Diese Dissertation untersucht den Einsatz tiefer Lernverfahren (Deep Learning) für spezifische Herausforderungen der Geodatenanalyse. Sie behandelt die Entwicklung neuartiger Methoden zur Änderungsdetektion und Dachformprädiktion, um praxisrelevante kommunale Lösungen bereitzustellen.

Der erste Teil adressiert die Gebäudeänderungsdetektion mittels Luftbildern und Höhenmodellen. Hierfür wurde der Wuppertal Change Detection (WUP-CD) Datensatz, der optische Daten mit Höheninformationen kombiniert, erstellt. Darauf aufbauend wurde die Methode der Höhendifferenzbildsegmentierung (HDBS) entwickelt, die bestehende Segmentierungsnetzwerke effizient nutzt und die Bedeutung von Höhendaten für präzise Detektionen betont.

Der zweite Beitrag behandelt die Dachformprädiktion. Vorgestellt wird RoofSAM, eine Adaption des Segment Anything Model (SAM), die mittels optimierter Punkt-Sampling-Strategien und Modellanpassungen Dachformen aus Luftbildern klassifiziert. Diese Methode demonstriert das Potenzial von Basismodellen für spezifische geoinformatische Anwendungen.

Ein dritter Schwerpunkt ist die Änderungsdetektion in urbanen Straßenszenen. ChangeSAM, eine weitere SAM-Adaption, verarbeitet Bildpaare effizient durch parametereffiziente Techniken wie LoRA und Prompt Tuning. Dieser Ansatz erlaubt die Integration in komplexe Bildverarbeitungssysteme, etwa für autonome Fahrzeuge, ohne die Wiederverwendbarkeit der Kernkomponenten für andere Aufgaben zu beeinträchtigen.

Die Ergebnisse dieser Arbeit zeigen, dass die Kombination moderner KI-Methoden mit Geodaten innovative und leistungsfähige Lösungen für reale Probleme ermöglicht. Sie heben zudem die Flexibilität und Effizienz angepasster Basismodelle in der Geodatenanalyse hervor.