Pools in QGIS erkennen: 5 Methoden

Um Swimmingpools in zu erkennen, prüfe zuerst OpenStreetMap: Vector > QuickOSM > QuickOSM…, Schlüssel leisure, Wert swimming_pool. Wo die Karte lückenhaft ist, filtere das Blau im Rasterrechner oder nutze ein Segmentierungsmodell. Die Bodenauflösung entscheidet.

Wo das Netz falsch liegt

Drei Antworten werden in Foren und Tutorials ständig wiederholt, und jede kostet dich einen Tag.

„NDWI auf Sentinel-2 rechnen und Pools zählen.“ Grün und NIR kommen mit 10 m, SWIR mit 20 m, während ein neuer eingelassener Pool 29 bis 30 m² misst. Das ist ein Drittel eines Pixels. MNDWI über einer Vorstadt liefert das Staubecken am Stadtrand und nichts in den Gärten.

„Filtere das Blau und du hast deine Pools.“ Eine Farbregel liest Farbe und sonst nichts. Ein blaues Metalldach und eine Plane über einem Holzstapel bestehen sie, ein Pool mit dunkler Folie und ein algengrüner Pool fallen durch, und ein abgedeckter Pool ist im Bild gar nicht vorhanden.

„Die Erkennung ist die Liste.“ Die französische Steuerverwaltung hat dies auf IGN-Luftbildern ausgeführt und trotzdem jedem Eigentümer einen Brief geschickt. Eine Erkennung ist ein Kandidat, und die Verknüpfung mit Flurstück und Namen macht sie zu personenbezogenen Daten.

Die kurze Antwort

Deine Eingabe	Methode	Was es kostet
Jedes Gebiet mit aktiven OSM-Mappern	Methode 1, QuickOSM auf `leisure=swimming_pool`	Kostenlos, eine Abfrage
RGB-Orthofoto mit 5 bis 30 cm	Methode 2, Farbschwelle im raster calculator	Kostenlos, in Core QGIS
Bilddaten mit Nahinfrarot- oder SWIR-Band	Methode 3, ein Wasserindex, dann eine Schwelle	Kostenlos, blind für Gartenpools auf Satellit
Multispektrale Bilddaten und ein Nachmittag	Methode 4, SCP oder dzetsaka	Kostenlose plugins, deine Zeit für Trainingsgebiete
RGB-Orthofoto und Hunderte Pools	Methode 5, ein Segmentierungsmodell	Kostenlose plugins wollen dein eigenes Modell oder eine GPU. Cloud-plugins haben Freistufen, dann Abo

Wie ich verglichen habe

Fünf Kriterien: Eingabe, ob Bilddaten deinen Rechner verlassen, wie viel Ergebnis du per Hand prüfst, Kosten, Installationsaufwand. Jede Version, jeder Preis und jeder Menüpfad wurde am 3. September 2026 gegen das QGIS 3.44-Handbuch und die Doku jedes Tools geprüft. Ich habe die kostenlosen Methoden auf einem französischen Vorstadt-Orthofoto und einer Sentinel-2-Szene desselben Blocks ausgeführt.

Wir bauen eines der fünf, und es ist Methode 5. Für eine flächige Auswertung, bei der jemand eine veröffentlichte Genauigkeitszahl unterschreibt, nutze stattdessen Mapflow. Es liefert ein eigenes Swimming-pools-Modell, auf Anfrage, mit einem F1 über 0,95 daneben. Wir veröffentlichen keine Zahl für Pools.

Bevor du startest

Arbeite in einem projizierten CRS, da drei Schritte unten auf Fläche in layer-Einheiten filtern. Prüfe 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-Band.

Die französische Steuerverwaltung führt dies auf IGN-Luftbildern aus. 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. Jeder lief trotzdem über einen Brief an den Eigentümer.

Methode 1: Nimm die Pools, 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.

Open QuickOSM and query

Vector > QuickOSM > QuickOSM…, which queries the Overpass API. Key leisure, value swimming_pool, on the canvas extent or a named administrative area.

Keep polygons, filter to gardens

A pool mapped as a node has no area, so take the polygon layer. 1,808,809 of these pools also carry access=private, the filter for backyard pools.

leisure=swimming_area ist ein anderes Objekt: eine ausgewiesene Badestelle in einem See oder im Meer.

A suburban block on satellite imagery with OSM swimming pool polygons in blue over three pools, and seven other visible pools with no polygon at all. — Three pools mapped, seven not. Mappers draw public and hotel pools. Private garden pools are the ones nobody bothers with, and the ones a tax office is looking for.

Nutze es, wenn: du öffentliche und gewerbliche Pools brauchst.

Lass es, wenn: der Auftrag lautet, das zu finden, was niemand gemeldet hat.

Methode 2: Filtere das Blau im raster calculator

Das Nächste, was Core QGIS kann. Öffne Raster > Raster Calculator…, wo Bänder 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. Nimm zwanzig Pool-Pixel und zwanzig Dach-Pixel als Stichprobe, dann verschiebe sie.

Polygonisiere mit Raster > Conversion > Polygonize (Raster to Vector), dann filtere 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.

A suburban orthophoto with a red mask from the raster calculator covering every swimming pool, a blue metal roof, and a blue tarpaulin over a woodpile. — The rule above, over 20 cm imagery. It finds every open pool. It also finds a blue metal roof and a tarpaulin.

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 Processing-Toolbox-Modul i.rgb.his, 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. Hebe den Schwellenwert an und du verlierst 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.

Four tight crops side by side: a blue tarpaulin, a shaded roof slope, a dark-bottom pool and a pool under a grey winter cover, with the threshold mask overlaid on the first two only. — The tarp and the shadow pass the rule and should not. The dark-bottom pool and the covered pool fail it and should not.

Nutze es, wenn: ein konsistentes Orthofoto, das du per Hand prüfst.

Lass es, wenn: ein Mosaik aus mehreren Flügen.

Methode 3: Ein Wasserindex, auf Bilddaten mit den Bändern

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 2. 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.

Two panels of the same suburb: a 20 cm orthophoto with eleven visible pools, and the Sentinel-2 MNDWI of the same extent showing a uniform grey with no pool visible. — Eleven pools on the left, none on the right. Same extent, same week. A 30 m² pool never reaches a 10 m sensor as an object.

Nutze es, wenn: dein Orthofoto ein NIR-Band mit 50 cm oder feiner hat. Es schlägt Farbe klar.

Lass es, wenn: Drei-Band-RGB, oder Sentinel-2 und du willst Gartenpools.

Methode 4: Trainiere einen Klassifikator auf deinen eigenen Bilddaten

Ein Klassifikator lernt deine Pool-Pixel aus Beispielen, die du zeichnest, also überlebt er ein Mosaik, das eine feste Schwelle bricht.

Semi-Automatic Classification Plugin von Luca Congedo ist die übliche Wahl. Lege im SCP-Dock eine Trainingseingabe (.scpx) an, zeichne ROIs, dann starte 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.

Zeichne auch eine Blau-Dach-Klasse und eine Schatten-Klasse. Ein Klassifikator weist nur zurück, was du ihm gezeigt hast.

The SCP dock in QGIS with a training input listing pool, roof, shadow and vegetation classes, and the classified raster behind it with pool pixels in cyan. — Three classes and a Random Forest over the same 20 cm orthophoto. The blue-roof class does more work than the pool class.

Nutze es, wenn: mehrere Flüge oder Jahreszeiten, und du den Arbeitsablauf wiederverwendest.

Lass es, wenn: ein Orthofoto, ein Durchlauf. Beide klassifizieren Pixel, keine Objekte, also polygonisierst und filterst du trotzdem.

Methode 5: 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.

Install and sign in

Plugin manager, QGIS 3.22 or later. No GPU, no model weights. An account, a free allowance, then 39 euros a month excluding VAT.

Draw a zone, type the word, filter

Type swimming pool and run. Polygons come back in the project CRS with area, perimeter and a confidence score. Sort, then delete what is wrong.

Zwei Zahlen aus unserer Abstimmungstabelle, zur Laufzeit gelesen. Ein Pool-Lauf 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.

A residential block on aerial imagery in QGIS, every backyard swimming pool filled with its own colour, roofs and gardens untouched. — One zone, one word, over 20 cm imagery. Each pool is its own polygon with an area, editable like any vector feature.

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.

Two neighbouring gardens: the open pool on the left outlined in the detection layer, the pool under a grey winter cover on the right with no polygon. — Left, detected. Right, a pool under a cover. Nothing in the image says it is there, and no method on this page finds it.

Vier andere erledigen diesen Auftrag, Stand 3. September 2026.

Tool	Was du installierst	GPU	Konto	Bilddaten verlassen deinen Rechner	Pool-Unterstützung	Kosten
Deepness	plugin manager, seine Python-Pakete, ein ONNX-Modell	Optional, CPU reicht	Nein	Nein	Welches Modell du lieferst	Kostenlos
Geo-SAM	plugin manager, Abhängigkeiten, Modellgewichte	Optional	Nein	Nein	Ein Objekt pro Klick oder Box	Kostenlos
samgeo	Ein Python-Paket, kein QGIS-Panel	Empfohlen	Nein	Nein	Skriptfähig, keine Pool-Klasse	Kostenlos
Mapflow	plugin manager	Nein	Ja	Ja	Ein Swimming-pools-Modell, auf Anfrage	Credits, bezahlt
AI Segmentation (unseres)	plugin manager	Nein	Ja	Ja in beiden Cloud-Modi, nein für das lokale Modell	Tippe `swimming pool`	Freibetrag, dann 39 Euro im Monat ohne MwSt.

Nutze es, wenn: mehr Pools, als du per Hand umranden würdest.

Lass es, wenn: die Bilddaten deinen Rechner nicht verlassen dürfen. Nutze Deepness oder Geo-SAM.

Die fünf Methoden im Vergleich

Was du hast	Methode
Eine gut kartierte Stadt, öffentliche Pools reichen	Methode 1, QuickOSM
Ein RGB-Orthofoto feiner als 30 cm	Methode 2, Farbschwelle, dann filtern
Ein Orthofoto mit NIR-Band	Methode 3, NDWI
Sentinel-2 oder alles mit 10 m	Keine davon für Gartenpools. Hol feinere Bilddaten
Mehrere Flüge, ein Arbeitsablauf zum Wiederverwenden	Methode 4, SCP oder dzetsaka
Hunderte Pools und keine Geduld für Fehltreffer	Methode 5, ein Segmentierungsmodell

Was zu merken ist

Die Auflösung entscheidet zuerst, dann die Bänder, dann wie viel Handprüfung du verkraftest.

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 filtere auf Fläche und Kompaktheit, bevor du dir das Ergebnis ansiehst.

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 du ausführst, öffne die zehn Polygone mit der niedrigsten Confidence, bevor jemand mit dem layer handelt.

Try it free in QGIS, no card needed

Fragen, die Leute stellen

Kann QGIS Swimmingpools von allein erkennen?

Nicht als Funktion. Core QGIS gibt dir den raster calculator, Polygonisieren und die Vektorfilter, das ist Methode 2. Einen Pool als Objekt zu erkennen braucht ein plugin.

Finde ich Gartenpools in Sentinel-2-Bilddaten?

Nein. Grün und NIR sind 10-m-Bänder und SWIR ist 20 m, also ist ein 30-m²-Pool ein Drittel eines Pixels. Nutze 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. Filtere auf Fläche und Kompaktheit, wechsle zu NDWI oder nutze ein Modell.

Ist es legal, Swimmingpools aus Luftbildern zu erkennen?

Verknüpfe 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 frag deine Datenschutzbeauftragte vor der Verknüpfung, und lass 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 deinen Bilddaten und der Jahreszeit bewegt. Offene Pools bei 20 cm kommen gut zurück, abgedeckte Pools verfehlt alles hier, und blaue Dächer löschst du per Hand.

Zum Filterschritt in voller Länge lies Gebäudegrundrisse in QGIS erkennen. Zur Bereinigung hinter jeder Maske, raster zu Vektor in QGIS. Der QGIS AI hub hat den Rest.

WeiterlesenAI Segmentation für QGIS: Komplettanleitung