2. November 2026 von Jakob Miksch
Geodaten und KI: Status quo und Blick in die Zukunft
Die Entwicklungen der künstlichen Intelligenz wirken sich zunehmend auf GIS und Geoinformatik aus. Generative KI eröffnet dabei neue Anwendungsfelder, jedoch ist künstliche Intelligenz an sich in der Geoinformatik keine neue Erscheinung: In der Fernerkundung werden Methoden des maschinellen Lernens bereits seit Jahren eingesetzt, deutlich vor dem aktuellen GenAI-Trend. Dieser Blogbeitrag gibt einen Überblick über die gegenwärtigen Entwicklungen dieser Technologie im Kontext von Geodaten.
Luftbilder mit neuronalen Netzen auswerten
Objekterkennung ist ein Gebiet bei dem schon früh KI eingesetzt wurde. Ein bekanntes Beispiel ist der Global ML Building Footprints Datensatz. Dieser wurde von Microsoft mithilfe von neuronalen Netzen aus Satellitenbildern erzeugt. Beeindruckend ist das Ergebnis vor allem, wenn man bedenkt, dass Gebäude, Siedlungsstrukturen und Landschaften weltweit sehr heterogen sind. Auch wenn die erzeugten Daten mit einer gewissen Unsicherheit behaftet sind, geben sie doch einen guten Überblick über die Besiedlung einer Region, insbesondere dort, wo bisher kaum oder gar keine Gebäudedaten vorhanden sind. Ähnliche Datensätze gibt es auch für Straßen oder andere Objekttypen. Angesichts der großen Menge täglich neu entstehender Satellitenbilder führt an automatisierten Analyseverfahren langfristig kaum ein Weg vorbei.
Satellitenbild mit extrahierten Gebäuden. (Quelle: GlobalMLBuildingFootprints)
Objekte aus georeferenzierten Fotos extrahieren
Eine häufig unterschätzte Quelle für Geodaten sind georeferenzierte Fotos, die heute in großer Zahl verfügbar sind. Die darauf abgebildeten Objekte lassen sich mithilfe des in den Metadaten gespeicherten Standorts auf einer Karte verorten. Ein prominentes Beispiel ist Panoramax, eine Plattform, die georeferenzierte Fotos sammelt, voranalysiert und auf einer Webanwendung darstellt. So können etwa Verkehrszeichen mithilfe eines dafür trainierten Modells aus den Fotos erkannt werden. Aus der Blickrichtung der Aufnahme und der geschätzten Entfernung lässt sich der Standort eines Schildes sehr präzise berechnen. Dieser Ansatz ist auf zahlreiche weitere Objekte übertragbar, etwa Geschäfte, Parkplätze oder Baustellen. Da die Datenerhebung kostengünstig mit handelsüblichen Smartphones erfolgen kann, sinkt der Aufwand für die Erhebung von Geodaten deutlich.
Foto einer Straße mit automatisch extrahierten Verkehrsschildern. (Quelle: Foto von User „R_A“ unter Lizenz „CC-BY-SA-4.0“)
Geodienste mit KI-Chat verbinden
Der Zugang zu KI erfolgt für die meisten Anwenderinnen und Anwender über ein Chatfenster. Zwar lassen sich damit bereits einige geographische Fragestellungen beantworten, die Antworten sind jedoch auf die Daten beschränkt, mit denen das jeweilige Sprachmodell trainiert wurde. Zudem können LLMs ohne externe Werkzeuge Berechnungen, etwa die Distanz zwischen zwei Orten, nur eingeschränkt durchführen und keine tagesaktuellen Geodaten abfragen.
An dieser Stelle kommt das Model Context Protocol (MCP) ins Spiel. Es ermöglicht KI-Chatbots, auf Schnittstellen im Internet zuzugreifen. Im Kontext von GIS-Analysen betrifft das häufig Dienste für Routenplanung oder Geocoding, also die Zuordnung einer Koordinate zu einem Suchbegriff in natürlicher Sprache. So kann die Eingabe „adesso Dortmund“ beispielsweise in das Koordinatenpaar 7.527732, 51.505591 umgewandelt und direkt auf einer Landkarte dargestellt werden. Der Anbieter OpenCage stellt eine solche MCP-Anbindung für seine Geocoding-Schnittstelle bereit. Dadurch kann das genutzte KI-Modell auch Fragen beantworten, zu denen es zuvor nicht in der Lage war, beispielsweise eine Rückwärtssuche, bei der eine Koordinate einem realen Ort zugewiesen wird, oder die Abfrage räumlicher Metainformationen wie der Frage, in welchem Bundesland ein bestimmter Ort liegt.
Abbildung: Ein KI-Chat mit der Jan Desktop-Anwendung, die per MCP mit der OpenCage API verbunden ist.
Neben Internetquellen lassen sich auch interne Daten anbinden. Dazu zählen Geodienste wie WFS, interne APIs oder auf Laufwerken gespeicherte Geodaten, die für die Beantwortung fachlicher Fragen relevant sind. Dies wertet den klassischen KI-Chat erheblich auf, da er es auch Nicht-Experten ermöglicht, geographische Fragestellungen mittels natürlicher Sprache zu lösen. Beispielsweise haben wir bei adesso eine Webanwendung für Standortplanung entwickelt, die es ermöglicht, rein mit natürlicher Sprache potenzielle Bürostandorte systematisch anhand verschiedener geographischer Eigenschaften zu vergleichen.
GenAI steuert GIS
Die professionelle Arbeit mit Geodaten wird häufig über ein Desktop-GIS wie QGIS, Smallworld oder ArcGIS durchgeführt. Dabei handelt es sich um mächtige Werkzeuge mit einer Vielzahl von Funktionen, deren Beherrschung mit einem hohen Lernaufwand verbunden ist. Um diese Hürde zu senken, gibt es nun Ansätze, LLMs einzusetzen und den Nutzern so die Möglichkeit zu geben, in natürlicher Sprache zu beschreiben, was das Programm tun soll.
Ein Beispiel hierfür ist OpenGeoAgent, das QGIS um ein Chatfenster erweitert und dadurch eine intuitive Benutzerschnittstelle schafft. Dabei lassen sich sowohl KI-Modelle gängiger Anbieter als auch selbst gehostete Modelle einbinden. So lassen sich mühsame Aufgaben wie das Visualisieren von Geodaten, Kartenanalysen oder Geoprozessierungen ganz einfach per Texteingabe erledigen, ohne dass man sich durch komplexe Menüs klicken muss. Der nachfolgende Screenshot zeigt ein Beispiel dafür, wie per Prompt die Distanz zwischen den auf der Landkarte sichtbaren Städten analysiert und das Ergebnis direkt visuell dargestellt wird.
Abbildung: Screenshot vom QGIS Desktop-GIS mit dem Plugin OpenGeoAgent welches eine geographische Analyse von Städten durchführt.
Das Plugin bietet auch die Möglichkeit, QGIS per Stimme zu steuern, also Arbeitsanweisungen direkt über das Mikrofon einzusprechen. Darüber hinaus ist auch die Nutzung von Embedding-Modellen möglich: So lässt sich beispielsweise ein Luftbild mithilfe von KI semantisch abfragen, um zu erfahren, was darauf dargestellt ist, und eine ausführliche Beschreibung zu erhalten. Auch wenn all diese Funktionen noch recht neu sind und in puncto Benutzerfreundlichkeit und Zuverlässigkeit noch reifen müssen, zeichnet sich hier doch klar ein neuer Weg ab, den die Arbeit mit Geodaten künftig einschlagen wird.
Räumliche Sprach-Modelle und autonome Geo-Agents
Ein neuer Trend zeichnet sich im Bereich der kleinen Sprachmodelle (Small Language Models, SLM) ab. Diese verfügen zwar über einen deutlich geringeren Funktionsumfang als die weit verbreiteten großen LLMs, sind dafür jedoch auf sehr spezifische Anwendungsfälle trainiert. So hat beispielsweise das Unternehmen Development Seed ein Modell entwickelt, das menschliche Sprache in räumliche SQL-Abfragen übersetzt. Da es sich lokal auf einem Laptop betreiben lässt, ist es unabhängig von externen Schnittstellen. Dies ist ein Vorteil, der auch dem Datenschutz zugutekommt. Das Paper „Fine-tuning Small Language Models (SLMs) for autonomous web-based geographical information systems (AWebGIS)“ geht sogar noch einen Schritt weiter und untersucht Möglichkeiten, SLMs direkt im Webbrowser auszuführen, um künstliche Intelligenz nativ in ein WebGIS zu integrieren.
Bei der Nutzung von KI zeigt sich zunehmend die Tendenz, Aufgaben autonom von Agenten ausführen und nur noch von Menschen überwachen zu lassen. Eine wichtige Rolle spielen dabei klassische Kommandozeilenprogramme, die ausschließlich über Texteingaben im Terminal gesteuert werden. Da Input und Output ebenso wie bei einem LLM reiner Text sind, passen beide Technologien ideal zusammen. Ihre Kopplung erfolgt über sogenannte Skills (Fähigkeiten), die im Agenten registriert werden und je nach Aufgabenstellung zur Lösungsfindung genutzt werden. Ein häufiger Anwendungsfall ist das Verarbeiten und Analysieren von Geodaten in verschiedenen Formaten und Koordinatensystemen. Das etablierte Projekt GDAL gilt hier seit Jahren als Standard und kommt in zahlreichen GIS-Systemen zum Einsatz. So kann ein Agent auch komplexe Aufgaben bewältigen, etwa die Arbeit mit heterogenen Geodaten. Darüber hinaus lassen sich Agenten durch die in diesem Beitrag beschriebenen Ansätze noch weiter befähigen. Neben den Skills können MCP-Dienste eingebunden, Luftbilder ausgewertet oder mithilfe von QGIS automatisiert Landkarten erzeugt werden. Diese Abbildung skizziert eine Möglichkeit, wie die Arbeit mit Geodaten in Zukunft aussehen kann.
Abbildung: Grundkomponenten von KI-gestützter Arbeit mit Geodaten.
Wohin die Reise bei der Nutzung von KI in der Geoinformatik führen wird, lässt sich derzeit noch nicht abschätzen. Sicher ist nur, dass mit zahlreichen grundlegenden Veränderungen in der Arbeit mit Geodaten zu rechnen ist.
