Social Media

for

Crisis

Raum-zeitliche Informationen aus sozialen

Medien für den Katastrophenschutz

Sebastian Drost

Vermessungswesen Aktuell 2018

15.11.2018, Haus der Technik, Essen

Hochwasser 2013 – Vernetzte Selbsthilfe

• Veränderte Rolle von freiwilligen Helfern im Katastrophenfall

– Aktive und dynamische Selbstkoordination von Hilfsmaßnahmen

über soziale Medien

– Volunteered Geographic Information (VGI) als zusätzliche Quelle

für Entscheidungsträger der Katastrophenschutzbehören zur Lage

vor Ort

• Problematische Entwicklungen:

– Verbreitung veralteter, widersprüchlicher und falscher Infos

– Inoffizieller „Führungsstab“ durch Spontanhelfer

• Folgen:

– „Helfernomaden“, die zwischen überfüllten Einsatzorten pendeln

– tlw. Behinderung von Einsatzkräften

– Fehlende Helfer an anderen Einsatzorten

2Sebastian Drost

Forschungsprojekt KUBAS

• Koordination ungebundener vor-Ort-Helfer

zur Abwendung von Schadenslagen

• Herausforderungen im Rahmen des Projekts:

– Koordination von Hilfsangeboten

– Kooperation mit Spontanhelfern vor Ort

– Kommunikation mit freiwilligen Helfern über unterschiedliche

Kanäle

3Sebastian Drost

Ziele von KUBAS

• Zusammenführung der Aktivitäten freiwilliger Helfer mit

Aktivitäten der institutionellen Einsatzkräften

– Einbindung von Helferaktivitäten in bestehende Infrastrukturen

(Einsatzleitsysteme, Funkmeldeempfänger)

– Koordination über diverse Kommunikationskanäle

(E-Mail, SMS, Mobile App)

• Koordinierung von Hilfsangeboten und Hilfsbedarfen

4Sebastian Drost

Nutzen von Social Media Informationen

5Sebastian Drost

„An der Peißnitzbrücke suchen die

Einsatzkräfte noch Helfer zum

Befüllen von Sandsäcken!“

„Morgen um 8.00 Uhr werden in den

Kitas der südl. Innenstadt Helfer für

Aufräumarbeiten benötigt!“

„Wo kann man sich als

freiwilliger Helfer melden im

Stadtgebiet Halle?“

Herausforderungen:

• Abruf von Social Media Nachrichten

• Automatische Filterung von Nachrichten zu Hilfsmaßnahmen

• Lokalisierung der Nachrichten

Potential:

Vorhersage des

möglichen

Auftretens von

Spontanhelfern

an Einsatzorten

➢ Situational

Awareness

Abruf von Social Media Nachrichten

• Facebook Graph API als HTTP-basierte

Schnittstelle zum Abruf von Facebook Posts

1. Definition von Keywords: „Flut“, „Fluthilfe“, „Fluthelfer“,…

2. Suche nach öffentlichen Facebook Gruppen und Seiten

zu den Keywords

3. Abruf von Posts der gefundenen Gruppen und Seiten für

den Zeitraum der Flutereignisse

4. Speichern der Nachrichten im JSON-Format in einer

Datenbank

6Sebastian Drost

Abruf von Social Media Nachrichten

• Posts aus öffentlichen Gruppen und Seiten mit Bezug zur

Hochwasserthematik zwischen dem 01.05.2013 und 31.08.2013

7Sebastian Drost

Abruf von Social Media Nachrichten

• Unterschiedliche Thematiken der Nachrichteninhalte

• Herausforderung: Automatische Filterung von

Nachrichten der Kategorie „relief“

8Sebastian Drost

Nachrichteninhalt Typ Kategorie

„Ich würde gerne helfen, Sandsäcke zu füllen.“ Hilfsangebot relief

“Wir benötigen mehrere Helfer am Hauptbahnhof

in Halle.”Hilfsanfrage relief

“Die Lage am Gimritzer Damm ist für Helfer

aktuell zu gefährlich.”Informationen für Helfer relief

„Der Wasserstand der Saale steigt sehr schnell.” Situationsupdate non relief

“Ich möchte mein tiefstes Mitgefühl für die

Hochwasseropfer aussprechen.”Emotionale Mitteilung non relief

“Wir bieten kostenlos verschiedene

Kleidungsstücke für Kinder an.”Spenden non relief

Nachrichtenfilterung

Ansatz: Textklassifikation durch Supervised Machine Learning

9Sebastian Drost

„Aktuell Helfer in

Dresden gesucht!“

HilfsmaßnahmenKeine

Hilfsmaßnahmen

„Der Elbe-Pegel

ist zurückgegangen.“

„In Gera scheint heute

die Sonne“

„Am Niegripper See

werden Helfer erwartet!“

„Wer hilft beim

Sandsäckeschleppen?“

„Aktuell Helfer in

Dresden gesucht!“

Evaluation Textklassifikation

• Vergleich verschiedener Methoden für Textklassifikation

mit der WEKA Machine Learning Library in R

– Evaluation mittels 10-fold cross-validation

– Gewichtung der Text Features:• binary

• term frequency (tf)

• term frequency-inverse document frequency (tf-idf)

10Sebastian Drost

Text Features Gewicht Precision Recall F1

Decision TreesStopword Removing und

Stemmingbinary 0.706 0.730 0.718

Naive Bayes Stopword Removing binary 0.593 0.835 0.693

Multinomial Naive Bayes Bag-of-Words tf 0.611 0.557 0.583

Support Vector MachinesStopword Removing und

Stemmingbinary 0.767 0.800 0.783

K-Nearest NeighborStopword Removing und

Stemming (k = 7)binary 0.697 0.733 0.715

Georeferenzierung von Posts

• Facebook Posts können Geotags

in den Metadaten enthalten

– Verknüpfung von Posts über das GPS eines

Smartphones mit dem Standort des Users

Problem:

• weniger als 1 % der Facebook Posts enthalten Geotags

Lösung:

• Extraktion von Ortsreferenzen (Toponyme) aus dem

Nachrichteninhalt

• Verknüpfung mit den Koordinaten, die für den Ort in

einem Ortsverzeichnis (Gazetteer) hinterlegt sind

11Sebastian Drost

Geoparsing

• Extraktion von Toponymen aus dem Nachrichteninhalt

– Verwendung von Methoden aus dem Bereich Natural

Language Processing

– Named Entity Recognition zum Auffinden von Eigennamen

12Sebastian Drost

„Aktuell Helfer in Essen gesucht!“

Aktuell Helfer in Essen gesucht

ADJD NN APPR NE VVPP

LOC

Tokens

POS

NER

Message Geocoding

Einfacher Ansatz:

• Suche nach Koordinaten zu einem Toponym in einem

Gazetteer

Herausforderung:

• Auflösen von geo/geo Mehrdeutigkeiten

(Toponym Disambiguation)

– Essen in NRW und Essen (Oldenburg) in Niedersachsen

13Sebastian Drost

Name Latitude Longitude

1 Bochum 51.48033 7.21828

2 Münster 51.95973 7.63137

3 Essen 51.45657 7.01228

4 Essen 52.70000 7.91667

5 ... ... ...?

„Aktuell Helfer in

Essen gesucht!“Essen

GeoNames Conceptual Density

Beispiel: „Helfer werden in Kröllwitz und Gesundbrunnen gebraucht.“

Ziel: Finden der korrekten Bedeutung von Gesundbrunnen

Methode:

1) Auffinden aller Einträge (Bedeutungen)

in der GeoNames DB für die Toponyme

2) Erstellen einer Baumstruktur mittels

Holonym-Beziehungen der Toponyme

und deren übergeordneten Einheiten

3) Ermittlung des Toponyms

mit dem höchsten

Conceptual Density Wert

➢ Gesundbrunnen in Halle

14Sebastian Drost

Social Media for Crisis Plattform

• Open Source Plattform für Social Media Monitoring

• Filtern, Geocoding und Speichern von

katastrophenrelevanten Nachrichten

• Web-basierte Lagekarte für Facebook Posts

15Sebastian Drost https://github.com/SebaDro/SocialMedia4Crisis

Zusammenfassung

• Kombination verschiedener Techniken zum Filtern und

Geokodieren von relevanten Nachrichten aus sozialen

Medien

– Machine Learning: Nachrichtenfilterung

– Natural Language Processing: Geoparsing

– Conceptual Density: Geocoding

• Nutzen für den Katastrophenschutz

– Lagekarte zu aktuellen Ereignissen in sozialen Medien

– Rechtzeitige Lokalisierung von Helferaktivitäten

– Zusätzliche Informationen für Einsatzkräfte

➢ Unterstützung bei der Koordination freiwilliger Helfer

16Sebastian Drost

Literaturhinweise

Baeza-Yates, R., & Ribeiro, B. (2011). Modern information retrieval: The concepts and

technology behind search (Second edition). Harlow: Addison-Wesley/Pearson.

Bundesamt für Bevölkerungsschutz und Katastrophenhilfe (BBK) (2017). Rahmenempfehlungen

für den Einsatz von Social Media im Bevölkerungsschutz.

http://www.bbk.bund.de/SharedDocs/Downloads/BBK/DE/Publikationen/Broschueren_Flyer/

Rahmenempf_Einsatz_Social_Media_BevS.html, Stand: 06.06.2017.

Buscaldi, D., & Rosso, P. (2008). A conceptual density-based approach for the disambiguation

of toponyms. International Journal of Geographical Information Science, 22 (3) (S. 301–313).

Castillo, C. (2016). Big crisis data: Social media in disasters and time-critical situations. New

York: Cambridge University Press.

Ebersbach, A., Glaser, M., & Heigl, R. (2016). Social Web (3. Auflage). Konstanz: UVK

Verlagsgesellschaft GmbH.

Faruqui, M., & Padó, S. (2010). Training and Evaluating a German Named Entity Recognizer

with Semantic Generalization. In: M. Pinkal, I. Rehbein, S. Schulte im WAlde, & A. Storrer

(Hrsg.), Proceedings of the Conference on Natural Language Processing 2010 (S. 129–133).

Feldman, R., & Sanger, J. (2007). The text mining handbook: Advanced approaches in analyzing

unstructured data. Cambridge, New York: Cambridge University Press.

Gelernter, J., & Balaji, S. (2013). An algorithm for local geoparsing of microtext. GeoInformatica,

17 (4) (S. 635–667).

17Sebastian Drost

Literaturhinweise

Habib, M. B., & van Keulen, M. (2013). Toponym Extraction and Disambiguation Enhancement

Using Loops of Feedback. In: A. Fred, J. L. G. Dietz, K. Liu, & J. Filipe (Hrsg.), Knowledge

Discovery, Knowledge Engineering and Knowledge Management. 4th International Joint

Conference (IC3K 2012) (S. 113–129). Berlin, Heidelberg: Springer.

Imran, M., Elbassuoni, S., Castillo, C., Diaz, F., & Meier, P. (2013). Extracting Information

Nuggets from Disaster-Related Messages in Social Media. In: T. Comes, F. Fiedrich, S.

Fortier, J. Geldermann, & L. Yang (Hrsg.), Proceedings of the 10th International ISCRAM

Conference.

Ingersoll, G. S., Morton, T. S., & Farris, A. L. (2013). Taming text: How to find, organize, and

manipulate it. Shelter Island, NY: Manning.

Kaufhold, M.-A., & Reuter, C. (2014). Vernetzte Selbsthilfe in Sozialen Medien am Beispiel des

Hochwassers 2013. i-com, 13 (1) (S. 20–28).

Manning, C. D., Raghavan, P., & Schütze, H. (2009). Introduction to information retrieval

(Reprinted.). Cambridge: Cambridge University Press.

Manning, C. D., Surdeanu, M., Bauer, J., Finkel, J., Bethard, S. J., & McClosky, D. (2014, June).

The Stanford CoreNLP Natural Language Processing Toolkit. In: Association for

Computational Linguistics (ACL) (Hrsg.), Proceedings of 52nd Annual Meeting of the

Association for Computational Linguistics: System Demonstrations (S. 55–60).

18Sebastian Drost

Literaturhinweise

Martin-Luther-Universität Halle-Wittenberg (2016). Gesamtziel von KUBAS. https://kubas.uni-

halle.de/projekt, Stand: 26.09.2017.

Russell, M. A. (2014). Mining the social web: [data mining Facebook, Twitter, Linkedin, Google+,

GitHub, and more] (2. ed.). Beijing: O'Reilly.

Sackmann, S., & Voßschmidt, S. (2016). Das Projekt KUBAS: Koordination ungebundener

Spontanhelfer. Bevölkerungsschutz, 2016 (4) (S. 22–24).

Scheffler, T. (2014). A German Twitter Snapshot. In: N. Calzolari, K. Choukri, T. Declerck, H.

Loftsson, B. Maegaard, J. Mariani, A. Moreno, J. Odijk, & S. Piperidis (Hrsg.), Proceedings of

the Ninth International Conference on Language Resources and Evaluation (LREC 2014) (S.

2284–2288).

Sebastiani, F. (2002). Machine Learning in Automated Text Categorization. ACM Computing

Surveys, 34 (1) (S. 1–47).

Vieweg, S., Hughes, A. L., Starbird, K., & Palen, L. (2010). Microblogging during two natural

hazards events. In: E. Mynatt, D. Schoner, G. Fitzpatrick, S. Hudson, K. Edwards, & T.

Rodden (Hrsg.), Proceedings of the SIGCHI Conference on Human Factors in Computing

Systems (S. 1079–1088). New York, NY, USA: ACM.

Witten, I., Frank, E., Hall, M. A., & Pal, C. J. (2017). Data Mining: Practical Machine Learning

Tools and Techniques. Amsterdam, Niederlande: Elsevier Science.

19Sebastian Drost

Social Media

for

Crisis

Fragen oder Anregungen?

E-Mail:

sebastian.drost@hs-bochum.de