VGI-LOC: Zukunftslabor Wasser - ZDIN

Geolokalisierung von VGI-Bilddaten aus Social Media
In den letzten Jahren hat sich die Nutzung von Volunteered Geographic Information (VGI) als wertvolle Quelle für die Sammlung von geographischen Daten etabliert. VGI-Daten werden in Form von Bildern und Videos durch die Verwendung der weit verbreiteten Smartphones erzeugt und durch soziale Medien verbreitet. Insbesondere bei extremen Wetterereignissen, wie zum Beispiel Hochwasser, entstehen tendenziell mehr VGI-Daten, die Informationen über den aktuellen Wasserstand liefern können. Die Möglichkeit, diese Daten in Echtzeit zu sammeln und zu analysieren, hat das Potenzial, die Vorhersage und Überwachung von Hochwasserereignissen erheblich zu verbessern. Voraussetzung ist allerdings, dass die Position der Aufnahme bekannt ist. Dies ist bei vielen Social Media Daten allerdings nicht der Fall.

Das Ziel des Projekts ist die automatische Lokalisierung von Bildern, die über Social Media verbreitet werden, um Informationen wie Wasserstand, Fließgeschwindigkeit, Verschmutzungsniveau, Vegetationsdichte und weitere relevante Faktoren zu extrahieren. In einem ersten Schritt werden hierzu an ausgewählten Stellen, z.B. an und in der Umgebung von Brückenbauwerken an der Leine in Hannover und im Hannoveraner Umland Testgebiete vermessungstechnisch erfasst (insbesondere mittel LiDAR), um eine Referenz zur Ausrichtung von VGI-Daten zu erzeugen. Dabei wird zunächst die lokale Lokalisierung mit Laser- bzw. Bilddaten mit einer bekannten Position erprobt und optimiert. Wenn sich das Verfahren als funktionsfähig und genau erwiesen hat, werden zunehmend Informationen über die Position der Aufnahmen weggelassen, um ungenau positionierte VGI-Daten zu simulieren. Für das lokale Verfahren soll eine sogenannte Bild-zu-Punktwolke-Registrierung und für die globaleren Verfahren eine Form von Pattern Recognition verwendet werden.

Vorarbeiten:

Yu Feng, Qing Xiao, Claus Brenner, Aaron Peche, Juntao Yang, Udo Feuerhake, Monika Sester (2022): Determination of building flood risk maps from LiDAR mobile mapping data, Computers, Environment and Urban Systems, Volume 93, 2022, DOI: 10.1016/j.compenvurbsys.2022.101759, ISSN: 0198-9715

V. Rözer, A. Peche, S. Berkhahn, Y. Feng, L. Fuchs, T. Graf, U. Haberlandt, H. Kreibich, R. Sämann, M. Sester, B. Shehu, J. Wahl, I. Neuweiler (2021): Impact‐based forecasting for pluvial floods,  Earth's Future, e2020EF001851. DOI: 10.1029/2020EF001851

Feng, Y., Brenner, C., & Sester, M. (2020): Flood severity mapping from Volunteered Geographic Information by interpreting water level from images containing people: A case study of Hurricane Harvey,  ISPRS Journal of Photogrammetry and Remote Sensing, 169, 301-319. DOI: 10.1016/j.isprsjprs.2020.09.011. arXiv: 2006.11802

Weitere Informationen zum Zukunftslabor Wasser