Mit Stolz kann ich verkünden, seit gestern ist die neue Version vom QGIS-Plugin GeoBasis_Loader (GBL) [1] verfügbar, jetzt in der Version 2.2 [2]. Die wesentlichste Neuerung ist ganz sicher, dass der GeoBasis_Loader nun mit einem eigenen Bedienfeld (Panel) ausgestattet ist, für mich tatsächlich (m)eine kleine Revolution 😉 Dadurch können wir den Nutzern eine deutlich einfacheren und schnelleren Zugriff zu den derzeit 877 verfügbaren Themen ermöglichen. Die „alte“ und gewohnte Bedienung über das Menü bleibt erhalten. Weitere Neuerungen betreffen die Erweiterung der Presets (Themen/Layer-Zusammenstellungen) mit räumlichen Lesezeichen und die Einführung der erweiterten internen Suchfunktion.
Ein großes Dankeschön an meine beiden GBL-Mitstreiter Anton May und Thomas Wölk, wirklich cooler Job! Und falls Ihr das Projekt gut findet und nutzt, könnt Ihr es gern mit einer Spende [3] unterstützen.
Screenshot 1: Neu sind jetzt zwei Buttons für den GeoBasis_Loader, links die gewohnte Menü-Struktur, rechts das Bedienfeld (Panel) Screenshot 2: Der Zugang zum GBL-Bedienfeld (Panel) Screenshot 3: Die schon seit v2.1 bekannten Presets, jetzt auch mit einer Funktion zur Speicherung und zum Abruf räumlicher LesezeichenScreenshot 4: Im vierten Reiter der schon bekannte Einstellungsdialog für die Auswahl des ServersAnimation: Ein Preset laden und gleich noch das gespeicherte räumliche Lesezeichen für dieses Preset aktivierenScreenshot 5: Die erweiterte Suchfunktion auch über die Kataloggrenzen hinweg, hier die Suche nach „dop20“ – schwarze Treffer im aktuellen Katalog, graue Treffer in der andern Katalogen
In Grafikprogrammen findet man ihn überall, den Zauberstab, ein Werkzeug, dass mit einem Klick Bereiche (ungefähr) gleicher Farbe markiert. Nun gibt es ein solches Werkzeug auch in QGIS, mit dem Plugin „Magic Wand“ [1] von Kanahiro. In wirklich wenigen Sekunden könnt Ihr Polygone mit recht guter Genauigkeit erzeugen. Aus meiner Sicht war es nie einfacher, im GIS Massendaten zu erfassen. Ein umfangreiches Tutorial findet Ihr in „Magic Wand: crea polígonos automáticamente en QGIS a partir del canvas“ [2] von Aurelio Morales [3] und auf GitHub [4]. Ich habe das Plugin natürlich gleich mal ausprobiert, mein Testgebiet war der Geiseltalsee [5]. Es hat ausgezeichnet funktioniert, die Erfassungszeit der drei Polygone lag bei ca. 15 Sekunden. „Magic Wand“ [1] bekommt von mir eine absolute Empfehlung, 5 von 5 Sterne!
So Leute, der Urlaub ist vorbei, ab heute wieder arbeitswochentäglich eine Meldung vom #geoObserver. Das war ja eine schöne Überraschung, genau zu meinem Geburtstag konnte der GeoBasis_Loader [1] seinen 60.000. Download vermelden, eine Zahl, die einen doch erfreuen kann. Natürlich verbinde ich das auch mit einem Dank an meine Mitstreiter Anton May und Thomas Wölk.
Soeben steht der Zähler schon auf 60.359 (31.08.2026, 07:37 Uhr), derzeit stehen 877 Themen [2] für den Einsatz zur Verfügung. Demnächst dürft Ihr ein Update erwarten, die v2.2 steht in den Startlöchern. Dort wird es einige interessante Neuerungen geben, beispielsweise
ein andockbares GBL-Panel,
Verbesserungen bei Favoriten und Presets
sowie das Anhängen räumlicher Lesezeichen an die Presets.
alle VectorTile-Themen wurden wieder mit Symbologie aktiviert und laufen mit den zugewiesenen Style-Dateien
SN: 2x BRW 2026 hinzugefügt
Damit stehen mit Stand heute 877 Themen im GeoBasis_Loader zur Verfügung. Den aktuellen Stand findet Ihr übrigens immer live im Status [2] und bei der Meldungen [3]. Danke allen Zuarbeitenden 🙂
Screenshot 1: Koordinatenpaare zur einem Polygon importiert
Das neue QGIS-Plugin „Coord2Polygon“ [1] dient der Generierung von Geometrien aus Koordinaten. Dabei stehen zwei Methoden zur Verfügung. Zum einen die Angabe von Fenster-Koordinaten (xmin, ymin, xmax, ymax) und zum anderen die Eingabe eines Polygonzuges aus vielen Korrdinatenpaaren per Semikolon getrennt. In beiden Fällen wird bei der Generierung der Polygon-Geometrie ein neuer temporärer Layer „Coord2Polygon“ erstellt. Sollte es diesen schon geben, werden die Ergebnisse der Generierung in diesem Layer gespeichert. Bei Polygonzügen mit Geometriefehlern (z. B. Selbstüberschneidungen) wird gewarnt, sie können auf Wunsch trotzdem importiert werden. Die Koordinaten müssen im aktuellen Koordinatensystem Eures QGIS-Projekts vorliegen. Details findet Ihr auf der Webseite [2], Code [3] und Lizenz [4] auf GitHub. Einige Testdaten stehen zum Download bereit. Bitte beachtet auch die Nutzungsbedingungen [6].
Damit reiht sich ein weiteres Plugin in die Reihe der geoObserverTools [7] ein. Bei der Erstellung des Python-Codes und der Testdaten habe ich mich von einer KI unterstützen lassen. Manch einer wird sich fragen, ob die Funktionen nicht auch mit QGIS-Bordmitteln realisierbar gewesen wäre. Ja, wären sie, aber IMHO mit etlichen Schritten mehr. Für mich ist es so viel einfacher und vor allem schneller. Was meint Ihr?
Screenshot 2: Import erfolgreichScreenshot 3: Auch bei Polygonzügen mit Geometriefehlern (z. B. Selbstüberschneidungen) kann nach Warnung und Bestätigung importiert werden.
Testdaten: Es stehen drei Testdateien für Polygonzüge, zwei mit 100, eine mit 200 Stützstellen zum Download [5] im EPSG:25832 bereit. In einer Datei sind beabsichtigt Geometriefehler enthalten.
Screenshot: Mit der „Flurstückssuche DE“ [1], [2] ein Flurstück gesucht und gefunden, mit dem „GeoBasis_Loader“ ** [3] die Karteninfhalte ergänzt, einfacher geht es nicht 😉
Am 23.07.2026 wurde in das QGIS Plugin Repository ein bemerkenswertes Plugin eingestellt. Das QGIS-Plugin „Flurstückssuche DE“ [1], [2] von David Koster unterstützt die Suche von Flurstücken auf Basis amtlicher Geodaten direkt im QGIS über das Gebiet der Bundesrepublik*. Erstmals ist es in einem Plugin möglich, bundesweit zu suchen, bisher gab es diese Funktionalität nur für ausgewählte Bundesländer. Damit ist das Plugin eine ideale Ergänzung zum „GeoBasis_Loader“ [3], welcher hier die deutschlandweiten* offenen Liegenschaftsdaten (ALKIS) leicht zugänglich machen kann. Die Flurstückssuche DE basiert auf den von (fast*) allen Bundesländern frei zur Verfügung gestellten ALKIS-WFS. Die Bedienung ist denkbar einfach, man kann über drei Varianten die Flurstücks-Nr. eingeben und suchen:
Selbstverständlich ist auch der umgekehrte Fall vorgesehen, die „Inverse Suche“, quasi die Identifikations-Funktion, einfach in die Karte auf das interessierende Flurstück klicken und die Flurstücksdaten erfahren.
Das Plugin läuft unter QGIS3/Qt5 und QGIS4/Qt6. Details zur Flurstückssuche DE findet Ihr auch im FOSSGIS 2026-Vortrag von David als Folien [4] oder Video-Mitschnitt [5], das Plugin ist natürlich Open Source, der Code ist auf GitHub [6] einsehbar. Übrigens, ich durfte das Plugin schon frühzeitig mit testen, nun ist Euer Feedback gefragt. IMHO großartiges Plugin, Danke David!
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.
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
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
This guy built a website allowing users to define what they see as "Downtown" in their city. The map here shows New York City but there is more in the source: https://t.co/T3Kf9GMvVypic.twitter.com/WQaKgQkEIy
— Simon Kuestenmacher (@simongerman600) July 15, 2026
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!
