Wie Machine Learning historische Karten den Landnutzungswandel sichtbar macht

In vielen Städten und Regionen sind alte Karten in Archiven, Bibliotheken oder kommunalen Verwahrstellen erhalten. Sie zeigen, wie Flächen einst genutzt wurden: Wiesen, Ackerbau, Quellen, Wege oder Dörfer, die heute anders aussehen oder fehlen. Bis vor wenigen Jahren blieb dieses Wissen oft in Akten oder als schlecht durchsuchbare Bilder stecken. Maschinelles Lernen verändert das: Algorithmen lesen Symbole, Farben und Linien, ordnen sie vektorisiert einem geografischen Raster zu und machen Zeitreihen über Jahrzehnte berechenbar. Das ist kein Selbstzweck: Wer versteht, wie Landschaften sich verändert haben, kann besser abschätzen, wo Probleme wie Versiegelung, Habitatverlust oder historische Kontamination auftreten.

Dieser Text erklärt, wie die Technik funktioniert, zeigt Beispiele aus Forschung und Praxis, benennt Grenzen und gibt eine Einschätzung, wohin die Entwicklung gehen kann. Ziel ist ein dauerhaft nutzbarer Überblick, damit die Informationen auch in einigen Jahren noch verständlich und hilfreich sind.

Auf den ersten Blick ist eine historische Karte nur ein Bild. Für die Analyse sind drei Schritte zentral: Digitalisierung (Scannen), Georeferenzierung (an die reale Welt binden) und Klassifikation (Bedeutungen zuweisen). Beim Scannen entstehen hochauflösende Bilddateien. Die Georeferenzierung verwendet sichtbare Merkmale — Flüsse, Straßen, Küstenlinien — und ordnet die Karte einem Koordinatensystem zu. Moderne Methoden nutzen Bild-Features und automatische Matching-Algorithmen, so dass viele Karten in Minuten statt Tagen georeferenziert werden können.

„Die Kombination aus automatischer Georeferenzierung und neuronalen Netzen macht historische Karten erstmals in großem Maßstab vergleichbar.“

Für die Klassifikation kommen meist zwei Ansätze zum Einsatz: Pixelbasierte Modelle wie U‑Net oder DeepLabv3, die jedes Pixel einem Typ (Wald, Acker, Siedlung) zuweisen, und klassische Machine‑Learning‑Algorithmen wie XGBoost, die aus handgestalteten Bildmerkmalen lernen. U‑Net ist ein Convolutional Neural Network (CNN), das gut mit begrenzten Trainingsdaten umgeht und Strukturen präzise segmentiert. XGBoost arbeitet schneller mit tabellarischen Merkmalen und ist oft robuster bei heterogenen Symbolstilen.

In der Praxis liefert eine kombinierte Pipeline die besten Ergebnisse: zuerst grobe Segmentierung per CNN, dann Feininterpretation mit regelbasierten Verfahren und manuelle Nachprüfung. Tabellenartige Ausgaben helfen, die Ergebnisse in GIS‑Software weiterzuverwenden.

Tabelle: Typische Modellklassen und ihr Einsatzgebiet.

Die Möglichkeiten sind praktisch: Kommunen vergleichen historische Karten mit aktuellen Luftbildern, um Flächen zu identifizieren, die ehemals Feuchtgebiete oder Grünflächen waren. Das hilft bei der Renaturierung und bei Trinkwasserschutz. Forschungsprojekte nutzen automatisierte Kartenanalysen, um Landnutzungswandel über hundert Jahre zu quantifizieren und Trends zu modellieren.

In einem typischen Fall wird eine Reihe von Kartenblättern digitalisiert und georeferenziert. Ein U‑Net extrahiert Siedlungsflächen, ein Klassifikator trennt Ackerland von Wiesen. Ergebnisse werden als Vektordaten in ein GIS eingebracht, so dass zeitliche Flächenänderungen direkt berechnet werden können. Solche Analysen haben in Studien F1‑Scores von über 0,9 für gut erkennbare Klassen erreicht; die Genauigkeit hängt jedoch stark von Kartenmaßstab und Druckqualität ab.

In der Stadtplanung unterstützen die Daten Entscheidungen über Entsiegelung und Grünzonen. Für Naturschutz liefern historische Karten Hinweise auf verschwundene Biotope. In der Landwirtschaft können Langzeitdaten zeigen, wo Ackerfläche landwirtschaftlich intensiviert oder aufgegeben wurde — relevant für Boden‑ und Wasserhaushalt.

Ein praktischer Tipp: Die besten Ergebnisse entstehen, wenn historische Karten mit modernen Fernerkundungsdaten kombiniert werden. Satellitendaten geben aktuelle Vegetationssignaturen, historische Karten liefern die zeitliche Tiefe. Solche Fusionen verbessern Validierung und helfen, Unsicherheiten einzuordnen.

Die Chancen sind groß: Skalierbarkeit, neue Langzeitdaten und bessere Grundlagen für Planung. Mit maschinellem Lernen können Archive in wertvolle Datensätze verwandelt werden, ohne dass jede Karte manuell erfasst werden muss. Das spart Zeit und macht historische Informationen breiter nutzbar.

Risiken entstehen dort, wo Karten heterogen sind. Handschriftliche Notizen, verblasste Farben oder unterschiedliche Kartografen‑Konventionen führen zu Fehlern. Georeferenzierung bleibt ein kniffliger Schritt; falsch ausgerichtete Karten erzeugen systematische Verzerrungen in Zeitreihen. Deshalb ist Validierung mit Stichproben, Feldbegehungen oder zeitnahen Luftbildern unverzichtbar.

Weitere Spannungsfelder: Datenschutz und Rechte an Karten‑Scans. Manche Bestände unterliegen Urheberrechten; bei der Veröffentlichung müssen Lizenzfragen geklärt werden. Zudem besteht die Gefahr, dass technische Ergebnisse überinterpretiert werden: Ein klassifizierter Pixel ist immer eine modellbasierte Aussage mit Unsicherheit, kein unstrittiger Fakt.

Praktische Einschränkungen betreffen Ressourcen: Modelltraining braucht Rechenzeit und annotierte Beispiele. Neuere Ansätze mit Self‑Supervised Learning reduzieren den Annotationserfordernis, sind aber noch nicht überall etabliert. Ein realistischer Umgang heißt: automatisieren, aber mit menschlicher Qualitätskontrolle kombinieren.

In den kommenden Jahren ist mit mehreren Entwicklungen zu rechnen. Erstens: bessere Trainingsdaten. Offene Datensätze mit Kartenpatches und standardisierten Labels werden bereits aufgebaut und ermöglichen robustere Modelle über Regionen hinweg. Zweitens: stärkere Integration von Quellen. Kombinationen aus historischen Karten, Luftbildern und Satellitendaten schaffen multimodale Zeitreihen, die weniger anfällig für Fehler einzelner Quellen sind.

Drittens: Anwenderfreundliche Werkzeuge. Plugins für verbreitete GIS‑Programme und webbasierte Plattformen werden es Kommunen erlauben, eigene Auswertungen ohne große IT‑Abteilung durchzuführen. Viertens: Transparenz und Nachvollziehbarkeit. Modelle werden erklärbarer, sodass Planerinnen sehen, warum ein Pixel als Wald oder Acker klassifiziert wurde.

Für die Praxis bedeutet das: Es lohnt sich, lokale Archivbestände zu digitalisieren und in Pilotprojekten mit wissenschaftlichen Gruppen zusammenzuarbeiten. Solche Kooperationen liefern die Trainingsdaten, verbessern die Modelle und erzeugen gleichzeitig verwertbare Karten für konkrete Entscheidungen — etwa welche Flächen für Renaturierung infrage kommen oder wo historische Nutzung auf Umweltrisiken hindeutet.

Langfristig könnte eine offene europäische Datenbank mit harmonisierten historischen Landnutzungsdaten entstehen. Das würde Forschung und lokale Planung gleichermaßen stärken und die Grundlage für konsistente Langzeitanalysen bieten.

Maschinelles Lernen macht historische Karten zugänglich und vergleichbar. Die Technik erlaubt, Landnutzungswandel über Jahrzehnte als berechenbare Zeitreihe darzustellen und liefert so eine Grundlage für Planung, Naturschutz und Forschung. Gleichzeitig sind Qualitätssicherung und rechtliche Fragen wichtig: Automatisierung funktioniert am besten in Kombination mit sorgfältiger Validierung und offen dokumentierten Methoden. Wer diese Voraussetzungen beachtet, erhält ein dauerhaft nutzbares Instrument, um Veränderungen in Landschaften nachzuvollziehen und in Entscheidungen einzubeziehen.