Bevor Karten erstellt werden, müssen zuerst Luftaufnahmen dafür aufgenommen werden.

Bevor Karten erstellt werden, müssen zuerst Luftaufnahmen dafür aufgenommen werden.

Anzeige

KI optimiert Katasterkarten

Napoleon und Watson machen gemeinsame Sache

Katasterkarten wurden in Deutschland – angeregt von der napoleonischen Idee der Grundsteuer – um 1820 in Westfalen und in der Rheinprovinz eingeführt. Dies zog dann später die Einführung eines Grundbuchs nach sich. Aufgrund dieser Vorgeschichte sind die Angaben in den Katasterkarten unterschiedlich aktuell. Teilweise wurden sie vor 1900 erstellt, Datensätze neueren Datums sind manchmal mit GPS, teilweise ohne. Es gibt Karten, die mehrfach kopiert und dann digitalisiert wurden und solche, die bereits digital erhoben wurden.

Das Ergebnis: Die offiziellen amtlichen Karten, die unter anderem Grundstücksgrenzen und Gebäudepositionen beinhalten, haben keine homogene Qualität. Das erschwert die Verarbeitung. Um sie stets auf dem aktuellen Stand zu halten, nutzen Behörden wie das Landesamt für Geoinformation und Landesvermessung Niedersachsen (LGLN) heute auch Cloud Computing und Künstliche Intelligenz (KI).

 

Wichtige Informationsquelle für Behörden, Eigentümer und Versorger

Da die Gebäudepositionen sowohl aus rechtlicher Sicht als auch aus technischer relevant sind, besteht ein hohes Interesse an aktuellen und genauen Katasterkarten. Besonders für Flächenstaaten wie etwa Niedersachsen ist das eine echte Herausforderung.

Immerhin muss das Landesamt für Geoinformation und Landesvermessung Niedersachsen rund 47.000 Quadratkilometer im Blick behalten und jede Änderung erfassen. Wo wurde ein Gebäude errichtet? Wo wurde ein Gebäude erweitert? Wurde ein Gebäude abgerissen? Gibt es andere Änderungen? All diese Informationen sammelt das LGLN derzeit mithilfe von Luftaufnahmen und wertet sie manuell aus. Um die heterogenen Daten stets auf den aktuellen Stand zu bringen, bräuchte das Landesamt mehr Zeit oder alternativ dazu moderne Technologien wie Cloud Computing und Künstliche Intelligenz.

Zunächst hat das LGLN IBM mit einem Pilotprojekt beauftragt, bei dem die Nutzung von KI für die Analyse der Luftbilder geprüft wurde. Dabei wurde von einem Team aus LGLN-Mitarbeitern und KI-Spezialisten von IBM ein vierstufiger Bearbeitungsprozess für Luftbilder erstellt:

  • Pre-Processing der Luftbilder mit Entzerrung und Georeferenzierung
  • Erkennung aller relevanten Objekte und Gebäude
  • Detail-Analyse (zum Beispiel Analyse des Umrisses)
  • Abgleich der Details mit den Katasterkarten
Während Luftaufnahmen früher zeitaufwändiger und kostspieliger waren, weil man als Fotograf beispielsweise extra in einem Helikopter mitfliegen musste, können heutzutage qualitativ hochwertige Luftaufnahmen ganz einfach mit Hilfe von Drohnen gemacht werden.

Während Luftaufnahmen früher zeitaufwändiger und kostspieliger waren, weil man als Fotograf beispielsweise extra in einem Helikopter mitfliegen musste, können heutzutage qualitativ hochwertige Luftaufnahmen ganz einfach mit Hilfe von Drohnen gemacht werden.

Diese vier Schritte wurden mithilfe von Watson Machine Learning, weiteren IBM Cloud Komponenten sowie Open Source Frameworks erstellt. Die spannendsten Bestandteile dieses Prozesses sind die Objekterkennung und die Umrisserkennung.

Die Objekterkennung erlaubt die Identifikation aller Gebäude und wurde mithilfe von Deep Learning realisiert. Dem System wird dabei anhand von Beispielbildern beigebracht, was Gebäude sind. Im nächsten Schritt, der Umrisserkennung, wird der Umriss der Grundmauern anhand des Luftbildes ermittelt.

Interessant ist, dass das Dach üblicherweise über die Grundmauern hinausragt. Entsprechend sieht man den Umriss der Grundmauern und den laut Katasterkarte ermittelten Grundriss in verschiedenen Farben. Auch die Umrisserkennung wurde mithilfe von Deep Learning realisiert.

 

Hybrid-Cloud-Ansatz vervollständigt die Lösung

Das Team entschied sich für einen cloudbasierten Ansatz, da die Lösung jederzeit in eine lokale Infrastruktur überführt werden kann. Dieser „Cloud First“-Ansatz, den Piloten in der Cloud zu beginnen und später lokal zu implementieren, war aus Sicht des LGLN ein entscheidendes Kriterium für eine spätere Anwendung. Dafür müssen in der öffentlichen Cloud und im heimischen Rechenzentrum – das als Private Cloud fungiert – dieselben Schnittstellen und IT-Tools zum Einsatz kommen. Dieser Mix wird Hybrid-Cloud genannt und von Anbietern wie IBM unterstützt. Vor allem in Branchen, in denen sehr hohe Anforderungen an den Datenschutz bestehen, wie in der Verwaltung, ist das eine optimale Lösung. Weitere Vorzüge sind die hohe Verarbeitungsgeschwindigkeit, die Skalierbarkeit und die Leistungsfähigkeit.

Für die Bearbeitung der Katasterkarten wurden schnelle Frameworks, also Basisbibliotheken, genutzt, um die Algorithmen der KI zu beschleunigen. Sie wurden anschließend manuell getunt – teilweise um den Faktor 100. Zudem unterstützt die Lösung eine Parallelverarbeitung, was die Verarbeitung aller Luftbilder des Bundeslandes in kurzer Zeit ermöglicht.

Bei der Umrisserkennung wird der Umriss der Grundmauern anhand des Luftbildes ermittelt. Interessant dabei ist, dass das Dach üblicherweise über die Grundmauern hinausragt. Entsprechend sieht man auf dem rechten Bild den Umriss der Grundmauern laut Katasterkarte in Grün, den vom System ermittelten Grundriss in Rot und den Überlapp, das heißt die Übereinstimmung zwischen dem Umriss der Grundmauern, ermittelt aus dem Luftbild und dem Umriss, laut Katasterkarte in Gelb. Auch die Umrisserkennung wurde mithilfe von Deep Learning realisiert. Das heißt, das System wurde mit Luftbildern nebst dazugehörigen Grundrissen trainiert.

Bei der Umrisserkennung wird der Umriss der Grundmauern anhand des Luftbildes ermittelt. Interessant dabei ist, dass das Dach üblicherweise über die Grundmauern hinausragt. Entsprechend sieht man auf dem rechten Bild den Umriss der Grundmauern laut Katasterkarte in Grün, den vom System ermittelten Grundriss in Rot und den Überlapp, das heißt die Übereinstimmung zwischen dem Umriss der Grundmauern, ermittelt aus dem Luftbild und dem Umriss, laut Katasterkarte in Gelb. Auch die Umrisserkennung wurde mithilfe von Deep Learning realisiert. Das heißt, das System wurde mit Luftbildern nebst dazugehörigen Grundrissen trainiert.

Ausweitung auf ganz Niedersachsen und Potenzial für weitere Szenarien

Basierend auf dem vierstufigen Prozess und dem Cloud-System wurden zunächst Luftaufnahmen aus Testgebieten mit den vorliegenden Katasterkarten verglichen. Das Ergebnis fiel so positiv aus, dass die Lösung inzwischen in ganz Niedersachsen zum Einsatz kommt und ausgebaut wird. Mithilfe der Experten des LGLN wurde auch eine maßgeschneiderte Nutzeroberfläche entwickelt, die die Bedürfnisse der Anwender berücksichtigt. Künftig sollen neben den Luftbildern auch Daten von IR (Infrarot)- und LIDAR-Sensoren (Light Detection and Ranging) genutzt werden, um die Ungenauigkeiten beispielsweise durch Beschattung zu minimieren.

KI-basierte Computer Vision lässt sich nicht nur zur Analyse von Katasterkarten einsetzen, sondern auch für viele weitere Szenarien. Luftbilder der Alliierten aus dem Zweiten Weltkrieg enthalten zum Beispiel Hinweise auf Blindgänger in Form von Kratern. Auch diese Informationen können für Ämter und Behörden nützlich sein. Versorger und Organisationen mit Sicherheitsaufgaben wie Polizei, THW und Feuerwehr sind ebenfalls auf aktuelles Kartenmaterial angewiesen – ob die KI Gebäude oder andere Objekte erkennt ist letztlich nur eine Frage des richtigen Trainings.

 

Weitere Informationen:

Landesamt für Geoinformation und Landesvermessung Niedersachsen (LGLN)

und Vertrieb Podbielskistraße 331, 30659 Hannover

poststelle@lgln.niedersachsen.de

www.lgln.de

www.lgln.niedersachsen.de


IBM Logo

IBM-Allee 1
71139 Ehningen

Tel. 0800 / 426 7947
E-Mail. halloibm@de.ibm.com
Web. www.ibm.com

31. Januar 2022


1 Stern2 Sterne3 Sterne4 Sterne5 Sterne

(5,00 bei 1 Person/en)

Das könnte Sie auch interessieren


Besonders jetzt, während der Pandemie, ist es wichtig, dass Schüler den digitalen Anschluss nicht verlieren. Anzeige

Bremen stellt die Weichen für das moderne Klassenzimmer

Bildungsinstitutionen, -Verwaltungen und -Politiker sind in der Corona-Pandemie vor extreme Herausforderungen gestellt worden. Dazu gehören mangelnde Digitalisierung, fehlende Endgeräte, mangelhaft leistungsfähige Internet-Verbindungen. Angesichts des enormen Nachholbedarfs war Improvisationsgeschick erforderlich,... mehr lesen