Bewegung in Raum und Zeit

Großflächige Datenextraktion aus historischen Katasterkarten und hochauflösenden Luftbildern über maschinelles Lernen

Statistiken, wissenschaftliche Mitteilungsreihen, Journale, Karten, und insbesondere Katasterkarten aus dem langen 19. Jahrhundert enthalten Informationen über menschliche Umgebungen, Landschaften und Infrastrukturen, die für die Geoanthropologie hochrelevant sind, da sie insbesondere die Rekonstruktion von Prozessen, Wechselwirkungen und Kausalketten im Kontext der Great Acceleration erlauben. Ich erforsche Methoden und Herangehensweisen, um aus den digitalen Repräsentationen dieser Wissensformationen strukturiert und großflächig die vom Menschen genutzte Erdoberfläche in einer historischen Dimension zu rekonstruieren, und daran anknüpfend die Veränderungen darin besser zu verstehen.

Zur Datenextraktion, -auswertung und -darstellung nütze ich verschiedene Verfahren aus dem Bereich des maschinellen Lernens, von natural language processing bis hin zu image detection and segmentation. Um die Veränderungen in der Erdoberfläche bis in die Gegenwart studieren zu können, werden weiters Satellitenbildkorpora, hochauflösende Luftbilder und serielle Datenquellen herangezogen.

Als Ausgangspunkt dient der hochauflösende Franziszeische Kataster, der zwischen 1817 und 1861 für das Gebiet des habsburgischen Zentraleuropa – das heutige Österreich, Slowenien, Kroatien, Tschechien, Slowakei, Ungarn, Teile Rumäniens, Polens, Norditaliens, Serbiens und Montenegro – erstellt wurde, und etwa 670.000km² umfasst. Die darin enthaltenen Informationen zu Infrastruktur und Landnutzung werden durch umfassende statistische und schriftliche Quellen ergänzt und angereichert, die aus weiteren digitalen Repositorien stammen, und in Volkszählungen, Landesbeschreibungen, Viehzählungen und weiteren Verwaltungsoperationen und wissenschaftlichen Erhebungen erzeugt wurden.

Meine gegenwärtige Arbeit wird vom österreichischen Wissenschaftsfonds FWF unterstützt (Projektnummer PAT1763723), sie widmet sich der skalierten Extraktion von Infrastruktur- und Landnutzungsinformationen aus historischem Katasterkartenmaterial. Die extrahierte Information wird im nächsten Schritt in ein digitales Geländemodell übertragen und dort in ein Modell integriert, das Infrastruktur- und Landnutzungsinformation als Zeitserie abbild- und analysierbar macht.

Latest publications

2024: [in print with DHQ] GÖDERLE, Wolfgang (with Christian MACHER, Katrin MAUTHNER, Oliver PIMAS, Fabian RAMPETSREITER): Deep Learning for Historical Cadastral Maps and Satellite Imagery Analysis: Insights from Styria's Franciscean Cadastre. Forthcoming with Digital Humanities Quarterly in 03/2024.

2024: [accepted by IJDL, preprint available] GÖDERLE, Wolfgang (with David FLEISCHHACKER and Roman KERN): Improving OCR Quality in 19th Century Historical Documents Using a Combined Machine Learning Based Approach. Preprint: https://doi.org/10.48550/arXiv.2401.07787 

2024: [preprint] GÖDERLE, Wolfgang (mit Christian MACHER, Katrin MAUTHNER, Oliver PIMAS, Fabian RAMPETSREITER): AI-driven Structure Detection and Information Extraction from Historical Cadastral Maps (Early 19th Century Franciscean Cadastre in the Province of Styria) and Current High-resolution Satellite and Aerial Imagery for Remote Sensing. Preprint: https://doi.org/10.48550/arXiv.2312.07560