Im Zeitalter zunehmender Digitalisierung gewinnen Geodaten und bildbasierte Informationen eine zentrale Rolle bei der Entscheidungsfindung in Wirtschaft, Verwaltung und Wissenschaft. ArcGIS, die Enterprise Geospatial AI Plattform von Esri, bietet eine ganzheitliche Lösung, um aus unterschiedlichsten Bildquellen – von Satelliten, Flugzeugen oder Drohnen – skalierbare, KI-gestützte Erkenntnisse zu gewinnen.
True Ortho zeigt Solarpotenziale (links) und eine Extraktion von Bäumen und Fahrzeugen (rechts) mittels Deep Learning
Um das volle Potenzial von GIS als Plattform auszuschöpfen, bietet ArcGIS einen durchgängigen Imagery-Workflow: Von der Datenerfassung über die Analyse bis hin zur Bereitstellung in modernen Geodaten-Infrastrukturen.
Schritt 1: Hochqualitative Bilddatenerfassung
Der Imagery-Workflow beginnt mit der strukturierten Erfassung von Bilddaten. Je nach Anwendungsfall kommen dabei unterschiedliche Sensorplattformen zum Einsatz – von hochauflösenden Satelliten über bemannte Luftbildsysteme bis hin zu Drohnen, die insbesondere für lokal begrenzte, hochdetaillierte Projekte geeignet sind.
Ein wesentliches Planungselement ist dabei die Definition eines geeigneten Überflugschemas. Konzepte wie Crosshatch (Kreuzbefliegung) oder Oblique (Schrägbilder) verbessern die 3D-Rekonstruktion und ermöglichen eine höhere Genauigkeit der späteren Analysen.
Für die operative Flugplanung stellt Esri die ArcGIS Flight App bereit, die in Kombination mit der cloudbasierten End-to-End-Lösung SiteScan for ArcGIS eine effiziente Umsetzung ermöglicht: Aufträge können geplant, Flüge ausgeführt und Bilddaten direkt verarbeitet werden. Auch Multispektraldaten aus Drohnenbefliegungen lassen sich problemlos integrieren und für spezialisierte Analysen – etwa im Vegetations- oder Wassermanagement – mit ArcGIS Drone2Map oder ArcGIS Reality for ArcGIS Pro prozessieren und nutzen. Über das Add-On in ArcGIS Pro können zudem Satellitendaten nahtlos eingebunden werden.
Schritt 2: Datenprozessierung in skalierbaren Umgebungen
Großflächige Bildflüge ganzer Städte und Länder werden mit Hilfe von ArcGIS Reality Studio in präzise Bilddaten-Produkte umgewandelt. Der Prozess lässt sich flexibel auf Einzelservern oder in skalierbaren Server-Cluster-Umgebungen durchführen, ideal für Organisationen mit großen Datenvolumen oder verteilten Teams.
Erzeugt werden hochpräzise, georeferenzierte Produkte:
- True Ortho-Imagery: Verzerrungsfreie Luftbilder für pixelgenaue Analysen über die Zeit, z. B. für Veränderungsanalysen, Asset-Extraktionen und Messungen.
- Digitale Geländemodelle (DGM) und Digitale Oberflächenmodelle (DSM): Ideal geeignet für die Ableitung von Gebäudemodellen, Vegetationshöhenanalysen und Wasserflusssimulationen.
- Punktwolken und photorealistische Mesh-Modelle: Ermöglichen intuitive 3D-Visualisierungen und Digitale Zwillinge.
Diese Produkte bilden nicht nur ein präzises Abbild der Realität, sondern bilden auch die Basis für weiterführende Analysen – sei es im urbanen Raum, in der Landnutzung oder im Katastrophenschutz.
Schritt 3: Rasterdatenmanagement & optimierte Workflows
Im ArcGIS-System spielt das Mosaic Dataset eine zentrale Rolle: Dieses intelligente Containerformat ermöglicht die Verwaltung, Visualisierung und Analyse großer Bilddatensammlungen. Es erlaubt die Speicherung von Rohbildern, ihre automatische Mosaikierung, die Anwendung von Rasterfunktionen sowie den Zugriff über Webdienste.
Entscheiderinnen und Entscheider profitieren dabei von einer erheblichen Performance-Steigerung: Statt statische Rasterdaten zu laden, werden optimierte Operationen bedarfsgerecht und skalierbar ausgeführt – direkt auf den Originaldaten, ohne redundante Kopien. Dank clientseitigem, maßstabsabhängigem Rendering sparen Organisationen nicht nur Speicherplatz, sondern auch Bandbreite bei der Datenübertragung.
Schritt 4: Rasterfunktionen & Automatisierung
Für die Analyse großer Bilddatenbestände stellt ArcGIS über 150 Standard-Rasterfunktionen bereit, darunter:
- NDWI (Normalized Difference Water Index) zur Wasserflächenanalyse
- NDVI (Normalized Difference VegetationIndex) zur Analyse der Vegetationsgesundheit
- GLI (Green Leaf Index) zur Vegetationsbewertung
Diese Funktionen lassen sich im Rasterfunktionseditor individuell anpassen und direkt mit einem Mosaic Dataset verknüpfen. Dadurch können Analysen vollständig automatisiert und direkt nach der Veröffentlichung über den ArcGIS Image Server bereitgestellt werden – intern über ArcGIS Enterprise oder öffentlich über ArcGIS Online.
Schritt 5: Verteilung & Veröffentlichung der Ergebnisse
Für die unternehmensweite oder öffentliche Bereitstellung von Analyseergebnissen bietet Esri verschiedene skalierbare Komponenten:
- ArcGIS Image Server (on-premise)
- ArcGIS Imagery for ArcGIS Online (cloudbasiert)
- ArcGIS Raster Analytics on Kubernetes
- ArcGIS Image Services on Kubernetes
Diese Plattformen ermöglichen den Zugriff auf Bilddaten aus beliebigen Anwendungen heraus – ob im Browser, mobil oder über spezialisierte Fachanwendungen. So wird ein nahtloser Übergang von der Bilddatenerfassung bis zur Entscheidungsunterstützung gewährleistet und die Inwertsetzung der Daten vereinfacht.
Deep Learning: Automatisierte Bilderkennung auf Basis von KI
Ein herausragendes Merkmal von ArcGIS als Enterprise Geospatial AI Plattform ist die nahtlose Integration von Deep Learning auf Rasterbasis. Für einen schnellen Einstieg stehen über 95 vortrainierte Modelle – sogenannte Deep Learning Packages (DLPKs) – zum Download über den ArcGIS Living Atlas of the World zur Verfügung. Diese Modelle decken Anwendungsfelder wie Gebäudeerkennung, Schadensklassifikation oder Baumartenanalyse ab.
Entsprechen die Ergebnisse nicht den Anforderungen, können die vortrainierten Modelle mit eigenen Daten nachtrainiert oder komplett neue Modelle entwickelt werden, die speziell auf die individuellen Fragestellungen zugeschnitten sind. Der gesamte Prozess ist vollständig in die Plattform integriert und umfasst:
- Erstellung von Trainingsdaten
- Training der Modelle mithilfe von GPU-Ressourcen
- Validierung und Anwendung im produktiven Workflow
- Optionales Fine-Tuning und Nachtrainieren
Deep-Learning-Prozesse können bei Bedarf serverseitig auf den ArcGIS Image Server ausgelagert werden. Alternativ steht das ArcGIS Deep Learning Studio als webbasierte Lösung zur Verfügung. Das Studio bietet eine benutzerfreundliche Oberfläche zum Labeln von Trainingsdaten, Verwalten von Deep-Learning-Workflows und Ausführen von Inferenzprozessen. Durch das Rollen- und Rechtekonzept von ArcGIS Enterprise können Trainingsaufgaben kollaborativ umgesetzt werden.
Dadurch eignet sich die Plattform besonders für die effiziente Analyse großer Bilddatenbestände, etwa aus Satelliten- oder Drohnenaufnahmen, direkt innerhalb des ArcGIS-Ökosystems.
GeoAI: Synergien aus klassischer Analyse und Künstlicher Intelligenz
Aufbauend auf diesen Funktionen eröffnet ArcGIS mit GeoAI eine neue Dimension der Geodatenanalyse. GeoAI steht für die intelligente Verbindung traditioneller Geodatenanalysen mit modernen KI-Ansätzen. Durch die Kombination von Rasterfunktionen und Deep Learning entstehen neue Möglichkeiten, um komplexe Zusammenhänge zu erkennen – etwa bei der Klassifikation urbaner Strukturen, der Risikobewertung von Infrastrukturen oder der Überwachung ökologischer Veränderungen.
So wird GeoAI zu einem Schlüsselwerkzeug für datenbasierte Entscheidungen in Smart Cities, Versorgungsunternehmen, Infrastrukturprojekten und der Umweltplanung.
Von Bilddaten zu Entscheidungen in Echtzeit
Die Enterprise Geospatial AI Plattform bietet Entscheidungstragenden einen vollständigen, skalierbaren Workflow für bildbasierte Geodaten – von der präzisen Erfassung über die intelligente Analyse bis hin zur passenden Bereitstellung. Durch die enge Verzahnung von Automatisierung, Künstlicher Intelligenz und Cloud-Technologien entsteht ein System, das nicht nur leistungsfähig, sondern auch zukunftssicher ist. Es ermöglicht Organisationen, komplexe räumliche Zusammenhänge in Echtzeit zu verstehen und fundierte Entscheidungen zu treffen.
Damit öffnet ArcGIS den Weg für die breite und nachhaltige Nutzung von Bild- und 3D-Daten – in Verwaltung und Industrie ebenso wie in Forschung und Umweltmanagement – und macht Geodaten zu einem zentralen Treiber datenbasierter Innovation.
