Projektbeschreibung

Die landesweite Erfassung von Veränderungen der Geotopographie ist ein zentraler Baustein sowohl bei der Aktualisierung der ALKIS- als auch der ATKIS-Datenbestände. In der Vermessungs- und Katasterverwaltung Rheinland-Pfalz wird die Erhebung von ALKIS- und ATKIS-Veränderungsinformationen (tN) über ein gemeinsames Geoinformationsmanagement (GIM) realisiert, dessen wichtigste Grundlage neben der örtlichen Erkundung im Außendienst (AD), der Sichtung der Meldungen von Veränderungsverursachern und der Kontakt zu regionalen Stellen die manuelle Auswertung der aktuell im zweijährigen Rhythmus erzeugten Luftbilder bzw. der daraus abgeleiteten Orthophotos im Innendienst (ID) darstellt. Unter Berücksichtigung der geringer werdenden Personalressourcen, der kürzer werdenden Aktualisierungszyklen sowie den ständig steigenden Qualitätsanforderungen sollen im Rahmen des Projektes „Automatische Erkennung von Veränderungen der Geotopographie mittels Fernerkundung (FernVE)“ unter Einbeziehung automatischer Prozesse neue Ansätze/Konzepte entwickelt werden, mit deren Hilfe das GIM-Verfahren zur Datenerhebung und -aktualisierung effizienter und transparenter gestaltet werden kann. Vor diesem Hintergrund bieten Luftbilder wie auch andere aktuelle Fernerkundungsdaten (FE-Daten) (z.B. 3D Punktwolken aus Laserscanbefliegungen, Satellitenbilder) generell die Möglichkeit, mittels geeigneter Klassifizierungsverfahren bestimmte Objektarten im Bereich der Geotopographie in einem automatischen Prozess neu zu erfassen, bestehende Datenbestände zu aktualisieren oder zumindest konkrete Veränderungshinweise für eine gezielte Vor-Ort-Kontrolle im AD zu geben.

Ziel des Projekts ist dementsprechend die schrittweise Entwicklung eines Systems zur weitgehend automatisierten Erfassung von geotopographischen Veränderungsinformationen aus Fernerkundungsdaten. Der außerordentliche thematische Detailreichtum der dabei zu aktualisierenden Geobasisdaten (vgl. Objektartenkataloge ALKIS/ATKIS) erfordert allerdings die Modellierung von hochkomplexen Zusammenhängen bei der automatischen Klassifizierung der FE-Daten.

Das Projekt umfasst derzeit (Stand Mai 2018, 2. Projektphase) die folgenden Arbeitspakete:

• Realisierung eines Ansatzes zur Veränderungserkennung mittels Convolutional Neural Networks (CNN)
• Weiterentwicklung des Ansatzes zur Veränderungserkennung mittels CNN hinsichtlich eines Entscheidungsprozesses zur Ausgabe von robusten Veränderungshinweisen
• Konzept für die Auswertung und Integration von Sentineldaten mittels Deep Learning Verfahren

	Abb.: Klassifizierungsergebnisse mittels CNN für links: Optische Luftbilder mit 20 cm GSD und rechts: Sentinel-2 Multispektraldaten mit 10 m GSD