KI-basierte Bilderkennung für gebäudescharfe Daten in der Wärmewende 

Warum KIBIZ? Die Datenlücke in Wärmeplanung und Sanierung

Kommunale Wärmeplanung, Sanierungsstrategien und Energieinfrastrukturplanung stehen und fallen mit einer Frage: Wie gut kennen wir den energetischen Zustand des Gebäudebestands, bis hinunter auf Gebäudeebene?

In der Praxis fehlen diese Informationen häufig oder liegen nur fragmentiert vor. Gleichzeitig müssen Kommunen in Deutschland bis Ende 2028 eine kommunale Wärmeplanung vorlegen; Großstädte bereits bis 2026. Der Sanierungsbedarf ist hoch: Ein großer Teil des Wohngebäudebestands ist älter als 45 Jahre und energetisch sanierungsbedürftig.

Das FuE-Projekt KIBIZ adressiert diese Lücke: Es entwickelt Methoden, um aus georeferenzierten Außenbildern automatisch, reproduzierbar und skalierbar energetisch relevante Gebäudeinformationen abzuleiten.

Projekt in Kürze

 
Datenbasis: bildbasiert, georeferenziert und multimodal

KIBIZ nutzt hochaufgelöstes, georeferenziertes Bildmaterial aus kommunalen Luftbild- und Straßenbefahrungen als primäre Informationsquelle. Jede Aufnahme bzw. jedes Panorama ist räumlich eindeutig verortet. Dadurch lässt sich visuelle Information direkt mit Geodaten verknüpfen (z. B. Gebäudegrundrisse, Adressen, Quartiere) und konsistent einzelnen Gebäudeobjekten zuordnen.

Warum Panoramasequenzen statt Einzelbilder?

• Mehrfachbeobachtungen: Gebäude können aus unterschiedlichen Blickwinkeln erfasst werden (bessere Abdeckung der Fassaden).

• Robustheit: Kurzzeitige Sichtbehinderungen (z. B. Fahrzeuge oder Vegetation) lassen sich durch weitere Aufnahmen entlang der Straße ausgleichen.

• Qualitätssicherung: Konsistenzprüfungen über mehrere Perspektiven hinweg (z. B. stabile Fenster- oder Dachkanten) werden möglich.

• Skalierung: Straßenbefahrungen lassen sich als wiederholbarer Prozess aktualisieren und ermöglichen damit ein Monitoring über die Zeit.

Welche Gebäudeparameter stehen im Fokus?

Ziel ist eine gebäudescharfe Datenbasis energetisch relevanter Parameter. Dazu gehören insbesondere Merkmale, die (a) aus Außenbildern plausibel ableitbar sind und (b) einen direkten Mehrwert in Planung und Steuerung bieten:

Technischer Ansatz: Von der Bildaufnahme zur Gebäudeinformation

Der technische Kern von KIBIZ ist eine durchgängige Pipeline, die große Mengen georeferenzierter Bilddaten in strukturierte, nachvollziehbare und qualitätsgesicherte Gebäudeinformationen überführt. Dabei werden Methoden aus Computer Vision, Geoinformatik und Datenmanagement kombiniert.

Schritt 1: Ingestion, Vorverarbeitung und Metadaten

Bild- und Panoramadaten aus kommunalen Befahrungen werden ingestiert, bereinigt und mit relevanten Metadaten angereichert (z. B. Zeitstempel, Position/Orientierung, Kameraparameter). Diese Metadaten sind entscheidend, um Beobachtungen später eindeutig zuzuordnen und reproduzierbar zu verarbeiten.

Schritt 2: Gebäude- und Elementerkennung (Deep Learning)

Im Bildraum werden Gebäudeelemente identifiziert – typischerweise über Deep-Learning-Modelle für Objekterkennung und Segmentierung. Je nach Fragestellung können Fenster, Fassadenbereiche, Dachkanten oder Gebäudekonturen erkannt werden. Ein Schlüsselproblem ist die robuste Zuordnung dieser Erkennungen zu einem Gebäudeobjekt in der Geodatenbasis (Bildraum trifft Kartenraum).

Schritt 3: Feature Engineering und Bewertung

Aus erkannten Elementen werden energetisch relevante Features abgeleitet. Dazu gehören direkte  Merkmale (z. B. Fensterarten) sowie abgeleitete Indikatoren (z. B. Modernisierungsgrad-Klassen). Wichtig ist die Ergebnisdarstellung: Neben dem eigentlichen Wert sollten Quellenhinweise, Abdeckung (wie viele Beobachtungen je Gebäude) und Unsicherheiten gespeichert werden.

Schritt 4: Ground Truth, Validierung und Unsicherheiten

Für Training und Evaluation sind Ground-Truth-Daten notwendig. Diese können durch Annotation, Bestandsdaten oder Expert:innen-Reviews entstehen. KIBIZ adressiert dabei explizit die Frage, wie gut sich Merkmale aus Außenbildern erkennen lassen und wie Grenzen transparent gemacht werden (z. B. Konfidenzwerte, Plausibilitätsregeln, Qualitätsscores).

Systemarchitektur: 6 Bausteine für eine skalierbare Lösung

Neben den ML-Modellen ist die Systemarchitektur entscheidend, um Ergebnisse verlässlich zu betreiben und an unterschiedliche Nutzergruppen auszuspielen. Im Projekt werden u. a. folgende Bausteine entworfen und prototypisch umgesetzt: 

• Dateningestion: Import von Bild- und Panoramadaten, Geodaten und Zusatzdaten mit Versionierung
• Hybrider Speicher: effiziente Ablage großer Mediendaten plus strukturierter Geo- und Feature-Daten
• ML-/CV-Services: Training, Inferenz, Batch-Verarbeitung und (wo sinnvoll) inkrementelle Updates
• Feature-Store & Qualität: Speicherung von Merkmalen inkl. Unsicherheit, Herkunft und Abdeckung
• Bereitstellung: APIs, Exporte und Karten-/Portalservices für verschiedene Anwendungsfälle
• Frontend/UX: nutzerfreundliche Oberfläche für Verwaltung, Energieversorger, Industrie und Forschung

Warum Datenmanagement so kritisch ist

Klassische relationale Datenbanken stoßen bei der Verarbeitung großer Mengen georeferenzierter Bild- und Panoramadaten schnell an Grenzen. KIBIZ entwickelt deshalb hybride und performante Datenmanagement-Strukturen, die für Machine-Learning-Workflows geeignet sind und zugleich Anforderungen kommunaler Geodateninfrastrukturen erfüllen.

Von Ergebnissen zur Anwendung: Output-Formate und Integration

Damit die Ergebnisse in der Praxis ankommen, müssen sie in geeigneten Formaten bereitgestellt werden. KIBIZ zielt daher auf mehrere Ebenen der Nutzung:

Perspektive: Digitaler Zwilling des Gebäudebestands

KIBIZ ist perspektivisch als Baustein kommunaler digitaler Zwillinge gedacht. Die Ergebnisse sollen sich in standardisierte Architekturen (z. B. nach DIN SPEC 91391 „Urbane Digitale Zwillinge“) einfügen und als Fachzwilling für Wärmeplanung bzw. als Bestandteil eines Gebäudebestand-Zwillings nutzbar sein.

Langfristig ist die Übertragbarkeit auf andere Städte und Regionen ein zentrales Ziel: Was im Pilotgebiet erprobt wird, soll als skalierbarer Ansatz für einen bundesweiten Gebäudedaten-Zwilling dienen.

Transfer in die Praxis: Hürden und Designprinzipien

KIBIZ adressiert neben der wissenschaftlichen und ingenieurtechnischen Fragestellung auch Transferfragen: Welche technischen, organisatorischen und rechtlichen Hürden bestehen für eine großskalige Anwendung – und wie können sie überwunden werden?

• Datenschutz: rechtssichere Verarbeitung, Anonymisierung und minimierte personenbezogene Inhalte
• Übertragbarkeit: Robustheit gegenüber unterschiedlichen Stadtstrukturen, Erfassungsbedingungen und Kamerasystemen
• Bias & Abdeckung: bewusster Umgang mit Datenlücken, Qualitätsschwankungen und saisonalen Effekten
• Betrieb: Versionierung, Monitoring, Drift-Erkennung und Update-Strategien für Modelle und Daten
• Erklärbarkeit: nachvollziehbare Ergebnisse inklusive Unsicherheiten statt „Black-Box“-Scores
  
  

Fazit

KIBIZ verbindet georeferenzierte Bilddaten, moderne Machine-Learning-Verfahren und Geo-/Datenplattform-Technologie zu einem Gesamtsystem, das eine zentrale Lücke der Wärmewende schließen soll: belastbare, gebäudescharfe Informationen über den energetischen Zustand des Gebäudebestands.

Der Mehrwert entsteht dabei aus dem Zusammenspiel von Technik und Praxis: Nur wenn Erkennung, Datenmanagement und Bereitstellung als End-to-End-System gedacht werden, werden aus Bilddaten nutzbare Planungsgrundlagen.