Erdbeobachtungsarchive (EO) wachsen täglich um Terabyte – weit mehr, als Analysten sichten können. Computer-Vision- und geospatiale Foundation-Modelle machen aus Bildern Karten und Veränderungswarnungen: was bebaut, bewirtschaftet, bewaldet oder überflutet ist und was sich seit dem letzten Monat verändert hat. Organisationen ersetzen manuelles Digitalisieren und gelegentliche Geländebegehungen durch wiederholbare, nachvollziehbare Überwachung.
Problem & Nutzen
- Heute: Landnutzungskarten entstehen durch manuelle Interpretation oder klassische pixelweise Klassifikation und werden nur alle paar Jahre aktualisiert. Behörden, Versorger, Versicherer und Agrarunternehmen verlassen sich auf Ortstermine, periodische Orthofoto-Befliegungen und teure Analystenzeit.
- KI-Nutzen: häufige (Sentinel-2 überfliegt dasselbe Gebiet alle paar Tage), einheitliche und skalierbare Kartierung; automatische Veränderungshinweise, die Menschen auf die wenigen Prozent der Fläche lenken, auf denen etwas passiert ist; Flächenstatistiken für die Berichterstattung.
- Freie Datenbasis: Das EU-Programm Copernicus stellt Sentinel-1/-2-Daten frei und offen über das Copernicus Data Space Ecosystem bereit, und der Copernicus-Landüberwachungsdienst liefert Referenzprodukte wie CORINE Land Cover und High Resolution Layers [1][2]. Nutzenangaben schwanken je nach Programm; veröffentlichen Sie eine eigene Ausgangsbasis, statt Herstellerangaben zu zitieren.
Varianten
- Öffentliche Verwaltung: Aktualisierung von Landnutzung/Landbedeckung, Überwachung von Versiegelung und Zersiedelung, Baumkataster, Hinweise auf illegale Müllablagerung (Compliance-Abläufe: VIS-038).
- Landwirtschaft: Karten der Anbaukulturen, Abgrenzung von Feldgrenzen, Ertrags- und Stressindizes.
- Versorger und Infrastruktur: Vegetationsüberwuchs an Leitungen, Bestandsverzeichnisse von Anlagen (VIS-003).
- Versicherung und Finanzen: Kartierung von Risikoexposition, Gebäudegrundrisse, Vorher-/Nachher-Vergleich bei Ereignissen (VIS-058, PRED-036).
- Umwelt und ESG: Waldverlust, Feuchtgebiete, Gewässer (VIS-049), Methan (VIS-042).
- Immobilien und Bau: Überwachung von Baufortschritt und Veränderungen auf Baustellen.
- Privat/NGO: Bürgerwissenschaftliche Kartierung mit freien Werkzeugen (OpenStreetMap, QGIS-Plugins).
So funktioniert es
- acquire (STAC catalogue: Sentinel/Landsat/commercial/orthophoto)
- preprocess (atmospheric correction, cloud masking, co-registration, tiling, temporal stacking)
- model (segmentation / classification / change detection / embeddings)
- postprocess (vectorise, minimum mapping unit, merge with cadastre)
- quality control (confidence, sample-based accuracy assessment)
- human review of change polygons (GIS)
- publish (maps, statistics, alerts, API)
- Segmentierung und Klassifikation: Netze im Stil von U-Net/Mask2Former oder leichtgewichtige Köpfe auf einem geospatialen Foundation-Modell für Landbedeckung, Gebäude, Straßen und Felder.
- Veränderungserkennung: bitemporale Siamese-Netze oder Zeitreihenmodelle auf Bildstapeln; SAR kommt zum Einsatz, wo Wolken optische Sensoren blockieren. Rohe Pixeldifferenzen erzeugen viele Fehlalarme (Jahreszeit, Schatten, Sonnenstand); klassifizieren Sie daher die Art der Veränderung, statt nur die Differenz zu markieren.
- Foundation-Modelle und Embeddings: vortrainierte EO-Modelle ermöglichen Kartierung mit wenigen Beispielen (Few-Shot) und wenigen Labels; vorberechnete jährliche Embedding-Ebenen erlauben die Ähnlichkeitssuche („finde weitere Flächen wie diese“).
- VLMs: Abfragen und Beschriftung von Bildern in natürlicher Sprache sind für die Exploration nützlich, aber für Messungen oder rechtlich relevante Feststellungen noch nicht zuverlässig.
- Mensch-in-der-Schleife (Human-in-the-Loop): Analysten prüfen Veränderungspolygone, bevor sie Entscheidungen auslösen; die Genauigkeit wird an einer unabhängigen, stratifizierten Stichprobe geprüft.
Datenaufbereitung
Benötigte Daten: Satelliten- oder Luftbilder (Sentinel, Landsat, Orthofotos, Drohnenflüge) sowie eigene Referenzebenen wie Kataster, Flurstücksgrenzen, Anlagenverzeichnisse und beschriftete Polygone. Bilddaten sind öffentlich oder käuflich und leicht zu beschaffen; schwierig sind die eigenen Referenzdaten. Im Mittelstand liegen sie typischerweise im GIS, in ERP-Anlagenlisten, in Excel-Tabellen mit Koordinaten und auf Dateiablagen als Shapefiles oder PDFs von Plänen.
Typische Lücken: uneinheitliche Koordinatensysteme, veraltete oder überlappende Flurstücksgrenzen, keine beschrifteten Trainingspolygone, Wolken und Dunst in optischen Szenen, verstreute Drohnenflüge ohne Metadaten und unklare Zugriffsrechte auf Geodaten Dritter.
Aufbereitungsschritte: 1. Ebenen, Eigentümer und Lizenzen erfassen (siehe PREP-001 und PREP-002). 2. Koordinatenbezugssysteme vereinheitlichen und Vektorgeometrien in QGIS oder GeoPandas bereinigen. 3. Bilddaten über STAC oder openEO abrufen, Wolkenmasken anwenden und Zeitreihen aufbauen. 4. Einen kleinen, von Fachleuten geprüften Label-Satz aus vorhandenen Unterlagen wie Förderanträgen oder Prüfberichten erstellen (PREP-020, PREP-018). 5. Strukturierte Tabellen über PREP-011 weiterverwenden, wenn Koordinaten in Tabellenkalkulationen stehen.
Aufwand: etwa die Hälfte des Projekts entfällt auf Referenzdaten, Labels und den Aufbau der Pipeline; das Modell selbst ist der kleinere Teil.
Umsetzungswege
Welcher Weg für wen
- KMU: Weg B, weil Landwirtschafts-, Forstbetriebe oder Planungsbüros Ergebnisse brauchen, die an ihre eigenen Flurstücke und Ebenen gebunden sind, und kein Standardprodukt das günstig abdeckt.
- Großunternehmen: Weg B, da Cloud-KI-Dienste auf EU-gehosteten Copernicus-Daten für viele Anlagen skalieren und sich in das bestehende GIS integrieren lassen.
- Öffentliche Hand: Weg C, da Behörden eine souveräne, nachvollziehbare Verarbeitung auf deutscher oder EU-Infrastruktur brauchen und offene Sentinel-Daten die Kosten niedrig halten.
- Entwickler: Weg C, weil offene geospatiale Foundation-Modelle und STAC-Werkzeuge volle Kontrolle über Training und Pipelines geben.
Weg A — Kaufen (Standardsoftware)
- Plattformen mit Analytik: Planet (Analytik-Feeds, Veränderungserkennung), Airbus Defence and Space (EU, Bilddaten + OneAtlas), Satellogic, ICEYE (SAR), Maxar/Vantor; EU-/DSGVO-freundlich: Airbus, EOMAP, Sinergise (Sentinel Hub, jetzt Teil von Planet), Starion, GAF AG, Orbital EOS, Kayrros (EU, Analytik), Pixalytics sowie die Orthofoto-Dienste der nationalen Vermessungsverwaltungen.
- GIS-Suiten mit eingebautem Deep Learning: Esri ArcGIS Pro (vortrainierte Modelle), QGIS mit Plugins.
- A wählen, wenn: ein Standardprodukt (Gebäudegrundrisse, Anbaukarte, Vegetationsüberwuchs) existiert und kein internes Team für geospatiales ML vorhanden ist.
Weg B — Auf Cloud-KI-Diensten aufbauen (empfohlener Standard)
- Datenzugang: Copernicus Data Space Ecosystem (openEO, Sentinel-Hub-APIs, STAC, in der EU gehostet) [2]; Microsoft Planetary Computer und AWS Open Data für globale Archive; Google Earth Engine für Analysen im planetaren Maßstab, einschließlich des Datensatzes AlphaEarth Satellite Embeddings [3].
- Modelle: verwaltetes Training/Inferenz auf Cloud-GPUs (EU-Regionen), Köpfe auf Foundation-Modellen (Prithvi-EO-2.0, TerraMind, Clay), mit einigen hundert beschrifteten Polygonen feingetunt.
- Orchestrierung: STAC-basierte Pipelines, bei jeder neuen Aufnahme planmäßig ausgeführt; Ergebnisse nach PostGIS / GeoParquet / Cloud-optimiertes GeoTIFF und in eine Webkarte.
Weg C — Selbst betreiben (Open Source)
- Stack: GDAL, rasterio, xarray/stackstac/odc-stac, TorchGeo, PyTorch, Segment Anything (SAM/SAM 2) für interaktives Labeln, Modelle der YOLO-Klasse zur Objekterkennung, PostGIS, QGIS, openEO.
- Offene EO-Modelle (Open Weights): IBM/NASA Prithvi-EO-2.0, TerraMind (IBM/ESA), Clay, SatMAE und weitere, veröffentlicht auf Hugging Face [4].
- Hardware: HW2 für Inferenz auf regionalen Ausschnitten; HW3 für großflächige durchgehende Kartierung und Feintuning von Modellen der Klasse ViT-L; Kachelung und Speicher (zig TB) dominieren meist gegenüber der GPU.
Weg D — Eigenes Training
Lohnt sich, wenn nationale oder regionale Besonderheiten (Anbaukalender, lokale Bauweisen, seltene Klassen) nicht abgedeckt sind oder wenn die Genauigkeit im Produktivbetrieb zertifiziert werden muss. Benötigt Referenz-Labels aus Geländeerhebungen, Kataster oder vorhandenen amtlichen Karten; mit einem Foundation-Modell beginnen und feintunen. Räumliche Autokorrelation beachten: Trainings- und Testdaten nach Geografie trennen, nicht zufällig.
Stand der Technik (2026)
- Geospatiale Foundation-Modelle (Prithvi-EO-2.0, TerraMind, Clay, DOFA, AlphaEarth-Embeddings) sind inzwischen der übliche Ausgangspunkt; Benchmarks wie GEO-Bench und PANGAEA vergleichen sie, und der Gewinn gegenüber einem gut abgestimmten U-Net bei einer konkreten Aufgabe ist oft bescheiden [4].
- Offene Daten im großen Maßstab: Sentinel-2-Bänder mit 10 m, Landsat, Landbedeckung nahezu in Echtzeit im Stil von Dynamic World, ESA WorldCover sowie EU-Produkte CORINE/HRL dienen als Labels und Vergleichsbasis [1].
- Kommerzielle Sensoren mit sehr hoher Auflösung (optisch unter einem Meter, SAR) ermöglichen Bestandserfassung auf Objektebene; gezielte Satellitenaufträge und schnelle Wiederholung verbessern die Aktualität.
- Grenzen und Fehlerbilder: Wolken und Schatten, jahreszeitliche Phänologie, die als Veränderung missdeutet wird, Domänenverschiebung zwischen Regionen und Sensoren, Mischpixel bei 10 m, Label-Rauschen, uneinheitliche Definitionen von „Landnutzung“ (Nutzung vs. Bedeckung) und übermäßig sichere Karten ohne Unsicherheitsangabe. VLM-Antworten können Objekte halluzinieren. Genauigkeit stets je Klasse und flächengewichtet berichten.
Gemeinsame Bausteine & Kombinationen
- Teilt sich Fernerkundung + Segmentierung + STAC-Datenpipeline mit VIS-038 (GAP-Überwachung), VIS-049 (Entwaldung), VIS-058 (Katastrophenkartierung), VIS-061 (InSAR), VIS-042 (Methan), VIS-046 (PV-Dachanalyse) und der Drohneninspektion VIS-003; ein GPU-Pool (HW3) und ein Kachelspeicher bedienen alle.
- Nachgelagert: DATA-011 (Geodatenanalyse), PRED-036 (physisches Klimarisiko), PRED-027 (Hochwasservorhersage) nutzen die Karten als Merkmale.
- Verteidigungs-/Nachrichtendienstliche Nutzung derselben Technologie: siehe VIS-051 (gesonderte politische Behandlung).
Aufwand, Kosten & Kennzahlen
- Weg A: Wochen; Abonnement- oder Preis pro km2; Bilddaten mit sehr hoher Auflösung sind der Hauptkostenfaktor.
- Weg B: 2-4 Monate für eine Produktiv-Pipeline; Rechenleistung und Bilddatenlizenzen dominieren.
- Weg C/D: 3-9 Monate einschließlich Labeling und Validierung; Betrieb für Speicher und GPUs.
- Kennzahlen: Gesamt- und klassenweise Genauigkeit / F1 (flächengewichtet, unabhängige Stichprobe), Präzision/Recall der Veränderungserkennung, Fehlalarmrate je 100 km2, Analystenminuten je geprüfter Veränderung, Aktualisierungslatenz (Aufnahme bis Warnung), Kosten je km2 und Aktualisierung.
Menschen & Veränderung
Wer und wann: Die Geschäftsleitung legt Ziel und Budget fest; die Fachbereichsleitung (Planung, Landwirtschaft, Anlagenmanagement) bestimmt, welche Veränderungen relevant sind; die Dateneigentümer von Kataster und GIS-Ebenen geben Daten frühzeitig frei; die IT baut die Pipeline; die/der Datenschutzbeauftragte prüft nur, wenn hochaufgelöste Bilder Personen oder private Grundstücke zeigen können. Binden Sie die Endnutzer (Analysten, Prüfer) ab dem ersten Label-Workshop ein.
Betriebsrat: In der Regel keine Mitbestimmung, weil das System Flächen und Anlagen analysiert, nicht das Verhalten von Beschäftigten (§87 Abs. 1 Nr. 6 BetrVG). Relevant wird es, wenn Ergebnisse zur Überwachung von Personal genutzt werden, etwa bei Fahrzeug- oder Kolonnenverfolgung. Der Betriebsrat sollte dennoch nach §90 Abs. 1 Nr. 3 BetrVG rechtzeitig informiert werden, wenn sich Arbeitsabläufe ändern; öffentliche Stellen beteiligen den Personalrat.
Datenschutz: Eine DSFA ist selten nötig, prüfen Sie aber Bilder unter etwa 0,3 m Auflösung und Drohnenaufnahmen; schließen Sie mit jedem Cloud-Anbieter einen AVV (Art. 28 DSGVO) ab.
KI-Kompetenz: Unterstützen Sie die Mitarbeitenden mit kurzen Schulungen zu Kartenfehlern, Konfidenzwerten und jahreszeitlichen Effekten (Art. 4 KI-Verordnung, GUIDE-006).
Kommunikation und Pilot: Beginnen Sie mit einer Region oder Anlagenklasse, zeigen Sie den Analysten Karten im direkten Vergleich und übernehmen Sie ihre Korrekturen (GUIDE-009, GUIDE-008).
Typische Bedenken: Angst vor falschen Sanktions- oder Schadensentscheidungen. Begegnen Sie ihr, indem Sie Ergebnisse als Warnungen behandeln, nie als Entscheidungen: Ein Mensch prüft jedes Veränderungspolygon, bevor gehandelt wird.
Risiken, Regulierung & Compliance
- KI-Verordnung (AI Act): in der Regel minimales Risiko. Hochrisiko, wenn Ergebnisse in Entscheidungen nach Anhang III einfließen (z. B. Sicherheitskomponenten kritischer Infrastruktur, Zugang zu wesentlichen öffentlichen Diensten oder Leistungen wie Förder-Sanktionen gegen Einzelpersonen); eine menschliche Entscheidung beibehalten und dokumentieren. Die Überwachung identifizierbarer Personen liegt hier außerhalb des Rahmens; siehe VIS-051 und die Grenzen nach Art. 5.
- DSGVO: 10-m-Satellitendaten sind keine personenbezogenen Daten; Luft-/Drohnenbilder unter einem Meter Auflösung können Personen, Fahrzeuge und private Grundstücke zeigen, und die Verknüpfung von Flurstücken mit Eigentümern erzeugt personenbezogene Daten. Datenminimierung, Rechtsgrundlage (oft öffentliche Aufgabe, Art. 6 Abs. 1 Buchst. e), Unkenntlichmachung wo möglich und eine DSFA bei systematischer Überwachung von Grundstücken Einzelner anwenden.
- Datenlizenzen und INSPIRE: Bildlizenzen (kommerzielle Nutzung, Weitergabe) sowie die INSPIRE-Richtlinie bzw. nationale Open-Data-Regeln für Behördendaten beachten; Copernicus-Daten sind offen nach der Copernicus-Datenpolitik der EU [2].
- Qualitätsrisiken: Falsche Karten, die für Vollzug oder Steuern genutzt werden, verursachen rechtliche Risiken; mindern Sie dies durch menschliche Prüfung, Genauigkeitsangaben und Prüfpfade.
- Dual Use und Exportkontrolle: Kommerzielle Bilddaten mit sehr hoher Auflösung können in manchen Regionen Lizenzbeschränkungen unterliegen.
Erste Schritte
- Die Entscheidung festlegen, die die Karte unterstützt, dazu Klassenlegende, minimale Kartiereinheit und geforderte Genauigkeit.
- Eine freie Sentinel-2-Zeitreihe für ein Pilotgebiet über den Copernicus Data Space oder STAC abrufen.
- Vor jedem Training gegen ein vorhandenes Produkt (CORINE, ESA WorldCover) vergleichen.
- Ein offenes Foundation-Modell (Prithvi-EO-2.0 oder TerraMind) mit 200-500 beschrifteten Polygonen feintunen; nach Geografie trennen.
- Einen 3-monatigen Schattenpilot mit Analystenprüfung durchführen; Fehlalarme und Prüfaufwand messen.
Quellen
- Copernicus Land Monitoring Service (CORINE, High Resolution Layers) - https://land.copernicus.eu/
- Copernicus Data Space Ecosystem - https://dataspace.copernicus.eu/
- Google Earth Engine - Satellite Embedding dataset (AlphaEarth Foundations) - https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_SATELLITE_EMBEDDING_V1_ANNUAL
- IBM/NASA Prithvi-EO-2.0 on Hugging Face - https://huggingface.co/ibm-nasa-geospatial
- TorchGeo - https://github.com/microsoft/torchgeo
- ESA WorldCover - https://esa-worldcover.org/
- Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj