Geoinformationen für Humanitäre Hilfe

Was wir machen

Nutzergenerierte Geodaten, beispielsweise von OpenStreetMap oder dem Social Web, sind neben amtlichen Geodaten und Fernerkundungsdaten von wachsender Bedeutung im Katastrophenmanagement. Das Zusammenführen verschiedener Datensätze ermöglicht es humanitären Hilfsorganisationen und Ersthelfern bereits kurz nach dem Eintreten eines Katastrophenereignisses ein Bewusstsein für die Situation vor Ort zu erlangen.
Diese Informationen haben darüber hinaus einen großen Wert in der Vorsorge zur Einschätzung von Risiken und Eindämmung von potentiellen Auswirkungen. Um dieses Potential unterschiedlicher Datenquellen besser nutzen zu können, bedarf es neuer Analysemethoden. Wir entwickeln in Zusammenarbeit mit Nutzern und Hilfskräften hierfür innovative Verfahren und Dienste.

MapSwipe Analytics

Eine extrem relevante Information für humanitäre Hilfe ist die Verteilung der betroffenen Bevölkerung im Raum. Die Verteilung von Gebäuden kann dafür als Proxy dienen. Mit der Smartphone-App MapSwipe können auch Nutzer ohne Vorkenntnisse bewohnte Gebiete auf einem Satellitenbild identifizieren. MapSwipe wurde im Rahmen des MissingMaps-Projektes von MSF (Médecins Sans Frontières/Ärzte ohne Grenzen e.V.) entwickelt und leistet große Unterstützung für die spätere Geodatenerfassung in diesen Gebieten. Für die Analyse und Visualisierung der nutzergenerierten Daten stellen wir die Webanwendung MapSwipe Analytics bereit.

Live dabei sein

Unsere Anwendung MapSwipe Live zeigt die allerneuesten Beiträge von Nutzern der MapSwipe-App. So können Projektmanager schnell auf Probleme bei der Datenerhebung reagieren. Für Nutzer der App stellen wir den eigenen Beitrag auf einen Blick dar.

Wie mache ich es richtig?

Häuser und andere Infrastrukturen auf einem Satellitenbild zu erkennen, klingt nach einer einfachen Aufgabe – ist es aber nicht immer. Mit dem MapSwipe Tutorial haben wir einen Service entwickelt, der für die schwierigen Entscheidungen eine Hilfestellung bietet.

MapSwipe Daten selbst nutzen

Der MapSwipe-Datensatz umfasst mehrere Millionen Klassifikationen für verschiedene geographische Regionen. Wir stellen Services bereit, damit die Daten von Hilfsorganisationen und anderen Interessierten genutzt werden können: MapSwipe Processing bietet Download-Funktionen an. Alternativ lassen sich die Daten über unseren Geoserver direkt in Ihre Anwendung einbinden.

openrouteservice for Disaster Management

Der Routen-Service ermöglicht auf Grundlage hochaktueller OpenStreetMap-Daten Routen zu planen und berücksichtigt dabei katastrophenbedingte Straßenverhältnisse. So stehen den Einsatzteams vor Ort ständig aktualisierte Informationen zur Erreichbarkeit und Befahrbarkeit der Straßen zur Verfügung.

Gesperrte Straßen vermeiden

Bis zu 800 Straßenkilometer pro Stunde wurden nach den Erdbeben in Nepal 2015 von der weltweiten OpenStreetMap-Community erhoben! Unter anderem auch Informationen zu gesperrten und nicht befahrbaren Straßen. Wir machen diese Daten für Evakuierungen und Einsatzplanungen nutzbar.

Stündliche Updates

Wir stellen derzeit stündliche Aktualisierungsintervalle der Geodaten für den gesamten afrikanischen Kontinent, Südamerika und Südasien zur Verfügung. Bei größeren Katastrophen, die Regionen betreffen, die noch nicht von dem Dienst abgedeckt werden, können auf Anfrage neue Gebiete hinzugefügt werden.

Flottenplanung für die Katastrophenhilfe

Ein mehr als komplexes Beispiel für eine Routenoptimierung ist die Verteilung von Gütern mit einer Flotte von mehreren Fahrzeugen auf Dutzende von Standorten. In diesem Beispiel stellen wir ein praxisnahes Szenario zur Verteilung von medizinischen Gütern im Katastrophenschutz vor.

Zugang zu Gesundheitseinrichtungen

Der Zugang zu Gesundheitseinrichtungen kann innerhalb eines Landes sehr ungleich sein. In dieser Analyse geben wir einen Überblick über die Verteilung der Gesundheitsstandorte in Madagaskar und die Menge der Bevölkerung, die diese Standorte zu Fuß und mit dem Auto erreichen kann.

Maschinelles Lernen und humanitäres Kartieren

Heutzutage gewinnen maschinelles Lernen und Deep Learning Ansätze innerhalb der humanitären (Mapping) Gemeinschaft immer mehr an Bedeutung. Mit unserem Partnern der GIScience Research Group an der Universität Heidelberg haben wir das Potenzial von Deep Learning in Zusammenspiel mit dem Crowdsourcing-Ansatz von MapSwipe untersucht. Zu diesem Zweck haben wir einen neuartigen Workflow entwickelt, um Deep Learning (DeepVGI) und Crowdsourcing (MapSwipe) zu kombinieren. Unsere Strategie für die Zuordnung von Klassifizierungsaufgaben zu Deep Learning oder Crowdsourcing basiert auf der abgeleiteten binären Klassifizierung.

Deep Learning mit Satellitenbildern

Deep-Learning-Methoden, insbesondere Convolutional Neural Networks (CNNs), finden heute weitgehend Anwendung für prognostische Analysen von Fernerkundungsbildern, können jedoch auch zur Bodenobjekterkennung oder Populationskartierung weiter entwickelt werden. Diese Methoden trainieren in der Regel Modelle unter der Berücksichtigung einer großen Anzahl an Trainingsdaten. VGI ist in der Lage, solche großen Datenmengen kostenfrei zur Verfügung zu stellen.

Datenlücken füllen

Die knappe Verfügbarkeit genauer und aktueller Siedlungsdaten für Menschen bleibt eine große Herausforderung, z.B. für humanitäre Organisationen. Wir untersuchen die Synergien von Crowdsourcing und Deep Learning, um die Datenlücken bestehender Fernerkundungsdaten zu schließen.

Mensch Maschine Interaktion

Wir verwenden VGI-Daten von OpenStreetMap sowie der mobilen Crowdsourcing-Anwendung MapSwipe, mit der Freiwillige auf Bildern Gebäude oder Straßen für humanitäre Zwecke kennzeichnen können. Beide Daten-Quellen fließen in ein von uns entwickeltes und stets verbessertes Lern-Framework ein, das mit tiefen neuronalen Netzen ausgestatttet ist.

Weitere Services

Kooperationspartner

Das Team

Melanie Eckle

Wissenschaftliche Angestellte

Benjamin Herfort

Wissenschaftlicher Angestellter

Sven Lautenbach

PostDoc Wissenschaftler

Sabrina Marx

Wissenschaftliche Angestellte