Compliance-Prüfungen mit Erdbeobachtung für Behörden (GAP-Flächenmonitoring, nicht angemeldete Bauten)

Behörden müssen prüfen, ob das, was Bürger und Betriebe erklären, mit der Wirklichkeit vor Ort übereinstimmt. Jede Parzelle zu besuchen ist langsam und teuer. Maschinelles Lernen auf frei verfügbaren Sentinel-Satelliten-Zeitreihen (und auf Luftbildern für Gebäude) durchsucht ganze Gebiete, markiert die Parzellen, die eindeutig mit der Erklärung übereinstimmen, und leitet nur zweifelhafte zur Nachprüfung weiter. Das Modell schlägt vor; ein Sachbearbeiter entscheidet, und die betroffene Person kann widersprechen.

Problem & Nutzen

• Heute: Zahlstellen prüfen eine kleine Stichprobe der GAP-Anträge durch Vor-Ort-Kontrollen und Aktenprüfung von Luftbildern. Steuer- und Bauämter finden nicht angemeldete Pools, Anbauten und Schuppen durch Hinweise, manuelle Bildauswertung oder Stichprobenkontrollen.
• KI-Nutzen: durchgehende Abdeckung jeder Parzelle während der Saison statt einer Stichprobe, frühere Rückmeldung an Antragsteller (Antrag vor der Auszahlung korrigieren), weniger Außendienstbesuche und eine priorisierte Liste für die verbleibenden Kontrollen.
• Rechtlicher Treiber (GAP): Das Integrierte Verwaltungs- und Kontrollsystem (InVeKoS, IACS) der GAP erlaubt und verlangt ab 2024 ein Flächenmonitoringsystem (AMS), das Parzellen laufend mit Sentinel-Daten beobachtet; „Kontrollen durch Monitoring“ sind eine anerkannte Alternative zu klassischen Kontrollen [1][2].
• Belegte Evidenz: Die Gemeinsame Forschungsstelle (JRC) der Europäischen Kommission dokumentiert Kontrollen durch Monitoring und die offene Sen4CAP-Toolbox; die französische Steuerverwaltung (DGFiP) setzt im Programm „Foncier innovant“ KI auf Luftbildern ein, um nicht angemeldete Pools und Gebäude zu erkennen [2][3][4]. Einsparungen und Erkennungsquoten unterscheiden sich je Land und Jahr; nutzen Sie die Pilotzahlen der eigenen Behörde, nicht allgemeine.

Varianten

• GAP-Flächenmonitoring (Kern): Überprüfung der Kulturart, Mahd und Grünlandpflege, Pflüge- und Brachereignisse, Zwischenfrüchte, Brache, Öko-Regelungen und Konditionalitäts-Marker je Parzelle.
• Fotogestützte Nachprüfung: nicht eindeutige Parzellen lösen über eine Landwirte-App eine Anforderung georeferenzierter Fotos aus, sodass der Fall ohne Besuch abgeschlossen werden kann.
• Nicht angemeldete Bauten und Pools: Orthofotos werden mit Kataster- und Gebäuderegistern verglichen, für Grundsteuer und Bauaufsicht (FR „Foncier innovant“, ähnliche Projekte in anderen Staaten).

So funktioniert es

1. Erklärungen (GSAA/LPIS-Flurstücke, Kataster, Steuererklärungen) + Sentinel-1/2-Zeitreihen (wolkenmaskiert, Aggregation auf Flurstücksebene) | Luftbild-Orthofotos
2. Merkmalsextraktion (NDVI-/Rückstreukurven, Marker; Gebäudegrundrisse & Pools)
3. Klassifikation / Segmentierung (Kulturart, Mahd, Pflügen; Gebäude- & Pool-Erkennung)
4. Regelmaschine: Ergebnis mit Erklärung vergleichen, Toleranz, Konfidenz
5. Ampel je Flurstück / Kandidatenliste + Erläuterung (Zeitreihendiagramm, Bildausschnitte)
6. menschliche Prüfung: Schreibtischkontrolle, Fotoanforderung, Vor-Ort-Kontrolle
7. Verwaltungsentscheidung mit Bekanntgabe und Widerspruch

• Wichtige KI-Komponenten: Zeitreihen-Klassifikatoren (Random Forest/Gradient Boosting auf Markern oder zeitliche Deep-Learning-Modelle wie Transformer/TempCNN auf Sentinel-2-/Sentinel-1-Stapeln), semantische Segmentierung von Gebäuden und Pools auf hochauflösenden Bildern sowie geospatiale Foundation-Modelle, die den Labelling-Aufwand senken.
• „Nicht eindeutig“ ist ein gültiges Ergebnis: Wolkenbedeckung, kleine oder unregelmäßige Parzellen und Mischkulturen liefern oft keine sichere Antwort; diese gehen in die Foto- oder Vor-Ort-Nachprüfung, niemals in automatische Sanktionen.
• Mensch-in-der-Schleife (Human-in-the-Loop): Jede Sanktion, Zahlungskürzung oder Steuerneufestsetzung entscheidet ein Amtsträger, der die Belege sieht; Modelle priorisieren und sortieren nur vor.

Datenaufbereitung

• Benötigte Daten: georeferenzierte Beihilfeanträge der Landwirte und das Flächenidentifizierungssystem (Datenbanken der Zahlstellen), Kataster- und Gebäuderegister (Vermessungsämter), Steuer- und Genehmigungsakten, frühere Kontrollergebnisse und Landwirtsfotos (Fallakten, Foto-Apps) sowie Sentinel-Zeitreihen und Orthofotos (Copernicus, Landesvermessungsämter).
• Typische Lücken: Parzellengeometrien und Register mit unterschiedlichen Koordinatensystemen und Aktualisierungszyklen, veraltete Gebäudegrundrisse, Kontrollergebnisse als gescannte PDFs oder Freitextnotizen, kein einheitliches Kulturcode-Schema über die Jahre, Landwirtsfotos ohne verlässliche Geotags und strenge Zugriffsrechte zwischen Behörden.
• Aufbereitungsschritte: (1) Quellen und Verantwortliche erfassen (PREP-001, PREP-004); (2) Register und Anträge über APIs oder Datenbank-Dumps exportieren (PREP-005); (3) Koordinatensysteme und Kulturcodes vereinheitlichen, Geometrien in PostGIS/QGIS validieren; (4) alte Kontrollakten digitalisieren (PREP-006) und Ergebnisse als Labels auswerten (PREP-020); (5) mit den Kontrolleuren geschichtete Testsets je Region und Jahr aufbauen (PREP-018); (6) Zweckbindung und Rechtsgrundlage für die Weiterverwendung der Daten klären (PREP-025).
• Werkzeuge: GDAL, PostGIS, QGIS, openEO, Sen4CAP-Vorverarbeitung, STAC-Kataloge.
• Aufwandsanteil: etwa 50-60 Prozent; Datenharmonisierung, Labelling und Wolkenmaskierung überwiegen gegenüber dem Modellbau und müssen jede Saison wiederholt werden.

Umsetzungswege

Welcher Weg für wen

• Behörden: C - Souveränität und Vergaberecht sprechen für offene Copernicus-Daten und den offenen Stack aus Sen4CAP/QGIS/PostGIS auf souveräner EU- oder eigener Infrastruktur; einen verwalteten Dienst (A) nur kaufen, wenn kein GIS-Data-Science-Team vorhanden und der Anbieter akkreditiert ist.
• Großunternehmen (Dienstleister, Großgrundbesitzer, Versicherer): B - in der EU gehostetes openEO und Cloud-Verarbeitung mit feingetunten EO-Foundation-Modellen erreichen den Produktivbetrieb am schnellsten, ohne eine GIS-Plattform aufzubauen.
• Entwickler: C - Sen4CAP, TorchGeo und TerraTorch mit offenen Sentinel-Daten geben volle Kontrolle und Reproduzierbarkeit.

Weg A — Kaufen (Standardsoftware)

• EU- bzw. nationale Plattformanbieter: Sinergise/Planet (Slowenien, EU) mit EO Browser und Sentinel Hub, Planet und Airbus Defence and Space für Luftbilder und sehr hochauflösende Daten, EOX (Österreich), VITO Remote Sensing (Belgien), GAF (Deutschland), CS Group und Capgemini als Integratoren sowie nationale Dienstleister, die von Zahlstellen beauftragt werden. IGN (Frankreich) und nationale Vermessungsbehörden liefern Orthofotos.
• Wählen Sie A, wenn die Zahlstelle einen verwalteten Dienst mit Anbieterunterstützung und Akkreditierung wünscht und kein eigenes Data-Science-Team hat.

Weg B — Auf Cloud-KI-Diensten aufbauen

• EU-Datenzugang: Copernicus Data Space Ecosystem (openEO, Sentinel-Hub-APIs, STAC-Katalog), nationale Datenhubs; vorverarbeitete Produkte wie Copernicus HR-Layers.
• Verarbeitung: openEO- oder Sen4CAP-Workflows in EU-Clouds (IONOS, OVHcloud, T-Systems, STACKIT); Gradient Boosting und zeitliche Deep-Learning-Netze für Kultur-/Marker-Modelle; Erdbeobachtungs-Foundation-Modelle für die Erkennung von Gebäuden und Pools (z. B. Prithvi, Clay, TerraMind), feingetunt auf lokalen Labels.

Weg C — Selbst betreiben (Open Source; für Behörden empfohlen)

• Stack: Sen4CAP (offene JRC-Toolbox), Orfeo ToolBox, GDAL, rasterio/xarray, STAC, PyTorch mit TorchGeo, scikit-learn/LightGBM, PostGIS, QGIS für Analysten.
• Modelle: Segmentierung mit Modellen der SAM-Familie oder U-Net-/SegFormer-Varianten für Gebäude; TerraTorch mit Prithvi, Clay oder TerraMind für das Feintuning.
• Hardware: HW3 (eine GPU der 48-GB-Klasse plus großer Speicher) bewältigt eine Saison im Landesmaßstab; HW2 genügt für regionale Piloten. Speicher und Ein-/Ausgabe der Bilddaten bestimmen die Kosten stärker als die Rechenleistung.

Weg D — Eigenes Training

Für den Produktivbetrieb meist notwendig: Kultur- und Markermodelle müssen auf den eigenen Referenzdaten der Behörde (frühere Kontrollergebnisse, Landwirtsfotos) je Region und Jahr trainiert werden. Es braucht tausende gelabelte Parzellen und jährliche Neuvalidierung. Gebäude- und Pool-Detektoren benötigen lokale Orthofoto-Labels.

Stand der Technik (2026)

• Sentinel-1/2-Zeitreihen mit 10 m Auflösung und wolkenrobuster SAR-Fusion liefern verlässliche Kulturart- und Ereignismarker für große, homogene Parzellen; die Genauigkeit sinkt bei kleinen Parzellen, Obstanlagen, heterogenem Grünland und Mischkulturen.
• Marker statt Gesamturteile: Mahd, Pflügen und Bedeckung werden als Ereignisse erkannt und mit den Regeln der Maßnahme verglichen, was besser erklärbar ist als ein einzelnes Kulturlabel [2].
• Luftbild-KI für Gebäude und Pools ist in Steuerverwaltungen im Einsatz; Hauptfehler entstehen durch Schatten, Planen, Solarabdeckungen, saisonale Pools und den Zeitpunkt der Registereinträge.
• Grenzen: Wolkenbedeckung, Überflug-Lücken, Fehler bei Parzellengrenzen, jährlich wechselnde Regeln der Maßnahmen und Verteilungsverschiebung zwischen Jahren und Regionen. Die berichtete Genauigkeit muss je Maßnahme und Region gemessen werden.

Gemeinsame Bausteine & Kombinationen

• Gleicher Technologie-Stack wie VIS-061 (Satellitenprüfung für die EUDR) und VIS-058 (Veränderungserkennung mit Satelliten- und Luftbildern): gemeinsamer Copernicus-Datenzugang, Zeitreihen- und Segmentierungskomponenten, die über Behörden und Anwendungsfälle hinweg wiederverwendbar sind.
• Nachgelagert: Fallbearbeitung und Anomalie-Screening bei Erklärungen (ANOM-009); Drohnen für die Nachprüfung (VIS-003, VIS-004).

Aufwand, Kosten & Kennzahlen

• Weg A: 6-12 Monate inkl. Vergabe; jährliche Servicegebühren je Land/Region.
• Weg B: 6-12 Monate für ein AMS vom Pilot bis zum Produktivbetrieb bei einigen Maßnahmen.
• Weg C/D: 12+ Monate, ein Team aus GIS-Ingenieuren und Data Scientists; Labelling-Kampagne in jeder Saison.
• Kennzahlen: Anteil der Parzellen mit eindeutigem Ergebnis, Übereinstimmung mit der Vor-Ort-Kontrolle (Precision und Recall je Marker), Rückgang der Vor-Ort-Kontrollen, Zeit bis zur Rückmeldung an den Landwirt, Anteil der im Widerspruch aufgehobenen Entscheidungen, Quote falscher Markierungen (Gebäudeerkennungen, die bei der Prüfung bestätigt wurden).

Menschen & Veränderung

• Früh einbinden: Leitung und Führung der Zahlstelle bzw. des Steuer-/Bauamts, die Kontrolleure für Akten- und Vor-Ort-Prüfungen, GIS/IT, die/den Datenschutzbeauftragte(n) und die Rechtsberatung (Verwaltungsrecht, Widersprüche) sowie den Personalrat. Ein Verfahren mit Bürgerkontakt braucht außerdem einen Kommunikationsplan für Landwirte und Gebäudeeigentümer. Siehe GUIDE-001, GUIDE-009 und GUIDE-014.
• Betriebsrat: abhängig vom Einzelfall. Behörden haben einen Personalrat (BPersVG oder Landesrecht), keinen Betriebsrat. Die Parzellenanalyse überwacht keine Beschäftigten, doch Protokolle der Fallbearbeitung, Produktivitätsstatistiken der Kontrolleure und veränderte Arbeitsverfahren lösen Mitbestimmungs- und Informationspflichten aus (analog zu §87 Abs. 1 Nr. 6 und §90 BetrVG); binden Sie ihn früh ein (GUIDE-004).
• Datenschutz: Parzellen- und Gebäudedaten lassen sich identifizierbaren Personen zuordnen; eine DSFA ist wahrscheinlich (systematische Bewertung, neue Technologie in großem Umfang), Rechtsgrundlage Art. 6 Abs. 1 Buchst. e DSGVO, AVV mit jedem Auftragnehmer (GUIDE-005).
• KI-Kompetenz: schulen Sie die Kontrolleure darin, was eine Ampel bedeutet, was die Klasse „nicht eindeutig“ ist und wo die Grenzen des Modells liegen (Art. 4 KI-Verordnung; GUIDE-006).
• Pilot und Bedenken: pilotieren Sie in einer Region und bei einer Maßnahme mit erfahrenen Kontrolleuren. Gehen Sie auf die Sorge vor falschen Beschuldigungen und Verlust von Ermessensspielraum ein: Die KI priorisiert nur, jede Sanktion entscheidet ein Amtsträger, Landwirte können widersprechen, und die Genauigkeit wird je Region und Betriebsgröße berichtet (GUIDE-008).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Die Einstufung hängt von der Nutzung ab. Reines Screening, das ein Mensch prüft, ist oft ein minimales Risiko, doch Systeme, die den Anspruch auf öffentliche Leistungen bewerten oder diese kürzen, können unter Anhang III fallen (Nummer 5, Zugang zu wesentlichen öffentlichen Leistungen und Diensten) und damit Hochrisiko sein, mit Pflichten zu Daten-Governance, Protokollierung, Transparenz, menschlicher Aufsicht und Genauigkeit. Prüfen Sie Anhang III im Einzelfall [5]. Es gilt kein Verbot nach Art. 5, doch erweitern Sie das System nicht auf das Profiling von Einzelpersonen oder Social Scoring.
• GAP-Regeln: Verordnung (EU) 2021/2116 und Durchführungsverordnung (EU) 2022/1173 regeln InVeKoS (IACS), AMS und die Pflicht, Landwirten nach Warnungen die Korrektur ihrer Anträge zu ermöglichen [1].
• DSGVO: Parzellen- und Gebäudedaten lassen sich identifizierbaren Eigentümern und Landwirten zuordnen; Rechtsgrundlage ist eine Aufgabe im öffentlichen Interesse (Art. 6 Abs. 1 Buchst. e); Art. 22 beschränkt ausschließlich automatisierte Entscheidungen, daher menschliche Prüfung und ein Widerspruchsrecht vorsehen; DSFA empfohlen; Hosting in der EU und Minimierung hochauflösender Bilder von Wohnhäusern.
• Nationales Recht: Abgabenordnung und Planungsrecht legen fest, welche Bildbelege genutzt werden dürfen; einige Staaten brauchten eigene Gesetze für die Bildanalyse im Steuerverfahren.
• Risiken und Gegenmaßnahmen: falsche Beschuldigungen (Klasse „nicht eindeutig“, menschliche Prüfung, Widerspruch), Verzerrung zulasten kleiner Betriebe oder Parzellen (geschichtete Genauigkeitsberichte), Modelldrift (jährliche Validierung), Anbieterabhängigkeit (offene Formate, Sen4CAP-kompatibel).

Erste Schritte

1. Wählen Sie eine Maßnahme oder einen Marker (zum Beispiel Mahd auf Grünland) und klären Sie die rechtlichen Folgen mit der Rechtsabteilung.
2. Sammeln Sie Referenzdaten: frühere Kontrollergebnisse und georeferenzierte Fotos, getrennt nach Region und Jahr.
3. Führen Sie eine Sen4CAP- oder openEO-Baseline auf dem Copernicus Data Space für eine Region aus und messen Sie die Übereinstimmung je Parzelle.
4. Entwerfen Sie Ampel-Workflow, Belegansicht und Landwirte-Benachrichtigung, bevor Sie Modelle optimieren.
5. Testen Sie für Gebäude ein Luftbild-Segmentierungsmodell in einer Pilotgemeinde und prüfen Sie jeden Treffer manuell.

Quellen

1. Regulation (EU) 2021/2116 (CAP horizontal regulation, IACS) — https://eur-lex.europa.eu/eli/reg/2021/2116/oj
2. JRC — Checks by Monitoring and Sen4CAP — https://marswiki.jrc.ec.europa.eu/wikicap/index.php/Checks_by_Monitoring
3. Sen4CAP project — https://www.esa-sen4cap.org/
4. DGFiP — Foncier innovant (detection of undeclared buildings and pools) — https://www.economie.gouv.fr/dgfip/foncier-innovant
5. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
6. Copernicus Data Space Ecosystem — https://dataspace.copernicus.eu/
7. TorchGeo — https://github.com/microsoft/torchgeo
8. IBM/NASA Prithvi geospatial foundation model — https://huggingface.co/ibm-nasa-geospatial