Pools im Luftbild erkennen: 5 Methoden für QGIS
Veröffentlicht am Aktualisiert am
Um Swimmingpools auf Luftbildern in QGIS zu erkennen, prüfen Sie zuerst OpenStreetMap: Vektor > QuickOSM > QuickOSM… (englisch Vector > QuickOSM > QuickOSM…), Schlüssel leisure, Wert swimming_pool. Wo die Karte lückenhaft ist, nutzen Sie ein Segmentierungsmodell oder filtern Sie das Blau im Rasterrechner. Die Bodenauflösung entscheidet.
zu erkennen, prüfen Sie zuerst OpenStreetMap: | Ihre Eingabe | Methode | Was es kostet |
|---|---|---|
| Jedes Gebiet mit aktiven OSM-Mappern | Methode 1, QuickOSM auf leisure=swimming_pool | Kostenlos, eine Abfrage |
| RGB-Orthofoto und Hunderte Pools | Methode 2, ein Segmentierungsmodell | Kostenlose Plugins wollen Ihr eigenes Modell oder eine GPU. Cloud-Plugins haben kostenlose Tarife, dann Abo |
| RGB-Orthofoto mit 5 bis 30 cm | Methode 3, Farbschwelle im Rasterrechner | Kostenlos, in QGIS selbst |
| Bilddaten mit Nahinfrarot- oder SWIR-Kanal | Methode 4, ein Wasserindex, dann eine Schwelle | Kostenlos, blind für Gartenpools auf Satellit |
| Multispektrale Bilddaten und ein Nachmittag | Methode 5, SCP oder dzetsaka | Kostenlose Plugins, Ihre Zeit für Trainingsgebiete |
Jede Version, jeder Preis und jeder Menüpfad wurde am 3. September 2026 gegen das QGIS 3.44-Handbuch und die Doku jedes Tools geprüft.
Methode 1: Die Pools nutzen, die schon jemand kartiert hat
OpenStreetMap enthält 3.036.801 Objekte mit leisure=swimming_pool, davon 2.731.704 als Wege mit echter Geometrie, laut taginfo am 3. September 2026.
QuickOSM öffnen und abfragen
Vektor > QuickOSM > QuickOSM… fragt die Overpass API ab. Schlüssel leisure, Wert swimming_pool, auf der Kartenfenster-Ausdehnung oder einem benannten Verwaltungsgebiet.
Polygone behalten, auf Gärten filtern
Ein Pool, der als Knoten kartiert ist, hat keine Fläche, nehmen Sie also den Polygonlayer. 1.808.809 dieser Pools tragen außerdem access=private, den Filter für Gartenpools.
leisure=swimming_area ist ein anderes Objekt: eine ausgewiesene Badestelle in einem See oder im Meer.
Nutzen Sie es, wenn: Sie öffentliche und gewerbliche Pools brauchen.
Überspringen Sie es, wenn: der Auftrag lautet, das zu finden, was niemand gemeldet hat.
Methode 2: Ein Segmentierungsmodell
Ein Segmentierungsmodell liest Form und Kontext, und so unterscheidet es einen Pool von einer Plane derselben Farbe. Wir bauen eines davon, AI Segmentation. Dieser Abschnitt handelt von unserem eigenen Tool.
Installieren und anmelden
Erweiterungsverwaltung, QGIS 3.22 oder neuer. Keine GPU, keine Modellgewichte. Ein Konto, ein kostenloses Kontingent, dann 39 € im Monat zzgl. MwSt.
Zone zeichnen, das Wort eingeben, filtern
Geben Sie swimming pool ein und starten Sie. Die Polygone kommen im Projekt-KBS zurück, mit Fläche, Umfang und einem Confidence-Wert. Sortieren Sie, dann löschen Sie, was falsch ist.
Zwei Zahlen aus unserer Abstimmungstabelle, zur Laufzeit gelesen. Eine Pool-Ausführung verlangt etwa 0,13 m pro Pixel in Kacheln von höchstens 300 m, weil ein Pool bei allem Gröberen mit seiner Terrasse verschwimmt. Die Prüfung öffnet bei 0,20 Confidence für swimming pool gegen 0,30 für building, da Pool-Masken schlechter bewertet werden als Dächer.
Eine Grenze: ein abgedeckter Pool erreicht das Modell nie, also kommt er als verfehlt zurück. Beide Cloud-Modi senden Bilddaten an unsere Server in der Europäischen Union.
Vier andere erledigen diesen Auftrag, Stand 3. September 2026.
| Tool | Was Sie installieren | GPU | Konto | Bilddaten verlassen Ihren Rechner | Pool-Unterstützung | Kosten |
|---|---|---|---|---|---|---|
| Deepness | Erweiterungsverwaltung, seine Python-Pakete, ein ONNX-Modell | Optional, CPU reicht | Nein | Nein | Welches Modell Sie liefern | Kostenlos |
| Geo-SAM | Erweiterungsverwaltung, Abhängigkeiten, Modellgewichte | Optional | Nein | Nein | Ein Objekt pro Klick oder Box | Kostenlos |
| samgeo | Ein Python-Paket, kein QGIS-Bedienfeld | Empfohlen | Nein | Nein | Skriptfähig, keine Pool-Klasse | Kostenlos |
| Mapflow | Erweiterungsverwaltung | Nein | Ja | Ja im Cloud-Dienst, On-Premise für Unternehmen angeboten | Ein Swimming-pools-Modell, auf Anfrage | Credits, bezahlt |
| AI Segmentation (unseres) | Erweiterungsverwaltung | Nein | Ja | Ja in beiden Cloud-Modi, nein für das lokale Modell | Geben Sie swimming pool ein | Kostenloses Kontingent, dann 39 € im Monat ohne MwSt. |
Nutzen Sie es, wenn: mehr Pools, als Sie per Hand umranden würden.
Überspringen Sie es, wenn: die Bilddaten Ihren Rechner nicht verlassen dürfen. Nutzen Sie Deepness oder Geo-SAM.
Für eine flächige Auswertung, bei der jemand eine veröffentlichte Genauigkeitszahl unterschreibt, nutzen Sie stattdessen Mapflow. Es liefert ein eigenes Swimming-pools-Modell, auf Anfrage, mit einem F1 über 0,95 daneben. Wir veröffentlichen keine Zahl für Pools.
Methode 3: Das Blau im Rasterrechner filtern
Arbeiten Sie in einem projizierten KBS, da drei Schritte unten auf Fläche in Layereinheiten filtern.
Das Nächste, was QGIS ohne Plugin kann. Öffnen Sie Raster > Rasterrechner… (englisch Raster > Raster Calculator…), wo Kanäle als layer_name@band_number angesprochen werden. Auf einem RGB-Orthofoto hält dies helles, gesättigtes Blau:
("ortho@3" > 90) AND ("ortho@3" - "ortho@1" > 25) AND ("ortho@3" - "ortho@2" > 10)
Diese Zahlen sind meine, von einem 20-cm-Orthofoto. Nehmen Sie zwanzig Pool-Pixel und zwanzig Dach-Pixel als Stichprobe, dann verschieben Sie sie.
Vektorisieren Sie mit Raster > Konvertierung > Vektorisieren (Raster nach Vektor) (englisch Raster > Conversion > Polygonize (Raster to Vector)), dann filtern Sie mit native:extractbyexpression: $area > 6 AND $area < 400 für die Größe, und mein eigenes Verhältnis 4 * pi() * $area / ($perimeter ^ 2) > 0.5 für die Form, da QGIS keine Kompaktheitsfunktion mitliefert.
RGB-Werte wandern mit Sonnenstand und Belichtung, also bricht eine Schwelle, die auf einer Fluglinie abgestimmt ist, auf der nächsten. Farbton und Sättigung halten besser, über das Modul i.rgb.his in der Werkzeugkiste, das „transforms raster maps from RGB (Red-Green-Blue) color space to HIS (Hue-Intensity-Saturation) color space“.
Keine Regel weiß, was das blaue Ding ist.
- Schatten. Verschattete Dachhänge lesen sich dunkelblau. Heben Sie den Schwellenwert an, und Sie verlieren Pools unter Bäumen.
- Blaue Dächer und Planen. Hell, blau, oft in der richtigen Form.
- Dunkle und grüne Pools. Eine schwarze Folie liest sich wie Asphalt, Algen wie Rasen. Meine Regel hat beide verfehlt.
- Abgedeckte Pools. Gar nicht im Bild.
Nutzen Sie es, wenn: ein konsistentes Orthofoto, das Sie per Hand prüfen.
Überspringen Sie es, wenn: ein Mosaik aus mehreren Flügen.
Methode 4: Ein Wasserindex, auf Bilddaten mit den nötigen Kanälen
Prüfen Sie dann die Auflösung. Der französische Pool-Verband setzt einen neuen eingelassenen Pool mit 29 bis 30 m² an, 3.000 Pixel auf einem 10-cm-Orthofoto und ein Drittel eines Pixels auf einem 10-m-Sentinel-2-Kanal.
Wasser absorbiert Nahinfrarot fast vollständig, also wird es in NIR schwarz, während ein blaues Dach hell bleibt.
- NDWI, McFeeters 1996:
(Green - NIR) / (Green + NIR). Auf Sentinel-2,(B3 - B8) / (B3 + B8). - MNDWI, Xu 2006:
(Green - SWIR) / (Green + SWIR). Auf Sentinel-2,(B3 - B11) / (B3 + B11). NIR gegen SWIR zu tauschen unterdrückt bebaute Flächen, der Punkt über einer Vorstadt.
Schwelle über null, polygonisieren, filtern wie in Methode 3. Rodríguez-Cuenca und Alonso haben dafür 2014 einen Normalized Difference Swimming Pools Index abgestimmt.
Sentinel-2 liefert B3 und B8 mit 10 m und B11 mit 20 m, also trennt sich ein 30-m²-Pool nie vom Garten. MNDWI über einem Wohnblock liefert das Staubecken am Stadtrand und sonst nichts.
Nutzen Sie es, wenn: Ihr Orthofoto einen NIR-Kanal mit 50 cm oder feiner hat. Es schlägt Farbe klar.
Überspringen Sie es, wenn: Drei-Kanal-RGB, oder Sentinel-2 und Sie wollen Gartenpools.
Methode 5: Einen Klassifikator auf Ihren eigenen Bilddaten trainieren
Ein Klassifikator lernt Ihre Pool-Pixel aus Beispielen, die Sie zeichnen, also überlebt er ein Mosaik, das eine feste Schwelle bricht.
Semi-Automatic Classification Plugin von Luca Congedo ist die übliche Wahl. Legen Sie im SCP-Dock eine Trainingseingabe (.scpx) an, zeichnen Sie ROIs, dann starten Sie SCP > Band processing > Classification im Hauptfenster. Sechs Algorithmen, von Minimum Distance bis Random Forest. Version 9.0.4 erschien am 11. Juli 2026, erklärt aber ein QGIS-Minimum von 3.99, also installiert QGIS 3.x weiter 8.5.0.
dzetsaka 5.0.11, von Nicolas Karasiak, ist leichter: elf Klassifikatoren, und sein Gaussian Mixture Model läuft ohne scikit-learn.
Zeichnen Sie auch eine Blau-Dach-Klasse und eine Schatten-Klasse. Ein Klassifikator weist nur zurück, was Sie ihm gezeigt haben.
Nutzen Sie es, wenn: mehrere Flüge oder Jahreszeiten, und Sie den Arbeitsablauf wiederverwenden.
Überspringen Sie es, wenn: ein Orthofoto, ein Durchlauf. Beide klassifizieren Pixel, keine Objekte, also vektorisieren und filtern Sie trotzdem.
Die fünf Methoden im Vergleich
| Was Sie haben | Methode |
|---|---|
| Eine gut kartierte Stadt, öffentliche Pools reichen | Methode 1, QuickOSM |
| Hunderte Pools und keine Geduld für Fehltreffer | Methode 2, ein Segmentierungsmodell |
| Ein RGB-Orthofoto feiner als 30 cm | Methode 3, Farbschwelle, dann filtern |
| Ein Orthofoto mit NIR-Band | Methode 4, NDWI |
| Sentinel-2 oder alles mit 10 m | Keine davon für Gartenpools. Holen Sie sich feinere Bilddaten |
| Mehrere Flüge, ein Arbeitsablauf zum Wiederverwenden | Methode 5, SCP oder dzetsaka |
Was zu merken ist
Die Auflösung entscheidet zuerst, dann die Kanäle, dann wie viel Handprüfung Sie verkraften.
Ein 30-m²-Pool trennt sich mit 10 m nie von seinem Garten, also ist Sentinel-2 der falsche Sensor für private Pools, egal welcher Index läuft.
Eine Farbschwelle liefert jedes blaue Ding im Block, also filtern Sie auf Fläche und Kompaktheit, bevor Sie sich das Ergebnis ansehen.
Ein abgedeckter Pool fehlt in den Bilddaten, also findet ihn keine Methode auf dieser Seite und kein Preis ändert das.
Eine Erkennung ist ein Kandidat. Was auch immer Sie ausführen, öffnen Sie die zehn Polygone mit der niedrigsten Confidence, bevor jemand mit dem Layer handelt.
Kostenlos in QGIS testen, ohne Kreditkarte
Fragen, die Leute stellen
Kann QGIS Swimmingpools von allein erkennen?
Nicht als Funktion. QGIS selbst gibt Ihnen den Rasterrechner, das Vektorisieren und die Vektorfilter, das ist Methode 3. Einen Pool als Objekt zu erkennen braucht ein Plugin.
Finde ich Gartenpools in Sentinel-2-Bilddaten?
Nein. Grün und NIR sind 10-m-Kanäle und SWIR ist 20 m, also ist ein 30-m²-Pool ein Drittel eines Pixels. Nutzen Sie Luftbilder mit 30 cm oder besser.
Warum kommen blaue Dächer immer als Pools zurück?
Ein lackiertes Metalldach ist heller und blauer als Poolwasser, und eine Farbregel liest nur Farbe. Filtern Sie auf Fläche und Kompaktheit, wechseln Sie zu NDWI oder nutzen Sie ein Modell.
Ist es legal, Swimmingpools aus Luftbildern zu erkennen?
Verknüpfen Sie eine Erkennung mit Flurstück und Eigentümername, und sie wird zu personenbezogenen Daten, die in der EU eine Rechtsgrundlage nach DSGVO braucht. Eine Steuerverwaltung hat eine ins Gesetz geschrieben. Ein privates Unternehmen meist nicht, also fragen Sie Ihre Datenschutzbeauftragte vor der Verknüpfung, und lassen Sie die Ausgabe eines Modells nie den letzten Schritt vor einer Rechnung sein.
Welche Genauigkeit sollte ich erwarten?
Eine Zahl wäre falsch, da sie sich mit Ihren Bilddaten und der Jahreszeit bewegt. Offene Pools bei 20 cm kommen gut zurück, abgedeckte Pools verfehlt alles hier, und blaue Dächer löschen Sie per Hand.
Ist eine Erkennung schon eine Liste von Pools, mit der ich arbeiten kann?
Die französische Steuerverwaltung hat dies auf IGN-Luftbildern ausgeführt und trotzdem jedem Eigentümer einen Brief geschickt. Ihr Pilot Foncier innovant versteuerte 20.356 Pools in neun Départements für 2022, im Wert von 9,8 Millionen Euro, und der nationale Durchlauf 2023 fand 150.000 steuerpflichtige Pools, die im Kataster fehlten. Eine Erkennung ist ein Kandidat, und die Verknüpfung mit Flurstück und Namen macht sie zu personenbezogenen Daten.
Zum Filterschritt in voller Länge lesen Sie Gebäudegrundrisse in QGIS erkennen. Zur Bereinigung hinter jeder Maske, Raster zu Vektor in QGIS. Um dieselbe Abfolge aus Erkennen und Filtern über die Bilddaten einer ganzen Gemeinde laufen zu lassen, führt AI Agent die Schritte mit einer einzigen Anweisung in QGIS aus. Der QGIS-KI-Hub hat den Rest.
