Statistik:
Registrierte Firmen: 27
Registrierte Benutzer: 59
Besucher online: 208
Neues & Interessantes
 
» Erkundung fehlender bebauter Gebiete in OpenStreetMap mithilfe von hierarchischem Twitter-Clustering und Deep Learning - am Beispiel von Mosambik
10.06.2020 Alexander Zipf

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

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:

Überblicksartikel:

 

 

 

Verfasst um 10:06 Uhr

Bearbeitet am: 10.06.2020 10:18

» Permalink   

Keine Einträge vorhanden.
Keine Einträge vorhanden.
» Erkundung fehlender bebauter Gebiete in OpenStreetMap mithilfe von hierarchischem Twitter-Clustering und Deep Learning - am Beispiel von Mosambik
 
Blog Suche
 
Am meisten gesucht...
 
Geo12 ORS Rhein-Neckar-Kreis fasihi geomer giscience heidelberg mobil oagis open ott route service wanders wnaders
Ansprechpartner
 
hguendra@geonet-mrn.de

Kontakt 
GeoNet.MRN e.V.
MAFINEX-Technologiezentrum
Julius-Hatry-Str. 1
68163 Mannheim

geschaeftsstelle@geonet-mrn.de

GeoNet.MRN e.V.
wird unterstützt und gefördert von