Bäume im Bild: Wie ein transdisziplinärer Ansatz und KI zur Verbesserung der Datenqualität eines städtischen digitalen Baumkatasters beitragen können

Mayer, Julia and Hoff, Lena and Ruf, Johannes and Memmel, Martin and Henninger, Sascha (2023) Bäume im Bild: Wie ein transdisziplinärer Ansatz und KI zur Verbesserung der Datenqualität eines städtischen digitalen Baumkatasters beitragen können. LET IT GROW, LET US PLAN, LET IT GROW. Nature-based Solutions for Sustainable Resilient Smart Green and Blue Cities. Proceedings of REAL CORP 2023, 28th International Conference on Urban Development, Regional Planning and Information Society. pp. 61-71. ISSN 2521-3938

Text (Bäume im Bild: Wie ein transdisziplinärer Ansatz und KI zur Verbesserung der Datenqualität eines städtischen digitalen Baumkatasters beitragen können) CORP2023_112.pdf - Published Version Download (1MB)

Abstract

Städtische Baumkataster werden aus vielfältigen Gründen erstellt und gepflegt: Die Standorte und Arten der Bäume auf öffentlichem Grund spielen bei der Pflegeplanung - vor allem mit Blick auf die zu erwartenden Effekte durch den Klimawandel - eine zunehmende Rolle. Insbesondere der Zustand ist relevant für die Kommune, um ihrer Verkehrssicherungspflicht nachzukommen. Des Weiteren sind Bäume in der Bauplanung wesentlich und nicht zuletzt auch im Naturschutz von hoher Relevanz. Die Digitalisierung städtischer Baumkataster hat in den letzten Jahrzehnten weitere Vorteile mit sich gebracht: Der Prozess der Datenerfassung und -bearbeitung kann einfacher und effizienter gestaltet werden. Durch die leichtere Zugänglichkeit ist eine bessere Planung, deren Koordination und eine Weitergabe relevanter Daten schneller realisierbar. Dies trägt auch zu einer transparenteren Kommunikation bei. Der Export von Daten ermöglicht zudem Analysen und automatisierte Anwendungen. Allerdings stellt es die Kommunen vor eine große Herausforderung, das Baumkataster aktuell, vollständig und fehlerfrei zu halten, da es sich um eine sehr große Datenbasis handelt, die sich regelmäßig ändert. Verschiedene (meist proprietäre) Anwendungen unterstützen die Mitarbeitenden von Kommunen durch intuitiv nutzbare Eingabemasken, um das städtische Baumkataster zu bearbeiten. Es bleibt jedoch immer die Herausforderung, dass die verschiedenen Merkmale einzelner Bäume oder Baumgruppen händisch angelegt oder bearbeitet werden müssen. Dies ist umso aufwändiger je mehr Merkmale ein Baumkataster enthält und birgt die Gefahr, dass durch mitunter mangelhafte fachliche Kenntnisse fehlerhafte Einträge vorgenommen werden. Es gibt zwar technische Hilfsmittel wie Bestimmungs-Apps, die bei nicht-trivialen Merkmalen wie bspw. Höhe herangezogen werden können, aber manche Eigenschaften, wie z.B. das Alter, können oft nur geschätzt werden. Alle diese Gründe führen dazu, dass die Datenqualität städtischer Baumkataster oft unbefriedigend ist und die Daten nicht ohne Bedenken genutzt werden können. Im Rahmen des Klimawandels werden überdies Merkmale relevant, die bisher nicht erfasst wurden. Beispielsweise können ergänzende Angaben zum Standort (bspw. Baumscheibe oder Park) dazu dienen, einen potenziellen Trockenstress besser vorauszusagen. Eine Klassifizierung des Allergenpotenzials kann darüber hinaus Menschen mit Allergien eine adäquate raumrelevante Information zu „Allergen-Belastungsgebieten” zur Verfügung stellen. Um den großen personellen und zeitlichen Aufwand der Pflege des städtischen Baumkatasters in Zukunft zu minimieren und weitere für die Planung und Wissenschaft relevante Merkmale großflächig integrieren zu können, wird in Kaiserslautern ein transdiszplinärer Ansatz erprobt, der auf Grundlage verschiedener Datenbasen und mit Einbezug unterschiedlichster Akteursgruppen arbeitet. Ausgangslage sind das vorhandene Baumkataster der Stadt, das lückenhaft ist und nur wenige Merkmale enthält, allerdings wegen der präzisen GPS-Standorte eine gute Datenbasis bildet. In Kombination mit Luftbildern kann ein Deep-Learning-Modell trainiert werden, das die fehlenden Bäume erkennt. Ein weiteres KI-Modell, das mit Panoramabildern und LiDAR-Daten aus Straßenbefahrungen arbeitet, soll zudem eine Artenbestimmung ermöglichen. Die Ergebnisse werden von Fachkundigen stichprobenartig evaluiert, sodass eine Feedback-Schleife entsteht, mit der die Modelle sukzessive verbessert werden. Gleichzeitig wird eine Web-Anwendung entwickelt, die eine nutzerfreundliche Oberfläche bereitstellt, auf der Forschende und interessierte Bürgerinnen und Bürgern weitere Merkmale ergänzen können - auf diesen Daten können weitere Modelle trainiert werden. Andere Merkmale, wie etwa Höhe des Baumes, können automatisiert aus den vorhandenen Datensätzen extrahiert werden. Im Rahmen des Prozesses sollen unterschiedliche Datenbasen unter Berücksichtigung der rechtlichen Rahmenbedingungen, der Kosten und der Verfügbarkeit als Trainingsdaten dienen und eine Aussage über die Qualität der jeweiligen Ergebnisse getroffen werden. Des Weiteren ist es ein erklärtes Ziel, die KI-Modelle übertragbar zu gestalten, so, dass sie in Regionen mit ähnlichem Baumbestand direkt angewendet werden können. Eine weitere Anwendung kann die Aktualisierung des Baumkatasters und das Monitoring der Datenqualität desselben sein, sobald neue Daten zur Verfügung stehen.

Item Type:	Article
Uncontrolled Keywords:	artificial intelligence, machine learning, künstliche Intelligenz, Datenqualität, Baumkataster
Subjects:	G Geography. Anthropology. Recreation > GE Environmental Sciences H Social Sciences > HA Statistics Q Science > QA Mathematics > QA76 Computer software
Depositing User:	REAL CORP Administrator
Date Deposited:	04 Oct 2023 11:03
Last Modified:	04 Oct 2023 17:25
URI:	http://repository.corp.at/id/eprint/1065

Actions (login required)

View Item