In an era where global urbanization is accelerating, the dynamic changes and increasing complexity within urban spaces present new challenges and opportunities for sustainable urban development. Understanding, predicting, and planning urban environments hinge on the deconstruction of urban complexity, a task to which spatiotemporal big data and innovative methodologies provide fresh insights and approaches. This thesis delves into the multifaceted composition, formation processes, complex interrelations, and structural dynamics of urban spaces from two primary perspectives: urban definition and urban structure detection. For urban definition, we tackle the challenge of accurately delineating dynamic urban boundaries and spatial clusters. For urban structure detection, we reveal the intricate patterns and configurations that underpin urban systems. Specifically, the thesis: 1. Applies feature-engineering and DBSCAN clustering to OpenStreetMap data to delineate urban areas in Bavaria, Germany, showcasing the potential of data-driven approaches to overcome traditional urban boundary delineation limitations and effectively capture the evolving urban landscape. 2. Develops the Hierarchy Direction Centrality Based Clustering (HDCBC) algorithm to tackle the challenges of weak connectivity and heterogeneous densities in geospatial data. 3. Utilizes a machine-learning-based weighted stochastic block model to reveal the complex network patterns and polycentric configurations within the Pearl River Delta, emphasizing the crucial roles of intercity transport infrastructure and regional policies in shaping megaregional spatial and network structures. 4. Investigates the megaregional overlapping community structures in the Pearl River Delta using big geospatial data, identifying bicentric spatial structures and the driving forces behind them, advocating for differentiated functional linkages and strategic resource allocation to promote coordinated megaregional development. By developing a framework that integrates multiple data sources, including open geospatial datasets and mobile signaling data, to enhance the granularity and accuracy of urban analysis, this thesis makes significant contributions in four core areas: a) established a data-driven standard for a bottom-up approach to urban definition, b) developed a novel, robust clustering method that navigates the complexity of geospatial data, c) employed complex network analysis methodologies to dissect potential spatial mesoscale structures, and d) uncovered the overlapping functional structures within megaregions. It addresses the challenge of accurately delineating dynamic urban boundaries and spatial clusters, and unveils the intricate structural and interconnectivity patterns within and between megaregions. This integrated approach allows for a more nuanced understanding of urban dynamics, transcending traditional analyses to include the temporal dimension of urban changes. By combining diverse datasets, we are able to provide a richer, more detailed portrait of urban life, revealing patterns that were previously obscured. This methodological advancement not only broadens the scope of urban studies but also sets a new benchmark for data-driven urban research, paving the way for future investigations into the complex fabric of urban environments.     «

In an era where global urbanization is accelerating, the dynamic changes and increasing complexity within urban spaces present new challenges and opportunities for sustainable urban development. Understanding, predicting, and planning urban environments hinge on the deconstruction of urban complexity, a task to which spatiotemporal big data and innovative methodologies provide fresh insights and approaches. This thesis delves into the multifaceted composition, formation processes, complex int...     »

In einer Ära, in der die globale Urbanisierung beschleunigt wird, stellen die dynamischen Veränderungen und zunehmende Komplexität innerhalb städtischer Räume neue Herausforderungen und Chancen für eine nachhaltige Stadtentwicklung dar. Das Verständnis, die Vorhersage und die Planung städtischer Umgebungen basieren auf der Dekonstruktion städtischer Komplexität, eine Aufgabe, bei der raumzeitliche Big Data und innovative Methodologien frische Einsichten und Ansätze bieten. Diese Dissertation vertieft sich in die facettenreiche Zusammensetzung, Bildungsprozesse, komplexen Wechselbeziehungen und strukturellen Dynamiken städtischer Räume aus zwei Hauptperspektiven: städtische Definition und Erkennung städtischer Strukturen. Bei der Stadtdefinition gehen wir die Herausforderung an, dynamische Stadtgrenzen und räumliche Cluster genau abzugrenzen. Bei der Strukturerkennung enthüllen wir die komplexen Muster und Konfigurationen, die städtische Systeme untermauern. Konkreter, diese Dissertation: 1. Wendet Feature-Engineering und DBSCAN-Clustering auf OpenStreetMap-Daten an, um städtische Gebiete in Bayern, Deutschland, abzugrenzen und zeigt damit das Potenzial von datengesteuerten Ansätzen auf, traditionelle Einschränkungen der städtischen Grenzabgrenzung zu überwinden und die sich entwickelnde urbane Landschaft effektiv einzufangen. 2. Entwickelt den Hierarchy Direction Centrality Based Clustering (HDCBC)-Algorithmus, um die Herausforderungen schwacher Konnektivität und heterogener Dichten in georäumlichen Daten anzugehen. 3. Nutzt ein auf maschinelles Lernen basiertes gewichtetes stochastisches Blockmodell, um die komplexen Netzwerkmuster und polyzentrischen Konfigurationen im Perlflussdelta aufzudecken und betont die entscheidenden Rollen der interstädtischen Verkehrsinfrastruktur und regionalen Politiken bei der Gestaltung von megaregionalen räumlichen und Netzwerkstrukturen. 4. Untersucht die megaregionalen überlappenden Gemeinschaftsstrukturen im Perlflussdelta mit großen georäumlichen Daten, identifiziert bizentrische räumliche Strukturen und die treibenden Kräfte dahinter und plädiert für differenzierte funktionale Verbindungen und strategische Ressourcenzuweisung, um eine koordinierte megaregionale Entwicklung zu fördern. Durch die Entwicklung eines Rahmens, der mehrere Datenquellen integriert, einschließlich offener georäumlicher Datensätze und mobiler Signaldaten, um die Granularität und Genauigkeit der städtischen Analyse zu verbessern, leistet diese Dissertation bedeutende Beiträge in vier Kernbereichen: a) Etablierung eines datengesteuerten Standard für einen Bottom-up-Ansatz zur Stadtdefinition, b) Entwicklung einr neuartigen, robusten Clustering-Methode, welche die Komplexität georäumlicher Daten navigiert, c) Verwendung komplexer Netzwerkanalysemethodologien, um potenzielle räumliche Mesoskalenstrukturen zu zergliedern, und d) Aufdeckung von überlappenden funktionalen Strukturen innerhalb von Megaregionen. Es adressiert die Herausforderung, dynamische Stadtgrenzen und räumliche Cluster genau abzugrenzen, und enthüllt die komplizierten strukturellen und Konnektivitätsmuster innerhalb und zwischen Megaregionen. Dieser integrierte Ansatz ermöglicht ein nuancierteres Verständnis städtischer Dynamiken, das traditionelle Analysen übersteigt, indem es die zeitliche Dimension städtischer Veränderungen einbezieht. Durch die Kombination verschiedener Datensätze können wir ein reichhaltigeres, detaillierteres Porträt des städtischen Lebens bieten und Muster aufzeigen, die zuvor verdeckt waren. Diese methodologische Weiterentwicklung erweitert nicht nur den Umfang der Stadtforschung, sondern setzt auch einen neuen Maßstab für datengesteuerte Stadtforschung und ebnet den Weg für zukünftige Untersuchungen zum komplexen Gefüge stätischer Umgebungen.     «

In einer Ära, in der die globale Urbanisierung beschleunigt wird, stellen die dynamischen Veränderungen und zunehmende Komplexität innerhalb städtischer Räume neue Herausforderungen und Chancen für eine nachhaltige Stadtentwicklung dar. Das Verständnis, die Vorhersage und die Planung städtischer Umgebungen basieren auf der Dekonstruktion städtischer Komplexität, eine Aufgabe, bei der raumzeitliche Big Data und innovative Methodologien frische Einsichten und Ansätze bieten. Diese Dissertation...     »