Nutzer-zentrierte relationale Merkmalsklassifikation für VGI

• Antragsteller: Professor Christian Freksa, Ph.D. (†)
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung von 2016 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 314697956

Volunteered Geographic Information (VGI) ist ein erfolgreiches Verfahren zur Erhebung geografischer Daten durch Crowdsourcing sowie zu deren Verbreitung und Verwendung in online-Diensten. VGI-Daten werden von Laien erfasst, bereitgestellt, weiterverarbeitet und gepflegt - Aufgaben, die traditionell in der Verantwortung von Experten in Agenturen und Behörden lagen. Das beantragte Projekt beschäftigt sich mit Problemen der Datenqualität von VGI unter Verwendung von Methoden aus Künstlicher Intelligenz (KI) und Kognitionswissenschaft. Wir konzentrieren uns dabei auf die Erfassung geografischer Flächen hinsichtlich ihrer Typisierung und Nutzungsform durch nicht-professionelle Datensammler. So kann etwa eine Grasfläche bei ihrer Erfassung als 'Wiese', oder aber auch als 'Park' klassifiziert werden. Aus kognitionswissenschaftlicher Sicht stellt die Gewährleistung einer hohen Datenqualität bei der Datenerfassung durch viele Personen eine große Herausforderung dar.Das beschriebene Problem kann grundsätzlich auf zwei divergenten Wegen angegangen werden: (1) Durch einen normativen Ansatz: Merkmalskategorien werden strikt vorgegeben, so dass es für jedes erfasste geografische Objekt genau eine zutreffende Kategorie gibt. Vorteile: erfasste Daten können eindeutig klassifiziert werden; Mehrdeutigkeiten in der Zuordnung sind ausgeschlossen. Nachteil: die Datenerhebung kann fehlerhaft sein, wenn aufgrund unvollständiger Informationen oder ungeeigneter Kategorien eine korrekte Zuordnung zu einer Kategorie erschwert oder nicht eindeutig möglich ist. (2) Durch einen menschenzentrierten Ansatz: Die datenerhebende Person verwendet zur Klassifikation Alltagsbegriffe, die jeweils geeignet erscheinen. Vorteile: Das zur Klassifikation verwendete Begriffsinventar kann besser auf die jeweilige Situation abgestimmt werden und die so gesammelte Information wird zuverlässiger. Nachteil: Klassifikationen unterschiedlicher Datenerfasser lassen sich nur schwer miteinander abgleichen und in einem endgültigen Datenbestand konsolidieren. Derzeit gibt es keine Verfahren, die die Vorteile beider beschriebenen Ansätze ausnutzen könnten um die jeweiligen Nachteile auszugleichen.In dem vorliegenden Projekt werden wir ein Verfahren zur Lösung dieses Problems entwickeln. Hierfür werden wir die im geografischen Raum inhärenten Ordnungsstrukturen ausnutzen, die sowohl dem normativen als auch dem menschenzentrierten Ansatz zugrunde liegen, um so die beiden Erfassungsmethoden miteinander kombinieren zu können. Auf diese Weise werden bestimmte Formen menschenzentrierter Beschreibungen auf das normative Begriffsinventar abgebildet werden können, und umgekehrt. Die jeweilige Korrektheit der Beschreibungen wird hierdurch nicht beeinflusst. Der vorgeschlagene Ansatz nutzt KI-Techniken aus dem Bereich des qualitativen räumlichen Schließens sowie konzeptuelle Nachbarschaften zwischen Beschreibungsklassen zum Abgleich der unterschiedlich beschriebenen geografischen Merkmale miteinander.

• DFG-Verfahren: Schwerpunktprogramme
• Teilprojekt zu: SPP 1894: Volunteered Geographic Information: Interpretation, Visualisierung und Social Computing
• Internationaler Bezug: USA
• Kooperationspartner: Professor Dr. Alexander Klippel