Big Spatio-Temporal Data

Exemplarische Darstellung von Rasterdaten zu drei verschiedenen Zeitpunkten.

Im Zeitalter der stetig voranschreitenden Digitalisierung haben wir es mit immer größer werdenden Datenmengen zu tun. Dieser Trend betrifft unumgänglich auch die Geoinformatik, die sich im Speziellen mit raum-zeitlichen Daten beschäftigt.

Big Spatio-Temporal Data entstehen sowohl durch Sensoren wie z.B. Satellitenmissionen, als auch durch Privatnutzer in Crowdsourcing-Projekten wie OpenStreetMaps. Sie sind daher nicht nur aufgrund ihrer Größe, sondern auch wegen ihrer semantischen Komplexität schwierig zu verwalten. Es bedarf also dedizierter Systeme, die mit der Größe der Daten, dem raum-zeitlichen Bezug und der Semantik zurechtkommen.

Ein erster Schritt für die Organisation solcher Datenmengen ist der Einsatz von effizienten Geodatenbanksystemen sowie Cluster Computing für eine parallele Datenverarbeitung. Außerdem ist die Integration bestehender, sowie die Bereitstellung neuer Programmierschnittstellen essenziell, um die Herausforderungen interdisziplinär und nachhaltig zu lösen.

Im nächsten Schritt müssen Aktualität und Datenqualität gewährleistet werden, was z.B. über intrinsische Bewertungskriterien und maschinelles Lernen erreicht werden kann.

In Summe können dadurch völlig neue Wege der automatischen Analyse von enormen raum-zeitlichen Datenmengen realisiert werden.