Möglichkeiten von GeoAI

1. Automatisierte Kartierung (Erkennung von Objekten mithilfe von KI in Satelliten- oder Drohnenbildern)

2. Prädiktive Analysen (Vorhersagen und Risikoanalysen von Verkehrsströmen, Umweltveränderungen, Bevölkerungsentwicklungen , Naturkatastrophen wie Hochwasser oder Waldbrände) “Flood Mapping Project” in Köln [1]

• Katastrophenschutz: Echtzeitüberwachung von Hochwasser- oder Erdbebenrisiken. Beispiel: Rotterdam nutzt GeoAI für Hochwassersimulationen.

Press enter or click to view image in full size

Press enter or click to view image in full size

• Umweltüberwachung: Analyse von Luftqualitätsdaten oder Ökosystemveränderungen durch KI. Identifikation und Schutz von Ökosystemen. Beispiel: “Urban Biodiversity Mapping” in Berlin [2].

3. Effiziente Stadtplanung (Flächennutzungsanalyse)

• Bürgerservices: Optimierung der Standortwahl bzw. Mobilitätsanalyse für Schulen, Krankenhäuser oder andere öffentliche Einrichtungen.

Press enter or click to view image in full size

4. Optimierte öffentliche Dienstleistungen (Verbesserte Verkehrssteuerung, effizientere Müllabsammlung oder Standortplanung für öffentliche Einrichtungen)

Press enter or click to view image in full size

• Verkehrsmanagement: Nutzung prädiktiver Analysen, um Verkehrsstaus zu vermeiden. Beispiel: Das “Traffic Prediction Project” in Köln erstellt Isochronen-Analysen. Beispiel: “Smart Traffic Project” in Barcelona [3].

Press enter or click to view image in full size

5. Erstellung synthetischer Geodaten: Simulation von Geodaten zur Erkennung von Datenlücken oder zur Erweiterung bestehender Datensätze. Diese Technik wird oft für Trainingsdatensätze in KI-Modellen genutzt. Beispiel: Verkehrsszenarien zu simulieren und die Auswirkungen neuer Infrastrukturprojekte zu testen[6].

Press enter or click to view image in full size

Tools, Plugins und Python-Bibliotheken für GeoAI:

a)ArcGIS: Umfangreiche KI-Integration, darunter “ArcGIS Notebooks” für Python-basierte Analysen. Plugins:ArcGIS GeoAI, , QGIS Python-API (PyQGIS), Semi-Automatic Classification Plugin (SCP, Processing Toolbox, QGIS Plugins für KI, Processing R Provider, ArcGIS Image Analyst, ArcGIS API for Python, ArcGIS Pro Extensions für Deep Learning, ArcGIS Velocity etc[4].

Press enter or click to view image in full size

b) QGIS: Open-Source-Alternative mit einer Vielzahl an KI-kompatiblen Plugins. Flexibles Open-Source-System mit umfangreicher Python-Schnittstelle für maschinelles Lernen. Plugins: Semi-Automatic Classification Plugin (SCP): Ein QGIS-Plugin für die Fernerkundung und automatische Objekterkennung.

c) Middleware und Datenintegration:

• FME: Automatisiert Datenkonvertierungen bzw. Datenflüsse und erleichtert Integrationsprozesse.
• Azure Maps: Cloud-basierte Plattform für Karten und Datenverarbeitung. Liefert leistungsstarke Cloud-Ressourcen für die Geodatenanalyse und KI-Modelle.

d) Python-Bibliotheken[5]:

• Geopandas: Verarbeitung und Analyse von Vektordaten.
• Rasterio: Spezialisiert auf die Bearbeitung von Rasterdaten.
• Scikit-learn und TensorFlow: Entwicklung von maschinellen Lernmodellen.
• Libraries für die syntetischen Geodaten: PySynthetic, Synthetic Data Vault (SDV), PyProj, Faker (mit Geo-Zusatz), Synthetic Populations (SynthPop), GeoSimulations (Mesa)

Mögliche Rollen und To-do-Liste in der Projektphase

• Entwicklung und Training von Modellen zur Geo-Datenanalyse.
• Automatisierung wiederkehrender Aufgaben wie der Objekterkennung oder Verkehrsanalyse.
• Optimierung und Validierung der Modelle.
• Bereitstellung von APIs und Schnittstellen für GIS-Plattformen.
• Erstellung synthetischer Geodaten zur Verbesserung von Trainingsdatensätzen.

2. Rolle der GIS- und Geoinformationsabteilung

• Verwaltung, Pflege und Aktualisierung von Geodaten.
• Erstellung von Karten und Durchführung raumbezogener Analysen.
• Integration von KI-Ergebnissen in bestehende GIS-Systeme.
• Beratung und Schulung in der Anwendung von GeoAI-Technologien.
• Zusammenarbeit mit der KI-Abteilung bei der Nutzung synthetischer Geodaten.

Fazit

GeoAI verbindet die Stärken von KI, GIS, Datenmanagement und Data Governance, um eine zukunftssichere und nachhaltige Struktur in der öffentlichen Verwaltung zu schaffen. Durch die Integration von Quantencomputing und IoT können komplexe raumbezogene Analysen effizienter durchgeführt und Entscheidungen schneller getroffen werden. Diese Technologien fördern nicht nur innovative Ansätze in der Stadtplanung und im Umweltschutz, sondern tragen auch zur langfristigen Verbesserung der Datenqualität und zur Optimierung bürgernaher Dienstleistungen bei.

GeoAI Schulungen und Weiterbildungsmöglichkeiten:

1. Esri GeoAI Essentials Learning Plan: inführung in GeoAI-Workflows wie Cluster- und Mustererkennung, prädiktive Analysen und Bilddatenverarbeitung.

• https://www.esri.com/training/catalog/66ce21ee538de50028d93f8c/geoai-essentials/

2. Understanding GeoAI in ArcGIS: Live-Training-Seminar zu KI, maschinellem Lernen und Deep Learning mit GIS-Technologie.

• https://www.esri.com/training/catalog/6643e17d78394a00e5e56d14/understanding-geoai-in-arcgis/

3. GeoAI Kurs auf dem KI-Campus: Kostenloser Online-Kurs zu KI in den Geowissenschaften, einschließlich Fernerkundung und räumlicher Datenverarbeitung.
– https://ki-campus.org/courses/geoai

4. GeoAI Workshop von Esri: Workshop zu Konzepten von KI, maschinellem Lernen und GeoAI mit praktischen Einblicken.

• https://community.esri.com/t5/education-blog/a-hands-on-geo-ai-workshop/ba-p/1487417

5. GeoAI Services von AI Superior: Fortgeschrittene Dienstleistungen zur Integration von KI mit GIS-Daten für Stadtplanung und Umweltüberwachung.

• https://aisuperior.com/de/services/geoai/

6. GeoAI tutorials: GeoAI-Tutorials des renommierten Geoinformatik-Experten Prof. Qiusheng Wu:

• https://geoai-tutorials.gishub.org/

Fußnoten:

[1] Flood Mapping Project Köln: https://www.researchgate.net/publication/26641175_Evaluation_of_flood_hazard_maps_in_print_and_web_mapping_services_as_information_tools_in_flood_risk_communication/figures?lo=1

[2] Urban Biodiversity Mapping Berlin: https://biodiversitymapping.berlin

[3] Smart Traffic Project Barcelona: https://smarttraffic.barcelona

[4] https://pro.arcgis.com/en/pro-app/latest/tool-reference/geoai/an-overview-of-the-geoai-toolbox.html

[5] https://deeplearning.lipingyang.org/geoai-geospatial-python-libraries/

[6] https://mesa-geo.readthedocs.io/stable/examples/urban_growth.html und https://mesa-geo.readthedocs.io/stable/examples/rainfall.html