Alle lieben sie: Diese schönen bunten Karten, auf denen etwa für jeden deutschen Kreis oder jede Gemeinde eine wichtige Größe wie die Arbeitslosigkeit oder das Einkommen durch eine entsprechende Farbe dargestellt wird. (Hier nur
eins von sehr vielen Beispielen.)
Solche "thematischen Karten" sind inzwischen allgegenwärtig. Aber stellen Sie die Realität richtig da? Wie schafft man es, gleichzeitig räumliche Zusammenhänge sichtbar zu machen, und auch bestimmte räumliche Muster wie lokale Extremwerte oder Hot Spots nach der Klassifikation bewahren zu können? Dies Aufgabe scheint oft eine Quadratur des Kreises.
Um die Karten zu färben, müssen die zugrunde liegenden Daten in Wertegruppen eingeteilt werden. Jede Gruppe (oder "Klasse") entspricht einer Farbe auf der Karte. Oft versucht man, die Datenklassifikation so zu wählen, dass man mit möglichst wenigen Farben zur Darstellung auskommt bzw. größere Kontraste für eine bessere Wahrnehmung erzielt.
Da es aber weder eine Standard-, noch „die“ richtige Methode hierfür gibt, ist die Datenklassifikation ein Bearbeitungsschritt, der sehr häufig zur ungewollten Verfälschung oder gar beabsichtigten Manipulation beiträgt.
Im ersten Teil der Sitzung werden solche Effekte anhand zahlreicher Beispiele aufgezeigt. Ferner werden
neue Verfahren vorgestellt, die auch räumliche Zusammenhänge beachten und daher auch bestimmte räumliche Muster wie lokale Extremwerte oder Hot Spots nach der Klassifikation bewahren können.
Achtung: Journalistische Beispiele gesucht!Im zweiten Teil werden Beispiele und Fragen von Teilnehmern behandelt. Hierfür können vorab (bis zum 2. September 2019) Datensätze (einfache Tabellen, oder noch besser: Shape- oder GeoJSON-Files mit den zu gruppierenden Attributen) an
jochen.schiewe@hcu-hamburg.de gesendet werden.