Advertisement

GeoVisual Analytics

  • Doris DranschEmail author
  • Mike Sips
  • Andrea Unger
Chapter
Part of the Springer Reference Naturwissenschaften book series (SRN)

Zusammenfassung

Visual Analytics hat das Ziel, leistungsfähige Werkzeuge für die Analyse und Interpretation von Daten bereitzustellen. Die Werkzeuge sollen die Nutzer dabei unterstützen, Daten besser zu verstehen und neue Erkenntnisse aus den Daten zu gewinnen. Visual Analytics Werkzeuge verwenden Methoden der interaktiven Visualisierung und der automatisierten Datenanalyse. Sie nutzen damit die Fähigkeit des Menschen, intuitiv und schnell visuelle Informationen zu erfassen, sowie das Potential des Computers, komplexe Datenanalysen durchzuführen und interaktive Visualisierung zu ermöglichen. Das Forschungsfeld GeoVisual Analytics untersucht, wie die allgemeinen Konzepte von Visual Analytics für die Analyse und Interpretation raumzeitlicher Daten genutzt werden können.

Schlüsselwörter

Visual Analytics GeoVisual Analytics Interaktive Visualisierung Visual thinking Explorative Datenanalyse Automatisierte Datenanalyse Nutzerorientierte Entwicklung von Visual Analytics Werkzeugen 

Literatur

  1. 1.
    Tukey, J.W.: Exploratory data analysis. Addison-Wesley, Reading (1977)Google Scholar
  2. 2.
    Kosslyn, S.M.: Image and mind. Harvard University Press, Cambridge (1980)Google Scholar
  3. 3.
    Rockle, A.: Image and reality. In: Rocke, A.J. (Hrsg.) Kekulé, Kopp, The Scientific Imagination, S. xxvi + 375 ff. University of Chicago Press, Chicago (2010)CrossRefGoogle Scholar
  4. 4.
    Kaptelinin, V.: Computer-mediated activity: functional organs in social and developmental contexts. In: Nardi, B.A. (Hrsg.) Context and Conciousness: Activity Theory and Human-Computer Interaction, S. 46–68. MIT, Cambridge (1996)Google Scholar
  5. 5.
    Kaptelinin, V.: Activity theory: implications for human-computer interaction. In: Nardi, B.A. (Hrsg.) Context and Conciousness: Activity Theory and Human-Computer Interaction, S. 103–116. MIT, Cambridge (1996)Google Scholar
  6. 6.
    Norman, D.A.: Things that make us smart: Defending human attributes in the age of the machine. Perseus Books/Basic Books, Reading (1993)Google Scholar
  7. 7.
    Card, S.K., Mackinlay, J.K., Shneiderman, B.: Readings in information visualization: Using vision to think. Morgan Kaufmann, San Diego (1999)Google Scholar
  8. 8.
    Johnson-Laird, P.: Mental models. Harvard University Press, Cambridge (1983, Reprint)Google Scholar
  9. 9.
    Downs, R.M., Stea D.: Kognitive Karten. Die Welt in unseren Köpfen. Harper & Row. UTB, New York (1982)Google Scholar
  10. 10.
    Norman, D.A.: Cognitive engineering. In: Norman, A.D., Draper, S.W., (Hrsg.) User Centered System Design. New Perspectives on Human-Computer Interaction, S. 31–61. Lawrence Erlbaum, Hillsdale (1986)CrossRefGoogle Scholar
  11. 11.
    Wehrend, S., Lewis, C.: A problem-oriented classification of visualization techniques. In: IEEE Proceedings of the First IEEE Conference on Visualization: Visualization’90, San Francisco, S. 139–143. IEEE (1990)Google Scholar
  12. 12.
    Casner, S.: A task-analytic approach to the automated design of graphic presentations. ACM Trans. Graph. 10(2), 111–151 (1991)CrossRefGoogle Scholar
  13. 13.
    Knapp, L.: A task analysis approach to the visualization of geographic data. In: Nyerges, T.L. et al. (Hrsg.) Cognitive Aspects of Human-Computer Interaction for Geographic Information Systems, S. 355–371. Kluwer Academic, Dordrecht/Boston (1995)CrossRefGoogle Scholar
  14. 14.
    Thomas, J.J., Cook, K.A. (Hrsg.): Illuminating the path: The research and development agenda for visual analytics, 1. Aufl. IEEE, Los Alamitos (2005)Google Scholar
  15. 15.
    Keim, D.A., Mansmann, F., Schneidewind, J., Ziegler, H.: Challenges in visual data analysis. In: Proceedings of Information Visualization (IV 2006), Baltimore, S. 9–16. IEEE (2006)Google Scholar
  16. 16.
    DiBiase, D.: Visualization in the earth sciences. Earth Miner. Sci. 59(2), 13–18 (1990)Google Scholar
  17. 17.
    Peterson, M.P.: Interactive and animated cartography. Prentice Hall, Englewood Cliffs (1995)Google Scholar
  18. 18.
    MacEachren, A.M.: How maps work: Representation, visualization, and design. Paperback Edition 2004. The Guilford Press, New York (1995)Google Scholar
  19. 19.
    MacEachren, A.M., Kraak, M.-J.: Research challenges in geovisualization. Cartogr. Geogr. Inf. Sci. 28(1), 3–12 (2001)CrossRefGoogle Scholar
  20. 20.
    Andrienko, G., Andrienko, N., Demsar, U., Dransch, D., Fabrikant, S., Jern, M., Kraak, M.-J., Schumann, H., Tominski, C.: Space, time and visual analytics. Int. J. Geogr. Inf. Sci. 24(10), 1577–1600 (2010)CrossRefGoogle Scholar
  21. 21.
    Andrienko, N., Andrienko, G.: Exploratory analysis of spatial and temporal data: A systematic approach. Springer, Berlin (2006)Google Scholar
  22. 22.
    Wang, N., Biggs, T., Skupin, A.: Visualizing gridded time series data with self-organizing maps: an application to multi-year snow dynamics in the northern hemisphere. Comput. Environ. Urban Syst. 39, 107–120 (2013)CrossRefGoogle Scholar
  23. 23.
    Guo, D., Gahegan, M., MacEachren, A.M., et al.: Multivariate analysis and eovisualization with an integrated geographic knowledge discovery approach. Cartogr. Geogr. Inf. Sci. 32(2), 113–132 (2005)CrossRefGoogle Scholar
  24. 24.
    Köthur, P., Sips, M., Unger, A., Kuhlmann, J., Dransch, D.: Interactive visual summaries for detection and assessment of spatiotemporal patterns in geospatial time series. Inf. Vis. 13(3), 283–298 (2014)CrossRefGoogle Scholar
  25. 25.
    Dykes, J., MacEachren, A.M., Kraak, M.-J. (Hrsg.): Exploring geovisualization. Elsevier, Amsterdam (2005)Google Scholar
  26. 26.
    Fuhrmann, S., Pike, W.: User-centered design of collaborative geovisualization tools. In: Dykes, J., MacEachren, A.M., Kraak, M.-J. (Hrsg.) Exploring geovisualization, S. 501–610. Elsevier, Amsterdam (2005)Google Scholar
  27. 27.
    Dransch, D.: Handlungsorientierte Mensch-Computer-Interaktion für die kartographische Informationsverarbeitung in Geo-Informationssystemen. Berliner geowissenschaftliche Abhandlungen, Reihe C: Kartographie. Selbstverlag Fachbereich Geowissenschaften – Freie Universität Berlin, Berlin (2002)Google Scholar
  28. 28.
    Card, S., Moran, T., Newell, A.: The Psychology of human computer interaction. Lawrence Erlbaum Associatles, Hillsdale (1983)Google Scholar
  29. 29.
    Aebli, H.: Denken: Das Ordnen des Tuns. Band I: Kognitive Aspekte der Handlungstheorie. Klett-Cotta, Stuttgart (1980)Google Scholar
  30. 30.
    Dörner, D.: Kognitive Prozesse und die Organisation des Handelns. In: Hacker, W., Voplert, M., Cranach, M., (Hrsg.) Kognitive und motivationale Aspekte der Handlung (1983)Google Scholar
  31. 31.
    Dransch, D., Köthur, P., Schulte, S., et al.: Assessing the quality of geoscientific simulation models with visual analytics methods - a design study. Int. J. Geogr. Inf. Sci. 24(10), 1459–1479 (2010)CrossRefGoogle Scholar
  32. 32.
    Preim, B.D., Dachselt, R.: Interaktive Systeme, Band 1: Grundlagen, Graphical User Interfaces, Informationsvisualisierung. Springer, Heidelberg (2010)CrossRefGoogle Scholar
  33. 33.
    Clark, R.E., Feldon, D., Van Merrienboer, J.J.G., Yates, K., Early, S.: Cognitive task analysis. In: Spector, J.M., Merrill, M.D., van Merrienboer, J.J.G., Driscoll, M.P. (Hrsg.) Handbook of Research on Educational Communications and Technology, 3. Aufl. Lawrence Erlbaum Associates, Mahwah (2008)Google Scholar
  34. 34.
    Jonassen, D.H., Tessmer, M., Hannum, W.H.: Task analysis methods for instructional design. Lawrence Erlbaum Associates, Mahwah (1999)Google Scholar
  35. 35.
    Unger, A., Schulte, S., Klemann, V., Dransch, D.: A visual analytics concept for the validation of geoscientific simulation models. IEEE Trans. Visualiz. Comput. Graph. 18(12), 2216–2225 (2012)CrossRefGoogle Scholar
  36. 36.
    Schumann, H., Müller, W.: Visualisierung. Grundlagen und allgemeine Methoden. Springer, Berlin (2000)CrossRefGoogle Scholar
  37. 37.
    Spence, R.: Information visualization: An introduction. Springer International Publishing, Cham (2014)Google Scholar
  38. 38.
    Bertin, J.: Graphische Semiologie: Diagramme, Netze, Karten. Walter de Gruyter, Berlin (1974)CrossRefGoogle Scholar
  39. 39.
    Hake, G., Grünreich, D., Meng, L.: Kartographie. Visualisierung raum-zeitlicher Information. Walter De Gruyter, Berlin (2002)Google Scholar
  40. 40.
    Slocum, T.A., McMaster, R.B., Kessler, F.C., Howard, H.H.: Thematic Cartography and Geographical Visualization. Prentice Hall, Upper Saddle River (2009)Google Scholar
  41. 41.
    Chen, M., Kaufman A.E., Yagel, R. (Hrsg.): Volume graphics. Springer, London/New York (2000)Google Scholar
  42. 42.
    Engel, K., Hadwiger, M., Kniss, J., Rezk-Salama, Ch., Weiskopf, D. (Hrsg.): Real-time volume graphics. A K Peters, Wellesley (2006)Google Scholar
  43. 43.
    Aigner, W., Miksch, S., Schumann, H., Tominski, C.: Visualization of time-oriented data. human-computer interaction series. Springer, Berlin (2011)Google Scholar
  44. 44.
    Han, H., Kamber, M., Pei, J.: Data Mining: Concepts and techniques. Morgan Kaufmann Series in Data Management Systems, 3. überarb. Aufl. Elsevier, Oxford (2011)Google Scholar
  45. 45.
    Quinlan, J.R.: Induction of decision trees. Machine Learning, Bd. 1(1). Kluwer Academic, Boston (1986)Google Scholar
  46. 46.
    Quinlan, J.R.: Programs for machine learning. Morgan Kaufmann Series in Machine Learning. Morgan Kaufmann, San Mateo (1993)Google Scholar
  47. 47.
    Bishop, C.: Pattern recognition and machine learning. Springer series in information science and statistic. Springer, New York (2007)Google Scholar
  48. 48.
    Vapnik, V.: The nature of statistical learning theory. Springer series in information science and statistics. Springer, New York (1999)Google Scholar
  49. 49.
    Ester, M., Sander, J.: Knowledge discovery in databases. Techniken und Anwendungen. Springer, Berlin/New York (2000)CrossRefGoogle Scholar
  50. 50.
    MacQueen, J.: Some methods for classification and analysis of multivariate observations. In: 5th Berkely Symposium on Mathematical Statistics and Probability, S. 281–297. University of California Press, Berkeley und Los Angeles (1967)Google Scholar
  51. 51.
    Jain, A.K., Dubes, R.C.: Algorithms for clustering data. Prentice hall advanced reference series: Computer science. Prentice Hall, Englewood Cliffs (1988)Google Scholar
  52. 52.
    Ester, M., Kriegel, H.-P., Sander, J., Xu, X.: A density-based algorithm for discovering clusters in large spatial databases with noise. In: ACM Internation Conference on Knowledge Discovery and Data Mining (KDD’96). AAAI Press, Menlo Park (1996)Google Scholar
  53. 53.
    Agrawal, R., Srikant, R.: Fast algorithms for mining association rules. In: ACM International Conference on Management of Data (SIGMOD’94). ACM, New York (1994)Google Scholar
  54. 54.
    Gray, J., Chaudhuri, S., Bosworth, A., Layman, A., Reichart, D., Venkatrao, M., Pellow, F., Pirahesh, H.: Data cube: a relational aggregation operator generalizing group-by, cross-tab, and sub-totals. Data Min. Knowl. Discov. 1(1), 29–53. Kluwer Academic Publishers (1997)Google Scholar
  55. 55.
    Köthur, P., Sips, M., Dobslaw, H., Dransch, D.: Visual analytics for comparison of ocean model output with reference data: detecting and analyzing geophysical processes using clustering ensembles. IEEE Trans. Vis. Comput. Graph. 20(12), 1893–1902 (2014)CrossRefGoogle Scholar
  56. 56.
    Köthur, P., Witt, C., Sips, M., Marwan, N., Schinkel, S., Dransch, D.: Visual analytics for correlation-based comparison of time series ensembles. Comput. Graph. Forum 34(3), 411–420 (2015, im Druck)Google Scholar
  57. 57.
    Andrienko, G., Andrienko, N., Bak, P., Keim, D., Wrobel, S.: Visual analytics of movement. Springer, Berlin (2013)CrossRefGoogle Scholar
  58. 58.
    Luo, W., MacEachren, A.: Geo-social visual analytics. J. Spat. Inf. Sci. 8, 27–66 (2014)Google Scholar
  59. 59.
    Tomaszewski, B., Mac Eachren, A.: Geovisual analytics to support crisis management: information foraging for geo-historical context. Inf. Vis. 11(4), 339–359 (2012)CrossRefGoogle Scholar
  60. 60.
    Ardhuin, F., Stutzmann, E., Schimmel, M., Mangeney, A.: Ocean wave sources of seismic noise. J. Geophys. Res. 116, 2156–2202 (2011). https://doi.org/10.1029/2011JC006952 CrossRefGoogle Scholar
  61. 61.
    Wahr, J., Molenaar, M., Bryan, F.: Time variability of the Earth’s gravity field: hydrological and oceanic effects and their possible detection using GRACE. J. Geophys. Res. Solid Earth 103(B12), 30205–30229 (1998). https://doi.org/10.1029/98JB02844 CrossRefGoogle Scholar
  62. 62.
    Gray, J.: Jim Gray on eScience: a transformed scientific method. In: Hey, T., Tansley, S., Tolle, K. (Hrsg.) The Fourth Paradigm: Data-Intensive Scientific Discovery, S. xvii–xxxi. Microsoft Research, Redmond (2009)Google Scholar

Copyright information

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Sektion GeoinformatikDeutsches GeoForschungsZentrum – GFZPotsdamDeutschland
  2. 2.Deutsches GeoForschungsZentrum GFZPotsdamDeutschland

Personalised recommendations