Gebäudedetektion auf Basis von Luftbildern und Punktwolken des Regionalverbands Ruhr
This is a modal window.
The media could not be loaded, either because the server or network failed or because the format is not supported.
Formal Metadata
| Title |
| |
| Title of Series | ||
| Number of Parts | 107 | |
| Author | ||
| License | CC Attribution 4.0 International: You are free to use, adapt and copy, distribute and transmit the work or content in adapted or unchanged form for any legal purpose as long as the work is attributed to the author in the manner specified by the author or licensor. | |
| Identifiers | 10.5446/61139 (DOI) | |
| Publisher | ||
| Release Date | ||
| Language |
Content Metadata
| Subject Area | ||
| Genre | ||
| Abstract |
| |
| Keywords |
7
12
19
20
24
30
33
34
44
65
72
74
76
79
80
84
87
91
00:00
Point cloudParticle detectorBlock (periodic table)Lecture/Conference
01:02
Point cloudParticle detector
01:21
Beam (structure)Digitales GeländemodellPoint cloudService (economics)GeoinformationTable (information)Gebiet <Mathematik>File formatInformationFocus (optics)DownloadProduct (category theory)Smart cardDigitales GeländemodellAngular resolutionRow (database)Router (computing)Point cloudService (economics)GeodesicPhysical quantityAbbildung <Physik>Interface (chemistry)Particle detectorForm (programming)TOUR <Programm>Scientific modellingScalar potentialProfessional network serviceSanitary sewerSurfaceComputer animation
09:04
PostgreSQLSQLiteSQLDatabaseWindows RegistryOpen sourceGNU <Software>Mathematical analysisUnterstützungssystem <Informatik>Grass (card game)Mono-FrameworkParticle detectorTime travelComponent-based software engineeringotto <Programmiersprache>Unterstützungssystem <Informatik>Digital signalAttribute grammarBuildingObject (grammar)Digitales GeländemodellSurfaceRAMAbstract machineHöheTime series
12:07
Windows Workflow FoundationMedianMaximum (disambiguation)StatisticsGreatest elementAverageZahlStandard deviationRow (database)Interface (chemistry)Complete metric spaceParticle detectorHöheFractalParameter (computer programming)Digital signalObject (grammar)HöheAttribute grammarZahlRow (database)EstimationMetrePolygonInterface (chemistry)SurfaceVector graphicsBruchteilComplete metric spaceScientific modellingParameter (computer programming)TRAMO <Programm>Boom (sailing)Charakteristik <Algebra>Sanitary sewerInformationBuildingIndexData modelVector graphicsStatistikerAbschätzungNegative numberQualitätsmaßComputer animation
21:37
INGA <Programm>VideoconferencingZahlRoute of administrationPoint cloudOnline chatHöheFlugdatenServer (computing)Local ringDigital rights managementSoftwareKommunikationObject (grammar)InformationLaptopScientific modellingComputer hardwareCalculationLecture/ConferenceMeeting/Interview
Transcript: German(auto-generated)
00:07
Los, wir sind jetzt beim letzten Vortragsblock heute hier und der erste Vortrag geht um Gebäudedetektion auf Basis von Lüftbildern und Punktwolken beim Regionalverband Ruhr. Das wurde in einem Gemeinschaftsprojekt vom
00:23
Regionalverband Ruhr mit der Firma Mundialis gemacht. Wir haben jetzt auch drei Vortragende hier, das ist die Inga Niesen vom Regionalverband Ruhr, die Leonie Krelhaus auch vom Regionalverband Ruhr und der Markus Metz von Mundialis und dann schauen wir mal, was wir
00:42
interessantes jetzt zu hören bekommen. Ja genau, also von uns ein herzliches willkommen. Wir freuen uns, dass dann doch so viele hier uns zuhören wollen, gerade weil wir jetzt ein Fernerkundungsthema tatsächlich haben. Genau, Herr Arndt hat uns schon vorgestellt, mein Name ist Inga Niesen. In den kommenden 20 Minuten
01:02
möchten wir Ihnen unsere Methodik der automatisierten Gebäudedetektion nahebringen und zwar mit Daten des Regionalverbands Ruhr, also mit Daten, die wir selber erheben und das sind explizit Luftbilder und Punktwolken und ja, ich denke, die kommenden 20 Minuten werden ganz
01:20
spannend. Das sind unsere Themen für die kommenden 20 Minuten. Zunächst eine Einordnung, wer wir im Konkreten sind, was wir machen im Regionalverband Ruhr und auch insbesondere, welche Zielsetzung wir verfolgen mit der Gebäudedetektion, die wir jetzt entwickelt haben. Dann ein paar interessante Punkte zu den Geodaten im Allgemeinen.
01:45
Zielsetzung genau und Herr Metz wird dann übernehmen und die konkrete Methodik ein bisschen vorstellen, auch einordnen, inwiefern wir, also wo die Methodik an ihre Grenzen kommt, was möglich ist, das denke ich wird ganz spannend. Genau, ein paar grundlegende Informationen zum Regionalverband
02:08
Ruhr. Der RVR, kürze ich ihn mal ab, hat seinen Sitz in Essen, ist eine Körperschaft des öffentlichen Rechts. Das Verbandsgebiet selbst umfasst die elf kreisfreien Städte und vier Kreise des Ruhrgebietes.
02:20
Damit bildet das Gebiet die Metropole Ruhr. Das Wohl dieser Metropole Ruhr steht grundsätzlich im Zentrum des gesetzlichen Auftrags und doch die Aufgaben und Tätigkeiten sind im RVR-Gesetz geregelt. Ja, zur Ausübung dieser Tätigkeiten fungiert der RVR als Netzwerker, Koordinator, Impulsgeber, Dienstleister oder Projektträger, wie zum
02:44
Beispiel in diesem Fall unserer Gebäudedetektion. Gleichzeitig befassen wir uns aber auch mit der staatlichen Regionalplanung in der Metropole Ruhr. Besonders hervorheben kann man im Kontext zum Beispiel Infrastrukturprojekte wie die Route der Industriekultur oder
03:00
auch den Emscher Landschaftspark. Hier mal zur Einordnung eine doch ganz hübsche Abbildung auch in dem Kontext zum Flächenvergleich mit dem Bundesland Nordrhein-Westfalen. Wir haben insgesamt eine Verbandsgebietsfläche von 4500 Quadratkilometern. Das
03:22
Verbandsgebiet erstreckt sich von West nach Ost, vom Kreis Wesel bis zum Kreis Unna und von Nord nach Süd, vom Kreis Recklinghausen zum NLP-Ruhrkreis. Insgesamt leben dort über 5 Millionen Einwohner innen und im Vergleich zum gesamten, also im Flächenvergleich mit NRW
03:41
ist es schon eine recht große Fläche, was tatsächlich von Rilvanz ist später noch. Genau, ein paar Informationen zu den Geodaten im Allgemeinen, auch in dem Kontext, weil meine Kollegin Leonie Krelhaus und ich vom Referat Geoinformation und Raumbeobachtung im RVR sind. Wir stellen seit Jahren Karten und
04:03
Geodaten bereit und diese Karten und Geodaten werden halt nicht nur durch die Städte und Kreise im Verbandsgebiet genutzt, sondern eben auch, wenn ich jetzt explizit an gedruckte Karten zum Beispiel denke, die werden auch aufgrund der Touren-Tipps, die diese Karteninhalten sehr gerne unter anderem von Radlerinnen
04:22
benutzt. Und da wir allgemein im Verbandsgebiet noch eine relativ große Vielfalt an Geoinformationen vorliegen haben, auch in unterschiedlichsten Formaten und Ausprägungen haben wir Unterstützung durch das Geonetzwerk, das beispielsweise die Geoinformationen und Ressourcen entsprechend bündelt
04:43
für zum Beispiel Web-Darstellung. Nicht ganz unrelevant ist auch die Flächennotungskartierung des RVR, sieht man hier ganz schön auf der Abbildung 2. Ich hoffe, Sie können das auch so ganz gut erkennen von den Farbunterschieden her. Und zum anderen besonders hervorheben möchte ich auch
05:01
die Luftbilder und digitalen Autofotos des RVR. Wir sehen hier ein historisches Luftbild von 1926. Ja, genau. Und konkret um die Luftbilder soll es heute gehen. Die haben tatsächlich bei uns schon eine sehr lange Tradition. Schon in den 1920er Jahren wurden sie in
05:23
der Metropole Ruhr für die Planung verwendet. Konkret gesagt, ja, bis 1925 die erste Befliegung des kompletten Gebiet. Und seit 2020 machen wir das jetzt in einem jährlichen Tournus, dass wir eben die komplette Metropole selber abfliegen. Wie Sie hier rechts in der Tabelle sehen können, machen wir das wechselnd im Sommer und im
05:43
Frühjahr. Und das Ganze findet in Kooperation mit dem Land Nordrhein-Westfalen statt. Und wir erreichen dabei eine räumliche Auflösung von 7,5 Zentimetern bzw. bis 2021 waren es noch nur 10 Zentimeter. Neben den Luftbildern selber fallen dabei auch noch diverse
06:02
andere Produkte ab, unter anderem Schrägluftbilder, natürlich auch Autofotos. Wir haben da grün-rot, blau und naher Infrarotkanäle dabei und stellen digitale und true Autofotos her. Neben diesen klassischen Bilderprodukten haben wir aber auch Punktwolken und 3D und 2,5D. Und daraus können wir eben Oberflechtmodelle
06:24
ableiten, was jetzt im späteren Verlauf auch noch relevant wird. Und ein digitales Geländemodell. Ja, im Endeffekt haben wir jetzt gesagt, okay, mit diesen Produkten wollen wir arbeiten. Und zwar um eine automatisierte Gebäudedetektion zu machen.
06:41
Warum ist das wichtig? Es besteht bisher die Pflicht zur Einmessung von neuen Gebäuden, insbesondere bei Altbauten ist es teilweise auch der Fall, dass Einmessungen so lange zurückliegen, dass Daten unvollständig sind in den Alkesdaten. Und hier beispielhaft rechts sehen wir einmal Daten von 2020
07:02
für die Stadt Herne, wo eben sehr schön erkennbar ist, in blau dargestellt die Alkesdaten, dass eben diese kompletten Gebäude darin noch nicht vorhanden sind. Und wir haben jetzt gesagt, gut, man muss dazu vielleicht auch noch sagen, wir haben in NRW natürlich auch das Glück, dass Alkesdaten frei verfügbar sind. Genau, im Prinzip wollten wir diese Lücke schließen und haben gesagt, okay,
07:23
unser Fokus ist die bauliche Veränderung. Das heißt, wir wollen wissen, welche Gebäude sind neu dazugekommen und welche Gebäude wurden niedergelegt. Und das wollen wir für die komplette Metropole Ruhe erfassen. Und diese Daten, die wir dann generiert haben, die wollen wir bereitstellen, sowohl als Dienst als auch als Download. Und das Tool, was wir dafür
07:43
verwenden bzw. was die Firma Mundialis entwickelt hat, das wollen wir eben auch zur Verfügung stellen, frei, sodass wenn sie über die die entsprechenden Eingangsdaten verfügen, sie das theoretisch auch für ihre Region selber berechnen können. Genau, in den letzten
08:01
Monaten haben wir das Ganze auch nochmal weiterentwickelt und zwar mit dem Fokus Dachbegrünung. Dachbegrünung ist ja in zwischen erwiesenermaßen hat sehr viele Vorteile im urbanen Raum, z.B. im Bereich der Malregulierung, Überdämmung und Hitzeschutz, aber auch eben im Bereich von Parkregen oder CO2 Reduktion. Wenn wir jetzt
08:23
einen Datensatz hätten, flächendeckend, mit allen begrünten Nächern der Metropole Ruhe, könnten wir den nutzen als Eingangsdatensatz für Klimamodelle, aber natürlich auch in der Stadt- und Regionalplanung sowie in der Klimaanpassung. Das, was wir schon haben, ist ein Grün-Dach-Potenzial-Kataster,
08:43
hier beispielhaft dargestellt für die Stadt Bottrop. Im Prinzip sehen wir hier für jedes Dach, wie viel Potenzial besteht für Dachbegrünung, aber was eben komplett fehlt, ist der Ist-Zustand. Und genau den wollen wir jetzt erfassen. Und Markus Metz zeigt Ihnen, wie das geht.
09:01
Dankeschön. Dann werde ich ab hier übernehmen. So, wir haben bei Mundiales GRAS-GIS genommen, um diesen semi-automatischen Arbeitsablauf zu entwickeln. GRAS-GIS steht für Geographisches Ressourcen Analysis Support System. Das ist ein Open-Source-GIS, schon seit 1999
09:22
Open Source, also GPL. Und der große Vorteil gerade für solche Projekte ist, dass es eine modulare Struktur hat. Es ist kein monolithisches Programm und damit lassen sich verschiedene Komponenten sehr einfach kombinieren und dadurch lässt sich sehr einfach ein automatischer Ablauf neu entwickeln.
09:44
Sowohl bei Mundiales als auch jetzt konkret mit GRAS-GIS sind wir auf Fernaukundung spezialisiert. GRAS-GIS macht nicht nur Fernerkennung, sondern generell. Es ist eigentlich ein allgemeines GISS-Tool, aber hat eben
10:00
auch sehr viele Fernaukundungswerkzeuge eingebaut. Zusätzlich, das spielt hier nur untergeordnet eine Rolle, ist in GRAS-GIS auch eine Zeitreihenanalyse eingebaut oder verschiedene Werkzeuge dafür mit eigenen Raum-Zeit-Daten-Modellen. Und wir haben auch ein integriertes Datenbank-Management, was zum Beispiel bei den Gebäuden ganz
10:21
interessant wird, wenn man noch verschiedene Attribute dazu fügen oder mit Referenzdaten vergleichen möchte. So, nochmal zu den Eingangsdaten. Wie bereits erwähnt, ist die wichtigste Eingangsdatenquelle hier die Luftbilder, digitale Ortofotos. Es werden allerdings
10:40
grundsätzlich auch True-Ortofotos, also echte Ortofotos. Das bedeutet, dass vertikale Objekte korrekt aufgerichtet wurden, auch unterstützt. Entwickelt wurde die Methode allerdings mit den digitalen Ortofotos. Für die Gebäudetetektion ist auch ein wichtiger Eingangsdatensatz der Flächennutzungskatalog vom
11:01
RVR, der dafür benutzt wird, um Flächen auszufiltern, auf denen garantiert keine Gebäude stehen können. Dann haben wir als weitere Eingangsdaten das digitale Geländemodell, das also die Höhe des Geländes unter den Objekten anzeigt und dann das digitale
11:21
Oberflächenmodell, wo Objekte auch drin enthalten sind. Dazu kommen noch für die Veränderungsdetektion oder auch um eine Qualitätssicherung, Qualitätsanalyse durchzuführen, Referenzdaten, hier zum Beispiel ALKES-Daten oder auch direkt
11:41
Hausumringe, das werde ich später nochmal zeigen, direkt vom RVR. Für die Dachbegrünungsdetektion kommen ebenfalls wieder, hier sind sie, die Hausumringe, man könnte hier auch genauso gut die ALKES-Gebäudedaten nehmen dazu und Baumkronen, die in einem
12:01
Parallelprojekt erstellt wurden, um eben grüne Dächer von Bäumen unterscheiden zu können. Aus diesen Daten haben wir dann wiederum andere Daten abgeleitet, vor allem normalisierte Differenzen, zum Beispiel der normalisierte Vegetationsindex oder auch direkt die Objekthöhe, die als
12:21
digitales Oberflächenmodell minus digitales Skellennemodell berechnet wird. Darüber hinaus haben wir noch andere normalisierte Differenzen genommen, um das Modell zu füttern und auch noch die Helligkeit mit dazu genommen, um eben tatsächlich begrünte Dächer
12:40
erkennen zu können. Die Gebäude selber wurden dann, oder potenzielle Gebäude, wurden anhand dieses normalisierten Oberflächenmodells und des normalisierten Vegetationsindex berechnet, extrahiert, wobei mit dem N-DOM erstmal grundsätzlich potenzielle
13:01
Gebäude erfasst werden. Dabei sind aber auch noch Bäume und höhere Vegetation. Diese Unterscheidung zwischen Gebäuden und Vegetation findet anhand eines NDVI, also des Vegetationsindex, Schwellenwertes statt. Dazu haben wir noch verschiedene Optionen eingebaut,
13:21
um die Gebäudetektion anzupassen, zum Beispiel eine Mindestgröße für Gebäude und auch dieser Schwellenwert kann angepasst werden. Da komme ich später nochmal dazu auf die Grenzen der Methodik und die Unterschiede der Eingangsdatensätze. Bei der Extraktion dieser Gebäude enthält der Ergebnis-Vektordatensatz
13:41
dann Attribute für die einzelnen Gebäudeprolegone, zum Beispiel N-DOM-Statistiken und auch die geschätzte Etagenzahl, wobei wir hier eine Etagenhöhe von drei Meter angenommen haben, um wenigstens eine grobe Schätzung zu bekommen. Weil wir ja nur von oben gucken und nicht von der Seite mit den Luftbildern, kann man
14:00
die Etagen eben nur über die Höhe abschätzen. Das wäre dann der Ergebnis-Datensatz, also ein Beispiel hierfür und wie die Gebäude anhand der Luftbilder und des N-DOMs erkannt wurden. Und rechts auf der Seite sehen Sie dann auch die abgeleiteten oder die hinzugefügten Attribute, die
14:20
noch zusätzlich für jedes Gebäude extrahiert und bestimmt wurden. Bei dem Vergleich mit Referenzdaten werden diese identifizierten Gebäude eben mit einem Referenzdatensatz verglichen. Das kann ein Alkes-Datensatz sein oder auch die Hausumringe des KVR.
14:43
In diesem Vergleich bei den Referenzdaten gibt es einen neuen Ergebnis- Vector-Datensatz, der Flächen enthält, die entweder nur im Datensatz der identifizierten Gebäude enthalten sind oder nur im Referenzdatensatz, also eine entweder oder. Und darüber kann man dann Unstimmigkeiten
15:02
in den beiden Gebäudedatensätzen erkennen. Dazu gibt es dann natürlich auch noch eine Attributspalte, die angibt, in welchem Datensatz jetzt welche Fläche exklusiv vorkommt, also entweder nur in unserer Klassifikation oder nur in dem Referenzdatensatz.
15:22
Um kleine Unstimmigkeiten in den Datensätzen zu vermeiden oder zu eliminieren, gibt es auch eine Mindestgröße für Veränderungsflächen. Das heißt, wenn eine Veränderungsfläche nur ein paar, ein Quadratmeter oder ein Bruchteil davon groß ist, gehen wir davon aus, dass es
15:42
einfach Ungenauigkeiten in den Eingangsdaten sind und dass es jetzt kein Gebäude ist, das da irgendwie mit einer Fläche von einem halben Quadratmeter plötzlich entstanden ist. Dazu gibt es dann auch noch Qualitätsmaße für die extrahierten oder mit dieser Methode bestimmten Gebäude. Einmal die Vollständigkeit, das wäre die
16:02
korrekt identifizierte Gebäudefläche durch die Gesamtfläche der Referenzgebäude und auch die Korrektheit, das wäre wieder die korrekt identifizierte Gebäudefläche, aber diesmal durch die Gesamtfläche der Klassifikationsgebäude. Also wie viel der erkannten Gebäude
16:21
sind, wie viel Prozent der erkannten Gebäude sind auch tatsächlich im Referenzdatensatz. So, dieses Bild haben Sie vorhin schon gesehen, hier haben wir jetzt einmal nochmal in Hellblau die Alkes- Gebäudeumringe und in Rot die mit dieser Methode erkannten Gebäude
16:41
und hier wurde dann auch diese Lücke erfolgreich geschlossen, das heißt die neuen Gebäude sind hier erfolgreich oder erfolgreich und korrekt erkannt worden. Bei der Dachbegrünung geht es um die Erkennung begrünter Dachflächen und zugehöriger Gebäude, hier
17:02
wieder anhand des normalisierten Oberflächenmodells und dazu wurde hier die normalisierte Differenz der Grün- und Blaukanäle genommen und auch noch der vorhin erwähnte Helligkeitswert. Und die Extraktion der begrünten Dächer erfolgt auf bestehenden Gebäudeumringen, hier
17:23
kann man sich aussuchen, welche Gebäudeumringe man nimmt, ob man Alkes-Daten nimmt oder RVR-Gebäudeumringe oder die mit der eben beschriebene Methode bekannten neoklassifizierten Gebäude. Die Unterscheidung zwischen begrünten Flächen und nicht begrünten Dachflächen erfolgt hier
17:42
vor allem über Schwellenwerte für die normalisierte Differenz des Grün-Blau, der Grün-Blaukanäle, sowie die Helligkeit, die können auch gesteuert werden, um eben Unterschiede in der Qualität der Luftaufnahmen gerecht zu werden.
18:02
Weiterhin geht es auch darum, die Baumüberhänge zu identifizieren, das wären dann die Baumeingangsdaten mit den Baumkronen, die ich vorhin erwähnt habe, damit man eben hohe Bäume, die über Dächer drüber ragen, unterscheiden kann von tatsächlich begrünten Dächern.
18:22
Genau, und damit werden die Ergebnisse nochmal verbessert, wenn eine solche Baum-Polygon-Layer zur Verfügung steht. Andernfalls kann man versuchen, über Endom-Unterschiede zum restlichen Gebäude noch solche falscherkannt begrünten Dächer zu erkennen,
18:40
aber das funktioniert natürlich nicht so gut, wie wenn man tatsächlich Informationen über die bestehenden Bäume hat. Hier sehen wir jetzt in der Mitte, auch das wurde vorhin schon mal gezeigt, begrünte Dächer, die dann hier auch erkannt wurden, das ist das Hellgrün schraffierte, genau in der Bildmitte,
19:01
während die anderen Dächer eben nicht begrünt sind und auch nicht als solche identifiziert wurden. Jetzt kommen wir zum Gültigkeitsbereich der Methodik. Da geht es einmal um die Qualität der Eingangstaten, auch um die Einheitlichkeit. Wie vorhin beschrieben, gibt es diese Luftbilder-
19:20
Datensätze ja vor verschiedener Jahre. Wir konnten das im Rahmen dieses Projektes nicht vor jedes einzelne Jahr testen. Deswegen gibt es auch die Möglichkeit, diese verschiedenen Parameter anzupassen, um für ein neues Jahr möglichst gute Ergebnisse zu bekommen. Einen großen Einfluss hat auf jeden Fall der Befliegungszeitraum der
19:40
Luftbildaufnahmen, auch das wurde vorhin schon erwähnt. Die Luftbilder werden abwechselnd im Frühjahr und im Sommer aufgenommen und haben dadurch natürlich auch unterschiedliche Charakteristiken und die Temperaturen. Dazu kommt auch gleich noch ein Beispiel. Genau, im Sommer gibt es dann vorwiegend mehr und grünere
20:01
Dachbegrünung. Das hängt aber auch von der Art des Sommers ab. Das kann man so alles nicht über einen Kamm scheren. Es gibt eben sehr nasse Sommer mit sehr viel Regen oder was wir jetzt auch in den letzten Jahren hatten, tatsächlich ungewöhnlich heiße und trockene Sommer. Das wäre dann der letzte Punkt der Einfluss von Trockenheit während der Aufnahme.
20:23
Hier noch ein Beispiel dazu. Auf der linken Seite sehen Sie eine Aufnahme von Juni 2020, auf der rechten Seite eine Aufnahme von Juli 2022 und die begrünten Dächer erscheinen deutlich weniger begrünt auf der Aufnahme von Juli 2022.
20:42
Bei der Gebäudetektion gibt es falsch positive Ergebnisse, vor allem Gebäudeähnliche Objekte, die können auch über verschiedene Parameter reguliert und ausgefiltert werden. Falsch positive erkannte Bäume sind auch ein Problem, kann man auch über die VI-Schwellenwert
21:01
regulieren. Und dann gibt es natürlich auch falsch negative Ergebnisse, theoretisch, dass eben Gebäude nicht als Gebäude erkannt werden, zum Beispiel aufgrund der Dachfarbe. Bei der Dachbegrünung gibt es da noch Probleme mit verschatteten Bereichen oder sehr roten Dächern. Da funktioniert dann die Methode
21:21
mit der Helligkeit und dem Rot-Grün-Verhältnis eben nicht so gut. Und wie erwähnt, der Baumüberhang über Dächer ist auch ein Problem, das nur mit einer entsprechenden Baumlayer, also Informationen über Baumstandorte, gelöst werden kann. Oder am besten gelöst werden kann. Damit möchte ich mich bei Ihnen für
21:40
Ihre Aufmerksamkeit bedanken und gebe das Mikrofon erstmal nicht ab. Warte auf Ihre Frage. Genau, es gibt nämlich Fragen. Ich habe hier im Chat drei Fragen. Die erste Frage wäre,
22:01
würde die Analyse auch mit Satellitenbildern funktionieren? Jährlich aktualisiert. Wäre ja vielleicht eventuell günstiger als die Luftbildbefligung. Wobei ich natürlich sagen kann, ich bin auch vom RVR die Luftbildbefligung, die würde trotzdem stattfinden. Ebenso ist das günstiger. Aber die Frage ist, würde das auch mit Satellitenbildern
22:20
funktionieren? Grundsätzlich ja, günstiger wird es allerdings nicht, weil man sehr hoch aufgelöste Bilder braucht. Satellitenbilder mit der erforderlichen Auflösung sind bisher nicht kostenfrei zugänglich. Die zweite Frage wäre, kann man Bilder aus verschiedenen Winkeln kombinieren und daraus 3D-
22:40
Gebäudedaten generieren? Oder sind nur die TrueDops verfügbar und nutzbar? Also grundsätzlich die Luftbilder werden im sogenannten Stereo-Verfahren, wenn ich richtig informiert bin, aufgenommen. Das heißt, man hat jeden Fleck
23:01
aus zwei verschiedenen Winkeln aufgenommen. Darüber kann man dann auch 3D- Gebäudemodelle entwickeln. Das sind auch die Punktwolken, die eingangs schon erwähnt wurden, die 3D- Punktwolken und die 2,5D- Punktwolken, die eben Informationen über die Höhe geben von Objekten. Das leitet nämlich auch schon zu dritten Frage
23:21
über, nämlich wie hoch die Punktdichte bei den Punktwolken ist. Das hängt davon ab, mit welchen Bildflugdaten von welchem Jahr wir arbeiten. Soweit ich mich erinnere, haben wir 100 Punkte pro Quadratmeter bei den Daten von 2020, bei den 2,5D-Punktwolken. Bei den 2020er-Daten
23:43
sind es mehr, weil die Anwendung entsprechend auch höher ist. Genauer gesagt kann ich jetzt nicht sagen. Das muss ich nochmal nachsehen. Das sind die Fragen aus dem Chat. Gibt es hier aus dem Publikum noch Fragen?
24:01
Ja, vielen Dank für den spannenden Vortrag. Können Sie ein bisschen berichten, wie die Kommunen die Anwendung nutzen oder nutzen wollen? Also beispielsweise für die Stadtplanung oder für die Kommunikation an die Bürgerinnen und Bürger, um so ein bisschen für begrünte Dächer zu werben. Gibt es da schon konkrete
24:20
oder konkrete Beispiele aus den Kommunen? Ja, wie meine Kollegin anfangs sagte, sind wir gerade in der Testphase von diesen Tools. Das heißt, es haben auf jeden Fall erste Gespräche mit den Kommunen stattgefunden. Aber es ist eben die Gebäudelayer, das Projekt besteht auch schon etwas länger, die werden hauptsächlich genutzt, um Alkesdaten
24:40
zu ergänzen. Die Dachbegrünungs Option ist aber jetzt noch sehr frisch. Das heißt, dazu haben wir jetzt noch nicht konkret mit den Kommunen gesprochen. Dann noch eine letzte Frage war hier. Diese Methode, wo Graskis verwendet wird, wird das
25:00
lokal verwendet oder irgendein Server? Die eigentliche Analyse haben wir auf einem unserer Server jetzt durchgeführt. Aber die Tools werden eben in absehbarer Zeit frei zur Verfügung gestellt,
25:21
womit dann sowohl die Software als auch die Daten alle offen wären. Und dann kann man das auf seinem eigenen System auch durchrechnen. Wenn man das jetzt für das gesamte, für den gesamten Regionalverband Ruhr rechnen möchte, braucht man natürlich entsprechende Hardware-Ressourcen. Für seine eigene
25:40
Kommune reicht ein normaler, besserer Laptop, um das durchzurechnen. Okay, das wäre es dann zu diesem Vortrag. Wir haben jetzt noch fünf Minuten zum Wechseln und dann geht es weiter mit den nächsten Vorträgen.