Ermittlung von versiegelten Flächen als komplexe Aufgabe (Projekt SEAL) (fossgis2025)

Die Kartierung von Flächenversiegelungen wird für immer mehr Bereiche relevant. Bei der Auswahl vorzugsweise freier Daten und Software besteht eine Vielfalt von Möglichkeiten. Im Rahmen des hier beschriebenen Projektes wird eine Prozesskette so organisiert, dass die einzelnen Datenquellen, Prozessschritte (manuelle Datenerfassung, GIS-Analysen, KI) und (Zwischen-)Ergebnisse flexibel kombinierbar sind. Das hierfür entworfene Rahmenwerk sowie erste Zwischenergebnisse werden vorgestellt. Eine verursachergerechte Gebührenermittlung für die Beseitigung von Niederschlagswasser ist die initiale Motivation zur Ermittlung der versiegelten Flächen. Die Niedersachsen Wasser als Tochter des Oldenburgisch Ostfriesischen Wasserverbandes (OOWV) nimmt sich dieser Aufgabe unter Einsatz des freien Geoinformationssystems QGIS, freien KI-Tools sowie verschiedensten Datenquellen an. Frei zugängliche Geodaten wie Orthofotos, DGM, ALKIS, ATKIS und OSM sollen in Kombination mit eigenen Daten (Abwassernetze, SAP Kundendaten) herangezogen werden, um daraus verwertbare Aussagen bezüglich des Flächenversiegelungsgrads abzuleiten. Die zur Lösung dieser Anforderung ersonnene Prozess-Architektur muss aufgrund der sehr heterogenen Daten und Aufgaben sowohl methodisch als auch datentechnisch ein breites Spektrum abdecken. Dennoch soll es möglich sein, die Daten und Prozesse anhand vereinheitlichter Eigenschaften oder Metadaten (Volumen, Struktur, Format und Herkunft für die Daten; Input-Daten, Berechnungsaufwand, Skalierbarkeit und Ergebnis für die Prozesse) formal gleichförmig zu beschreiben. Nur auf diese Weise lassen sich Aufwände zuverlässig quantifizieren und ggf. auch für andere Gebiete realistisch schätzen. Skalierungspotentiale, etwa durch mehr Personal, schnellere Algorithmen, leistungsfähigere Hardware etc. können so ebenfalls bestimmt werden. Im Laufe des Projektes werden umfangreiche Ground-Truth-Daten durch manuelle Kartierung erhoben. Sie sollen im Projekt als Referenzdaten dienen, gegen die dann verschiedene Auswerteverfahren, insbesondere auch Methoden des Machine Learnings, validiert werden. Für verschiedene Methoden können dann die erreichbare Qualität gegen den jeweils erforderlichen Aufwand abgewogen werden. Von entscheidendem praktischen Nutzen wird dabei die geschätzte Zuverlässigkeit gesehen, mit der die Versiegelungsklasse einer Teilfläche bestimmt wurde. Auf diese Weise sollen manuelle Prüfungen der automatischen Klassifizierungen nach möglichst objektiven Kriterien priorisiert werden. Neben der ursprünglichen Zielsetzung der Gebührenermittlung zeichnen sich bereits jetzt weitere Anwendungsfälle wie Kapazitätsplanungen für Abwasserleitungen, Starkregenvorsorge oder die Ermittlung von Entsiegelungspotentialen ab. Die vorgestellte Architektur soll auch diesem Umstand Rechnung tragen. Licensed to the public under https://creativecommons.org/licenses/by/4.0/ about this event: https://pretalx.com/fossgis2025/talk/EXCUFQ/