Chaos Computer Club - archive feed

Zur Berechnung der möglichen Folgen von Erdbeben ist die Kenntnis der Lage, der Grösse und des Typs von Gebäuden, ihr Wiederbeschaffungswert und die Anzahl der Bewohner nach Tageszeit notwendig. Mithilfe von OpenStreetMap und weiteren offenen Daten (z.B. länder-/region-spezifische Gebäudetypen, Global Human Settlement Layer) erzeugen wir ein globales, dynamisches, algorithmisches, und reproduzierbares Expositionsmodell zur probabilistischen Beschreibung dieser Parameter für jedes Gebäude der Wel

Erdbeben bedrohen viele Regionen dieser Welt mit steigendem Risiko aufgrund der Urbanisierung und Industrialisierung. Wir beschreiben, wie Erdbeben auf die Gesellschaft und ihre Infrastruktur wirken. Expositionsmodelle, die Lage, Größe und Typ von Gebäuden, die Anzahl der Bewohner nach Tageszeit und den Wiederbeschaffungswert beschreiben, übersetzen gemessene oder prognostizierte Erdbebenerschütterungen in Verluste von Leben und Werten. Für Resilienz- und Vorsorgemaßnahmen ist ein genaues Verständnis dieses Risikos in bezug auf Menschen und Werte notwendig.

Hier stellen wir unser globales Expositionsmodell auf der Basis von OpenStreetMap vor. Dieses Modell versucht alle Expositionsindikatoren, wie z.B. die Anzahl der Stockwerke, die Nutzung, die Dachform, aus OpenStreetMap zu extrahieren. Aus den Indikatoren jedes einzelnen Gebäudes werden mithilfe von durch Experten festgelegten Regeln eine probabilistische Gebäudeklassifizierung errechnet. Diese beschreibt die möglichen Gebäudetypen und ihre Wahrscheinlichkeit. Gleichzeitig werden auch die weiteren Angaben (Größe, Anzahl der Bewohner nach Tageszeit und Wiederbeschaffungswert) probabilistisch ermittelt. In Bereichen unvollständiger Gebäudeabdeckung, werden klassische Expositionsmodelle, die aggregierte Gebäudeverteilungen beschreiben, mit unserem Modell überlagert. Durch die nahezu Echtzeitberechungen unseres Modells profitieren wir vom Wachstum von OpenStreetMap direkt und, aufgrund der ungefähr 5 Millionen Gebäude, die pro Monat hinzugefügt werden, werden die unvollständigen Bereiche immer kleiner und durch unser gebäudegenaues Expositionsmodell ersetzt.

about this event: https://pretalx.com/fossgis2023/talk/AJHHVK/

Die Aufforstung von Waldflächen erfordert vertiefte Kenntnisse in der forstlichen Standortbewertung. Neben bodenkundlichen Eigenschaften lassen sich viele Standorteigenschaften wie Lage und Morphologie aus Oberflächenmodellen ableiten. In dem hier verfolgten Ansatz werden hochauflösende DGM mit GRASS GIS analysiert und die Ergebnisse für Parzellen klassifiziert. Die Ergebnisse werden in QGIS fachlich um weitere Informationen ergänzt und für die Bewertung im Gelände an QField übergeben.

Das Bundesland Nordrhein-Westfalen gibt in seinem Wiederbewaldungskonzept Waldbesitzarten fachliche Empfehlungen zur Begründung neuen Wälder auf sogenannten Kalamitätsflächen (Schäden aus Sturmereignissen, Sommerdürren und Borkenkäferbefall), um dort in Zeiten des Klimawandels neue vitale, stabile, leistungsfähige und resiliente Waldgesellschaften zu begründen. Wichtige Datengrundlagen wie z.B. die Bodenkarte zur

Standorterkundung 1:5.000 – Forst stehen zur Planung online über waldinfo.nrw.de zur Verfügung. Allerdings liegen viele Datenbestände nur lückenhaft vor oder sind aufgrund des Maßstabs ungeeignet zur Standortbewertung. Daher liegt es nahe relevante Standorteigenschaften wie Morphologie oder Hangneigung aus Oberflächenmodellen ableiten und in die Standortbewertung einzubeziehen. In dem hier verfolgten Ansatz werden hochauflösende DOM mit GRASS GIS analysiert und die Ergebnisse für Parzellen klassifiziert. Die Ergebnisse werden in QGIS fachlich um weitere Informationen ergänzt und visualisiert. Hierbei erweist sich das GRASS GIS Plugin als wichtige Hilfe bei der Bearbeitung. Anschließend werden die Daten für die Bewertung und Begutachtung der Standortparzellen im Gelände an QField übergeben und Änderungen in die Datenbank synchronisiert.

about this event: https://pretalx.com/fossgis2023/talk/7UVRZY/

GIS-Analysen sind direkt in einem Browser möglich und zwar ohne Anbindung an einen Server. Durchgesetzt hat sich vor allem die Bibliothek Turf.js.

Die Open Source JavaScript-Bibliothek Turf.js ermöglicht geographische Analysen und Abfragen, ganz ohne Server. Anders als bei klassischen Python-Geoverarbeitungsbibliotheken, wie z.B. PyQGIS, ist bei Turf.js keine GIS-Anbindung erforderlich. Die Analysen können mit nur wenigen Zeilen JavaScript in jedem Browser ausgeführt werden. Diese Flexibilität ist besonders für Webmapping-Anwendungen von hoher Bedeutung, da die Kombination mit beliebigen Mapping-Bibliotheken wie z.B. OpenLayers oder Leaflet und damit auch eine Visualisierung der Ergebnisse möglich ist.

about this event: https://pretalx.com/fossgis2023/talk/K9QBY3/

Dieser Vortrag stellt den QWC2 vor und zeigt, wie einfach es ist, eigene QGIS-Projekte im Web zu veröffentlichen. Es wird ein Überblick über die QWC2-Architektur gegeben. Dabei ist es auch eine Gelegenheit, die letzten neuen Funktionen, die im letzten Jahr entwickelt wurden, und die Ideen für zukünftige Verbesserungen zu entdecken.

QWC2 (QGIS Web Client 2) ist die offizielle Webanwendung des QGIS Projektes. Es ermöglicht Ihnen, dank des QGIS Server, ihre Projekte mit demselben Rendering wie QGIS Desktop im Internet zu veröffentlichen. Die Umgebung besteht aus einem modernen responsiven Frontend, das in JavaScript auf Basis von ReactJS und OpenLayers geschrieben wurde, und mehreren serverseitigen Python/Flask-Microservices, die die Grundfunktionalitäten von QWC2 und QGIS Server erweitern.

QWC2 ist modular und erweiterbar und bietet sowohl eine Standard-Webanwendung als auch ein Entwicklungs-Framework. Sie können einfach und leicht mit der Demo-Anwendung beginnen und dann Ihre Anwendung nach Belieben anpassen, je nach Ihren Bedürfnissen und Entwicklungsfähigkeiten.

Dieser Vortrag stellt den QWC2 vor und zeigt, wie einfach es ist, eigene QGIS-Projekte im Web zu veröffentlichen. Es wird ein Überblick über die QWC2-Architektur gegeben. Dabei ist es auch eine Gelegenheit, die letzten neuen Funktionen, die im letzten Jahr entwickelt wurden, und die Ideen für zukünftige Verbesserungen zu entdecken.

about this event: https://pretalx.com/fossgis2023/talk/JLKVN9/

Das GIS Komponenten Framework MapComponents wurde Ende 2021 als Open Source Projekt auf Github veröffentlicht. In den letzten Monaten hat sich viel getan. Neben einer Vielzahl neuer Konponenten mit spannenden Funktionen wurden bereits erste Projekte mit MapComponents umgesetzt. Der Vortrag stellt das Projekt und die aktuellsten Entwicklungen und Features vor. Außerdem gibt er einen Ausblick auf die Backend-Komponenten, die mit Python umgesetzt werden.

MapComponents ist die Plattform zum Aufbau innovativer, schlanker Geo-IT-Lösungen mit aktueller Web- und GIS-Technologie. Anwendungen werden auf Desktop-Systemen als klassische Browserlösung betrieben uns lassen sich auf mobilen Geräten als Progressive Web Apps installieren.

Ein Katalog von erprobten Komponenten ermöglicht genauere Aufwandsschätzungen und sorgt für einen schnelleren Projektstart als bei einer Entwicklung „auf der grünen Wiese“. Die Komponenten sind anpassbar, aber auch komplett austauschbar: Insbesondere die Backend-Komponenten können durch bereits auf Kundenseite bestehende Schnittstellen ausgetauscht werden, so dass eine nahtlose Integrierbarkeit in bestehende Systemlandschaften möglich ist.

Einzelne Teile, die für die Kartenanwendung benötigt werden, stehen als Baukastensystem zur Verfügung. Alle Komponenten sind unabhängig voneinander lauffähig. So kann immer das gewählt werden, was im konkreten Fall notwendig ist, alles andere muss nicht als unnötiger Ballast mitgeschleppt werden. Mit MapComponents erstellte Anwendung bleibt so außergewöhnlich schlank und flexibel.

Das „Paket“ MapComponents besteht aus Spezifikationen („Programmiervorgaben“), Schnittstellen und einzelnen Komponenten mit geringem Funktionsumfang.

Die Frontend-Komponenten verwenden React und TypeScript, als Kartenclient kommt MapLibre zum Einsatz. Backend-Komponenten verwenden Python.

about this event: https://pretalx.com/fossgis2023/talk/ZR8J8R/

Die Qualitätsbewertung, inklusive Vollständigkeitsabschätzung, ist ein bedeutender Prozess bei Umgang mit Volunteered Geographic Information. Die Vollständigkeit von Gebäuden in OSM wird durch Vergleich mit dem Global Human Settlement Layer (GHSL) abgeschätzt. Hierfür wird der GHSL Quadtree-Kacheln projiziert und mit der entsprechenden Größe der Gebäudepolygone in OSM verglichen. Mit den `minutely diffs` von OSM bietet das System ein aktuelle und weltumspannende Vollständigheitsabschätzung.

Der Qualität von Freiwilligen Geografischen Informationen (FGI) variiert stark pro Gebiet aufgrund unterschiedlichen Niveaus an Engagement, Interesse und Verfügbarkeit von Daten (Jackson et al., 2013). Qualitätsbewertungen, wie die Vollständigheitsabschätzung, sind wichtig, um den Datenzustand von OpenStreetMap (OSM) zu charakterisieren und damit Prioritäten für die Zukunft festzulegen. Möglichkeiten zur Vollstandigheitsabschätzung von Gebäuden in OSM wurden bereits studiert (Biljecki & Ang 2020; Orden et al., 2020), aber bislang wurde keine weltumspannende und sich in Echtzeit aktualisierende Analyse präsentiert.

Der Global Human Settlement Layer (GHSL) ist ein Datensatz, der weltweit die Verteilung von Siedlungsflächen für verschiedene Jahre beschreibt. Wir haben die Siedlungsflächen vektorisiert und auf Kacheln eines Quadtreenetzes der Zoomstufe 18 (Auflösung von circa 150x150 Meter am Äquator und 100x100 Meter in Deutschland) verteilt. In jeder Kachel wird die Grundfläche der Gebäude summiert und verglichen mit die Fläche des GHSL-Polygons innerhalb der Kachel. Dieser Vorgang wird mit jeder Änderung eines Gebäudes für die entsprechende Kachel wiederholt, um das System immer aktuell zu halten. Diese Änderungen werden über die `minutely diffs` von OSM detektiert. Das Ergebnis dieses Prozesses kann Makrostatistiken über der Vollständigkeit der Gebäude in jeden Land liefern. Die Community kann über die Webmap der Vollständigheitsabschätzung Gebiete mit Mappingbedarf identifizieren. Ferner laden wir die Community ein, mit uns über die Nützlichkeit und mögliche Weiterentwicklung dieser Abschätzung ins Gespräch zu kommen.

about this event: https://pretalx.com/fossgis2023/talk/XCKQQM/

Feldversuche erfordern von der Planung bis zur Umsetzung Geodaten, die im Büro und im Feld mit RTK-GPS genutzt werden. Wir zeigen die genutzten Open Source Werkzeuge sowie Datenflüsse und Schnittstellen.

Am Landwirtschaftlichen Technologiezentrum Augustenberg (LTZ) werden zahlreiche Feldversuche durchgeführt, die von der Planung bis zur Umsetzung einen komplexen Arbeitsprozess mit vielen Beteiligten erfordern. Die Planung und Anlage von Versuchsparzellen erfordert Geodaten, die sowohl im Büro als auch im Feld zum Einsatz kommen und mittels GPS mit RTK-Genauigkeit auf Maschinen und mobilen Geräten genutzt werden. Typische Aufgaben im Feld sind das manuelle Ausstecken und Einmessen von Geometrien sowie Bonituren, die mit mobilen GPS und Tablets erfolgen. Die Daten werden zusätzlich auf landwirtschaftlichen Maschinen (überwiegend Schlepper mit agronomischen Terminals) zur präzisen Steuerung der Maßnahmen von der Aussaat bis zur Ernte genutzt. Eigene Befliegungen mit UAS für hochauflösende Luftbilder sind neue Verfahren im Versuchswesen, die von der Planung bis zur Auswertung die Versuchsgeometrien benötigen. Im Büro fließen die Daten aus mehreren Systemen in einem GIS zusammen und werden angereichert, in weitere Datenbanken übernommen und für Visualisierungen genutzt. Open Source Werkzeuge wie QGIS in Kombination mit QField und seiner Anbindung weiterer GIS oder die GDAL Werkzeuge werden an zentralen Stellen eingesetzt und zeigen ihre Stärke in der Anpassbarkeit an die Bedürfnisse. Eigene Entwicklungen zur Automatisierung von Teilschritten können mit grafischen Hilfsmitteln oder Skripten umgesetzt werden. Wir zeigen die aktuellen Datenflüsse und Schnittstellen, die für die Szenarien verwendet werden, und präsentieren Ideen, wie man diese im Sinne einer modernen Digitalisierung zukünftig noch verbessern kann.

about this event: https://pretalx.com/fossgis2023/talk/WQHRLX/

GeoStyler ist eine Open Source JavaScript-Bibliothek zum Konvertieren zwischen Styling-Formaten und zur einfachen Erstellung von modernen Web-Oberflächen zum kartographischen Stylen von Geodaten. In diesem Vortrag werden die jüngsten Entwicklungen aus dem Projekt vorgestellt.

Viele Projekte wie QGIS und OpenLayers besitzen ihre eigenen Lösungen zur kartographischen Ausgestaltung von Geodaten. Existieren im Rahmen der verwendeten Werkzeugkette unterschiedliche Tools, zwischen denen Formate nicht ausgetauscht werden können oder nach dem Austausch eines Werkzeugs zur Stilverwaltung im Stack nicht mehr anwendbar sind, kann es zu Problemen kommen, deren Behebung meist sehr zeitaufwändig werden kann.

Vor diesem Hintergrund stellt das OSGeo-Community-Projekt GeoStyler eine Reihe von Parser-Bibliotheken zur Konvertierung zwischen verschiedenen Styling-Formaten bereit. Diese Tools können dabei entweder über die JavaScript API in bestehende Projekte eingebunden oder z.B. direkt über die GeoStyler Kommandozeilenschnittstelle oder auch die HTTP basierte REST-API für eine automatisierte Stilkonvertierung einer beliebigen Anzahl von unterstützten Stildateien genutzt werden.

Neben diesen Tools stellt GeoStyler eine anpassbare webbasierte Benutzeroberfläche zum komfortablen Erstellen und Bearbeiten von Kartenstilen bereit, die entweder Standalone genutzt oder z.B. in ein existierendes WebGIS integriert werden kann.

Aktuell unterstützt GeoStyler die folgenden Stilformate:

- OGC SLD

- OpenLayers Styles

- Mapfiles

- QML

- Mapbox Styles

Im Rahmen dieses Vortrags stellen wir den aktuellen Projektstatus vor und zeigen, wie sich GeoStyler seit dem letzten Vortrag auf der FOSSGIS 2020 entwickelt hat. Hierzu zählen insbesondere eine aktualisierte und einfacher zu bedienende Nutzeroberfläche sowie die Unterstützung von Ausdrücken in Stilen.

about this event: https://pretalx.com/fossgis2023/talk/XSLHZV/

PostgreSQL bildet mit seiner räumlichen Erweiterung PostGIS die Grundlage für viele Webkarten und eignet sich hervorragend für die Verarbeitung von großen Datensätzen und damit für die Generalisierung. Anhand von OpenStreetMap-Daten sollen Ansätze für das Zusammenfassen und Vereinfachen von Flächengeometrien, zum Ausdünnen von Straßennetzwerken sowie die Verdrängung von Objekten vorgestellt werden.

PostgreSQL bildet mit seiner räumlichen Erweiterung PostGIS die Grundlage für viele Webkarten und eignet sich hervorragend für die Verarbeitung von großen Datensätzen und damit für die Generalisierung. Anhand von OpenStreetMap-Daten sollen Ansätze für das Zusammenfassen und Vereinfachen von gleichartigen Flächengeometrien demonstriert werden. Ein Schwerpunkt liegt dabei auf einer performanten Implementierung. Des Weiteren wird in einem Beispiel gezeigt, wie sich Straßennetzwerke ausdünnen lassen, in dem nach diese als Graphen betrachtet. Ein letztes Beispiel soll die Möglichkeiten zur Verdrängung von Objekten zeigen.

about this event: https://pretalx.com/fossgis2023/talk/KNLSJN/

Der Regionalverband Ruhr (RVR) möchte seinen Mitgliedern den Gebäudebestand im Verbandsgebiet bereitstellen. Die mundialis GmbH & Co. KG entwickelte im Auftrag des RVR ein Verfahren zur möglichst automatisierten Gebäudedetektion und Veränderungen im Raum. Es wurde ein Workflow unter Einsatz der Software GRASS GIS (Linux-Ubuntu-Distribution) entwickelt. Das Ergebnis ist ein Vektordatensatz, der u. a. auch Informationen zur Anzahl der Stockwerke des erkannten Gebäudes beinhaltet.

Der Regionalverband Ruhr (RVR) mit Sitz in Essen ist der Zusammenschluss der elf kreisfreien Städte und vier Kreise des Ruhrgebietes bzw. der Metropole Ruhr (ca. 4.500 km2). Im Zentrum des gesetzlichen Auftrags des RVR steht das Wohl der Metropole Ruhr. Dabei fungiert der RVR als Netzwerker, Koordinator, Impulsgeber, Dienstleister oder Projektträger. In seiner Tätigkeit als Dienstleister möchte der RVR seinen Mitgliedern eine Datenbasis zum Gebäudebestand im Verbandsgebiet bereitstellen. Ziel ist es, den Gebäudebestand möglichst aktuell zu halten und jährlich zu berechnen. Dieser soll dann den Kommunen im Verbandsgebiet als Eingangsdatensatz für diverse Projekte dienen. Derzeit wird das Tool hinsichtlich der Benutzerfreundlichkeit weiterentwickelt.

Die Gebäudedetektion wird überwiegend mit Hilfe des open-source verfügbaren Geographischen Informationssystems (GIS) GRASS GIS (Geographic Resources Analysis Support System) durchgeführt. Die Installation erfolgt in einer Linux-Ubuntu-Distribution. Sämtliche Daten, die in GRASS GIS genutzt werden, liegen in einer GRASS-Datenbank (grassdb) in GRASS-spezifischen Formaten. Als Eingangsdaten werden Digitale Orthophotos (DOP) und 2,5D-Punktwolken aus den jährlichen RVR-Luftbildbefliegungen, Flächennutzungsdaten (FNK) des zu untersuchenden Jahres sowie bei Bedarf Referenzdaten – beispielsweise ALKIS-Gebäudedaten – genutzt. Bei beiden Luftbilddatensätzen liegen jeweils ein roter, ein grüner, ein blauer Kanal sowie ein Kanal im Bereich des nahen Infrarots (RGBI) vor. Für die Verarbeitung dieser Daten müssen vorab einmalig unter anderem die von der mundialis GmbH & Co. KG entwickelten GRASS-Addons r.import.dgm_nrw, r.import.ndom_nrw, r.extract.buildings und v.cd.buildings installiert werden.

Im ersten Schritt werden alle DOP-Kacheln zu einer gemeinsamen GeoTIFF-Datei mit 0,5 Metern räumlicher Auflösung zusammengefügt. Im nächsten Schritt werden die 2,5D-Punktwolken in GRASS GIS importiert und daraus ein Digitales Oberflächenmodell (DOM) im Rasterformat gerechnet, ebenfalls mit einer räumlichen Auflösung von 0,5 Metern. Anschließend werden die übrigen Vektordatensätze FNK und ALKIS-Referenz in GRASS importiert. Die vier Kanäle des DOP-Mosaiks (RGBI) werden als einzelne Rasterkarten angezeigt. Die Gebäudedetektion stützt sich vor allem auf Höhendaten und Werte des Vegetationsindex Normalized Difference Vegetation Index (NDVI). Der NDVI wird auf Basis des roten und des infraroten Kanals des DOP-Mosaiks berechnet. Mit Hilfe des erzeugten DOM-Mosaiks wird für die Berechnung der relativen Oberflächenhöhen ein normalisiertes Digitales Oberflächenmodell (nDOM) erstellt. Dabei bezieht das Tool r.import.dgm_nrw automatisch die benötigten Kacheln des Digitalen Geländemodells (DGM) Nordrhein-Westfalens, zur Verfügung gestellt von Geobasis NRW, mit einer Gitterweite von einem Meter für die Berechnung. Die Gebäudedetektion erfolgt schließlich regelbasiert. Dabei extrahiert das Tool r.extract.buildings potenzielle Gebäude im Vektorformat anhand ihrer Höhe im nDOM sowie auf Basis des NDVI-Wertes. Gebäude werden dabei von Vegetation anhand eines NDVI-Schwellenwerts unterschieden. Das Ergebnis ist ein Vektordatensatz, der sowohl Spalten zu nDOM-Statistiken als auch eine Spalte mit der geschätzten Etagenzahl beinhaltet, ausgehend von einer durchschnittlichen Etagenhöhe von drei Metern. Final kann bei Bedarf der Datensatz mit den identifizierten Gebäuden mit einem Referenzdatensatz im Vektorformat – zum Beispiel ALKIS-Daten – verglichen werden. Das Tool erzeugt dabei einen Vektordatensatz, der die Flächen beinhaltet, die entweder nur im Ergebnis oder nur im Referenzdatensatz vorliegen.

about this event: https://pretalx.com/fossgis2023/talk/ZY9RXM/