Kurzbeschreibung des Projekts und seiner Ziele

Moderne Sensoren bzw. Sensornetze liefern bei der Beobachtung von Naturereignissen qualitativ gute Messwerte, jedoch nur punktuell an ihren jeweiligen Standorten und für eine eng begrenzte Anzahl von Messparametern. Ein Ansatz um gemessene Sensorwerte zu ergänzen ist Beobachtungen durch Augenzeugen zu nutzen („humans as sensors“), welche in zunehmendem Maße durch Social Media-Plattformen wie Facebook, Twitter oder auch Youtube und Flickr verbreitet werden. Jeder Nutzer dieser Netzwerke stellt einen mobilen, virtuellen Sensor („Social Sensor“) dar.
„Social Sensors“ bieten gegenüber herkömmlichen Sensoren Vorteile, wie z.B. hohe Mobilität, hohe Vielseitigkeit der erfassten Parameter, die erfasst werden können, sowie eine sehr schnelle Verbreitung der erfassten Daten. Zudem ist die Menge der über Social-Media-Plattformen bereitgestellten Daten sehr umfangreich. Der Nachteil ist, dass diese Daten oft subjektiv durch den Beobachter geprägt und von unterschiedlicher Qualität und Quantität sind. Um die Daten aus Social-Media-Plattformen für die Anwendung im Desastermanagement nutzbar zu machen, sind Methoden und Verfahren zu entwickeln, die aus der Menge an Information die geeignete Daten herausfiltern.
Ziel des Projektes ist, aus Social-Media-Plattformen Daten zu gewinnen, die zusammen mit Daten aus herkömmlichen Sensoren eine schnelle Schadensabschätzung, z.B. als Eingabeparameter für Schadenmodelle, und somit qualifizierte Informationen für das Desastermanagement ermöglichen. Hierzu werden entsprechende Methoden und Prototypen in Kooperation mit den CEDIM-Projekten „Crowd Sourcing im Desastermanagement“, „Schnelle Hochwasserereignisanalyse“ und „Forensic Disaster Loss Analysis“ entwickelt.
Es werden Metriken zur Bestimmung der Relevanz von Daten aus Social-Media-Plattformen bezüglich konkreter Katastrophenereignisse hergeleitet und evaluiert. Damit wird bestimmt, welche Daten für eine weitere Auswertung und Extraktion von Messparametern geeignet sind. Des weiteren werden mit Hilfe von maschinellem Lernen Klassifikationsmethoden entwickelt, die Daten nach ihrem Inhalt (z.B. Information, Meinung oder Emotion) einordnen, um so Qualitätsabschätzungen und Auswertungen für konkrete Fragestellungen und weitere Analysen zu ermöglichen. Außerdem werden Muster identifiziert, die eine Abschätzung erlauben, ab wann welche Informationen in welcher Qualität verfügbar sind. Damit kann im Ereignisfall abgeschätzt werden, ab welchem Zeitpunkt mit möglichst verlässlichen Informationen zu rechnen ist.

Analysen:

• Testlauf Crowd Sourcing: Reaktion auf Twitter zum Erdbeben in der Iran-Pakistan Grenzregion (Mw 7.8)