Künstliche Intelligenz beschleunigt Potenzialflächenanalyse

Kommunale Flächen nachhaltiger nutzen

Die kommunale Siedlungsentwicklung will bis zum Ende dieses Jahrzehnts deutlich weniger Flächen neu beanspruchen. Um vorhandene Potenzialflächen in Siedlungsgebieten besser und schneller erkennen zu können, entwickelt das Fraunhofer IGD hierfür einen selbstlernenden Algorithmus.

Auch wenn sich die Ressource »Fläche« nicht im eigentlichen Sinne verbrauchen lässt, so ist sie doch endlich. Ein einmal bebautes Grundstück bleibt in der Regel für einen langen Zeitraum in seiner Nutzung festgelegt. Dies stellt Kommunen vor große Herausforderungen, Siedlungen nachhaltig und zukunftsfähig zu entwickeln. Es gilt, wirtschaftliche, demografische und ökologische Aspekte zu berücksichtigen und möglichst flächensparsam umzusetzen.

 

Aufwendige Vor-Ort-Prüfungen kosten Zeit und Geld

Potenzialflächen effizient zu analysieren, ist deshalb für Kommunen immer wichtiger, um Brachen, Flächen mit Nachverdichtungspotenzial, Baulücken und leer stehende Gebäude zu entdecken. Dies war auch Ausgangspunkt eines Projekts des Fraunhofer IGD zusammen mit dem sachsen-anhaltischen Ministerium für Infrastruktur und Digitales (MID). Seit 2005 erfasst das MID Bauflächenpotenziale und erhält die notwendigen Flächeninformationen aus verschiedenen Geodateninformationssystemen und kommunalen Katastern. Luftbilder und Daten aus der satellitengestützten Fernerkundung ergänzen diese Flächeninformationen und müssen anhand vorher festgelegter Kriterien detailliert geprüft werden, während die möglichen Potenzialflächen vor Ort durch Sichtung zu verifizieren sind.

 

Selbstlernender Algorithmus verfeinert Suche

Das Entwicklungsteam des Fraunhofer IGD will diesen zeitaufwendigen Prozess deutlich effizienter machen, indem es Geoinformationen, Computer Vision und ein künstliches Neuronales Netz miteinander verbindet. Ein Prototyp des selbstlernenden Algorithmus ist bereits erfolgreich im Einsatz und erkennt mittels semantischer Segmentierung selbstständig potenzielle Bauflächen. Der Algorithmus ordnet jedem Pixel eines Satellitenbilds eine bestimmte Klasse zu und vergleicht diese anschließend mit Plänen von Flurstücken. Die Geodaten stammen aus dem »Web Feature Service (WFS)« und dem »Web Map Service (WMS)«. Im Training verfeinert der selbstlernende Algorithmus auf Basis der gewonnenen Erkenntnisse diese Parameter permanent – mit einer Genauigkeit von derzeit 86 Prozent, was die Ergebnisse betrifft – und reduziert notwendige Vor-Ort-Einsätze deutlich.

Potenzialflächen, die auf diese Weise gefunden werden, lassen sich anschließend nach weiteren für die Stadtentwicklung relevanten Informationen filtern: Welche Grundstücke liegen beispielsweise in der Nähe von Straßen, Autobahnen oder Bahnhöfen? »Es ist uns gelungen, ein neuartiges Verfahren zu entwickeln, mit dem sich automatisiert Baulücken auf Luftbildern erkennen lassen. Wir hoffen, dadurch in Zukunft das Land Sachsen-Anhalt dabei unterstützen zu können, ein landesweites Potenzialflächenkataster aufzubauen«, resümiert Matthias Vahl, Projektleiter am Fraunhofer IGD. Auch andere Kommunen könnten zukünftig von diesen Ergebnissen profitieren, und zwar mit einer an die jeweiligen Regularien individuell angepassten Lösung.

 

Branchen Bioökonomie und Infrastruktur

Wir begleiten Wirtschaft und öffentliche Institutionen dabei, Infrastrukturen technologisch fortschrittlicher, sozial inklusiver und grüner zu gestalten. Unsere Lösungen zielen dabei auf alle Bereiche des urbanen Zusammenlebens. Mit unserer Kernkompetenz Visual Computing geben wir Ihnen technologische und methodische Werkzeuge an die Hand, damit wir alle uns den globalen Herausforderungen stellen können.