KI-Unterstützung bei der Struktur- und Nutzungskartierung in der Ländlichen Entwicklung in Bayern

Die Ländliche Entwicklung in Bayern steht vor der Herausforderung, komplexe Planungsprozesse mit knappen personellen Ressourcen zu bewältigen. Eine zentrale Grundlage dafür ist die Struktur- und Nutzungskartierung (SNK) – sie liefert die raumbezogenen Daten, auf denen alle weiteren Planungen aufbauen. Bislang erfolgt diese Kartierung meist manuell durch Landschaftsplanerinnen und -planer im Außendienst, was zeit- und personalintensiv ist.

Im Rahmen der Masterarbeit wurde untersucht, wie sich dieser Prozess (teil-)automatisieren lässt. Ziel war es, zu prüfen, ob offene Geodaten und Verfahren des Maschinellen Lernens die klassische SNK effizient, objektiv und reproduzierbar unterstützen können. Der Fokus lag dabei auf der Nutzung frei verfügbarer OpenData-Bestände, wie sie über die Geodateninfrastruktur Bayern (GDI-BY) vom Landesamt für Digitalisierung, Breitband und Vermessung (LDBV) bereitgestellt werden.

Als Datengrundlage dienten vor allem Digitale Orthophotos (DOP20), Digitale Geländemodelle (DGM) und das ATKIS® Basis-DLM, ergänzt durch abgeleitete Höhen- und Indexdaten. Auf dieser Basis wurde ein KI-Workflow entwickelt, der wesentliche Landschafts- und Nutzungselemente wie etwa Acker, Grünland, Wald, Gewässer, Gehölze, Verkehrs- oder Siedlungsflächen automatisiert ableiten kann.

Das entwickelte Modell wurde in drei bayerischen Übertragungsgebieten erprobt und zeigte wertvolle Ergebnisse: Durch die Integration des ATKIS® Basis-DLM als zusätzlichem Kanal konnte die Gesamtgenauigkeit (Overall Accuracy) der Klassifikation um knapp sechs Prozentpunkte gesteigert werden. Besonders deutlich verbesserten sich die Ergebnisse bei Gehölz (+25 Prozentpunkte F1-Score), Grünland (+9 pp) und Verkehrsflächen (+16 pp Recall). Die automatisiert erzeugten Karten sind zudem deutlich homogener und schärfer abgegrenzt als in der herkömmlichen, rein bildbasierten Variante.

Für die Ämter für Ländliche Entwicklung bietet der Ansatz einen spürbaren Mehrwert: Die KI kann künftig eine belastbare Vorabkartierung liefern, auf welcher Sachbearbeiter aufbauen können. Dadurch reduziert sich der manuelle Aufwand erheblich, während die Vergleichbarkeit und Nachvollziehbarkeit der Ergebnisse steigt. Besonders nützlich ist zudem die Fähigkeit der KI, verdeckte Wege unter Baumkronen zu erkennen, Strukturen, die im Luftbild allein nicht sichtbar sind.

In einem Ausblick empfiehlt die Arbeit, das Verfahren durch Zeitreihen (z. B. aus Satellitendaten) und zusätzliche Geländemerkmale weiterzuentwickeln, um dynamische Klassen wie Intensiv- und Extensivgrünland noch besser zu trennen. Auch die bayernweite Skalierung ist prinzipiell möglich, erfordert aber ein ergänzendes Training mit Daten aus weiteren Regionen.

Die Studie zeigt damit, welches Potenzial in der Nutzung offener Geodaten und KI-gestützter Verfahren liegt: Sie können die Ländliche Entwicklung effizienter, objektiver und digitaler machen und damit einen konkreten Beitrag zum digitalen Wandel der öffentlichen Verwaltung leisten.