Die vorliegende Seminararbeit befasst sich mit dem Thema „Spatial Data-Mining und Epidemien“ (SDM). Das SDM ist eine Ausprägungsart des Data-Mining (DM). Es verknüpft räumliche Daten mit dem herkömmlichen Prozess der Wissensgewinnung (DM) aus Datenbanken. Das SDM ist hierbei lediglich ein Teilprozess der Wissensentdeckung in Datenbanken.
Daher wird im Rahmen dieser Arbeit das Data-Mining an sich erläutert. Es wird ein Überblick über Geographische Informationssysteme gegeben und das „Spatial Data-Mining“, die dabei verwendeten Techniken sowie die betreffenden Anwendungsgebiete behandelt. Ein Anwendungsgebiet des SDM – die Epidemie-Forschung – wird detaillierter betrachtet und abschließend ein Fazit gezogen werden.
Inhaltsverzeichnis
1 EINLEITUNG
2 DATA-MINING / KNOWLEDGE DISCOVERY IN DATABASES
3 GEOGRAPHISCHE INFORMATIONSSYSTEME
3.1 GIS-Software
3.2 Datentypen
4 SPATIAL DATA-MINING
4.1 Methoden und Techniken
4.1.1 Spatial Clustering
4.1.2 Räumliche Klassifikation
4.1.3 Räumliche Assoziationsanalyse
4.1.4 Spezielle SDM-Methoden
4.2 Anwendungsgebiete
5 SPATIAL DATA-MINING UND EPIDEMIEN
6 FAZIT
Zielsetzung & Themen der Arbeit
Das primäre Ziel dieser Arbeit besteht darin, das Konzept des „Spatial Data-Mining“ (SDM) als spezialisierte Ausprägungsform der Wissensentdeckung in Datenbanken zu erläutern und dessen Relevanz sowie praktische Anwendbarkeit, insbesondere im Kontext der Epidemie-Forschung, aufzuzeigen.
- Grundlagen des Data-Mining und Knowledge Discovery in Databases (KDD)
- Funktionsweise und Komponenten Geographischer Informationssysteme (GIS)
- Verknüpfung von Data-Mining und GIS zum Spatial Data-Mining
- Methoden und Techniken für räumliche Datenanalysen
- Anwendungsbeispiele aus der modernen Epidemie-Forschung
Auszug aus dem Buch
4 Spatial Data-Mining
Ein vielzitiertes Beispiel für SDM ist die in den Jahren 1854 bis 1855 in London aufgetretene Cholera Epidemie. John Snow (siehe Abbildung 6), ein englischer Arzt, erkannte unter Benutzung der Methoden des SDM die Ursache dieser Krankheit (Gäbler, 2010, S. 2). Er identifizierte den verseuchten – und damit den Epidemie auslösenden – Trinkwasserbrunnen indem er die auftretenden Krankheitsfälle auf einer Karte einzeichnete und anschließend die zur Trinkwasserversorgung genutzten Brunnen in dieselbe Karte übertrug.
Ein Ausschnitt der von Snow erstellten Karte ist in Abbildung 7 dargestellt. Die schwarzen Balken sind die Anzahl der gezählten Todesfälle an der entsprechenden Adresse. Der rote Punkt markiert den besagten Brunnen. Snows‘ Ergebnis gilt als eine der ersten räumlichen Analysen (Fortin & Dale, 2005, S. 7). Damit hat Snow wohl das erste Geographische Informationssystem geschaffen und die erste „Spatial Data-Mining“ Analyse durchgeführt.
SDM kann als „räumliches Datenschnüffeln“ übersetzt werden (Professur für Geodäsie und Geoinformatik (GG) der Universität Rostock, 2003). Wie bereits erwähnt ist „Spatial Data Mining“ die Verknüpfung von herkömmlichem DM mit GIS (vgl. Kapitel 1). SDM bezeichnet ferner „…die Nutzung aller Informationspotenziale von raumbezogenen Daten für Analysen und für die Gewinnung neuer Informationen.“ (Professur für Geodäsie und Geoinformatik (GG) der Universität Rostock, 2003).
Zusammenfassung der Kapitel
1 EINLEITUNG: Diese Einleitung skizziert das massive Wachstum globaler Datenbestände durch fortschreitende Digitalisierung und die zunehmende Bedeutung der Extraktion nutzbarer Muster daraus.
2 DATA-MINING / KNOWLEDGE DISCOVERY IN DATABASES: Hier werden die Definition und der theoretische Rahmen des Data-Mining als Prozess der Wissensgewinnung aus großen Datenmengen behandelt.
3 GEOGRAPHISCHE INFORMATIONSSYSTEME: Dieses Kapitel gibt einen Überblick über GIS als Werkzeuge zur Erfassung, Analyse und Darstellung ortsbezogener Daten sowie deren grundlegende Datentypen.
4 SPATIAL DATA-MINING: Der Abschnitt erläutert die Synthese aus Data-Mining und GIS, stellt spezifische räumliche Analysemethoden vor und nennt diverse praktische Einsatzgebiete.
5 SPATIAL DATA-MINING UND EPIDEMIEN: Dieses Kapitel konzentriert sich auf den Anwendungsfall der Epidemie-Forschung und zeigt anhand konkreter Beispiele auf, wie SDM bei der Analyse von Krankheitsverläufen unterstützt.
6 FAZIT: Das Fazit fasst die wachsende Bedeutung des Spatial Data-Mining zusammen, insbesondere vor dem Hintergrund exponentiell wachsender räumlicher Datenbestände und der Notwendigkeit verbesserter Seuchenprävention.
Schlüsselwörter
Spatial Data-Mining, Data-Mining, KDD, Geographische Informationssysteme, GIS, Epidemie-Forschung, räumliche Daten, räumliche Autokorrelation, räumliches Clustering, räumliche Klassifikation, Assoziationsanalyse, Wissensentdeckung, Pandemie, Krankheitsverlauf, Geoanalyse.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit behandelt die wissenschaftliche Disziplin des „Spatial Data-Mining“ (SDM) und untersucht, wie räumliche Daten mit klassischen Data-Mining-Methoden verknüpft werden können, um wertvolle Informationen zu gewinnen.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen die Wissensentdeckung in Datenbanken (KDD), die Funktionsweise Geographischer Informationssysteme (GIS) und die Anwendung dieser kombinierten Technologien zur Lösung komplexer räumlicher Fragestellungen.
Was ist das primäre Ziel der Arbeit?
Ziel ist es, die Grundlagen des SDM darzulegen und am konkreten Beispiel der Epidemie-Forschung zu demonstrieren, wie durch räumliche Datenanalysen die Verbreitung von Krankheiten besser verstanden und prognostiziert werden kann.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit basiert auf einer Literatur- und Theorieanalyse, die den Stand der Technik im Bereich Data-Mining und GIS zusammenführt und auf Anwendungsfälle überträgt.
Was wird im Hauptteil behandelt?
Der Hauptteil erörtert zunächst die Grundlagen von Data-Mining und GIS, führt dann in die Methoden des SDM wie räumliches Clustering und Assoziationsanalyse ein und analysiert abschließend deren Nutzen bei der Bekämpfung von Epidemien.
Welche Schlüsselwörter charakterisieren die Arbeit?
Wichtige Begriffe sind Spatial Data-Mining, GIS, Wissensentdeckung (KDD), räumliche Autokorrelation und Epidemie-Forschung.
Welche Rolle spielte John Snow in diesem Kontext?
John Snow gilt als Pionier, der im 19. Jahrhundert durch das Kartieren von Cholera-Fällen in London eine der ersten räumlichen Analysen durchführte und somit den Grundstein für moderne SDM-Methoden legte.
Wie unterstützt SDM die aktuelle Forschung zu Pandemien?
SDM ermöglicht es, Krankheitsausbrüche unter Einbeziehung räumlicher Faktoren wie Flugdaten oder Bevölkerungsdichte zu rekonstruieren, Hauptinfektionsregionen zu identifizieren und Ausbreitungswege präziser vorherzusagen.
- Arbeit zitieren
- Thomas Hillen (Autor:in), 2012, Anwendung des Spatial Data-Mining (SDM) in der Epidemie-Forschung, München, GRIN Verlag, https://www.grin.com/document/274940
