Projektbeschreibung

Moderne Sensoren bzw. Sensornetze liefern bei der Beobachtung von Naturereignissen qualitativ gute Messwerte, jedoch nur punktuell an ihren jeweiligen Standorten und für eine eng begrenzte Anzahl von Messparametern. Ein Ansatz um gemessene Sensorwerte zu ergänzen ist, Beobachtungen durch Augenzeugen zu nutzen („humans as sensors“), welche in zunehmendem Maße durch Social Media-Plattformen wie Facebook, Twitter oder auch Youtube und Flickr verbreitet werden. Jeder Nutzer dieser Netzwerke stellt einen mobiler, virtuellen Sensor ("Social Sensor") dar. "Social Sensors" bieten gegenüber herkömmlichen Sensoren Vorteile, wie z.B. eine hohe Mobilität, eine hohe Vielseitigkeit der Parameter, die erfasst werden können, sowie eine schnelle Verbreitung von Information. Zudem ist die Menge der über Social-Media-Plattformen bereitgestellten Daten sehr umfangreich. Dem gegenüber steht, dass diese Daten oft subjektiv durch den Beobachter geprägt und von unterschiedlicher Qualität und Quantität sind. Um die Daten aus Social-Media-Plattformen für die Anwendung im Desastermanagement nutzbar zu machen, sind Methoden und Verfahren zu entwickeln, die aus der Menge an Information die geeigneten Daten herausfiltern und einem Ereignis, respektive einer Position zuordnen. Ziel des Projektes ist es, aus Social-Media-Plattformen Daten zu gewinnen, die zusammen mit Daten herkömmlicher Sensoren eine schnelle Schadensabschätzung ermöglichen.

Naturkatastrophen können je nach örtlichen Gegebenheiten unterschiedliche Stärken und entsprechende Auswirkungen haben. Aus der räumlichen Verteilung von Social Sensor-Beobachtungen können daher Rückschlüsse auf Intensität und Auswirkungen von Katastrophenereignissen gezogen werden. Die möglichst genaue Bestimmung der geografischen Lage der aus Social Sensors gewonnen Beobachtungen ist daher eine wichtige Voraussetzung für die schnelle Abschätzung von Schäden. Um eine möglichst hohe Anzahl von Beobachtungen zu lokalisieren, ist es erforderlich, die enthaltenen zumeist unscharfen Informationen räumlich auszuwerten und hinsichtlich ihrer Qualität zu bewerten. Daher ist ein Teilziel des Projekts, die partiell impliziten räumlichen Referenzen der Beobachtungen in einen lokalen räumlichen Kontext zusetzen und so automatisiert zu lokalisieren. Derartige Referenzen sind beispielsweise durch unscharfe räumliche Beschreibungen wie "neben der U-Bahnstation" oder durch räumliche Konzepte wie "Big Apple" gegeben.

Ein weiteres Teilziel ist, Qualitätsabschätzungen und Auswertungen der Social Sensor-Beobachtungen für konkrete Fragestellungen zu ermöglichen. Dazu werden die Beobachtungen mittels maschinellem Lernen hinsichtlich ihres Inhaltes klassifiziert. Die große Menge der durch Social Sensors erfassten Beobachtungen kann damit inhaltlich unterschieden und bewertet, und als Datenquelle für schnelle Schadensabschätzung und forensische Desasteranalysen genutzt zu werden. Die entsprechenden Methoden und Prototypen werden in Kooperation mit den CEDIM-Projekten „Schnelle Hochwasserrisikoanalyse“ und „Forensic Disaster Loss Analysis“ entwickelt.