Ohne teure Lizenzen: Trassenplanung in QGIS mit LCP und KI für Planer
Symbolbild, KI-generiertFür effiziente Trassenplanung liefern Least-Cost-Path-Analysen kombiniert mit KI-gestützter Luftbildklassifikation und sauberer Datenintegration die beste Ausgangslage. Wer bei der Trassenplanung mit GIS-Methoden arbeitet, sollte zuerst die Datenqualität prüfen, dann erst den Algorithmus wählen. Ein Open-Source-Workflow in QGIS reicht für die meisten Projekte völlig aus. Die Details zu Kostenoberflächen, KI-Klassifikation und Validierung folgen in den nächsten Abschnitten.
Kurz gesagt:
- Die Qualität der Datenbasis ist entscheidend; veraltete oder ungenaue Flurstücksgrenzen und Höheninformationen führen zu falschen Trassenvorschlägen.
- Multi-Resolution-Ansätze beschleunigen die Berechnung großer Raster, wobei rund 80 % der Pfade nahe an den Ergebnissen vollauflösender Verfahren liegen.
- Klare Filter, etwa zur Eingangsbestimmung, sind oft genauso wirksam wie komplexe Modelle und erleichtern die Akzeptanz bei Genehmigungsbehörden.
- Eine strukturierte Überprüfung von Koordinatenreferenzsystemen und Datenquellen ist unerlässlich, um Fehler in den Kostenoberflächen zu vermeiden.
- Open-Source-Workflows in QGIS und aktuelle Geodatenangebote von Anbietern wie Nefino erleichtern eine effiziente und zuverlässige Trassenplanung.
Inhaltsverzeichnis
- Überblick: Kernmethoden der GIS-basierten Trassenplanung
- Least-Cost-Path und Kostenoberflächen: Methodik und Fallstricke
- KI-gestützte Luftbildauswertung als Datenbasis für Kostenoberflächen
- Praxis-Workflow in QGIS: Von Rohdaten zur Trassenvariante
- Praxisbelege und Nefino-Kompetenz: Fallstudien und verfügbare Ressourcen
- Was die Praxis oft übersieht: Meine Einschätzung
- Wie Nefino Ihre Trassenplanung mit besseren Daten unterstützt
- Quellen
Überblick: Kernmethoden der GIS-basierten Trassenplanung
Drei methodische Familien dominieren die Trassenplanung mit GIS: die Least-Cost-Path-Analyse (LCP), heuristische Netzoptimierung und regelbasierte Pufferverfahren. Jede hat ihren Platz, je nach Netztyp und Datenlage.
Die LCP-Analyse berechnet auf Basis einer Kostenoberfläche den Pfad mit dem geringsten Widerstand zwischen zwei Punkten. Sie eignet sich besonders für lineare Infrastruktur wie Pipelines, Freileitungen oder Erdkabeltrassen, bei denen ein einzelner optimaler Korridor gesucht wird. Netzoptimierungsverfahren, etwa Steinerbaum-Ansätze, gehen einen Schritt weiter: Sie verbinden mehrere Punkte gleichzeitig zu einem kostenminimalen Baum und sind damit die richtige Wahl für Verteilnetze mit vielen Anschlusspunkten, etwa bei Wärmenetzen oder Solarpark-internen Verkabelungen. Heuristische Verfahren wie genetische Algorithmen oder Deep Reinforcement Learning kommen dazu, wenn multiple Zielgrößen gleichzeitig optimiert werden müssen, etwa Kosten, Umweltauflagen und Netzverluste.
Der Zielkonflikt zwischen Genauigkeit und Skalierbarkeit zieht sich durch alle Ansätze:
- LCP liefert bei feiner Rasterauflösung sehr präzise Trassenvorschläge, wird bei großen Untersuchungsgebieten aber rechenintensiv.
- Netzoptimierung skaliert gut bei vielen Anschlusspunkten, verliert jedoch an Detailgenauigkeit bei kleinräumigen Hindernissen.
- Heuristische Verfahren sind flexibel, brauchen aber deutlich mehr Rechenzeit und sorgfältiges Tuning der Zielfunktion.
Für Hochspannungsfreileitungen und Pipelines bleibt die klassische LCP-Analyse der Standard. Bei Verteilsystemen mit vielen Abnehmern lohnt sich der Blick auf Netzoptimierung, wie sie auch im RIM-Projekt der TU Dortmund für Erdverkabelung untersucht wurde.
Least-Cost-Path und Kostenoberflächen: Methodik und Fallstricke
Die Kostenoberfläche, auch Friction Surface genannt, ist das Herzstück jeder LCP-Analyse. Sie weist jeder Rasterzelle einen Widerstandswert zu, der Hangneigung, Bodenbeschaffenheit, Schutzgebietsstatus, Abstand zu Siedlungen und rechtliche Restriktionen kombiniert. Die Gewichtung dieser Faktoren entscheidet maßgeblich über das Ergebnis, und genau hier passieren die meisten Fehler.
Symbolbild, KI-generiert
NoData-Zellen sind ein klassisches Problem. Werden sie nicht bewusst behandelt, können sie als unpassierbare Barrieren wirken oder, schlimmer, als Zellen mit Kosten null interpretiert werden und die Trasse geradewegs durch ein Schutzgebiet ziehen. Die ESRI-Dokumentation zur Least-Cost-Path-Funktion empfiehlt, NoData-Bereiche entweder explizit als Barrieren zu deklarieren oder mit kleinen positiven Ersatzwerten zu füllen, um Dead-Ends im Routing zu vermeiden. Mehrere Start- und Endpunkte erhöhen zudem die Rechenzeit deutlich, weil jede Kombination einzeln geprüft werden muss.
Statistik: Multi-Resolution-Ansätze beschleunigen LCP-Berechnungen bei großen Rasterdatensätzen erheblich, wobei rund 80 % der so berechneten Pfade sehr nahe am Ergebnis der vollauflösenden Berechnung liegen. Für erste Trassenvarianten auf großer Fläche lohnt sich also ein gröberes Raster, das für die Feinplanung anschließend lokal verfeinert wird.
Zur Validierung gehört zwingend eine Sensitivitätsanalyse: Wie stark verändert sich der Pfad, wenn ein Gewichtungsfaktor um 10 oder 20 Prozent variiert? Und wie weit weicht die berechnete Trasse von bestehenden Vergleichsnetzen ab?
Profi-Tipp: Rechnen Sie die LCP-Analyse immer mit zwei bis drei unterschiedlichen Gewichtungsszenarien durch. Bleibt der Korridor in allen Varianten stabil, ist das ein starkes Indiz für ein robustes Ergebnis.
KI-gestützte Luftbildauswertung als Datenbasis für Kostenoberflächen
Deep-Learning-Modelle liefern heute die Landnutzungsdaten, die früher händisch aus Orthofotos digitalisiert werden mussten. Segmentierungsnetze wie U-Net klassifizieren Luftbilder pixelgenau in Kategorien wie Wald, Ackerfläche, Gewässer oder Siedlung und liefern damit direkt einen Layer, der in die Kostenoberfläche einfließt.
Der übliche Ablauf sieht so aus:
- Ein vortrainiertes U-Net-Modell wird auf regionsspezifische Trainingsdaten feinabgestimmt, meist einige hundert bis wenige tausend annotierte Kacheln.
- Die Klassifikation läuft kachelweise über das gesamte Untersuchungsgebiet, was bei großen Flächen erhebliche Rechenzeit kostet.
- Im Postprocessing werden Klassifikationsfehler bereinigt, Kachelränder harmonisiert und die Rasterergebnisse zu nutzbaren Vektorpolygonen zusammengeführt.
Dieser Workflow wurde unter anderem auf der FOSS4G-Konferenz als durchgängige Pipeline von Luftbild bis Trassenvorschlag vorgestellt, kombiniert mit GRASS-GIS-Algorithmen für die anschließende Pfadberechnung. Die Grenzen liegen vor allem in der Übertragbarkeit: Ein Modell, das auf Luftbildern einer Region trainiert wurde, liefert in anderen Landschaftstypen oft schlechtere Ergebnisse. Und die Qualität der Trainingslabels bestimmt direkt die Qualität der Kostenoberfläche, die daraus entsteht.
Praxis-Workflow in QGIS: Von Rohdaten zur Trassenvariante
Ein funktionierender GIS-Workflow für die Trassenplanung lässt sich in QGIS mit frei verfügbaren Werkzeugen komplett open source umsetzen.
- Daten sammeln: Digitales Geländemodell (DGM), Katasterdaten, Schutzgebietsgrenzen und aktuelle Orthofotos zusammenführen, alle im selben Koordinatenreferenzsystem.
- Rasteroberfläche aufbauen: Die Einzelschichten werden in ein gemeinsames Kostenraster überführt, wobei jeder Layer einen Gewichtungsfaktor erhält.
- Barrieren definieren: Schutzgebiete, Gewässer oder Siedlungskerne als harte Ausschlussflächen markieren, statt sie nur mit hohen Kosten zu belegen.
- Least-Cost-Path berechnen: Mit den QGIS-Werkzeugen aus dem GRASS-Plugin oder r.walk mehrere Trassenvarianten zwischen den definierten Anschlusspunkten generieren.
- Netzoptimierung ergänzen: Bei mehreren Abnehmern einen Steinerbaum-Algorithmus draufsetzen, um die Gesamtlänge des Netzes zu minimieren.
- Validieren: Die generierten Varianten gegen bestehende Vergleichsnetze und reale Anschlusspunkte prüfen, Längenabweichungen dokumentieren.
Ein solider Einstieg in die zugrunde liegenden Datentypen findet sich in diesem technischen Überblick zu Geodaten, der die Anforderungen an DGM- und Katasterdaten für genau solche Analysen einordnet.
Praxisbelege und Nefino-Kompetenz: Fallstudien und verfügbare Ressourcen
Zwei Praxisprojekte zeigen, wohin sich GIS-Methoden für die Trassenplanung entwickeln. Eine Abschlussarbeit an der Leuphana Universität hat einen QGIS-Workflow für längenoptimierte Wärmetrassen entwickelt: Filter wie „Anschlusspunkt pro Flurstück“ und der Erschließungsgrad lieferten in Testgebieten Ergebnisse, die bestehenden Tools nahekamen, mit insgesamt kürzerer Netzlänge. Das Fraunhofer-Projekt TrassenKI verfolgt einen ähnlichen Gedanken auf höherer Automatisierungsstufe und betont, dass Datenqualität wichtiger bleibt als Algorithmuskomplexität.
Für Planer heißt das konkret: Einfache, nachvollziehbare Filter schlagen oft komplexe Modelle, wenn die Datenbasis stimmt. Nefino unterstützt genau an dieser Stelle mit Flächenanalysen für erneuerbare Energien, die Standort- und Flurstücksdaten in einer für Trassenplanung nutzbaren Form bereitstellen.
Was die Praxis oft übersieht: Meine Einschätzung
Die meisten Diskussionen über GIS-Trassenplanung drehen sich um den Algorithmus, nicht um die Daten. Das ist rückwärts gedacht. Ein Steinerbaum-Verfahren oder ein Deep-Reinforcement-Learning-Modell klingt beeindruckend, bringt aber nichts, wenn das darunterliegende Kataster veraltete Flurstücksgrenzen enthält oder das DGM zwei Jahre alte Höheninformationen liefert. Fraunhofers eigene Einschätzung zu TrassenKI bestätigt das: Automatisierung spart Zeit, aber nur wenn die Datenqualität stimmt.
Symbolbild, KI-generiert
Was ich für unterschätzt halte: einfache, transparente Filter. Die Leuphana-Arbeit zeigt, dass ein simpler Anschlusspunkt-Filter bei einem Großteil der Flurstücke gar keinen Unterschied zu komplexeren Verfahren macht. Genehmigungsbehörden und Stakeholder verstehen einen nachvollziehbaren Filter außerdem leichter als eine Black-Box-Optimierung, und das beschleunigt Genehmigungsverfahren, die bei Trassenprojekten ohnehin oft der Flaschenhals sind.
Mein Rat an Planer: Investieren Sie zuerst in bessere Eingangsdaten, dann erst in komplexere Methoden. Die Reihenfolge macht den Unterschied zwischen einer Trasse, die durchgeplant und die tatsächlich gebaut wird.
— Christian
Wie Nefino Ihre Trassenplanung mit besseren Daten unterstützt
Für die Trassenplanung ist es möglich, DGM, Katasterauszüge und Schutzgebietsgrenzen gebündelt und aktuell über eine Plattform zu erhalten, ohne sie aus Dutzenden Behördenportalen einzeln zusammenzutragen.
Für Projektentwickler und Energieunternehmen, die ihre Kostenoberflächen auf einer verlässlichen Datenbasis aufbauen wollen, bietet Data-as-a-Service von Nefino Zugriff auf über 5.000 Geodaten-Layer, die sich direkt in QGIS oder andere GIS-Umgebungen einbinden lassen. Ergänzend liefert die Flächenanalyse für erneuerbare Energien standortspezifische Bewertungen, die sich direkt als Gewichtungsgrundlage für Ihre Kostenoberfläche nutzen lassen.
Wenn Sie Ihre nächste Trassenplanung auf eine belastbarere Datenbasis stellen wollen, werfen Sie einen Blick auf die Geodatenprodukte von Nefino und prüfen Sie, welche Layer für Ihr Projektgebiet bereits verfügbar sind.
Quellen
Kein Algorithmus rettet eine schlechte Datengrundlage. Das gilt für die Trassenplanung mit GIS-Methoden noch stärker als für viele andere GIS-Anwendungen, weil Fehler in der Kostenoberfläche sich direkt in die berechnete Trasse übersetzen.
Priorität hat die Prüfung dieser drei Quellen:
- Multi‑Resolution approaches for least‑cost path
- GIS‑basierte, längenoptimierte Trassenerstellung für Wärmenetze
- TrassenKI — Fraunhofer IWU
Zusätzlich lohnt ein einfacher Projektionscheck: Unterschiedliche Koordinatenreferenzsysteme zwischen den Layern sind einer der häufigsten Gründe, warum berechnete Kosten falsch aussehen, ohne dass der Fehler sofort auffällt. Ein strukturierter Leitfaden zur Geodatenanalyse hilft, diese Prüfschritte systematisch abzuarbeiten, bevor die erste LCP-Berechnung überhaupt startet.
