GIS | GeoDS

Mein Geoinformatik-Adventskalender

Sun, 30 Nov 2025 00:00:00 +0000

🎄 24. Dezember: Was schenkt uns die Geoinformatik?

🎁🌍 Was gibt uns die Geoinformatik eigentlich – jenseits von Karten?

Sie schenkt uns Orientierung 🧭

in Städten, Landschaften, Daten und Entscheidungen.

Sie schenkt uns Verständnis 🧠

für räumliche Muster, Zusammenhänge und Unsicherheiten.

Sie schenkt uns Werkzeuge 🛠️

um Umweltprobleme zu analysieren 🌱,
Städte und Umwelt besser zu planen 🏙️,
und Risiken zu bewerten 🌊🔥.

Und vielleicht am wichtigsten:

Geoinformatik schenkt uns die Fähigkeit, komplexe räumliche Informationen gemeinsam, transparent und verantwortungsvoll zu nutzen 🤝.

👉 In einer Welt voller Daten ist das ein echtes Geschenk.

Frohe Weihnachten 🎄 und danke fürs Mitlesen dieses Geoinformatik-Adventskalenders.

23. Dezember: Multikriterielle Standortanalyse

📍🧩 Wo ist ein „gut geeigneter“ Standort? In der Geoinformatik wird diese Frage mit multikriteriellen Standortanalysen beantwortet.

Dabei werden mehrere räumliche Kriterien kombiniert – z. B.

Erreichbarkeit 🚗
Bevölkerungsdichte 👥
Umweltauflagen 🌱
Abstand zu Siedlungen 🏘️

Technisch geschieht das über Overlay-Analysen: Raster- oder Vektorebenen werden überlagert und ggf. gewichtet, um daraus eine Eignungskarte abzuleiten 📊🗺️.

Solche Verfahren kommen z. B. zum Einsatz bei

der Standortwahl neuer Geschäftsfilialen 🛒,
der Planung von Infrastruktur 🏗️,
oder bei hochsensiblen Fragen wie der Suche nach einem Endlagerstandort für radioaktive Abfälle ☢️.

👉 Wichtig: Das Ergebnis ist nicht die „Wahrheit“, sondern eine transparente, nachvollziehbare Entscheidungsgrundlage – abhängig von Kriterienwahl, Gewichtung und gesellschaftlichen Prioritäten.

22. Dezember: Aggregierung & Disaggregierung

📦📊 Aggregierung fasst räumliche Daten auf größere Einheiten zusammen – z.B. Einkommen 💶 oder Gesundheitsdaten 👥 auf Ebene von Gemeinden oder Stadtteilen.

🔍📍 Eine Anwendung ist das Geomarketing: Hier werden gut verfügbare aggregierte demographische und sozioökonomische Daten häufig disaggregiert, um Kaufkraft 💳, Nachfrage 🛒 oder Präferenzen 🎯 auf Straßen- oder Blockebene abzuschätzen.

Dabei gilt: ➡️ Die feinen Muster entstehen nicht durch Messung, sondern durch räumliche statistische Modelle, z.B. unter Nutzung von Landnutzung 🏘, Gebäudedaten 🧱 oder Bevölkerungsdichte 📈.

⚠️ Wichtig: Disaggregierte Ergebnisse sind Schätzungen, keine Beobachtungen – und sensibel gegenüber Annahmen, Maßstab 📐 und Zonierung 🗺️.

21. Dezember: Volunteered Geographic Information (VGI)

🌍🤝 Volunteered Geographic Information (VGI) bezeichnet Geodaten, die freiwillig von Nutzer:innen erzeugt und geteilt werden. Menschen kartieren ihre Umwelt selbst – mit Smartphone, GPS oder lokalem Wissen.

Das bekannteste Beispiel ist OpenStreetMap: Tausende Freiwillige erfassen weltweit Straßen, Gebäude, Radwege oder POIs – oft aktueller als offizielle Datensätze 🚲🏘️.

VGI ist eng verwandt mit Crowdsourcing, geht aber konzeptionell weiter: Nicht Institutionen steuern die Datenerhebung, sondern die Zivilgesellschaft selbst.

👉 Chancen: hohe Aktualität, globale Abdeckung, demokratische Datenerzeugung.

⚠️ Herausforderungen: Datenqualität, räumliche Verzerrungen und soziale Ungleichgewichte.

Kurz gesagt: VGI zeigt, dass Geodaten nicht nur gemessen, sondern auch gemeinsam gemacht werden.

20. Dezember: Räumliche Autokorrelation

📍🔗 Räumliche Autokorrelation beschreibt ein zentrales Prinzip der Geoinformatik: Werte an räumlich nahen Orten ähneln sich oft stärker als Werte an weit entfernten Orten.

Warum das so wichtig ist? Ohne räumliche Autokorrelation wäre eine Interpolation von Punktmessungen in die Fläche nicht möglich. Nur weil benachbarte Messwerte zusammenhängen, können wir aus wenigen Messpunkten kontinuierliche Karten berechnen 📊🗺️.

Das ist essenziell, um Umweltbelastungen flächendeckend abzuschätzen – etwa bei Nitrat im Grundwasser 💧. Im vom Umweltbundesamt geförderten ReGeNi-Projekt nutzen wir genau dieses Prinzip, um aus Punktmessungen räumlich konsistente Karten der Nitratbelastung abzuleiten und Unsicherheiten transparent zu machen. Siehe auch meinen Blog-Beitrag hierzu.

👉 Kurz gesagt: Räumliche Autokorrelation ist die statistische Grundlage dafür, dass Karten mehr sein können als bunte Muster.

19. Dezember: Digitale Zwillinge (Digital Twins)**

🏙️🧠 Digitale Zwillinge sind virtuelle Abbilder realer Systeme. Sie koppeln .blue("Geodaten, Sensordaten, Modelle und Simulationen"), um Prozesse in Städten oder der Umwelt realitätsnah abzubilden – und „Was-wäre-wenn?“-Fragen zu beantworten.

Ein digitaler Zwilling ist mehr als eine 3D-Stadt: Er kann Verkehrsflüsse simulieren 🚗, Hitzeentwicklung abschätzen 🌡️, Überflutungen prognostizieren 🌊 oder die Wirkung von Planungsmaßnahmen testen – bevor sie umgesetzt werden.

Gerade im Kontext von Smart Cities und Umweltprognosen gewinnen digitale Zwillinge stark an Bedeutung.

18. Dezember: Geodateninfrastruktur (GDI) – Das Rückgrat der Geoinformatik

Eine Geodateninfrastruktur (GDI) ist kein einzelnes System, sondern ein organisiertes Zusammenspiel aus Geodaten, Metadaten, Standards, Diensten und Institutionen.

Ihr Ziel: Geodaten und Webdienste sollen auffindbar, zugänglich, kombinierbar und nutzbar sein, und zwar über Organisationsgrenzen hinweg.

Auf europäischer Ebene wird das durch die INSPIRE-Richtlinie geregelt. Sie verpflichtet Behörden, ihre Geodaten standardisiert bereitzustellen – etwa zu Themen wie Umwelt, Verkehr, Landnutzung oder Verwaltungseinheiten.

Dank GDI und INSPIRE können Daten von Kommunen, Ländern, Bund und EU zusammengeführt werden – z. B. für Umweltberichte 🌱, Raumplanung 🏗️ oder Krisenmanagement 🚨. Hier ein Beispiel aus dem Geoportal Thüringen.

👉 Ohne Geodateninfrastrukturen gäbe es zwar viele Karten – aber keine funktionierende, verlässliche Geodatenlandschaft.

17. Dezember: Participatory GIS

🚲🗺 Ein frühes Beispiel für Participatory GIS in Jena: das Radforum Jena.

🤝 Schon 2022 konnten Bürger:innen dort Probleme, Gefahrenstellen und Ideen für den Radverkehr direkt auf Karten verorten – von fehlenden Radwegen bis zu kritischen Kreuzungen. Lokales Alltagswissen wurde so zu nutzbaren Geodaten.

Genau das ist der Kern von Participatory GIS (PGIS): Geoinformatik wird genutzt, um Bürgerwissen systematisch in Karten, Analysen und Planungsprozesse einzubinden – digital und transparent.

Heute ist dieser Ansatz ein fester Bestandteil der Smart-City-Strategie Jenas 🌍💡. Über partizipative Karten und Online-Beteiligungsformate können Bürger:innen aktiv an der Stadtentwicklung mitwirken – etwa zu Mobilität 🚲, Stadtgrün 🌳, Barrierefreiheit ♿ oder Quartieren 🏘️.

👉 Karten sind nicht nur Analysewerkzeuge – sie sind Dialogräume zwischen Stadtgesellschaft und Entscheidungsträgern.

16. Dezember: Gewinner-Branche Geoinformatik

📈 Die Geoinformatik-Branche wächst rasant: Marktstudien prognostizieren 11-14 % Umsatzwachstum pro Jahr – weltweit und auch in Deutschland. 🌍

Treiber sind u.a. Navigation 🧭, Erdbeobachtung 🛰️, Geodatenanalyse 📊, Drohnen 🚁, Umwelt- und Verkehrssensorik 🌱🚦 SmartCity und digitale Planung (BIM).

So überrascht es nicht, dass der Finanz-Podcast „Alles auf Aktien“ auf meine Anregung hin heute dieses Thema aufgegriffen hat 🎙️. Denn hinter Karten, Apps und Satelliten steckt eine hochinnovative Industrie mit echtem gesellschaftlichem Nutzen und wirtschaftlichem Potenzial.

👉 Geoinformatik ist mehr als ein Studienschwerpunkt – sie ist eine Zukunftsbranche.

15. Dezember: MAUP – Wenn Grenzen Ergebnisse verändern

⚠️ Das Modifiable Areal Unit Problem (MAUP) beschreibt ein zentrales Problem der räumlichen Analyse: Statistische Ergebnisse hängen davon ab, wie räumliche Einheiten zugeschnitten sind. 📐

📊 Eine Analyse kann zu unterschiedlichen Korrelationen führen – je nachdem, ob man nach Gemeinden, Landkreisen oder Rasterzellen auswertet (Skaleneffekt) oder wie genau die Gebiete abgegrenzt sind (Zonierungseffekt). 🌍

MAUP spielt eine große Rolle bei Themen wie Krankheitsinzidenzen 🦠, Wahlanalysen 🗳️, oder der Analyse von Satellitenbildern. Die Daten ändern sich nicht – aber unsere Interpretation schon.

👉 Deshalb gilt in der Geoinformatik: Räumliche Analyse-Ergebnisse sind immer auch ein Produkt der gewählten räumlichen Einheiten.

14. Dezember: Metadaten & FAIR-Prinzipien

Metadaten sind „Daten über Daten“. Sie beschreiben z. B., wer einen Datensatz erstellt hat, wann, wie, in welcher Auflösung, für welchen Zweck – und unter welcher Lizenz er genutzt werden darf. Ohne Metadaten sind Geodaten wertlos!

Die FAIR-Prinzipien fassen gute Datenpraxis zusammen: Daten sollten Findable (auffindbar), Accessible (zugänglich), Interoperable (austauschbar), und Reusable (wiederverwendbar) sein. Sie sind zentral für Reproduzierbarkeit, Langzeitnutzung und den Austausch von Geodaten in Forschung, Wirtschaft und Verwaltung.

👉 Zu FAIRen Geodaten können wir alle beitragen: Wir veröffentlichen, wenn möglich, auch Code & Daten zu unseren Analysen. Unser damaliger Doktorand Patrick Schratz gewann sogar den FAIRest Dataset Award. 🧭

13. Dezember: WGS84 – Das Koordinatensystem der Welt

🌍 Fast alle GPS-Koordinaten und Webkarten beruhen auf einem gemeinsamen Bezugssystem: WGS84, das „World Geodetic System 1984“. Es repräsentiert die Erde als mathematisches Ellipsoid mit Mittelpunkt im Erdmittelpunkt.

WGS84 erleichtert den Datenaustausch zwischen Ländern, Technologien und Web-Diensten erheblich.

📐 Im europäischen Raum nutzt man oft stattdessen ETRS89, das sich fest am europäischen Kontinentalblock orientiert 🌍📍. Der (scheinbare) Lageunterschied zwischen den beiden Systemen beträgt unter 1 m.

🧭 Man sollte die beiden Systeme also nicht durcheinander bringen, wenn man Hangbewegungen erkennen oder Grundstücke vermessen möchte! Bei unserer Messung von Bewegungsraten von Blockgletschern haben wir natürlich aufgepasst:

Figure 1: Bewegungsraten eines Blockgletschers in den chilenischen Anden. (c) X. Bodin.

12. Dezember: Der ökologische Trugschluss

Der ökologische Trugschluss tritt auf, wenn man von Zusammenhängen auf aggregierter Ebene (z. B. Gemeinden, Kreise) fälschlich auf Individuen schließt. 📊

Beispiel: Regionen mit vielen Universitäten weisen häufig höhere Kriminalitätsraten auf 🏙️🎓. Das bedeutet nicht, dass gebildete Menschen oder gar Studierende häufiger straffällig werden – vielmehr sind Universitätsstädte größer und weisen andere Risikofaktoren auf. Und ein Teil der Straftaten wird ohnehin von Auswärtigen begangen!

👉 In der räumlichen Analyse ist das besonders relevant: Viele Geodaten liegen nur aggregiert vor. Wer solche Daten ohne Vorsicht interpretiert, riskiert einen Fehlschluss. 🗺️

11. Dezember: Crowdsourcing und Mapathons

🌍 Beim Crowdsourcing werden Geodaten gemeinschaftlich erhoben – etwa auf Plattformen wie OpenStreetMap. Viele Freiwillige tragen Gebäude, Straßen oder Landnutzungen ein, sodass offene und aktuelle Karten entstehen, die weltweit genutzt werden.

Beim Mapathon von EGEA Jena treffen sich Studierende, um genau das zu tun: gemeinsam Regionen zu kartieren, in denen Kartenlücken bestehen – oft für humanitäre oder ökologische Zwecke 🤝.

10. Dezember – Geo-AI

Geo-AI steht für Methoden der künstlichen Intelligenz, die auf die spezifischen Eigenschaften geographischer Daten zugeschnitten sind - insbesondere räumliche Abhängigkeit und Nähe.

Damit können räumliche Muster automatisch erkannt, Prozesse modelliert oder Veränderungen vorhergesagt werden – etwa die Folgen von Wetterextremen.

Im GENAI-X-Projekt arbeiten wir daran, generalisierbare KI-Modelle für Umweltprozesse zu entwickeln. Ziel ist es, KI robuster gegenüber sich wandelnden Umweltbedingungen zu machen und sie so für zukünftige Klimabedingungen oder datenarme Regionen fit zu machen.

Geo-AI ist also kein Ersatz für wissenschaftliches Denken, sondern eine Erweiterung unseres Werkzeugkastens – wir müssen sie verantwortungsvoll einsetzen und sie verlässlich und erklärbar machen 🌍.

9. Dezember: Big Geospatial Data

💾 In der modernen Erdbeobachtung entstehen täglich gigantische Datenmengen — nicht nur Bilder, sondern auch multispektrale Scans, Datenströme aus Sensornetzen, raumzeitliche Data Cubes und daraus abgeleitete Simulationsergebnisse.

Eine einzelne Satellitenkonstellation wie Planet Labs’ „Dove“-Flotte kann mit mehreren hundert kleinen Satelliten die gesamte Landoberfläche der Erde nahezu täglich erfassen. Das ergibt Datenvolumina im Terabyte-Bereich pro Satellit pro Tag — Tag für Tag, Jahr für Jahr.

🌍 Warum das relevant ist:

Für Umwelt- und Klimaforschung erlauben solche Daten, Landnutzungsänderungen, Vegetationsdynamik oder Urbanisierung nahezu in Echtzeit zu beobachten.
Für Katastrophenschutz und Risikobewertung liefern sie schnelle Informationen — z. B. über Überschwemmungen, Waldbrände oder Erdrutsche.
Für Mobilität und Raumplanung: Verkehrsmuster, Landnutzung, Siedlungsentwicklung – alles wird durch Geodaten abbildbar.

🔧 Doch **„Big Data“ bringt auch Herausforderungen:

Speicherbedarf und Rechenleistung steigen rasant — Daten müssen effizient verarbeitet und archiviert werden.
Interpretationsbedarf: Große Datenmengen ohne Kontext bringen wenig — man braucht gute Metadaten und saubere Analyseprozesse.
Recht, Ethik und Datenschutz: Wer besitzt die Daten? Wer darf sie auswerten? Wie schützt man Privatsphäre, wenn man z.B. Gesundheits- oder Landnutzungsinformationen verarbeitet?

8. Dezember: QGIS

QGIS ist eine freie und quelloffene GIS-Software – ein Geographisches Informationssystem.

Sie ermöglicht das Erstellen, Analysieren und Visualisieren räumlicher Daten – von einfachen Karten bis zu komplexen Geoverarbeitungs-Workflows. Dank zahlreicher Erweiterungen deckt QGIS nahezu alle Bereiche moderner Geodatenanalyse ab: von Reliefanalyse über Netzwerkanalyse bis hin zu 3D-Visualisierung.

Wir nutzen QGIS intensiv in der Lehre – vor allem im B.Sc. Geographie – und auch die Stadtverwaltung von Jena setzt es ein.

Figure 2: QGIS in der Lehre. Foto: (c) S. Hese.

Dass QGIS frei verfügbar ist, macht es nicht nur zu einem Werkzeug für Forschung und Verwaltung, sondern auch zu einem Symbol für offene Wissenschaft und globale Zusammenarbeit 🌍.

7. Dezember: Einzugsgebiete

Ein Einzugsgebiet beschreibt den Bereich, aus dem ein Standort „seinen Einfluss zieht“ – in der Geoinformatik oft das Ergebnis einer Netzwerkanalyse.

Figure 3: Eintreffzeiten der Feuerwehren im Stadtgebiet von Jena. (c) Stadt Jena / antwortING / otz.

So lässt sich etwa berechnen, welche Straßenabschnitte zu einer Feuerwache gehören 🚒 oder aus welchen Regionen die Mitglieder des FC Carl Zeiss Jena stammen ⚽ Oder mit den Worten der Fans: „Hier regiert der FCC!“. 🌍

Leider deckt das 10-Minuten-Einzugsgebiet der Jenaer Feuerwehren nicht das ganze Stadtgebiet ab - und heute lag das gegnerische Tor nur einmal im Einzugsgebiet der FCC-Angreifer…

Figure 4: Das Einzugsgebiet des FC Carl Zeiss Jena aus Sicht der Verteilung seiner Mitglieder. (c) Thüringer Allgemeine.

Figure 5: Die Südkurve im Ernst-Abbe-Sportfeld. Ihr Einzugsgebiet? Wo auch immer der FCC spielt!

6. Dezember: Drohnen (UAV – Unmanned Aerial Vehicles)

🚁 Drohnen erfassen Geodaten aus der Luft – meist mit Kameras, LiDAR oder Multispektralsensoren 🎨.

Sie liefern hochaufgelöste Orthofotos und 3D-Modelle für Umweltmonitoring 🌿, Landnutzung 🏙 oder Katastrophenerfassung 🌋.

Ihr Vorteil: flexible Einsätze und Zentimeterpräzision – ihr Nachteil: begrenzte Flugzeit und rechtliche Auflagen ⚖️.

Ungefähr die coolste Sache, die man mit Drohnen machen kann, ist die Beobachtung von süßen kleinen Pinguinen 🐧. Hier Bilder aus einer Publikation von Christian Pfeifer (ThINK GmbH, Finanzierung Umweltbundesamt, Doktorand in meiner Gruppe), der gerade wieder auf Expedition ist… ❄️🚀

Figure 6: Drohnenaufnahmen von Adélie- und Gentoo-Pinguinkolonien auf Ardley Island, Antarktis. Pfeifer et al. (2025) in Ecological Indicators,

5. Dezember: Interpolation

🌈 Interpolation schätzt Werte an Orten, an denen keine Messung vorliegt.

📍 Aus Messwerten an Punkten wird ein kontinuierliches Feld berechnet – etwa Lufttemperatur oder Schadstoffkonzentration. Methoden wie Inverse Distanzgewichtung oder das geostatistische Kriging-Verfahren nutzen räumliche Nachbarschaftsbeziehungen, um glatte Oberflächen zu erzeugen. Das Ergebnis: Karten, die Lücken im Wissen sichtbar schließen. 🌍

✨ Aktuell nutzen wir am Lehrstuhl für Geoinformatik im ReGeNi-Projekt (Finanzierung Umweltbundesamt) fortgeschrittene Kriging-Verfahren, um Nitratkonzentrationen im Grundwasser bundesweit zu ermitteln. Unser Verfahren bezieht auch Zusatzinformationen – Hydrogeologie und Landbedeckung – mit ein, um Argumente für und gegen eine Nitratbelastung statistisch fundiert abzuwägen. Das ist essenziell, um evidenzbasiert Entscheidungen zu treffen!

Figure 7: Geostatistisch interpolierte Überschreitungswahrscheinlichkeiten für einen Nitratschwellenwert von 50 mg/l in einer nicht identifizierten Pilotregion.

4. Dezember: Raster- und Vektordaten

🌍 Geodaten werden meist als Raster- oder Vektordaten gespeichert. Diese beiden Datenmodelle sind die Grundbausteine von GIS-Datenbanken. ✨

Raster bestehen aus regelmäßig angeordneten Zellen, die jedem Ort einen Wert zuweisen – ideal für kontinuierliche Phänomene wie Temperatur 🌡.

Vektordaten beschreiben Objekte durch Punkte, Linien oder Flächen – perfekt für Straßen, Flüsse oder Grundstücke.

Thüringen hat ein fantastisches Programm Offene Geodaten. Ich habe mir es mal mit Hilfe eines R-Skripts näher angeschaut: Von den über 1600 offenen Datensätzen sind 82 % Vektordatensätze! Viele sind allerdings kleine kommunale Datensätze wie Bebauungspläne, andere, wie die Erosionsgefährdung, decken das ganze Land ab. 🌳

Hier etwa die erosionsgefährdeten Flächen bei Jena im Thüringer Kartenviewer als Polygon-Vektordaten ((c) GDI-Th):

3. Dezember: Positionsbestimmung mit GPS/GNSS

Das Global Positioning System (GPS) ist Teil der Familie der Globalen Navigationssatellitensysteme (GNSS). Solche Systeme bestimmen Positionen, indem sie Signale mehrerer Satelliten messen und daraus Entfernungen berechnen.

📍 Das Ergebnis: präzise Koordinaten – meist genauer als ein paar Meter. Dein Handy weiß also ziemlich genau, wo du bist.

✨ In unserem Studiengang B.Sc. Geographie führen wir die Studierenden in die mobile Datenerhebung (Mobile Mapping) mit GNSS-Tablets ein.

🧭 In der Forschung verwenden wir dagegen hochgenaue GNSS-Vermessungsgeräte - etwa in Chile bei der Bestimmung von Bewegungsraten von Blockgletschern.

Figure 8: Bewegungsraten eines Blockgletschers in den chilenischen Anden. (c) X. Bodin.

👉 GPS ist übrigens das amerikanische GNSS – Wusstest du, dass die Europäische Union mit Galileo ein eigenes GNSS betreibt?

2. Dezember: Geocodierung

📍 Adress-Geocodierung übersetzt Textadressen in geografische Koordinaten.

Sie nutzt Referenzdatenbanken, die Adressen mit räumlichen Positionen verknüpfen.

🌍 So wird „Leutragraben 1, Jena“ zu einem Punkt mit Breiten- und Längengrad – und kann auf einer Karte dargestellt oder analysiert werden. In diesem Falle führt euch die Koordinate direkt zum Jentower im Zentrum Jenas, wo sich mein Büro befindet.

Auch andere Ortsangaben kann man in Koordinaten umwandeln – z.B. IP-Adressen von Computern, Ortsbezeichnungen wie „Napoleonstein“, oder sogar unstrukturierte Texte. Hier ein Beispiel mit Polizeiberichten aus Jena.

Figure 9: Geocodierte Polizeiberichte.

Übrigens: Ein Kollege hier in Jena, Dr. Xuke Hu vom DLR-Institut für Datenwissenschaften, ist ein führender Experte für Geoparsing, also die Geocodierung unstrukturierter Texte.

1. Dezember: Was ist Geoinformatik?

Die Geoinformatik ist die Wissenschaft von der Erfassung, Verwaltung, Analyse und Visualisierung räumlicher Daten.

Sie kombiniert Methoden der Informatik, Geographie und Statistik, um ortsbezogene Phänomene messbar und modellierbar zu machen und geographische Fragen in Forschung und Anwendung zu beantworten.

Ob Verkehrsfluss, Artenverbreitung oder Klimawandel – wo der Ort eine Rolle spielt, ist Geoinformatik nicht weit. 🌍

My GIScience Advent Calendar

Sun, 30 Nov 2025 00:00:00 +0000

🎄 December 24: What Does GIScience Give Us?

🎁🌍 What does geographic information science actually give us — beyond maps?

It gives us orientation 🧭

in cities, landscapes, data, and decisions.

It gives us understanding 🧠

of spatial patterns, relationships, and uncertainties.

It gives us tools 🛠️

to analyze environmental problems 🌱,
to better plan cities & the environment 🏙️,
and to assess risks 🌊🔥.

And perhaps most importantly:

GIScience gives us the ability to use complex spatial information collectively, transparently, and responsibly 🤝.

👉 In a world full of data, that is a true gift.

Merry Christmas 🎄 and thank you for following this GIScience Advent Calendar.

December 23: Multi-Criteria Site Selection

📍🧩 Where is a “suitable” location? In GIScience, this question is addressed using multi-criteria site suitability analyses.

Here, multiple spatial criteria are combined — e.g.:

accessibility 🚗
population density 👥
environmental constraints 🌱
distance to settlements 🏘️

Technically, this is implemented through overlay analyses: raster or vector layers are overlaid and, if necessary, weighted to derive a suitability map 📊🗺️.

Such methods are used, for example, in

selecting locations for new business sites 🛒,
infrastructure planning 🏗️,
or highly sensitive decisions such as identifying a repository site for radioactive waste ☢️.

👉 Important: The result is not “the truth,” but a transparent and traceable decision basis — dependent on the choice of criteria, their weighting, and societal priorities.

December 22: Aggregation & Disaggregation

📦📊 Aggregation combines spatial data into larger units — for example income 💶 or health data 👥 at the level of municipalities or neighborhoods.

🔍📍 One application is geomarketing: here, readily available aggregated demographic and socioeconomic data are often disaggregated to estimate purchasing power 💳, demand 🛒, or preferences 🎯 at the street or block level.

The key point is: ➡️ fine-scale patterns are not measured directly, but derived using spatial statistical models, for example incorporating land use 🏘️, building data 🧱, or population density 📈.

⚠️ Important: Disaggregated results are estimates, not observations — and they are sensitive to assumptions, scale 📐, and zoning 🗺️.

December 21: Volunteered Geographic Information (VGI)

🌍🤝 Volunteered Geographic Information (VGI) refers to geospatial data that are voluntarily created and shared by users. People map their environment themselves — using smartphones, GPS, or local knowledge.

The most prominent example is OpenStreetMap: thousands of volunteers worldwide map streets, buildings, bike lanes, or points of interest — often more up to date than official datasets 🚲🏘️.

VGI is closely related to crowdsourcing, but conceptually goes a step further: data collection is not controlled by institutions, but by civil society itself.

👉 Opportunities: high timeliness, global coverage, democratic data creation.

⚠️ Challenges: data quality, spatial biases, and social inequalities.

In short: VGI shows that geospatial data are not only measured — they are also created collaboratively.

December 20: Spatial Autocorrelation

📍🔗 Spatial autocorrelation describes a core principle of GIScience: values observed at locations close to each other are often more similar than values observed far apart.

Why is this so important? Without spatial autocorrelation, interpolating point measurements into continuous surfaces would not be possible. Only because neighboring observations are related can we derive continuous maps from a limited number of measurement points 📊🗺️.

This is essential for spatially assessing environmental pollution — for example nitrate in groundwater 💧. In the ReGeNi project, funded by the German Environment Agency, we apply exactly this principle to derive spatially consistent maps of nitrate contamination from point measurements and to make uncertainties transparent. See also my blog post related to this topic.

👉 In short: Spatial autocorrelation is the statistical foundation that allows maps to be more than just colorful patterns.

December 19: Digital Twin

🏙️🧠 Digital twins are virtual representations of real-world systems. They integrate geospatial data, sensor data, models, and simulations to realistically represent processes in cities or the environment — and to explore “what-if” scenarios.

A digital twin is more than a 3D city model: it can simulate traffic flows 🚗, estimate heat development 🌡️, predict flooding 🌊, or test the effects of planning measures — before they are implemented.

Especially in the context of smart cities and environmental forecasting, digital twins are becoming increasingly important.

December 18: Geospatial Data Infrastructure (GDI) – The Backbone of Geoinformatics

A Geospatial Data Infrastructure (GDI) is not a single system, but an organized interplay of geospatial data, metadata, standards, services, and institutions.

Its goal: geospatial data and web services should be findable, accessible, interoperable, and usable — across organizational boundaries.

At the European level, this is regulated by the INSPIRE Directive. It obliges public authorities to provide their geospatial data in standardized ways — for example on topics such as the environment, transport, land use, or administrative units.

Thanks to GDI and INSPIRE, data from municipalities, federal states, national authorities, and the EU can be integrated — for instance for environmental reporting 🌱, spatial planning 🏗️, or crisis management 🚨. Here is an example from the Thuringian Geoportal.

👉 Without geospatial data infrastructures, there would be many maps — but no functional and reliable geospatial data landscape.

December 17: Participatory GIS

🚲🗺 An early example of Participatory GIS in Jena is the Radforum Jena.

🤝 As early as 2022, citizens were able to pinpoint problems, hazardous locations, and ideas for cycling infrastructure directly on maps — from missing bike lanes to critical intersections. Local, everyday knowledge was thus transformed into usable geospatial data.

This is exactly the core idea of Participatory GIS (PGIS): GIScience is used to systematically integrate citizens’ knowledge into maps, analyses, and planning processes — digitally and transparently.

Today, this approach is a key component of Jena’s Smart City strategy 🌍💡. Through participatory maps and online engagement formats, citizens can actively contribute to urban development — for example in mobility 🚲, urban green spaces 🌳, accessibility ♿, or neighborhood planning 🏘️.

👉 Maps are not just analytical tools — they are spaces for dialogue between urban society and decision-makers.

December 16: Geospatial Analytics – A Winning Industry

📈 The geomatics industry is growing rapidly: market studies forecast 11–14% annual revenue growth — worldwide and also in Germany 🌍.

Key drivers include navigation 🧭, Earth observation 🛰️, geospatial analytics 📊, drones 🚁, environmental and traffic sensing 🌱🚦, smart cities, and digital planning (BIM).

It is therefore no surprise that the finance podcast “Alles auf Aktien” picked up this topic today following my suggestion 🎙️. Behind maps, apps, and satellites lies a highly innovative industry with real societal impact and strong economic potential.

👉 GIScience is more than a study focus — it is a future-oriented industry.

December 15: MAUP – When Boundaries Change Results

⚠️ The Modifiable Areal Unit Problem (MAUP) describes a fundamental issue in spatial analysis: statistical results depend on how spatial units are defined. 📐

📊 The same analysis can lead to different correlations depending on whether data are aggregated by municipalities, districts, or raster cells (scale effect), or on how exactly the boundaries of those units are drawn (zoning effect). 🌍

MAUP plays a major role in topics such as disease incidence 🦠, election analyses 🗳️, or the analysis of satellite imagery. The data do not change — but our interpretation does.

👉 Therefore, a key principle in geoinformatics applies: results of spatial analyses are always, at least in part, a product of the chosen spatial units.

December 14: Metadata & FAIR Principles

Metadata are “data about data”. They describe, for example, who created a dataset, when and how it was produced, at what resolution, for which purpose — and under which license it may be used. Without metadata, geospatial data are essentially worthless.

The FAIR principles summarize good data practices: data should be Findable, Accessible, Interoperable, and Reusable. They are central to reproducibility, long-term usability, and the exchange of geospatial data in research, industry, and public administration.

👉 We can all contribute to FAIR geodata: whenever possible, we also publish the code and data underlying our analyses. Our former PhD student Patrick Schratz even won the FAIRest Dataset Award 🧭.

December 13: WGS84 – The Coordinate System of the World

🌍 Nearly all GPS coordinates and web maps are based on a common reference system: WGS84, the World Geodetic System 1984. It represents the Earth as a mathematical ellipsoid centered on the Earth’s core.

WGS84 greatly facilitates data exchange between countries, technologies, and web services.

📐 In Europe, ETRS89 is often used instead. It is fixed to the European continental plate 🌍📍. The (apparent) positional difference between the two systems is less than one meter.

🧭 The two systems shouldn’t be mixed up when detecting slope movements or surveying land parcels! When measuring the movement rates of rock glaciers, for example, we made sure to use consistent reference systems:

Figure 1: Movement rates of a rock glacier in the Chilean Andes. (c) X. Bodin.

December 12: The Ecological Fallacy

The ecological fallacy occurs when relationships observed at an aggregated level (e.g., municipalities or districts) are mistakenly assumed to apply to individuals. 📊

Example: Regions with many universities often show higher crime rates 🏙️🎓. This does not mean that educated people—or students—commit more crimes. University towns are larger and have different risk factors. Moreover, who says that the recorded crimes are committed by the local residents?

👉 In spatial analysis, this is especially relevant: many geospatial datasets are only available in aggregated form. Interpreting such data carelessly risks a false conclusion. 🗺️

December 11: Crowdsourcing and Mapathons

🌍 In crowdsourcing, geospatial data are collected collaboratively—often through platforms such as OpenStreetMap. Thousands of volunteers digitize buildings, roads, and land use, creating open and up-to-date maps used worldwide.

At the Mapathon organized by EGEA Jena, students meet to do exactly that: collaboratively map regions with incomplete coverage—for humanitarian or environmental purposes 🤝.

December 10: Geo-AI

Geo-AI refers to methods of artificial intelligence that are tailored to the specific characteristics of geographic data—particularly spatial dependence and proximity.

Such methods can automatically detect spatial patterns, model processes, and predict changes—such as the impacts of extreme weather events.

Within the GENAI-X Project, we are developing generalizable AI models for environmental processes. The goal is to make AI more robust under changing environmental conditions and to adapt it to future climates and data-sparse regions.

Geo-AI is not a replacement for scientific reasoning but an extension of our analytical toolkit—we must apply it responsibly and ensure it remains reliable and explainable 🌍.

December 9: Big Geospatial Data

💾 Modern Earth observation generates enormous volumes of data every day — not only images, but also multispectral scans, sensor network streams, spatiotemporal data cubes, and derived simulation outputs.

A single satellite constellation such as Planet Labs’ Dove fleet, with several hundred small satellites, can image the entire land surface of the Earth almost daily — producing terabytes of data per satellite per day, day after day, year after year.

🌍 Why it matters:

For environmental and climate research, such data make it possible to monitor land-use change, vegetation dynamics, and urbanization almost in real time.
For disaster management and risk assessment, they provide rapid information on floods, wildfires, or landslides.
For mobility and spatial planning: traffic patterns, land use, settlement development — all can be represented and analyzed through geospatial data.

🔧 But Big Data also brings challenges:

Storage and computing demands grow rapidly — data must be processed and archived efficiently.
Interpretation: large datasets without context offer little value — good metadata and sound analytical design are essential.
Law, ethics, and privacy: Who owns the data? Who can analyze it? How can privacy be protected when dealing with sensitive information such as health or land use?

December 8: QGIS

QGIS is a free and open-source GIS application — a Geographic Information System.

It allows users to create, analyze, and visualize geospatial data — from simple maps to complex #geoprocessing workflows. Thanks to a wide range of plugins, QGIS covers nearly all aspects of modern #geospatial analysis: from terrain and network analysis to 3D visualization.

We make extensive use of QGIS in teaching — especially in the B.Sc. Geography program — and it is also employed by the City of Jena.

Figure 2: QGIS in teaching. Photo: (c) S. Hese.

Because QGIS is freely available, it serves not only as a tool for research and public administration, but also as a symbol of open science and global collaboration 🌍.

December 7: Catchment Areas

A catchment area describes the region from which a location “draws its influence” – in GIScience, often the result of a network analysis.

Figure 3: Arrival times of fire brigades in the city of Jena. (c) City of Jena / antwortING / otz.

It can be used to calculate which street segments belong to a fire station 🚒 or from which regions the members of FC Carl Zeiss Jena come ⚽ — or, in the words of the fans: “Hier regiert der FCC!” (“The FCC rules here!”). 🌍

Unfortunately, the 10-minute catchment of Jena’s fire brigades doesn’t cover the entire city area — and today the opponent’s goal was within the FCC attackers’ catchment only once…

Figure 4: The catchment area of FC Carl Zeiss Jena based on the spatial distribution of its members. (c) Thüringer Allgemeine.

Figure 5: The “Südkurve” (South Stand) at the Ernst Abbe Stadium. Their catchment area? Wherever FC Carl Zeiss Jena is playing!

December 6: Drones (UAV – Unmanned Aerial Vehicles)

🚁 Drones capture geospatial data from above – usually with cameras, LiDAR, or multispectral sensors 🎨.

They produce high-resolution orthophotos and 3D models for environmental monitoring 🌿, land-use mapping 🏙️, and disaster assessment 🌋.

Their advantages: flexible operation and centimeter-level accuracy. Their downsides: limited flight time and strict legal regulations ⚖️.

And honestly – one of the coolest things you can do with drones is observing adorable little penguins 🐧. Here are some images from a recent publication by Christian Pfeifer (ThINK GmbH; funded by the German Environment Agency), a PhD student in my group, who’s currently out on another Antarctic expedition ❄️🚀

Figure 6: Drone imagery of Adélie and Gentoo penguin colonies on Ardley Island, Antarctica. Pfeifer et al. (2025) in Ecological Indicators.

Dec. 5: Interpolation

🌈 Interpolation estimates values at locations where no direct measurements exist.

📍 From data measured at monitoring sites, a continuous field is computed – for example, air temperature or pollutant concentration. Methods such as inverse distance weighting or geostatistical kriging use spatial neighborhood relationships to create smooth surfaces. The result: maps that close gaps in our knowledge. 🌍

✨ In the GIScience group, we currently apply advanced kriging approaches to estimate nitrate concentrations in groundwater across Germany. Our method also incorporates auxiliary data — such as hydrogeology and land cover — to statistically evaluate evidence for or against nitrate contamination. This is essential for evidence-based environmental decision making!

Figure 7: Geostatistical interpolation of exceedance probabilities for a nitrate threshold of 50 mg/l in an undisclosed pilot area.

Dec. 4: Raster and Vector Data

🌍 Geodata are usually stored as raster or vector data. These two data models form the fundamental building blocks of GIS databases. ✨

Raster consist of regularly arranged cells that store a value for each location – ideal for continuous phenomena such as air temperature 🌡️.

Vector data represent objects through points, lines, or polygons – perfect for roads, rivers, or parcels.

Thuringia runs a fantastic Open Geodata initiative. I took a closer look using an R script: out of more than 1,600 open datasets, 82% are vector datasets! Many are small municipal datasets such as zoning plans, while others, like erosion susceptibility, cover the entire state 🌳.

Here, for example, are the erosion-prone areas near Jena in the map viewer, shown as polygon vector data ((c) GDI-Th):

Dec. 3: Positioning with GPS/GNSS

The Global Positioning System (GPS) is part of the family of Global Navigation Satellite Systems (GNSS). Such systems determine positions by measuring signals from multiple satellites and deriving distances from them.

📍 The result: precise coordinates — usually accurate to within a few meters. Your phone therefore knows your location quite well.

✨ In our B.Sc. Geography program, students are introduced to mobile data acquisition (mobile mapping) using GNSS tablets.

🧭 In research, by contrast, we employ high-precision GNSS surveying instruments — for example in Chile, where we determine movement rates of rock glaciers.

Figure 8: Movement rates of a rock glacier in the Chilean Andes. (c) X. Bodin.

👉 By the way, GPS is the U.S. GNSS — did you know that the European Union operates its own system, Galileo?

Dec. 2: Geocoding

📍 Address Geocoding converts textual addresses into geographic coordinates.

It relies on reference databases that associate addresses with spatial locations.

🌍 Thus, “Leutragraben 1, Jena” becomes a point with latitude and longitude that can be mapped or further analyzed. In this case, the coordinate leads you directly to the Jentower in the center of Jena, where my office is located.

Other place references can likewise be transformed into coordinates — for example, computer IP addresses, named locations such as “Napoleonstein”, or even unstructured text. Here’s the example of geocoded police reports.

Figure 9: Geocoded police reports in Jena.

By the way, a colleague here in Jena, Dr. Xuke Hu at the DLR Institute of Data Science, is a leading expert in geoparsing, or geocoding of unstructured texts.

Dec. 1: Geographic Information Science

Geographic Information Science (GIScience) is the science of acquiring, managing, analyzing, and visualizing geospatial data.

It combines computer science, geography, and statistics to make location-based phenomena measurable and modelable, and to solve geographical problems in research and applied contexts.

From traffic patterns to species distribution and climate change – wherever place matters, GIScience is there. 🌍

Globale Verbreitung von Wüstenpflaster

Thu, 12 Jun 2025 00:00:00 +0000

Wüstenpflaster - steinbedeckte Bodenoberflächen in Trockengebieten - sind mehr als nur eine geographische Kuriosität. Sie stabilisieren den Oberboden, beeinflussen die Staubemissionen und dienen als Marker für die langfristige Landschaftsentwicklung in ariden Regionen. Trotz ihrer geomorphologischen Bedeutung wurde ihre globale Verbreitung bisher nicht systematisch erfasst.

In diesem Blogbeitrag stelle ich einen ersten Versuch vor, mithilfe eines einfachen GIS-gestützten Modells abzuschätzen, wo auf der Welt Wüstenpflaster vorkommen könnten. Diese Studie, die ich zusammen mit mehreren Kolleg:innen durchgeführt habe, habe ich auf der Geomorphometry 2025 in Perugia (Italien) präsentiert (Brenning et al., 2025); eine vollständig reproduzierbare Analyse in R ist ebenfalls publiziert: Zenodo-Repositorium.

Ausgangspunkt für die Analyse war die Bachelorarbeit von Lucca Güldner – ein schönes Beispiel dafür, wie studentische Arbeiten zur Forschung beitragen können.

Ein einfaches multikriterielles GIS-Modell für ein komplexes Phänomen

Da bislang keine globalen Datensätze über Wüstenpflaster existieren, entwickelten wir ein GIS-basiertes multikriterielles Entscheidungsmodell (MCDA). Sieben thematische Kriterien werden berücksichtigt:

Klimaklassifikation nach Köppen-Geiger: Fokus auf aride und semiaride Regionen - Quelle: Beck et al., 2023;
Niederschlagsmenge: Bevorzugung von Trockengebieten, aber nicht “zu trocken”; Quelle: Karger et al., 2017, 2021;
Vegetationsbedeckung: Bevorzugung vegetationsarmer Gebiete; Quelle: Tuanmu & Jetz, 2014;
Topographie: flaches Gelände mit geringer Reliefenergie; Quelle: Li et al., 2024;
Bodentextur: hohes Vehältnis des Grobmaterialanteils an der Oberfläche gegenüber tieferen Bodenschichten; Quelle: SoilGrids; Hengl et al., 2017;
Anthropogene Störungen: Ausschluss urbaner und infrastrukturell geprägter Flächen anhand nächtlicher Lichtintensität; Quelle: Elvidge et al., 2021;
Wasserbedeckung: Ausschluss bei hohem Flächenanteil; Quelle: Quelle: Li et al., 2024.

Die Daten lagen weltweit mit 1 km Auflösung vor oder wurden entsprechend aggregiert. Sie wurden in die Kategorien „geeignet“, „bedingt geeignet“ und „ungeeignet“ eingeteilt. Daraus berechneten wir einen Eignungsindex über ein Raster-Overlay – eine Methode, die viele Studierende aus meinem Kurs Geog211: Räumliche Analyse mit GIS bereits kennen.

Figure 1: Globale Karte der potenziellen Verbreitung von Wüstenpflaster. Quelle: Brenning et al. (2025).

Was das Modell zeigt

Wir validierten den Eignungsindex anhand von 20 in der Literatur dokumentierten Standorten mit Wüstenpflastern weltweit. Die Ergebnisse zeigen, dass wir auf dem richtigen Weg sind:

80% dieser Standorte liegen in Gebieten mit einem Eignungsindex ≥0.75
15% sogar bei ≥0.90

Hochgerechnet ergibt das:

25,7 Mio. km², also 19% der globalen Landfläche, mit potenzieller Eignung
Bei einem strengeren Schwellenwert (≥0.90): 12,1 Mio. km² oder 9%

Diese Flächen decken fast 89% aller ariden Regionen weltweit ab, erlauben aber eine differenzierte Betrachtung von geeigneteren und weniger geeigneten Wüstenpflaster-Standorten.

Ausblick

Diese Analyse ist explorativ und vorläufig und basiert auf globalen Datensätzen mittlerer Auflösung. Sie zeigt aber, wie bereits einfache GIS-Methoden nützlich sein können. Es bleibt jedoch noch viel zu tun!

In Zukunft werden wir uns dem Fallbeispiel Namibia zuwenden. Unsere globale Modellierung dient dabei als Ausgangspunkt, um uns auf relevante Regionen zu konzentrieren. Hier eine interaktive Karte.

Figure 2: Potenzielle Verbreitung von Wüstenpflaster in Namibia. Quelle: Brenning et al. (2025).

Im Rahmen eines durch die Deutsche Forschungsgemeinschaft (DFG) geförderten Forschungsprojekts werden wir in interdisziplinärer Kooperation vor Ort Daten erheben sowie Modelle des Maschinellen Lernens nutzen, um in hoher räumlicher Auflösung die Verbreitung und physikalischen Eigenschaften von Wüstenpflaster zu modellieren.

Unsere weiteren Beiträge zur Geomorphometry-2025-Konferenz in Perugia

Mein Doktorand Florian Strohmaier stellte seine äußerst innovative hybride Modellierung der Hangstabilität in Slowenien vor. “Hybrid” bedeutet in diesem Kontext, dass maschinelles Lernen mit einer physikalischen “Struktur” versehen wurde… Hier sein Beitrag.
Jason Goetz, jetzt Assistant Professor in Waterloo/Kanada, war zuvor lange Zeit in meiner Arbeitsgruppe. Sein Beitrag verwendet prozessbasierte Modelle für Murgänge… Hier sein Beitrag.

Literatur

Brenning, A., Güldner, L., Schepanski, K., Dietze, M. & Fuchs, M. (2025). Geomorphic Distribution Modeling of Desert Pavements: Towards a Global Assessment. Geomorphometry 2025, Perugia, Italien. https://doi.org/10.5281/zenodo.15014982

Announcing the New RSAGA Release

Mon, 03 Feb 2025 00:00:00 +0000

TL;DR

I am pleased to announce the release of a new version of RSAGA, the R package that provides a seamless interface from R to SAGA GIS for geospatial analysis, digital terrain analysis, and geocomputing. This update ensures compatibility with the latest versions of SAGA GIS, now supporting up to SAGA 9.7.2, and continues to offer an efficient workflow for integrating SAGA’s powerful geoprocessing tools within R.

A Widely Used Tool in Geographic Data Science

Since its initial release in 2008, RSAGA has become a widely adopted tool among researchers and practitioners working with geospatial data. According to DataScienceMeta, RSAGA is among the top 10% most downloaded R packages, with over 245,000 downloads. These numbers reflect the importance of SAGA GIS for a broad range of applications in geographic data science, environmental modeling, and digital terrain analysis, creating a demand for an integration with the leading statistical programming environment, R.

RSAGA has recently reached 100 citations in Google Scholar as researchers in diverse fields have leveraged its capabilities, including:

Hydrology & Water Resources: Used for watershed delineation, stream network extraction, and hydrological modeling.
Geomorphology & Terrain Analysis: Applied in studies focusing on landform classification, slope stability, and geomorphic distribution modeling.
Environmental Science & Ecology: Used in habitat modeling, land cover classification, and environmental risk assessment.
Soil Science & Agriculture: Supports research in soil property mapping, digital soil mapping, and precision agriculture.

For those interested in a practical example of RSAGA in action, the RSAGA vignette features a case study on landslide susceptibility mapping, demonstrating how the package can be used in nonlinear statistical modeling of Earth surface processes.

Citing RSAGA

As RSAGA continues to support geospatial research and applications, I would like to remind users to properly cite R packages in their academic work. Citing software tools and R packages not only acknowledges the contributions of developers but also enhances the transparency and reproducibility of scientific research.

If you use RSAGA in your work, please cite it as follows:

Brenning, A., Bangs, D., Becker, M., Schratz, P., & Polakowski, F. (2025). RSAGA: SAGA Geoprocessing and Terrain Analysis. R package version 1.4.2. Retrieved from https://CRAN.R-project.org/package=RSAGA

You can also retrieve the most up-to-date citation by running the following command in R:

citation("RSAGA")

Acknowledgments

Many thanks to the SAGA GIS developers, the CRAN team and the R community for their tremendous work!

Happy mapping and modeling!