Räumliches Modellieren

Question 1

Räumliche Modelle

Answer 1

Teilaspekte der Realität. Es werden Abläufe und Prozesse beschrieben. Nicht verwechseln darf man diese Modelle mit den Datenmodellen!
Räumliche Modelle nützen räumliche Daten.
Anforderungen:
- Die Variation des Prozesses über Raum und Zeit wird gehandhabt.
- Die Ergebnisse eines Modells unterscheiden sich je nach räumlicher Lage.

Question 2

Detaillierungsgrad

Answer 2

• Auflösung der Attribute: Welche Variationen von Attributen wird als Messunsicherheit ignoriert
• räumliche Auflösung: Kleinste darstellbare Längenänderung
• zeitliche Auflösung: Kleinstes gemessenes zeitliches Intervall

Question 3

Zweck der Modellierung

Answer 3

Was wäre wenn-Szenarios:
Abschätzung, welche Auswirkung eine bestimmte Entscheidung hat .

Dynamische Simulationen:
Analyse und Visualisierung komplexer Systeme

Question 4

Statische Modelle

Answer 4

Zeitpunkt, Verwendung von Eingangsdaten, um komplexe Zusammenhänge zu modellieren.
Kombinieren mehrere Analysefunktionen basierend auf einer größeren Anzahl an räumlichen Daten.

Question 5

Dynamische Modelle

Answer 5

Dynamische Modelle bilden Prozesse ab. Je nach verwendeter Datenmodellierung unterschieden man zwischen

• individuellen Modellen
• zellulären Automaten

Question 6

Individuelle Modelle

Answer 6

Einzelnen Individuen und ihr Aktionen/Reaktionen modelliert. --> Agentenbasierten Modellen
Anwendungsgebiete:
- Navigation von Menschen
- Bewegungsmuster von Tieren
- Bewirtschaftung von Land 

Es ist möglich Ströme an sich zu modellieren (bei großen Menschenansammlungen) –> aggregierte Modelle

Question 7

Zelluläre Automaten

Answer 7

Raster- basierte Modelle, also Felder! Jede Zelle kann dabei eine Reihe von Zuständen haben, die sich mit der Zeit verändern. Die Änderungen der Zustände werden durch Regelwerke beschrieben. Benutzt werden dabei
- der eigene Zustand
- der Zustand der Nachbarschaft
Typische Anwendungen sind die Modellierung der Landnutzung, Umwelt, Besiedelung.

Question 8

Zelluläre Automaten - Funktionsweise

Answer 8

Basierend auf Ausgangsdaten werden Regeln samt Ausschlussgebieten definiert. Dann schrittweise Modellierung ausgehend von den historischen Daten bis in die Zukunft,
“Game of life”

Question 9

Validierung von Modellen

Answer 9

Modelle sind immer eine Vereinfachung!
- Kalibrierung: Die Modelle müssen mit realen Daten angereichert werden. Regeln sollten aus diesen Daten abgeleitet werden können.
- Kreuzvalidierung: Ein kleiner Teil der Daten wird bei der Modellbildung nicht verwendet- diese Daten müssen dann vom Modell “vorhergesagt” werden. Die Abweichungen zwischen Vorhersage und Messung sind ein Maß für die Güte des Modells.
Unterscheidung zwischen
- Unsicherheit der Ausgangsdaten
- Ungenauigkeit des Modells

Question 10

Fehler

Answer 10

Die Unsicherheit der Genauigkeit der Ausgangsdaten wirkt sich auf das Ergebnis aus. Das Konzept wird Fehlerfortpflanzung oder Unsicherheitsfortpflanzung genannt. Bei komplexen Berechnungen wird oft auch nur eine Sensitivitätsanalyse durchgeführt.
Die Ungenauigkeit der Daten wird meist durch die Ergebnisse der Kreuzvalidierung beschrieben.