INNOVATION SCOUT · IMPULSPROFIL

GeoAI und räumliches maschinelles Lernen

GeoAI nutzt lernende Modelle und räumliche Beziehungen, um aus Geo-, Bild- und Gebäudedaten Merkmale, Veränderungen und Prognosen für Standorte, Quartiere und Bestände abzuleiten.

Um was geht es bei GeoAI und räumliches maschinelles Lernen?

Räumliche Lernverfahren verknüpfen Beobachtungen nicht nur über ihre Attribute, sondern auch über Lage, Nachbarschaft und Zeit. Ein Gebäude kann als Knoten in einem Nachbarschaftsgraphen beschrieben werden; eine Bildzeitreihe macht bauliche Veränderungen zum Lerngegenstand. Die Ergebnisse sind geschätzte Merkmale oder Hinweise, die erst durch Objektzuordnung, Fachmodelle und Prüfung nutzbar werden. GeoAI bezeichnet hier die Methode. Standortanalyse und Klimarisikobewertung sind Anwendungen; GIS und digitale Zwillinge stellen Daten und Integrationsumgebungen bereit. Bei georeferenzierten Bildern besteht eine Schnittstelle zu Computer Vision, räumliche Graphmodelle benötigen dagegen nicht zwingend Bilddaten.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte III–IV und VII.B Quelle 4: PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2, Fundstelle(n): Anhang A.9 Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–5

Einordnung im Impulsradar

GeoAI erschließt große Flächen- und Gebäudebestände für vergleichbare Auswertungen. Bei amtlichen Gebäudeänderungshinweisen ist wiederholte Nutzung dokumentiert; räumliche Graphmodelle und vortrainierte Erdbeobachtungsmerkmale erweitern das methodische Spektrum. Entscheidend bleibt die Übertragbarkeit auf andere Gebiete, Datenstände und Aufgaben. Ein guter Testwert ersetzt weder die lokale Bestandsprüfung noch den Nachweis wirtschaftlichen Nutzens.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 9, 11–13 Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitt VI.C.2 Quelle 11: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2, Fundstelle(n): Methode; Supplement S15 und S21.3

Vom räumlichen Datenbestand zur überprüfbaren Aussage

Für die gebaute Umwelt ist vor allem die Bearbeitung vieler räumlicher Objekte nach einem konsistenten Verfahren relevant: fehlende Gebäudemerkmale schätzen, Veränderungen lokalisieren oder Bestände für weitere Untersuchungen vorsortieren. Daraus lässt sich eine Unterstützung für Projektentwicklung und Planung ableiten. Eine geschätzte Gebäudefunktion bleibt jedoch eine Modellannahme; sie ist kein amtlicher Nachweis und ersetzt keine objektbezogene Prüfung.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Einleitung, Abschnitte III–IV und VII.B

Die drei bisherigen Projektbezüge zeigen unterschiedliche Entwicklungsstände. Der CUT-Abschlussbericht nennt KI-Prototypen zur Stockwerkszählung und Parkraumerfassung. Belmap4EU befindet sich nach dem dokumentierten Stand vom Mai 2026 in der Demonstrationsphase; die europaweite Harmonisierung und Anreicherung von Gebäudedaten ist ein Ziel, kein bereits abgeschlossener Rollout. Für BUILDSPACE sind Abschlussdokumente verzeichnet. Der hier geprüfte Zwischenbericht betrifft jedoch nur den Zeitraum bis Juli 2024 und trägt keinen Nachweis der abschließenden KI-Modellgüte.

Quelle 6: Connected Urban Twins – Projektbericht 2021 bis 2025, Fundstelle(n): S. 25 und 50 Quelle 7: Belmap4EU – Demonstration Project; Status 7. Mai 2026, Fundstelle(n): Objectives; Current Status; Status Date Quelle 8: BUILDSPACE – Periodic Reporting for period 1, 01.02.2023–31.07.2024, Fundstelle(n): Periodic Reporting period 1; Work performed Quelle 9: BUILDSPACE – Results / Deliverables, Fundstelle(n): Deliverables: Final Pilot Implementation and Validation Report; Impact Assessment Report

Auch die laufende Forschung bleibt auf konkrete Teilaufgaben gerichtet. Das Wiener Projekt MOSAIK untersucht 2026–2027 Gebäudemerkmale und Erdgeschossnutzungen aus Straßen- und Luftbildern. Diese Zielsetzung ist für Quartiersdaten relevant, belegt aber noch keine belastbare Genauigkeit oder produktive Ausweitung. Zwischen einer neuen Datenquelle, einem getesteten Modell und einem verlässlichen Arbeitsprozess liegen jeweils eigene Nachweisschritte.

Quelle 12: MOSAIK – Maschinelles Lernen zur Observation sozialer Aspekte in kleinräumigen Bilddaten, Fundstelle(n): Forschungsprojekt und Ziel; Projektpartner; Projektlaufzeit

Worauf es bei GeoAI und räumliches maschinelles Lernen fachlich ankommt

Gebäude im räumlichen Zusammenhang klassifizieren

Studien-/Praxisbefund

Fill, Eichelbeck und Ebner untersuchen 2026 die Klassifikation von neun Gebäudeklassen anhand von 761.274 lokalen Teilgraphen. Neben einer zufälligen Aufteilung prüfen sie vollständig zurückgehaltene NUTS3-Regionen. Der zufallsbereinigte Übereinstimmungswert Cohen-κ beträgt dort 0,7379 gegenüber 0,7536 bei zufälliger Aufteilung. Anspruchsvoller ist der Ländertransfer: Ein nur in Deutschland trainiertes Modell erreicht κ = 0,6044; mit je 1 % lokalen Trainingsdaten aus anderen Ländern steigt der Wert auf 0,6403. Fehlende Gebäudegrundrisse in OpenStreetMap bleiben eine Abdeckungslücke.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte V.C, VI.C.2a–c und VII.B; S. 13993 und 13998

Fachliche Einordnung

Für die Übernahme in einen neuen Datenraum ist damit nicht nur die Modellwahl entscheidend. Lokale Gebäudetypen, Erfassungspraktiken und verfügbare Referenzdaten beeinflussen das Ergebnis. Die 1 % bezeichnen einen Anteil an den Trainingsdaten, nicht an sämtlichen Gebäuden. Eine erfolgreiche Klassifikation vorhandener Objekte darf außerdem nicht mit einem vollständigen Gebäudebestand verwechselt werden.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte VI.C.2b–c und VII.B

Gebäudeänderungen: Die Zielklasse entscheidet

Studien-/Praxisbefund

PANGAEA v2 vom April 2025 verwendet für die Gebäudeänderungserkennung mit SpaceNet 7 räumlich getrennte Standorte: 30 für Training, 15 für Validierung und 15 für Tests, bei ungefähr 4 m Bildauflösung. Scale-MAE erreicht mit verketteten Merkmalen 62,96 % mittlere Intersection over Union (mIoU). Für die tatsächlich veränderte Klasse beträgt die IoU dagegen 26,47 %. Die Auswertung belegt keine durchgängige Überlegenheit vortrainierter Modelle über aufgabenspezifisch trainierte Vergleichsmodelle.

Quelle 4: PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2, Fundstelle(n): Anhang A.9; Tabelle A15; Abschnitte 5–6

Fachliche Einordnung

Wer Veränderungen erkennen will, muss die entsprechende Zielklasse prüfen. Ein guter Mittelwert über veränderte und unveränderte Flächen reicht dafür nicht. Diese räumliche Bildauswertung belegt weder die tagesaktuelle Steuerung einer Baustelle noch die Abnahme von Bauleistungen.

Quelle 4: PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2, Fundstelle(n): Anhang A.9; Tabelle A15

Produktiver Einsatz mit fachlicher Validierung

Studien-/Praxisbefund

Das LGLN berichtet im März 2026, dass seine KI-Gebäudeerkennung seit dem 1. Dezember 2024 produktiv eingesetzt wird und in 50 Katasterämtern genutzt wird. Genannt werden durchschnittlich rund 20 Nutzende und 1.000 geprüfte Gebäude pro Tag. Eine Webanwendung dient der fachlichen Validierung der KI-Hinweise. Ein früherer technischer Vortrag dokumentiert auch schlechtere Ergebnisse einer Modellgeneration und Schwierigkeiten der Evaluation.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 9, 11–13 Quelle 2: KI-Gebäudeerkennung zur Aktualisierung des amtlichen Liegenschaftskatasters; Forum GEO.KI, 3. April 2025, Fundstelle(n): Folien 10–19 und 24

Fachliche Einordnung

Der Fall trägt einen konkreten Nachweis wiederholter Nutzung, nicht bloß eines verfügbaren Produkts. Er zeigt zugleich, dass die fachliche Nachkontrolle zum Verfahren gehört. Der Anwenderbericht nennt weder eine unabhängig gemessene Netto-Zeitersparnis noch eine vollständige Fehlerstatistik; aus den bearbeiteten Gebäuden lässt sich deshalb keine Einsparquote berechnen.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 11–13 Quelle 2: KI-Gebäudeerkennung zur Aktualisierung des amtlichen Liegenschaftskatasters; Forum GEO.KI, 3. April 2025, Fundstelle(n): Folien 10–19

Wiederverwendbare Merkmale aus Erdbeobachtung

Studien-/Praxisbefund

AlphaEarth Foundations beschreibt in der untersuchten Fassung vom September 2025 ein Modell, das mehrere Erdbeobachtungsquellen in 64-dimensionale Merkmalsrepräsentationen auf einem 10-m-Raster überführt. Nachgelagerte Modelle können solche gelernten Repräsentationen für eigene Kartierungsaufgaben verwenden. Die geprüften Ergebnisse betreffen überwiegend Landbedeckung und räumliche Kartierung, nicht die vollständige Bestimmung einzelner Gebäudeattribute.

Quelle 11: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2, Fundstelle(n): Methode; Supplement S15, Tabelle S1 und S21.3

Fachliche Einordnung

Für GeoAI ist das ein Ansatz zur Wiederverwendung gelernter Datenmerkmale. Für eine Bauaufgabe müssen Rasterauflösung, Zielobjekt und lokale Trainingsdaten dennoch zusammenpassen. Ein Rastermerkmal darf nicht ungeprüft als präzises Attribut eines einzelnen Bauwerks ausgegeben werden; die allgemeine Kartierungsleistung ist kein Beleg für dessen Einsatzreife in der Bauplanung.

Quelle 11: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2, Fundstelle(n): Methode; Supplement S15 und S21.3

Bildmerkmale müssen dem richtigen Bauwerk zugeordnet werden

Studien-/Praxisbefund

Noichl, Dong und Borrmann verbinden 2026 die Segmentierung von Fassaden mit geometrischen Begrenzungen für eine spätere 3D-Zuordnung. An 20 Testbildern wird eine mittlere Fassaden-IoU von 0,9019 berichtet. Eine Fassade mit fünf markanten Ecken verletzt die angenommene Viereckgeometrie und erreicht lediglich 0,1934. Verdeckung durch Vegetation verursacht einen weiteren Fehlerfall.

Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–4; Tabelle 1, S. 6–7

Fachliche Einordnung

Der Ansatz verdeutlicht die Schnittstelle zwischen Computer Vision und räumlicher Modellanreicherung. Ein gut segmentierter Bildausschnitt ist noch kein vollständiger, korrekt zugeordneter Gebäudebestand. Geometrische Annahmen und Sichtbarkeit müssen zur Situation passen. Der kleine Versuch trägt keine Aussage zu verdeckten Materialschichten oder zu verwertbaren Rückbaumengen.

Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–5; Tabelle 1

Geschätzte Energieattribute sind keine gemessene Einsparung

Studien-/Praxisbefund

Sheng et al. kombinieren Straßenbilder und britische Energieausweisdaten und untersuchen den Modelltransfer zwischen Barnsley, Doncaster und Merthyr Tydfil. Die Arbeit nennt fehleranfällige Ausweiseinträge, begrenzte Fassadenansichten und Übertragungsprobleme als Einschränkungen. Die Zielwerte stammen aus den Ausweisdaten, nicht aus einer unabhängigen Verbrauchsmesskampagne.

Quelle 5: Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data, Fundstelle(n): Abschnitte 3, 4.2 und 5.1; Tabelle 5

Fachliche Einordnung

Solche Schätzungen können die Vorbereitung einer Bestands- oder Sanierungsanalyse unterstützen. Sie belegen weder den tatsächlichen Verbrauch eines Gebäudes noch die Wirkung einer späteren Maßnahme. Für den Einsatz sind die Zuordnung von Bild und Gebäude sowie ein passender räumlicher Test zu prüfen. Eine statistische Schätzung und eine fachliche Wirkungsprognose sind unterschiedliche Aussagen.

Quelle 5: Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data, Fundstelle(n): Abschnitte 4.3 und 5.1

Warum GeoAI und räumliches maschinelles Lernen relevant ist

ReifegradPilotierung bis wachsender Praxiseinsatz

Die Spanne wird unverändert fortgeführt. Ihre obere Grenze ist für die amtliche Gebäudeänderungserkennung konkret gestützt: Das LGLN dokumentiert produktive Nutzung über zahlreiche Katasterämter mit fachlicher Prüfung der Hinweise. Das trägt wiederholte Anwendung in diesem abgegrenzten Arbeitsablauf, nicht eine gleiche Einsatzreife des gesamten Methodenfeldes.

Die untere Grenze bleibt historisch fortgeführt; der aktuelle LGLN-Bericht ordnet sie durch den rückblickend dargestellten Pilotierungsverlauf ein. Ein zusätzlicher aktueller, vollständig evaluierter KI-Realpilot der bisherigen drei Referenzprojekte wurde nicht verifiziert. CUT beschreibt Prototypen, Belmap4EU ein laufendes Demonstrationsprojekt. Diese Fälle werden nicht allein wegen ihrer Einbettung in GIS oder digitale Zwillinge höher eingestuft. Forschung an neuen Verfahren kann weiterhin unterhalb der angegebenen Anwendungsspanne liegen.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 9 und 11–13 Quelle 6: Connected Urban Twins – Projektbericht 2021 bis 2025, Fundstelle(n): S. 25 Quelle 7: Belmap4EU – Demonstration Project; Status 7. Mai 2026, Fundstelle(n): Current Status

Evidenzbelastbare Praxis- oder Forschungsbelege

Die Einstufung stützt sich auf abgegrenzte Forschungsbefunde und einen dokumentierten betrieblichen Einsatz. Die Gebäudeklassifikationsstudie prüft regionale und länderbezogene Übertragung; der Änderungsbenchmark trennt Standorte und legt Ergebnisse für die relevante Zielklasse offen. Das erlaubt eine differenzierte Prüfung der Modellleistung, keine pauschale Aussage über beliebige Standorte.

Die LGLN-Angaben tragen den Nutzungsnachweis, nicht eine unabhängig gemessene Wirtschaftlichkeit. Kleine Fassadenversuche und Energieabschätzungen besitzen eine engere Reichweite. Unabhängige Replikation, Nettoeinsparungen im Betrieb und die KI-spezifischen BUILDSPACE-Abschlussergebnisse sind mit den geprüften Quellen nicht allgemein abgesichert. Die Evidenzbewertung ist deshalb ausdrücklich kein universeller Nutzen- oder Übertragbarkeitsnachweis.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte V–VII Quelle 4: PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2, Fundstelle(n): Anhang A.9; Tabelle A15 Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 11–13 Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitt 4; Tabelle 1 Quelle 5: Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data, Fundstelle(n): Abschnitt 5.1 Quelle 8: BUILDSPACE – Periodic Reporting for period 1, 01.02.2023–31.07.2024, Fundstelle(n): Periodic Reporting period 1 Quelle 9: BUILDSPACE – Results / Deliverables, Fundstelle(n): Deliverables: Final Pilot Implementation and Validation Report

EntwicklungsdynamikAktive Weiterentwicklung

Räumliche Graphmodelle, vortrainierte Erdbeobachtungsmerkmale und Gebäudeintegration werden konkret weiterentwickelt.

Mehrere aktuelle Arbeiten untersuchen unterschiedliche Entwicklungsrichtungen: Gebäudefunktionen aus Nachbarschaftsgraphen, wiederverwendbare Erdbeobachtungsmerkmale und die Verbindung von Fassadenbildern mit räumlichen Modellen. Ländertransfer, Datenauflösung und geometrische Annahmen bleiben dabei sichtbar offene Probleme. Das begründet aktive Weiterentwicklung. Eine beschleunigte Entwicklungsrate ist damit nicht nachgewiesen; ein neuer Artikel oder ein besserer Einzelvergleich genügt dafür nicht.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitt VI.C.2 Quelle 11: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2, Fundstelle(n): Methode und Supplement Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–5

MarktdynamikSelektive Ausweitung

Wiederholte behördliche Nutzung ist belegt; weitergehende geografische Expansion bleibt teilweise Projektziel.

Der dokumentierte LGLN-Verlauf vom Pilot zum produktiven Einsatz in 50 Katasterämtern trägt eine selektive Ausweitung. Diese Aussage betrifft eine behördliche Anwendung, keinen gemessenen branchenweiten Umsatz- oder Verbreitungstrend. Belmap4EU zeigt ein datiertes Vorhaben zur geografischen Erweiterung; Anforderungen und Beispielvalidierungen sind jedoch kein abgeschlossener europäischer Rollout. Die geprüften Quellen tragen damit konkrete Bewegung in einzelnen Anwendungen, nicht eine breit belegte Marktdurchdringung.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 9, 11 und 13 Quelle 7: Belmap4EU – Demonstration Project; Status 7. Mai 2026, Fundstelle(n): Objectives; Current Status; Status Date

Für welche Bauprozesse GeoAI und räumliches maschinelles Lernen relevant ist

Strategie & Projektentwicklung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Räumlich vergleichbare Gebäude- und Flächenmerkmale unterstützen die Vorauswahl und Priorisierung von Standorten, Beständen und Quartieren. Die Ergebnisse strukturieren weiteren Prüfbedarf; sie ersetzen keine lokale Machbarkeits- oder Investitionsprüfung.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Einleitung; Abschnitte III–IV und VII.B

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Gebäudeklassen und räumlich zugeordnete Fassadenmerkmale können Stadt-, Energie- und Sanierungsmodelle ergänzen. Die Unterstützung liegt in der Datenbasis für Varianten; belastbare Entwurfsentscheidungen benötigen zusätzlich passende Fachmodelle und lokale Prüfung.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Einleitung und VII.B Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–5

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Für die eigentliche Erstellung und Bewertung von Ausschreibungen oder Vergabeentscheidungen ist im untersuchten Zuschnitt keine direkte GeoAI-Anwendung belegt. Räumliche Eingangsdaten allein begründen hier keine höhere Prozessrelevanz.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folie 11 Quelle 4: PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2, Fundstelle(n): Anhang A.9

Bauausführung & Baustellenmanagement

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Gebäudeänderungserkennung kann aktualisierte räumliche Bestandsdaten für Bau- und Folgeprozesse liefern. Die geprüften Kataster- und Satellitenanwendungen belegen jedoch keine tagesaktuelle Baustellensteuerung oder Abnahme von Bauleistungen.

Betrieb & Instandhaltung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Räumliche Gebäudeattribute und Energieabschätzungen können Modernisierungsbedarf und Sanierungsprüfungen auf Bestands- oder Quartiersebene vorbereiten. Sie ersetzen keine Messung des tatsächlichen Verbrauchs oder die betriebliche Anlagenregelung.

Quelle 5: Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data, Fundstelle(n): Abschnitte 4–5

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Sichtbare Gebäude- und Fassadenmerkmale können die Vorbereitung einer Ressourcenaufnahme unterstützen. Verdeckte Materialschichten, verwertbare Mengen und Wiederverwendungsqualität werden durch die geprüften Verfahren nicht verlässlich nachgewiesen.

Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–5; Tabelle 1

Für wen GeoAI und räumliches maschinelles Lernen relevant ist

Projektentwickler und Investoren

Projektentwickler und Investoren können räumliche Gebäude- und Flächenmerkmale verwenden, um große Bestände konsistent zu ordnen und vertiefte Prüfungen zu priorisieren. Das ist eine aus den Modellfunktionen abgeleitete Unterstützung. Ein Renditevorteil oder eine gemessene Einsparung bei der Projektprüfung ist damit nicht nachgewiesen; lokale Datenqualität und Objektprüfung bleiben erforderlich.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Einleitung, Abschnitte III–IV und VII.B

Architektur-, Ingenieur- und Planungsbüros

Planungsbüros erhalten geschätzte Gebäudeklassen und sichtbare Fassadenattribute als mögliche Eingänge für Bestands-, Energie- und Sanierungsmodelle. Der Nutzen liegt in ergänzten Eingangsdaten, nicht automatisch in besseren Planungsentscheidungen. Zuordnung zum Bauwerk, Gültigkeit geometrischer Annahmen und Unsicherheit müssen fachlich geprüft werden.

Öffentliche Hand, Kommunen und Vergabestellen

Für die öffentliche Hand ist die Aktualisierung amtlicher Bestände durch KI-Hinweise konkret dokumentiert. Die Fachkräfte prüfen die Hinweise und übernehmen nicht ungeprüft einen Modellausgang. Weitere kommunale Anwendungen betreffen die Ergänzung von Quartiersdaten. Aus dem Akteursnamen folgt dagegen kein Nachweis einer GeoAI-Funktion für Vergabeentscheidungen.

Quelle 1: Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026, Fundstelle(n): Folien 11–13 Quelle 6: Connected Urban Twins – Projektbericht 2021 bis 2025, Fundstelle(n): S. 25 und 50

Forschung, Verbände und Netzwerke

Forschung, Verbände und Netzwerke können offene Vergleichsverfahren nutzen, um Modellgrenzen, räumliche Übertragung und geeignete Messgrößen nachvollziehbar zu diskutieren. Wiederholbare Forschungsprotokolle verbessern die Grundlage für einen fachlichen Vergleich; sie ersetzen weder unabhängige Replikation noch eine betriebliche Nutzenmessung.

Quelle 4: PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2, Fundstelle(n): Abschnitte 4–6 Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte V–VII

Mit welchen Technologie- und Anwendungsfeldern GeoAI und räumliches maschinelles Lernen verknüpft ist

Hauptbezug

Predictive Analytics & Entscheidungen

Räumliche Schätzung und Entscheidungsvorbereitung bilden den Schwerpunkt: Das Modell ordnet Gebäudefunktionen zu oder liefert Merkmale für die weitere Prüfung. Die Ausgabe unterstützt eine fachliche Entscheidung, trifft sie aber nicht selbst. Prognosegüte und tatsächliche Wirkung einer Maßnahme bleiben getrennt zu beurteilen.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte III–IV und VI.C.2 Quelle 5: Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data, Fundstelle(n): Abschnitte 4–5

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Datenplattformen verbinden Geometrien, Attribute, Bilder und Zeitstände über belastbare Objektbezüge. Vortrainierte Erdbeobachtungsmerkmale können einen zusätzlichen Modelleingang bilden. Vollständigkeit, Herkunft, räumliche Auflösung und Aktualität dieser Eingänge bestimmen mit, ob das Lernverfahren überhaupt eine passende Grundlage hat; Datenhaltung allein ist noch keine KI.

Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Abschnitte III–V und VII.B Quelle 11: AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2, Fundstelle(n): Methode; Supplement S15

Verknüpftes Feld

BIM & Digitaler Zwilling

Die Schnittstelle zu BIM und digitalen Zwillingen liegt in der Zuordnung geschätzter Merkmale zu Gebäuden und Stadtmodellen. Bildsegmentierung, geometrische Begrenzung und räumliche Integration sind dabei unterschiedliche Schritte. Ein erfolgreich getesteter Teilbaustein belegt noch keine vollständige automatisierte Modellaktualisierung.

Quelle 10: An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment, Fundstelle(n): Abschnitte 3–5 Quelle 6: Connected Urban Twins – Projektbericht 2021 bis 2025, Fundstelle(n): S. 25 und 50

Verknüpftes Feld

Nachhaltigkeit & ESG

Räumliche Gebäudemerkmale und Energieabschätzungen können Energie- und Sanierungsanalysen vorbereiten. Der Bezug zu Nachhaltigkeit entsteht durch diese fachliche Verwendung der Daten. Aus einer verbesserten Attributschätzung folgt weder eine gemessene Energieeinsparung noch eine nachgewiesene Emissionsminderung.

Quelle 5: Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data, Fundstelle(n): Abschnitte 4–5 Quelle 3: Predicting Building Types and Functions at Transnational Scale, Fundstelle(n): Einleitung und VII.B

Fachbegriffe und Detailthemen

Quellen und Evidenz zu GeoAI und räumliches maschinelles Lernen

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026
Herausgeber
Florian Beyer / LGLN
Publiziert
März 2026
Quellentyp
Offizieller Projekt- oder Anwenderbericht
Geltungsbereich
Primärer Anwenderbericht mit Betriebsbeginn und Nutzungszahlen; keine unabhängige Zeitmessung, Fehlerstatistik oder vollständige Testbeschreibung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Folien 9, 11–13Textstelle 3 Textstelle 11
- Folien 11–13Textstelle 12 Textstelle 20 Textstelle 31
- Folien 9 und 11–13Textstelle 19
- Folien 9, 11 und 13Textstelle 22
- Folie 11Textstelle 25 Textstelle 26
Quelle 2
KI-Gebäudeerkennung zur Aktualisierung des amtlichen Liegenschaftskatasters; Forum GEO.KI, 3. April 2025
Herausgeber
Mike Engel / LGLN, bereitgestellt durch BKG
Publiziert
03.04.2025
Quellentyp
Offizieller Projekt- oder Anwenderbericht
Geltungsbereich
Technische Originalpräsentation benennt Modellgenerationen und Misserfolge; qualitative Ergebnisbilder ersetzen keine externe Validierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Folien 10–19 und 24Textstelle 11
- Folien 10–19Textstelle 12
Quelle 3
Predicting Building Types and Functions at Transnational Scale
Herausgeber
Jonas Fill, Michael Eichelbeck, Michael Ebner / IEEE Access 14, 13986–14007; TUM und FfE
Publiziert
21.01.2026
Quellentyp
Originalforschungsarbeit
Geltungsbereich
Begutachtete Originalstudie; aktuelle Verlagsfassung über öffentliches Autorenexemplar gelesen. Ablationen, mehrere Seeds und explizite regionale/länderbezogene Transferexperimente. OSM-Referenzen bleiben unvollständig und potenziell fehlerhaft; keine unabhängige Replikation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (16 Textstellen)
- Abschnitte III–IVTextstelle 1
- Abschnitte III–IV und VII.BTextstelle 2
- Abschnitt VI.C.2Textstelle 3 Textstelle 21
- Einleitung, Abschnitte III–IV und VII.BTextstelle 4 Textstelle 29
- Abschnitte V.C, VI.C.2a–c und VII.B; S. 13993 und 13998Textstelle 7
- Abschnitte VI.C.2b–c und VII.BTextstelle 8
- Abschnitte V–VIITextstelle 20 Textstelle 32
- Einleitung; Abschnitte III–IV und VII.BTextstelle 23
- Einleitung und VII.BTextstelle 24 Textstelle 30 Textstelle 36
- Abschnitte III–IV und VI.C.2Textstelle 33
- Abschnitte III–V und VII.BTextstelle 34
Quelle 4
PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2
Herausgeber
Valerio Marsocci et al. / arXiv; europäisches Forschungskonsortium
Publiziert
30.04.2025
Quellentyp
Forschungs-Preprint / datierte Fassung
Geltungsbereich
Offener Methoden- und Ergebnisvolltext mit dokumentierten Datensätzen, räumlichen Splits und Baselines. Hier ausdrücklich v2 ausgewertet; spätere IEEE-Publikation vom 02.12.2025 nicht als identischer Volltext unterstellt. Modellbestand ist zeitlich begrenzt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (8 Textstellen)
- Anhang A.9Textstelle 1 Textstelle 2 Textstelle 25 Textstelle 26
- Anhang A.9; Tabelle A15; Abschnitte 5–6Textstelle 9
- Anhang A.9; Tabelle A15Textstelle 10 Textstelle 20
- Abschnitte 4–6Textstelle 32
Quelle 5
Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data
Herausgeber
Yulan Sheng, Hadi Arbabi, Wil Oc Ward, Martin Mayfield / Energy & Buildings 338, 115723
Publiziert
08.04.2025
Quellentyp
Originalforschungsarbeit
Geltungsbereich
Begutachteter Originalvolltext mit drei Städten, Modalitätsvergleich und Transferexperimenten. EPC-Zielgröße und Bild-/Adressabgleich begrenzen Aussagekraft; keine klar dokumentierte räumlich geblockte Validierung gefunden.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Abschnitte 3, 4.2 und 5.1; Tabelle 5Textstelle 17
- Abschnitte 4.3 und 5.1Textstelle 18
- Abschnitt 5.1Textstelle 20
- Abschnitte 4–5Textstelle 27 Textstelle 33 Textstelle 36
Quelle 6
Connected Urban Twins – Projektbericht 2021 bis 2025
Herausgeber
Freie und Hansestadt Hamburg, Senatskanzlei – Amt für IT und Digitalisierung / CUT
Publiziert
2025
Quellentyp
Offizieller Projekt- oder Anwenderbericht
Geltungsbereich
Originaler Abschlussbericht; konkrete KI-Prototypen und Funktionen identifizierbar, aber keine reproduzierbaren Leistungs-/Nutzenmessungen. Monatsgenauigkeit des Veröffentlichungsdatums nicht aus dem URL-Pfad ableiten.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- S. 25 und 50Textstelle 5 Textstelle 31 Textstelle 35
- S. 25Textstelle 19
Quelle 7
Belmap4EU – Demonstration Project; Status 7. Mai 2026
Herausgeber
ESA Space Solutions / Projekt GIM, Belgien
Publiziert
undatiert
Quellentyp
Offizieller Projekt- oder Anwenderbericht
Geltungsbereich
Offizielle Förderprojektseite, fachlich konkrete Sensor-/Funktionsangaben und zeitlich eingeordneter Projektstatus. Ziele und Eigenangaben, kein unabhängiger Wirksamkeitsnachweis. Status Date / Updated: 2026-05-07; kein gesichertes Publikationsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Objectives; Current Status; Status DateTextstelle 5 Textstelle 22
- Current StatusTextstelle 19
Quelle 8
BUILDSPACE – Periodic Reporting for period 1, 01.02.2023–31.07.2024
Herausgeber
Europäische Kommission / CORDIS; Projektkonsortium BUILDSPACE
Publiziert
undatiert
Quellentyp
Offizieller Projekt- oder Anwenderbericht
Geltungsbereich
Primärer Projektbericht auf CORDIS, aber nur früher Berichtszeitraum. Aktuelle Projektmetadaten und historische Zwischenergebnisse sind getrennt zu lesen; KI-spezifische Modellgüte bleibt darin unbestimmt. Last update: 2025-02-17; kein gesichertes Publikationsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Periodic Reporting period 1; Work performedTextstelle 5
- Periodic Reporting period 1Textstelle 20
Quelle 9
BUILDSPACE – Results / Deliverables
Herausgeber
Europäische Kommission / CORDIS
Publiziert
undatiert
Quellentyp
Offizielles Ergebnisverzeichnis, nur Metadaten
Geltungsbereich
Verlässliches Verzeichnis veröffentlichter Ergebnisse, ausschließlich als Metadatenbeleg genutzt. Verlinkte finale Pilot-/Wirkungsberichte konnten in diesem Lauf nicht inhaltlich gelesen werden. Last update: 2026-01-26; kein gesichertes Publikationsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Deliverables: Final Pilot Implementation and Validation Report; Impact Assessment ReportTextstelle 5
- Deliverables: Final Pilot Implementation and Validation ReportTextstelle 20
Quelle 10
An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment
Herausgeber
Florian Noichl, Zhiming Dong, André Borrmann / ICCCBE 2026; TUM und University of Hong Kong
Publiziert
2026
Quellentyp
Originalforschungsarbeit
Geltungsbereich
Originaler Konferenzbeitrag, 20 Testbilder, Einzelergebnisse und konkrete Fehlfälle. Kleine Evaluation ohne belegten städteübergreifenden Test; WWR-Fließtext enthält eine Dezimalabweichung gegenüber Abstract/Tabelle.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Abschnitte 3–5Textstelle 2 Textstelle 21 Textstelle 24 Textstelle 30 Textstelle 35
- Abschnitte 3–4; Tabelle 1, S. 6–7Textstelle 15
- Abschnitte 3–5; Tabelle 1Textstelle 16 Textstelle 28
- Abschnitt 4; Tabelle 1Textstelle 20
Quelle 11
AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2
Herausgeber
Christopher F. Brown et al. / Google DeepMind; arXiv
Publiziert
08.09.2025
Quellentyp
Forschungs-Preprint / datierte Fassung
Geltungsbereich
Originaler Methoden-Preprint mit detaillierter Datengrundlage. Entwicklerbewertung und überwiegend Landbedeckungsaufgaben; hier nur methodisches Infrastruktur-Signal, kein Nachweis bauwerksbezogener Einsatzreife.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (5 Textstellen)
- Methode; Supplement S15 und S21.3Textstelle 3 Textstelle 14
- Methode; Supplement S15, Tabelle S1 und S21.3Textstelle 13
- Methode und SupplementTextstelle 21
- Methode; Supplement S15Textstelle 34
Quelle 12
MOSAIK – Maschinelles Lernen zur Observation sozialer Aspekte in kleinräumigen Bilddaten
Herausgeber
Institut für Stadt- und Regionalforschung, Österreichische Akademie der Wissenschaften
Publiziert
undatiert
Quellentyp
Institutionelle Forschungsprojektseite
Geltungsbereich
Institutionelle Originalprojektseite mit Laufzeit 01.01.2026–31.12.2027 und benanntem Partner. Veröffentlichung und Versuchszeitpunkte unbekannt; Ziele und erste qualitative Analysen ohne Leistungskennzahlen.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Forschungsprojekt und Ziel; Projektpartner; ProjektlaufzeitTextstelle 6

Alle Impulse im Radar entdecken

GeoAI und räumliches maschinelles Lernen

Um was geht es bei GeoAI und räumliches maschinelles Lernen?

Einordnung im Impulsradar

Vom räumlichen Datenbestand zur überprüfbaren Aussage

Worauf es bei GeoAI und räumliches maschinelles Lernen fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum GeoAI und räumliches maschinelles Lernen relevant ist

Für welche Bauprozesse GeoAI und räumliches maschinelles Lernen relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen GeoAI und räumliches maschinelles Lernen relevant ist

Projektentwickler und Investoren

Architektur-, Ingenieur- und Planungsbüros

Öffentliche Hand, Kommunen und Vergabestellen

Forschung, Verbände und Netzwerke

Mit welchen Technologie- und Anwendungsfeldern GeoAI und räumliches maschinelles Lernen verknüpft ist

Predictive Analytics & Entscheidungen

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Nachhaltigkeit & ESG

Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu GeoAI und räumliches maschinelles Lernen

Quellen und Evidenz zu GeoAI und räumliches maschinelles Lernen

Künstliche Intelligenz: KI-Gebäudeerkennung und mehr …; LGLN-Kundentage 10.–19. März 2026

KI-Gebäudeerkennung zur Aktualisierung des amtlichen Liegenschaftskatasters; Forum GEO.KI, 3. April 2025

Predicting Building Types and Functions at Transnational Scale

PANGAEA: A Global and Inclusive Benchmark for Geospatial Foundation Models, arXiv v2

Learning from other cities: Transfer learning based multimodal residential energy prediction for cities with limited existing data

Connected Urban Twins – Projektbericht 2021 bis 2025

Belmap4EU – Demonstration Project; Status 7. Mai 2026

BUILDSPACE – Periodic Reporting for period 1, 01.02.2023–31.07.2024

BUILDSPACE – Results / Deliverables

An Automated Facade Analysis Pipeline for Large-Scale Building Portfolio Assessment

AlphaEarth Foundations: An embedding field model for accurate and efficient global mapping from sparse label data, v2

MOSAIK – Maschinelles Lernen zur Observation sozialer Aspekte in kleinräumigen Bilddaten