A growing interest in economics and the social sciences in Earth observation (EO) data has led to a broad spectrum of publications in recent years. They range from studying environmental attitudes and behavior, economic development, conflicts and causes of flight, and electoral behavior. However, social science researchers also face many obstacles in applying and using these data, resulting from 1) a lack of technical expertise, 2) a lack of knowledge of data sources and how to access them, 3) unfamiliarity with complex data formats, such as high-resolution, longitudinal raster datacubes, and 4) lack of expertise in integrating the data into existing social science datasets. Despite the increased interest in the data, for the majority of researchers in the social sciences, EO data represents a black box after all. In this session, we present our new project “EarthLinks” which aims to close the gap and create an automated interface to EO data and complementary resources for social science research. The project's goal is creating an open-source tool to link time- and space-sensitive social science datasets with data from Earth observation programs based on a Shiny App in R. The project advances the automatization of these data integration processes between social science data and EO data based on an open-source, user-friendly tool that does not require users' programming skills. The EarthLinks workflow will be exemplified on the basis of a research project which we currently conduct on the effects of flooding exposure on climate change opinion.

Spatial data take an increasingly important role in all kinds of disciplines at the intersection of the social and earth sciences. In many cases such spatial data is not available at the highest possible resolution. Instead, it is coarsened or geo-masked to a higher geographic level such as zip codes or municipalities. Particularly in survey-based social scientific research, operating at very fine spatial resolutions can raise privacy concerns as data can more easily be linked to specific individuals or households. On the other hand, working exclusively with centroids of coarser geographic levels can obscure important spatial variations and impede meaningful distance-based analysis. Past research has shown how the level of coarseness in geocoding negatively affects the accuracy of spatial analysis, in particular locational accuracy of spatial clusters. In this paper, we revisit so-called geoimputation approaches from health geography to increase the data quality of coarsely geocoded spatial data while maintaining the data privacy of individuals. We extend these approaches using high-resolution gridded population data and place-related survey responses to make more realistic estimates on where people might live. We aim to implement existing methodologies and reimagine them to fit social-spatial research applications. By combining survey and population data, we aim to improve the potential of spatial analysis in the social-spatial sciences.

Bei dem Projekt Sat4GWR_IF-Bund handelt es sich um ein Forschungsprojekt im Rahmen des IF-Bund Rahmenvertrages zur Anwendung neuartiger Fernerkundungsverfahren in der Bundesverwaltung. Der Leistungszeitraum des Projekts war 10/2021-12/2024. In dem Projekt wurden neuartige Methodiken der künstlichen Intelligenz (KI) eingesetzt, um Gebäude und deren Merkmale aus hochauflösenden Fernerkundungsdaten abzuleiten. Erforscht wurde, ob die abgeleiteten Ergebnisse die Plausibilisierung von Gebäudeangabe aus dem Zensus bzw. im Registerzensus unterstützen können. Der erwartete Mehrwert aus dem Sat4GWR_IF-Bund Projekt besteht darin, ermittelte Daten zu Gebäudeangaben u.a. bzgl. der Aktualität, der Vollzähligkeit und der Vollständigkeit zu ergänzen und damit eine Qualitätssicherung von Gebäudeangaben in der amtlichen Statistik zu unterstützen.

Der Mikrozensus liefert als größte jährliche Haushaltsbefragung in der amtlichen Statistik aktuelle und umfassende Ergebnisse über die Lebensverhältnisse der Bevölkerung. Von hoher Relevanz ist dabei die Bereitstellung regionaler Statistiken durch die Landesämter. Obgleich eine hohe Nachfrage an Ergebnissen des Mikrozensus auf Kreisebene besteht, veröffentlicht das Bayerische Landesamt für Statistik diese nur bis zur Ebene der Anpassungsschichten. Grund sind die zum Teil geringen Stichprobengrößen in den 96 Landkreisen und kreisfreien Städten, die eine erhöhte Schätzunsicherheit der Ergebnisse nach sich ziehen. Im Rahmen meiner Masterarbeit habe ich untersucht, ob mit der Anwendung von Small-Area-Verfahren auf den Mikrozensus 2022 für die Kreisebene in Bayern verlässliche Ergebnisse geschätzt werden können. Dafür habe ich das Merkmal des gruppierten Haushaltsnettoeinkommens gewählt, auf dessen Basis die Berechnung verschiedener linearer und nichtlinearer Armuts- und Ungleichheitsindikatoren möglich ist. Die Berechnung der direkten Punktschätzer erfolgt mittels Iterative Kernel Density Estimation. Für die Small-Area-Schätzer wird als weitere Datenquelle die Haushaltsstichprobe aus dem Zensus 2022 herangezogen. Die Modellanpassung wird mithilfe eines stochastischen Expectation-Maximization-Algorithmus unter Verwendung von Transformationen vorgenommen und anschließend die Empirical Best Predictor-Methode angewendet. Die Ergebnisse zeigen, dass die Schätzgenauigkeit mit der Small-Area-Methode für alle Indikatoren erhöht werden kann, wenngleich einige bereits ausreichend geringe Standardfehler aufweisen. Ein Vergleich der direkten und modellbasierten Punktschätzer verdeutlicht, dass diese nicht für alle Indikatoren verlässlich sind, sodass mögliche Ursachen und weitere Modellanpassungen diskutiert werden.