Big Spatial Data Analytics

Potenzial von Big Data für praktische Lösungen

Überblick

Wir verwandeln komplexe offene Geodaten in umsetzbare Erkenntnisse – mit einem besonderen Fokus auf humanitäre und klimabezogene Anwendungen. Mit langjähriger Erfahrung in Forschung und Entwicklung überbrücken wir die Kluft zwischen Technologie und praktischen Lösungen. Unsere maßgeschneiderten Werkzeuge und Prozesse nutzen fortschrittliche Methoden aus der räumlichen Datenanalyse und dem Deep Learning, um die spezifischen Anforderungen unserer Partner an Datenqualität und -anreicherung zu erfüllen.

Datenqualitäts-indikatoren

Werkzeuge zur Messung der Vollständigkeit, Korrektheit und thematischen Genauigkeit von OpenStreetMap-Daten (OSM) weltweit.

Erweiterte Datensätze

Erweiterte OSM in analysierbaren Formaten, speziell auf verschiedene Bedürfnisse zugeschnitten.

Forschung

Zusammenarbeit mit Behörden, internationalen Organisationen und Forschungseinrichtungen zur Weiterentwicklung von Methoden und Sicherstellung hoher Qualitätsstandards.

Die Qualität von OpenStreetMap-Daten verstehen

OpenStreetMap ist eine umfangreiche Quelle für nutzergenerierte, frei verfügbare Geodaten, die für viele Anwendungsbereiche genutzt werden können. Allerdings kann die Nutzung aufgrund fehlender standardisierter Datenerstellungsmethoden und unterschiedlicher Qualitätsanforderungen anspruchsvoll sein. Wir entwickeln Software und Dienste, mit denen OSM-Datenqualitätsindikatoren global oder für spezifische Gebiete berechnet werden können. So können Nutzende einschätzen, ob die Daten ihren Projektanforderungen entsprechen.

ohsome Framework

berlin hex deco image

Für einen detaillierten Überblick über das Tool, einfach das Video ansehen

Das ohsome-Dashboard ermöglicht die Analyse von OSM-Daten mit vollständiger Versionshistorie – ganz ohne Programmierkenntnisse. Es erstellt Statistiken und visualisiert diese direkt im Dashboard. Dabei lassen sich Filter und Gruppierungen für Tags und Typen individuell anpassen, egal für welche Region oder welchen Zeitraum. Die ohsome Quality API (OQAPI) bietet Zugang zu Informationen zur Datenqualität von OSM für spezifische Regionen und Anwendungsfälle.

 

Erweiterte Datensätze

Neben der Softwareentwicklung konzentrieren wir uns auf die Anreicherung von OSM-Datensätzen, die in einem Data Lake gespeichert sind und den Nutzenden zugänglich gemacht werden. Die Qualität von OSM-Daten variiert aufgrund ihrer nutzergenerierten Natur, was die Arbeit mit großen Datensätzen besonders herausfordernd macht. Dies erschwert es, verlässliche Ergebnisse zu erzielen, vor allem für Forschende, die auf präzise und konsistente Daten angewiesen sind.

Integration von KI und Maschinellem Lernen

Diese Technologien helfen dabei, fehlende Attribute zu ergänzen und die Daten für die Nutzung vorzubereiten.

Angepasste Datensätze

Wir liefern maßgeschneiderte, vollständige und erweiterte Datensätze, die auf die Bedürfnisse unserer Partner und deren Projekte abgestimmt sind.

Höhere Effizienz

Mit dem Zugang zu hochwertigen Datensätzen wird die Vorbereitungszeit verkürzt und die Genauigkeit von Modellen des maschinellen Lernens erhöht.

Das Road Surface Type Dataset bietet eine globale Sammlung von 2,2 Milliarden Bildern aus Mapillary, die Straßen entweder als befestigt oder unbefestigt kategorisieren. Mit KI-Techniken verarbeitet, unterstützt es Anwendungen in den Bereichen Wirtschaftsentwicklung, Umweltschutz, Routenplanung und Notfallmanagement. Integriert mit OSM verbessert es Straßendaten und liefert Einblicke in Oberflächenveränderungen.

OSM road surface attributes
berlin hex deco image

Die OSM Land Use Map ist eine Web-Anwendung, mit der globale Flächennutzungsmuster auf Grundlage von OSM-Daten angezeigt werden können. Klassifikationen von Flächennutzungsarten werden dargestellt, indem detaillierte Karten, die Informationen über das Vorkommen von Wohn-, Gewerbe-, und Industriegebieten während eines bestimmten Zeitpunktes enthalten, überlagert werden. Zusätzlich steht ein herunterladbarer Datensatz für die Offline-Analyse zur Verfügung.

berlin hex deco image

Echtzeit-Einblicke in OpenStreetMap-Daten

Mit Hilfe unserer Dienstleistungen und Werkzeuge können OSM-Daten und ihre Veränderungen im Laufe der Zeit analysiert werden.

ohsomeNow Stats

berlin hex deco image

Für einen detaillierten Überblick über das Tool, einfach das Video ansehen

Globale Statistiken über Kartierungsaktivitäten in OSM werden mit ohsomeNow Stats nahezu in Echtzeit bereitgestellt. Dazu gehören die Anzahl der Mitwirkenden, Bearbeitungen der Karten, hinzugefügte Gebäude und die Länge von Straßen. Die Daten werden regelmäßig aktualisiert und können nach OSM-Changesets-Hashtags gefiltert werden. Das Dashboard wurde in Zusammenarbeit mit dem Humanitarian OpenStreetMap Team (HOT) entwickelt und ermöglicht den Zugriff auf Kartierungsstatistiken vom 21. April 2009 bis heute.

Relevante Veröffentlichungen

Alle Blogposts

Alle Publikationen

Herfort, Benjamin, Sven Lautenbach, Joao Porto de Albuquerque, Jennings Anderson, and Alexander Zipf. 2023. “A Spatio-Temporal Analysis Investigating Completeness and Inequalities of Global Urban Building Data in OpenStreetMap.” Nature Communications 14 (3985): 1–14. https://doi.org//10.1038/s41467-023-39698-6.
Herfort, Benjamin, Sven Lautenbach, João Porto de Albuquerque, Jennings Anderson, and Alexander Zipf. 2021. “The Evolution of Humanitarian Mapping within the OpenStreetMap Community.” Scientific Reports 11 (1): 3037. https://doi.org/10.1038/s41598-021-82404-z.
Yan, Yingwei, Chen-Chieh Feng, Wei Huang, Hongchao Fan, Yi-Chen Wang, and Alexander 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 34 (9): 1765–91. https://doi.org/10.1080/13658816.2020.1730848.
Schott, Moritz, Asher Yair Grinberger, Sven Lautenbach, and Alexander Zipf. 2021. “The Impact of Community Happenings in OpenStreetMap—Establishing a Framework for Online Community Member Activity Analyses.” ISPRS International Journal of Geo-Information 10 (3): 164. https://doi.org/10.3390/ijgi10030164.
Hu, Xuke, Alexey Noskov, Hongchao Fan, Tessio Novack, Hao Li, Fuqiang Gu, Jianga Shang, and Alexander Zipf. 2021. “Tagging the Main Entrances of Public Buildings Based on OpenStreetMap and Binary Imbalanced Learning.” International Journal of Geographical Information Science 35 (9): 1773–1801. https://doi.org/10.1080/13658816.2020.1861282.

Kontakt

Partner