Mit dieser Frage hat sich Hanna Kretz, Werkstudentin bei Virtual City Systems (VCS) und Masterstudentin an der Universität Potsdam, im Rahmen ihrer interdisziplinären Projektarbeit beschäftigt. Sie entwickelte einen GeoAI-gestützten Workflow, mit dem installierte Solarsysteme in städtischen Luftbilddaten identifiziert werden können. Dabei erfolgte die Ausführung und Auswertung der Arbeitsschritte manuell, während die Erkennung selbst durch das KI-Modell automatisiert durchgeführt wurde. Die Ergebnisse liefern wertvolle Impulse für datenbasierte Energieplanung und könnten Fachämter künftig bei der Bewertung des Solarausbaus unterstützen.

In deutschen Städten fehlen bislang öffentliche, vollständige Datensätze installierter Solarsysteme mit Standortdaten – ein Problem für die digitale Stadtplanung. Während VC Solar, eine der Softwarekomponenten von Virtual City Systems, das Solarpotenzial auf Gebäuden und Freiflächen berechnet, lag der Fokus dieser Arbeit auf einem ergänzenden Ansatz: dem Nachweis bereits installierter Solaranlagen mittels KI-gestützter Bildanalyse.

Ziel der Projektarbeit war es, einen Workflow zu entwickeln, mit dem installierte Solarsysteme in urbanen Räumen anhand von Orthophotos identifiziert werden können. Weil bislang keine vollständigen öffentlichen Datensätze installierter Solarsysteme für deutsche Städte existieren, fehlt Kommunen eine wichtige Datenbasis für Analysen und Planungen. Der entwickelte Workflow soll helfen, diese Lücke zu schließen und könnte künftig als Datengrundlage in der VC Map verwendet werden.

Getestet wurde der Workflow mit dem Berliner Orthophoto aus dem Jahr 2023. Ziel war es, Solarsysteme im gesamten Stadtgebiet zu erkennen und anschließend die Genauigkeit der Erkennung zu bewerten.

Zur Detektion kam die Open-Source-Plattform GeoAI zum Einsatz – ein leistungsfähiges Python-Framework, das Künstliche Intelligenz mit Geodatenanalyse kombiniert. Als Ausgangspunkt diente ein vortrainiertes Mask R-CNN-Modell, das jedoch zu viele falsch-positive und falsch-negative Ergebnisse lieferte. Deshalb wurden zusätzliche Trainingsläufe mit manuell erstellten Trainingsdaten durchgeführt.

Nach dem Vergleich mehrerer Modellvarianten wurde jenes Modell ausgewählt, das keine Übertraining-Anzeichen zeigte. Dieses Modell wurde schließlich für die flächendeckende Analyse in Berlin genutzt.

Die eigentliche Datenanalyse mittels GeoAI nahm rund zehn Tage in Anspruch. Anschließend wurden die Ergebnisse im Postprocessing aufbereitet und analysiert. Die größte Herausforderung: Es fehlten verlässliche Referenzdaten, um die Genauigkeit der Erkennung exakt zu bestimmen.

Trotzdem deuten alle Anzeichen darauf hin, dass die Ergebnisse eine durchschnittliche Erkennungsgenauigkeit von etwa 70 % aufweisen. Insbesondere bei der Unterscheidung von Dachfenstern, schattigen Flächen oder gläsernen Überdachungen zeigte GeoAI Schwächen. Um die Erkennungsleistung künftig zu verbessern, könnten Datenquellen wie Hyperspektralbilder zum Einsatz kommen.

Trotz der begrenzten Genauigkeit zeigen die Ergebnisse, dass eine Zeitreihenanalyse mit Bias-Korrektur wertvolle Erkenntnisse liefern könnte. So könnten Aussagen über den Ausbau der Solaranlagen in einzelnen Stadtteilen oder ganzen Städten getroffen werden.

Für  Umweltämter, Smart City Units und Planungsbehörden bietet der entwickelte Ansatz ein hohes Potenzial. Denn er könnte – bei weiterentwickelter Genauigkeit – eine neue Datenbasis für die Bewertung und Planung von erneuerbaren Energien im urbanen Raum schaffen.

Statt auf aufwändige Vor-Ort-Erhebungen oder unvollständige Registerdaten zurückgreifen zu müssen, ließe sich der tatsächliche Ausbaugrad von Solarsystemen direkt aus aktuellen Luftbildern ableiten. Das ermöglicht datenbasierte Entscheidungen zur Förderung kommunaler Energiepolitik.