Was Napoleon und Watson gemeinsam haben KI optimiert Katasterkarten

Autor / Redakteur: Dr. Dirk Michelsen, Dr. Marcel Ziems* / Ira Zahorsky

Kein geringerer als Napoleon hat die Grundlage für Katasterkarten gelegt. Die amtlichen Karten sind eine wichtige Informationsquelle und rechtliche Grundlage. Um sie auf dem aktuellen Stand zu halten, nutzen Behörden wie das Landesamt für Geoinformation und Landesvermessung Niedersachsen auch Cloud Computing und Künstliche Intelligenz.

Firmen zum Thema

Katasterkarten werden heutzutage per Cloud und Künstlicher Intelligenz aktuell gehalten.
Katasterkarten werden heutzutage per Cloud und Künstlicher Intelligenz aktuell gehalten.
(Bild: Andrey Popov – adobe.stock.com)

Katasterkarten wurden in Deutschland – angeregt von der napoleonischen Idee der Grundsteuer – beginnend um 1820 in Westfalen und der Rheinprovinz eingeführt. Dies zog dann später die Einführung eines Grundbuchs (in Preußen um 1872 und im Rest Deutschlands um 1900) nach sich. Aufgrund dieser Vorgeschichte sind die Daten in den Katasterkarten unterschiedlich aktuell. Teilweise wurden sie vor 1900 erhoben, Datensätze neueren Datums teilweise 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, und das erschwert die Verarbeitung.

Informationsquelle für Behörden, Eigentümer und Versorger

Da die Gebäudepositionen sowohl aus rechtlicher Sicht (Beispiel: Sind alle Abstandsvorschriften eingehalten worden?) als auch aus technischer Sicht (Beispiel: Wie kann das Gebäude mit Strom, Wasser und DSL versorgt werden?) sehr relevant sind, besteht ein hohes Interesse an aktuellen und genauen Katasterkarten. Besonders für Flächenstaaten, wie für Niedersachsen, ist das eine echte Herausforderung. Immerhin muss das Landesamt für Geoinformation und Landesvermessung Niedersachsen (LGLN) 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 mit Hilfe von Luftaufnahmen und wertet sie manuell aus.

Um aber die heterogenen Daten stets auf den aktuellen Stand zu bringen, braucht man mehr Zeit oder mehr Beamte. Oder moderne Technologien wie Cloud Computing und Künstlicher Intelligenz (KI).

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:

  • Im ersten Schritt erfolgt ein Pre-Processing der Luftbilder mit Entzerrung und Georeferenzierung,
  • anschließend werden auf diesen Bildern alle relevanten Objekte, d.h. Gebäude, erkannt,
  • diese werden im dritten Schritt auf Details (z.B. den Umriss) analysiert, und
  • dann werden die Details mit den Katasterkarten (d.h. fehlend auf Karte oder Luftbild oder Abweichung zwischen Karte und Luftbild) abgeglichen.

Luftbilder analysieren: Objekterkennung und Umrisserkennung

Diese vier Schritte wurden mithilfe von Watson Machine Learning, weiteren IBM-Cloud-Komponenten sowie Open Source Frameworks erstellt: Die zwei spannendsten Bestandteile dieses Prozesses sind die Objekterkennung und die Umrisserkennung. Wie man auf Bild 1 erkennen kann, erlaubt die Objekterkennung die Identifikation aller Gebäude auf dem Luftbild. Die Objekterkennung wurde dabei mithilfe von Deep Learning realisiert. Das heißt, dem System wird anhand von Beispielbildern beigebracht, was Gebäude sind. Die Möglichkeiten der so genannten Computer Vision haben sich in der jüngsten Vergangenheit enorm verbessert.

Bild 1: Die Objekterkennung erlaubt die Identifikation aller Gebäude auf dem Luftbild.
Bild 1: Die Objekterkennung erlaubt die Identifikation aller Gebäude auf dem Luftbild.
(Bild: LGLN)

Im nächsten Schritt, der Umrisserkennung, wird dann der Umriss der Grundmauern anhand des Luftbildes ermittelt. Interessant dabei ist, dass das Dach üblicherweise über die Grundmauern hinausragt. Entsprechend sieht man auf Bild 2 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 System wurde mit Luftbildern nebst dazugehörigen Grundrissen trainiert.

Bild 2: Umrisserkennung der Grundmauern
Bild 2: Umrisserkennung der Grundmauern
(Bild: LGLN)

Hybrid-Cloud-Ansatz vervollständigt die Lösung

Bereits im Pilotprojekt wurde berücksichtigt, auf welchem System die Lösung künftig laufen muss. Das Team entschied sich für einen cloudbasierten Ansatz. Dabei wurde Wert darauf gelegt, dass 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.

Eine Voraussetzung für dieses Vorgehen ist, dass in der öffentlichen Cloud und im heimischen Rechenzentrum, dass dann als Private Cloud fungiert, dieselben Schnittstellen und IT-Tools genutzt werden können. Denn lässt sich die Analyse der Karten später nicht genauso reibungslos vornehmen wie im Pilotprojekt, bleiben eventuelle Herausforderungen unentdeckt.

Dieser Mix wird auch 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 er eine optimale Lösung. Weitere Vorzüge des Hybrid-Cloud-Ansatz sind: hohe Verarbeitungsgeschwindigkeit, Skalierbarkeit und Leistungsfähigkeit.

Im Fall des Projekts für die Bearbeitung der Katasterkarten wurden schnelle Frameworks, also Basisbibliotheken, benutzt, um die Algorithmen der KI zu beschleunigen. Diesen wurden dann noch weiter manuell getunt – teilweise um den Faktor 100. Zudem unterstützt die Lösung eine Parallelverarbeitung, was die Verarbeitung aller Luftbilder des Bundeslandes in kurzer Zeit ermöglicht.

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 positiv aus, so dass die Lösung inzwischen in ganz Niedersachen zum Einsatz kommt und ausgebaut wird. Mit Hilfe 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 aber 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.

*Die Autoren: Dr. Dirk Michelsen ist Watson Data Science & AI Executive Consultant bei IBM. Dr. Marcel Ziems arbeitet für das Landesamt für Geoinformation und Landesvermessung Niedersachsen (LGLN).

(ID:47160295)