputtabelle werden verschiedene Attribute ausgegeben welche sich auf die<br />
verschiedenen Radien beziehen (Int_RN = Radius 0; Int_RRad8 = Radius 8). Dazu<br />
zählen:<br />
- k_R*: Scope = Anzahl an Objekten innerhalb eines bestimmten Radius eines<br />
bestimmten Objektes (z.B. Linie) plus 1, d.h. wenn 10 Objekte innerhalb des Radius<br />
liegen ist der Scope 11;<br />
- TD_R*: Total Depth = die Summe aller „depth“- Werte eines Objektes von allen<br />
anderen Objekten innerhalb eines Radius, d.h. wenn sich 2 andere Objekte einen Schritt<br />
24
entfernt und 3 andere 2 Schritte entfernt befinden, wäre die Rechnung (2 x 1) + (3 x 2) =<br />
8;<br />
- MD_R*: Mean Depth = der durchschnittliche „depth“- Wert einer Objektes von allen<br />
anderen Objekten innerhalb eines Radius;<br />
- RA_R*: Relative Asymmetry = Berechung, welche die Integration eines Objektes mit<br />
theoretischen Variationen der Integration vergleicht, d.h. wenn das Objekt mit allen<br />
anderen Objekten direkt verbunden wäre oder am Ende einer einzelnen Linie liegen<br />
würde;<br />
- Int_R*: Integration = Berechung, welche die „Relative Asymmetry“ normalisiert<br />
anhand der „Scope“- Größe (Abb. 16).<br />
Abbildung 16: Integrationsattributstabelle<br />
Die zweite Funktion in Confeego ist die Berechung der „point depth“ („step depth“ in in<br />
UCL Depthmap). Diese Analyse wird über die „Process Point Depth“- Funktion<br />
ausgeführt. Vorher muss ein Objekt (Linie in „axial map“) ausgewählt werden (einfach<br />
durch anklicken). Die Darstellung der „point depth“ ist analog der in ULC Depthmap,<br />
d.h. das ausgewählte Objekt erhält den Wert 0, einen Schritt entfernt den Wert 1. Der<br />
Radius kann hier ebenfalls angegeben werden (Abb. 17). Beispielsweise werden bei<br />
einem Radius von 3 alle Objekte einbezogen, die 2 Schritte entfernt sind. Die<br />
Einbeziehung aller Objekte und die damit verbundene Berechnung der maximalen<br />
Anzahl von Schritten („depth“- Werten) kann durch das Anklicken von „All Nodes“<br />
durchgeführt werden (Abb. 17).<br />
25
Abbildung 17: "Point depth"<br />
In der Outputtabelle werden folgende Attribute ausgegeben:<br />
- PD: dadurch wird angezeigt, dass es dich um eine „point depth“- Spalte handelt;<br />
- [number]: die maximale Anzahl von „depth“- Werten;<br />
- ALL: gibt an, dass alle „depth“ gefunden wurden;<br />
- UNCONN: gibt an, dass nicht verbundene Systeme gefunden wurden.<br />
Abbildung 18: "Point depth" thematische Darstellung<br />
Die Darstellung der thematischen Karte erfolgt über dasselbe Farbenschema wie in<br />
UCL Depthmap, d.h. die ausgewählte Linie erhält die Farbe rot und mit zunehmender<br />
26
Wertigkeit werden „kühlere“ Farben vergeben (Abb. 18). Dies erfolgt bis zur Schritt 8,<br />
darüber hinaus werden alle Objekte in lila dargestellt bzw. alle Objekte, die nicht mit<br />
analysiert wurden in grau.<br />
Weiterhin ist die Analyse der berechneten Integration sowie „point depth“ hinsichtlich<br />
anderer erhobener Daten möglich mit dem Programm JUMPER (statistische<br />
Auswertung), welches ebenfalls in MapInfo implementiert werden kann. Jedoch war in<br />
diesem Fall keine Lizenz verfügbar, so dass auf diesen Teil der Arbeit verzichtet werden<br />
muss. Weiterhin fehlen Vergleichsdaten (z.B. Fußgängerzahlen für diese<br />
Untersuchung).<br />
27