SpatialData Science als Ansatz der geographischen Datenanalyse und Vo...

In den letzten Jahrzehnten hatte die Arbeit mit Daten in der Geographie unterschiedliche Namen, wie Locational Analysis, Quantitative Geography, Computational Geography oder Spatial Analytics. Es wurden dazu viele, meist gerade aktuelle Methodenansätze verwendet, wie Multivariate Methods, System Dynamics, Fractals, Cellular Automata, Fuzzy Sets, Agent-based Modelling etc. Die grundsätzlichen abstrakten Fragestellungen, die durch geographische Datenverarbeitung beantwortet werden können, blieben trotzdem immer dieselben. Es sind dies Datenbeschreibung, Datenreduktion, Klassifikation, Lokation/Allokation, Bewertung, Interaktionsmodellierung, Prozessmodellierung, Vorhersage und Optimierung. Im Laufe der Jahre haben sich die Lösungsmethoden für diese Basisfragestellungen verändert und es wurden jeweils aktuelle Ansätze dafür adaptiert. Für die Klassifikation, die Lokation/Allokation und die Prozessmodellierung werden im ersten Teil dieses Beitrags die im Laufe der Jahre veränderten Lösungsansätze kurz beschrieben und diskutiert.

Nun ist der aktuelle Ansatz zur Verarbeitung und Modellierung geographischer Daten seit etwa fünf Jahren die Spatial Data Science. In dieser Methodendisziplin können die meisten der geographischen Basisfragstellungen gelöst werden. Meist erfolgt diese Lösung im Rahmen des „Cross Industry Standard Process for Data Mining (CRISP-DM)“, der die Basis für viele Data Science Programme ist. Zur Lösung der Fragen mit geographischen Daten müssen aber noch einige Sonderprobleme, wie räumliche Autokorrelation, das Modifiable Areal Unit Problem oder die Ecological Fallacy berücksichtigt werden. So entstehen dann aus den Lösungsansätzen der Data Science spezifische und gut passende Lösungsansätze der Spatial Data Science. Diese werden für die drei anfangs angesprochenen Basisfragstellungen im zweiten Teil des Vortrags beschrieben.

Abschließend wird ein Beispiel aus dem Bereich der räumlichen Energiepotenzialanalyse, -vorhersage und –optimierung unter Verwendung der Spatial Data Science Methoden vorgestellt.

Es gibt bei der Anwendung der Spatial Data Science Methoden noch viele methodische, softwaremäßige und interpretationsmäßige Probleme, die abschließend kurz angesprochen werden. Dieser Beitrag soll zeigen, dass trotzdem schon heute ein solcher Ansatz gute Lösungen bei der Bearbeitung der meisten datenbasierter geographischen Basisfragestellungen liefern kann.