Feed on

Humans rely on clean water for their health, well-being, and various socio-economic activities. During the past few years, the COVID-19 pandemic has been a constant reminder of about the importance of hygiene and sanitation for public health. The most common approach to securing clean water supplies for this purpose is via wastewater treatment. To date, an effective method of detecting wastewater treatment plants (WWTP) accurately and automatically via remote sensing is unavailable. Together with a team from the University of Heidelberg, HeiGIT, Chinese Academy of Sciences (CAS), Helmholtz-Zentrum Dresden-Rossendorf (HZDR), and Institute of Advanced Research in Artificial Intelligence (IARAI), we have recently published a scientific paper to tackle this challenge, which is now openly available in International Journal of Applied Earth Observation and Geoinformation.

In this paper, we provide a solution to this task by proposing a novel joint deep learning (JDL) method that consists of a fine-tuned object detection network and a multi-task residual attention network (RAN). By leveraging OpenStreetMap (OSM) and multimodal remote sensing (RS) data, our JDL method is able to simultaneously tackle two different tasks: land use land cover (LULC) and WWTP classification. Moreover, JDL exploits the complementary effects between these tasks for a performance gain. We train JDL using 4,187 WWTP features and 4,200 LULC samples and validate the performance of the proposed method over a selected area around Stuttgart with 723 WWTP features and 1,200 LULC samples to generate an LULC classification map and a WWTP detection map. Extensive experiments conducted with different comparative methods demonstrate the effectiveness and efficiency of our JDL method in automatic WWTP detection in comparison with single-modality/single-task or traditional survey methods. Moreover, lessons learned pave the way for future works to simultaneously and effectively address multiple large-scale mapping tasks (e.g., both mapping LULC and detecting WWTP) from multimodal RS data via deep learning.

In conclusion, the proposed method offers a promising solution of automatic WWTP detection by consuming freely available VGI data and multimodal RS data, which also shows great potential in business applications.

Li, H., Zech, J., Hong, D., Ghamisi, P., Schultz, M., Zipf, A. (2022) Leveraging OpenStreetMap and Multimodal Remote Sensing Data with Joint Deep Learning for Wastewater Treatment Plants Detection. International Journal of Applied Earth Observation and Geoinformation, Volume 110, June 2022, 102804, https://doi.org/10.1016/j.jag.2022.102804

Previous related work:

  • Li, H. J. Zech, C. Ludwig, S. Fendrich, A. Shapiro, M. Schultz, A. Zipf (2021): Automatic mapping of national surface water with OpenStreetMap and Sentinel-2 MSI data using deep learning.. International Journal of Applied Earth Observation and Geoinformation, Vol 104, 2021, 102571. https://doi.org/10.1016/j.jag.2021.102571.
  • Li, H.; Ghamisi, P.; Rasti, B.; Wu, Z.; Shapiro, A.; Schultz, M.; Zipf, A. A Multi-Sensor Fusion Framework Based on Coupled Residual Convolutional Neural Networks. Remote Sensing. 2020, 12, 2067. DOI: https://doi.org/10.3390/rs12122067
  • Li, H., Herfort, B., Huang, W., Zia, M., and Zipf, A. (2020): Exploration of OpenStreetMap Missing Built-up Areas using Twitter Hierarchical Clustering and Deep Learning in Mozambique. ISPRS Journal of Photogrammetry and Remote Sensing. https://doi.org/10.1016/j.isprsjprs.2020.05.007
  • Herfort, B., Li, H., Fendrich, S., Lautenbach, S., Zipf, A. (2019): Mapping Human Settlements with Higher Accuracy and Less Volunteer Efforts by Combining Crowdsourcing and Deep Learning. Remote Sensing 11(15), 1799. https://doi.org/10.3390/rs11151799
  • Y. Yan, M. Schultz & A. Zipf (2019): An exploratory analysis of usability of Flickr tags for land use/land cover attribution, Geo-spatial Information Science, DOI: 10.1080/10095020.2018.1560044
  • Schultz, M., Voss, J., Auer, M., Carter, S., and Zipf, A. (2017): Open land cover from OpenStreetMap and remote sensing. International Journal of Applied Earth Observation and Geoinformation, 63, pp. 206-213. DOI: 10.1016/j.jag.2017.07.014
  • Jokar Arsanjani, J., Helbich, M., Bakillah, M., Hagenauer, J., & Zipf, A. (2013). Toward mapping land-use patterns from volunteered geographic information. International Journal of Geographical Information Science, 2264-2278. DOI:10.1080/13658816.2013.800871.
  • Jokar Arsanjani, J., Mooney, P., Zipf, A., Schauss, A., (2015): Quality assessment of the contributed land use information from OpenStreetMap versus authoritative datasets. In: Jokar Arsanjani, J., Zipf, A., Mooney, P., Helbich, M., OpenStreetMap in GIScience: experiences, research, applications. ISBN:978-3-319-14279-1, PP. 37-58, Springer Press.

Hiermit möchte wir Sie herzlich zum HGG Vortrag von

Prof. Dr. Britta Klagge (Universität Bonn) zum Thema

“Erneuerbare Energien als Entwicklungschance? Deutschland und Kenia im Vergleich”

Der Vortrag findet am Dienstag (17.05.2022) um 19:15 Uhr im kleinen Hörsaal des KIPs (INF 227) der Universität Heidelberg statt.


Der zunehmende Einsatz erneuerbarer Energien geht mit einer grundlegenden Transformation bestehender Energiesysteme einher, die im deutschen Sprachraum unter dem Begriff Energiewende verhandelt wird. Die damit verbundenen Umstrukturierungen sind konflikthaft, bergen aber neben der Vermeidung von Treibhausgasemissionen auch Chancen für die wirtschaftliche und soziale Entwicklung.
Im Vortrag werden die mit erneuerbaren Energien einhergehenden Entwicklungschancen anhand von Beispielen aus Deutschland und Kenia vorgestellt und anschließend aus einer geographischen Perspektive vergleichend analysiert.

It is our great pleasure to inform about the new “Robert and Christine Danziger Scholarships“ 2022 for doing a PhD in Geoinformatics at Heidelberg University.

Please make yourself familiar with the research topics at GIScience Heidelberg and HeiGIT (e.g. projects, papers) when suggesting potential topics for your PhD research.

Short facts:

The Robert and Christine Danizger Scholarship is awarded to very good up-and-coming doctoral students from Africa (primarily from Ghana or another country in West and Central Africa) who are planning a doctorate at Heidelberg University in the fields of Geoinformatics (or Political Science) and who need help with funding their doctorate.

Learn more about everything you need to consider when applying, on this page.


  • The amount of the scholarship for doctoral students is 1,200 € per month.
  • The award period is generally 2 years. An extension is possible on request and if all requirements are met (academic performance, financial hardship, availability of funds) for an additional maximum period of 2 semesters.


You can apply for a scholarship from 1 May to 15 July, 202.

Please send your application documents by email to danziger_stipendium@uni-heidelberg.de.


Please submit the following application documents during the application period:

    • Signed application form
    • Current preformance records: University diploma that qualifies for a doctorate (original certificate) including the final grade as well as an official translation in German or English and if available, an official conversion of the diploma to the German grading system.
      If your university diploma is not available by the end of the application period, it is sufficient to submit a provisional certificate from the university confirming your academic performances, so far (ideally with a grade of all examinations, so far), that states that you expect to complete your course of study by the start of the semester following the application period. Please note that you have to submit your missing certificate by the start of the lecture period.
    • Curriculum vitae in table form
    • Letter of motivation with reference to the topic of the doctorate
    • Recommendation (letter of recommendation) for a doctorate from the possible doctoral supervisor (this must be received by the end of the application period)
    • Proof of citizenship
    • Evidence confirming your financial situation (money available each month, pay slip of the parents, own wage slips etc.)

Many years of friendship and cooperation connect us to Ghana and, more recently, to other parts of West and Central Africa as well. With the scholarship, we want to support talented young people from African countries wishing to come to Heidelberg University to start and successfully complete a Master’s degree or a doctorate. Where financial resources are limited, a scholarship can be crucial. Programs of study in the fields of Geography, Political Science and Sociology are particularly important to us.” – Christine and Robert Danziger

We do thank Christine and Robert Danziger cordially for this wonderful opportunity!

Hiermit möchte wir Sie herzlich zum HGG Vortrag von

Prof. Dr. Daniel Göler (Universität Bamberg):

“Großmacht Russland? Geographien der Transformation im Bereich der ehemaligen Sowjetunion”

Der Vortrag findet am Dienstag (10.05.2022) um 19:15 Uhr im kleinen Hörsaal des KIPs (INF 227) der Universität Heidelberg statt.


Mehr als 30 Jahre nach der Selbstauflösung der Sowjetunion sind die Argumentations- und Handlungsmuster der russischen Politik von deutlichen Rückgriffen auf längst vergangene Zeiten und Großmachtansprüche geprägt; der Angriff auf die Ukraine hat das einmal mehr deutlich gezeigt. Als These formuliert scheint es, dass Strukturen und Narrationen aus Sowjetzeiten im Russland der Gegenwart wesentlich präsenter und wirkmächtiger waren bzw. sind, als das in und außerhalb des Landes wahrgenommen wird. Vor diesem Hintergrund werden in dem Vortrag aus raumbezogener Perspektive politische, ökonomische und gesellschaftliche Transformationsgeographien, stets vor dem Hintergrund des Krieges in der Ukraine, analysiert und diskutiert.


Welcome back to our Region of the Month series. If you’re hearing about this format the first time you should definitely check out some of our older blog posts, e.g. this one on the tagged forests of different places in Canada or this first part of a street network analysis!

Since it’s May and getting warmer again, we decided to analyze some hiking related tags. Keep reading if you want to find out how we went about in this analysis!


First things first. As usual, we need some input boundary data for our request to the ohsome API. There are different options like giving coordinates for a boundary box manually or, using an input polygon with all the data, which is what we do here (in this blog post series) most of the time. We got our polygon data here.


The next step is to define filter conditions which can be used in a request to the ohsome API.

For a start it would most likely be helpful to look at tags with type:way and figure out which filter conditions would be best to only get actual hiking trails or pathsUnfortunately, as you will soon discover, things are not quite as simple as they may seem first.

In a first step, we wanted to filter some type:way hiking related tags. For this purpose, it should be defined what one would like to count as a hiking trail“. According the the Cambridge dictionary hiking is “the activity of going for long walks in the countryside“.

For dedicated hiking trails highway=path would be the preferred tag when taking the OpenStreetMap wiki into consideration. For dedicated hiking trails highway=path is be the preferred tag, but according to the OpenStreetMap wikisome further tags are also be used to map hiking related infrastructure.


filter=type:way and (highway in (path, track, footway) and not footway in (sidewalk, crossing))

endpoint/elements/length and /elements/length/density as countries of different sizes were used

Example for a request to the ohsome API:

curl --data-urlencode "bpolys@YourInputBoundary.geojson" \
--data-urlencode "filter=type:way and (highway in (path, track, footway) and not footway in (sidewalk, crossing))" \
--data-urlencode "time=2008-01-01/2022-04-01/P1Y" \
--data-urlencode "format=csv" \
-X POST https://api.ohsome.org/v1/elements/length \
-o YourOutputFile.csv

Data Exploration:

The first part of the analysis was on the increase in absolute values. For that, requests with the endpoint /elements/length were sent to the ohsome API.

In this first figure, the development of all countries considered is shown, and, as to be expected one can see a general increase for all regions. Another rather obvious circumstance displayed in the figure is the fact, that the absolute values of Australia are the highest. This is most likely because it is by far the largest country considered.  Costa Rica displays quite low absolute values of hiking related tags which should be at least in parts related to it being the smallest country. Croatia, Portugal and Australia show a pretty steady growth whilst Iceland and Costa Rica display a less intense gradient.

Because of their difference in size, especially when it comes to Australia, comparing the countries’ values proves rather difficult, which is why another set of requests were sent in order to get a relative value. For this, the endpoint /elements/length/density was used.

As we now have values which are in relation to each region’s size, we can go on and compare the developments easier. One thing that sticks out are the values of Australia, which, due to its size, had the highest absolute values but now happens to be the one with the smallest values. Portugal and Croatia however, are at the top now. Although Croatia displayed the highest values until 2015, Portugal surpassed it and has since been number one. Iceland and Costa Rica display quite low values in this case too, so besides the country size there might be other reasons (different tagging conventions, not as active mapping community, not as many dedicated trails …) that contribute to the given values. Still, both managed to surpass Australia!

Portugal and Croatia both have dedicated pages (PortugalCroatia) on hiking in the OSMwiki, which might be an indicator that related tags inherit a form of significance within the mapping of these regions, as the documentation is quite good, especially in the case of Portugal.

There seems to be no such thing for Iceland, however, its map feature-page links directly to the general map feature-page whilst giving insight on certain local tagging conventions. Australia appears to have particular conventions/definitions for the tags path and track given, too. Costa Rica does apparently not have a dedicated hiking-page, BUT the information that many tracks (in terms of roads) are unclassified.

To have another relative value with which we could compare the development of the countries, the percentage change of absolute length in km was calculated. For this, we took the absolute values of 2021-04-01 and 2022-04-01 and compared them.

Looking at the development of the last year can help examining the activity and estimating completeness of highway related tags in the different countries with communities which have existed for some time.

Iceland shows a rather low percentual change which could indicate that there are not many more hiking related opportunities in Iceland, or tagging them simply might not be a priority. Together with Croatia, Portugal and Australia the change values are below 10%. Croatia and Portugal, which have generally high values in comparison only display small changes. Alongside with Australia there are still small (but notable) changes.  The highest percentage change can be seen in Costa Rica. It has the strongest individual development at the moment whilst also being the country with a later start date of hiking related tags being mapped.

Due to its sheer size, Australia is definitely the Region of the Month with respect to absolute length development. However, when it comes to relative development of all countries with help of the density-values Portugal and Croatia win the title. Last but not least, Costa Rica clearly should get some credit for the enormous individual increase throughout the last year!

Thank you for reading this first part of our analysis on hiking related tracks, we hope you found it helpful. Stay tuned for part two!

Background info: the aim of the ohsome OpenStreetMap History Data Analytics Platform is to make OpenStreetMap’s full-history data more easily accessible for various kinds of OSM data analytics tasks, such as data quality analysis, on a regional, country-wide, or global scale. The ohsome API is one of its components, providing free and easy access to some of the functionalities of the ohsome platform via HTTP requests. Some intro can be found here:

Related Literature (usage examples of ohsome.org)

OpenStreetMap (OSM) has been intensively used to support humanitarian aid activities, especially in the Global South. Its data availability in the Global South has been greatly improved via recent humanitarian mapping campaigns. However, large rural areas are still incompletely mapped. The timely provision of map data is often essential for the work of humanitarian actors in the case of disaster preparation or disaster response. Therefore, it has become a vital challenge to boost the speed and efficiency of existing humanitarian mapping workflows. A team from the University of Heidelberg, HeiGIT and Oxford University has recently published a scientific paper that addressed this challenge.

Therein, we propoed a novel few-shot transfer learning (FSTL) method to improve the accuracy of OSM missing building detection. We trained two popular object detection models (i.e., Faster R-CNN and SSD) in a training area in Tanzania and transferred the model to target areas in Cameroon and Mozambique. The FSTL method significantly improved the base model performance even with only one training shot. Moreover, we successfully produced a grid-based OSM missing building map (DeepVGI) of 10m spatial resolution with over 96\% Overall Accuracy (ACC) and 0.85 Matthews Correlation Coefficient (MCC) in both Cameroon and Mozambique. Such maps show great potential to assess and estimate the overall completeness of OSM buildings to support humanitarian mapping activities, especially in places where other (e.g., buildings, roads) datasets are not available.

In conclusion, our approach shows that it is possible to facilitate and accelerate current humanitarian mapping workflows by efficiently reusing existing ML models via few-shot learning to accurately detect OSM missing buildings in rural sub-Saharan Africa Areas.

Li, H., Herfort, B., Lautenbach, S., Chen, J. & Zipf, A. (2022). Improving OpenStreetMap missing building detection using few-shot transfer learning in sub-Saharan Africa. Transactions in GIS, 00, 1 22. https://doi.org/10.1111/tgis.12941

Previous related work:

  • Herfort, B., Lautenbach, S., Porto de Albuquerque, J., Anderson, J., Zipf, A. (2021): The evolution of humanitarian mapping within the OpenStreetMap community. Scientific Reports 11, 3037 (2021).
  • Pisl, J., Li, H., Lautenbach, S., Herfort, B., and Zipf, A. (2021): Detecting OpenStreetMap missing buildings by transferring pre-trained deep neural networks, AGILE GIScience Ser., 2, 39, https://doi.org/10.5194/agile-giss-2-39-2021.
  • Geldsetzer, P.; Reinmuth, M.; O Ouma, P.; Lautenbach, S.; A Okiro, E.; Bärnighausen, T.; Zipf, A. (2020): Mapping physical access to health care for older adults in sub-Saharan Africa and implications for the COVID-19 response: a cross-sectional analysis The LANCET Healthy Longevity, Vol 1, Issue 1. https://doi.org/10.1016/S2666-7568(20)30010-6
  • Li, H., Herfort, B., Huang, W., Zia, M., and Zipf, A. (2020): Exploration of OpenStreetMap Missing Built-up Areas using Twitter Hierarchical Clustering and Deep Learning in Mozambique. ISPRS Journal of Photogrammetry and Remote Sensing. https://doi.org/10.1016/j.isprsjprs.2020.05.007
  • Herfort, B., Li, H., Fendrich, S., Lautenbach, S., Zipf, A. (2019): Mapping Human Settlements with Higher Accuracy and Less Volunteer Efforts by Combining Crowdsourcing and Deep Learning. Remote Sensing 11(15), 1799. https://doi.org/10.3390/rs11151799
  • Li, H., Herfort, B., Zipf, A. (2019): Estimating OpenStreetMap Missing Built-up Areas using Pre-trained Deep Neural Networks. Proceedings of the 22nd AGILE Conference on Geographic Information Science, Limassol, Cyprus.
  • Zipf, A, Chen, J. (2017): Humanitarian Mapping with Deep Learning and Volunteered Geographic Information. BIG 2017 (BigData Innovators Gathering). Perth. co-located with WWW2017.
  • Chen, J., Y. Zhou, A. Zipf and H. Fan (2018): Deep Learning from Multiple Crowds: A Case Study of Humanitarian Mapping. IEEE Transactions on Geoscience and Remote Sensing (TGRS). 1-10. https://doi.org/10.1109/TGRS.2018.2868748
  • Barron, C., Neis, P. & Zipf, A. (2013): A Comprehensive Framework for Intrinsic OpenStreetMap Quality Analysis. Transactions in GIS, DOI: 10.1111/tgis.12073.

General Overview:

  • Yan, Y., C. Feng, W. Huang, H. Fan, Y. Wang & A. Zipf (2020): Volunteered geographic information research in the first decade: a narrative review of selected journal articles in GIScience. International Journal of Geographical Information Science, DOI: 10.1080/13658816.2020.1730848
  • Degrossi L.C., J. Porto de Albuquerque, R. dos Santos Rocha, A. Zipf (2018): A taxonomy of quality assessment methods for volunteered and crowdsourced geographic information. Transactions in GIS (TGIS). Wiley. DOI:10.1111/tgis.12329.
  • Jokar Arsanjani, J., Zipf, A., Mooney, P., Helbich, M. (Eds.)(2015): OpenStreetMap in GIScience: Experiences, Research, and Applications. Series: Lecture Notes in Geoinformation and Cartography. 2015, VII, 373 p. Sringer Science. Heidelberg, Berlin. ISBN 978-3-319-14279-1

Anlässlich der Vorstellung der Citizen-Science-Strategie 2030 fand am 29. April im Botanischen Garten Berlin das Citizen-Science-Festival statt. An Marktständen stellten sich verschiedene Citizen-Science-Projekte vor. Mit dabei: das Team der UndercoverEisAgenten.

Dem Marktstand der UndercoverEisAgenten wurde reges Interessse entgegengebracht. Neben anschaulichen Materialien zum Thema Permafrost war auch eine der für den Einsatz in Kanada bestimmten Drohnen zu bestaunen. Zudem war der Prototyp einer vom HeiGIT entwickelten Webanwendung auszuprobieren. Mittels der Anwendung können Bürgerforschende kleine Kartierungsaufgaben („Micro-Tasks“) erledigen und damit einen wichtigen Beitrag zur Permafrost-Forschung leisten.

Die nächste Gelegenheit für ein Treffen mit dem Team der UndercoverEisAgenten gibt es beim Forum Citizen Science 2022 am 12. und 13. Mai auf dem Campus der Hochschule Bonn-Rhein-Sieg in Sankt Augustin.

Unterführungen, Treppen und hohe Bordsteinkanten sind für Menschen mit Gehbeeinträchtigungen eine große Herausforderung. Ein maßgeschneiderter Routenplaner kann aber ihre Mobilität erhöhen, indem er Wege mit möglichst wenigen Hindernissen berechnet. Dieses Beispiel zeigt, wie Geoinformationstechnologie und Geoinformatik speziellen Gruppen in der Gesellschaft ganz konkret helfen. HeiGIT, das Heidelberg Institute for Geoinformation Technology, entwickelt nicht nur passgenaue Routenplaner, sondern unterstützt mit Daten der Geoinformation auch die Arbeit von Hilfsorganisationen – etwa um Ersthelfern nach einem Erdbeben oder einer Überschwemmung einen schnellen räumlichen Überblick über die betroffenen Gebiete und mögliche Einsatzwege zu geben.

Angepasste Wegführung (in rot) bedingt durch die Überschwemmungen im Ahrtal. Bild: HeiGIT

Dazu werden Geodaten aus sehr großen und heterogenen Datenquellen, vom Satellitenbild bis hin zu Social Media-Daten, erfasst und verarbeitet. Die Hilfsorganisationen erhalten so zeitnah digitale Karten, um im Katastrophenfall den Einsatz koordinieren zu können.

Das 2019 gegründete Institut, dessen Aufbau bereits 2016 begann, ist als Kooperationspartner auch personell eng mit der Universität Heidelberg verbunden und wird von der Klaus Tschira Stiftung getragen. Nun hat die Stiftung ihre Förderung verlängert und noch deutlich ausgeweitet. „Wir sind von der erstklassigen, wichtigen Arbeit von HeiGIT überzeugt und möchten dem Institut den notwendigen Rückhalt geben, qualitativ auf hohem Niveau zu forschen und weitere nützliche Anwendungen zum Wohle der Gesellschaft zu entwickeln“, sagt Carsten Könneker, Geschäftsführer der Klaus Tschira Stiftung.

Die mehr als 20 Mitarbeiterinnen und Mitarbeiter am HeiGIT forschen und entwickeln derzeit in drei Kernbereichen: der intelligenten, maßgeschneiderten Mobilität, der Nutzung von Geodaten für die humanitäre Hilfe sowie der Künstlichen Intelligenz zur Analyse, Verarbeitung und Visualisierung von Geodaten. Alle drei Bereiche vereint das übergeordnete Ziel, für jeden frei verfügbare räumliche Daten mit Hilfe ausgefeilter Geoinformationstechnologie so aufzubereiten, dass gesellschaftlicher Nutzen daraus entsteht. „Das HeiGIT hat beachtenswerte Forschungsergebnisse vorzuweisen und ist ein wichtiger Inkubator für technologische Innovationen aus dem Bereich der Geoinformatik am Wissenschaftsstandort Heidelberg geworden“, sagt Bernhard Eitel, Rektor der Universität Heidelberg.

Eine besondere Errungenschaft des HeiGIT ist ein weltweit einmaliges Open-Source-Software-Paket, das die Daten von OpenStreetMap, einer frei verfügbaren und editierbaren Karte, hinsichtlich der Nutzbarkeit und Güte analysiert. „Fehlende Geodaten oder solche mit mangelhafter oder fragwürdiger Qualität sind ein Problem für Hilfsorganisationen bei humanitären Einsätzen, insbesondere im globalen Süden“, sagt Alexander Zipf, Professor für Geoinformatik am Geographischen Institut der Universität Heidelberg und Geschäftsführer des HeiGIT. Mit Hilfe der Neuentwicklung können auch alle historischen Kartierungen nachvollzogen und geprüft werden. Die Qualität und damit auch die Nutzbarkeit der Daten wird dadurch gesichert und ist vor allem bei Hilfseinsätzen in wenig erschlossenen Gebieten von höchster Wichtigkeit. Aber nicht nur die Güte der Daten wird überprüft, sondern verschiedene Schnittstellen sorgen dafür, dass die Daten kompatibel für Web-Anwendungen oder andere geographische Auswertungs-Programme sind.

Karten- und Routinganwendung, die den Zugang zu medizinischer Versorgung zeigt. Bild: HeiGIT

Das Institut agiert auch international und hat zudem einige Kooperationen mit außeruniversitären Partnern (z. B. Deutsches Rotes Kreuz, Missing Maps) geschlossen. Zwei Grundsätze ziehen sich außerdem wie ein roter Faden durch die vielen Projekte des HeiGIT: die Open-Source-Programmierung sowie der Citizen-Science-Ansatz. Denn bei vielen Projekten können auch Laien mitmachen. Ein Beispiel ist die vom HeiGIT mitentwickelte App „MapSwipe“ (MapSwipe.org), mit der jede und jeder mithelfen kann, noch vorhandene Lücken in Karten zu schließen. Die Aufgabe ist simpel: Auf Satellitenbildern sollen Nutzerinnen und Nutzer Gebäude oder Verkehrswege markieren. Die so gewonnenen Daten dienen wiederum den Experten zur Verbesserung der Kartenbasis. Hilfsorganisationen wie Ärzte ohne Grenzen oder das Rote Kreuz nutzen die App bereits und helfen so mit, dass die im Katastrophenfall dringend benötigten digitalen Karten bereitstehen.


HeiGIT gGmbH (Heidelberg Institute for Geoinformation Technology)
Prof. Dr. Alexander Zipf
E-Mail: alexander.zipf@heigit.org

Klaus Tschira Stiftung gGmbH
Dr. Michelle Wabnitz
Tel. 06221 533 161
E-Mail: michelle.wabnitz@klaus-tschira-stiftung.de

A new data article on “A high-resolution 4D terrestrial laser scan dataset of the Kijkduin beach-dune system, The Netherlands” was just published in Scientific Data. Along with the fully openly available dataset, the article presents insights into the importance of frequent and spatially detailed surface measurements - and what to do with them.

Get directly to the open access article:

Vos, S., Anders, K., Kuschnerus, M., Lindenbergh, R., Höfle, B., Aarninkhof, S., & de Vries, S. (2022). A high-resolution 4D terrestrial laser scan dataset of the Kijkduin beach-dune system, The Netherlands. Scientific Data, 9 (1), pp. 191. doi: 10.1038/s41597-022-01291-9.

Looking for the data? Here the link to the data repository:

Vos, S., Anders, K., Kuschnerus, M., Lindenbergh, R., Höfle, B., Aarninkhof, S., & de Vries, S. (2021). A six month high resolution 4D geospatial stationiary laser scan dataset of the Kijkduin beach dune system, The Netherlands. PANGAEA. doi: 10.1594/PANGAEA.934058.

Further info on methods to analyze the data is available here: https://www.uni-heidelberg.de/4dobc

The article is a result of ongoing collaboration of the 3DGeo research group with colleagues from Coastal Engineering and Geoscience and Remote Sensing at TU Delft. By the way, other sites are already being monitored by near-continuous laser scanning, check out the CoastScan project: https://coastscan.citg.tudelft.nl/

Die 3DGeo Forschungsgruppe (https://uni-heidelberg.de/3dgeo) der Abteilung Geoinformatik an der Universität Heidelberg sucht eine qualifizierte und motivierte Person für ein Praktikum als Scientific Software Developer*in (w/m/d) für einen Zeitraum von 3 bis 6 Monaten als stud./wiss. Hilfskraft. Im Anschluss besteht generell die Möglichkeit der Verlängerung oder die Bewerbung auf eine Stelle als wiss. Mitarbeiter*in (w/m/d). Die 3DGeo-Forschung konzentriert sich auf die Entwicklung von Methoden der Geoinformatik und Open-Source-Software zur Analyse von 3D/4D-Punktwolken (z. B. aus Laserscanning, Photogrammetrie) für eine Vielzahl von geographischen Zielstellungen (z. B. Naturgefahren, Klimawandel, Forst- und Landwirtschaft).


  • Softwareentwicklung im Bereich wissenschaftlicher Open-Source-Projekte
  • Aktive Mitarbeit in der Konzeption und Implementierung neuer Funktionalität und Features in mind. einem 3DGeo Open-Source-Projekt (z.B. HELIOS++, py4dgeo, pytreedb) oder in einem laufenden Forschungsprojekt (z. B. DFG-Projekt VirtuaLearn3D)
  • Dokumentation und Erstellung von Lern- und Anwendungsbeispielen für die Community


  • Sehr gute Kenntnisse in Python und Jupyter Notebooks (zwingend erforderlich
  • Kenntnisse mit der Nutzung und Entwicklung auf GitLab/GitHub (erforderlich)
  • Sehr gute Kenntnisse in C++ (wünschenswert, nicht erforderlich)
  • Interesse an 3D-Punktwolken und geographischen Fragestellungen
  • Hohe Motivation, Selbstständigkeit und Spaß mit der Programmierung in Open-Source-Projekten

Wir bieten:

  • Praktikum mit engagierter Betreuung, hohem Lerneffekt und Einbindung in einem internationalen Team
  • Umfang von max. 80 h Vergütung pro Monat als stud./wiss. Hilfskraft. Es gelten die Stundensätze der Univ. Heidelberg, abhängig vom vorliegenden Studienabschluss
  • Möglichkeit von Remote / Home Office (Anwesenheit in Heidelberg wünschenswert)
  • Kooperation mit einem internationalen Development Team und dem Scientific Software Center (SSC) der Universität Heidelberg

Bewerbungen mit den üblichen Unterlagen (Lebenslauf, Zeugnisse, Motivationsschreiben mit max. 1 A4-Seite, Nachweise der Erfüllung der Voraussetzungen z. B. Links zu eigenem Code) sind bis zum 31.05.2022 in einer PDF-Datei zu senden an: Prof. Dr. Bernhard Höfle

Die Universität Heidelberg steht für Chancengleichheit und Diversität. Wir bitten qualifizierte Frauen nachdrücklich um ihre Bewerbung. Schwerbehinderte werden bei gleicher Eignung vorrangig berücksichtigt. Informationen zu Stellenausschreibungen und zum Datenschutz finden Sie unter www.uni-heidelberg.de/stellenmarkt.

PDF dieser Ausschreibung: https://www.uni-heidelberg.de/md/chemgeo/geog/3dgeo/2022-04_intern_scientific_software_development_3dgeo.pdf

Older Posts »