KI-basierte Detektion von Dachflächen und versiegelten Flächen aus denOpenData des LDBV

Die Detektion von Dachflächen und versiegelten Flächen dient in der Praxis u.a zur gerechten Berechnung von Abwassergebühren, zur Planung von Entwässerungssystemen und zur Einschätzung von Überschwemmungsrisiken. Jedoch ist eine manuelle Flächenbestimmung mittels geodätischer Messverfahren bzw. die manuelle Auswertung von Orthofotos sehr zeitaufwendig und kostenintensiv. Daher untersucht diese Arbeit, ob Verfahren des Maschinellen Lernens zur automatisierten und damit wirtschaftlichen Ableitung der Flächen aus frei verfügbaren amtlichen Daten (OpenData) eingesetzt werden können. Im Fokus stehen dabei die Qualität der Segmentierung bzw. der Detektion und die Realitätsnähe der erzeugten Objektformen.

Als Datengrundlage dienen Orthofotos, digitale Oberflächen- und Geländemodelle sowie Gebäudepolygone des Landesamts für Digitalisierung, Breitband und Vermessung (LDBV). Zur Auswertung wurden drei verschiedene Methoden verwendet: i) die auf dem Random Forest (RF) basierende, pixelbasierte Software SNAP der ESA; ii) SAMGEO, ein Open-Source-Paket für Python zur Detektion von Objekten aus Satelliten- oder Luftbildern; und iii) PolyWorld, ein an der TU Graz entwickeltes graphenbasiertes KI-Modell zur polygonalen Gebäudeextraktion aus RGB-Orthofotos.

Die drei Modelle wurden auf vier repräsentative Bebauungsszenarien angewendet (Abb. 1 und Abb. 2). Der RF-Klassifikator erzielte mit einem mittleren F1-Score über alle vier Szenarien von 0,90 (Dachfläche) bzw. 0,83 (versiegelte Fläche) die besten Ergebnisse (Abb. 3). SAMGEO – in der Version SamGeo2 mit Point Prompt – erreichte bei Dachflächen vergleichbare Werte mit einem mittleren F1-Score von 0,91 (Abb. 4 oben). Für versiegelte Flächen zeigte sich der RF-Klassifikator jedoch als deutlich zuverlässiger als SAMGEO (Abb. 3 unten und Abb. 4 unten). PolyWorld zeigt trotz vergleichsweise schwacher F1-Scores ein hohes Potenzial, besonders aufgrund seiner Fähigkeit, rechteckige Strukturen und teilweise verdeckte Dächer zu erfassen (Abb. 5).

Insgesamt erreicht kein untersuchtes Modell die Kombination aus hoher Genauigkeit und realitätsnaher, geradliniger Geometrie vollständig. Dies zeigt, dass die Problemstellung in den betrachteten Szenarien nicht durch eines dieser Modelle lösbar ist. Weiterhin besteht großer Forschungsbedarf, ein Modell zu entwickeln, das über verschiedenste Datensätze hinweg ausreichend generalisierungsfähig ist, um präzise Segmentierungsmasken zu generieren, die zusätzlich eine realistische Form aufweisen.