Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Session
S10: Kartographische Algorithmen
Zeit:
Donnerstag, 08.03.2018:
16:00 - 17:30

Chair der Sitzung: Dirk Burghardt
Ort: Hörsaal 2760
96 PLÄTZE

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen
16:00 - 16:20

Micro Diagrammen für geovisuelle Analysen – Anwendungsbeispiele

M. Gröbe, D. Brughardt

TU Dresden, Deutschland

Mit dem Aufkommen von VGI und Social-Media-Daten ist eine Vielzahl an punktbezogenen Daten verfügbar, in deren Analyse und Visualisierung ein hohes gesellschaftliches und wirtschaftliches Potential gesehen wird. Für diese Art von hochkonzentrierten Punktdaten wurden die Micro Diagramme als neue Visualisierungsmethode zu Darstellung unterschiedlicher Kategorien entwickelt. Sie ermöglichen eine überlagerungsfreie Darstellung auch in Regionen mit einer hohen Dichte an Punkten und in kleineren Maßstäben.

Bei den Micro Diagrammen handelt es sich um miniaturisierte Diagramme, die auf aggregierten Punktdaten basieren und somit das Problem der Überlagerung lösen. Dafür können verschiedene Methoden eingesetzt werden: Die Daten lassen sich mittels bekannter Clustering-Algorithmen zusammenfassen, spezielle Datenstrukturen einsetzen oder die Punkte in verschiedenartigen Bezugseinheiten von Verwaltungseinheiten bzw. regelmäßigen Flächen wie Quadrate, Dreiecke oder Hexagone auszählen.

Ziel der Anwendungsbeispiele ist herauszufinden, welche Bezugsflächen für diese Art von Visualisierung einsetzbar sind, sowie welche Arten von Diagrammen für die unterschiedlichen Aggregationsmethoden sich gut nutzen lassen. Hierzu erfolgt zunächst eine Implementierung von einigen weiteren Diagrammtypen, da nur Balken- und Kreisdiagramm im GIS bereits vorhanden waren.

Anhand ausgewählter Anwendungsfälle wurden verschiedene Typen von Diagrammen auf die Tauglichkeit für diese Visualisierungsmethode getestet. Die Beispiele lassen sich unterschiedlichen Bereichen zuordnen: VGI von OpenStreetMap, Daten aus „Location Base Social Networks“ wie Twitter und wissenschaftlichen Daten aus dem Bereich der Meteorologie. Dadurch ergaben sich jeweils andere Rangbedingungen wie Maßstab, Anzahl an Kategorien und Aggregationsmethoden. Die verschiedenen Arten von Diagrammen wurden hinsichtlich ihrer Eigenschaften und dem Anwendungsgebiet ausgewählt.

Abschließend wurden die produzierten Beispiele evaluiert und eingeschätzt welche Diagrammtypen, Aggregationsstrategien und damit u.a. Bezugsflächen sich für diese Art von Visualisierungen eignen.


16:20 - 16:40

Task-oriented Data Classification Of Choropleth Maps For Preserving Local Extreme Values

J. Chang, J. Schiewe

HafenCity Universität Hamburg, Deutschland

1. Problem definition
In thematic maps, i.e. for representing population density, the values of single regions (like states) are often categorized into classes and coloured accordingly in order to obtain a better overview. The visual impact of these choropleth maps – and with that derived interpretations and decisions – are influenced by the actual value distribution, the data classification method and the selection of colour ramps.
Conventional data classification methods (like equidistant, quantiles, or Jenks) work data-driven and do not consider a possible spatial context. If, for example, a state that contains a local extreme value is put into the same category as some of the neighbouring regions, this important information gets lost. Neglecting spatial context may also influence other patterns like hot spots or clusters classification.
Instead of the conventional data-driven approach we now pursue the reverse way, a task-oriented classification.

2.Method
For the task of preserving polygons showing local extreme values, the following procedure has been implemented and tested:

A.Identification of local extreme values
A local extreme value is defined as a polygon that shows larger (or smaller) value compared to its neighbor polygons. Neighbors are defined as polygon pairs having a common boundary or sharing a common vertex. An R-Tree spatial index is used to accelerate the search for neighboring polygons. Among all neighbors of an actual extreme value candidate, the minimum of the absolute difference values is identified and stored.

B.Sorting all local extreme value polygons according to significance

The corresponding value intervals (bounded by the values of the extreme polygon and the numerically closest neighboring polygon as derived in step A) are plotted and sorted according to interval widths (from largest to smallest).

C.Setting class breaks

A Plane Sweep Algorithm is carried out in order to retrieve optimal intersections (i.e., class boundaries). For this a vertical line is swept from left (global minimum) to right (global maximum) in order to retrieve intersection counts. Starting with the most significant extreme value polygon (rf. step B), a class break is set where the number of intersections has its maximum. After identifying the first class break, those segments which intersect this one, are excluded and then the next sweep is performed. This algorithm repeats the above steps until the total number of classes (predefined by the user) have been met or all intervals have been integrated.


16:40 - 17:00

Hot-Spot-Analyse zur Unterstützung der Datenklassifizierung – ein Versuch zur Minimierung der Subjektivität in thematischen Karten am Beispiel des Projekts AlpES (Alpine Ecosystem Services)

P. Freckmann

Hochschule Karlsruhe - Technik und Wirtschaft, Deutschland

Um Geodaten in thematischen Karten zu visualisieren, ist es häufig notwendig, die Daten zu klassifizieren, um durch quantitative Zusammenfassung räumliche Muster erkennbar zu machen. Dabei ergibt sich das Problem, aus verschiedenen Klassifizierungsmethoden die jeweils geeignetste einzusetzen, um die Realität bestmöglich abzubilden. Je nach Wahl einer Klassifizierungsmethode unterscheiden sich die erstellten thematischen Karten mehr oder weniger stark voneinander, das bedeutet, dass ein Thema auf unterschiedliche Weise visualisiert und damit interpretiert werden kann, also eine subjektive Komponente durch den Kartenersteller eine Rolle spielt (vgl. Hruby, F. (2016): 190 Jahre Choroplethenkarten – Ein Zwischenresümee. Kartographische Nachrichten, 66 (2), S. 59ff).

Mit dem Beitrag soll am Beispiel des Projekts AlpES eine Möglichkeit aufgezeigt werden, wie mit Hilfe raumbezogener Statistik die Datenklassifizierung unterstützt werden kann, um das Ergebnis objektiver zu gestalten. Diese geographische, im Gegensatz zu der herkömmlichen nicht-räumlichen Zusammenfassung der geographischen Objekte (Punkte, Linien, Flächen) eines Untersuchungsgebietes, erfolgt in zwei Schritten. Zunächst wird mit dem Moran’s I Index die räumliche Autokorrelation unter den Objekten bezogen auf ein Merkmal gemessen. Der Indexwert weist darauf hin, ob die von den Objekten gebildeten Muster zufällig verteilt oder gruppiert sind. Zeigt der Indexwert eine deutliche Tendenz zur Gruppierung, lassen sich im zweiten Schritt die Objekte über eine Clusteranalyse zu zusammenhängenden Gebieten aggregieren. Mit Hilfe der Getis-Ord Gi*-Statistik lässt sich feststellen, wo Objekte mit hohen oder niedrigen Werten zu räumlicher Clusterbildung neigen. Dabei wird jedes einzelne Objekt unter Berücksichtigung der benachbarten Objekte bewertet. Ein statistisch signifikanter Hot-Spot ist ein Objekt mit einem hohen Wert, das außerdem von anderen Objekten mit hohen Werten umgeben ist. Für die identifizierten Cold-Spots verhält es sich umgekehrt. Das Ergebnis der Analyse zeigt zum einen die für die jeweilige Forschungsfrage relevanten Gebiete. Zum anderen können die ermittelten Hot- bzw. Cold-Spots wiederum als Grundlage für die Festlegung der Klassengrenzen bei der Datenklassifizierung durch eine entsprechende Anpassung der Klassengrenzen verwendet werden. Sie machen die Klassifizierung nicht überflüssig, ergänzen sie aber dahingehend, dass die Subjektivität, die mit den nicht-räumlichen Klassifizierungsmethoden verbunden ist, reduziert werden kann.

Das beschriebene Verfahren wurde im Interreg Alpine Space Projekt AlpES getestet (http://www.alpine-space.eu/projects/alpes/en/home). Im Rahmen dieses Projekts werden Ökosystemleistungen als Hauptsäulen einer grünen Wirtschaft im Alpenraum untersucht, um Ökosysteme und ihre Leistungen für die Gesellschaft zu schützen und nachhaltig nutzbar zu machen. Ziel des Projektes ist es, ein Verständnis für Ökosystemleistungen zur Steuerung regionaler und transnationaler Umweltpolitik zu etablieren. An dem Projekt sind Partner aus allen Alpenanrainerstaaten beteiligt. Das Untersuchungsgebiet umfasst 16.785 Gemeinden, für die umweltrelevante Indikatoren ausgewertet werden. Einen wichtigen Teil des Projekts bildet das Work Package „Mapping & Assessment“. Hier werden auf Basis der Indikatoren eine Vielzahl an thematischen Karten erstellt, aus denen Handlungsempfehlungen für die Umweltpolitik abgeleitet und die in einem WebGIS der Öffentlichkeit zugänglich gemacht werden. Beides setzt thematische Karten voraus, die möglichst wenig Spielraum für Fehlinterpretationen bieten sollten. Das gilt sowohl für die Nutzung der Karten durch die Projektbeteiligten als auch für die späteren Nutzer der Projektergebnisse mit unterschiedlich fachlichen Ausrichtungen und regionalen, insbesondere grenzüberschreitenden Kenntnissen.


17:00 - 17:20

Der Einfluss audiovisuell kommunizierter Karteninformation auf die räumliche Gedächtnisleistung

N. Lammert-Siepmann, D. Edler, N. Hannemann, A.-K. Bestgen, F. Dickmann

Ruhr-Universität Bochum, Deutschland

Um räumliche Orientierungsaufgaben im alltäglichen Leben erfolgreich bewältigen zu können müssen Menschen Ortspositionen von räumlichen Objekten so genau wie möglich kennen. Die Speicherung von Ortspositionen im räumlichen Gedächtnis kann durch direkte Erfahrung in der Umwelt selbst erfolgen oder durch indirekte Erfahrung, d.h. mittels Medien, die die räumliche Realsituation wiedergeben.

Das grundlegende Medium zur Übermittlung geographischer Information ist die Karte, die traditionell aus graphischen Zeichen besteht, aber seit der Verbreitung rechnergestützter und multimedialer Animationstechniken aber auch immer häufiger akustische Gestaltungsmittel beinhaltet. Ansätze einer audiovisuellen – ursprünglich „akustischen“ – Kartographie wurden seit etwa Mitte der 1990er Jahre eingehend diskutiert. Zudem wurden zahlreiche Kartenbeispiele entwickelt, in denen Kartenakustik als abstrakte Töne bzw. Tonfolgen, Musik, realiter erfasste („audiorealistische“) Aufnahmen und v.a. Sprache eingesetzt wurde. Diese Ansätze der audiovisuellen Kartengestaltung wurden bislang nur kaum hinsichtlich ihrer kognitiven Wirkmechanismen bei der Kartennutzung untersucht.

Jüngere Ergebnisse deuten auf einen Mehrwert durch audiovisuelle Karteninformationen für die kartographische Kommunikation hin: Die Verknüpfung (object location binding) von Ortspositionen in (topographischen) Karten (object location) mit audiovisuell kommunizierten semantischen Informationen (object identity), z.B. Ortsnamen, führt zu einer signifikanten Verbesserung aus dem räumlichen Gedächtnis abgerufener Ortspositionen. Aufbauend auf diesen Ergebnissen hat eine aktuelle kartenexperimentelle Studie das Ziel, den Einfluss der akustischen Variablen „Richtung“ auf das Positionsgedächtnis zu untersuchen: Bringt Stereo-Sound, ausgerichtet an der Lage der Ortsposition, einen zusätzlichen Mehrwert für die räumliche Gedächtnisleistung?



 
Impressum · Kontaktadresse:
Veranstaltung: PFGK18-Tagung
Conference Software - ConfTool Pro 2.6.119
© 2001 - 2018 by Dr. H. Weinreich, Hamburg, Germany