97% Aufwandsersparnis: Wie KI die Trassensicherheit bei Übertragungsnetzbetreibern revolutioniert

Key Takeaways

• 97% weniger Aufwand durch Kombination aus KI + OpenStreetMap → Analyse in Minuten statt Monaten
• KI + Mensch = Bestes Ergebnis: KI automatisiert, Experten prüfen nur Sonderfälle (~3%)
• Erfolgsfaktor Daten: Gute Daten & klare Regeln sind wichtiger als die KI selbst

Die Ausgangslage: Monatelange Handarbeit für kritische Infrastruktur 

Übertragungsnetzbetreiber verantworten tausende Kilometer Hochspannungsleitungen quer durch Deutschland. Diese Trassen müssen regelmäßig auf Gefährdungen überprüft werden: Wächst Vegetation zu nah an die Leitungen heran? Gibt es neue Bebauung im Schutzstreifen? Hat sich die Flächennutzung verändert? 

Bisher war das ein manueller Prozess. Spezialisierte Dienstleister werteten Luftbilder aus und klassifizierten jede Fläche entlang der Trasse nach einem komplexen Schema mit 49 verschiedenen Flächentypen – von landwirtschaftlichen Flächen über Wohngebiete bis hin zu Industrieanlagen und Naturschutzgebieten. Pro Streckenabschnitt dauerte dieses Vorgehen mehrere Wochen. Die Kosten lagen pro Jahr im sechsstelligen Bereich. 

Die Herausforderung: 49 Flächentypen, unzählige Sonderfälle 

Die Komplexität des Problems wird schnell klar, wenn man sich die Klassifizierungsanforderungen ansieht: Autobahnen müssen von Bundesstraßen unterschieden werden, Bahnstrecken nach Geschwindigkeit kategorisiert, Gewerbegebiete von Wohngebieten getrennt werden. Dazu kommen Sonderfälle wie Veranstaltungsflächen, Umspannanlagen oder Wasserschutzgebiete. 

Für einen Menschen ist das machbar – aber zeitaufwändig. Für eine reine KI-Lösung ist es zu komplex, weil die Klassifizierung nicht nur visuelle Erkennung erfordert, sondern auch Kontextwissen über Nutzungsarten und regulatorische Anforderungen. 

Die Lösung: Intelligente Kombination aus KI und Open Data 

Der Durchbruch kam durch einen hybriden Ansatz. Statt sich nur auf Computer Vision zu verlassen, kombinierte das Projektteam zwei Datenquellen: 

Machine Learning für visuelle Klassifizierung: Ein trainiertes Machine Learning-Modell analysiert hochauflösende Luftbilder und erkennt Strukturen, Vegetation, Straßen und Gebäude. Das Modell wurde auf die spezifischen Anforderungen der Trassenüberwachung trainiert. 

OpenStreetMap für Kontextinformationen: Die Geodaten aus OpenStreetMap liefern das Wissen darüber, was eine erkannte Struktur ist – ob ein Gebäude ein Wohnhaus, eine Kirche oder ein Industriebetrieb ist, welche Straßenklasse eine erkannte Straße hat, ob ein Waldstück unter Naturschutz steht. 

Durch das Matching beider Datenquellen entsteht eine validierte Klassifizierung: Die KI erkennt, dass dort ein Gebäude steht, OpenStreetMap sagt, welche Art von Gebäude es ist. 

Die Ergebnisse: Von Monaten auf Minuten 

Die Pilotphase analysierte 15,3 Quadratkilometer Trassenfläche über acht Streckenabschnitte. Die Ergebnisse übertrafen die Erwartungen: 

• 97% der Flächen wurden automatisch korrekt klassifiziert. Nur 3% erforderten eine manuelle Nachprüfung durch GIS-Spezialisten.
• 99% Trefferquote bei der Flächenabdeckung. Gemessen nach Quadratmetern erreichte das System eine nahezu vollständige Abdeckung.
• 93% Class Match Rate. Bei Flächen, die sowohl von der KI als auch in OSM erfasst waren, stimmten die Klassifizierungen in 93% der Fälle überein. 

In der Praxis bedeutet das: Was früher Monate dauerte, ist jetzt in Minuten erledigt. Der manuelle Aufwand reduziert sich um 97%. 

Die Learnings: Wo KI an ihre Grenzen stößt 

Besonders aufschlussreich waren die systematischen Fehler, die das Team identifizierte – und die Lösungen dafür: 

• Weiße Fahrzeuge auf Straßen wurden vom Machine Learning-Modell häufig als Gebäude klassifiziert. Die Lösung: Wenn eine als "Struktur" erkannte Fläche auf einer klassifizierten Straße liegt, wird sie automatisch als Fehlklassifizierung markiert.
• Hochspannungsmasten wurden teilweise als Straßen erkannt – ein Artefakt des Schattenwurfs. Die Lösung: Durch Abgleich mit OpenStreetMap-Daten zu Maststandorten werden solche Flächen automatisch korrigiert.
• Kleine Gewässer und Teiche in landwirtschaftlichen Flächen wurden nicht immer korrekt erkannt. Diese Fälle landen im 3%-Anteil der manuellen Nachbearbeitung. 

Diese Fehleranalyse zeigt einen wichtigen Punkt: KI ersetzt nicht das Fachwissen – sie macht es skalierbar. Die Experten, die früher jede Fläche einzeln klassifizierten, prüfen jetzt nur noch die Zweifelsfälle. 

Der entscheidende Erfolgsfaktor: Datenqualität vor KI 

Warum funktionierte dieses Projekt, während so viele KI-Initiativen scheitern? Die Antwort liegt in der Vorbereitung: 

• Klare Klassifizierungslogik: Die 49 Flächentypen waren präzise definiert, mit eindeutigen Zuordnungsregeln. Das ist kein KI-Problem – das ist ein Fachproblem, das vor der KI-Entwicklung gelöst werden muss.
• Verfügbare Referenzdaten: OpenStreetMap liefert für Deutschland hochwertige Geodaten. Ohne diese Referenz wäre eine reine ML-Lösung nicht ausreichend gewesen.
• Definierter Human-in-the-Loop: Von Anfang an war klar, dass die finale Entscheidung beim Menschen liegt. Die KI macht Vorschläge – Fachleute validieren. 

Die Integration: Kein Inselprojekt, sondern Teil des Workflows 

Ein weiterer Erfolgsfaktor war die Integration in bestehende Prozesse. Das System wurde nicht als isolierte KI-Anwendung konzipiert, sondern als Erweiterung des vorhandenen GIS-Workflows: Dienstleister laden Luftbilder in das System, stoßen die automatische Auswertung an, erhalten klassifizierte Flächen als Shapefile zurück und bearbeiten nur die markierten Zweifelsfälle. Das Feedback fließt zurück ins System und verbessert das Modell kontinuierlich. 

Fazit: KI funktioniert – wenn die Grundlagen stimmen 

Der Case zeigt exemplarisch, was KI im Unternehmenseinsatz leisten kann: 

• Massive Effizienzgewinne: 97% Aufwandsersparnis bei gleichbleibender oder besserer Qualität.
• Entlastung statt Ersetzung: Die Fachleute werden nicht überflüssig – sie werden von Routinearbeit befreit und können sich auf die wirklich kritischen Fälle konzentrieren.
• Skalierbarkeit: Was für acht Streckenabschnitte funktioniert, funktioniert auch für das gesamte Netz. 

Der Schlüssel lag nicht in besonders ausgefeilter KI-Technologie. Er lag in der systematischen Vorbereitung: klare Datenstrukturen, definierte Prozesse, verfügbare Referenzdaten und ein realistisches Verständnis davon, was KI kann – und was nicht. Für Unternehmen, die vor ähnlichen Herausforderungen stehen, lautet die Botschaft: Investiert zuerst in eure Datengrundlagen. Die KI kommt danach fast von selbst. 

Dieser Artikel basiert auf einem Projekt der Materna SE für einen großen deutschen Übertragungsnetzbetreiber. Mehr Informationen zur Materna Mittelstandsinitiative finde Sie hier: Mittelstandsinitiative.