Auf Anhieb zwei Fälle, wo dem nicht so ist:
Kursdorf zwischen Halle und Leipzig, direkt zwischen den beiden Landebahnen des Flughafens:
https://www.openstreetmap.org/#map=18/51.41891/12.23643
und Lebendorf-Siedlung zwischen Könnern und Bernburg:
https://www.openstreetmap.org/node/1712357335
Kann man letzteres eigentlich löschen?
Die Maproulette Kampagne wurde erfogreich abgeschlossen.
Nochmals herzlichen Dank an hfs für die Initiative.
Vielen, vielen Dank an alle, die mitgemacht haben!
Ich bin erstaunt und begeistert, in welcher Rekordzeit einige sehr fleißige Mapper die Challenge erledigt haben. Ein paar Auswertungen könnten interessant sein, dachte ich mir.
In den Weihnachtsferien hatten wohl einige Leute mehr Zeit, ab da ging es doppelt so schnell voran:
Die Charts der Beitragenden:
┌───────────────────┬─────────────┬───────┬───────────────┬──────────────┐
│ Mapper │ Tasks total │ Fixed │ Already Fixed │ Not An Issue │
├───────────────────┼─────────────┼───────┼───────────────┼──────────────┤
│ kjon │ 985 │ 830 │ 145 │ 10 │
│ Fischkopp0815 │ 603 │ 371 │ 215 │ 17 │
│ fx99 │ 284 │ 256 │ 15 │ 13 │
│ BeKri │ 274 │ 230 │ 22 │ 22 │
│ pyram │ 130 │ 110 │ 11 │ 9 │
│ hfs │ 125 │ 93 │ 2 │ 30 │
│ Hiddenhausener │ 71 │ 63 │ 1 │ 7 │
│ DD1GJ │ 65 │ 0 │ 0 │ 65 │
│ _klaas_ │ 48 │ 45 │ 1 │ 2 │
│ cepesko │ 38 │ 30 │ 0 │ 8 │
│ MKnight │ 31 │ 28 │ 2 │ 1 │
│ R0bst3r │ 10 │ 8 │ 2 │ 0 │
│ Chrisss Gü │ 9 │ 8 │ 0 │ 1 │
│ derFred │ 9 │ 6 │ 0 │ 3 │
│ GeorgFausB │ 8 │ 7 │ 0 │ 1 │
│ miwktea │ 8 │ 8 │ 0 │ 0 │
│ Strubbl │ 6 │ 6 │ 0 │ 0 │
│ paradx │ 5 │ 4 │ 1 │ 0 │
│ el_tommo │ 3 │ 3 │ 0 │ 0 │
│ Leonmvd │ 3 │ 3 │ 0 │ 0 │
│ Robobo │ 3 │ 3 │ 0 │ 0 │
│ WegefanHB │ 3 │ 3 │ 0 │ 0 │
│ gormo │ 2 │ 2 │ 0 │ 0 │
│ AmandaHatesGoogle │ 2 │ 2 │ 0 │ 0 │
│ Luktopus │ 2 │ 2 │ 0 │ 0 │
│ alo8 │ 1 │ 0 │ 1 │ 0 │
│ streckenkundler │ 1 │ 0 │ 0 │ 1 │
│ CNelke │ 1 │ 1 │ 0 │ 0 │
│ Claudius Henrichs │ 1 │ 1 │ 0 │ 0 │
│ newrandomusername │ 1 │ 0 │ 0 │ 1 │
│ Korgi1 │ 1 │ 0 │ 0 │ 1 │
│ mcheck │ 1 │ 0 │ 0 │ 1 │
│ mbethke │ 1 │ 1 │ 0 │ 0 │
│ Mammi71 │ 1 │ 0 │ 0 │ 1 │
│ altacc │ 1 │ 1 │ 0 │ 0 │
│ Morty123 │ 1 │ 1 │ 0 │ 0 │
│ OPerivar │ 1 │ 1 │ 0 │ 0 │
│ elle67 │ 1 │ 1 │ 0 │ 0 │
│ OSM_RogerWilco │ 1 │ 1 │ 0 │ 0 │
│ Rainero │ 1 │ 1 │ 0 │ 0 │
│ choessei │ 1 │ 1 │ 0 │ 0 │
│ RobertR11 │ 1 │ 1 │ 0 │ 0 │
│ tyr_asd │ 1 │ 1 │ 0 │ 0 │
└───────────────────┴─────────────┴───────┴───────────────┴──────────────┘
Und dann wollte ich noch herausfinden, wie viele neue Landuse-Flächen und Gebäude denn nun im Rahmen der Challenge entstanden sind. Gar nicht so einfach, weil es keine direkte Verbindung vom Maproulette-Task zur OSM-Changelist gibt.
Es wurden 14.330 neue Landuse-Flächen angelegt und 17.440 neue Gebäude (obwohl danach gar nicht direkt gefragt wurde). Wow!
Man sieht auch die im OSM-Projekt typische Pareto-Verteilung, wer wie viele Änderungen beiträgt: 5 (16 %) Mapper liefern über 85 % der neuen Daten.
┌───────────────────────────────────────────────────────────────────────────────────────────────┬────────────────────────────────────────────────────────────────────────────────────────────────┬─────────────────────┐
│ create │ modify │ delete │
┌─────────────────┼───────────┬────────┬────────┬──────────┬───────┬────────┬────────┬───────┬─────┬─────┬────────┼───────────┬────────┬────────┬──────────┬────────┬────────┬────────┬───────┬─────┬─────┬────────┼──────┬─────┬────────┤
│ │landuse= │landuse=│landuse=│landuse= │landuse│building│building│highway│other│other│other │landuse= │landuse=│landuse=│landuse= │landuse=│building│building│highway│other│other│other │other │other│other │
│Mapper │residential│farmyard│farmland│industrial│=other │=yes │=other │=* │node │way │relation│residential│farmyard│farmland│industrial│other │=yes │=other │=* │node │way │relation│node │way │relation│
├─────────────────┼───────────┼────────┼────────┼──────────┼───────┼────────┼────────┼───────┼─────┼─────┼────────┼───────────┼────────┼────────┼──────────┼────────┼────────┼────────┼───────┼─────┼─────┼────────┼──────┼─────┼────────┤
│TOTAL │ 7937 │ 5159 │ 154 │ 121 │ 959 │ 15739 │ 1701 │ 1957 │ 251 │1911 │ 12 │ 823 │ 317 │ 783 │ 85 │ 1441 │ 697 │ 361 │ 4656 │9333 │1385 │ 78 │ 918 │ 459 │ 9 │
├─────────────────┼───────────┼────────┼────────┼──────────┼───────┼────────┼────────┼───────┼─────┼─────┼────────┼───────────┼────────┼────────┼──────────┼────────┼────────┼────────┼───────┼─────┼─────┼────────┼──────┼─────┼────────┤
│kjon │ 3831 │ 2773 │ 42 │ 17 │ 433 │ 20 │ 5 │ 315 │ 13 │ 266 │ 1 │ 254 │ 82 │ 321 │ 27 │ 564 │ 49 │ 41 │ 1515 │6556 │ 444 │ 21 │ 576 │ 228 │ 1 │
│Fischkopp0815 │ 1456 │ 1266 │ 0 │ 3 │ 73 │ 4017 │ 236 │ 247 │ 0 │ 51 │ 0 │ 125 │ 89 │ 80 │ 4 │ 139 │ 52 │ 14 │ 485 │4022 │ 85 │ 2 │ 307 │ 25 │ 0 │
│fx99 │ 13 │ 6 │ 0 │ 1 │ 8 │ 3422 │ 1270 │ 21 │ 16 │ 4 │ 0 │ 18 │ 2 │ 5 │ 6 │ 33 │ 189 │ 90 │ 53 │ 778 │ 27 │ 0 │ 37 │ 5 │ 0 │
│BeKri │ 836 │ 497 │ 27 │ 59 │ 244 │ 3901 │ 94 │ 1118 │ 183 │1324 │ 2 │ 215 │ 93 │ 263 │ 18 │ 458 │ 308 │ 159 │ 1931 │2623 │ 603 │ 40 │ 165 │ 110 │ 7 │
│pyram │ 734 │ 218 │ 14 │ 17 │ 120 │ 3128 │ 16 │ 132 │ 8 │ 128 │ 9 │ 114 │ 35 │ 26 │ 14 │ 93 │ 77 │ 42 │ 425 │3057 │ 129 │ 14 │ 374 │ 45 │ 1 │
│hfs │ 220 │ 107 │ 0 │ 1 │ 22 │ 249 │ 1 │ 58 │ 0 │ 14 │ 0 │ 21 │ 2 │ 21 │ 4 │ 54 │ 2 │ 4 │ 76 │ 430 │ 33 │ 1 │ 212 │ 9 │ 0 │
│Hiddenhausener │ 332 │ 201 │ 3 │ 15 │ 37 │ 1 │ 0 │ 6 │ 0 │ 56 │ 0 │ 23 │ 9 │ 54 │ 9 │ 68 │ 6 │ 4 │ 93 │1393 │ 24 │ 0 │ 761 │ 33 │ 0 │
│_klaas_ │ 305 │ 42 │ 0 │ 1 │ 5 │ 449 │ 56 │ 3 │ 1 │ 20 │ 0 │ 6 │ 2 │ 0 │ 0 │ 2 │ 3 │ 0 │ 3 │ 82 │ 0 │ 0 │ 0 │ 0 │ 0 │
│cepesko │ 33 │ 12 │ 0 │ 5 │ 0 │ 3 │ 0 │ 5 │ 2 │ 0 │ 0 │ 10 │ 0 │ 3 │ 1 │ 10 │ 0 │ 0 │ 8 │ 53 │ 7 │ 0 │ 41 │ 1 │ 0 │
│MKnight │ 24 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 13 │ 0 │ 0 │ 1 │ 1 │ 0 │ 0 │ 0 │ 12 │ 4 │ 0 │ 10 │ 2 │ 0 │
│R0bst3r │ 8 │ 1 │ 0 │ 2 │ 1 │ 48 │ 2 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 1 │ 0 │ 3 │ 0 │ 0 │ 1 │ 20 │ 5 │ 0 │ 6 │ 0 │ 0 │
│Chrisss Gü │ 31 │ 0 │ 0 │ 0 │ 6 │ 1 │ 0 │ 0 │ 1 │ 0 │ 0 │ 6 │ 0 │ 6 │ 0 │ 5 │ 0 │ 1 │ 4 │ 15 │ 4 │ 0 │ 12 │ 1 │ 0 │
│derFred │ 7 │ 0 │ 0 │ 0 │ 0 │ 24 │ 0 │ 0 │ 0 │ 2 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 1 │ 30 │ 2 │ 0 │ 0 │ 0 │ 0 │
│GeorgFausB │ 14 │ 8 │ 0 │ 0 │ 2 │ 1 │ 0 │ 0 │ 0 │ 5 │ 0 │ 4 │ 0 │ 0 │ 1 │ 2 │ 1 │ 0 │ 8 │ 66 │ 5 │ 0 │ 0 │ 0 │ 0 │
│miwktea │ 38 │ 3 │ 27 │ 0 │ 1 │ 218 │ 0 │ 0 │ 0 │ 1 │ 0 │ 5 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 16 │ 0 │ 5 │ 0 │ 0 │ 0 │ 0 │
│Strubbl │ 15 │ 0 │ 2 │ 0 │ 0 │ 2 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 4 │ 1 │ 0 │ 0 │ 0 │ 0 │
│paradx │ 14 │ 6 │ 36 │ 0 │ 0 │ 56 │ 0 │ 3 │ 0 │ 3 │ 0 │ 0 │ 0 │ 2 │ 0 │ 1 │ 1 │ 3 │ 8 │ 3 │ 2 │ 0 │ 0 │ 0 │ 0 │
│Leonmvd │ 3 │ 0 │ 0 │ 0 │ 0 │ 0 │ 3 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 0 │ 0 │ 2 │ 1 │ 0 │ 0 │ 0 │ 0 │
│Robobo │ 1 │ 8 │ 0 │ 0 │ 3 │ 47 │ 2 │ 1 │ 0 │ 2 │ 0 │ 1 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 3 │ 20 │ 0 │ 0 │ 0 │ 0 │ 0 │
│WegefanHB │ 6 │ 1 │ 1 │ 0 │ 1 │ 7 │ 14 │ 4 │ 24 │ 17 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 4 │ 7 │ 2 │ 0 │ 0 │ 0 │ 0 │
│gormo │ 8 │ 3 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 4 │ 0 │ 2 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 2 │ 0 │ 0 │ 0 │ 0 │ 0 │
│AmandaHatesGoogle│ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │
│CNelke │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 3 │ 0 │ 0 │ 0 │ 0 │ 0 │
│altacc │ 1 │ 0 │ 0 │ 0 │ 0 │ 3 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │
│Morty123 │ 2 │ 0 │ 2 │ 0 │ 2 │ 9 │ 0 │ 0 │ 0 │ 2 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │
│OPerivar │ 1 │ 0 │ 0 │ 0 │ 0 │ 7 │ 2 │ 0 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 3 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │
│elle67 │ 0 │ 4 │ 0 │ 0 │ 1 │ 24 │ 0 │ 8 │ 1 │ 10 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 4 │ 23 │ 1 │ 0 │ 1 │ 0 │ 0 │
│Rainero │ 1 │ 2 │ 0 │ 0 │ 0 │ 16 │ 0 │ 6 │ 0 │ 0 │ 0 │ 1 │ 1 │ 1 │ 0 │ 4 │ 8 │ 3 │ 5 │ 123 │ 0 │ 0 │ 2 │ 0 │ 0 │
│choessei │ 1 │ 0 │ 0 │ 0 │ 0 │ 41 │ 0 │ 23 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 4 │ 1 │ 0 │ 0 │ 0 │ 0 │ 0 │
│RobertR11 │ 0 │ 0 │ 0 │ 0 │ 0 │ 31 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 0 │ 2 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 0 │ 0 │ 0 │
│tyr_asd │ 1 │ 1 │ 0 │ 0 │ 0 │ 14 │ 0 │ 7 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 0 │ 1 │ 0 │ 0 │ 4 │ 7 │ 0 │ 0 │ 1 │ 0 │ 0 │
└─────────────────┴───────────┴────────┴────────┴──────────┴───────┴────────┴────────┴───────┴─────┴─────┴────────┴───────────┴────────┴────────┴──────────┴────────┴────────┴────────┴───────┴─────┴─────┴────────┴──────┴─────┴────────┘
Was für eine umfangreiche Auswertung! Sehr cool.
Gibt es eigentlich eine Möglichkeit sich diejenigen Wohngebiete anzeigen zu lassen, die zwar als solche Flächen ausgezeichnet sind, aber noch keine Häuser eingezeichnet haben?
Wäre dann das nächste Maproulette Projekt …
Da könnt ihr euch gerne in Ostfriesland austoben, da sind noch tausende Gebäude zu mappen… 
Das ist jetzt kein Ostfriesenwitz, sondern tatsächlich so
Viele Grüße
klaas
(aus Ostfriesland)
Das mach ich schon seit Jahre in Bayern 
Ich nimm mir eine Gemeindegrenze und schaue ich Fläche von “vorne nach hinten” durch… ob Wohngebietsfläche oder die Häuser in der Fläche fehlen… und alles mögliche was man im carto-Kartenstil eben finden kann… größere Lücken in der Bebauung… größere weiße Flecken ohne Wege usw. usw. wenn ich dann mit einer Gemeinde fertig hab vermerke ich mir das im Wiki auf der Seite den Landkreises das ich auf offensichtliche Dinge geprüft hab. (z.B. hier aktuell: https://wiki.openstreetmap.org/wiki/Landkreis_Alt%C3%B6tting )
Und glaub mir auch ohne irgendeine Auswertung findet man da sehr sehr viel
Gruß Miche
Bekommt man das wirklich mit Maproulette abgebildet, dass Wohngebiete ohne gemappte Häuser erkannt werden?
Alternativ: Geht das mit einer Overpass Abfrage zu realisieren? Die Abfrage nach Wohngebieten wäre so in der Art “keine Gebäude innerhalb der Grenzen von Wohngebiet”.
Ich habe mir natürlich auch schon überlegt, was die nächste Maproulette-Challenge sein könnte. Ich befürchte, dass die Wohngebiete ohne Gebäude einfach viel zu viele sind.
landuse=residential/commercial/retail/industrial – also alles Gebiete, wo man Gebäude erwarten kann – ohne jegliche Gebäude darauf gibt es in Deutschland aktuell 86802 Stück. Selbst wenn man sich auf Flächen größer als 5000 m² beschränkt, sind es 40737 Stück. Das ist glaube ich zu viel für eine realistisch bearbeitbare Challenge.
(Jetzt wo ich nochmal über die Ergebnisse schaue sollte ich landuse=industrial herausnehmen. Darunter sind einfach zu viele Kiesgruben und Solarparks.)
Wie wäre es mit den größten 2000 Flächen als Challenge? Oder den größten 1000 pro Bundesland?
Mit den größten anzufangen, könnte natürlich auch demotivierend sein, weil man dann pro Task sehr viele Häuser zu malen hat. Ein großes Beispiel: https://www.openstreetmap.org/way/183759485
Hallo hfs,
das ist eine tolle Auswertung. Kann man die irgendwie detaillierter anschauen? Hast du einen Link auf diese Karte oder die Abfrage? Oder gibt es ein größer aufgelöstes Bild, dass du erstellen könntest?
Wenn du Sorgen wegen der Größe der Challenge und der Anzahl der Gebiete, vielleicht könntest du eine einfache Liste der Flächen bereitstellen? So wie die eine Fläche, die du als Beispiel gepostet hast.
Könnte man das sonst als Projekt auf hotosm anlegen? Da kann man die großen Fläche ja kleiner aufteilen.
183759485 esse ich zum Frühstück—naja wird ein ausgedehntes Frühstück von ca. 4-6h, aber die Ortschaft ist sehr geordnet. Es gibt schlimmere Stellen, z.B. Altdorfstrukturen und Innenstädte.
Ich wäre auch dabei, würde Sinn machen sich das anzuschauen.
Vielleicht macht man 16 einzelne Challenges, für jedes Bundesland? Oder man fängt mit den HotSpots in Niedersachsen an …
Erfolge beginnen mit dem ersten Schritt … ein Versuch wärs wert.
Ich würd mich für Bayern interessieren besonders was da östlich von München (Landkreis Ebersberg) noch für rote Punkte sind? Hab ich da was übersehen 
mfg Miche
Das gleiche bei mir im Kreis Dithmarschen. Ich habe den Verdacht das sind hauptsächlich kleine landuse=industrial auf denen nur eine WEA steht (Node mit power=generator).
Ich fände es auch schön wenn man deine Auswertung irgendwie detaillierter überprüfen könnte
Hallo,
ich finde das koordinierte Mappen in Form von Challenges wirklich toll! Besonders die Datenanalyse und Darstellung von hfs ist spitze!
Wie in diesem Thread kürzlich erläutert, stellen wir nun auf der OpenTopoMap Parkplätze dar, die für Wanderer interessant sind. Hierfür nehmen wir nicht nur als Wandererparkplätze kartierte Parkplätze (amenity=parking & hiking=yes) her, sondern beziehen die Umgebung in eine Schätzung mit ein, ob ein normaler Parkplatz (amenity=parking) interessant ist. Hierfür sind korrekt kartierte landuse-Polygone essentiell: In Städten wird oft jede Parkbucht kartiert, welche das Kartenbild völlig überladen würden. Deshalb selektieren wir nur Parkplätze, die weit genug außerhalb von landuse=residential/commercial/… liegen. Ein Negativ-Beispiel ist momentan (!) Eglfing bei München: https://opentopomap.org/#map=17/48.11428/11.73822
Wie gesagt, deshalb haben wir ein Interesse daran, dass landuse-Polygone flächendeckend kartiert werden.
=> Eine überschaubare Aufgabe könnte sein:
Gebäudekluster (>= 20?), die nicht in einem landuse (residential, industrial etc.) liegen. Solche Flächen gibt es gelegentlich in größeren Orten, aber man sieht das auf der Karte nicht so leicht, wie landuse (wie vorstehend) ohne Gebäude.
Des ist bei Haar das alte Bezirkskrankenhaus Haar I wird gerade umgebaut zum Wohngebiet.
Glaub des kann man ändern < 1 Woche und es ist drin
Hallo zusammen,
es tut mir sehr leid, dass ich nur so langsam antworten kann. Ich habe im Moment sehr wenig Freizeit.
Ich habe die erste Version der Analyse jetzt hier in Tabellenform hochgeladen: https://gist.github.com/hfs/9012472429e9531beacea724f7dac746
Es sind noch viele Fehler drin, das muss ich gleich dazu sagen. Bevor Ihr Euch darauf stürzt, wartet lieber noch die nächste Version ab.
Z.B. habe ich landuse=industrial importiert aber nicht building=industrial, so dass die landuse-Fläche „leer“ erscheint. Ich werde mich erstmal auf landuse=residential und =farmyard beschränken mit den dazu passenden Gebäudetypen. Außerdem ist mir noch aufgefallen, dass „inner“ landuse-Ways von beliebigen Typen (z.B. farmland, grass) importiert werden, die Löcher in Multipolygonen sind. Das muss irgendwie daran liegen, wie ich osm2pgsql benutze, und ich werde sie noch nachträglich herausfiltern müssen.
Eigentlich hat GitHub eine schöne interaktive Filterfunktion, aber dafür sind es zu viele Daten, so dass das nur bei den ersten Bundesländern funktioniert. Bei Interesse müsstet Ihr die Dateien herunterladen oder im „raw“-Modus ansehen.
Mein Plan ist jetzt zunächst, die Daten zu verbessern, so dass möglichst nur noch echte Fälle übrig bleiben. Dann schauen wir mal, wie viele Fälle es pro Bundesland gibt. Für Länder mit weniger als sagen wir 2000 Fällen könnte ich eine MapRoulette-Challenge erstellen. Bei den Ländern mit noch mehr Fällen würde ich nochmals nach Landkreis aufteilen?
Andere Auswertungen als die CSV-Dateien wären natürlich auch denkbar. Was wäre denn hilfreich? Vielleicht eine OSM-Datei mit einem Punkt pro Landuse-Fläche die man sich als Layer in JOSM laden könnte? Das könnte als eine Art TODO-Liste dienen.
Unter https://wiki.openstreetmap.org/wiki/User:Mmd/Overpass_API_-_experimental_corner#landuse.3Dresidential_without_buildings gibt’s einen Prototyp für Overpass API, der landuse=residential ways oder relations ohne Gebäude findet. Die Daten sollten minütlich aktuell sein, allerdings ist die Instanz nicht immer verfügbar. Diese Query funktioniert auch nur genau auf dieser Instanz. Spielt am besten etwas damit rum und meldet ggfs. Probleme mit den Ergebnissen.
Hi,
ich habe die zweite, verbesserte Version der Analyse unter der gleichen Adresse hochgeladen: https://gist.github.com/hfs/9012472429e9531beacea724f7dac746
Die Ergebnisse scheinen mir jetzt plausibel zu sein. Demnach sind es insgesamt 27360 Fälle und pro Land:
305 Baden-Württemberg
3871 Bayern
43 Berlin
2102 Brandenburg
18 Bremen
29 Hamburg
933 Hessen
332 Mecklenburg-Vorpommern
12580 Niedersachsen
814 Nordrhein-Westfalen
767 Rheinland-Pfalz
21 Saarland
1114 Sachsen-Anhalt
353 Sachsen
3339 Schleswig-Holstein
739 Thüringen
Mein Plan ist es jetzt, MapRoulette-Challenges je Bundesland zu erstellen. Berlin/Bremen/Hamburg/Saarland sind so wenige Fälle, dass ich die zu einer Challenge zusammenfassen würde. In Niedersachen sind so viele, dass ich dort weiter in Landkreise unterteilen würde.