Datensatz

Road Surface Data

Dieser Datensatz liefert detaillierte Informationen über Straßenoberflächen, um zwischen gepflasterten und ungepflasterten Oberflächen in verschiedenen Regionen unterscheiden zu können. Er wurde aus OpenStreetMap-Daten (OSM) abgeleitet und mit Vorhersagen eines hybriden Deep-Learning-Ansatzes verbessert. Die Daten werden mit Kartenbildern von Mapillary, dem GHSU Global Human Settlement Urban Layer 2019 sowie dem AFRICAPOLIS2020 Urban Layer erweitert.

Weiterlesen

Dieser Datensatz bildet die Grundlage für die Analyse und Zahlen, die in der Studie zur globalen Vollständigkeitsbewertung von OSM-Gebäudedaten in urbanen Gebieten (Global Urban OSM Building Completness Analysis manuscript) benötigt werden. Er enthält Informationen zur OSM-Vollständigkeitsquote (OSM completeness values) sowie aktualisierte Kovariaten für 13.189 städtische Agglomerationen weltweit. Mithilfe eines Modells für maschinelles Lernen werden Rückschlüsse auf die Vollständigkeit der OSM-Gebäudedaten gezogen, wodurch räumliche Ungleichheiten der bestehenden Daten erkannt werden können.

Weiterlesen

Publikation

Lizenz

Referenzdatum

Letztes Update am 2024-08-23

Dieser Datensatz liefert ein genaues Modell zur Erkennung von Siedlungsabfällen (Muncipal Solid Waste, MSW) mittels Drohnen-Bildern. Das Modell wurde in einer Fallstudie im Msimbazi-Delta in Dar es Salaam, Tansania, angewandt und erzielte mit einem F1-Maß von 0,92 eine hohe Genauigkeit. Die daraus entstandenen Karte der Siedlungsabfälle zeigte eine deutlich stärkere Verschmutzung im Flussbett des Msimbazi im Vergleich zu den umliegenden Regionen.

Weiterlesen

Lizenz

Referenzdatum

Letztes Update am 2023-05

Der Datensatz dient der Erkennung von Wassertanks, um Maßnahmen zur Bekämpfung von Infektionskrankheiten zu unterstützen, die durch die Stechmückenart Aedes Aegypti übertragen werden. Mithilfe eines halbüberwachten Selbstlernansatzes (semi-supervised self-training) auf Basis von frei zugänglichen Satellitenbildern wurde die Wassertankdichte in Rio de Janeiro kartiert. Ein negativ-binomiales generalisiertes Regressionsmodell untersuchte den Einfluss der Wassertankdichte auf die Verbreitung der Aedes Aegypti von 2019 bis 2021. Dieses halbüberwachte Modell erzielte ein um 22% höheres F1-Maß als das vollständig überwachte (supervised) Modell.

Weiterlesen

Publikation

Lizenz

Referenzdatum

Letztes Update am 2024-09

MapSwipe nutzt die Beiträge von Freiwilligen zur Verbesserung von räumlichen Daten, indem Infrastrukturen identifiziert, Umweltveränderungen beobachtet und bereits bestehende Kartendaten bewertet werden. Freiwillige beteiligen sich an Aufgaben wie beispielsweise dem Lokalisieren von besonderen Merkmalen, dem Ermitteln von Struktur- oder Umweltveränderungen und der Überprüfung der Datengenauigkeit. Die Art der gesammelten Daten variiert je nach Projekt, wobei jede Initiative einen anderen Schwerpunkt und eine andere Datenstruktur hat, die speziell auf ihre Ziele zugeschnitten ist.

Weiterlesen

Lizenz

Die OSMlanduse ist ein wissenschaftlicher Datensatz, der im Rahmen des Horizon 2020 – LandSense-Projekts. Es handelt sich um eine Klassifikation von Sentinel-2-Satellitenbildern mithilfe eines Deep-Learning-Modells, das auf OSM-Landnutzungs- und Landbedeckungsmerkmale trainiert wurde. Die Daten können fehlerhafte Klassifizierungen enthalten. Die Klassifizierungswerte im Rasterdatensatz entsprechen der Teilmenge der bekannten CORINE Landbedeckungsklassifizierung.

Weiterlesen

Publikation

demnächst

Lizenz

Referenzdatum

Basierend auf Sentinel-2 composites von 2020