Erkundung fehlender bebauter Gebiete in OpenStreetMap mithilfe von hierarchischem Twitter-Clustering und Deep Learning - am Beispiel von Mosambik

Genaue und detaillierte geografische Informationen zur Digitalisierung menschlicher Aktivitätsmuster spielen eine wesentliche Rolle bei der Reaktion auf Naturkatastrophen. Von Freiwilligen erzeugte geografische Informationen, insbesondere OpenStreetMap (OSM), weisen ein großes Potenzial für die Bereitstellung des Wissens über menschliche Siedlungen zur Unterstützung der humanitären Hilfe auf, wobei die Verfügbarkeit und Qualität von OSM oft ein wichtiges Problem bleibt. Der Großteil der vorhandenen Forschung zur Bewertung der OSM-Datenqualität konzentriert sich entweder auf extrinsische oder  intrinsische Analysen, was nicht ausreicht, um humanitäre Datenerfassung vollständig zu unterstützen. Neue Forschungen zielen darauf ab, fehlende bebaute Gebiete in OSM mit einem Workflow zu identifizieren und zu kartieren der soziale Medien, künstliche Intelligenz und Fernerkundung integriert.
Hierzu wurde ein neuer Workflow entwickelt und publiziert, der fehlende bebaute Gebiete in OSM abzuschätzt und kartiert:

1.) Zunächst werden unter Anwendung eines hierarchischen DBSCAN-Clustering-Algorithmus die Cluster von geo-getaggten Tweets als Proxys von Regionen mit menschlichen Aktivitäten generiert.
2.) Anschließend wird ein auf Deep Learning basierendes Modell eingesetzt, das vorhandenen OSM-Daten zum Finetuning des Training nutzt, um die indentifizierten, noch fehlenden bebauten Gebiete automatisch weiter zu erfassen.

Als Untersuchungsgebiet wurde die Republik Mosambik ausgewählt,  um die vorgeschlagene Methode auf nationaler Ebene zu evaluieren. Sie wurde 2019 von Cyclone Idai und Kenneth getroffen. Im Rahmen der Arbeit wurden in dieser Region 13 Gebiete mit fehlenden OSM Daten zur Bebauung identifiziert. Diese wurden nachfolgend mit einer Gesamtgenauigkeit von über 90% kartiert. Dies ist im Vergleich zu Produkten nach dem Stand der Technik wettbewerbsfähig, was die Wirksamkeit des vorgeschlagenen Verfahrens bestätigt.

In einem kürzlich im ISPRS Journal of Photogrammetry and Remote Sensing veröffentlichten Artikel der Abteilung Geoinformatik der Universität Heidelberg, und des HeiGIT mit weiteren Partnern, betonen die Autoren, dass die komplementären Informationen aus sozialen Medien und Fernerkundung bei der Untersuchung fehlender bebauter OSM-Gebiete berücksichtigt werden sollten, insbesondere wenn die intrinsische Analyse nicht ausreicht und extrinsische Analysen nicht möglich sind.

vgl:

Li, H., Herfort, B., Huang, W., Zia, M. and Zipf, A. (2020): Exploration of OpenStreetMap Missing Built-up Areas using Twitter Hierarchical Clustering and Deep Learning in Mozambique. ISPRS Journal of Photogrammetry and Remote Sensing. https://doi.org/10.1016/j.isprsjprs.2020.05.007

Auswahl Vorarbeiten:

• Herfort, B., Li, H., Fendrich, S., Lautenbach, S., Zipf, A. (2019): Mapping Human Settlements with Higher Accuracy and Less Volunteer Efforts by Combining Crowdsourcing and Deep Learning. Remote Sensing 11(15), 1799. https://doi.org/10.3390/rs11151799
• Li, H., Herfort, B., Zipf, A. (2019): Estimating OpenStreetMap Missing Built-up Areas using Pre-trained Deep Neural Networks. 22nd AGILE Conference on Geographic Information Science, Limassol, Cyprus.
• Chen, J., Y. Zhou, A. Zipf and H. Fan (2018): Deep Learning from Multiple Crowds: A Case Study of Humanitarian Mapping. IEEE Transactions on Geoscience and Remote Sensing (TGRS). 1-10. https://doi.org/10.1109/TGRS.2018.2868748

Überblicksartikel:

• Yan, Y., C. Feng, W. Huang, H. Fan, Y. Wang & A. Zipf (2020): Volunteered geographic information research in the first decade: a narrative review of selected journal articles in GIScience. International Journal of Geographical Information Science, DOI: 10.1080/13658816.2020.1730848
• Degrossi L.C., J. Porto de Albuquerque, R. dos Santos Rocha, A. Zipf (2018): A taxonomy of quality assessment methods for volunteered and crowdsourced geographic information. Transactions in GIS (TGIS). Wiley. DOI:10.1111/tgis.12329.
• Jokar Arsanjani, J., Zipf, A., Mooney, P., Helbich, M. (Eds.)(2015): OpenStreetMap in GIScience: Experiences, Research, and Applications. Series: Lecture Notes in Geoinformation and Cartography. 2015, VII, 373 p. Sringer Science. Heidelberg, Berlin. ISBN 978-3-319-14279-1
• Scholz, S., Knight, P., Eckle, M., Marx, S., Zipf, A. (2018): Volunteered Geographic Information for Disaster Risk Reduction: The Missing Maps Approach and Its Potential within the Red Cross and Red Crescent Movement. Remote Sensing, 10(8), 1239, doi: 10.3390/rs10081239.