Naturgefahren bedrohen Millionen von Menschen auf der ganzen Welt. Um diesem Risiko zu begegnen, sind Expositions- und Anfälligkeitsmodelle mit hochauflösenden Daten unerlässlich. In vielen Gebieten der Welt sind die Expositionsmodelle jedoch eher grob und werden über große Gebiete aggregiert. OpenStreetMap (OSM) bietet zwar ein großes Potenzial für die Risikobewertung auf detaillierter Gebäudeebene, aber die Vollständigkeit der OSM-Gebäudegrundrisse ist immer noch uneinheitlich. Daher haben wir in unserem jüngsten Beitrag Werkzeuge und Methoden entwickelt, um die Vollständigkeit von Gebäuden mithilfe eines neuen Aufgabentyps in der Crowd-Sourcing-App MapSwipe zu bewerten.
Die Arbeit ist im IJGI von MDPI veröffentlicht und als „open access“ verfügbar:
Ullah, T.; Lautenbach, S.; Herfort, B.; Reinmuth, M.; Schorlemmer, D. Assessing Completeness of OpenStreetMap Building Footprints Using MapSwipe. ISPRS Int. J. Geo-Inf. 2023, 12, 143.
Es gibt zwar viele Ressourcen und Werkzeuge, die die Kartierung in OSM erleichtern, aber für Neulinge, die einen Beitrag leisten wollen, ist immer noch ein gewisser Lernaufwand erforderlich. Um diese anfängliche Hürde zu nehmen, wurde die Smartphone-Anwendung MapSwipe erstellt und als Werkzeug konzipiert, das nur einen minimalen Schulungsaufwand erfordert und eine einfache und leicht zu erlernende Benutzeroberfläche verwendet. Das Tool wurde vom Heidelberger Institut für Geoinformationstechnologie (HeiGIT) in Zusammenarbeit mit dem Britischen Roten Kreuz (BRC), dem Humanitarian OpenStreetMap Team (HOT), Médecins Sans Frontières (MSF) und Freiwilligen entwickelt und wird von ihnen betreut. MapSwipe führte den Aspekt der Gamification in die Erkennung von Gebäuden ein, indem es den Nutzenden Satellitenbilder zeigt und sie auffordert, Bereiche auszuwählen, in denen sie Gebäude identifizieren können. Sobald diese Bereiche markiert sind, wischt der/ die Benutzer*in das Satellitenbild zur Seite, um die nächsten Bilder zu erhalten – daher der Name MapSwipe.
Als Teil des LOKI Projekts testeten und entwickelten wir einen neuen Projekttyp für die mobile App MapSwipe, der die Bewertung der Vollständigkeit von OSM-Gebäuden pro Kachel ermöglicht. Die Vollständigkeitsfunktion ermöglicht es, eine Kachel als „kein Gebäude“, „vollständig“ oder „unvollständig“ zu klassifizieren, indem nicht, einmal oder zweimal getippt wird.
MapSwipe Hauptbildschirm. Zwei Beispiele: a) Grün gefärbte Kacheln stellen vollständige Kacheln dar, nicht erschlossene Kacheln stellen keine Gebäudekacheln dar; b) Orange gefärbte Kacheln stellen Gebiete dar, die in OSM im Hinblick auf Gebäudegrundrisse unvollständig kartiert sind.
Das Vollständigkeitsmerkmal wurde an vier Regionen (in Medellin, Sirios, Taipeh und Tokio) getestet und mit zwei Ansätzen verglichen: i) einem intrinsischen Ansatz auf der Grundlage von Ohsome und der Anpassung einer Sättigungskurve und ii) mit der Vorhersage eines am HeiGIT entwickelten maschinellen Lernmodells (Herfort et al. (2022)).
Standorte der Fallstudien. Die Vollständigkeit der Kartierung in OSM variierte zwischen den Fallstudien und innerhalb der Fallstudien. Alle vier Fallstudien enthielten jedoch eine große Anzahl von OSM-Merkmalen, wie aus den Detailkarten hervorgeht, die für diese Abbildung auf die wichtigsten Merkmale (Hauptstraßen und Gebäudegrundrisse) beschränkt wurden. Datenquelle: OpenStreetMap-Mitwirkende unter ODbL und Natural Earth (Weltkarte). Kartenkacheln für Detailkarten von Carto, unter CC BY 3.0.
Unsere Ergebnisse zeigen, dass der Crowd-Sourced-Ansatz eine angemessene Klassifizierungsleistung für die Vollständigkeit von OSM-Gebäudegrundrissen erbringt. Die MapSwipe-basierte Bewertung lieferte konsistente Schätzungen für die Fallstudienregionen, während die beiden anderen Ansätze eine höhere Variabilität aufwiesen.
Vergleich der MapSwipe-Vollständigkeitsbewertung mit einem Sättigungskurven-Anpassungsansatz und der Vorhersage von OSM-Gebäuden durch ein maschinelles Lernmodell durch Herfort et al.(2022). Alle Werte sind als Prozentsätze angegeben. Bei MapSwipe stellen die Werte den Anteil der Zellen dar, die von Freiwilligen oder von Experten als unvollständig gekennzeichnet wurden. Das Expertenurteil kann als „Grundwahrheit“ für September 2020 interpretiert werden. Kacheln ohne Gebäude wurden nicht in die Berechnung einbezogen. Für den intrinsischen Ansatz wurde der Vergleich durchgeführt, indem die angepasste Asymptote der Sättigungskurve mit der beobachteten Anzahl für September 2020 in Beziehung gesetzt wurde. Für das Modell des maschinellen Lernens wird der Vergleich zwischen der Anzahl der zum Zeitpunkt der Analyse beobachteten Gebäude und den vom Modell vorhergesagten Gebäudeflächen vorgenommen. Beide für den Vergleich verwendeten Ansätze waren für Sirios nicht anwendbar.
Unsere Studie ergab auch Faktoren, die die Qualität der MapSwipe-Bewertung beeinflussen. Die Freiwilligen neigten dazu, fast vollständig kartierte Kacheln als „vollständig“ zu klassifizieren, insbesondere in Gebieten mit einer hohen OSM-Gebäudedichte. Ein weiterer Faktor, der die Klassifizierungsleistung beeinflusste, war der Grad der Übereinstimmung der OSM-Ebene mit den Satellitenbildern.
Die Ergebnisse zeigen, dass die Vollständigkeitsfunktion von MapSwipe eine gute Möglichkeit zur schnellen Bewertung der Vollständigkeit von OSM-Gebäuden in kleineren Maßstäben bietet, wie sie im Katastrophenfall häufig erforderlich ist. Die Aggregation der Rückmeldungen der verschiedenen Nutzer lieferte zuverlässige Schätzungen der Vollständigkeit für die ausgewählte Aufgabe. Das Tool ergänzt andere Ansätze zur Abschätzung der Vollständigkeit von OSM-Features in einer Region. Es ermöglichte die Identifizierung von Teilen einer betroffenen Region, die eine weitere Kartierung von Gebäuden mit hoher räumlicher Auflösung erfordern. Intrinsische Ansätze erfordern dagegen größere Regionen für zuverlässige Bewertungen, da sie die Kartierungshistorie über Zeit und Raum integrieren. Wenn Vorhersagen durch Modelle wie das hier verwendete verfügbar sind, könnten auch sie eine gute Alternative darstellen. Solange diese jedoch für eine benötigte Merkmalsklasse nicht verfügbar sind, kann eine Kombination aus regionaler Bewertung intrinsischer Ansätze und detaillierter Bewertung durch Freiwillige unter Verwendung des hier vorgestellten Tools das Beste aus beiden Welten kombinieren, um die Datenqualität schnell zu bewerten, was im Katastrophenfall oft notwendig ist. Für Gebäudegrundrisse könnte eine Kombination aus allen drei vorgestellten Ansätzen eine geeignete Lösung sein, um eine rechtzeitige Einschätzung darüber zu erhalten, wo zusätzlicher Kartierungsaufwand erforderlich ist.
Details finden Sie im Paper: Assessing Completeness of OpenStreetMap Building Footprints Using MapSwipe.