Generalisierung und räumliche Optimierung / Textfluss mit nachgestellter Publikationsliste

Wenn der Detaillierungsgrad von Geodaten für eine Analyse zu hoch oder zu niedrig ist, müssen sie mit geeigneten Berechnungsmethoden angepasst werden. Detaillierte Daten zu einzelnen Gebäuden sind beispielsweise für die großräumige Raumplanung nur bedingt geeignet. Aus Gebäudedaten lassen sich jedoch automatisch Siedlungspolygone ableiten, die wesentlich besser geeignet sind [1]. Zur Lösung dieses und ähnlicher Probleme werden Methoden der Computational Geometry und der kombinatorischen Optimierung benötigt. Wir entwickeln Algorithmen zur Gruppierung (Clustering) von geometrischen Objekten und zur Aggregation der Objekte innerhalb jeder Gruppe zu einem einzigen Objekt. In ähnlicher Weise entwickeln wir Algorithmen zur Vereinfachung, d. h. zur Reduzierung des Detailgrads einzelner geometrischer Objekte [2], [3].

Besonderen Wert legen wir auf die Gruppierung und Aggregation von Polygonen, die ein Gebiet lückenlos und ohne Überschneidungen abdecken. Die Eingabepolygone können zum Beispiel Verwaltungseinheiten darstellen, die zu größeren Gebietseinheiten zusammengefasst werden sollen. Diese Aufgabe wird in der Literatur als Districting oder Regionalisierung bezeichnet. Dabei sind oft mehrere Kriterien hinsichtlich der Größe der Ausgabegebiete, ihrer geometrischen Kompaktheit, ihrer Konnektivität sowie ihrer Homogenität bezüglich quantitativer Merkmalsausprägungen zu berücksichtigen [4].

Wir betrachten auch Cluster-, Aggregations- und Vereinfachungsaufgaben speziell im Zusammenhang mit der Generalisierung [5], [6], die in der Kartografie die Reduzierung des Detailgrads eines Modells der realen Welt bedeutet. Die Generalisierung ist erforderlich, um aus einem detaillierten Modell Karten mit unterschiedlichen Maßstäben zu erstellen. Clustering und Aggregation werden auch im Kontext des Datenschutzes benötigt. So können beispielsweise Daten auf Haushaltsebene in größere Einheiten geclustert werden, um die Daten zu anonymisieren [7].

Wenn der Detaillierungsgrad der thematischen oder geometrischen Informationen in einem Datensatz zu gering ist, besteht ein gängiger Ansatz darin, den Datensatz aus anderen Datenquellen anzureichern. Zu diesem Zweck entwickeln wir Methoden des Datenabgleichs und der Datenintegration [8].

Mit ähnlichen methodischen Ansätzen aus der Computergeometrie und der kombinatorischen Optimierung entwickeln wir in Zusammenarbeit mit Partnern aus der physikalischen Geodäsie und der Informatik Algorithmen zur Berechnung spärlicher Darstellungen von Oberflächen. Unser Ziel ist es, optimale Darstellungen der Meeresoberfläche in Form von triangulierten unregelmäßigen Netzen [9], [10] zu berechnen. Diese wollen wir nutzen, um bessere Rekonstruktionen der historischen Meeresoberfläche zu ermöglichen und die Forschung zu den Folgen des Klimawandels zu unterstützen. Außerdem entwickeln wir kombinatorische Optimierungsmethoden für die Planung geodätischer Beobachtungen [11].