FĂŒr die KI-GebĂ€udeerkennung in Luftbildern wird eine groĂe Menge Trainingsdaten benötigt. In der Landesvermessung Niedersachsen (LGLN) wurde dafĂŒr ein Workflow unter Verwendung verschiedener Open Source Tools entwickelt. Damit soll der manuelle Aufwand bei der Erstellung der Trainingsdaten möglichst minimiert werden und ein qualitativ hochwertiger Datensatz mit hoher rĂ€umlicher Abdeckung entstehen, der die VariabilitĂ€t der GebĂ€ude in Niedersachsen ausreichend abbildet. Als DecSecOps-Team des Landesamtes fĂŒr Geoinformation und Landesvermessung Niedersachsen (LGLN) entwickeln wir eine Anwendung zur âKI-GebĂ€udeerkennungâ in Luftbildern. Das Ziel dieser Anwendung ist es, Ănderungen in den GebĂ€udedaten im Amtlichen Liegenschaftskataster-Informationssystem (ALKIS) mit Hilfe von KI-detektierten Hausumringen zu finden. Zum Trainieren der KI-Modelle werden Trainingsdaten aus Niedersachsen verwendet. Diese Trainingsdaten bestehen aus 4-Kanal-Orthophotos (DOP) und normalisierten OberflĂ€chenmodellen (nDOM), sowie Hausumringen als sogenannte âLabelsâ. Eine manuelle Erstellung und Korrektur dieser Labels ist sehr aufwendig. Aus diesem Grund wurde ein Workflow entwickelt, der aus mehreren Schritten besteht und bereits vorhandene Daten nutzt. Er ermöglicht es Daten in ausgewĂ€hlten, reprĂ€sentativen Bereichen passend zum jeweiligen Luftbild zu editieren. Als Grundlage fĂŒr diese Labels werden dabei die GebĂ€ude aus ALKIS verwendet. Dies beruht auf der Annahme, dass der GebĂ€udebestand in den ALKIS-Daten von Niedersachsen gröĂtenteils korrekt ist. Durch eine interaktive Web-GIS-Anwendung in einem Jupyter-Notebook lassen sich mit wenigen Mausklicks Bereiche der Luftbilder anzeigen und mit den vorhandenen ALKIS-Daten ĂŒberlagern. Somit können die Daten schnell gesichtet und Bereiche identifiziert werden, wo die GebĂ€ude aus ALKIS und das jeweilige Luftbild bereits gut zusammen passen. Diese Bereiche sind 400Ă400 m bzw. 2000Ă2000 Pixel groĂ. Wir bezeichnen sie als âTrainings-Patchesâ. Die Metadaten dieser âTrainings-Patchesâ werden in einer Datenbank gesammelt und bilden einen Pool von möglichen Trainingsdaten. Teilweise passen die ALKIS-GebĂ€ude nicht zum Luftbild: Es kommt vor, dass Neubauten oder Abrisse noch nicht erfasst sind oder GebĂ€ude bzw. Teile von GebĂ€uden durch Vegetation verdeckt sind. Damit fĂŒr das KI-Training nur Labels zum Einsatz kommen, die zu den Luftbildern passen, ist es erforderlich, die vorhandenen GebĂ€udeumringe zu bearbeiten. Dazu nutzen wir QGIS und die darin vorhandenen Möglichkeiten zum Editieren von Polygonen. Diese Aufgabe ist der aufwendigste Teil des Workflows und wird von einem âLabel-Teamâ im LGLN durchgefĂŒhrt. Die Herausforderung besteht hier darin, die Daten der âTrainings-Patchesâ, bestehend aus Bildausschnitt im Luftbild bzw. nDOM sowie den zu editierenden ALKIS-Polygonen in den QGIS-Client der bearbeitenden Person zu laden. Die visuelle Kontrolle der Daten und die Bearbeitung der Polygone kann auch offline erfolgen. Nach der manuellen Bearbeitung der Polygone mĂŒssen die Daten in eine Datenbank geschrieben werden. DafĂŒr wurde ein auf FastAPI-basierender Microservice gebaut, der die Datenbereitstellung und Kommunikation zwischen QGIS-Client und Datenbank durchfĂŒhrt. In dieser Demo wird der beschriebene Workflow fĂŒr die Trainingsdaten-Erstellung vorgestellt und die verwendeten Open Source Tools mit ihren interaktiven GIS-FunktionalitĂ€ten demonstriert. about this event: https://pretalx.com/fossgis2024/talk/7S3JKU/