KI-gestützte Fernerkundung und Datenintegration öffentlicher Quellen zur Ableitung von Nachhaltigkeitsindikatoren auf Gebäude- und Parzellenebene
Abstract
Ein kurzer Überblick über die Forschungsfrage, Methodik und die zentralen Ergebnisse.
Die nachhaltige Transformation städtischer Räume erfordert räumlich präzise Indikatoren wie Versiegelungsgrad und Solarpotenzial, deren manuelle Erhebung jedoch kaum skalierbar ist. Bestehende KI-Verfahren scheitern in der Praxis meist an hohem Annotationsbedarf oder fehlendem physikalischen Anwendungsbezug. Daran anknüpfend untersucht diese Arbeit, welche Segmentierungsarchitektur sich bei stark begrenzten Trainingsdaten am besten zur feingranularen Klassifikation urbaner Flächen eignet und wie verlustarm sich die pixelbasierten Vorhersagen in raumbezogene Indikatoren auf Parzellenebene überführen lassen.
Hierzu wird eine Ende-zu-Ende-Pipeline entwickelt, die 20 cm-Luftbilder (DOP20) und ergänzende Höhen- und 3D-Geodaten automatisiert in stadtökologische Kennzahlen und Solarpotenziale überführt, evaluiert auf einem eigens erstellten 15-Klassen-Datensatz für Mittelfranken.
Eine vorgeschaltete Architektursuche auf dem Stellvertreterdatensatz FLAIR zeigt, dass ein selbstüberwacht vortrainiertes Basismodell (DINOv3) mit leichtgewichtigem SegFormer-Decoder überwachten CNN- und Transformer-Basislinien überlegen ist und bereits mit nur 75 Trainingsbildern über 80% seiner Sättigungsleistung erreicht. Bei der Anwendung auf den bayerischen Datensatz bleibt die Pixelmetrik zwar moderat (mIoU: 49,89%); entscheidend ist jedoch, dass sich diese lokalen Fehler bei der Aggregation auf Parzellenebene weitgehend kompensieren: Verhältnisbasierte Indikatoren wie der Abflussbeiwert (MAE: 0,0215) und das ungenutzte Solarpotenzial (nMAE: 5,12%) werden konsistent abgeleitet, während quasi-binäre Zielgrößen empfindlicher bleiben. Diese Werte belegen eine geringe Fehlerfortpflanzung, ersetzen aber keine Validierung gegen reale Messdaten.
Die Arbeit zeigt damit, dass Basismodelle den Annotationsaufwand drastisch senken und sich die Praxistauglichkeit solcher Verfahren nicht an der Pixelmetrik, sondern an der Genauigkeit der abgeleiteten Indikatoren bemisst. Das entwickelte Framework ersetzt die fachliche Erhebung nicht, sondern dient als ressourceneffizientes Werkzeug zur Vorqualifizierung.