Kategoriearchiv: News allgemein

Update für „Geo Hound“: Neue Version 2.0

Veröffentlicht am von
Antworten
Screenshots: Links die Worknbench und rechts drei erkannte Geodienste, einer der WMS der Verwaltungsgebiete der BKG

Über die Chrome-Erweiterung „Geo Hound“ hatte ich bereits vor einem reichlichen Jahr berichtet [1]. Geo Hound von MapScaping hilft Euch dabei, bereits beim Surfen im Internet Kartendienste (wie WMS, WMTS und Esri-Dienste) zu erkennen, zu erfassen und zu speichern. Damit entfällt das lästige Suchen und manuelle Kopieren oder die Analyse der Netzwerktraffics, Die Geodienste werden automatisch erkannt und können mit sofort im eigenen GIS genutzt werden. Nun hat MapScaping die Version 2 von Geo Hound [2], [3] veröffentlicht. Neu sind die Workbench, Attributtabellen wie in einem Desktop-GIS, räumliche Analyse direkt im Browser, der Import eigener Geodaten sowie viele Exportmöglichkeiten, Zeichenwerkzeuge und der KI-Assistent.

[1] … https://geoobserver.de/2025/04/09/mapscaping-geo-hound-fuer-chrome/
[2] … https://www.geohound.app/how-it-works
[3] ….https://www.linkedin.com/feed/update/urn:li:activity:7486236269958688768/

Dominic Royé: Betrachtungen zur Kartenprojektion

Veröffentlicht am von
Antworten
Screenshot (Bildquelle [1])

‚Jede Projektion ist ein Kompromiss, bei dem die Verzerrung einer Eigenschaft gegen die Genauigkeit einer anderen eingetauscht wird. Die entscheidende Frage lautet daher nicht „Welche Projektion ist die beste?“, sondern vielmehr „Welche Verzerrung ist für meinen konkreten Zweck akzeptabel?“‘ [1]

Egal, ob Flächen- oder Winkeltreue oder aber Abstände und Richtungspeilungen, es bleibt eine Annäherung. Dominic Royé erläutert in seinem Beitrag „Map projections: a practical guide to common mistakes and how to fix them“ [1], wie man sich der am besten geeigneten Kartenprojektion für einen bestimmten Zweck annähert und betrachtet häufige Fehler, die es zu vermeiden gilt.

Gefunden in der Wochennotiz 824 [2].

[1] … Royé, Dominic. 2026. “Map Projections: A Practical Guide to Common Mistakes and How to Fix Them.” May 3. https://dominicroye.github.io/blog/map-projections/
[2] … https://weeklyosm.eu/de/archives/18565

CloudBeaver: Der DBeaver via Browser

Veröffentlicht am von
Antworten
Cloud Beaver – Logo (Bildquelle [6])

Über den DBeaver als universelles Schaufenster in die unterschiedlichsten Datenbanken hatte ich hier bereits mehrfach [1] berichtet. Erst vor kurzem kam dann die Vorstellung der Kommandozeilen-Variante dbvr [2] dazu. Heute möchte ich Euch auf eine weitere Möglichkeit des DBeaver-Universums aufmerksam machen, die Webvariante CloudBeaver [3]. Gegenüber einer lokalen Desktop-Version hat die serverbasierte Web-Variante einige Vorteile:

  • Einsparung von lokalen Installationen und Updates auf jedem Clienten einzeln
  • zentrale Pflege der DB-Server-Verbindungen statt dezentraler Verwaltung auf jedem Client
  • ggf. weniger Probleme in VPN-Umgebungen

[1] … https://geoobserver.de/?s=dbeaver&submit=Suchen
[2] … https://geoobserver.de/2026/06/24/dbvr-dbeaver-auf-der-kommandozeile/
[3] … https://github.com/dbeaver/cloudbeaver/
[4] … https://www.linkedin.com/posts/leoneljdias_não-fazia-ideia-de-que-o-cloudbeaver-existia-activity-7485689004005298176-PqDL
[5] … https://www.youtube.com/watch?v=H91D0JCFdDk
[6] … https://raw.githubusercontent.com/wiki/dbeaver/cloudbeaver/images/cloudbeaver-logo.png

Mein Tool des Monats: formatter<dot>org

Veröffentlicht am von
Antworten
Screenshot 1: JSON-Fehler in Zeile 16206, nur ein “ zuviel, aber hättet Ihr es in endlicher Zeit gefunden? (Bildquelle [3])

Bei der QGIS-Plugin-Entwicklung mit Python und bei der Pflege der JSON-FIles für den GeoBasis_Loader (GBL) [1] entstehen bzw. ändern sich Python-Code und die Kataloge als JSON-Dateien. Die Anforderungen an den Python-Code sind im QGIS Plugin Repository [2] in letzter Zeit aus guten Gründen „verschärft“ worden. Die JSON-Dateien sind teilweise größer als 15000 Zeilen und werden von mir händisch gepflegt. Was also liegt näher, als sich bei der formalen Prüfung des Quelltextes und bei dessen Formatierung helfen zu lassen. Ich habe mit einigen Tools probiert, aber irgendwas fehlte mir immer. Nun bin ich auf formatter.org [3] alias „Code Beautifier“, gestoßen. Genau das, was ich gesucht habe. Es macht ganz genau, was es soll, es werden:

  • mein Python Code geprüft, Fehler visualisiert und der Code nach gängigen Regeln formatiert [4]
  • die JSON-Dateien auf Fehler geprüft und bei Bedarf neu formatiert [5]

Übrigens, auf der Policy-Seite [6] heißt es: „Clientseitige Verarbeitung: Die meisten unserer Tools verarbeiten Daten vollständig in Ihrem Browser mithilfe von JavaScript – Ihre Daten verlassen Ihr Gerät nie.“

Um Euch eine Vorstellung davon zu geben, was auf formatter.org [3] noch alles möglich ist, scrollt Ihr am besten ganz nach unten und Ihr werdet eine wirklich umfangreiche Liste von 176 verfügbaren Werkzeugen sehen. Bei mir war tatsächlich Staunen angesagt! Und welche Tools nutzt Ihr so?

Screenshot 2: Liste der Tools auf formatter.org [3] (Bildquelle [3])

[1] … https://geobasisloader.de/
[2] … https://plugins.qgis.org/plugins/
[3] … https://formatter.org
[4] … https://formatter.org/python-formatter
[5] … https://formatter.org/json-formatter
[6] … https://formatter.org/policy

Buchtipp: „Künstliche Intelligenz in Geodäsie und Geoinformatik“

Veröffentlicht am von
Antworten
Screenshot (Bildquelle [4])

Wilfried Grunau [1] ist sicher vielen GEO- & GIS-Schaffenden als der ehemalige Präsident und seit 2026 Ehrenpräsident des Verbandes Deutscher Vermessungsingenieure (VDV) [2] sowie zusätzlich ehrenamtlicher Präsident des Zentralverbandes der Ingenieurvereine (ZBI) [3] bekannt. Und er hat es wieder getan, nach der ersten Auflage hat er nun mit „Künstliche Intelligenz in Geodäsie und Geoinformatik“ [4] die „2., völlig überarbeitete und erweiterte Auflage“ folgen lassen. Dazu heißt es beim Wichmann Verlag:

„Die vollständig überarbeitete und erweiterte 2. Auflage von „KI in Geodäsie und Geoinformatik“ bietet einen fundierten Überblick über aktuelle Verfahren, Konzepte und Anwendungsfelder der künstlichen Intelligenz im Kontext von Geodäsie und Geoinformatik. Ein interdisziplinäres Autorenteam aus 70 Expertinnen und Experten stellt bewährte und neu entwickelte Methoden vor und zeigt, wie KI die Erfassung, Verarbeitung und Analyse von Geodaten nachhaltig verändert.“ und
„Dieses Werk bietet eine wissenschaftlich präzise und praxisnahe Gesamtdarstellung der aktuellen Entwicklungen der Geospatial AI und richtet sich gleichermaßen an Entscheider, Fachleute, Forschende und Studierende in Geodäsie, Geoinformatik, Geomarketing, Geowissenschaften und verwandten Disziplinen.“ [4]

Ich jedenfalls bin gespannt und kann es gar nicht erwarten, selbst ein Exemplar des Gemeinschaftswerkes von 70 ExpertInnen in den Händen zu halten. Bis dahin.

[1] … https://de.wikipedia.org/wiki/Wilfried_Grunau
[2] … https://de.wikipedia.org/wiki/Verband_Deutscher_Vermessungsingenieure
[3] … https://de.wikipedia.org/wiki/Zentralverband_der_Ingenieurvereine
[4] … https://www.vde-verlag.de/p/fachwissen/kuenstliche-intelligenz-in-geodaesie-und-geoinformatik/537768
[5] … https://www.linkedin.com/posts/wichmannverlag_geodaeusie-geoinformatik-vermessung-activity-7485958877591724033-EZ0y

Wo ist „Downtown“ in Deiner Stadt?

Veröffentlicht am von
Antworten

Laut Wikipedia [1] hat Downtown folgende Bedeutung: „Das Wort Downtown wird hauptsächlich in Nordamerika im Englischen verwendet, um die Innenstadt oder den zentralen Wirtschaftsbereich einer Stadt zu bezeichnen“. Soweit klar, wusste man, aber wisst Ihr auch, wo die Downtown in Eurer Stadt liegt? Auf X (ehem. Twitter) [2] habe ich jetzt eine Webanwendung gefunden, ich welcher der Nutzer sein Gefühl oder Wissen über die Downtown eintragen kann. Über alle Eintragungen wird dann live der Durchschnitt berechnet und als Hexagon-Karte angezeigt.

Screenshot 1: Meine Erfassung und das Ergebnis, die Downton in Halle (Saale)

Ich habe es natürlich für Halle (Saale) probiert, hier die Ergebnisse. Übrigens Hallenser, in Halle gibt es noch recht wenige Einträge, momentan nur sechs. Ihr solltet Euer Wissen oder Gefühl über Halle-Downtown einbringen. Also los, „Where is Downtown?“ [3].

Screenshot 2: Meine Erfassung und das Ergebnis, die Downton in Halle (Saale) über das gesamte Stadtgebiet

Hier der Original-Tweet [2]:

[1] … https://de.wikipedia.org/wiki/Downtown
[2] … https://x.com/simongerman600/status/2077234228383674696
[3] … https://www.observingthecity.ca/downtown-definer

Sentinel-2 Paint: Mit Satellitenbildern malen?

Veröffentlicht am von
Antworten
Screenshot: Selbstversuch – Der #geoObserver als Satellitenbildermosaik

Im April hatte ich hier in „Cool: Dein Name aus Satellitenbildern“ [1] darüber berichtet, wie man aus realen Satellitenbildern Schriftzüge erstellen kann. Nun habe ich in der Wochennotiz 834 [2] einen Beitrag mit einer Anwendung gefunden, die auch reale Satellitenbildern, diesmal von „Sentinel 2“ verwendet. Hier werden die Satellitenbilder genutzt, um hochgeladene Bilder in einer Browser-App als Mosaik einzufärben. Navigiert Ihr durch das Ergebnis, zeigt die App auf jedem Mosaik-Teilchen die reale Szene in der Welt inkl. den Koordinaten. In jedem Fall interessant und unterhaltsam. Ihr findet alle Details unter „Sentinel-2 Paint: Recreate Any Image from Real Satellite Imagery“ [3] und könnt die App unter Sentinel-2 Paint [4] starten. Ich habe es mal im Selbstversuch ausprobiert und es funktioniert perfekt 🙂

Animation: Jedes #geoObserver-Mosaikteilchen ist ein reales Satellitenbild

[1] … https://geoobserver.de/2026/04/24/cool-dein-name-aus-satellitenbildern/
[2] … https://weeklyosm.eu/de/archives/18731
[3] … https://geospatialml.com/posts/sentinel2-paint/
[4] … https://calebrob.com/sentinel2-paint/

QGIS: KI-Objektkennung aus Luftbildern mit „AI Segmentation“

Veröffentlicht am von
2

In letzter Zeit habe ich immer wieder über die KI-gestützte Objekterkennung aus Luftbildern gelesen. Jetzt ist ein neues QGIS-Plugin „AI Segmentation“ [1] von TerraLab im QGIS Plugin Repository [2] erschienen und ich habe es am Wochenende mal getestet. Ich habe vorher noch nie selbst eine KI zur Objekterkennung aus Luftbildern verwendet, es war sozusagen mein erstes Mal 😉

Installation und Anmeldung waren unkompliziert und funktionierten tadellos. Wie beschrieben können Rasterdaten aller Art genutzt werden, ich habe mich für die DOP 20 auf dem Open Data Portal Sachsen-Anhalt entschieden, natürlich mit den GeoBasis_Loader [3] ins QGIS geladen. Dann noch schnell ein Rechteck für den interessierenden Bereich markiert und die Erkennung gestartet, in meinem Fall für Gebäude und Bäume. Die Ergebnisse werden in einem GeoPackage gespreichert und sind so schnell weiter ver- und bearbeitbar.

Screenshot 1: Mein Test bei den Identifikation von Gebäuden Bäumen im Pauslusviertel in Halle (Saale).

Hier meine Test-Ergebnisse:

  • Auf den ersten Blick plausible Ergebnisse und erstes Staunen, unscharf Ersterfassung möglich, Verfeinerung wünschenswert
  • Auf den zweiten und kritischen Blick: einige Unschärfen, z. B. bei Gebäuden (nicht exakte Geometrien und fehlende Erkennung von Innenhöfen) und bei Bäumen (teilweise werden Baumschatten als Bäume interpretiert). Bei der manuellen Segmentierung kann man ja einige Fehler quasi händisch ausschließen
  • Interssant wäre, wie sich das Modell weiter entwickelt und auf welche Ergebnisse andere Verfahren kommen. Wer Lust hat, hier ist das GeoPackage [4], vielleicht könnt Ihr ja mal mit Euern Modellen testen und uns die Ergebnisse mitteilen. Gerade Niedersachsen [5] scheint man da besonders weit zu sein. Danke!
Screenshot 2: (1) … Innenhöfe unberücksichtigt, (2) … falsche Gebäude-Geometrie, (3) … Baumschatten als Bäume interpretiert

[1] … https://terra-lab.ai/de/ai-segmentation
[2] … https://plugins.qgis.org/plugins/AI_Segmentation/
[3] … https://geobasisloader.de
[4] … http://geoobserver.4lima.de/downloads/ai_segmentation.gpkg.zip
[5] … https://geoobserver.de/2024/04/02/deep-learning-ki-gebaudeerkennung-am-lgln/

Gut befeuert: Die Lighthousemap

Veröffentlicht am von
Antworten
Animation 1: Mitschnitt der Lighthousemap [1] um Rostock

Was Schönes zum Wochenende oder im Urlaub: Falls Ihre gerade irgendwo an einer Küste seid, schaut nach Leuchttürmen (auch Leuchtfeuer oder Befeuerung) und dann gleich auch mal in die Karte der Leuchttürme, die Lighthousemap [1] vom Geo Team der Universität in Groningen. Ganz sicher findet Ihr auch „Euern“ Leuchtturm.

Die Daten stammen via Overpass-API mit der Anfrage nach allen Elementen mit einem „seamark:light:sequence“- oder „seamark:light:1:sequence“-Attribut. Diese werden dekodiert und mithilfe von Leaflet als farbige Kreise auf der Karte angezeigt. Außerdem wird versucht, die Attribute „seamark:light:range“ und „seamark:light:colour“ zu berücksichtigen. Den Code findet Ihr auf GitHub [2]. Falls Ihr „Euern“ Leuchtturm nicht findet, ergänzt ihn einfach im OpenStreetMap und schon ist er auch auf dieser Karte zu finden 🙂

Animation 2: Mitschnitt der Lighthousemap [1] um ganz Europa

[1] … https://watmildon.github.io/lighthouse-map-libre/#map=4.00/54.1262/12.0942
[2] … https://github.com/geodienst/lighthousemap

GeoBasis_Loader: 23 neue Themen verfügbar

Veröffentlicht am von
Antworten

Im QGIS-Plugin „GeoBasis_Loader“ [1] sind seit der letzten Meldung einige neue Themen hinzu gekommen, z. B. die Hochwasserdaten für Sachsen, Feldblockdaten für Brandenburg und Sachsen-Anhalt und Themen des DWD. Damit sind jetzt 856 Themen verfügbar, die aktuellen Änderungen findet Ihr wie immer unter Meldungen & Störungen [2] und Status [3]. 

[1] … https://geobasisloader.de/
[2] … https://geoobserver.de/gbl-aktuelle-meldungen-stoerungen/
[3] … https://geoobserver.de/qgis-plugin-geobasis-loader/#jsonstatus