Photovoltaik-Module aus Orthofotos kartieren: 47.818 Bilder, ein Shapefile für ganz NRW

Für die Planung von Netzausbau, Speicherbedarf und Förderprogrammen ist der Bestand die Grundlage. Bei Photovoltaik ist dieser Bestand aber verteilt: viele kleine Anlagen, viele Eigentümer, Meldewege, die nicht alles erfassen. Es entsteht eine Informationslücke darüber, wo erneuerbare Erzeugung tatsächlich schon installiert ist.

Diese Lücke lässt sich schließen, ohne neue Daten zu erheben. Die Anlagen sind auf Luftbildern zu sehen – man muss sie nur finden, und zwar flächendeckend und wiederholbar.

Digitale Orthofotos aus dem OpenGeoData-Portal des Landes Nordrhein-Westfalen: 47.818 Bilder mit vier Spektralbändern, 0,1 Meter räumlicher Auflösung, im Bezugssystem EPSG 25832.

Bemerkenswert daran ist die Quelle: Es sind offene Verwaltungsdaten. Für die Auswertung war keine Befliegung nötig und kein Datenkauf – nur die Fähigkeit, mit dieser Datenmenge umzugehen.

Die Module sehen nicht gleich aus. PV-Module unterscheiden sich in ihren Farbeigenschaften erheblich – nach Bauart, Alter und Verschmutzung. Ein Modell, das auf eine Erscheinungsform trainiert wird, übersieht die anderen.

Sehr kleine Flächen mit wenig Merkmalen. Ein Modul belegt im Orthofoto eine kleine Fläche mit wenig innerer Struktur. Es gibt kaum Merkmale, an denen sich ein Modell festhalten kann – die kleinsten Anlagen blieben deshalb außerhalb der Erfassung.

Dachneigung verzerrt die Erscheinung. Module liegen auf geneigten Dächern. Im senkrecht aufgenommenen Orthofoto erscheinen sie dadurch verkürzt und verzerrt, und zwar je Dach unterschiedlich. Dieselbe Anlage sieht auf zwei Dächern verschieden aus.

Annotation in ArcGIS, Training in TensorFlow. Die Trainingsdaten wurden in ArcGIS gelabelt und in die TensorFlow Object Detection API exportiert. Der Vorteil: Die Annotation bleibt georeferenziert, das Training läuft in der Umgebung, in der die Modelle zuhause sind.

Instanzsegmentierung mit Mask R-CNN. Das Verfahren liefert nicht nur einen Rahmen um jedes gefundene Modul, sondern eine Maske – also die tatsächliche Fläche. Das ist der entscheidende Unterschied für diese Aufgabe: Ein Rahmen sagt, dass dort eine Anlage ist, eine Maske sagt, wie groß sie ist. Erst damit lässt sich später über Fläche und Leistung sprechen.

Ausgabe als Geodatensatz. Das Ergebnis ist ein Shapefile mit Lage und Form der Module – nutzbar in jedem GIS, verschneidbar mit Netz-, Gebäude- und Katasterdaten.

Es entstand ein Shapefile, das Lage und Form der PV-Module in Nordrhein-Westfalen zeigt. Weil die Auswertung auf offenen Landesdaten aufsetzt, ist sie wiederholbar: Mit dem nächsten Befliegungsstand lässt sich derselbe Ablauf erneut anwenden – und daraus wird aus einer Momentaufnahme eine Fortschreibung.

Objekterfassung auf amtlichen Orthofotos trägt über Photovoltaik hinaus, und zwar mit derselben Datengrundlage: Wir haben auf denselben NRW-Orthofotos LKW erkannt und nach Bauart klassifiziert. Ebenso möglich sind Dachflächen und deren Eignung, Versiegelungsgrad, Gewässer, Baumbestand, Hallen und Silos. Wer die Quelle beherrscht, kann darauf beliebige Objektklassen erfassen – das ist der eigentliche Wert dieses Projekts.

Die Aufgabe ist einfacher geworden und die Anforderung höher. Einfacher, weil vortrainierte Foundation-Modelle für Fernerkundungsdaten mit deutlich weniger annotierten Beispielen an eine neue Objektklasse angepasst werden können, und weil promptbare Segmentierungsmodelle brauchbare Masken ohne klassenspezifisches Training liefern. Für die Verarbeitung würden wir die Bilder als Cloud-Optimized GeoTIFF mit STAC-Katalog vorhalten statt als knapp 48.000 Einzeldateien – das ist der Unterschied zwischen einem Bundesland und einem ganzen Staat. Höher, weil der interessante Schritt heute nicht die Erkennung ist, sondern was danach kommt: aus Modulfläche, Dachneigung und Ausrichtung eine Leistungsabschätzung ableiten und die Erfassung gegen das Marktstammdatenregister abgleichen. Aus einer Karte wird damit eine Aussage über Erzeugung.