Diskrete globale Gittersysteme für die raum-zeitliche Aggregation und Visualisierung (fossgis2026)

Die raum-zeitliche Aggregation großer (Punkt-)Datenmengen für die kartografische Web-Visualisierung stellt eine Herausforderung dar, die auf unterschiedliche Weisen angegangen werden kann. Anhand zweier Praxisbeispiele – auf Datenbankebene in PostgreSQL und im Streamprozessor-Framework Apache Flink – wird die Verwendung von Ubers H3-Programmbibliothek für die hexagonale Aggregation in einem Discrete Global Grid System (DGGS) vorgestellt und diskutiert. Nahezu-Echtzeit-Daten, Zeitreihendaten und anderweitige raum-zeitliche Ereignisdaten unterliegen unabhängig ihres anvisierten Analysezwecks früher oder später häufig der Notwendigkeit einer kartografischen Darstellung. Ist eine Web-Visualisierung vorgesehen, so gestaltet sich die Datenaufbereitung als herausfordernde Aufgabe, denn eine prototypische quick-and-dirty Web-Darstellung im Browser – bspw. mit OpenLayers – stößt bei größeren Datenmengen schnell an ihre Performance-Grenzen. Je nach Anwendungsfall können die Rohdatenmengen riesig sein. Auch die Bereitstellung der Rohdaten über OGC-Web-Services skaliert schlecht mit zunehmender Datenmenge. An dieser Stelle wird eine Aggregation oder Generalisierung der Daten notwendig. Dafür eignen sich selbst-definierte Gitter, amtliche bzw. nationale Gittersysteme sowie Diskrete globale Gittersysteme (Discrete Global Grid Systems, DGGS) sehr gut. Einige Varianten wie das [geographische Gitter für Deutschland](https://gdz.bkg.bund.de/index.php/default/inspire/sonstige-inspire-themen/geographische-gitter-fur-deutschland-in-lambert-projektion-geogitter-inspire.html), [Ubers hexagonales Gittersystem H3](https://h3geo.org/) und [Googles hierarchisches Gittersystem S2](http://s2geometry.io/) werden im Vortrag kurz gegenübergestellt. Vielleicht werfen wir auch einen Blick auf die Arbeitsgruppe DGGS des OGC und auf den OGC-Standard [API – DGGS](https://www.ogc.org/de/standards/dggs/). Zwar bieten Web-Mapping-Frameworks wie OpenLayers bereits praktische Methoden wie [HexBin](https://viglino.github.io/ol-ext/doc/doc-pages/ol.source.HexBin.html) zur Erstellung eines Hexagon-Gitters für eine räumliche Aggregation von Quelldaten, aber dafür müssen alle Quelldaten zuerst in den Browser des Clients wandern, was erfahrungsgemäß schnell zu Performance-Problemen führt. Anhand zweier Projektbeispiele werden zielführendere Herangehensweisen vorgestellt, wie Zeitreihendaten effizient per Post-Processing auf Datenbankebene oder in Echtzeit bei der Streaming-Daten-Verarbeitung aggregiert werden können. Beispiel 1 aus dem mFUND-Projekt [ErlebensAtlas](https://www.dlr.de/de/ts/forschung-und-transfer/projekte/erlebensatlas) aggregiert Daten des Reiseerlebens von Nutzenden des ÖPNV in Hamburg und Berlin im Erfassungszeitraum 2025 zur Unterstützung von Entscheidungsprozessen der Mobilitätsbetreiber. Dafür wird die PostgreSQL-Erweiterung [h3-pg](https://github.com/zachasme/h3-pg) zur Aggregation im hexagonalen Gittersystem H3 verwendet. Beispiel 2 aus dem mFUND-Projekt [EDDY](https://www.dlr.de/de/ts/forschung-und-transfer/projekte/eddy) zeigt exemplarisch eine Aggregation von V2X-Kommunikationsdaten (Vehicle-to-Everything communication) in Echtzeit mit dem Streaming-Daten-Verarbeitungswerkzeug Apache Flink, wofür ebenfalls eine quelloffene [H3-Implementierung in Java](https://github.com/uber/h3-java) verfügbar ist. Finales Ziel in beiden Fällen ist immer eine performante Bereitstellung der aggregierten Ergebnisdaten über OGC-Web-Schnittstellen wie WMS/WFS oder API – Maps/API – Features. Auf diese Weise sind sie einfach austauschbar und flexibel in Analysewerkzeugen diverser Akteure nutzbar. Der Vortrag möchte eine möglichst generische Herangehensweise an die Gitter-Aggregation vorstellen, sodass die Übertragbarkeit dieser praktischen Methodik auf zahlreiche andere statistische Anwendungsfälle vermittelt wird. Vor allem Verkehrsdaten, Bewegungsdaten und Sensordaten lassen sich so mit geringem Aufwand elegant visualisieren und für weiterführende Analyseanwendungen aufbereiten. Licensed to the public under https://creativecommons.org/licenses/by/4.0/ about this event: https://pretalx.com/fossgis2026/talk/Q9MT9G/