Das 3. Forum GEO.KI findet vom 1. bis 2. Oktober 2026 in Frankfurt am Main statt. Die Veranstaltung bringt Menschen aus Behörden, Forschung, Hochschulen und Wirtschaft zusammen, um Ideen auszutauschen und Praxisbeispiele dafür vorzustellen, wie künstliche Intelligenz mit Geodaten eingesetzt werden kann. Das diesjährige Programm umfasst Themen wie GeoKI-Methoden, Erdbeobachtung, Infrastruktur und Anwendungen aus der Praxis. HeiGIT präsentiert ein Poster zu einem GeoKI-Ansatz zur Validierung von Community-basierten Landnutzungsbearbeitungen in OpenStreetMap mithilfe von Satellitenbildern und Deep-Learning-basierter Änderungserkennung.
Poster: Zeitliche Validierung von Community-basierten Landnutzungsbearbeitungen in OpenStreetMap mittels Deep-Learning-basierter Änderungserkennung auf Satellitenbildern
Vortragende: Clemens Langer, Mohammed Rizwankhan
OpenStreetMap (OSM) wird fortlaufend von einer weltweiten Community aktualisiert und ist damit eine äußerst wertvolle Quelle für Landnutzungsinformationen – insbesondere für ein Land wie Deutschland, in dem OSM-Landnutzungstags, die mit CORINE-Klassen vergleichbar sind, zu mehr als 80 % vollständig sind und regelmäßig von der Community aktualisiert werden. Da diese Aktualisierungen jedoch von Freiwilligen stammen, ist es schwierig zu beurteilen, wie genau oder konsistent sie im Zeitverlauf sind – vor allem in großem Maßstab. In dieser Arbeit stellen wir einen praxisnahen GeoKI-Ansatz vor, um OSM-Landnutzungsänderungen anhand von Satellitenbildern zu bewerten.
Unsere Methode verknüpft multitemporale Satellitendaten mit aktuellen OSM-Änderungen wie dem Anlegen, Aktualisieren und Löschen von Objekten. Diese OSM-Bearbeitungen werden aus der ohsomeDB abgerufen, die umfassende Aufzeichnungen aller Haupt- und Nebenversionen von OSM-Elementen einschließlich Geometrie vorhält, angereichert um Attribute wie Fläche und Zentroid, Gültigkeitszeiträume und Ländercodes. Wir organisieren diese Bearbeitungen räumlich mithilfe des H3-Gittersystems und rufen für jedes betroffene Gebiet zwei PlanetScope-Aufnahmen (3 m Auflösung) ab, die etwa ein Jahr auseinanderliegen. Diese Bildpaare werden anschließend mit einem Änderungserkennungsmodell (ChangeStar aus PyTorch) analysiert, das wir nachtrainiert haben, damit es mit den uns vorliegenden PlanetScope-Bildern mittlerer Auflösung zuverlässig arbeitet. Das Modell erzeugt eine Wahrscheinlichkeitskarte, die anzeigt, wo Veränderungen wahrscheinlich stattgefunden haben.
Anschließend vergleichen wir die Veränderungen in der Wahrscheinlichkeitskarte mit den entsprechenden OSM-Objekten und berechnen einen „Adäquanzwert“, der angibt, wie gut die kartierten Bearbeitungen mit den tatsächlichen Veränderungen vor Ort übereinstimmen. Auf diese Weise lassen sich einzelne Bearbeitungen als gut belegt, unsicher oder möglicherweise fehlerhaft kennzeichnen.
Ein zentraler Bestandteil dieser Arbeit ist die Verbesserung der Leistung von Änderungserkennungsmodellen auf PlanetScope-Bildern mit 3 m Auflösung, die zwar breiter verfügbar, aber auch anspruchsvoller sind als sehr hochauflösende Daten. Insgesamt zeigt unser Ansatz, wie die Kombination von nutzergenerierten Geodaten mit Erdbeobachtung und Deep-Learning-Modellen eine großflächige Qualitätsbewertung unterstützen kann. Er bietet praktische Anwendungsmöglichkeiten zur Verbesserung der Kartenzuverlässigkeit, zur Steuerung von Validierungsmaßnahmen sowie für Anwendungsfälle in der Stadtentwicklung, im Umweltmonitoring und im Landmanagement.