Forschungsprojekt
Abgrenzung urbaner Räume mittels OpenStreetMap und maschinellen Lernverfahren
Zum gegenwärtigen Zeitpunkt ist eine anwachsende Bedeutung von geographischen Daten, die kollaborativ von einer Vielzahl an Personen ohne spezifische Fachkenntnisse aufgenommen und zur freien Verfügung gestellt werden, zu beobachten. Ein in diesem Bereich vielversprechendes Projekt ist OpenStreetMap (OSM). Dessen Ziel ist die Generierung einer freien Weltkarte durch partizipatives Handeln von Freiwilligen. Dabei werden von Individuen geographische Daten erfasst, in eine Datenbank eingespeist und können im Anschluss für weitere Anwendungen (z.B. kartographische Gestaltung, räumliche Modellierung, Web-Services) ohne Entgelt herangezogen werden.
Die Qualität dieser Daten unterliegt jedoch hinsichtlich der räumlichen Genauigkeit, semantischer Korrektheit und Vollständigkeit einer regionalen bzw. länderspezifischen Heterogenität. Diese Datenfehler schränken jedoch die Nutzung von OSM-Daten für räumliche Modellierungen ein. Insbesondere Routing-Anwendungen (z.B. OpenRouteService.org) sind auf eine akkurate und vollständig erfasste Repräsentation des Straßennetzwerks und der umgebenden Umwelt angewiesen, da fehlerhafte Daten ungenaue Routenvorschläge induzieren und folglich den Aktionsraum und das Zeitmanagement der NutzerInnen negativ beeinflusst. Speziell in urbanen Räumen, in denen das Verkehrsnetz von Verkehrsbehinderungen, Geschwindigkeitsbegrenzungen sowie Einbahnstraßen geprägt ist, ist es oftmals unabdingbar, eine alternative (längere aber zeitsparende) Umgehungsroute zu wählen, anstatt des direkten Weges. Im OSM-Datensatz sind diese urbanen Gebiete häufig nicht bzw. nicht vollständig kartiert. Um die Anwendbarkeit von OSM für das Routing zu erhöhen, wird ein maschinelles Lernverfahren angewandt, das es ermöglicht, urbane Räume auf Basis vorhandener OSM-Daten zu schätzen.
Dazu werden grundlegende und häufig vorhandene OSM-Attribute (z.B. Zahl der Knoten bzw. Kante, Kantenlänge) extrahiert und in einer Rasterrepräsentation übergeführt und aggregiert, welche die Datengrundlage für den Lernprozess darstellt. Um die hohe Anzahl an Prädiktoren zu reduzieren, kommt ein genetischer Algorithmus zur Variablenselektion zur Anwendung. Da kein theoretisches Vorwissen über funktionale Zusammenhänge der Variablen existiert, wird ein überwachtes künstliches neuronales Netzwerk trainiert, das mögliche komplexe, nicht-lineare Beziehungen repräsentiert. Die Anteile der städtischen Gebiete wurden anschließend aus Corine-Landnutzungs-Daten abgeleitet.
Erste Ergebnisse bestätigen die Tauglichkeit dieses Ansatzes zur Detektion urbaner Räume auf Basis von OSM-Daten für den Großteil der verwendeten Validierungsdaten. Dies ist insofern vielversprechend da die Corine-Daten nur Flächen jenseits der 0,25 km² als bebautes Gebiet ausweisen und folglich für eine exakte Evaluation der Ergebnisse nur bedingt tauglich sind.
Zukünftige Arbeitsschritte zielen einerseits auf eine Verbesserung des Lernprozesses ab und andererseits sollen die Ergebnisse, die gegenwärtig als Rasterzellen vorliegen, in Polygone überführt werden. Weiteres soll die Qualität der Schätzung durch präzisere Eingangsdaten auf Basis von TerraSAR-X Satellitendaten präzisiert werden.
Literatur
- Hagenauer, J. and Helbich, M. (2012 accepted): Mining urban land use patterns from volunteered geographic information using genetic algorithms and artificial neural networks. International Journal of Geographical Information Science (IJGIS). Taylor & Francis.
- Hagenauer J und Helbich M, 2011: Abgrenzung urbaner Räume mittels OpenStreetMap und maschinellen Lernenverfahren. In Schilcher M: Geoinformationssysteme. Beiträge zum 16. Münchner Fortbildungsseminar, abcverlag, Heidelberg, S. 78-81.
