Kurzbeschreibung des Projekts und seiner Ziele
Social Media Plattformen
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, welche in zunehmendem Maße durch Social Media-Plattformen wie Facebook, Twitter oder auch Youtube und Flickr verbreitet werden.
Social Sensors
Jeder Nutzer dieser Netzwerke stellt einen mobilen, virtuellen Sensor dar. Diese sog. 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.
Datenfilterung
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 relevanten Daten herausfiltern um ein Ereignis zu erkennen, d.h. den Ort und den Zeitpunkt zu detektieren. Des Weiteren müssen zur effizienten Weiterverarbeitung die Ereignisart bestimmt werden und das Ereignis in seiner raum-zeitlichen Entwicklung beobachtet werden.
Abschätzung der Auswirkungen
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.
Sprachliche Raumreferenzen
Um eine möglichst hohe Anzahl von Beobachtungen zu lokalisieren, ist es erforderlich, die enthaltenen zumeist unscharfe Information 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 zu setzen und so automatisiert zu lokalisieren. Derartige Referenzen sind beispielsweise durch unscharfe räumliche Beschreibungen wie „neben der U-Bahnstation" oder „am Ende der Straße" gegeben.
Einzeltext-Klassifikation
Ein weiteres Teilziel ist, Qualitätsabschätzungen und Auswertungen der Social Sensor-Beobachtungen für konkrete Fragestellungen zu ermöglichen. Dazu werden die Beobachtungen mittels maschinellen Lernverfahren hinsichtlich ihres Inhaltes klassifiziert. Die große Menge der durch Social Sensors erfassten Beobachtungen kann damit inhaltlich unterschieden und bewertet, sowie als Datenquelle für schnelle Schadensabschätzung und forensische Desasteranalysen genutzt werden. Die entsprechenden Methoden und Prototypen werden in Kooperation mit den CEDIM-Projekten „Schnelle Hochwasserrisikoanalyse“ und „Forensic Disaster Loss Analysis“ entwickelt.
Abb.: Ad hoc Visualisierung der Twitter Meldungen bzgl. eine Erdbebens in Guayaquil, Ecuador.