Einführung in Computational Methods in Urban History

Die Entwicklung der historischen Stadtplanung zu verstehen ist unerlässlich, um zu verstehen, wie sich Städte über Jahrhunderte entwickelt haben. Traditionelle Ansätze stützten sich stark auf Textaufzeichnungen, Karten und archäologische Ausgrabungen, aber diese Methoden ließen oft Lücken in der räumlichen und zeitlichen Abdeckung. Jüngste computergestützte Fortschritte haben neue Wege eröffnet, vergangene Stadtlayouts, Infrastruktur und soziale Dynamiken mit einer Präzision und einem Umfang zu analysieren, die zuvor unmöglich waren. Durch die Anwendung von Algorithmen, Datenanalyse und Modellierung können Forscher alte Stadtpläne rekonstruieren, räumliche Beziehungen quantifizieren und Wachstumsmuster simulieren - was die Art und Weise, wie wir Stadtgeschichte interpretieren, verändert.

Computational urban history sitzt an der Schnittstelle von Digital Humanities, Geographie und Data Science. Sie ermöglicht es Wissenschaftlern, Fragen zu stellen, die grundsätzlich quantitativ sind: Wie haben sich Straßennetze nach einem großen Infrastrukturprojekt verändert? Welche Faktoren trieben die Nachbarschaftstrennung in Städten des 19. Jahrhunderts an? Wie hat sich Krankheit durch vorindustrielle Stadträume ausgebreitet?

Die Beantwortung dieser Fragen erfordert nicht nur historische Expertise, sondern auch die Fähigkeit, große Datensätze zu verarbeiten, iterative Modelle zu erstellen und Ergebnisse auf eine Weise zu visualisieren, die versteckte Muster aufdeckt. Der Wechsel von rein qualitativer Untersuchung zu einem Mixed-Methods-Ansatz wurde als "Computational Turn" in der historischen Forschung beschrieben, und seine Auswirkungen auf die Stadtplanungsgeschichte waren besonders ausgeprägt.

Kernrechentechniken

Für die Untersuchung der historischen Stadtplanung haben sich mehrere Rechentechniken als besonders wertvoll erwiesen, von denen jede eine andere Perspektive für die Untersuchung der Vergangenheit bietet und von denen viele in Kombination genutzt werden, um ein reicheres Verständnis zu schaffen.

Geografische Informationssysteme (GIS)

Die GIS-Technologie ermöglicht die Kartierung, Analyse und Visualisierung von räumlichen Daten. In der historischen Forschung wird GIS verwendet, um alte Karten zu georeferenzieren, archäologische Pläne zu digitalisieren und geschichtete digitale Atlasse zu erstellen, die Veränderungen im Laufe der Zeit verfolgen. Zum Beispiel haben Historiker GIS verwendet, um eine Pariser Karte von 1748 mit modernen Straßendaten zu überlagern, die aufdecken, wie Grundstücksgrenzen, Straßenbreiten und öffentliche Plätze bestehen geblieben sind oder sich verschoben haben. GIS ermöglicht auch räumliche Abfragen - wie die Messung der Entfernung von einem mittelalterlichen Brunnen zum nächsten Markt -, die manuell unpraktisch wären.

Ein wegweisendes Projekt ist das Rome Lab, das GIS verwendet, um das städtische Gefüge des alten Rom aus archäologischen Aufzeichnungen und Textquellen zu rekonstruieren. Forscher haben ein detailliertes digitales Modell der Stadt erstellt, wie sie im 4. Jahrhundert CE stand, so dass sie die Bevölkerungsdichte, die Landnutzung und sogar den Warenfluss durch die Nachbarschaften analysieren können. In ähnlicher Weise modelliert das Stanford ORBIS das römische Straßennetz und die Seewege, um Reisezeiten und Kosten zwischen Städten zu schätzen und bietet Einblicke in die Art und Weise, wie die Infrastruktur die politische und wirtschaftliche Integration beeinflusst hat. (Siehe Orbis: Das Stanford Geospatial Network Model der römischen Welt).

Agent-Based Modeling (ABM)

Agentenbasierte Modellierung simuliert die Handlungen und Interaktionen einzelner „Agenten (Menschen, Haushalte, Institutionen), um aufkommende Muster auf Stadtebene zu beobachten. In der Stadtgeschichte hilft ABM Forschern, Hypothesen darüber zu testen, wie soziale Verhaltensweisen, wirtschaftliche Anreize oder Umweltauflagen die Entwicklung über Jahrzehnte oder Jahrhunderte beeinflusst haben. Zum Beispiel könnte ein ABM modellieren, wie mittelalterliche Kaufleute Standorte für Geschäfte auswählten, wie Bewohner entschieden, wo sie Häuser im Vergleich zu einer Kathedrale bauen, oder wie Zoning-Regeln (formal oder informell) die Segregation beeinflussten.

Eine bemerkenswerte Anwendung ist die Untersuchung alter Handelsnetzwerke. Forscher haben ABMs gebaut, die die Bewegung von Händlern entlang der Seidenstraße simulieren und Variablen wie Banditenrisiko, Straßenqualität und Marktnachfrage anpassen, um zu sehen, welche Routenkonfigurationen am stabilsten waren. Die Ergebnisse helfen zu erklären, warum bestimmte Oasenstädte gediehen sind, während andere zurückgingen. Eine andere Studie untersuchte die Bildung von Straßenmustern in frühen islamischen Städten und modelliert, wie Fußverkehr und Landbesitzregeln die engen, gewundenen Gassen erzeugen könnten, die für diese städtischen Formen charakteristisch sind. (Ein Beispiel kann in der Arbeit von Crescioli & Murgatroyd, 2020)

Netzwerkanalyse

Die Netzwerkanalyse behandelt Städte als Knoten- und Randgruppen – zum Beispiel Schnittpunkte und Straßen – und misst Eigenschaften wie Zentralität, Konnektivität und Clustering. Diese Technik ist unerlässlich geworden, um zu untersuchen, wie urbane Formen Bewegung und Zugang beeinflussen. Historische Straßennetze können aus alten Karten mithilfe der Digitalisierung oder automatisierter Extraktion aus Rasterbildern extrahiert werden. Einmal in einem Netzwerkformat können Analysten Metriken wie Zwischen-Zentralität berechnen, um zu identifizieren, welche Straßen am ehesten durch den Verkehr führen, oder Nähe-Zentralität, um die für den Rest der Stadt am besten zugänglichen Bereiche zu finden.

Untersuchungen an mittelalterlichen europäischen Städten haben gezeigt, dass Marktplätze typischerweise die höchste zentrale Stellung im Netzwerk einnehmen, was ihre wirtschaftliche Bedeutung erklärt. Studien des Paris des 19. Jahrhunderts unter Haussmanns Umgestaltung zeigen, dass die neuen Boulevards bewusst ein „lesbares Netzwerk geschaffen haben, das die Fähigkeit der Bewohner, enge Straßen zu verbarrikadieren, reduziert - eine Netzwerkanalyse, die historische Berichte über militärische Absichten bestätigt. Neuere Arbeiten verwenden Netzwerkanalyse, um die „organische im Vergleich zu „geplante Natur der Stadtlayouts zu quantifizieren, eine numerische Grundlage für Typologien, die zuvor subjektiv waren.

Machine Learning und Deep Learning

Maschinelles Lernen (ML) und Deep Learning bieten leistungsstarke Werkzeuge für die Verarbeitung großer Mengen historischer Daten - insbesondere gescannter Karten, Luftaufnahmen und Satellitenbilder. Faltungsneurale Netze können trainiert werden, Straßen, Gebäudeabdrücke oder Grünflächen in historischen Karten zu erkennen, wodurch die Digitalisierung automatisiert wird, die sonst Monate dauern würde. Andere Algorithmen können Muster wie das reguläre Gitter einer römischen Kolonie im Vergleich zum unregelmäßigen Gewebe einer mittelalterlichen Stadt erkennen und Tausende von Bezirken in Stunden klassifizieren.

Ein überzeugender Anwendungsfall ist das Projekt „Mapping Historical New York, bei dem Forscher Deep Learning anwandten, um Gebäudeumrisse aus Feuerversicherungskarten des 19. Jahrhunderts zu extrahieren. Der daraus resultierende Datensatz ermöglichte es ihnen, die Entwicklung der Gebäudedichte und der Grundstücksabdeckung in der Stadt zu untersuchen, was Veränderungen mit Einwanderungswellen und Wirtschaftsbooms korrelierte. In ähnlicher Weise wurde die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) verwendet, um historische Stadtratsprotokolle, Baugenehmigungen und Zeitungsartikel zu analysieren, Verweise auf Infrastrukturprojekte oder Zoning-Streitigkeiten zu extrahieren. Diese Techniken zeigen nicht nur, was gebaut wurde, sondern auch den sozialen und politischen Kontext, in dem Entscheidungen getroffen wurden.

Anwendungen über historische Perioden hinweg

Computational Ansätze wurden in der Stadtgeschichte über viele Epochen angewendet, jede bietet einzigartige Herausforderungen und Einblicke.

Alte Städte

Für Städte der Antike – Rom, Pompeji, Teotihuacan – sind archäologische Daten oft fragmentarisch. Rechenmethoden helfen Lücken zu schließen. GIS wird verwendet, um die Standorte fehlender Strukturen basierend auf bekannten Topographie- und Gebäudetypologien zu hypothetisieren. Agentenbasierte Modelle simulieren, wie Populationen unter verschiedenen Ressourcenbeschränkungen gewachsen sein könnten. Netzwerkanalysen zeigen die Logik von Straßenlayouts, auch wenn nur Grundsteine übrig bleiben.

Das Große Pompeji-Projekt verwendet eine Kombination aus GIS, Photogrammetrie und 3D-Modellierung, um die Stadt so zu rekonstruieren, wie sie vor dem Ausbruch des Vesuvs aussah. Forscher haben interaktive Karten erstellt, mit denen Benutzer Straßennetze, öffentliche Gebäude und Wasserverteilungssysteme erkunden können. Diese Werkzeuge zeigen nicht nur ein statisches Bild, sondern ermöglichen auch eine Analyse, wie sich das Layout der Stadt auf das tägliche Leben auswirkt, beispielsweise durch Berechnung der Gehwege zwischen Häusern, Bädern und Foren. (Weitere Informationen finden Sie unter Pompeii-Standorte))

Mittelalterliche und frühneuzeitliche Städte

Mittelalterliche Stadtplanung wird oft als organisch bezeichnet, aber die Computeranalyse zeigt die zugrunde liegenden Regelmäßigkeiten. Studien von über 300 mittelalterlichen Städten in Mitteleuropa haben GIS verwendet, um Grundstücksformen, Straßenbreiten und die Platzierung von Marktplätzen zu messen. Die Ergebnisse zeigen, dass keine zwei Städte identisch sind, aber eine Reihe gemeinsamer Parameter - wie das Verhältnis von Marktbreite zu Straßenlänge -, die auf eine gemeinsame Tradition der Stadtplanung hindeuten, die möglicherweise durch Modellbücher oder Reiseplaner übertragen wird.

Die Netzwerkanalyse vormoderner Handelsrouten hat auch das Verständnis der Verbindung von Städten erweitert. Der Digitale Atlas europäischer Städte kombiniert beispielsweise historische Karten mit Bevölkerungsdaten und Handelsdaten, um die wirtschaftlichen Beziehungen zwischen Städten zu modellieren. Diese Modelle helfen zu erklären, warum bestimmte Städte zu wichtigen Knotenpunkten wurden, während andere stagnierten und die städtische Form mit wirtschaftlichen Funktionen verknüpften. (Siehe das Projekt unter urbhist.org)

Industriezeitalter und moderne Städte

Das 19. und 20. Jahrhundert bieten eine Fülle von Daten: detaillierte Karten, Volkszählungsaufzeichnungen, Baugenehmigungen und Fotografien. Computergestützte Methoden wurden verwendet, um die Auswirkungen der Industrialisierung auf die städtische Form zu untersuchen. Zum Beispiel haben Forscher historische Sanborn-Brandschutzkarten für Hunderte von US-Städten digitalisiert und einen massiven Datensatz von Gebäudeabdrücken aus den 1860er bis 1950er Jahren erstellt. Durch die Analyse von Veränderungen der Gebäudedichte und Landnutzung im Laufe der Zeit können sie verfolgen, wie Stadtverwüstungen, Zonierung und Verkehrsnetze (einschließlich Straßenbahnen und spätere Autos) Städte umgestalteten.

Maschinelles Lernen wurde auch auf historische Fotografien und Straßenansichten angewendet, um Veränderungen in der Architektur, in Straßenmöbeln und in Beschilderungen zu identifizieren. Ein Projekt nutzte Deep Learning, um über 10.000 historische Fotografien von London zu klassifizieren und eine Zeitleiste zu erstellen, wie sich der visuelle Charakter der Stadt von der viktorianischen Ära bis zur Gegenwart entwickelt hat. Solche Analysen liefern qualitativen Historikern quantitative Beweise, um bestehende Narrative über den urbanen Wandel zu unterstützen oder in Frage zu stellen.

Herausforderungen und Einschränkungen

Trotz der Leistungsfähigkeit von Rechenmethoden sind sie mit erheblichen Herausforderungen verbunden, denen sich die Forscher stellen müssen.

Datenunvollständigkeit und Voreingenommenheit sind die wichtigsten unter ihnen. Historische Aufzeichnungen sind oft fragmentarisch – ganze Blöcke einer Stadt können auf Karten fehlen, und schriftliche Aufzeichnungen spiegeln die Perspektiven der Literaten und Mächtigen wider. GIS-Modelle, die auf unvollständigen Daten aufbauen, können irreführende Schlussfolgerungen liefern, wenn Lücken mit Annahmen gefüllt werden. Agentenbasierte Modelle erfordern Entscheidungen über das Verhalten von Agenten, die möglicherweise nicht historisch korrekt sind. Jedes Rechenprojekt muss transparent sein über seine Datenquellen und -beschränkungen, und Ergebnisse sollten eher als suggestiv als als definitiv behandelt werden.

Interdisziplinäre Zusammenarbeit ist notwendig, aber schwierig. Historiker und Informatiker sprechen oft unterschiedliche methodische Sprachen. Ein Projekt erfordert möglicherweise sorgfältige Verhandlungen darüber, was als Beweismittel zählt, wie mit Unsicherheit umzugehen ist und welche Fragen es sich zu stellen lohnt. Erfolgreiche Projekte zur Stadtgeschichte umfassen typischerweise Teams, zu denen ein Historiker, ein GIS-Spezialist, ein Statistiker und manchmal ein Archäologe oder Stadtplaner gehören.

Rechentechnische und infrastrukturelle Zwänge spielen ebenfalls eine Rolle. Die Verarbeitung von hochauflösenden historischen Karten mit Deep Learning erfordert eine erhebliche GPU-Leistung. Die Speicherung und Verwaltung großer Datensätze kann teuer sein. Kleinere Institutionen haben möglicherweise nicht die Ressourcen, um sich an großen Projekten zu beteiligen, was eine digitale Kluft in der Disziplin riskiert.

Die Dokumentation von Reproduzierbarkeit und Methoden bleibt bestehen. Viele frühe Computerstudien teilten weder Code noch Daten, was es unmöglich macht, Ergebnisse zu überprüfen. Das Feld bewegt sich in Richtung Open Science-Praktiken, aber der kulturelle Wandel ist langsam. Ohne transparente Workflows besteht die Gefahr, dass die Stadtgeschichte von der breiteren historischen Gemeinschaft als undurchsichtig oder unzuverlässig angesehen wird.

Zukünftige Richtungen

Das nächste Jahrzehnt verspricht Fortschritte, die computergestützte Ansätze weiter in die Stadtgeschichte integrieren werden. Ein Bereich ist die Integration mehrerer Datentypen – die Kombination von Karten, Texten, Bildern und archäologischen Datensätzen zu einheitlichen digitalen Plattformen. Das Konzept der Semantic City verwendet beispielsweise verknüpfte Datenstandards, um historische Quellen zu verbinden, was Abfragen wie „zeige mir alle Gebäude, die zwischen 1850 und 1870 gebaut wurden und mehr als drei Stockwerke hoch waren und sich innerhalb von 500 Metern von einer Straßenbahnlinie befanden. Solche Systeme würden die Forschung dramatisch beschleunigen.

Realzeitsimulation und interaktive Modelle sind eine weitere Grenze. Historiker und Planer könnten „Was-wäre-wenn-Szenarien untersuchen: Was wäre, wenn eine Stadt ein anderes Straßenraster gewählt hätte? Was wäre, wenn eine Pest nicht getroffen hätte? Diese Simulationen erfordern nicht nur bessere Modelle, sondern auch zugänglichere Benutzeroberflächen, die es Nicht-Programmierern ermöglichen, Parameter anzupassen und Ergebnisse zu sehen.

Community- und Citizen-Science-Projekte wachsen ebenfalls. Plattformen wie Zooniverse haben Projekte gehostet, bei denen Freiwillige historische Karten digitalisieren, Funktionen zum Tag-Building oder handschriftliche Aufzeichnungen transkribieren. Diese Bemühungen erzeugen große Mengen an strukturierten Daten zu relativ geringen Kosten und bringen die Öffentlichkeit gleichzeitig in die historische Forschung. Wenn diese Datensätze wachsen, werden sie zu Rohstoffen für maschinelles Lernen und Netzwerkanalyse.

Schließlich wird der Vorstoß zu offenen Daten und Reproduzierbarkeit die Glaubwürdigkeit der Stadtgeschichte stärken. Mehr Zeitschriften verlangen, dass Daten und Code neben Artikeln hinterlegt werden, und Repositorien wie FLT:2 Figshare FLT:3 FLT und FLT:4] Zenodo FLT:5 FLT:5 Dieser Trend wird es anderen Forschern ermöglichen, auf früheren Arbeiten aufzubauen, Ergebnisse in Städten zu vergleichen und Methoden zu verfeinern.

Schlussfolgerung

Computational Ansätze haben grundlegend verändert das Studium der historischen Stadtplanung. Werkzeuge wie GIS, agentenbasierte Modellierung, Netzwerkanalyse und maschinelles Lernen ermöglichen es Forschern, neue Arten von Fragen zu stellen und Theorien zu testen, die früher unerreichbar waren. Vom Straßennetz des alten Roms bis zur weitläufigen industriellen Karte des 19. Jahrhunderts Chicago, diese Methoden zeigen Muster und Beziehungen, die unser Verständnis davon, wie Städte wuchsen und funktionierten, prägen.

Der Wert von Rechenmethoden liegt jedoch nicht allein in der Technologie, sondern in den Fragen, die sie beantworten. Die mächtigste Arbeit kombiniert quantitative Strenge mit tiefem historischem Wissen und verwendet Daten nicht als Ersatz für Narrative, sondern als Ergänzung. Während das Feld reift, müssen Historiker, Urbanisten und Datenwissenschaftler weiterhin zusammenarbeiten, Methoden austauschen und ihren eigenen Annahmen gegenüber kritisch bleiben. Die Vergangenheit ist schließlich kein Datensatz - aber Datensätze können uns helfen, sie klarer zu sehen.