Zusammenfassung
Der Artikel beschreibt einen effizienten KI-Workflow zur Erkennung und Segmentierung von Freiflächen-Photovoltaikanlagen in Bayern, der sich auf beliebige Regionen übertragen lässt. Es wurde ein zweistufiger Ansatz entwickelt, der auf Digitalen Orthophotos mit 20 cm (DOP20) bzw. 100 cm (DOP100) Auflösung basiert. Zwei verschiedenartige KI-Modelle, U-Net und YOLO, werden genutzt, um PV-Anlagen zu identifizieren sowie zu segmentieren. Der Kombinationsansatz, der zunächst niedrigauflösende DOP100-Bilder analysiert und dann gezielt hochauflösende DOP20-Kacheln einsetzt, steigert die Effizienz, indem nur relevante Bildbereiche mit hoher Auflösung verarbeitet werden. Erste Tests in drei bayerischen Landkreisen zeigen eine hohe Genauigkeit beider KI-Modelle. Der Ansatz soll für die flächendeckende Segmentierung in Bayern eingesetzt werden und so zur Änderungsdetektion und Qualitätssicherung des Digitalen Basis-Landschaftsmodells (ATKIS® Basis-DLM) beitragen.
Summary
The article presents an efficient AI workflow for detecting and segmenting ground-mounted photovoltaic systems across Bavaria. A two-step approach was developed based on high-resolution digital orthophotos with 20 cm (DOP20) and 100 cm (DOP100) resolution. Two AI models, U-Net and YOLO, are used to identify and segment PV installations. The approach, which first processes DOP100 images and then selectively applies DOP20 tiles, significantly increases efficiency by only processing relevant areas in high resolution. Initial tests in three Bavarian counties indicate high accuracy for both AI models. The approach is intended for statewide segmentation in Bavaria, contributing to change detection and quality assurance of the Digital Basic Landscape Model (ATKIS® Basis-DLM).
Der Beitrag wird ca. 2 bis 3 Wochen nach Erscheinen der zfv zum Download zur Verfügung gestellt.