Shapes und Boundaries
Eine der Herausforderungen der auch wir bei Nestoria immer wieder gegenüberstehen ist die genaue Lokalisierung von Orten. Dabei geht es nicht darum, wo z.B. Heidelberg ist, sondern vielmehr von wo bis wo. Das betrifft vor allem Einheiten wie Stadtteile. Es ist schwierig, Karten zu finden, auf denen diese Grenzen eingezeichnet sind, schwierig festzulegen, ob Nutzer mehr Wert auf Verwaltungseinheiten oder auf historische Einteilungen legen und fast unmöglich, genaue Geodaten zu erhalten, die all dies wiederspiegeln.
Da macht ein spannendes Projekt Hoffnung: Die Fotoseite Flickr nutzt seit einer Weile die von Nutzern bereitgestellten Geodaten um eine Art kollaborative Lokalisierung zu ermöglichen. Nutzer können Ihre bei Flickr hochgeladenen Fotos auf einer Karte einen Ort zuweisen und diesen benennen. Aufgrund der großen Menge an Daten die Flickr zur Verfügung stehen, entstehen so "Shapes" die zeigen, wo die "gefühlten geographischen Grenzen" verlaufen. Denn natürlich beruhen diese Daten nicht auf Vermessungen oder Landkarten, sondern darauf, was die Nutzer als Teil eines bestimmten Gebietes ansehen. Die reine Menge an Informationen dient als korrektives Element. Nutzer werden auch dazu ermutigt Fotospaziergänge zu unternehmen und die Bilder anschliessend zu geotaggen um Gebiete, die noch nicht ausreichend oder befriedigend erfasst wurden, zu verbessern.
Interessant ist gelegentlich auch, wo die Ungenauigkeiten liegen. Das Projekt Boundaries von Tom Taylor stellt mit Hilfe der Flickr API die usergenerierten Shapes auf einer Karte dar.
Am Beispiel Soho lässt sich erkennen, dass beliebte oder bekannte Gegenden sich oft über ihre "eigentlichen" Grenzen hinaus erstrecken. Das ist logisch wenn man bedenkt, dass viele der Bilder auch von Leuten geknipst und geotagged wurden die als Urlauber unterwegs sind. Als Tourist weiss man oft nur grob wo man sich befindet ("irgendwo hier ist Soho"), ausserdem klingt es interessanter wenn man angibt das Foto in Soho gemacht zu haben, statt Mayfair...
Dennoch, wenn die Menge an Daten ausreicht um solche "menschlichen Fehler" Fehler zu kompensieren entstehen so relativ korrekte Darstellungen. Für manche Zwecke kann es sogar nützlicher sein, zu wissen wo die meisten glauben, dass eine Gegend liegt, da Nutzer wahrscheinlich auch aufgrund dieser Wahrnehmung suchen würden.
