Der Gewinner des FAIR Data and Software Award Lower Saxony 2025 in der Kategorie Datensatz wird Einblicke in die veröffentlichten und ausgezeichneten Daten, sowie in die Forschung geben.
Abstract:
Die Digitalisierung des Gebäudebestands ist zunehmend integraler Bestandteil stadtplanerischer Entscheidungsprozesse. 3D-Gebäudemodelle spielen dabei eine zentrale Rolle, da sie sowohl die physische Form der Städte als auch ihre komplexe semantische Struktur abbilden und damit präzise stadtplanerische Analysen oder energetische Bewertungen ermöglichen. Das LGLN stellt über das OpenGeoData.NI-Portal ein flächendeckendes 3D-Gebäudemodell in hohem Detaillierungsgrad (Level of Detail 2 – LoD2) im CityGML-Format bereit. Das CityGML-Format eignet sich hervorragend zur detaillierten und hierarchisch strukturierten Modellierung von Gebäuden, einschließlich Dach-, Wand- und Bodenflächen, stellt jedoch aufgrund seiner verschachtelten Strukturen erhebliche Herausforderungen für großräumige Analysen dar. Besonders in Open-Source-GIS-Umgebungen oder datenwissenschaftlichen Workflows, die flache, tabellarische Daten wie Shapefiles, GeoPackages oder CSV-Dateien erwarten, erzeugen die komplexen 3D-Geometrien hohen Rechenaufwand, sodass Analysen über Millionen von Gebäuden landesweit sehr ressourcenintensiv sind.
Anwender:innen ohne Erfahrung im Bulk-Downloading sind im Portal zusätzlich auf den manuellen Download von 1×1 km²-Kacheln angewiesen, sodass ihnen die großflächige Beschaffung und Verarbeitung der Daten stark eingeschränkt und weder praktikabel noch reproduzierbar ist. Zur Lösung wurde das Massendownload-Verfahren mithilfe der Python-Bibliotheken requests, urllib und os implementiert, womit für ganz Niedersachsen 11.707 CityGML-Dateien (ca. 138 GB) heruntergeladen werden konnten. Die Daten wurden anschließend über einen Parsing- und Umwandlungsprozess mit GDAL/OGR innerhalb der OSGeo4W-Distribution semantisch transformiert und generalisiert: 3D-Geometrien wurden auf 2D-Flächen reduziert, zentrale Attribute wie Gebäudehöhe, Nutzungsart und Dachform blieben erhalten, und die Daten wurden zu einer einzigen GeoPackage-Datei (76 GB) zusammengeführt. Ein weiterer automatisierter QGIS-Workflow mit über 70 Rechenprozessen wurde auf einem Hochschul-Supercomputer (512 GB RAM) ausgeführt und umfasste u. a. die Zuordnung 3D-semantischer Attribute, Berechnung von Neigung und Orientierung, Ableitung nutzungsspezifischer Gebäudemerkmale sowie 3D-Flächenberechnungen.
Anschließend wurde der Datensatz auf Wohngebäude beschränkt und redundante Inhalte entfernt, wodurch die Datenmenge auf 2,4 GB (GeoPackage) bzw. 1,8 GB (CSV) reduziert wurde. Die Verarbeitung dauerte etwa 15 Stunden. Der resultierende Datensatz vereint die semantische Tiefe der 3D-Modelle mit der Effizienz flacher Datenstrukturen, ermöglicht erstmals reproduzierbare, flächendeckende Analysen aller Wohngebäude Niedersachsens ohne proprietäre Software und eröffnet neue Potenziale für stadtplanerische Anwendungen sowie für Energie- und Umweltforschung.
Semantically enriched statewide building dataset based on the Lower Saxony 3D Building Model for urban planning applications: https://doi.org/10.5281/zenodo.16741445
Mehr Informationen zum FAIR Data and Software Award Lower Saxony 2025 finden Sie auf unserer Webseite: https//fdm-nds.de/index.php/fair_award/
---
Die Veranstaltung wird von der Landesinitiative Forschungsdatenmanagement Niedersachsen (FDM-NDS) organisiert. FDM-NDS ist ein Verbundprojekt unter dem Dach von Hochschule.digital Niedersachsen und wird im Rahmen von zukunft.niedersachsen gefördert, einem Förderprogramm des Niedersächsischen Ministeriums für Wissenschaft und Kultur (MWK) und der VolkswagenStiftung.
