Einleitung
Jede Stadt und auch Münster hat sie - Straßen, die hell, belebt und einladend wirken, und aber auch solche, die man lieber meidet. Das Wohlfühlen auf Straßen ist jedoch subjektiv und lässt sich nicht auf einen einzelnen Faktor reduzieren. Vielmehr entsteht es aus dem Zusammenspiel unterschiedlicher Faktoren wie der Beleuchtung, Lärmbelastung oder ÖPNV-Anbindung. Die Karte setzt hier an, indem sie verschiedene mögliche Einflussfaktoren systematisch zusammenführt und auf Straßenebene abbildet. Durch die interaktive Gestaltung der Karte können Nutzende individuell festlegen, welche Aspekte für ihr persönliches Wohlbefinden besonders wichtig sind. Die Karte unterstützt dabei, gezielt die Wege durch Münster zu wählen, auf denen man sich selbst besonders wohlfühlt.
Methodik
Die Umsetzung des Projekts erfolgte in gemeinsamer Arbeit über Google Colab, unterstützt durch KI-Assistenzen, wie den Gemini Coding Assistant und ChatGPT. Ergänzend fanden wöchentliche virtuelle Abstimmungen sowie regelmäßige Präsenztreffen statt, um Entscheidungen gemeinsam zu treffen. Das Projekt begann mit der Identifikation und Beschaffung geeigneter Datenquellen, setzte sich mit deren systematischen Aufbereitung fort und endete mit der Entwicklung einer interaktiven Kartenanwendung zur Visualisierung der integrierten Datensätze. Dieses Vorgehen wird folgend detaillierter beschrieben:
Datenbeschaffung & Datenverarbeitung: Zu Beginn des Projekts wurden potenziell relevante Datensätze identifiziert, die zum Wohlfühlen auf den Straßen Münsters beitragen könnten. Die Recherche geeigneter Faktoren erfolgte primär über das Open-Data-Portal der Stadt Münster sowie über OpenStreetMap (OSM).
Aus OpenStreetMap wurden das Straßennetz Münsters sowie ergänzende Infrastrukturdaten extrahiert, darunter Informationen zu Beleuchtung, Polizeistationen, Taxiständen, von Bussen befahrenen Straßen und Bushaltestellen. Diese Merkmale wurden als potenziell förderliche Wohlfühlfaktoren definiert. Ergänzend wurden über das Open-Data-Portal Datensätze zu Lärmbelastung und Verkehrsunfällen ausfindig gemacht. Während Verkehrsunfälle tendenziell negativ mit dem Wohlfühlen auf Straßen assoziiert werden, ist die Wirkung von Lärm individuell interpretierbar, etwa als Zeichen von Belebtheit oder als Störfaktor.
Bei Bedarf wurden Datensätze anschließend mittels QGIS exploriert, um Informationen über die räumliche Struktur, das verwendete Referenzsystem, Qualität und Verwendbarkeit zu sammeln und notwendigen Konvertierungsbedarf zu ermitteln. Beispielsweise haben wir sichergestellt, dass alle Datensätze das Referenzsystem EPSG 25832 verwenden, um keinen Versatz zwischen den verschiedenen Objekten zu generieren. Anschließend wurden relevante Attribute der jeweiligen Datensätze gefiltert und die betroffenen Datensätze für die Weiterverarbeitung in GeoJSON konvertiert. Im nächsten Schritt wurden die identifizierten Datensätze, sofern notwendig, auf den Bereich der Stadt Münster begrenzt. Dadurch wurde die Datenmenge reduziert und die Weiterverarbeitung vereinfacht. Sämtliche Daten des Straßennetzes Münsters, welches in den OSM-Daten enthalten war, konnten mittels des Python-Paketes OSMnx gewonnen werden. Die anschließende Verarbeitung und Zusammenführung der Geodatensätze erfolgte mit GeoPandas. Das Ergebnis war ein großer Datensatz im GeoJSON-Format, welcher sämtliche Straßeninformationen und deren Betroffenheit bezüglich der Wohlfühl-Faktoren besaß.
Für eine effizientere Ausführung der Notebooks wurden die aggregierten Datensätze lokal als CSV-Dateien gespeichert, wodurch wiederholte Serveranfragen reduziert und Ladezeiten minimiert werden konnten.
Visualisierung der Datensätze
Zu Beginn wurde eine Visualisierung innerhalb des Colab Notebooks implementiert. Hierfür wurde die Python-Bibliothek Folium genutzt, welche eine gängige Wahl bei der Erstellung interaktiver Web-Maps ist. In einem ersten Schritt der Visualisierung wurden die Datensätze „Licht“ und „Lärm“ zusammengeführt und kartografisch dargestellt, um eine geeignete Form der Integration und Kartenabbildung zu entwickeln. Aufbauend auf diesem Konzept wurden sukzessive weitere Datenquellen ergänzt und in die bestehende Logik integriert.
Um die Performance und Reaktionsgeschwindigkeit der Karte zu optimieren, wurde die zu verarbeitende Datenmenge durch die Beschränkung der Faktorberechnung auf Straßenobjekte verringert. Dies hat keine Einbuße bei dem Informationsgehalt verursacht, da ein Großteil der interpolierten Flächen sowieso keinen informativen Mehrwert beigetragen hatte. Beispielsweise war die Information über einen Wohlfühlfaktor auf privaten, unzugänglichen Grundstücken nicht relevant für den Anwendungszweck der App und hätte von den relevanten Informationen abgelenkt. Ebenso wurde die Darstellung auf Objekte beschränkt, die von mindestens einem Faktor betroffen waren, was ebenfalls die Geschwindigkeit des Kartenaufbaus erheblich erhöht hatte. Zur Übertragung punktueller Informationen (z. B. Beleuchtung oder Verkehrsunfälle) auf Straßensegmente wurden angemessene Buffer generiert, um die anliegenden Straßen entsprechend attribuieren zu können.
Da die reine Implementierung in Python über Google Colab Notebooks technische Hürden bezüglich reaktionsschneller, dynamischer Karteninteraktionen aufgezeigt hatte, wurde an diesem Punkt auf einen hybriden, lokalen Ansatz umgestiegen. Gerade die Implementierung von Checkboxen, für die individuelle Auswahl zu berücksichtigender Faktoren, hatte zu langen Reloads und zu einer hakeligen Bedienung geführt. Die finale Implementierung nutzte die in Python verarbeiteten Datensätze, um ein HTML-Template anzureichern, welches auch CSS und JavaScript enthielt, und deployte dieses via Streamlit, einer Python-Bibliothek für die Erstellung interaktiver Karten zur Datenvisualisierung. Mit diesem Ansatz konnte eine interaktive Karte mit Checkboxen und Slidern, für die individuelle Konfiguration der Faktorengewichtung, mit zufriedenstellender Usability bereitgestellt werden.
Ergebnis
Das Ergebnis ist eine interaktive Karte der Straßen Münsters, die anzeigt, auf welchen Straßen man sich potenziell wohlfühlen könnte. Dafür können die Nutzenden selbst festlegen, welche Faktoren für ihr persönliches Wohlbefinden in der Stadt relevant sind. Zu den sieben berücksichtigten Faktoren zählen Straßenbeleuchtung, Buslinien, Bushaltestellen, Unfälle, Polizeistationen, Taxistände und Lärm. Beim Öffnen der Karte ist eine Default-Gewichtung der Faktoren eingestellt. Diese kann aber von den Nutzenden individuell konfiguriert werden. Die Gewichtung je Faktor reicht von minus 3 (sehr negativer Einfluss des Faktors auf das Wohlbefinden) bis plus 3 (sehr positiver Einfluss des Faktors auf das Wohlbefinden). Auf Grundlage dieser individuellen Gewichtung wird für jede Straße ein Wohlfühl-Score berechnet, der in vier Farbstufen auf der Karte dargestellt wird: Rot steht für einen niedrigen Wohlfühlscore, Orange für einen mäßigen, Gelb für einen mittleren und Grün für einen hohen Wohlfühl-Score. Der Wohlfühl-Score setzt sich aus der gewichteten Summe der einzelnen Faktoren zusammen. Die Faktoren, deren Gewichte und die Berechnung des Wohlfühl-Scores sind auch einer eingebetteten Legende zu entnehmen. Komfort-Funktionen, wie ein Toggler für den Wechsel der Hintergrundkarte oder Buttons für Selektionshilfen (Alle an / Alle aus / Gewichte zurücksetzen) wurden ebenfalls hinzugefügt. Die Karte dient dazu, das subjektive Wohlbefinden in Münster sichtbar zu machen. Nutzende können dadurch Straßen identifizieren, auf denen sie sich, basierend auf ihren Prioritäten, eher wohl bzw. unwohl fühlen könnten, und ihre Wege entsprechend planen.
Mögliche Optimierungen der Wohlfühlkarte: Eine kritische Betrachtung der Münsteraner Wohlfühlkarte weist mehrere methodische und konzeptionelle Limitationen auf, die im Rahmen eines Weiterentwicklungsprojektes optimiert werden könnten. Ein lokal begrenzt auftretendes Merkmal, wie etwa das Vorhandensein einer einzelnen Lampe, beeinflusst den Wohlfühlfaktor des gesamten Straßensegments. Dadurch wird die tatsächliche Wohlfühlsituation beeinträchtigt. Eine feinere räumliche Auflösung (z.B. kürzere Segmente) könnte an dieser Stelle die Genauigkeit erhöhen.
Ferner ist anzumerken, dass die Auswahl der Wohlfühlkriterien auf subjektiven Annahmen beruht. Die Faktoren sind nicht empirisch validiert. Folglich ist nicht gewährleistet, dass die berücksichtigten indirekten Merkmale wie die Beleuchtung das Wohlbefinden in seiner Gesamtheit adäquat abbilden. Zukünftige Projekte könnten theoretische Erkenntnisse systematisch in die Konzeption integrieren und darüber hinaus ortsbezogenes Nutzerfeedback zum subjektiven Wohlfühlempfinden in Münster erheben.
Zum jetzigen Zeitpunkt werden keine tageszeitlichen Effekte berücksichtigt. Während das Verkehrsaufkommen vieler Straßen tagsüber deutlich höher ist als in den Nachtstunden, trägt Beleuchtung ausschließlich bei Dunkelheit zur Steigerung des Wohlbefindens bei. Diese Unterschiede könnten durch die Einbindung dynamischer Echtzeitdaten oder durch die Möglichkeit nutzerseitiger Zeitangaben berücksichtigt werden. Eine große Herausforderung stellt jedoch die eingeschränkte Datenverfügbarkeit da.
Unsere Learnings
Durch die Münsteraner Wohlfühlkarte konnte das Wissen aus dem Data-Science-Lernpfad praxisnah angewendet werden. Dabei zeigte sich, dass insbesondere die Datenverfügbarkeit und Qualität wesentliche limitierende Faktoren darstellen. Der ursprüngliche Ansatz sah die Entwicklung einer Münsteraner Sicherheitskarte vor. Aufgrund der begrenzten Datenverfügbarkeit wurde dieser Ansatz jedoch angepasst und in Form einer Wohlfühlkarte umgesetzt. Die Zusammenführung mehrerer Datensätze erforderte zudem zusätzliche konzeptionelle und technische Überlegungen. So wiesen die Datensätze unterschiedliche Geometrietypen auf. Während ein Teil der Daten in Form von Punktgeometrien (z.B. Licht, Unfälle) vorlagen, waren andere als Polygone (z.B. Lärm) definiert. Darüber hinaus stellten wir fest, dass eine Optimierung der Performance essenziell ist, da der Datenumfang und die Visualisierungsform einen direkten Einfluss auf die Nutzererfahrung sowie die Ladezeiten haben.
Github:
https://github.com/Flugmango/wohmue
Open Street map:
https://www.openstreetmap.org/export
Lärm-Datensatz:
https://opendata.stadt-muenster.de/dataset/lärmkartierung-2022-für-das-stadtgebiet-münster
Unfälle-Datensatz:
https://opendata.stadt-muenster.de/dataset/unfälle-im-regierungsbezirk-münster
Team
Leo Dreher
In alle Schritte des Projekts eingebunden.
Kathrin Heitling
In alle Schritte des Projekts eingebunden.
Carolin Knühl
In alle Schritte des Projekts eingebunden.
Boris Stöcker
In alle Schritte des Projekts eingebunden.
Mentor:in
Hendrik Linn
