Ein Toolkit und Framework für kontinuierliche, großräumige Qualitätsmessung von offenen Geodaten mit effizienten Verfahren der künstlichen Intelligenz und multimodaler Fernerkunding (AI4OpenGeodataQuality)

• Antragsteller: Professor Dr. Martin Werner
• Fachliche Zuordnung: Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 563303373

Dieses Projekt zielt auf die Entwicklung von Verfahren zur Qualitätsbewertung von Voluntered Geographic Information (VGI) ab, einschließlich der Definition von Qualitätsmaßen, ihrer halbautomatischen Extraktion mit KI unter Berücksichtigung ihrer Dynamik im Laufe der Zeit sowohl bei Live-Beiträgen als auch bei historischen VGI-Datenbanken. Dieses Projekt kann einen vergleichsweise großen praktischen Nutzen bieten, da die wertvolle Datenquelle der Volunteered Geographic Information (VGI) aufgrund des Mangels an Wissen und Verfahren in Bezug auf ihre Qualität nicht für Aufgaben genutzt werden kann, bei denen die Integrität entscheidend ist. Das übergeordnete Ziel des AI4OpenGeoDataProjekts ist es, durch die Anwendung von effizienten KI-Modellen auf multimodalen Fernerkundungsdaten verlässliche und aktuelle Einblicke in die Qualität offener Geodaten - insbesondere für OpenStreetMap und GDI-DE - zu gewinnen, was dazu beiträgt, ein kontinuierliches und genaues Qualitätsbewusstsein auch für Massendaten (Big Data) zu etablieren. Die wichtigsten Forschungsgegenstände des Projekts sind: 1) die Integration der zeitlichen Dimension in die Messung der Qualität von Geodaten, 2) die Nutzung multimodaler Fernerkundungsdaten, um eine übertragbare und skalierbare Datenbewertung zu ermöglichen, 3) die Entwicklung qualitätsbewusster GeoAI-Modelle zur automatischen Integration von Qualitätsindikatoren, die den Stand der Technik bei der Bewertung der Dateatenqualität aus intrinsischer wie extrinsischer Perspektive vorantreiben und ergänzen werden Im Hinblick auf die Integration der zeitlichen Dimension entwickeln wir einen räumlich-zeitlichen Datencontainer, der eine sehr hohe Flexibilität bei der räumlichen und zeitlichen Aggregation bietet und komplexe und rechenintensive Qualitätsindikatoren unterstützt. Dieser Ansatz unterscheidet sich von Datenwürfeln dahingehend, dass weder ein räumlicher noch ein zeitlicher Aggregationsmaßstab im Voraus bekannt sein muss, sondern Teil der Qualitätsmetrik selbst sein kann. Darüber hinaus verwenden wir Fernerkundungsdaten aus verschiedenen Quellen, um unvoreingenommene Beobachtungen zuverlässig mit den sich ändernden VGI-Daten zu korrelieren, und entwickeln neuartige Techniken, um Beobachtung, VGI-Daten und Qualitätsindikatoren direkt miteinander in Beziehung zu setzen. Schließlich wollen wir im Hinblick auf GeoAI sicherstellen, dass die Qualitätsindikatoren künstlich intelligenten Systemen zur Verfügung stehen, um das Training und die Inferenz durch Qualitätsbewusstsein zu verbessern. Neben unserem Hauptinteresse an der multimodalen Qualitätsbewertung möchten wir zu einer breiteren Nutzung von Geodaten beitragen, indem wir die FAIR-Prinzipien unterstützen und alle unsere Daten und Quellcodes auffindbar, zugänglich, interoperabel und wiederverwendbar (FAIR) machen.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortlich: Dr. Hao Li