Zur Vollständigkeit des Gebäudedatenbestandes von ... · Schaffung methodischer Grundlagen für die ... Datenbanken, die auf Basis dieser ... Speicherung als Feature Class in GDB

www.ioer.de | DGFK, 6. März Bonn-Bad Godesberg

Fachvortrag der DGFK

Sektion Mittelrhein

Bonn - Bad Godesberg, 06. März 2014

Zur Vollständigkeit des Gebäudedatenbestandes

von OpenStreetMap

Robert Hecht1, Carola Kunze1,2, Stefan Hahmann2

1 Leibniz-Institut für ökologische Raumentwicklung Dresden 2 Institut für Kartographie, Technische Universität Dresden


Agenda

Kurzvorstellung

Teil I – Bedeutung von Gebäudedaten

Warum gebäudebasierte Information?

Aktuelle Datensituation in Deutschland

Teil II – Vollständigkeit des Gebäudedatenbestandes in OpenStreetMap

OpenStreetMap

Vollständigkeitsuntersuchung (Geometrie, Semantik, weiteren Attributen)

Anreicherung amtlicher Daten mit OSM Information

Fazit/Ausblick


Kurzvorstellung

des Forschungsbereichs FB Monitoring des

IÖR


Forschungsbereiche des IÖR

Quelle: www.ioer.de

http://www.ioer.de/


Gegenstand der Forschung

Schaffung methodischer Grundlagen für die Beobachtung, Beschreibung und Erklärung der Entwicklung des Raumes

Entwicklung von Monitoring- und Analyseverfahren um Zustand und Veränderung der Flächennutzung räumlich hochauflösend und zeitlich vergleichbar zu beschreiben sowie

Prognoseverfahren um den Flächenbedarf für Wohnansprüche zu prognostizieren


Ziele Gebäudebasierte

Erhebung der

Siedlungsstruktur

Topographische

Karten

SEMENTA®-CHANGE

Erhebung der

Gebäude-, Siedlungs-

und Freiraumstruktur

Geobasisdaten,

Geofachdaten,

Statistische Daten

Automatisierte GIS-

Analysen,

SEMENTA®

Kleinräumige Prognose

des Nachfragepotenzials

nach Flächen für

Wohnungsneubau

Regionalstatistik,

Mikrozensus,

IÖR-Monitordaten,

SOEP

IÖR-Wohnungs-

prognosesystem

Monitoring Prognose

Vergangenheit Gegenwart Zukunft

Monitor der Siedlungs- und

Freiraumentwicklung

(IÖR-Monitor)

Rechenprogramm

“Kommunale Wohnungs-

nachfrageprognose“

Daten-

grundlagen

Verfahren

(Grundlagen-

forschung)

Anwendung

(Wiss.

Dienstleistung)


Wissenschaftliche Dienstleistung IÖR-Monitor

www.ioer-monitor.de

http://www.ioer-monitor.de

http://www.ioer-monitor.de/








Teil I – Bedeutung von Gebäudedaten


Warum gebäudebasierte Information?

Wissenschaft und Praxis benötigen kleinräumige Informationen zur Siedlungsstruktur (physisch, funktional, sozio-ökonomisch)

© 2011 Modi Research Group

Energiebedarfs -planung

Anforderung: hochauflösend (räumlich/inhaltlich/zeitlich), objektiv, flächendeckend, homogen

Infrastrukturplanung (Lärm, Schadstoffe)

© 2010 DataKustik

Stadt- und Regionalplanung

© 2011 Umweltatlas Berlin Tribet (2011)

Risikoabschätzung (Hochwasser)


Datensituation

Informationsbedarf nicht gedeckt (insb. Gebäudestruktur, Bebauungsdichte, Geschossfläche, Wohnung- und Einwohnerzahl, Baualter, bauliche Aktivität)

Amtliche Statistik: geringe räumliche Auflösung (nur auf Gemeindeebene)

Kommunalstatistik: nicht flächendeckend, heterogen, erschwerter Zugriff

Geobasisdaten: topographische Sicht, geringe thematische Auflösung, tlw. hohe Kosten

Kommerzielle Daten: intransparent, teuer

Eigene Erhebung: zeit- und kostenintensiv

Lösungsansatz: Ableitung der siedlungsstrukturellen Informationen mithilfe räumlicher Analysen im GIS


Lösungsansatz – Räumliche Analyse

Kleinräumige Information zur Siedlungsstruktur (Gebäudedichte, Überbauungsgrad, Geschossflächendichte, Gebäudevolumen Wohnungs- und Einwohnerzahl, etc.)

Gebäudetypische Annahmen (z.B. Geschosse, Wohnungsgröße, Haushaltsgröße)

Räumliche Analysen (z.B. Verschneidung, Aggregation, Disaggregation)

Zweckmäßig klassifiziertes Gebäudemodell (z.B. Einfamilienhaus, Mehrfamilienhaus, Industriegebäude)

(vgl. Meinel et al. (2009): Analyzing building stock using topographic maps and GIS, Building Research & Information, Vol. 37 (5-6)

?


Datengrundlagen

Geobasisdaten im entsprechendem Maßstab bundesweit verfügbar

Gebäudestruktur ist nur implizit enthalten

© GeoBasis-DE / BKG (2009), ALK © GeoSN 2009, 3D Gebäudestruktur © GEOBasis.nrw 2009


Forschung am IÖR

Methoden zur kleinräumigen Analyse des Siedlungsbestandes und deren Entwicklung

Schaffung objektiver, kleinräumiger gebäudebezogener Basisinformationen für die Planung, Wissenschaft und Gesellschaft

Veredlung vorhandener flächendeckend verfügbarer Geobasisdaten

Entwicklung automatisierter Ansätze

Klassifizierung von Gebäudegrundrissen

Kleinräumige Beschreibung der Siedlungsstruktur (Indikatoren)

Identifizierung von Innenentwicklungspotenzialen

Gebäudegrundrisse ohne semantischer Information

Klassifizierte Gebäudegrundrisse


Beispiel SEMENTA (SettlementAnalyzer)

Extension für ArcGIS Desktop (V. 9.0)

Systemvorraussetzung

ArcInfo

Windows XP/2000 (SP4)

HALCON run-time-library (ab Version 7.1)

1 GB Hauptspeicher,

25 GB Kapazität


Krefeld - Siedlungsstrukturelle Kennzahlen

Quelle: IÖR im Auftrag von MWME des Landes Nordrhein-Westfalen (2011)


Krefeld - Siedlungsstrukturelle Kennzahlen

Quelle: IÖR im Auftrag von MWME des Landes Nordrhein-Westfalen (2011)


Welche Gebäudedaten sind geeignet?

Top. Karten

(TK25 , DTK25-V)

Dig. Top. Karten

(DTK25)

Hausumringe

(HU)

Kataster

(ALK, ALKIS®)

3D Gebäude

(3D-GS)

Geobasisdaten mit Gebäudegrundriss

Rasterdaten (mit grundrissähnlicher

Gebäuderegion-Repräsentation)

Vektordaten (mit grundrisstreuer Einzelgebäude-

Repräsentation)

ohne Nutzungsinformation

mit Nutzungsinformation

ohne Gebäudehöhe

mit Gebäudehöhe

Gebäude in separatem

Layer

Gebäude vereint mit anderen Elementen

Zunahme von Informationsgehalt, Genauigkeit und Datenkosten

Quelle: Hecht (2013): Automatische Erkennung von Gebäudetypen auf Grundlage von Geobasisdaten, Flächennutzungsmonitoring V - Methodik, Analyseergebnisse, Flächenmanagement, Rhombos-Verlag, 2013


Zwischenfazit – Gebäudedaten

Gebäudedaten wichtig für verschiedene Anwendungen

Große Nachfrage nach hochauflösenden, objektiven,

quantitativen Daten zur Siedlungsstruktur und deren

Entwicklung über große Flächen

Methoden zur automatischen Ableitung relevanter

Informationen vorhanden

Amtliche Daten erfüllen Anforderungen an Flächendeckung,

Vollständigkeit, Aktualität, aber häufig hohe Datenkosten

bzw. erschwerter Zugriff (insbes. für

regionale/überregionale Planungsbehörden)


Nutzergenerierte Geodaten als Alternative?

Studie zur Vollständigkeit von OSM im Rahmen einer Studien- und Diplomarbeit (Koop. mit TU Dresden)

Fragen:

Wie werden Gebäude in OpenStreetMap erfasst?

Wie vollständig sind die Gebäude in OpenStreetMap?

Wie kann die Vollständigkeit gemessen werden?

Wie vollständig sind die Gebäudeattribute (Nutzung, Gebäudehöhe)?

Wie lassen sich Informationen aus OSM mit amtlichen Geodaten kombinieren?

…


Teil II Vollständigkeit des

Gebäudedatenbestandes von OpenStreetMap


OpenStreetMap

Crowdsourcing erfährt zunehmendes Wachstum und Interesse im Netz

Nutzergenerierte Geodaten (Volunteered Geographic Information, VGI) werden ehrenamtlich von Bürgerinnen/Bürgern erhoben

Nutzung moderner Web 2.0 Technologie (GPS, Smartphones, etc.)

frei verfügbare, kostenlose Geoinformationen

Bekanntestes Projekt: OpenStreetMap (OSM) mit dem Ziel der Erzeugung einer „Freien Weltkarte“


OpenStreetMap

Quelle: www.openstreetmap.de/


Nutzer und Datenstatistik (2005-heute)

Quelle: wiki.openstreetmap.org/wiki/Stats


Nutzerstatistik

Quelle: https://blog.openstreetmap.org/2009/10/17/where-are-people-editing/


Nutzer

Quelle: http://neis-one.org/2012/11/active-users-osm-nov12/


Lizenzierung

OpenStreetMap steht unter der Open Database License (ODbL) 1.0. (früher Creative Commons CC-BY-SA)

Daten können beliebig weiterverwendet werden, müssen aber OpenStreetMap als Quelle angeben

Datenbanken, die auf Basis dieser Daten hergestellt werden, müssen die Lizenz beibehalten, d.h. die Zwischenergebnisse (oder Prozessroutinen) müssen dem OSM Projekt zugute kommen

Abgeleitete Werke (Karten) können kommerziell vertrieben werden


Datenmodellierung in OSM

Punkte (nodes),

Linien (ways)

Flächen (closed ways)

Relationen (Wegstücke eines

Wanderwegs, Multipolygons)

Attribute mittels „Tags“:

besteht aus Schlüssel und

einem Wert (Key-Value)

building=commercial

amenity=restaurant

source=bing

Verweis auf Buch:

Ramm/Topf „OpenStreetMap“

Quelle: http://www.geofabrik.de/media/2011-01-28-dgfk-openstreetmap.pdf


Abgeleitete Karten

Verschiedene thematische

Karten mittels verschiedener

Renderer Stile (Straßenkarten,

ÖPNV-Karte, OpenCycleMap,

OpenPisteMap)

Projekt OpenLayers ermöglicht

Einbindung in Webseiten

www.öpnvkarte.de‎ openpistemap.org

www.opencyclemap.org


Straßennetz durch Vergleich mit kommerziellen Daten (z.B. TeleAtlas/ TomTom, NAVTEQ, amtliche Geodaten) in [Haklay 2010] (UK), [Zielstra/ Zipf 2010] (DE), [Neis et al. 2010] (DE)

Points of Interest (POI): Vollständigkeit/ Lagegenauigkeit [Strunk 2010] (DE), [Hauck 2011] (DE)

Landnutzungspolygone: OSM vs. ATKIS [Schoof 2012]

OSM Adressen: Vergleich mit TeleAtlas [Höpfner 2011]

Verschiedene Tools zum Qualitätsmanagement (z.B. OSM Inspector, Osmose, OSMAddressCorrector)

Bis dato keine regional differenzierte Untersuchung der Vollständigkeit der Gebäude in OSM!

Bisherige Qualitätsuntersuchungen


Untersuchung der Datenqualität der Gebäude in OpenStreetMap hinsichtlich

geometrische Vollständigkeit und Modellierungsqualität

Semantische Vollständigkeit

Vergleich mit amtlichen Vermessungsdaten aus dem Liegenschaftskataster (ALK, ALKIS, HU) bzw. Ortsbegehungen

Prüfung des Nutzungspotenzials von OSM-Daten für raumwissenschaftliche Untersuchungen

Ziele der empirischen Untersuchungen


Geometrische Vollständigkeit der Gebäude in OpenStreetMap


Unterschiede OSM vs. amtliche Hausumringe

OpenStreetMap Amtliche Geobasisdaten (u.a.

ALK, Hausumringe, etc.)

Gebäudedefinition Keine Ja (i.d.R. entsprechend der

Landesbauordnung)

Erfassungsregel

Nur Empfehlungen (OSMWiki):

Umrisslinien für einen ganzen

Gebäudeblock bis hin zu

Einzelgebäuden

Definiert, z.B. im OBAK-LiegKat NRW

(äußerer Umring bzw.

Gebäudebegrenzungslinien

(Brandmauer))

Datenaufnahme

(Geometrie)

vorrangig Bing-Luftbilder, GPS,

Datenspenden Einmessung, Luftbilder

Datenaufnahme (Attribute)

Gebäudefunktion (Vorort),

Gebäudehöhe (Schätzen

/Geschosszahl (Zählen,

Schätzen (Schatten), Wissen,

Winkelmessung (Smart

Measure App)

Gebäudefunktion (zum Zeitpunkt der

Erhebung durch Einmessung),

Gebäudehöhe (oft LiDAR),

Geschosszahl (bei Einmessung)

Lagegenauigkeit

Abhängig von

Aufnahmeverfahren

(etwa 5 m)

+/- 0,5 m

Aktualisierung Kontinuierlich Kontinuierlich bzw. jährlich

zusammengeführt (Hausumringe)


Detaillierungsgrad der Bing Luftbilder

(Quelle: http://ant.dev.openstreetmap.org/bingimageanalyzer/)


2 Bundesländer Sachsen

Nordrhein-Westfalen

… mit je Großstadt (>500.000)

Mittelstadt

Kleinstadt (<100.000)

Kreis (ländliche Region)

≈14,7% der Gesamtfläche von D

Untersuchungsgebiete


Download via www.geofabrik.de (verschiedene Formate)

XML .osm Datei

ESRI ArcGIS Editor for OSM (2.1 for 10.1) (www.esriosmeditor.codeplex.com)

Speicherung als Feature Class in GDB

Selektion aller Gebäude mit key „building“

Transformation von WGS84 nach GK-Koordinaten (DHDN/3)

OSM Datenimport

http://www.geofabrik.de/

http://www.esriosmeditor.codeplex.com/


OpenStreetMap

Referenzdatensatz

Nordrhein-

Westfalen Sachsen

Gebäudepolygone Polygone mit key

„building“

Polygone der

Amtliche

Hausumringe

(>20 m²)

Polygone der

Objektart

„Gebäude“ aus

ATKIS Basis-DLM*

Zeitbezug 17.11.2011

(Download)

24.06.2011

(Metadaten)

Juli 2011

(Metadaten)

Objektanzahl 274.806 (SN)

1.119.839 (NRW) 8.887.495 1.891.544

Verwendete Datensätze

* Aktuell fehlen 15% der Umringe in Sachsen (vernachlässigte Einmessungspflicht), siehe Burckhardt M.: Analyse des

Gebäudebestandes in Deutschland auf Grundlage der Hausumringe (HU) und georeferenzierter Adressdaten, Diplomarbeit 2012, TU

Dresden)


Gebäudeanzahl

Gebäudefläche

Visualisierung von Differenzen oder Anteilen

…auf Basis von Bezugsflächen

(Unit-based methods)

… über räumliche Objektzuordnung

(Object-based methods)

Centroid-Methode

Overlap-Methode (Grad der Überdeckung)

Visualisierung von Differenzen oder Anteilen

Messung der Vollständigkeit





Verschneidung von Bezugsflächen (geometrisch, administrativ) mit Gebäudedatensätzen

Summierung von Gebäudeanzahl oder Gebäudefläche Fläche

Darstellung:

als absolute Zahlen pro Bezugsfläche

als relative Angabe (Differenz, Anteile) pro Bezugsfläche




Bsp. Gebäudeanzahl

Quelle: Kunze (2012)


Bsp. Prozentuale Differenz (Gebäudeanzahl)



Räumliche Zuordnung homologer Objekte

Einseitige Abfrage: Ist das betrachtete Gebäudeobjekt in OSM repräsentiert?

Berechnung des Anteils der Referenzgebäude mit entsprechender Repräsentation in OSM (pro Bezugseinheit)

Zwei Ansätze betrachtet

Centroid-Methode

Overlap-Methode












Centroid-Methode (Kriterium: Referenz-Centroid schneidet OSM-Polygon)

Overlap-Methode (Overlap-Fläche mindestens halb so groß, wie Fläche des Referenzpolygons)

OSM building

reference building (not in OSM)

reference building (in OSM)

overlapping area

OSM building



reference building centroid (in OSM building)

reference building centroid (not in OSM building)

OSM building



overlapping area

OSM building



reference building centroid (in OSM building)

reference building centroid (not in OSM building)

Quelle: Kunze et. al., KN 63 (2013)


Geometrische Raster Administrative Einheiten

Konzentrische Kreise Pufferzonen

Mögliche Bezugsflächen der Analyse



Unit-based method Object-based method

Saxony Anzahl [%]

Fläche [%]

Centroid [%]

Overlap [%]

Leipzig (Großstadt) 25.2 58.8 28.9 28.4

Chemnitz (Mittelstadt) 24.3 60.4 32.0 31.4

Bautzen (Kleinstadt) 37.4 80.8 47.8 44.5

Vogtlandkreis (ländl. Gebiete) 6.5 15.6 4.9 4.5

Bundesland 14.5 30.7 15.3 14.4

North Rhine-Westphalia

Anzahl

[%]

Fläche

[%]

Centroid

[%]

Overlap

[%]

Essen (Großstadt) 30.9 84.1 53.5 52.5

Münster (Mittelstadt) 5.5 28.1 8.8 8.7

Lemgo (Kleinstadt) 1.2 13.0 1.8 1.7

Kreis Coesfeld (ländl. Gebiete) 9.4 21.4 10.5 9.6

Bundesland 15.6 45.9 25.0 24.3

Großer Unterschied zwischen Fläche und Anzahl

Ergebnisse – Fokusgebiete


Große Unterschiede bei Betrachtung der Gebäudeanzahl und Gebäudefläche (Unit-based method)

nicht robust gegenüber Modellierungsunterschieden

Objektbasierte Methoden zuverlässiger

robust gegenüber Modellierungsunterschiede

Vergleichbare Ergebnisse mit Centroid und Overlap-Methode

Empfehlung: Centroid-Methode (effizienter in der Prozessierung)

Wahl der Messmethode


Unit-based method Object-based method

Saxony Anzahl [%]

Fläche [%]

Centroid [%]

Overlap [%]

Leipzig (Großstadt) 25.2 58.8 28.9 28.4

Chemnitz (Mittelstadt) 24.3 60.4 32.0 31.4

Bautzen (Kleinstadt) 37.4 80.8 47.8 44.5

Vogtlandkreis (ländl. Gebiete) 6.5 15.6 4.9 4.5

Bundesland 14.5 30.7 15.3 14.4

North Rhine-Westphalia

Number

[%]

Area

[%]

Centroid

[%]

Overlap

[%]

Essen (Großstadt) 30.9 84.1 53.5 52.5

Münster (Mittelstadt) 5.5 28.1 8.8 8.7

Lemgo (Kleinstadt) 1.2 13.0 1.8 1.7

Kreis Coesfeld (ländl. Gebiete) 9.4 21.4 10.5 9.6

Bundesland 15.6 45.9 25.0 24.3

Stadt-Land-Gefälle (Bevölkerungsdichte)

Ergebnisse – Fokusgebiete


Gebäudegrundfläche (Referenz vs. OSM)



Detailkarten




Sachsen

Dresden

Chemnitz

Bautzen Leipzig



NRW



NRW


NRW


Untersuchung der Objektbeziehungen

… geben differenzierteren Aufschluss über Vollständigkeit/Modellierungsqualität

Quelle: Kunze et al., KN 63 /2013


Stadt Essen: 50 % 1:1 der Referenzgebäude können eindeutig einem OSM-Gebäude zugeordnet werden

Stadt Leipzig: nur ¼ aller Referenzgebäude mit 1:1

Aber auch OSM-Gebäude, die nicht in Referenzdaten sind!

Leipzig Essen

23%

68%

9%

Reference : OSM

1:1

1:0

1:n51%40%

9%

Reference : OSM

1:1

1:0

1:n

50%

3%

47%

OSM : Reference

1:1

1:0

1:n

33%

2%

65%

OSM : Reference

1:1

1:0

1:n

Untersuchung der Objektbeziehungen

Quelle: Hecht/ Kunze/Hahmann (2013)


Untersuchung an einer Zeitreihe für Sachsen (11/2011, 05/2012, 11/2012)

Vollständigkeitszuwachs

0

5000

10000

15000

20000

25000

30000

35000

40000

45000

11/2011 05/2012 11/2012

Nu

mb

er

of

bu

ildin

gs

Total number of OSM buildings at different time points

Leipzig

Chemnitz

Bautzen

Vogtlandkreis

0

10

20

30

40

50

60

70

11/2011 05/2012 11/2012

Co

mp

lete

ne

ss i

n %

Completeness of OSM buildings at different time points

Leipzig

Chemnitz

Bautzen

Vogtlandkreis

Saxony












Zunahme der Vollständigkeit von 15% (2011) auf 23% (2012)

Geringerer Zuwachs in der zweiten Jahreshälfte (saisonal bedingt?)

Räumlich sehr unterschiedlich (abhängig von der Anzahl aktiver Nutzer)

Bei Annahme von 8% p.a. Vollständigkgeit in 9 Jahren erreicht

Ob annähernde Vollständigkeit der Gebäude tatsächlich erreicht wird, ist fraglich (Gebäude nicht so relevant wie Straßennetz, dass zum Routing genutzt wird)



Semantische Information in OSM

Untersuchung von Gewerbeeinlagerungen durch Auswertung von Gebäude- und POI-Tags (OSM Rohdaten)

Untersuchungsgebiet: 8 zufällig gewählte Straßenzüge in Dresden

Abgleich von OSM und GoogleMaps mit Vorort-Kartierung

www.openstreetmap.de‎


Semantische Information in OSM

Ergebnisse

OSM Vollständigkeit: 85%

Google Maps Vollständigkeit: 66%

OSM: gute Erfassung von Gewerbe des täglichen Bedarf (Shops, Bäckerei, etc.), Defizit bei Dienstleistungen ohne Verkaufsraum (Physiotherapiepraxen, Finanzbüros, Rechtsanwälte)

Google Maps: bessere Abdeckung Dienstleistungen ohne Ladengeschäft (Rechtsanwälte, Finanzberater), aber viele veraltete Einträge

OSM Eigenheit: Absichtliche Verschiebung der Punkte durch Doppel-Tags (pub & restaurant), wenig Einträge für nicht signaturierte Objekte (jewelry, travel agency)



Exkurs: Nutzung semantische OSM Information

Verbesserung von Modellen zur kleinräumigen Abschätzung von Wohnungs- und Einwohnerzahlen (insb. im Stadtzentrum)

In Städten Wohnungs-/Einwohnerzahl häufig überschätzt (partielle Gewerbeeinlagerung, nicht in amtlichen Daten modelliert)

Integration der POI tags (z.B. shop=bakery, amenity=restaurant, tourism=museum) und Bestimmung des Nichtwohnnutzungsanteils

Verweis auf Diplomarbeit

C. Kunze (2013): “Nutzung semantischer Informationen aus OSM zur Beschreibung des

Nichtwohnnutzungsanteils in Gebäudebeständen“ (TU Dresden)



Fehler der Überschätzung der Einwohner durch Nichtwohnnutzung

konnte mit OSM von +15,3% auf +12,5% reduziert werden

Exkurs: Nutzung semantische OSM Information



Gebäudehöhe/Geschosszahl

OSM erlaubt Modellierung der Gebäudehöhe (building:height) und Geschosszahl (building:levels)

62.349 Gebäude mit Höhe (0,13 %*)

115.488 Gebäude mit Geschossanzahl (0,25 %*)

* bei ca. 47 Mio. Haupt- und

Nebengebäuden (HU)

Stand: 05.11.2013 Quelle: Eigene


Gebäudehöhe/Geschossangabe (Innenstadt Dresden)

Lokal beschränkt

Keine gleichmäßige Verteilung

Inkonsistente Eingaben

OSM-Höheninformationen zu unvollständig (nur in

urbanen Gebieten teilweise vorhanden)

Gebäudehöhe/Geschosszahl

Quelle: Eigene


Fazit (1)

OSM-Gebäudebestand in Deutschland nicht annähernd vollständig (deutlich unter 30%)

Objektbasierte Methoden liefern valideres Vollständigkeitsmaß

„Typisches“ OSM Vollständigkeitsmuster (Defizite in ländlichen Regionen)

Starke Modellierungsunterschiede (fehlende Vereinheitlichung)

Gebäudehöhe/Geschossanzahl nur selten attribuiert

Wichtige semantische Information

Aktuell kein flächendeckender, konsistenter

Gebäudedatensatz



Fazit (2)

Nutzung der OSM Gebäudegeometrie für raumwissenschaftliche Untersuchungen nur bedingt geeignet (lediglich in zentrumsnahen Stadtgebieten)

Gebäudebestand kann u.U. aktueller sein (insbesondere der Neubau, Gebäudeneubau spiegelt sich erst nach etwa einem Jahr in den Geobasisdaten) Kombination mit amtlichen Daten?

OSM beherbergt nützliche Nutzungsinformationen, die in amtlichen Daten nicht enthalten sind (z.B. Gewerbeeinlagerungen)

Kombiniert mit amtlichen Daten können diese zur Verfeinerung räumlicher Modellierungsprozesse beitragen


Vollständigkeit wächst sehr schnell (tlw. auch durch Datenspenden)

Neue Bilddienste, Erfassungstools, Anwendungen bessere

geometrische Modellierung?

Sensibilisierung der OSM Mapper nötig (Gebäude bisher topographisches Orientierungsobjekt) 3D-OSM Entwicklung

könnte Mapper-Community motivieren

Semantik größte Herausforderung (für “Weltkarten” nicht immer sichtbar) OSM sollte für Unternehmen attraktiver werden (z.B.

Verknüpfung mit Öffnungszeiten)

Es bleibt deshalb abzuwarten bis ...

Vollständigkeit/Datenqualität von OSM verbessert

Amtliche Gebäudedaten als Open Data?

Ausblick


Vielen Dank!

Kontakt

Robert Hecht Leibniz-Institut für ökologische Raumentwicklung e.V. Dresden [email protected] Tel: (0)351 46 79 248 Carola Kunze [email protected] Stefan Hahmann Inst. Für Kartographie, TU Dresden [email protected]

Publikationen

Kunze, C.; Hecht, R.; Hahmann, S. (2013) Zur Vollständigkeit des Gebäudedatenbestandes von OpenStreetMap. Kartographische Nachrichten 63 (2013) 2-3, S.73-81 Kunze, C. (2012) „Vergleichsanalyse des Gebäudedatenbestandes aus OpenStreetMap mit amtlichen Datenquellen “, Studienarbeit, TU Dresden (Download via qucosa.de) Kunze, C. (2013) „Nutzung semantischer Informationen aus OSM zur Beschreibung des Nichtwohnnutzungsanteils in Gebäudebeständen “, Diplomarbeit TU Dresden (Download via qucosa.de)

Hecht, R. Kunze, C.; Hahmann, S. (2013): Measuring Completeness of Building Footprints in OpenStreetMap over Space and Time. ISPRS Int. J. Geo-Inf. 2013, 2, 1066-1091. (doi:10.3390/ijgi2041066)

mailto:[email protected]





http://nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-88141

http://nbn-resolving.de/urn:nbn:de:bsz:14-qucosa-118332

http://dx.doi.org/10.3390/ijgi2041066

Documents

Zur Vollständigkeit des Gebäudedatenbestandes von ... · Schaffung methodischer Grundlagen für die ... Datenbanken, die auf Basis dieser ... Speicherung als Feature Class in GDB