Connecting Intelligence
with Location.

3D-Modellierung von Kulturerbestätten mittels Geo-KI

Dieses Projekt konzentriert sich auf die digitale Erfassung und Konservierung von historisch bedeutsamen Kirchen in Nordrhein-Westfalen, wie der hier gezeigten Dyckburg-Kirche in Münster. Wir nutzen multimodale UAV-Bilddaten (Drohnenaufnahmen) in Kombination mit der innovativen 3D Gaussian Splatting Technologie, um hochauflösende, fotorealistische und interaktive 3D-Modelle zu generieren. Dieser Ansatz stellt einen bedeutenden Transfer-Beitrag zur digitalen Konservierung und wissenschaftlichen Dokumentation von Architekturerbe dar und eröffnet neue Möglichkeiten für Forschung und öffentliche Präsentation.

velocityAdapt

Dieses vom BMFTR geförderte Forschungsprojekt entwickelt einen Urbanen Digitalen Zwilling (uDT: urban Digital Twin), um eine resiliente Stadtplanung angesichts sich ändernder klimatischer Bedingungen zu unterstützen. Das Projekt baut auf einem No-Code Ansatz auf und entwickelt einen LLM-gestützten Agenten, um komplexe, reproduzierbare und semantisch sinnvolle Geoanalyse-Workflows semi-automatisch unter Verwendung standardisierter OGC APIs zu erstellen. Dieser Ansatz reduziert die Komplexität der Modellierung und ermöglicht es Kommunen ohne spezialisiertes Personal, Klima-Anpassungsstrategien effizient und zuverlässig zu evaluieren und somit die Planungsgeschwindigkeit signifikant zu erhöhen.

Dokumentenintegration über den Raum

Unzählige Dokumente wie Berichte, Pläne oder historische Akten enthalten wertvolle, aber oft nur implizite räumliche Bezüge. Dieses "verborgene" Wissen ist für digitale Prozesse nicht direkt nutzbar und erschwert die Arbeit, insbesondere bei der Übergabe von Aufgaben.

Wir entwickeln KI-Methoden, die auf Basis von Large Language Models (LLMs) diesen impliziten Raumbezug aus verschiedensten Unterlagen – auch aus gescannten Dokumenten – extrahieren. Die KI erkennt Ortsnamen, Adressen, Flurstücke oder individuelle Bezüge wie Bauteile oder Bauwerksabschnitte und verortet die Dokumenteninhalte so explizit im Raum. So werden unstrukturierte Datenschätze gehoben und für moderne Planungsprozesse in Digitalen Zwillingen oder Geodateninfrastrukturen (GDI) systematisch erschlossen, effizient auffind- und nachnutzbar gemacht.

Semantische Suche in Geodatenkatalogen

Geodateninfrastrukturen (GDI) enthalten riesige Mengen an Geodaten, doch das Auffinden relevanter Datensätze ist oft eine Herausforderung. Herkömmliche Suchmechanismen stoßen hier an ihre Grenzen.

Wir entwickeln einen innovativen Ansatz, der Large Language Models (LLMs) mit Retrieval-Augmented Generation (RAG) und räumlichen Indizierungstechniken kombiniert. Dies ermöglicht eine intuitive Datensuche mittels natürlicher Sprache auf Daten und Metadaten. Anwender können so Datensätze finden, die sowohl den thematischen als auch den geografischen Aspekten ihrer Anfragen exakt entsprechen, was die Effizienz der Datennutzung signifikant steigert.

KI-gestützte Erzeugung von Metadaten

Metadaten sind die Grundlage für die Auffindbarkeit, Nutzung und Interoperabilität von Geodaten - sowohl für manuelle als auch für automatisierte Prozesse.

Die manuelle Erstellung von Metadaten für Geodaten ist zeitaufwendig und fehleranfällig, was die Nutzung und den Austausch wertvoller Datenressourcen hemmt. Unser Projekt adressiert dieses Problem durch den Einsatz von Large Language Models (LLMs) und spezialisierten KI-Modellen.

Die KI analysiert den Inhalt von Geodatensätzen – wie Vektor-Features, Raster-Layer oder Punktwolken – und extrahiert automatisch relevante Informationen. Daraus werden strukturierte, standardkonforme Metadaten (z.B. nach ISO 19115 oder INSPIRE-Vorgaben) generiert. Dies umfasst die Erstellung von Titeln, Zusammenfassungen, Schlüsselwörtern und die Ableitung der räumlichen Ausdehnung. Das Ergebnis ist eine drastische Effizienzsteigerung und eine signifikante Verbesserung der Datenqualität in Geodateninfrastrukturen (GDI).

Dynamik von Energienetzen

Entwicklung von Algorithmen zum datengetriebenen Monitoring der Netzstabilität und Untersuchung kollektiver Phänomen in der Netzdynamik. Der Fokus liegt auf einer dynamischen, räumlich expliziten Modellierung von Energieflüssen und der Identifikation von Mustern, die auf potenzielle Instabilitäten oder Engpässe hinweisen. Durch die Integration von Echtzeitdaten aus dem Netzbetrieb mit historischen Daten und KI-gestützten Analysemethoden soll ein tieferes Verständnis der komplexen Dynamiken in Energienetzen gewonnen werden, um so die Resilienz und Effizienz der Energieversorgung zu verbessern.