big-data und data-mining für die stadt · 2016-06-16 · • software: lambda (λ) architektur •...
Post on 04-Jan-2020
2 Views
Preview:
TRANSCRIPT
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 1
Big-Data und Data-Mining für die Stadt
BigGIS
Big-Data und Data-Mining
im Umfeld städtischer
Nutzungskartierung
8. Dresdner
Flächennutzungssymposium
Dresden, 12.05.2016
Dr. Bodo Bernsdorf (EFTAS)
M. Sc. Inf.-Wirt. Julian Bruns (FZI)
(pic
ture
cre
dits:
foto
lia.d
e,
EF
TA
S G
mbH
, F
ZI)
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
2
Agenda
• Vorstellung
• Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
• BigGIS | Smart City
• Datenquellen | Einsatzbereiche
• Zusammenfassung | Fazit
12.05.2016 © EFTAS GmbH | www.eftas.com 28. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
Vorstellung und Hintergrund
EFTAS Fernerkundung Technologietransfer GmbH
• Seit über 25 Jahren effizienter Einsatz von Luft- und
Satellitenbildern.
• Schaffung von Entscheidungsgrundlagen in Wirtschaft und
Verwaltung, digitale Photogrammetrie, GIS und GDI.
• Breite Themenpalette: Land-/Forstwirtschaft, Natur/Landschaft,
Telekom/Verkehr, Wasser /Abwasser, Geologie /Bergbau,
Gefahrenabwehr.
• Einer der führenden GeoIT-Dienstleister Deutschlands, weltweit
etabliertes Projektgeschäft.
• Interdisziplinäre Fachexpertise.
• Stammpersonal ca. 65 MA / projektbezogen ca. 50 - 70 MA.
07.05.2015 © EFTAS GmbH | www.eftas.com 3
(Bild
nachw
eis
: E
FT
AS
Gm
bH
)
8. DFNS www.ioer.de/8dfns
Die Einrichtung FZI
Forschungszentrum Informatik am KIT
Unabhängige gemeinnützige Stiftung des bürgerlichen Rechts für
Anwendungsforschung in der Informatik
Mitglied der Innovationsallianz Baden-Württemberg und Technologieregion Karlsruhe
Innovationsdrehschreibe in Baden-Württemberg im Bereich Informationstechnologie
Innovationspartner des KIT im Bereich IT
12.05.2016 © FZI Forschungszentrum Informatik 48. DFNS www.ioer.de/8dfns
Zahlen, Daten, Fakten
12.05.2016 © FZI Forschungszentrum Informatik 58. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 6
Big-Data
• Big-Data – Definition: vier “Vs”
• Volume = Datenmenge
• Velocity = Geschwindigkeit der Datenproduktion
• Variety = Unterschiedlichste Datenquellen
• Veracity = Unsicherheit der Daten
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 7
picture credits: BigGIS project proposal; Forschungszentrum Informatik am KIT, Karlsruhe
Big-Data
• Big-Data ähneln mehr einem Tensor:
• Hundertausende „Feature-Scheiben“
variieren in Zeit und Raum
• Einige Matrizen sind gut gefüllt mit
genauen Positionen und Zeitreihen,
andere weisen große Lücken und
Unsicherheiten auf (z.B. Temperatur vs.
Tweets)
• Big-Data sind nicht „gut“ im Sinne der
Datenqualität und des Inhalts (Auflösung,
Flächendeckung, Aktualität, etc.), aber sie
existieren massenhaft.
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 8
picture credits: Li, Y. (2007): Data Embedding Research.- Homepage der Western
Michigan University. Download: https://cs.wmich.edu/~yang/research/dembed/
Big-Data und GIS
• Heutige GIS sind nicht in der Lage, (Nahe-)
Echtzeit-Analysen auf Big-Data durchzuführen.
• Aus technischer Sicht können klassische GIS
Analysen von gleichartig strukturierten Daten
durchführen, in denen sie spezielle Indizes
(etwa räumliche Muster) nutzen. Sie ignorieren
dabei zeitliche Dynamiken.
• Basieren auf Toblers 1. Gesetz der Geographie *
• Komplexe, nicht lineare Datenstrukturen wie die
“Schweizer Rolle” können nicht korrekt
ausgewertet werden.
* Beschreibt die räumliche Autokorrelation und den Fakt, dass räumlich
benachbarte Objekte sich oft ähnlicher sind als räumlich entfernte Objekte
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 9
picture credits: Shekhar, S. & Zhang, P. (2004): Spatial Data Mining: Accomplishments and
research Needs.- Vorlesungsskript GIScience 2004, Spatial Computing Research Group,
University of Minnesota, Department of Computer Science and Engineering, Minnesota, 64 S.,
Download: http://www.spatial.cs.umn.edu/paper_ps/giscience.pdf
Big-Data und GIS
• Unterscheidung zwischen lokalen und globalen Modellen funktioniert nicht im
klassischen GIS (Goodchilds 2. Gesetz der Geographie *)
Globales Modell Lokales Modell
* Beschreibt den Fakt, dass globale geographische Modelle inkonsistent
zu lokalen Modellen sein können - Unterschied zu den Naturgesetzen!
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 10
Bernsdorf, B., Bierbrauer, H., Büscher, O., Müterthies, M. Pakzad, K. Wenzel, T. & Woditsch, S. (2015): Data-Mining –
Gesellschaftspolitische und rechtliche Herausforderungen. Fallstudie 2: Data-Mining mit Geodaten.- Gutachten für den Deutschen
Bundestag, vorgelegt dem Büro für Technikfolgenabschätzung beim Deutschen Bundestag (TAB), Münster, Berlin, 258 S.
Data-Mining
• Dimensionen müssen auf das Wesentliche reduziert werden: Muster müssen gefunden werden, die
weiter verarbeitet werden können
Definition:
• Unter Data-Mining mit Geodaten wird ein zielgerichteter Prozess verstanden, der durch
Anwendung raumbezogener Methoden und mathematisch-statistischer Verfahren eine große,
heterogene Geodatenmenge an der Grenze der technischen und algorithmischen Verarbeitbarkeit
mit den aktuell verfügbaren Computer-Kapazitäten über auffällige Muster (Regeln oder
Abhängigkeiten) derart reduzieren hilft, dass in angemessener Zeit die wesentlichen Erkenntnisse
und Aussagen extrahierbar werden.
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 11
Data-Mining
• Erstes Beispiel: Cholera-
Epidemie, London 1854
• Britischer Arzt Dr. John
Snow suchte nach
„Mustern“, zeichnete eine
Straßenkarte und
überlagerte sie mit
unterschiedlichen Themen.
• Räumlicher Zusammenhang
zwischen Konzentration der
Todesopfer und der
Trinkwasserpumpe in der
Broad Street
• Visual Analytics
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
picture credits: Wiki Commons: https://commons.wikimedia.org/wiki/File:Snow-cholera-map.jpg , verändert
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 12
Data-Mining mit Geodaten: Klassische
Statistik…
• Ausreißer-Erkennung (gibt es offensichtliche
Unterschiede?)
• Räumliches Clustern (gruppieren sich
räumliche Muster nach Gesetzmäßigkeiten ?)
• Ko-Lokation (kommen bestimmte Muster immer
gemeinsam vor?)
• Sequenzanalyse (kommen auffällige Muster
entlang eines Pfades in Raum und Zeit vor?)
• Assoziationsanalyse (gibt es Korrelationen von
oder klare Regeln für Muster?)
• Klassifikation (gibt es gewisse Bandbreiten in
den Mustern?)
• Data-Mining in Big-Data legt es darauf an, die
Daten sowie die Dimensionen soweit zu
reduzieren, dass die Daten verarbeitbar
werden.
• Dazu wird nach nicht trivialen Mustern und
Regeln gesucht, um letztlich nur noch diese
Auffälligkeiten in die Analyse einzubeziehen
und den Rest zunächst zu ignorieren.
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 13
BigGIS Ziele:
• Erstellung eines GIS zur Modellierung
komplexer und oft nicht-linearer
Zusammenhänge und Entwicklungen in
ständig wachsenden Mengen an
unzuverlässigen, hoch-dimensionalen Daten,
sowie die Entwicklung neuer Mechanismen
im Umfeld der Analytik und visuellen Analytik.
Invasive Arten
Städtische Hitzeinseln
Informationsunter-
stützung für
Hilfsorganisationen
(pic
ture
cre
dits: w
ikip
edia
.de;
EF
TA
S G
mbH
)
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 14
EFTAS-Projektbasis
• DLM-Update (Folgeprojekt 2016)
• Städtische Gründach-Analyse (2016)
• Data-Mining-Studie für den Deutschen
Bundestag (2015)
• BioMassMon (2015)
Grundlagen | Big-Data und Data-Mining - Dimensionsreduktion
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 15
picture credits: http://www.opensense.ethz.ch/
Kernidee
• Wie lässt sich städtisches Grün in Verbreitung und
Volumen erfassen, um städtische Hitzeinseln
abzuleiten? Anwendung der Dimensionsreduktion zur
Vorhersage von Temperaturen im innerstädtischen
Bereich
• Detektierung von Intra Urban Heat Islands (IUHI)
• Genaueres Lagebild und Vorhersage für kurzfristiges
Stadtklima
Beispielanwendungen
• Streckenfindung mit minimaler Hitzebelastung
• vgl. OpenSense aus Schweiz
• Zielgerichtete Warnmeldungen für Risikogruppen
• Kindergärten, Altersheime, etc.
BigGIS | Smart City - Kernidee
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 16
picture credits: http://www.enviscope.de/engineering/aero-tram/
Datenquellen
• ATKIS/ALKIS Daten Baden-Württemberg
• Thermalflug Karlsruhe
(Nachbarschaftsverband Karlsruhe)
• NDVI (EnviSAT, Landsat)
• LoD2-3D Daten Karlsruhe
• Messstationen DWD und LUBW
• Klimadaten IMK KIT, z. B. AERO-TRAM
• Geplant: Mobile Messstationen
• Geplant: Participatory Sensing über
Smartphone (Volunteer Geographic
Information)
• Geplant: Radar-Daten
BigGIS | Smart City - Datenquellen
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 17
Ansatz
• Kombination aus Luft- und Boden-
Temperaturen (ähnlich Schwarz et al. 2012)
• Extraktion zusätzlich Parameter aus
Datenquellen, z. B. NDVI und Bebauung
Problem / Ziel: Kurzfristigkeit
• Wenige Messstationen, teils sehr grobes
Raster
• Lösung: Vorhersage obiger Parametern
basierend auf Satelliten und Feststellung von
Zusammenhängen zum gleichen Zeitpunkt
• Ermöglicht bessere Datenlage - wenn auch
„ungenau“ - und Ableitung von Standorten für
weitere Messungen
BigGIS | Smart City - Ansatz
D(1)
D(2)
D(3)
D(4)
D(6)
D(5)
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 18
Methoden
• Lineare Regression
• Restricted Linear Regression
• Bayes Hierarchical Modelling (BHM)
Ergebnisse
• Hohe Korrelation bei allen drei Methoden
(Minimum: 0.92)
• Bisher wurden (nur) vier Satelliten und die
Distanz zum Messpunkt als Parameter für
Vorhersage einbezogen
• Jedoch: je nach Vorhersagepunkt hohe
Unsicherheit
• BHM stellt dies gut dar und ermöglicht
genauere Analyse
BigGIS | Smart City - Ansatz
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 19
Satelliten
• Flächen
• Thermalmessungen
• WGS 84
Bodenstationen
• Fixer Ort
• °C Lufttemperatur
• Gauss-Krüger
ATKIS/ALKIS
• ArcGIS Datenbank
• Viele Layer
• Polygone
etc.
• AERO-TRAM
• Thermalflug
• Untergrundmessung
Matching and Modelling
Input
Prepro-
cessing
Analysis Vorhersage
BigGIS | Smart City
BigGIS | Smart City - Ablauf
Transform
Calibrate
Model-basedAdjustment
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 20
BigGIS | Smart City - Social Media
Motivation
• Naherholungsflächen wichtig bei Hitzebelastung
• Studien (z. B. Quelle) haben gezeigt, dass es oft Zusammenhang zwischen Naherholung und
Einkommen gibt – sozialräumliche Differenzierung drückt sich im städtischen Grün aus
• Manuelle Identifikation von Brennpunkten aufwendig
• Räumliche Zuordnung von bspw. Tweets („Hier ist es unerträglich heiß“ bei gleichzeitiger Meldung
„Super-toller Sommertag“)
• Subjektive Bewertung der offensichtlich selben Witterung kann im Zusammenhang mit der
sozialräumlichen Differenzierung und der Grünausstattung der jeweiligen Lokation stehen
Nutzung von Daten aus sozialen Medien zur automatischen Identifikation
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 21
Methodik
• Identifikation der Hitzebelastung als “Need” von Bürgerinnen und Bürgern
• Anwendung Methodik von Kühl et al. 2016
• Automatisches grobes Filtern nach Keywords
• Manuelle Bestimmung der Zuordnung durch Experten, bspw. Stadtverwaltung für Trainingsset
• Training und automatische Bestimmung im späteren Verlauf durch SVM (Support Vector
Machine)
• Hierbei zuerst Bestimmung der Needs ohne Ortszusammenhang
BigGIS | Smart City - Social Media
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 22
Herausforderung
• Räumliche Festlegung der Quellen
• Noch offenes Problem, da konkrete Speicherung der Lokalität bei sozialen Medien nicht
einheitlich, teils sogar unbekannt ist
• Alternativen:
• Reine Auflösung nach Hashtags (bspw. Twitter)
• Nutzung spezieller Dienste, z. B. PartSense, FireCAM
• Erneutes Lernen auf Orte bezogen, z. B. über Satzbauteile oder auch Bilder
BigGIS | Smart City - Social Media
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 23
picture credits: exasol.com
BigGIS-Ansätze
• Technisch: Exasol-Datenbank
• Hochparallele In-Memory Analytik
Datenbank
• Cloud-Ansatz für Datenverteilung und
Analyse
• Massives Parallel-System (verteilt
Operationen auf alle Knoten im Cluster)
• Nutzt einen speziellen Kompressions-
Algorithmus, um die I/O-Operationen
zwischen Platten- und Hauptspeicher zu
reduzieren
BigGIS | Smart City - Infrastruktur
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 24
picture credits: wikipedia.de
BigGIS-Ansätze
• Software: Lambda (λ) Architektur
• Kombination von Batch- und Life-
Verarbeitung
• Apache Hadoop / Hadoop Distributed
File System (HDFS) für den massiv
parallelen Batch-Betrieb
• Apache Storm als verteiltes Echtzeit-
Computersystem, um verlässlich
extrem große Datenströme zu
verarbeiten (vergleichbar mit Hadoop
für die Batch-Verarbeitung)
• Programmiersprache „R“ für
statistische Berechnungen und
Graphen
Speed processing (real time)
Batch processing
BigGIS | Smart City - Infrastruktur
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
TIM-Online 06. Mai 2016
GeoService Stadt Münster 06. Mai 2016
Blick aus dem EFTAS-Büro am 06. Mai 2016
LuftbildauswahlStadt Münster06. Mai 2016
12.05.2016 © EFTAS GmbH | www.eftas.com 25
(pic
ture
cre
dits:
http://w
ww
.tim
-onlin
e.n
rw.d
e/t
om
-onlin
e/m
obile
/tim
obile
.htm
l)
(picture credits: http://geo.stadt-muenster.de/webgis2/
(pic
ture
cre
dits:
http://g
eo.s
tadt-
mu
enste
r.de
/webgis
2/
(pic
ture
cre
dits:
EF
TA
S G
mbH
)
Datenquellen | Einsatzbereich: Datenaktualisierung (Lernen/Trainieren)
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 26
DLM-Update – Änderungsdetektion
• Diverse Datensätze werden zu einer
Änderungskartierung zusammengefasst
(picture credits: EFTAS GmbH)
Datenquellen | Einsatzbereich: Datenaktualisierung (Lernen/Trainieren)
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 27
DLM-Update – Änderungsdetektion
• Änderungslayer Karlsruhe
(picture credits: EFTAS GmbH)
Datenquellen | Einsatzbereich: Datenaktualisierung (Lernen/Trainieren)
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 28
UAV mit Multi- und Hyperspektralkameras
• Befliegung Karlsruhe mit Hyperspektralkamera Cubert UHD 185 Firefly am 01.05.2016
(picture credits: EFTAS GmbH)
Datenquellen | Einsatzbereich: Landbedeckung – NIR (NDVI)
Vegetation im Sonnenlicht
Vegetation im Schatten
Dachaufbau
Asphalt
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 29
Funktionsweise
• X-Band vs. C-Band vs. L-Band
(picture credits: DLR)
Datenquellen | Einsatzbereich: Vegetationsvolumen - Radar
Frequenz: 1 – 2 GHz)
Wellenlänge: 15 – 30 cm
Frequenz: 4 – 8 GHz
Wellenlänge: 3,8 – 7,5 cm
Frequenz: 8 – 12 GHz
Wellenlänge: 2,5 – 3,75 cm
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 30
Sentinel 1 (problematisch für Volumenberechnungen)
• Aktiver C-Band Radarsatellit
(picture credits: EFTAS GmbH)
Datenquellen | Volumen - Radar
C-Band Radar
Sentinel 1
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 31
Alternativen: TerraSAR-X / TanDEM-X (eingeschränkt nutzbar)
• Aktive X-Band Radarsatelliten, in der TanDEM-X-Mission für 3D-Modelle
• Kartierung der Oberfläche
(picture credits: EFTAS GmbH)
Datenquellen | Volumen - Radar
X-Band Radar
TerraSAR-X TanDEM-X
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 32
Alternativen: Kombination mit L-Band-Radar
• Lediglich in Planung (Tandem-L)
• Kartierung der Bodenoberfläche
(picture credits: EFTAS GmbH)
Datenquellen | Volumen - Radar
Passives L-Band Radar
Tandem-L
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 33
(picture credits: DLR)
Datenquellen | Volumen - Radar
Tandem-L
• Vorschlag des DLR
• Ziel: Weltweite Messung der
Waldbiomasseproduktion insbesondere
zum besseren Verständnis des
Kohlenstoffhaushalts
• Erfassung der dreidimensionalen
Vegetationsstruktur
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 34
Alternative Flugzeug-getragenes L-Band-Radar
• Nebeneffekt beim L-Band-Radar: Bodenfeuchtemuster (EFTAS SediSAR-Projekt)
• Abschätzung der Verdunstungsrate möglich
• Vollständige Information: Kombination aus Volumenkörper und Feuchtegehalt
(picture credits: MIRAMAP GmbH)
Datenquellen | Feuchte - Radar
Passives L-Band Radar
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
• Städtische Nutzungskartierung kann auf immer mehr
Datenquellen zugreifen
• Fernerkundungsmethoden (Satelliten, Flugzeuge, UAV),
Soziale Medien und Volunteer Geographic Information
ergänzen die Daten der öffentlichen Hand
• Es handelt sich aber um Big-Data: Nicht flächendeckend,
mannigfaltige Bodenauflösungen, lückenhaft, etc.
• Nicht „gut“, aber vielfach verfügbar
• Ableitung qualitativer Indikatoren denkbar
• GIS-Werkzeuge müssen auf die Verarbeitung
vorbereitet werden
• Klassische Statistik muss auf die Mustererkennung
trainiert werden
• Altbekannte (statistische) Methoden werden mit neuen
Technologien zur Verdichtung der Kenntnisse kombiniert
Zusammenfassung | Fazit
12.05.2016 © EFTAS GmbH | www.eftas.com 35
(pic
ture
cre
dits:
DD
V B
ericht
Fern
erk
undung
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
12.05.2016 © EFTAS GmbH | www.eftas.com 36
Partnerschaften | Zusammenarbeit
Projektpartner | BigGIS
8. DFNS www.ioer.de/8dfns
Ihr Partner für GeoinformationFZI FORSCHUNGSZENTRUMINFORMATIK
Dr. Bodo Bernsdorf- Forschung und Entwicklung
EFTAS Fernerkundung
Technologietransfer GmbH
Oststraße 2-18
D-48145 Münster
Tel.: 0251-13 30 7 - 0
Fax.: 0251-13 30 7 - 33
Mail: bodo.bernsdorf@eftas.com
Web: www.eftas.com
Kontakt
12.05.2016 © EFTAS GmbH | www.eftas.com 37
reference ESA
M. Sc. Inf.-Wirt. Julian Bruns- Wissenschaftlicher Mitarbeiter
- Information Process Engeneering (IPE)
FZI Forschungszentrum Informatik
Haid-und-Neu-Straße 10-14
D-76131 Karlsruhe
Tel.: 0721-9654-846
Fax.: 0721- 9654-847
Mail: bruns@fzi.de
Web: www.fzi.com
Das Projekt wird gefördert vom:
8. DFNS www.ioer.de/8dfns
top related