Informationsgewinnung aus umfangreichen Erdbeobachtungsdatensätzen auf Grundlage von Erkenntnissen aus Volunteered Geographic Information (IDEAL-VGI)

• Antragstellerinnen / Antragsteller: Professorin Begüm Demir, Ph.D.; Professor Dr. Alexander Zipf
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2019 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 424966858

Die Verfügbarkeit von Fernerkundungsdaten hat sich in den letzten Jahren massiv erhöht. Eine effiziente Analyse der damit verfügbar gewordenen umfangreichen Datenbestände und die Bereitstellung aufbereiteter Informationen ist mit großen methodischen Herausforderungen verbunden. Volunteered Geographic Information (VGI), wie z.B. OpenStreetMap (OSM), stellt reichhaltige Informationen zur Landnutzung zur Verfügung, um relevante Informationen aus den Fernerkundungsdaten zu extrahieren. Relevante Informationen verbergen sich dabei nicht nur in klassischen landnutzungsbezogenen Geoobjekten, sondern auch in den reichhaltigen Informationen zur Nutzung von Wegen, Flächen und Gebäuden. Jedoch sind die VGI Daten oftmals verrauscht, unvollständig und redundant. Das IDEAL-VGI Projekt geht die wichtigsten Herausforderungen im Bereich VGI-basierte Landnutzungsklassifikation und Big Data Analyse von Erdbeobachtungsdaten an. Diese Herausforderungen sind für den Bereich OSM ein fehlender Analyserahmen für die Klassifikation von Landnutzung unter Nutzung der reichhaltigen Informationen auf mehreren Skalenebenen und die Quantifikation der Unsicherheit der OSM Informationen. Im Bereich der Big Data Analyse von Erdbeobachtungsdaten sind die dringlichsten Herausforderungen die Charakterisierung der Fernerkundungsdaten sowie das Indizieren und Suchen in massivem Datenbeständen. In beiden Bereichen sollen im Projekt innovative Methoden jenseits des aktuellen Forschungsstandes entwickelt werden um die praktischen Herausforderungen auf einer soliden theoretischen Basis angehen zu können. Herauszustellen sind insbesondere folgende Bereiche: 1) Bestimmung der Bedeutung, Qualität und Unsicherheit von aus OSM abgeleiteten Landnutzungsmerkmalen; 2) Verbesserte Methoden zur Bewertung der Datenqualität, um relevante semantische Landnutzungsinformationen aus den reichhaltigen OSM Datenschichten abzuleiten; 3) Verbesserung der Methoden des maschinellen Lernens, insbesondere deep learning im Rahmen der Klassifikation von Fernerkundungsdaten, um OSM Landnutzungs-Tags zuzuweisen und zu verfeineren; 4) Entwicklung von Methoden zur Klassifikation, Indizierung und Suche von massiven Fernerkundungsdatensätzen unter Einbeziehung der Unsicherheiten der aus OSM abgeleiteten Label; 5) Verbesserung der OSM Landnutzungsbeschreibung und der Klassifikation von Fernerkundungsdaten anhand einer vergleichenden Analyse der Stärken und Schwächen beider Ansätze; 6) Nutzung der gesamten in OSM verfügbaren Information, um Datensätze zu annotieren und für die Klassifikation in überwachten Klassifikationsverfahren zu labeln. IDAL-VGI trägt damit zu den folgenden Forschungsbereichen des Schwerpunktprogrammes bei: 1) Information Retrieval and Analysis of VGI (maschinalles Lernen und algorithmische Interpretation von VGI sowie Qualitätsbewertung und Unsicherheitsanalyse von VGI); 2) Active Participation, Social Context and Privacy Awareness (Informationsmanagement und Entscheidungsanalysen basierend auf VGI).

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1894: Volunteered Geographic Information: Interpretation, Visualisierung und Social Computing
• Mitverantwortliche: Professor Dr. Sven Lautenbach; Dr. Michael Schultz