Windkraftanlagen-Kataster aus Satellitenbildern: 3.300 Anlagen aus 280.000 Bildkacheln

Wer neue Flächen für Windkraft plant, braucht zuerst den Bestand: Standort und Typ der vorhandenen Anlagen bestimmen Abstandsregeln, Netzanschluss und Akzeptanz vor Ort. Fehlt diese Grundlage oder ist sie veraltet, wird Flächenplanung zur Schätzung.

Eine flächendeckende Erfassung von Hand ist bei der Größe eines Bundeslands nicht leistbar, und sie wäre mit dem Abschluss bereits überholt: Allein in den Jahren 2016 und 2017 sind in Nordrhein-Westfalen rund 300 Anlagen neu entstanden. Eine Erfassung muss also nicht nur einmal funktionieren, sondern wiederholbar sein.

Satellitenbilder aus der Datenbank Esri World Imagery: 280.000 einzelne Bildkacheln, die je einen Quadratkilometer abdecken, jeweils mit Geo-Metadaten.

Für das Training wurden 500 Bilder ausgewählt und 200 zur Validierung – zusammen etwa 200 Windkraftanlagen unterschiedlicher Bauart. Die Anlagen wurden in ArcGIS Pro von Hand als georeferenzierte Polygone markiert.

Das Verhältnis ist die Pointe dieses Projekts: aus 500 annotierten Bildern eine landesweite Erfassung.

Vorverarbeitung und Normalisierung. Satellitenkacheln unterscheiden sich in Aufnahmezeitpunkt, Sonnenstand und Bildqualität. Ohne Normalisierung lernt ein Modell Aufnahmebedingungen mit und versagt in Regionen, die unter anderen Bedingungen aufgenommen wurden.

Ein Objekt, das aus der Vertikale kaum eines ist. Eine Windkraftanlage zeigt sich im Satellitenbild als schmaler Turm mit drei Rotorblättern und einem Schatten, dessen Länge und Richtung von der Tageszeit abhängen. Genau dieser Schatten ist Hilfe und Störgröße zugleich – er macht die Anlage erkennbar und verändert gleichzeitig ihr Erscheinungsbild von Kachel zu Kachel.

Das Ergebnis muss ein Kataster sein, keine Trefferliste. Eine Erkennungsrate ist wertlos, wenn das Ergebnis nicht als Geodatensatz vorliegt, der sich mit Planungsdaten verschneiden lässt.

Segmentierung mit einem U-Net. Für die Aufgabe kam ein Deep-Learning-Modell auf Basis der U-Net-Architektur zum Einsatz – ein Verfahren, das nicht nur entscheidet, ob eine Anlage im Bild ist, sondern wo genau, pixelgenau abgegrenzt.

Annotation und Auswertung in einer Umgebung. Markierung der Trainingspolygone und die räumliche Auswertung liegen in ArcGIS Pro und dessen Python-Anbindung. Das erspart Datenexporte zwischen Werkzeugen und hält die Georeferenz über den gesamten Ablauf.

Ausgabe als Layer, nicht als Tabelle. Das Ergebnis wurde als Layer in ArcGIS Pro erfasst – damit steht es in der Form zur Verfügung, in der eine Planungsstelle damit arbeitet.

Es entstand ein Kataster mit rund 3.300 identifizierten Windkraftanlagen für Nordrhein-Westfalen, verfügbar als georeferenzierter Layer.

Der Ansatz ist auf andere Bundesländer übertragbar, ohne neu zu beginnen: Die Bildquelle ist dieselbe, das Modell ist trainiert, und zusätzliche Trainingsdaten sind nur dort nötig, wo sich Landschaft oder Bauarten deutlich unterscheiden. Damit ist nicht das Kataster das Ergebnis, sondern ein Verfahren, das Kataster erzeugt.

Flächendeckende Objekterfassung aus Fernerkundungsdaten mit georeferenzierter Ausgabe trägt weit über Windkraft hinaus: Photovoltaik-Anlagen, Freileitungsmasten, Silos und Hallen, Speicherbecken, Verkehrsinfrastruktur. Die Aufgabe ist immer dieselbe – ein Bestand, der sich verändert, soll überprüfbar und wiederholbar erfasst werden. Für Photovoltaik haben wir dasselbe Vorgehen auf Orthofotos angewandt.

Der Zweck hat sich verschoben, und das ist die interessantere Entwicklung. Windkraftanlagen sind inzwischen in öffentlichen Registern erfasst – die Aufgabe ist deshalb seltener, den Bestand zu finden, und häufiger, den Registerbestand gegen die Realität zu prüfen und fortzuschreiben. Aus einer Einmalerfassung wird eine Change Detection über Zeitreihen: Was ist seit der letzten Auswertung entstanden, was zurückgebaut? Technisch ist der Annotationsaufwand weiter gesunken. Für Fernerkundungsdaten existieren vortrainierte Foundation-Modelle, die mit wenigen Beispielen an eine neue Objektklasse angepasst werden können, und promptbare Segmentierungsmodelle liefern Objektumrisse ohne klassenspezifisches Training. Die Verarbeitung würden wir über STAC-katalogisierte Cloud-Optimized GeoTIFFs führen statt über 280.000 einzelne Kacheln – das macht den Unterschied zwischen einem Bundesland und einem ganzen Staat.