Bei Geodaten geht es nicht nur um Koordinaten. Mit LiDAR, Fernerkundung, Sensornetzwerken, digitalen Zwillingen, dem Internet der Dinge (IoT) und KI-basierten Verarbeitungspipelines werden geografische Objekte zunehmend durch umfangreiche Attributsätze beschrieben: Höhe, Form, Zustand, Kontext, Ähnlichkeit und Unsicherheit, um nur einige zu nennen. Diese Attribute bilden hochdimensionale Merkmalsräume – denselben konzeptionellen Raum, in dem viele KI-Modelle Objekte darstellen und vergleichen.

Dieser Vortrag untersucht, wie solche Merkmalsräume für die Geodatenanalyse nutzbar gemacht werden können. Anstatt nur darauf zu achten, wo sich Objekte auf einer Karte befinden, fragen wir: Welche Objekte sind ähnlich? Welche sind ungewöhnlich? Welche räumlichen Muster werden erst sichtbar, wenn thematische, strukturelle und analytische Attribute gemeinsam berücksichtigt werden?

Anhand von Beispielen aus multivariaten georäumlichen Daten, darunter städtische Baumbestandsaufnahmen, die aus Mobile-Mapping- und LiDAR-Daten abgeleitet wurden, stellt der Vortrag eine interaktive visuelle Analyseperspektive vor, in der georäumliche Objekte entsprechend ausgewählter Merkmale, Ähnlichkeitsbeziehungen und räumlicher Kriterien neu angeordnet werden können. Das Ziel ist nicht, Karten zu ersetzen, sondern sie zu ergänzen: Durch den Wechsel zwischen geografischem Raum und Merkmalsraum können Analysten latente Gruppen, Ausreißer, Korrelationen und KI-relevante Muster entdecken, die in herkömmlichen Kartenansichten verborgen bleiben.

Der Vortrag lädt GIS-Fachleute, Forscher und Entscheidungsträger dazu ein, die georäumliche Visualisierung als Schnittstelle zwischen Karten, Datenwissenschaft und KI-gestütztem räumlichem Verständnis neu zu überdenken.