AI-based approach for detecting selected point features of the german landscape model (Atkis Basis-DLM)
KI-gestützter Ansatz zur Detektion ausgewählter Punktobjekte des Atkis Basis-DLM
Kilian Sperber, Jonathan Kraus
This article presents an AI-based approach that detects selected point objects of the digital landscape model of Germany. Based on the official geodata Digital Surface Model (DSM), Digital Terrain Model (DTM) and Digital Orthophoto (DOP), the three object classes wind turbines, power line poles and radio masts are derived and classified using a deep learning model (YOLO11) trained on Bavarian data. The validation of the approach across six independent test areas throughout Germany shows highly accurate classification results with almost complete object recognition, especially for the primary object type wind turbines (mean F1 score above 97% for classification). By comparing the location-accurate predictions with the digital landscape model, the approach can be used for quality assurance and for partially automated continuation. The classes powerline poles and radio masts should only be considered as a by-product, as only particularly distinctive or very large objects can be detected.
In diesem Beitrag wird ein KI-gestützter Ansatz vorgestellt, der ausgewählte Punktobjekte des ATKIS Basis-DLM detektiert. Basierend auf den amtlichen Geodaten Digitales Oberflächenmodell, Digitales Geländemodell und Digitales Orthophoto werden die drei Objektklassen Windenergieanlagen, Freileitungsmasten und Funkmasten abgeleitet und mit einem auf bayerischenDaten trainierten Deep-Learning-Modell (YOLO11) klassifiziert. Der Ansatz zeigt bei der Validierung über sechs unabhängige Testgebiete verteilt in ganz Deutschland besonders bei der primären Objektart Windenergieanlagen (mittlerer F1-Score > 97 % in der Klassifizierung) hochgenaue Klassifizierungsergebnisse mit nahezu vollständig erkannten Objekten. Durch einen Abgleich der lagegenauen Vorhersagen mit dem ATKIS Basis-DLM kann der Ansatz zur Qualitätssicherung und für eine teilautomatisierte Fortführung genutzt werden. Die Klassen Freileitungsmasten und Funkmasten sind dabei nur als Nebenprodukt zu verstehen, da nur besonders markante bzw. sehrgroße Objekte detektiert werden können.
Keywords: YOLO11, ATKIS Basis-DLM, wind turbines, powerline poles, radio masts
Schlüsselwörter: YOLO11, ATKIS Basis-DLM, Windenergieanlagen, Freileitungsmasten, Funkmasten
DOI: 10.14627/gis.Science.2026.3.1
APA-Style Cite:
Sperber, K., & Kraus, J. (2026). AI-based Approach for Detecting Selected Point Features of the German Landscape Model (ATKIS Basis-DLM). gis.Science, 39(3), 73–85. https://doi.org/10.14627/gis.science.2026.3.1
Der Volltext der aktuellen Artikel (< 3 Monate) aus dem Artikelarchiv steht für
gis-Abonnenten
nach dem Login
zur Verfügung.
