Vorlesungsfragen Geoinfo

 c - Bezieht sich auf Größe des Grundstückes und auf Zustand des Grundstückes (bebaut/ unbebaut)

 c- 500 m2 = geometrisch; unbebaut = thematisch

d- Grundstücke im Stadtgebiet von Dresden

§  1. NF erfüllt

§  Jedes Datenelement, dass nicht selbst zum Primärschlüssel gehört, ist voll funktional abhängig vom gesamten Primärschlüssel

• Kein Datenelement darf mehrfach in einem Datentupel vorkommen (Eindeutigkeit der Namen)

• Jedes Datentupel besitzt Primärschlüssel

• Assoziationen werden nur durch Schlüssel nicht aber durch physische Speicheradressen abgebildet

• Jedes Datenelement muss atomar sein

§  2. NF erfüllt

§  Es gibt keine transitive Abhängigkeit eines Nicht-Primärschlüssels vom Primärschlüssel

- Verkehrsnetz -> (thematische Eigenschaft: Verkehrsaufkommen)

- Industrieanlagen, Siedlungen: (thematisch: Angabe zu Schadstoffaufkommen, Emissionen), Grünflächen

- Dresden (Untersuchungsraum)

- stationäre Messpunkte

- Niederschlagsgebiet 

- Waldgebiete

-Geometrie beschreibt die absolute Lage von Geoobjekten, Bsp.: Lage der Messstation mit Koordinaten in einem Raumbezugssystem

-Topologie beschreibt die die räumlichen Beziehungen zwischen Geoobjekten, also die relative Lage (liegt die Messstationen z.B. in einem Industriegebiet oder benachbart zu einem Waldgebiet.)

-Thematik Fachliche Eigenschaften des Geoobjekts beschrieben durch Attribute: (etwa die gemessenen Parameter an der Messstation z.B: CO2-Gehalt in ppm, Feinstaub PM1-10)

-Dynamik: Zeitliche Variation für alle oben genannten Eigenschaften der einzelnen Geoobjekte (Luftqualität, räumliche Veränderung der Messstation (Geometrie) und damit meist der Topologie, Zeitreihe der Messwerte)

Geodaten: Umfasst das Datum (etwa den Messwert des Sauerstoffgehalts und die Koordinaten des Messpunkts)

Geoinformation: Sauerstoffgehalt der einzelnen Gewässer (individuell unterschiedlich) - Werte bzw. das Datum mit Bedeutung bzw. Interpreation verknüpft und mit Interpretationsvorschrift Auswertbar; bspw. Sauerstoffmangel unter gewissem %-Wert

—>Messung des Sauerstoffgehalts ist Sammeln von Geodaten, bei Auswertung der Daten und damit den Daten zugeordneten Bedeutungen, entsteht Geoinformation

Algorithmus zur Prüfung ob pH-Wert den Nominalwert ´sauer´ bzw. ´basisch´hat.

Zielaussage: pH-Wert ist sauer bzw. basisch

Fachspezifisches Wissen: Wert ist sauer wenn < 7 Wert ist basisch wenn >= 7 (ph=7,0 neutral?)

Deklaration:

• Name des Algorithmus 'Prüfe pH-Werte'

• prozeduraler Algorithmus

• Variablen des Algorithmus ist eine Liste von 10 (z.B. a-j) pH-Werten als Fließkommazahl REAL und eine Liste von klassifizierten Werten als Bezeichner (sauer bzw. basisch) STRING

Eingabe:

• Liste von Variablen für die 10 pH-Werte

Vorbedingung:

• Liste von 10 (z.B. a-j) pH-Werten als Fließkommazahl REAL und eine Liste von klassifizierten Werten als Bezeichner (sauer bzw. basisch) STRING

Ausgabe:

• Die 10 klassifizierten Werte

Nachbedingung:

Alle Werte sind in der Ergebnis-Liste klassifiziert

Datensätze (Zeilen): 4 verschiedene Seen (See1, See2, See3, See4)

Attribute (Spalten): Sauerstoffgehalt, pH-Wert, Temperatur

       Sauerstoffgehalt  pH-Wert     Temperatur  

See1       x1                        x2                x3         

See2      y1                        y2               y3        

See3      z1                        z2                z3         

See4     q1                        q2                q3 

x = (x11 , x12 , x13 , x21 , x22, x23)

bestehende Wertematrix: 

x11    x12    x13

x21   x22    x23

Python: data = [x11, x12, x13, x21, x22, x23]

Attribute

Bundeswasserstraßenklasse : String : 5a

Name des Gewässers : String : Elbe

Länge : Float : 1094km

Wassertemperatur : Float 

Navigierbarkeit: boolean 

Sauerstoff-/Stickstoffgehalt: Float

Flussbett: String

pH-Wert : Float

Methoden

Wassertemperatur (Zeit, Flusskilometer)

Wasserqualität berechnen/

bestimmen aus Werten wie pH-Wert und Sauerstoffgehalt

Graph aus Temperaturen etc. bilden

Temperaturvorhersage

Algorithmus: Abfolge von Befehlen, Operationen zur Lösung eines Problems, die bei gleichen Ausgangswerten immer gleiche Ergebnisse erzeugt.

Programm: Umsetzung eines Algos in einer Programmiersprache. (z.B. Python).  

1. Lies den Namen der Stadt X. 

2. Lies den Wert der Einwohnerzahl der Stadt X

3. Lies den Wert der Fläche der Stadt X

4.Teile Einwohnerzahl durch Fläche

5. Speichere das Ergebnis in einer Variable Einwohnerdichte der Stadt X

6. Gib das Ergebnis aus

Fläche: Double

Einwohnerzahl: LongInteger

Einwohnerdichte: Double

Name der Stadt: String

Akteure: Schüler, Lehrperson, SchulWeb GIS Betreuer

includes: Thema festlegen, Inhalte eintragen, Zoomen, Ein-/Ausblenden

- Server: stellt Client auf Anforderung spezielle Dienste zur Verfügung z.B. Einwohneranzahl im Stadtteil DD-Neustadt

- Client: nutzt die Daten vom Server zur Darstellung, z.B. berechnet den Anteil der Einwohner in DD-Neustadt von der Gesamteinwohnerzahl in DD

- Vorteile: Austausch von Daten, Effizienzsteigerung, Teilen von Soft- und Hardware, Von allen Orten aus nutzbar (ubiquitär), ein gemeinsamer Datensatz

pro: 

• Skalierung ist möglich

• ortsunabhängig

• spezielles IT-Personal zur Betreung von Servern nicht in Planungsamt erforderlich,

 contra: 

• Problem des Datenschutzes - Datenmissbrauch ist möglich

• Digitale Souveränität des Amtes ist gefährdet - es entsteht ggf. eine starke Abhängigkeit von Cloud-Anbietern

• externe Ebene: Maßstab, Thema, Raumausstattung, Koordinatensystem 

• konzeptionelle Ebene: Legende, Symbole, Farbzuordnung 

• interne Ebene: technische Herstellung; etwa als Offset-Druck

Konzeptionelles Datenschema: Umsetzung eines Datenmodells in einem konkreten DBMS (oder etwa mit SQL); Angabe von Datentypen; Schlüsseln, Wertebereichen, etc.

—>welche Daen hängen inhaltlich zusammen

DBMS (Datenbankmanagementsystem): Software zur Verwaltung und Auswertung der Datenbank (hier zum Thema ÖPNV); bspw. Microsoft-Access 

Datenbank: Daten, die inhaltlich zusamenhängen, d.h. alle gesammelten Daten zum ÖPNV (als zusammenhängende Dateien)

1) eindeutige Identifikation von Datensätzen (Primärschlüssel, also 1:1)

2) bilden Assoziationen (=inhaltliche Verbindungen zwischen Tabellen) (1:n, m:1, n:m) zwischen den Relationen ab (Fremdschlüssel)

3) Schlüssel ist erforderlich zur Gewährleistung der Integrität der Datenbank

Fremdschlüssel: Primärschlüssel aus fremder Relation

Sekundärschlüssel: identifiziert Teil der Elemente, für 1:n

b) die zweite Normalform erfüllt ist und keine transitive Abhängigkeit eines Nicht-Primärschlüssels vom Primärschlüssel besteht 

c) ihr Zustand nur über die Operationen der entsprechenden Klasse erfragt und geändert werden können? 

SELECT HName, HAdresse, HTelefon, STyp

FROM    Sensoren, Hersteller

WHERE  Sensoren.HName = Hersteller.HName

AND (Zustand = ´defekt´) AND (STyp='PT100' OR STyp= 'PT200')

objektbasierte Sicht = diskrete Sicht (eindeutig abgrenzbare Objekte, deren thematische Eigenschaften räumlich invariant sind) --> Geoobjekte im Beispiel: Flussbett; Flusslauf; Flusseinzugsgebiet X; 100-jähriges Hochwasser

feldbasierte Sicht = kontinuierliche Sicht (Feld wird durch Funktion beschrieben) --> Geofelder im Beispiel: Niederschlagshöhen, Überschwemmungswasserhöhen

--> beide Sichtweisen sind für das Beispiel nutzbar; jeweils nur eine andere Sichtweise

--> Kombination beider Sichtweisen ist sinnvoll

räumliche Auflösung: 

• für das Einzugsgebiet: Makroskala

• für die Niederschlagshöhen: Mesoskala

    Für ein HW-Ereignis:

    vertikal: Zentimeter (HW-Höhe),

    horizontal: meist Meter,

    zeitlich: Minuten 

räumliche Dimensionen: 

• 1D für Flussverlauf 

• 2D für Einzugsgebiet 

• 3D für Niederschlagshöhen, Überschwemmungskörper

• auch thematische und zeitliche Dimensionen sinnvoll 

• für jedes Thema/Unterthema eine separate Informationsschicht

• können bei Bedarf auch übereinander gelegt werden, wenn identische Koordinatensysteme, Maßstäbe etc. vorhanden sind

• topographische Karten:

  • Wälder, Grünflächen, Siedlungen, Industrie- und Gewerbeflächen, Gewässerflächen, Ackerland / Obstplantagen, Schotter, etc.

  • d.h. keine Layeraufteilung nach Geometrie, sondern nach Thema

Entscheidung: Objekt-Modell

Begründung:

• Individualität der Objekte steht hier im Vordergrund

• schnelle Abfrage auf alle Attribute des Biotops ist möglich und hier sinnvoller

Beispielaufbau:

Biotop 1

Art: See

Status: Güteklasse I

schutzwürdige Arten: keine

Kreis: Mittelsachsen 

Abhängig davon, wie aktuell die Daten sein müssen und wie Veränderungen erfasst werden.

1) Ist es eine jährlichen Prüfung und Erfassung, eignet sich das Snap Shot Modell, das vermutlich auch einfacher zu realisieren ist. 

2) Handelt es sich um sich schnell verändernde Schutzflächen, beispielweise in einer dynamischen Lage, die durchgehend überwacht und beobachtet werden, eignet sich das Time Stamp Modell. Die Änderungen der Geometrie  sind definierbar/feststellbar und zu den Änderungszeitpunkten können die neuen Geometrien erfasst werden.

Vektormodell

• hohe Genauigkeit

• die Grundstücksflächen werden durch Linienzüge abgegrenzt 

• die genaue Abgrenzung der Grundstücke ist relevant, 

Rastermodell

• Aufgrund der Aufnahmetechnik ist es sinnvoll, ein Rastermodell zu benutzen -> Bilder liegen meist sowieso in rasterähnlichen Formaten vor. Menge an Pixel mit unterschiedlichen Farbwerten, Helligkeitswerten

Vektormodell

• man benötigt einen Dijkstra -> berechnet die kürzeste Route zwischen zwei Punkten in einem gewichteten Graphen (Straßennetz)

• Straßen, Siedlungs-, Gewerbe- und Waldflächen sind geeignet als Vektoren darstellbar bzw. abgrenzbar; flächenabhängige Daten wie Bevölkerungsdichte sind irrelevant 

Rastermodell (meist sogar vier dimensional; x,y,z,t)

• kontinuierliche daten

• Niederschlagsmengen, Temperaturfelder in hoher Auflösung (Raster) 

• numerische einfacher; Berechnungen einfacher mit den direkten Nachbarn etc.

Vorteile:

• geringer Erfassungsaufwand (da Aufnahme mit Scannern (Satellitengestützt z.B.))

• Raster als Datengitter praktisch für Simulationsmodelle

Nachteile: 

• durch Approximation weder lagegenaue noch formgetreue Darstellung von Einzelobjekten

• hohe Datenmengen = hoher Datenspeicherungsaufwand

• aufwendige / rechenintensive Koordinatentransformationen

• Verlust von thematischer Genauigkeit bei Koordinatentransformationen

Vorteile: 

• gut geeignet für Einzelobjekte 

• potenziell unendliche geometrische Genauigkeit (Erfassungsgenauigkeit geometrischer Daten als Flaschenhals) 

• geringe Datenmengen, weil Geometrie durch einzelne Folgen von Punkten beschrieben (geringere Datenmenge als bspw. sehr feines Rastermodell)

  -> daher: einfache Koordinatentransformation in euklidischer Geometrie 

Nachteile: 

• zeit- und kostenaufwendige Erfassung der Geometrie und Thematik

• logische und algebraische Operationen aufwendiger

• schlecht geeignet für flächenhafte kontinuierliche Verteilungen

• in heutigem GIS: meist Vorteile beider Modelle nutzbar

—>Konvertierung zwischen Vektor- und Rastermodell nötig/möglich (Beispiel: Raster für Biomasse pro Hektar, Vektor für die Naturschutzgebiete).

• Raster-Vektor-Konvertierung ist deutlich aufwändiger

• Um vektorbasierte Modelle im Raster anzunähern, muss passende Rasterauflösung gewählt werden

• Erhöhte Auflösung —>erhöhte Genauigkeit (z.B. Verminderung des Treppeneffekts bei Diagonalen)

• Je nach Auflösung können sogar komplette Linien und damit wichtige Informationen verloren gehen, insbesondere je gerundeter bzw. abweichend von der senkrechten und waagerechten Ordnung eines Rasters die Vektoren sind und umgekehrt

• Konvertierungsalgorithmen müssen entsprechend angepasst werden, um bei diesen Randfällen die gewollte Darstellung zu interpretieren (sollen ecken-benachbarte Rasterzellen im Vektormodell als Kurven, Diagonalen, Ecken, etc. dargestellt werden?

8bit pro Farbe pro Pixel -> drei Farben -> also 24 bit pro Pixel (entspricht 3 byte) -> 30 000 Byte insgesamt -> 30 kbytep

Lauflängenkodierung: 

• Analyse Zeile für Zeile: 4byte für weiße Zeile  (je 1 byte für Farbe + Anzahl der Pixel in der Zeile)

  -> wir haben 50 weiße Zeilen -> also insgesamt 200 byte für weiße Zeilen

• dazu kommen für die 50 weiß-rot-weiße Zeilen, für jeden Abschnitt 4 byte, also dann 12 Byte pro Zeile

  ->wir haben 50 weiß-rot-weiße Zeilen-> also insgesamt 600 byte für diese Zeilen

• Insgesamt also 800 Byte bzw. 0,78 kByte   

Insgesamt eine Reduktion durch die Lauflängenkodierung um mehr als den Faktor 30 - da das Rasterbild sehr homogen.

Messung:

• Auszählung von Tieren

• Zählung der Arten pro Flächeneinheit

• Messen von Abständen

Erfassung: 

• analog: in Feldbuch; eintragen, welche Arten vorkommen 

• digital: Erfassung z.B. mit Handy (Bild aufnehmen) und verknüpfen mit GPS Messung

• (Vorteil Plausibilitätskontrolle)

A/D Wandlung:

• Übertragen in ein GIS am Schreibtisch (durch manuelles Eintippen in DB)

• Verwendung von digitalen Geräten z.B. zur Lagebestimmung GPS

• Mehrfachmessung

• Aufsetzend auf exisitierenden Daten

• Gebiet aufteilen

• Genauigkeit der Geräte überprüfen (z.B: GPS, digitale Kameras, Maßbänder, Thermometer)

• Aufgaben verteilen 

• Plan im Voraus erstellen 

• Kartierschlüssel erstellen = Anweisung was kartiert werden soll -> Objektartenkatalog

• Mitarbeitende briefen

Fernerkundungsdaten (digitale Datenerfassung), weil 

• aus thematischen Gründen geeignet 

• historische Daten von Nöten --> Satellitendaten geeignet, um in der Zeit zurückzugehen

 Dennoch vor Ort gehen, um Daten zu vergleichen, denn Fernerkundungsdaten haben auch Nachteile (hier z.B.: Erfassung kann gestört sein durch Wolkendecke)

GPS:

• GPS-Erfassung ist relativ günstig und mit "Alltagsgeräten" möglich 

• Dadurch kann es zu größeren Abweichungen bei der Messung der Geometrie kommen

DGPS (differential GPS):

• DGPS dient der Verbesserung der Messungen des GPS

• Position des Empfängers kann relativ genau bestimmt werden, somit kann also die Geometrie der Ackerschläge gut bestimmt werden

• Kann sehr genaue 2D und 3D Vektorgeometrien erfassen

• Problem: deutlich höherer Geräte- und Bearbeitungsaufwand

• Fraglich, ob dieser erhöhte Aufwand für die Messung erforderlich und gerechtfertigt ist 

  ->Antwort heute GPS, da heute die Genauigkeit ausreichend ist (Genauigkeit von DGPS nicht benötigt, wäre teurer)

Metadaten sind datenbeschreibende Daten:

bei dem Beispiel Biotopkartierung wären Angabe zu Artenbezeichnungen , Kategorien der Fließgewässerqualität Formen von Metadaten (Semantik), nicht aber die erfassten Daten bspw. Datenheihen von pH-Werten.

Syntax: Datentyp, Dateiformat

Pragmatik: Zugriffs- und Nutzungsrechte, Lizenzbedingungen, Zugriffsspfade

ATKIS (Amtliches Topographisch-Kartographisches Informationssystem):

- Digitales Landschaftsmodell (DLM) => Objektstrukturiertes Modell, welches auf Vektor-Basis beruht, Grundlage topographischer Geoobjekte + derer Attribute ist Objektartenkatalog (amtliches Dokument)

- Verwaltung in speziellen DBMS/GIS

- Digitales Geländemodell (DGM) => raster-basiert

- Standard-Maßstab beider Modelle 1:25.000 (auf ca. 3m genau)

- Überführung in kartographische Karte durch Präsentationsobjekten

- Datenaustausch über Normbasierte Austauschschnittstellen (NAS)

ALKIS (Amtliches Liegenschaftskatasterinformationssystem):

- Integrieren Liegenschaftskarte (wie sieht Grundstück aus?) und Liegenschaftsbuch (wem gehört es?), Zugriff auf Geometrie, Sachdaten

- Methoden zu nutzerbezogenen Bestandsaktualisierung in Versionskonzept => alle Objektänderungen werden somit gespeichert

- vektorbasiert, weil genaue Lagebeziehung erkennbar sein soll

1. thematische Selektion des Attributes "Bundesstraße" --> selektierte Polylinien

2.  geometrische Aktion

• Methode: "Pufferung" um Linie (Bundesstraße), mit 500m zu jeder Seite 

3. topologische Abfrage

• Methode:  "Punkt in Polygon" (Intersect)

4. Ergebnis aufnehmen: Menge von Punkten innerhalb des Buffers -> selektierte  Agrarbetriebe; ggf. mit der Inforamtion dazu in welchem Bundestrassen-Puffer der Agrarbetrieb liegt.

1. topologische Selektion 

• Methode: "Punkt in Polygon" (Intersect)

2. Ergebnis Aufnehmen: Teilmenge von Polygonen (Biotope) in denen min. ein Agrabetrieb -> selektierte Biotope

1. thematische Selektion des Attributes "Autobahn" -> selektierte Polylinien

2. geometrische Operation

• Methode: "Linie mit Polygon" (Intersect)

3. (Zwischen-)Ergebnis aufnehmen: neu verschnittene Liniensegmente als neue Geoobjekte Autobahnsegmente

4. Berechnung des Attributes Länge der neuen Segmente/Abschnitte

5. Ermittlung des Längsten Autobahnausschnitts

6. Biotop ermitteln mit längstem Autobahnsegment(en)-> Ergebnis: Polygon mit längstem Autobahnteilabschnitt

• 4^4 Nachbarzellen als Schutzzone => Buffer

• 4* Nutzung fokalen Operators der Map Algebra mit einer 8er Umgebung (da die Schutzzone überall um die Rasterdaten errichtet werden soll!)

• Puffer, in diesem Fall nach außen, da es sich um eine Verdickung (FocalOR) handelt

vorliegende Daten zur Wohnqualität sind ordinalskaliert

—>Verfahren zur 2D Räumlichen Interpolation das Polygonverfahren: 

• Messnetz so traingulieren, dass innerhalb des Umkreises eines Dreiecks keine andere Stützstelle liegt. 

• Bilden der zugehörigen Polygone (Voronoi- oder Thiessen-Polygone) durch Verbindung der Mittelsenkrechten der Dreieckskanten miteinander

—>Polygon erhält dann den Attributwert der innenliegenden Stützstelle

Quadranten-Verfahren: berücksichtigt Daten aus allen vier Quadranten um zu interpolierende Zelle herum --> somit wird in jede Himmelsrichtung einmal geschaut

Distanzabhängige Gewichtung durch Berücksichtigung der inversen Entfernung

• beim DGM bedeutet 2,5D, dass an sich im 2D Modell gearbeitet wird also auf einer 2D-Basis (z.B. mit Karten) 

• Durch das thematische Attribut der Höhe, ist die Darstellung nicht mehr nur 2D

• Dadurch, dass man z.B. keine Flächen, Volumen etc. berechnen kann ist es aber nicht 3D

  —>2,5D

• digitales Geländemodell (DGM => Rasterförmig erhoben) für bspw. Hangneigung

  —>über z.B. ATKIS  von Vermessungsämtern (Amtliches Topographisch-Kartographisches Informationssystem) 

• digitale Bodenkarte -> Daten zum Bodentyp und zur Bodenart  (Geologische Bodenämter)

• Niederschlagsdaten (deutscher Wetterdienst)

• Daten zur Vegetation, Landnutzung, Gewässernetz (DLM und Fernerkundungsdaten)

• Zusammenfassung von thematischen und geometrischen Daten 

  —>Thematisch-geometrische und topologische Abfragen sind nun möglich

• bessere Übersicht durch Visualisierung --> grafisch interaktive Analyse

• einfache Umsetzung von Modellierungen und Analysen

• viele Koordinatensysteme und Koordinatentransformationen werden in einem GIS unterstützt, damit ist Datenintegration gut möglich

• einfachere Verwaltung der Daten in GIS, da diese nicht getrennt gespeichert sind

Speicherung von Geodaten ohne Begrenzung der gespeicherten Fläche durch z.B. Blattkanten von Karten / Speicherung der Geodaten als Ganzes ohne künstliche räumliche Grenze

—> Wortschöpfung: Übereinanderlegen/Zusammenfügen von Karten, ohne Sprünge/Fehler

—>Nur politische Grenzen oder informative Grenzen, oder erfassungsbedingten Grenzen (etwa bei Fernerkundungsdaten um Räume einzugrenzen)

Potenziale:

- Zusammenfügen von Daten- hohe räumliche Auflösung

- Preprocessing (Vorbereitung der Daten => z.B. angesammelte Daten in Vektordarstellung/Raster überführen zum übereinanderlegen)

- bessere und übersichtlichere Visualisierung der Simulationsergebnisse (post processing)

- räumliche Analysen gut durchführbar

Probleme: 

- sehr rechenaufwendig und hat teils sehr komplexe Anforderungen an das GIS

- zeitlicher Verlauf (Simulation) unbefriedigend in GIS darstellbar

- man braucht 3d numerische Daten - zu aufwendig selbst zu programieren

- Man braucht konkrete 3d Modelle

- Zeitkomponenten

- hohe Kosten für vollständige Integration von Simulation und GIS