<p>Dieser Beitrag beschäftigt sich damit, die Analyse von Social Media Daten als eine Art &bdquo;Human Sensor&ldquo; in einem Sensor Observation Service (SOS) bereitzustellen.</p><p>Hintergrund sind die Möglichkeit und das Potential, welche die Analyse von Social Media Daten aus den unterschiedlichen Netzwerken, wie Twitter, Facebook, Flickr oder Youtube bieten. Vor allem im Bereich der Marketinganalyse und des Katastrophenmanagements ist dies ein immer häufiger genutztes Werkzeug. Die Relevanz des Raumbezugs bei Social Media zeigt der Prototyp einer Arbeit, welcher die Ergebnisse einer gefilterten Twitter-Suche über einfache kartographische Darstellungsformen räumlich visualisiert (<a href="http://tweetmap.fh-mainz.de" target="_blank">http://tweetmap.fh-mainz.de</a>). Durch den Einsatz von Natural Language Processing (NLP), z.B. bei der Sentimental Analyse, können Social Media Daten hinsichtlich des Inhaltes untersucht werden. Aus diesen Untersuchungen lassen sich detailliertere Informationen, ähnlich zu physikalisch gemessenen Phänomenen, gewinnen. Dadurch lassen sich Social Media Daten zu einem Human Sensor wandeln. Unter Human Sensors versteht man ein Messmodell, in dem Menschen neben physikalischen Messungen, wie z.B durch Fitnessarmbänder, auch subjektive &bdquo;Messungen&ldquo; wie Sinneseindrücke, Empfindungen oder persönliche Beobachtungen beitragen (vgl. Resch et al. [1]).</p><p>Die Nutzung von Social Media basierten Human Sensors gewinnt zudem an Bedeutung, wenn diese Daten in den Zusammenhang mit anderen Datenquellen, wie z.B. Umweltinformationen, gesetzt werden können. Eine Herausforderung dieser Zusammenführung ist die Interoperabilität zwischen den Daten. Diese kann durch den Einsatz von Standards erreicht werden.</p><p>Der hier vorgestellte Ansatz basiert auf dem Sensor Observation Service (SOS) aus dem Bereich des Sensor Web Enablements (SWE). Die Kombination der oben genannten Bereiche (Raum/Zeit, NLP, Human Sensor) ergibt hierfür eine Sensordatenquelle in einem SOS-Netzwerk. In diesem Netzwerk können die so verwalteten Informationen mit anderen räumlichen Sensordaten kombiniert werden.</p><p>Der Beitrag fokussiert dabei die Konzeption und Entwicklung des Systems FlexSensor, welches die Möglichkeit bietet, Daten aus Social Media Netzwerken (zunächst beispielhaft mit Twitter) und deren Analyse (NLP), als Beobachtungen in einem Sensornetzwerk als SOS zur Verfügung zu stellen. Zudem werden Ansätze gezeigt, die gesammelten Daten räumlich und zeitlich zu visualisieren.</p><p>[1] Resch, Bernd; Mittlböck, Manfred; Kranzer, Simon; Sagl, Günther; Heistracher, Thomas; Blaschke, Thomas: &bdquo;People as Sensors&ldquo; mittels personaliserten Geo-Trackings, Angewandte Geoinformatik 2011, p. 683, 2011.</p>

<p>Landmarks and focus based maps can play a important role within routing by supporting users in route finding and navigation. This paper shows one possible solution for generating focus based maps with landmarks by only using completely OGC-conform web service and standards. The aim is to increase technical interoperability also at this levelof realizations of LBS or navigation services. The techniques for choosing specific landmarks and generating the focus maps are shortly presented and their functionality is explained. The OpenLS core services implemented by ourself and their supporting functions are illustrated. The integration of the landmarks to the route instructions of the OpneLS Route Service happens during the route calculating algorithm without adding extra attributes or new elements to the standardized service interface. The generation of the focus based maps is realzed by our first implementation of an OpenLS Presentation Service. The article ends with an outlook on ideas for future deployment and research. One of these ideas is to extend the generation of focus based 2D maps to a generation of focus based 3D scenes and to integrate the landmarks as 3D models.</p>