Eoinformatik-Kachelseite - (13-31) - Patrick 10.10.22

Norbert de Lange

Geoinformatik
in Theorie
und Praxis
Grundlagen von Geoinformations-
systemen, Fernerkundung
und digitaler Bildverarbeitung
4. Auflage
Geoinformatik in Theorie und Praxis
Norbert de Lange

Geoinformatik in Theorie
und Praxis
Grundlagen von Geoinformationssystemen,
Fernerkundung und digitaler
Bildverarbeitung

4., grundlegend überarbeitete und erweiterte Auflage

Prof. Dr. Norbert de Lange
Universität Osnabrück
Institut für Informatik
Osnabrück, Deutschland
ISBN 978-3-662-60708-4 ISBN 978-3-662-60709-1 (eBook)

https://doi.org/10.1007/978-3-662-60709-1
Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;

detaillierte bibliografische Daten sind im Internet über http://dnb.d-nb.de abrufbar.
© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2002, 2006, 2013, 2020
Das Werk einschließlich aller seiner Teile ist urheberrechtlich geschützt. Jede Verwertung, die nicht
ausdrücklich vom Urheberrechtsgesetz zugelassen ist, bedarf der vorherigen Zustimmung des Verlags.
Das gilt insbesondere für Vervielfältigungen, Bearbeitungen, Übersetzungen, Mikroverfilmungen und
die Einspeicherung und Verarbeitung in elektronischen Systemen.
Die Wiedergabe von allgemein beschreibenden Bezeichnungen, Marken, Unternehmensnamen etc. in
diesem Werk bedeutet nicht, dass diese frei durch jedermann benutzt werden dürfen. Die Berechtigung
zur Benutzung unterliegt, auch ohne gesonderten Hinweis hierzu, den Regeln des Markenrechts. Die
Rechte des jeweiligen Zeicheninhabers sind zu beachten.
Der Verlag, die Autoren und die Herausgeber gehen davon aus, dass die Angaben und Informationen in
diesem Werk zum Zeitpunkt der Veröffentlichung vollständig und korrekt sind. Weder der Verlag, noch
die Autoren oder die Herausgeber übernehmen, ausdrücklich oder implizit, Gewähr für den Inhalt des
Werkes, etwaige Fehler oder Äußerungen. Der Verlag bleibt im Hinblick auf geografische Zuordnungen
und Gebietsbezeichnungen in veröffentlichten Karten und Institutionsadressen neutral.
Springer Spektrum ist ein Imprint der eingetragenen Gesellschaft Springer-Verlag GmbH, DE und ist
ein Teil von Springer Nature.
Die Anschrift der Gesellschaft ist: Heidelberger Platz 3, 14197 Berlin, Germany
Vorwort zur vierten Auflage
Seit der ersten Auflage dieses Lehrbuches hat sich die Geoinformatik unter dem
Einfluss technischer Veränderungen erheblich weiterentwickelt und vielfältig neu
ausgerichtet. Zu nennen sind vor allem die Einführung des Smartphones etwa seit
2007 sowie die rasante Bedeutungszunahme des Internets und das sich dadurch
verändernde Nutzerverhalten, das auch in der Geoinformatik zu neuen Anwen-
dungen geführt hat: u.a. OGC-Webservices, Aufbau von Geodateninfrastrukturen,
mobile Geoinformationssysteme und Informationssysteme über Geoobjekte im
Internet, die häufig verkürzt Web-GIS genannt werden. Inzwischen stehen vielen
Anwendern Daten ubiquitär auf mobilen Endgeräten zur Verfügung. Diese sind aus
dem Alltag und insbesondere aus Anwendungen in der Geoinformatik nicht mehr
wegzudenken. Das Thema „Digitalisierung“, das vielfältige räumliche Implikationen
hat und somit auch die Geoinformatik betrifft, wird die 2020er Jahre prägen.
Aus diesen Gründen wurden die Kapitel der letzten Auflage nicht nur aktuali-
siert, sondern vor allem auch neu akzentuiert. Ausführungen zu Computersyste-
men sind gegenüber den vorherigen Auflagen gekürzt worden. Weiterhin stellt das
dritte Kapitel Grundlagen aus der Informatik zusammen, um zum einen dem Be-
zug zur Informatik und der Brückenfunktion der Geoinformatik Rechnung zu
tragen, und zum anderen, um Anwendern ohne tiefe Informatikgrundkenntnisse
grundlegende Konzepte und Zusammenhänge aufzuzeigen. Sämtliche Kapitel
wurden ergänzt, wobei noch stärker auf den Anwendungsbezug z.B. bei der Arbeit
mit Geoinformationssystemen geachtet wurde. Insbesondere sind Hinweise und
Wünsche von Studierenden aus vielen Praxisveranstaltungen eingeflossen. Vor
dem Hintergrund eines zu wünschenden, ungehinderten Datenaustausches wurde
das Kapitel zu Geodatenstandards und Geodateninfrastrukturen ausgeweitet. Den
Geodatenbanken wurde größerer Raum gewidmet. Das Kapitel zur Fernerkun-
dung, die nach der vorliegenden Buchkonzeption einen integralen Bestandteil der
Geoinformatik darstellt, wurde hinsichtlich neuer Sensoren aktualisiert und um
neue Klassifikationsverfahren mit Methoden der Künstlichen Intelligenz erweitert.
Da viele Leser inzwischen das Buch in der digitalen Version lesen, sind Belege,
die auf Quellen im Internet verweisen, direkt verlinkt worden.
Diese Neuauflage hätte ohne die Unterstützung mehrerer Kolleginnen und Kolle-
gen nicht erstellt werden können. Der Autor dankt daher allen Personen, die ihm
wertvolle Hinweise und Anregungen gaben. Zu nennen sind die Studierenden des
Masterstudiengangs Geoinformatik der Universität Osnabrück, die sich in einer
Seminarveranstaltung mit aktuellen Fragen der Geoinformatik beschäftigt haben und
diese Inhalte eingefordert haben. Insbesondere möchte ich meinem Kollegen Herrn
Prof. Dr. B. Waske sowie vor allem meinem Mitarbeiter Herrn M. Sc. M. Storch für
die kritische Durchsicht der Kapitel und für viele wertvolle Anregungen danken. Ein
Dankeschön geht auch an meinen studentischen Mitarbeiter Herrn B. Sc. O. Lehm-
kuhl für die aufwendigen Materialrecherchen.
Schließlich danke ich dem Springer-Verlag sowie Frau Dochnal, Frau Dr. Preuss
und Frau Saglio für die zuvorkommende und bewährte gute Zusammenarbeit.
Osnabrück, Januar 2020 Norbert de Lange

Vorwort VI
Auszug aus dem Vorwort zur ersten Auflage

In den neunziger Jahren ist mit der Geoinformatik ein neues interdisziplinäres
Fachgebiet entstanden. Entwicklung und Konsolidierung sind in vollem Gange. Der
vorliegende Band führt verschiedene Themenbereiche zusammen, die zur Geoin-
formatik gezählt werden. Dabei geht es nicht (allein) um Techniken. Geoinforma-
tik wird vielmehr als Wissenschaft hinter den geographischen bzw. raumbezoge-
nen Informationstechnologien verstanden. Dieses Buch besitzt somit eine Brü-
ckenfunktion zur Informatik.
Entstanden ist ein umfassendes Handbuch für Studium und Praxis, das die In-
halte der Geoinformatik anwendungsbezogen zusammenführt, das aber auch wich-
tige Hintergrundinformationen liefert. Es soll insbesondere als Praxishandbuch
einzusetzen sein, das auf direkte Anwendungen zielt, für die kommerzielle Soft-
ware vorhanden ist.
Osnabrück, Januar 2002 Norbert de Lange
Auszug aus dem Vorwort zur zweiten Auflage

Die freundliche Aufnahme dieses Lehrbuches zur Geoinformatik aus dem Jahre
2002 hat zur Vorbereitung einer zweiten, aktualisierten und erweiterten Auflage
schon im Sommer 2005 geführt. Dabei bleibt die Konzeption in der vorliegenden
Aktualisierung unverändert, obschon andere Schwerpunktsetzungen denkbar sind.
Nach wie vor ist die Diskussion um Inhalte der Geoinformatik nicht abgeschlossen.
Die im Vorwort zur ersten Auflage genannte und im ersten Kapitel verdeutlichte
Vielschichtigkeit der Geoinformatik zeigt sich auch in den vielfältigen Rezensionen
und Reaktionen von Fachkollegen. Zum einen wird die Breite und Tiefgründigkeit
bei sehr konzentrierter Schreibweise herausgestellt. Zum anderen wird vereinzelt
angeregt, auf die Kapitel zu Grundlagen aus der Informatik und zu Computersyste-
men zu Gunsten z.B. von Inhalten zu Geoinformationssystemen zu verzichten. Diese
Position ist für die Studiengänge verständlich, für die (inzwischen) Lehrveranstal-
tungen zur Informatik zum Pflichtangebot gehören. Allerdings gilt weiterhin die
Ausrichtung als umfassendes Handbuch für Studium und Praxis, das die Inhalte der
Geoinformatik anwendungsbezogen zusammenführt und das eine Brückenfunktion
zur Informatik besitzt.
Osnabrück, Juli 2005 Norbert de Lange

Inhaltsverzeichnis
1 EINFÜHRUNG 1
1.1 Ansatz und Aufgaben der Geoinformatik ................................................ 1
1.2 Ethische Herausforderungen der Informatik und Geoinformatik ............ 9
2 GRUNDBEGRIFFE UND ALLGEMEINE GRUNDLAGEN DER

INFORMATIONSVERARBEITUNG 13
2.1 Information, Nachricht, Signale, Daten ................................................. 13
2.2 Automat, Computer, Programm, Hard- und Software ........................... 15
2.3 EVA-Prinzip der Informationsverarbeitung .......................................... 17
2.4 Algorithmen und Programme in Computersystemen ............................ 18
2.4.1 Algorithmusbegriff ................................................................. 18
2.4.2 Programmablaufpläne und Struktogramme ............................ 20
2.4.3 Stufen der Algorithmusausführung in einem Computer ......... 21
2.5 Darstellung von Informationen in Computersystemen durch Bitfolgen 22
2.5.1 Digitale Welt, Digitalisierung................................................. 22
2.5.2 Bit und Bitfolgen .................................................................... 23
2.5.3 Logische Werte....................................................................... 24
2.5.4 Zahlen ..................................................................................... 24
2.5.5 Texte ....................................................................................... 26
2.5.6 Räumliche Informationen ....................................................... 27
2.5.7 Farbinformationen .................................................................. 29
2.5.8 Sensordaten ............................................................................ 31
2.5.9 Dualzahlenarithmetik ............................................................. 31
2.6 Aufbau eines Computersystems: Hardware ........................................... 34
2.7 Aufbau eines Computersystems: Software ............................................ 35
2.7.1 Systemsoftware und systemnahe Software ............................. 35
2.7.2 Branchen-, Individual- und Standardsoftware, Apps.............. 36
2.7.3 Anwendungssoftware in der Geoinformatik ........................... 37
2.7.4 Proprietäre, Open-Source-Software und Freie-Software ........ 38
2.8 Netze und Vernetzung ........................................................................... 41
2.8.1 Definition und Unterscheidungsmerkmale ............................. 41
2.8.2 Internet.................................................................................... 43
2.8.3 Web-Technologien ................................................................. 45
2.8.4 Web 2.0 .................................................................................. 49
2.8.5 Cloud Computing ................................................................... 50
VIII Inhaltsverzeichnis
3 GRUNDLAGEN AUS DER INFORMATIK 53

3.1 Programmierung von Computersystemen ............................................. 53
3.1.1 Programmierebenen ................................................................ 53
3.1.2 Erstellen und Ausführen von Programmen ............................. 55
3.1.3 Programmiersprachen ............................................................. 58
3.1.4 Programmierkonzepte............................................................. 62
3.1.5 Programmieren mit Python in Geoinformationssystemen ...... 74
3.1.6 Graphiksprachen und Graphikbibliotheken ............................ 75
3.1.7 Programmierung von Anwendungen für Intranet u. Internet.. 79
3.1.8 App-Programmierung ............................................................. 81
3.2 Daten und Datentypen ........................................................................... 84
3.2.1 Skalenniveaus ......................................................................... 84
3.2.2 Standarddatentypen ................................................................ 85
3.2.3 Strukturierte Datentypen......................................................... 89
3.2.4 Abstrakte Datentypen ............................................................. 91
3.2.5 Dateien.................................................................................... 93
3.3 Algorithmen........................................................................................... 94
3.3.1 Definitionen und Merkmale.................................................... 94
3.3.2 Sequenzielle und parallele Algorithmen ................................. 96
3.3.3 Iterationen und Rekursionen ................................................... 98
3.3.4 Komplexität von Algorithmen .............................................. 101
3.4 Grundlegende Algorithmen der Geoinformatik ................................... 104
3.4.1 Algorithmen der Koordinatengeometrie ............................... 104
3.4.2 Graphen und ausgewählte Wegealgorithmen ....................... 110
3.4.3 Algorithmen für Rasterdaten ................................................ 115
3.4.4 Weitergehende Algorithmen................................................. 116
3.5 Softwareentwicklung ........................................................................... 117
3.5.1 Aufgaben und Ziele der Softwareentwicklung ..................... 117
3.5.2 Instrumente der Softwareentwicklung .................................. 118
3.5.3 Traditionelle Vorgehensmodelle der Softwareentwicklung . 120
3.5.4 Objektorientierte Softwareentwicklung ................................ 122
3.5.5 V-Modelle und Weiterentwicklungen .................................. 123
Inhaltsverzeichnis IX
4 GEOOBJEKTE UND BEZUGSSYSTEME 127

4.1 Geoobjekte........................................................................................... 127
4.1.1 Begriff des Geoobjekts ......................................................... 127
4.1.2 Geometrie von Geoobjekten ................................................. 128
4.1.3 Topologie von Geoobjekten ................................................. 131
4.1.4 Thematik von Geoobjekten .................................................. 133
4.1.5 Dynamik von Geoobjekten ................................................... 134
4.1.6 Dimensionen von Geoobjekten ............................................ 134
4.2 Koordinatensysteme ............................................................................ 135
4.2.1 Metrische Räume und kartesische Koordinaten ................... 135
4.2.2 Homogene Koordinaten........................................................ 136
4.2.3 Polarkoordinaten und Geographische Koordinaten auf der
Kugel .................................................................................... 137
4.2.4 Geographische Koordinaten auf einem Ellipsoiden ............. 139
4.2.5 Ebene Koordinatentransformationen .................................... 141
4.3 Netzentwürfe und Kartenprojektionen ................................................ 148
4.3.1 Raumkoordinaten und lokale Bezugssysteme auf der Erde .. 148
4.3.2 Abbildungseigenschaften von Netzentwürfen ...................... 151
4.3.3 Abbildungsflächen von Netzentwürfen ................................ 151
4.4 Grundlagen geodätischer Bezugssysteme ............................................ 156
4.4.1 Annäherung der Erde durch Ellipsoide................................. 156
4.4.2 Geodätisches Datum und traditionelle Bezugssysteme ........ 158
4.4.3 Neue terrestrische Referenzrahmen: ITRF, ETRF, ETRS89 160
4.4.4 Datumstransformationen ...................................................... 161
4.4.5 Höhenbezugsflächen in Deutschland bis 2016 ..................... 164
4.4.6 Der integrierte (geodätische) Raumbezug 2016 ................... 167
4.5 Geodätische Abbildungen.................................................................... 168
4.5.1 Anwendung geodätischer Abbildungen ................................ 168
4.5.2 Das Gauß-Krüger-Koordinatensystem in Deutschland ........ 169
4.5.3 Das Österreichische Bundesmeldenetz ................................. 171
4.5.4 Das Schweizer Koordinatensystem ...................................... 172
4.5.5 Das UTM-Koordinatensystem .............................................. 173
4.5.6 Berechnung von UTM-Koordinaten ..................................... 175
4.5.7 EPSG-Codes ......................................................................... 177
4.6 Anwendungsbeispiel: Georeferenzierung in einem
Geoinformationssystem ....................................................................... 178
4.6.1 Georeferenzierung aufgrund geodätischer Koordinaten ....... 178
4.6.2 Definition des Raumbezugs nach einer Georeferenzierung.. 181
4.6.3 Mehrere Bezugssysteme und Datumstransformation ........... 182
X Inhaltsverzeichnis
5 DIGITALE RÄUMLICHE DATEN: DATENGEWINNUNG,

GEOBASISDATEN UND VGI 185
5.1 Grundbegriffe ...................................................................................... 185
5.1.1 Primäre und sekundäre Erfassungsmethoden, Primär- und
Sekundärdaten ...................................................................... 185
5.1.2 Diskretisierung ..................................................................... 187
5.2 Digitale sekundäre Erfassung von Geometriedaten ............................. 188
5.2.1 Digitale Erfassung von Geometriedaten im Vektorformat ... 188
5.2.2 Digitale Erfassung von Geometriedaten im Rasterformat .... 192
5.2.3 Konvertierung zwischen Raster- und Vektordaten ............... 192
5.3 Satellitengestützte Standortbestimmung und Erfassung von 3D-Lage-
koordinaten .......................................................................................... 195
5.3.1 GPS und GNSS .................................................................... 195
5.3.2 Aufbau von NAVSTAR/GPS: Grundprinzipien vor der
Modernisierung..................................................................... 196
5.3.3 Prinzip der Distanzbestimmung............................................ 201
5.3.4 Fehlereinflüsse und Genauigkeiten einer GPS-Standort-
bestimmung .......................................................................... 203
5.3.5 Differentielles GPS (DGPS) ................................................. 205
5.3.6 Modernisierung von NAVSTAR/GPS ................................. 206
5.3.7 GLONASS............................................................................ 207
5.3.8 Galileo .................................................................................. 207
5.3.9 BeiDou.................................................................................. 208
5.3.10 GNSS-Daten ......................................................................... 209
5.3.11 Bewertung von Positionierungssystemen und weitere
Entwicklungen zu GNSS ...................................................... 210
5.4 Airborne Laserscanning ....................................................................... 212
5.5 Geobasisdaten ...................................................................................... 215
5.5.1 Geobasisdaten der Vermessungsverwaltungen ..................... 215
5.5.2 Das ehemalige Automatisierte Liegenschaftskataster .......... 216
5.5.3 Das ehemalige Amtliche Topographisch-Kartographische
Informationssystem ATKIS .................................................. 218
5.5.4 AFIS – ALKIS – ATKIS ...................................................... 220
5.6 Volunteered Geographic Information (VGI) ....................................... 233
5.6.1 Daten im GeoWeb 2.0 .......................................................... 233
5.6.2 Das OpenStreetMap-Projekt (OSM-Projekt) ........................ 233
5.6.3 Qualität von OSM-Daten ...................................................... 235
Inhaltsverzeichnis XI
6 STANDARDS UND INTEROPERABILITÄT VON GEODATEN 239

6.1 Standardisierung und Interoperabilität................................................. 239
6.1.1 Mehrfachnutzung durch Standardisierung ........................... 239
6.1.2 Syntaktische und semantische Interoperabilität .................... 240
6.2 Standardisierungsinstitutionen ............................................................. 242
6.2.1 Standard und Norm............................................................... 242
6.2.2 Normierungsinstitutionen ..................................................... 243
6.2.3 International Organization for Standardization (ISO) .......... 243
6.2.4 Open Geospatial Consortium................................................ 244
6.3 Standards zur Modellierung von Geodaten ......................................... 245
6.3.1 Das Feature-Geometry-Modell ............................................. 245
6.3.2 Das Simple-Feature-Geometry-Object-Modell .................... 246
6.3.3 Geography Markup Language .............................................. 247
6.3.4 GeoPackage .......................................................................... 249
6.4 Geodatendienste .................................................................................. 250
6.4.1 Interoperabilität durch standardisierte Geodatendienste ....... 250
6.4.2 OGC-konforme Geodatendienste ......................................... 250
6.4.3 Arbeitsweise eines OGC-konformen WMS am Beispiel
des UMN-MapServers .......................................................... 251
6.4.4 Zugriff auf Geodaten über einen Web Map Service ............. 253
6.4.5 Zugriff auf Geodaten über einen Web Feature Service ........ 254
6.4.6 Zugriff auf Geodaten über weitere Geodatendienste ............ 255
6.4.7 Verarbeitung von Geodaten durch standardisierte Web
Processing Service ................................................................ 256
6.4.8 Verarbeitung von Geodaten durch standardisierte Web-
services in einem Geoinformationssystem ........................... 257
6.5 Metadaten ............................................................................................ 259
6.5.1 Von Daten zur Information durch Metadaten ....................... 259
6.5.2 Standards für räumliche Metadaten ...................................... 261
6.5.3 Beispiele aus der Praxis ........................................................ 263
6.6 Qualität von Daten und Geodaten........................................................ 267
6.6.1 Qualitätsmerkmale ................................................................ 267
6.6.2 Räumliche Auflösung, Generalisierung und
Lagegenauigkeit ................................................................... 268
6.7 Aufbau von Geodateninfrastrukturen .................................................. 270
6.7.1 Begriff und Ziele von Geodateninfrastrukturen.................... 270
6.7.2 INSPIRE ............................................................................... 270
6.7.3 GDI-DE – Geodateninfrastruktur Deutschland .................... 272
6.7.4 Nationale Geoinformations-Strategie (NGIS) ...................... 274
6.7.5 GDI der Länder..................................................................... 274
XII Inhaltsverzeichnis
7 VISUALISIERUNG RAUMBEZOGENER INFORMATIONEN 279

7.1 Die interdisziplinäre Sicht auf die Kartographie ................................. 279
7.1.1 Digitale graphische Darstellung von Informationen ............. 279
7.1.2 Computergestützte wissenschaftliche Visualisierung ........... 279
7.1.3 Geovisualisierung ................................................................. 282
7.1.4 Digitale graphische Darstellung von Geoobjekten –
Paradigmenwechsel der Kartographie .................................. 284
7.1.5 Präsentationen in der Geoinformatik .................................... 287
7.1.6 Augmented Reality – Virtual Reality ................................... 290
7.1.7 Virtuelle Realität in der Geoinformatik: 3D-Stadtmodelle ... 291
7.2 Graphische Präsentationen im Web ..................................................... 292
7.2.1 Web-Mapping ....................................................................... 292
7.2.2 Anwendungsbeispiel eines Mapservers ................................ 293
7.2.3 Anwendungsbeispiel einer Mapping-Software ..................... 294
7.2.4 Graphische Präsentationen in Applikationen ........................ 296
7.2.5 Kartographie im Web 2.0: Web-Mapping 2.0 ...................... 297
7.3 Graphische Kommunikation ................................................................ 298
7.4 Graphische Semiologie ........................................................................ 302
7.4.1 Die Theorie der Graphischen Semiologie nach Bertin ......... 302
7.4.2 Gestaltungsregeln basierend auf der graphischen
Semiologie nach Bertin ........................................................ 304
7.4.3 Weiterentwicklungen im Hinblick auf dig. Umsetzungen .... 308
7.5 Graphische Gestaltungsmittel .............................................................. 308
7.5.1 Signaturen ............................................................................. 308
7.5.2 Darstellung von Quantitäten ................................................. 311
7.5.3 Klasseneinteilungen .............................................................. 313
7.5.4 Diagrammdarstellungen........................................................ 315
7.5.5 Kartenähnliche Darstellungen .............................................. 315
7.6 Gestaltungsmerkmale von Kartenprints............................................... 316
7.6.1 Inhalte und formale Gestaltung von Kartenprints................. 316
7.6.2 Texte und Beschriftungen in Kartenprints ............................ 318
7.7 Einsatz von Farbe ................................................................................ 319
7.7.1 Farbe als einfaches und kritisches Ausdrucksmittel ............. 319
7.7.2 Farbwirkung und Farbwahrnehmung ................................... 319
7.7.3 Farbabstufungen ................................................................... 320
7.7.4 Farbmischung und Farbmodelle ........................................... 321
Inhaltsverzeichnis XIII
8 DATENORGANISATION UND DATENBANKSYSTEME 327

8.1 Datenorganisation ................................................................................ 327
8.1.1 Grundbegriffe der Datenorganisation ................................... 327
8.1.2 Dateisysteme ........................................................................ 329
8.1.3 Datenbanksysteme ................................................................ 332
8.1.4 Datensichten in einem Datenbanksystem ............................. 334
8.1.5 Datenmodelle........................................................................ 336
8.2 Datenbankentwurf mit ER-Modellierung ............................................ 336
8.2.1 Modellierungskonzepte ........................................................ 336
8.2.2 Entities und Attribute ........................................................... 337
8.2.3 Relationships ........................................................................ 338
8.2.4 Entity-Relationship-Diagramme ........................................... 340
8.2.5 Konzeptueller Datenbankentwurf an einem Beispiel ........... 341
8.3 Das relationale Datenmodell................................................................ 343
8.3.1 Aufbau einer relationalen Datenbasis ................................... 343
8.3.2 Normalformen ...................................................................... 345
8.3.3 Transformation eines ER-Diagramms in das
Relationenmodell .................................................................. 348
8.4 Anwendungen mit relationalen Datenbanksystemen ........................... 352
8.4.1 Datendefinition und Verwaltungsfunktionen........................ 352
8.4.2 Datenmanipulation und Datenauswertung ............................ 352
8.4.3 Der Sprachstandard SQL einer Datenmanipulationssprache
für relationale Datenbanksysteme......................................... 353
8.4.4 Auswertungsbeispiele einer Datenbank mit SQL ................. 354
8.4.5 Relationale Datenstrukturen in Geoinformationssystemen .. 356
8.5 Datenkonsistenzen ............................................................................... 360
8.5.1 Begriff und Bedeutung von Datenkonsistenzen ................... 360
8.5.2 Referentielle Integrität .......................................................... 361
8.5.3 Trigger .................................................................................. 361
8.5.4 Transaktionen ....................................................................... 361
8.6 Erweiterungen...................................................................................... 362
8.6.1 Abhängige Entity-Typen ...................................................... 362
8.6.2 Die Ist-Beziehung ................................................................. 363
8.6.3 Das EER-Modell .................................................................. 364
8.6.4 Objektorientierte und objektrelationale Datenbanksysteme . 365
8.7 Geodatenbanken .................................................................................. 366
8.7.1 Verwaltung und Verarbeitung von Geodaten in
Relationalen Datenbanken .................................................... 366
8.7.2 Aufgaben von Geodatenbanken............................................ 367
8.7.3 PostgreSQL/PostGIS ............................................................ 368
8.7.4 Auswertung von Geodaten mit PostgreSQL/PostGIS .......... 369
XIV Inhaltsverzeichnis
9 GEOINFORMATIONSSYSTEME 373
9.1 Konzepte digitaler Informations- und Geoinformationssysteme ........ 373
9.1.1 Informationssysteme............................................................. 373
9.1.2 Vier-Komponenten-Modelle eines Informationssystems ..... 374
9.1.3 Begriff Geoinformationssystem ........................................... 375
9.1.4 Vier-Komponenten-Modell eines Geoinformationssystems. 376
9.1.5 GIS-Software ........................................................................ 378
9.1.6 Geoinformationssysteme und ähnliche Systeme .................. 380
9.2 Web-GIS .............................................................................................. 381
9.2.1 Begriff und Funktionsweise eines Web-GIS ........................ 381
9.2.2 Web-GIS in der Praxis.......................................................... 382
9.2.3 Web-Mapping als Web-GIS-Ersatz? .................................... 383
9.3 Modellierung von Geoobjekten in einem Geoinformationssystem ..... 384
9.3.1 Geoinformationssystem als Modell der realen Welt............. 384
9.3.2 Geometrisch-topologische Modellierung von Geoobjekten
im Vektormodell................................................................... 385
9.3.3 Geometrisch-topologische Modellierung in der Praxis ........ 390
9.3.4 Geometrisch-topologische Modellierung von Geoobjekten
im Rastermodell ................................................................... 392
9.3.5 Speicherung von Geometrien im Rastermodell .................... 393
9.3.6 Thematik von Geoobjekten .................................................. 395
9.3.7 Vergleich von Vektor- und Rastermodell ............................. 396
9.4 Bearbeitung und raumbezogene Analyse von Geoobjekten
im Vektormodell .................................................................................. 397
9.4.1 Erfassen und Editieren von Geoobjekten im Vektormodell . 397
9.4.2 Verwaltung von Geoobjekten: Datenabfragen und
Suchoperationen ................................................................... 399
9.4.3 Fortführung und Aktualisierung von Geoobjekten
im Vektormodel .................................................................... 399
9.4.4 Räumliche Überlagerungen und geometrisch-topologische
Analysefunktionen von Geoobjekten im Vektormodell ....... 401
9.5 Bearbeitung und raumbezogene Analyse von Geoobjekten
im Rastermodell................................................................................... 405
9.5.1 Aufbereiten von Rasterdaten ................................................ 405
9.5.2 Konvertieren von Sachdaten auf Rasterbasis........................ 407
9.5.3 Räumliche Analysen von Rasterdaten .................................. 408
9.5.4 Map Algebra ......................................................................... 411
9.6 Netzwerkanalysen................................................................................ 413
9.6.1 Das Netzwerkdatenmodell .................................................... 413
9.6.2 Analyse optimaler Wege in einem Netzwerk ....................... 414
9.6.3 Ermittlung von Einzugsgebieten .......................................... 415
9.6.4 Weitere Analysemöglichkeiten in einem Netzwerk ............. 416
Inhaltsverzeichnis XV
9.7 Räumliche Interpolation und Modellierung von Flächen .................... 417

9.7.1 Ausgangsfragestellungen ...................................................... 417
9.7.2 Räumliche Approximation und Trendflächenanalyse .......... 418
9.7.3 Räumliche Interpolation durch Mittelwertbildung ............... 419
9.7.4 Thiessen-Polygone ............................................................... 421
9.7.5 Oberflächenmodelle als Netz unregelmäßiger
Dreiecksflächen (Triangulated Irregular Network) .............. 422
9.7.6 Parametrisierung von Oberflächen ....................................... 426
10 EINFÜHRUNG IN DIE FERNERKUNDUNG UND DIGITALE

BILDVERARBEITUNG ............................................................................ 431
10.1 Begriffsbestimmungen und Einsatzmöglichkeiten der
Fernerkundung ..................................................................................... 431
10.2 Ansatz von Fernerkundung und digitaler Bildverarbeitung ................. 433
10.2.1 Grundprinzip der Fernerkundung ......................................... 433
10.2.2 Sensorsysteme und Plattformen............................................ 435
10.2.3 Digitale Bildverarbeitung ..................................................... 437
10.2.4 Photogrammetrie .................................................................. 438
10.3 Physikalische Grundlagen ................................................................... 438
10.3.1 Das elektromagnetische Spektrum ....................................... 438
10.3.2 Solare Einstrahlung und Einflüsse der Atmosphäre ............. 439
10.3.3 Das Reflexionsverhalten der Erdoberfläche ......................... 442
10.4 Bedeutende satellitengestützte Aufnahmesysteme .............................. 443
10.4.1 Leistungsmerkmale abbildender Fernerkundungsinstr. .. ... 443
10.4.2 Bahnparameter von Fernerkundungssatelliten...................... 444
10.4.3 Aufnahmeprinzipien von Scannern auf Satellitensystemen.. 445
10.4.4 Aufnahmesysteme mit abbildendem Radar .......................... 447
10.4.5 Wettersatelliten ..................................................................... 450
10.4.6 Landsat ................................................................................. 451
10.4.7 SPOT und Pléiades ............................................................... 456
10.4.8 ASTER auf Terra.................................................................. 458
10.4.9 Copernicus und Sentinel ....................................................... 459
10.4.10 Jüngere kommerzielle hochauflösende Sensoren ................. 440
10.5 Digitale Bilder ..................................................................................... 462
10.5.1 Aufnahme digitaler Bilder in der Fernerkundung................. 462
10.5.2 Visualisierung digitaler Bilder in der Fernerkundung .......... 463
10.5.3 Bezug von Fernerkundungsdaten ......................................... 463
10.6 Digitale Bildbearbeitung...................................................................... 465
10.6.1 Bildvorbearbeitung ............................................................... 465
10.6.2 Kontrastverbesserung ........................................................... 472
10.6.3 Bildtransformationen ............................................................ 474
10.6.4 Räumliche Filteroperationen ................................................ 476
10.6.5 Kombination mehrerer Bilder ............................................... 479
XVI Inhaltsverzeichnis
10.7 Klassifikation ....................................................................................... 482

10.7.1 Prinzip pixelbasierter Klassifikationsverfahren .................... 482
10.7.2 Implizite Annahmen bei pixelbasierten Klassifikations-
verfahren ............................................................................... 484
10.7.3 Unüberwachte Klassifikation ............................................... 485
10.7.4 Bestimmung von Trainingsgebieten in der überwachten
Klassifikation........................................................................ 488
10.7.5 Klassifikation aufgrund statistischer Parameter ................... 487
10.7.6 Ermittlung der Klassifikationsgenauigkeit ........................... 492
10.7.7 Probleme pixelbasierter Klassifikationsverfahren ................ 494
10.7.8 Objektorientierte Bildsegmentierung und Klassifikation ..... 495
10.7.9 Moderne weiterführende Klassifikationsansätze .................. 496
SACHVERZEICHNIS............................................................................... 511
1 Einführung
1.1 Ansatz und Aufgaben der Geoinformatik
Mit der Geoinformatik ist ein interdisziplinäres Fachgebiet entstanden, das eine
Brückenfunktion zwischen Informatik, Geographischen Informationstechnologien
und Geowissenschaften oder raumbezogen arbeitenden Wissenschaften ausübt:
Abb. 1.1: Beziehungen der Geoinformatik zu anderen Disziplinen
Die Etablierung der Geoinformatik als eigenständige Disziplin ist inzwischen voll-
zogen. Wissenschaftliche Einrichtungen und Professuren, Studiengänge, Lehrbü-
cher und Zeitschriften, Tagungen und Vereinigungen sind hierfür klare Indikatoren,
ebenso wie Fachmessen zur Geoinformatik oder die öffentliche Akzeptanz und Ver-
wendung des Begriffs als Bestandteil von Firmennamen. Eine breitere wissen-
schaftstheoretische Diskussion um Inhalte von Geoinformatik setzte erst allmählich
ein (vgl. Bill u. Hahn 2007 u. Ehlers 2006), sie ist allerdings ins Stocken geraten
und nicht abgeschlossen.
Gegenüber der jüngeren Bezeichnung Geoinformatik ist seit Längerem der sehr
schillernde Begriff GIS eingeführt, der im engeren Sinn nur für Geoinformations-
systeme steht, häufig aber mit dem neuen Arbeits- und Forschungsgebiet der Geoin-
formatik gleichgesetzt wird, ohne es allerdings abzudecken. Die ältere Bezeichnung
Geographische Informationssysteme für GIS deutet auf die Herkunft bzw. auf das
frühere Selbstverständnis als Werkzeug der Geographie hin. Die Dominanz von
„GIS“ u.a. in den raumbezogen arbeitenden Fachdisziplinen ist vor allem auf die
© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2020

N. de Lange, Geoinformatik in Theorie und Praxis,
https://doi.org/10.1007/978-3-662-60709-1_1
2 Einführung
schnell voranschreitende Softwareentwicklung von GIS-Technik und auf die sich

beschleunigende, sehr breite Anwendung dieser Technologien zurückzuführen.
Die Entwicklungsgeschichte der Geoinformationswissenschaft kann in mehrere
Zeitabschnitte gegliedert werden (erweitert nach Bartelme 2005 S. 10):
- 1955–1975: Zeit der Pioniere (Eigenentwicklungen, kaum Daten, kaum Hard-
wareunterstützung)
- 1970–1985: Zeit der Behörden (Umstellung der Verwaltung von Geodaten auf
Computer, beschränkt Daten- und Hardwareunterstützung)
- 1982–1990: Zeit der Firmen (Auftreten kommerzieller GIS-Produkte wie z.B.
Arc/Info (Softwarehersteller ESRI (Environmental Systems Research Institut))
- ab 1988: Zeit der Nutzer (nutzerspezifische Lösungen, Datenstrukturierungen,
spezielle Applikationen, Netzwerke)
- seit 1995: Zeit des offenen Marktes der Geoinformation (internetfähige Produkte,
Online-Datenaustausch, Geodateninfrastrukturen, freie Geoinformationssys-
teme)
- seit 2010: Zeit der mobilen Nutzung von Geoinformation durch GeoApps auf
Smartphones und Tabletcomputern (Navigationssysteme und Location Based
Services), die eine ubiquitäre Verfügbarkeit von und ein mobiles Arbeiten mit
Geodaten ermöglichen.
In dieser Systematisierung stehen Geoinformationssysteme im Mittelpunkt. Dabei
sind zum Teil erheblich voneinander abweichende Interessen und Sichtweisen der
jeweils dominierenden Akteure erkennbar. Bis heute spielen Entwicklung und An-
wendungen von und mit GIS „die“ zentrale Rolle im Werdegang der Geoinformatik.
Demgegenüber stellt die Tabelle 1.1 Meilensteine zusammen, die unabhängig von
GIS oder Software zu sehen sind. So gehören zu den bedeutsamen Ereignissen:
1978 die Einführung von ERDAS (Weiterentwicklung zur Software ERDAS-
IMAGINE als einem Marktführer der Rasterdatenprozessierung und der digitalen
Bildverarbeitung), 1982 der Start von ARC/Info (inzwischen Weiterentwicklung
der Software Arc/GIS zu einem GIS-Marktführer) und auch das verstärkte
Aufkommen freier Geoinformationssysteme (z.B. Entwicklung von GRASS –
Geographic Resources Analysis Support System) durch die US Army Construction
Engineering Research Laboratories, inzwischen ein Projekt der Open Source
Geospatial Foundation, seit 1999 unter der GNU General Public License, und z.B.
Entwicklung von QGIS (ehemals Quantum GIS, 2002) als professionelle GIS-
Anwendung auf der Grundlage von Freier und Open-Source-Software.
Das 1990 vom National Center for Geographic Information and Analysis
(NCGIA) vorgelegte Core Curriculum in GIS (vgl. NCGIA 1990) hatte großen Ein-
fluss auf die Herausbildung von Standards zu Geoinformationssystemen sowie ge-
nerell auf die Entwicklung der Geoinformatik. Inzwischen sind viele englischspra-
chige Lehrbücher und mit den Werken von Bartelme (4. Aufl. 2005), Bill (6. Aufl.
2016), Dickmann u. Zehner (2. Aufl. 2001), Ehlers u. Schiewe (2012), Hennermann
(2. Aufl. 2014), Kappas (2. Aufl. 2012), de Lange (4. Aufl. 2019), Penzkofer (2017)
und Zimmermann (2012) auch etablierte sowie jüngere deutschsprachige Lehrbü-
cher verfügbar.
Ansatz und Aufgaben der Geoinformatik 3
Tabelle 1.1: Meilensteine der Geoinformatik
1964 Gründung des Harvard Laboratory for Computer Graphics and Spatial Analysis, in
dem zukunftsweisende Softwaresysteme wie SYMAP (ein erstes Raster-GIS) oder
ODYSSEY (ein erstes Vektor-GIS) entwickelt wurden
1971 operationeller Einsatz des Canada Geographic Information System (CGIS) durch Ro-
ger Tomlinson („Vater“ von GIS)
1972 Start des ersten Landsat-Satelliten (ursprünglicher Name ERTS-1)
1973 Veröffentlichung des Sollkonzepts für das Automatisierte Liegenschaftskataster als
Basis der Grundstücksdatenbank durch die Arbeitsgemeinschaft der Vermessungs-
verwaltungen der Länder der Bundesrepublik Deutschland
1983 Entwicklung der Map Algebra in der PhD-Dissertation von C. Dana Tomlin als eine
Menge grundlegender Operatoren zur Manipulation von Rasterdaten
1984 1. International Spatial Data Handling Symposium in Zürich mit richtungsweisenden
Vorträgen u.a. von Tomlinson und Goodchild
1985 Operationelle Verfügbarkeit von NAVSTAR GPS (Global Positioning System), des
weltweit wichtigsten, satellitengestützten Ortungssystems
1988 Gründung des National Centre for Geographic Information and Analysis (NCGIA),
Forschungsnetz zur Weiterentwicklung von Theorie, Methoden und Techniken der
Analyse von geographischen Informationen mit GIS
1989 Veröffentlichung der ATKIS-Gesamtdokumentation (Amtliches Topographisch-Kar-
tographisches Informationssystem) durch die Arbeitsgemeinschaft der Vermessungs-
verwaltungen der Länder der Bundesrepublik Deutschland
1989 erstes AGIT-Symposium in Salzburg (ursprünglich Angewandte Geographische In-
formationstechnologie), seitdem jährlich stattfindende, im deutschsprachigen Raum
bedeutendste Symposien für Angewandte Geoinformatik
1994 Gründung des Open Geospatial Consortium (OGC) als Open GIS Consortium, eine
gemeinnützige Organisation zur Entwicklung von Standards raumbezogener Infor-
mationsverarbeitung (insbesondere Geodaten) zur Gewährleistung der Interoperabili-
tät
1999 zivile Verfügbarkeit hoch aufgelöster Satellitenbilder von bis zu unter 1 m Bodenauf-
lösung (Erdbeobachtungssatellit IKONOS-2)
2000 Abschaltung der sog. Selective Availability der GPS-Signale und Beginn einer brei-
ten zivilen Nutzung von GPS (Navigationssysteme und Location Based Services)
2004 Start vom Open Street Map-Projekt, der Entwicklung von frei nutzbaren Geodaten
(Open Data) und einer Weltkarte ähnlich dem Konzept von Wikipedia
2005 Geohype durch zunehmende Verbreitung von Google Earth
2006 Gründung der Open Source Geospatial Foundation (OSGeo), eine gemeinnützige Or-
ganisation zur Entwicklung und Nutzung von freien und quelloffenen GIS
2007 Inkrafttreten der INSPIRE Richtlinie der EU (Infrastructure for Spatial Information
in Europe) zum Aufbau einer europäischen Geodateninfrastruktur
2007 Einführung des iPhone und Ausbau von Navigationssystemen sowie von standortbe-
zogenen Diensten für Smartphones und Tabletcomputer, die die gerätespezifische
Sensorik für Geo-Anwendungen nutzen
2009 Bundesgesetz über den Zugang zu digitalen Geodaten u.a. mit Regelung der geldleis-
tungsfreien Bereitstellung von Geodaten und Geodatendiensten des Bundes
2014 Start des ersten Sentinel Satelliten des Copernicus-Programms zur komplexen Erdbe-
obachtung für Umwelt, Verkehr, Wirtschaft und Sicherheitspolitik
2016 Allgemeine Verfügbarkeit von GALILEO, dem ersten, unter ziviler Kontrolle ste-
henden, weltweiten Satellitennavigations- und Ortungssystem der ESA
2016 Virtual und Augmented Reality (öffentlichkeitswirksam verbreitet durch Geo-Spiele
wie Pokémon Go)
4 Einführung
Während sich in den 90er Jahren im deutschen Sprachraum „GIS“ im Sinne von
Geoinformationssystemen etablierte, begann international eine Diskussion um
„GIS“ als Wissenschaft. Diese Neuorientierung setzte mit dem vierten „Internatio-
nal Symposium on Spatial Data Handling“ 1990 ein, auf dem von Goodchild in
seiner programmatischen Keynote Address „GIS“ als Geographic Information Sci-
ence eingefordert wurde:
„We need to move from system to science, to establish GIS as the intersection
between a group of disciplines with common interests, supported by a toolbox of
technology, and in turn supporting the technology through its basic research.“
(Goodchild 1990 S. 11).
Seit Mitte der 90er Jahre kommt im deutschen Sprachraum die Bezeichnung
Geoinformatik auf. In einer ersten Begriffsnäherung werden „unter Geoinformatik
jene Aspekte raumbezogener Informationsverarbeitung verstanden, die sich mit for-
malen und theoretischen Grundlagen befassen und mit Methoden der Informatik
untersucht werden“ (Kainz 1993 S. 19). Die überarbeitete Neuauflage des Buches
„GIS-Technologie“ (Bartelme 1989), verbunden mit einer Umbenennung in
„Geoinformatik“ (Bartelme 1995), markiert deutlich die Neuorientierung, nach wie
vor besteht jedoch eine enge Beziehung zu Geoinformationssystemen.
Allerdings ist Geoinformatik mehr als ein Geoinformationssystem (GIS). Zwei-
fellos sind Geoinformationssysteme die wichtigsten Werkzeuge der Geoinformatik,
was eben dazu geführt hat, dass die neue Disziplin selbst mit GIS gleichgesetzt
wurde und eine Diskussion „Werkzeug oder Wissenschaft“ einsetzte (vgl. Blaschke
2003). Jedoch sind Fernerkundung und digitale Bildverarbeitung untrennbare Be-
standteile der Geoinformatik. Sie erfassen und stellen räumliche Daten oder Geoin-
formationen bereit und analysieren sie im Hinblick auf raumrelevante Fragestellun-
gen. Ebenso erfolgt in Geoinformationssystemen häufig und in immer stärkerem
Maße eine gemeinsame Verarbeitung und Analyse von Fernerkundungsinformatio-
nen mit weiteren Geodaten. Vor allem Ehlers hat bereits früh in mehreren Beiträgen
die enge Zusammengehörigkeit von GIS und Fernerkundung thematisiert (vgl. Eh-
lers u.a. 1989 u. 1991, Ehlers u. Amer 1991 u. Ehlers 1993, Ehlers 2000).
Hier soll Geoinformatik sehr allgemein definiert werden. Deutlich sollen die
Nähe zur Informatik wie auch das Besondere der in der Geoinformatik zu verarbei-
tenden Informationen werden:
Die Geoinformatik widmet sich der Entwicklung und Anwendung von Methoden
und Konzepten der Informatik zur Lösung raumbezogener Fragestellungen unter
besonderer Berücksichtigung des räumlichen Bezugs von Informationen. Die
Geoinformatik beschäftigt sich mit der Erhebung oder Beschaffung, mit der Model-
lierung, mit der Aufbereitung und vor allem mit der Analyse sowie mit der Präsen-
tation und der Verbreitung von Geodaten.
Das folgende Anwendungsbeispiel verdeutlicht die Umsetzung dieser Defini-
tion: Für eine Stadt soll aufgezeigt werden, wie die Wohnbevölkerung durch den
ÖPNV versorgt wird. Auswertung von Fahrgastzahlen, Befragungen von Fahrgäs-
ten oder der Wohnbevölkerung sowie Bewertungen von Zugänglichkeit oder Aus-
stattung einer Haltestelle können methodische Ansätze zur Bearbeitung der Auf-
gabe sein. Die Geoinformatik untersucht hingegen die raumbezogene Fragestellung,
wobei der räumliche Bezug der Informationen, d.h. die Standorte der Haltestellen
und der Haushalte sowie die Wege, berücksichtigt werden: Die Bewohner wie vieler
Haushalte erreichen die nächstgelegene Bushaltestelle innerhalb von maximal zehn
Gehminuten? Darauf aufbauend können die Fahrtenanzahl pro Richtung und Tag
oder das Platzangebot einer Linie untersucht werden.
Abb. 1.2: Einzugsbereiche von Bushaltestellen im Stadtgebiet von Osnabrück
In einer ersten und einfachen Umsetzung der Fragestellung werden ausgehend von
einer Bushaltestelle die Einzugsbereiche mit Radius 500 m ermittelt (vgl. Abb. 1.2).
Hierdurch wird die traditionelle Zirkelschlagmethode operationalisiert. Die kom-
plexe Umsetzung berücksichtigt hingegen das vorhandene Wegenetz und bestimmt
ausgehend von einer Bushaltestelle sämtliche kürzesten Wege einer bestimmten
Länge, die in etwa 10 Gehminuten entspricht. Hierdurch entsteht eine Spinne von
Linien, die im Hinblick auf die Zielgruppe einzelne Straßen (aber keine Schnell-
straßen), Einbahnstraßen oder Fußwege umfassen (vgl. Abb. 9.26). Die Verbindung
der Enden dieser Spinne grenzt das Einzugsgebiet der Bushaltestelle im Zentrum
der Spinne ab. Das Wegenetz wird mit Hilfe von Methoden der Informatik als ge-
wichteter Graph modelliert. Wegealgorithmen liefern die kürzesten Wege. Die kon-
vexe Hülle der Endknoten definiert das Einzugsgebiet. Die Umsetzung in einer
6 Einführung
Karte oder die graphische Präsentation in einem Geoinformationssystem veran-

schaulichen bereits sehr gut die Einzugsgebiete und die Abdeckung in einem Stadt-
gebiet.
In einem weiteren Schritt werden die Gebäude, die als flächenhafte Objekte mo-
delliert sind und zu denen Attribute wie Baualter oder Zahl der ansässigen Haus-
halte gehören, innerhalb der Einzugsgebiete ermittelt (sog. räumliche Verschnei-
dung zweier Datenebenen mit den Funktionen eines Geoinformationssystems). Die
Auswertung dieses gemeinsamen räumlichen Durchschnitts liefert schließlich die
gesuchte Zahl der Haushalte. Gerade diese Verschneidung und die Berechnung ei-
nes Versorgungsgrades als Anteil der Haushalte im Einzugsbereich an allen Haus-
halten bringen den Mehrwert gegenüber einer reinen visuellen Darstellung (zur Ver-
schneidung zweier Datenebenen vgl. Kap. 9.4.4).
Abb. 1.3: Aufbau und zentrale Teilbereiche der Geoinformatik
Geoinformatik ist insbesondere als Wissenschaft hinter den Technologien im Sinne

von Goodchild (1990, 1997) zu verstehen, der zu den geographischen Informations-
technologien die drei großen Gruppen Global Positioning System, Geoinformati-
onssysteme und Fernerkundung zählt. Kenntnisse der geometrisch-topologischen
Modellierung von Geoobjekten, die Darstellungsmöglichkeiten von Geoobjekten in
Koordinatensystemen und Kartennetzentwürfen sowie geodätische Grundlagen
sind notwendige Voraussetzungen zum Einsatz der Technologien der Geoinforma-
tik. Generell müssen Methoden der Geodatenerfassung wie überhaupt Geodaten
einschließlich Datenqualität und Metadaten sowie Geobasisdaten thematisiert wer-
den. Die Verwaltung von Geodaten erfordert Datenbankmanagementsysteme, wo-
bei zur Modellierung von Datenstrukturen Kenntnisse der konzeptuellen Modellie-
rung von Geoobjekten notwendig sind. Die Darstellung und Präsentation von Geo-
daten setzen Kenntnisse der graphischen bzw. kartographischen Präsentation vo-
raus, wozu die Kartographie im Hinblick auf den Einsatz der neuen digitalen Visu-
alisierungswerkzeuge zu erweitern ist. Insbesondere sind Grundlagen aus der Infor-
matik feste Bestandteile der Geoinformatik. Dementsprechend zeigt Abbildung 1.3
die innere Sicht der Geoinformatik und benennt Studienbereiche. Vor allem soll
deutlich werden, dass die Informatik, d.h. nicht Geographie, Geodäsie oder Karto-
graphie, die Basis darstellt und Fernerkundung und digitale Bildverarbeitung integ-
rale Bestandteile der Geoinformatik sind.
Obschon die Geoinformatik eine recht junge Wissenschaft ist, können zentrale
Arbeits- und Forschungsschwerpunkte deutlich ausgemacht werden. Dabei ist die
Entwicklung nicht linear verlaufen, sondern verzeichnet mehrere Innovations-

sprünge, deren Auslöser mit den Stichworten „Internet“, „Smartphone“, „Cloud“
und „autonomes Fahren“ umrissen werden können. Einen guten Überblick über die
wechselnden Fragestellungen und Aufgaben der Geoinformatik geben die Beiträge
zum jährlichen Symposium für Angewandte Geographische Informationsverarbei-
tung (vgl. zuletzt Strobl u.a. 2019). Aktuelle Themen sind:
- Geoinformationssysteme (GIS) und abgeleitete Fachinformationssysteme
- Kommunale GIS u. Infrastrukturmanagement
- 3D/4D Geovisualisierung, Augmented Reality, Virtual Reality
- Web-GIS und Web-Service, mobile GIS
- Business Geomatics, Location Based Services
- Open-Source-GI-Software
- geoGovernment, Aufbau von Geodateninfrastrukturen (GDI) und georeferenzier-
ten Diensten
- freie Geodaten, Volunteered Geographic Information (VGI)
- Mobilität, Verkehrsmanagement, Logistik
- Building Information Modeling (BIM), Geoinformationstechnologie (GeoIT) und
Industrie 4.0
- Klimawandel, Energiewende und Geoinformation
- Raumplanung, Smart City Konzepte
- satellitengestützte Navigation, Indoor Navigation, Positionierungstechniken
- Analyse von hochaufgelösten Fernerkundungsdaten, von Laserscannerdaten und
von Daten von Unmanned Aerial Vehicles
Lassen sich somit recht deutlich die Inhalte der neuen Fachdisziplin umreißen,
so müssen zwei Unschärfen deutlich benannt werden, die die internationale Begriff-
lichkeit und die (deutschsprachigen) Studiengänge betreffen:
Geoinformatik, Geoinformatics, Géomatique, Geomatik oder Geographic Infor-
mation Science beschreiben sämtlich dieselbe Disziplin. So geht der Name Geoma-
tik bzw. Geomatics auf den französischen Photogrammeter Dubuisson zurück, der
das vierte Kapitel in seinem Lehrbuch (1975) umschreibt mit: „Photo-Géomatique:
La Cartographie Photogrammétrique Automatique“. Bereits im Jahre 1990 wurde
mit der Definition von Geomatics durch Gagnon und Coleman (1990 S. 378) die
Begriffsbestimmung von Geoinformatik vorweggenommen: „Geomatics is the sci-
ence and technology of gathering and using geographic information. Geomatics en-
compasses a broad range of disciplines that can be brought together to create a de-
tailed but understandable picture of the physical world and our place in it. These
disciplines include surveying, mapping, remote sensing, geographic informations
systems (GIS), and global positioning system (GPS).“ Diese Begriffsbildung ist al-
lerdings im deutschsprachigen Raum weitgehend unbeachtet geblieben. Vielmehr
wird dort sehr eingeschränkt Geomatik häufig nur als Schnittmenge von Geodäsie
und Informatik verstanden. Dementsprechend ist die Einführung des Geomatikers
in Deutschland seit 2010 als staatlich anerkannter Ausbildungsberuf zu verstehen,
der die Vorgängerberufe Bergvermessungstechniker, Kartograph und Vermes-
sungstechniker weiterführt. Vor diesem Hintergrund sollte nur von Geoinformatik
als der umfassenden wissenschaftlichen Disziplin gesprochen werden.
8 Einführung
Inzwischen sind im deutschsprachigen Raum an Fachhochschulen und Universi-

täten neue Bachelor- und Master-Studiengänge entstanden, die im Namen die Be-
griffe „Geoinformatik“ oder „Geoinformation“ tragen. Zu erkennen ist,
- dass vor allem Studiengänge aus der Geodäsie oder der Vermessungstechnik die
Bezeichnung „Geoinformatik“ übernommen haben,
- dass Institute für Geographie an der Bildung von eigenen Studiengängen kaum
beteiligt sind,
- dass überhaupt nur sehr wenige eigenständige Geoinformatik-Studiengänge an
Universitäten bestehen.
Entsprechend heterogen sind Studieninhalte bzw. Studienanforderungen und letzt-
lich Leistungsmerkmale eines Geoinformatikers.
Die Geoinformatik steht derzeit noch sehr stark in den Traditionen und Metho-
dologien vor allem der Informatik und der bereits lange etablierten Raumwissen-
schaften wie Geodäsie und Geographie. Insbesondere scheint der häufig zitierte
Raumbezug der Informationen ein konstituierendes Merkmal zu sein, wobei sich
inzwischen eine merkwürdige ambivalente Situation abzeichnet, die auf eine recht
einfache Verwendung dieses Begriffes zurückgeht:
Einerseits sind ein Bedeutungsschwund des Raumbezugs bzw. die Abhängigkeit
von einem konkreten Standort durch die jüngere Internettechnologie und Entwick-
lung der Informationsgesellschaft festzustellen. Sämtliche Informationen (ein-
schließlich Orientierungswerkzeuge) sind jederzeit und überall verfügbar, was ins-
besondere erheblichen Einfluss auf die Entwicklung von Web-Diensten hat. Ande-
rerseits entsteht eine erhebliche Bedeutungszunahme des Raumbezugs, indem eine
zunehmende Georeferenzierung von Informationen und ein Abruf beliebiger „be-
nachbarter“ Informationen z.B. über Smartphones festzustellen ist. Der Schlagwort-
terminus ist „connecting through location“. Die Geoinformatik muss sich diesen
neuen Herausforderungen stellen. Der Wert von Geoinformation wird erkannt. Der
Rohstoff „Geodaten“ ist Grundlage für raumbezogene Entscheidungen in vielen Be-
reichen wie z.B. in der Immobilienwirtschaft, bei der Funknetzplanung, in der Fahr-
zeugnavigation, in der globalen Umweltbeobachtung oder allgemein in der räumli-
chen Planung. Geodaten und deren „In-Wert-Setzen“ eröffnen ein hohes volkswirt-
schaftliches Potenzial.
Zuweilen wird eine Diskussion geführt, inwieweit die Geoinformatik als Teil der
Informatik anzusehen sei, die allgemein wie folgt definiert werden kann:
Die Informatik ist die Wissenschaft von der systematischen Verarbeitung, Spei-
cherung, Übertragung und Darstellung von Informationen, vor allem der automa-
tischen Verarbeitung mit Hilfe von informationsverarbeitenden Maschinen.
In diesem Zusammenhang wird unter einer systematischen Verarbeitung die
planvolle, d.h. formalisierte und gezielte Lösung von Problemen mit Hilfe von Al-
gorithmen verstanden (vgl. Kap. 2.4.1).
Aufgrund der historischen Entwicklung, der vielfältigen Inhalte außerhalb der
Informatik und vor allem aufgrund der starken Geokomponenten dieser Disziplin
ist die Geoinformatik als eigenständige Wissenschaft etabliert, wenngleich der Be-
zug zur Informatik unstrittig ist. Nicht von ungefähr steht in Abbildung 1.3 „Infor-
matik“ an der Basis des Hexagons.
Ethische Herausforderungen der Informatik und Geoinformatik 9
1.2 Ethische Herausforderungen der Informatik und

Geoinformatik
Der Informatik kommt eine Schlüsselrolle in den jüngeren Entwicklungen zu, die
alle Wirtschafts- und Gesellschaftsbereiche erfasst. Dies ist im Automobilbau be-
sonders auffällig. Während bislang primär Ingenieurleistungen die Entwicklung be-
stimmten, wird zukünftig die Informatik an ihre Stelle treten. Hardware wie Elekt-
romotoren, die u.a. Getriebe oder Abgasanlagen überflüssig machen, werden stan-
dardisiert als Bausteine zur Verfügung stehen. Software steuert den Antrieb, über-
nimmt die Navigation und regelt das autonome Fahren. Generell wird Mobilität der
Zukunft durch Informatik bestimmt.
Von der Informatik werden gewaltige Umbrüche ausgehen, die auch traditionelle
personenbezogene Interaktionen betreffen (verstärkte Zunahme von digitalen Bera-
tungsleistungen z.B. im Bank- und Versicherungsgewerbe, E-Learning). Vermut-
lich reicht die Phantasie nicht aus, sich die Möglichkeiten vor allem der sog. Künst-
lichen Intelligenz auszumalen. Informatik wird zu erheblichen Arbeitserleichterun-
gen führen und auch große Rationalisierungseffekte auslösen. Neben einer Reduk-
tion von Arbeitsplätzen wird es zur Schaffung neuer Arbeitsplätze kommen, so dass
vermutet werden kann, dass der Einsatz dieser neuen Technologien stabilisierende
Effekte auf wirtschaftliche und soziale Entwicklungen haben wird. Insbesondere ist
auf die durch die neuen Technologien entstandenen Möglichkeiten hinzuweisen, die
mit dem flexiblen Arbeiten von zuhause verbunden sind („Homeoffice“).
Informatik hat bereits tiefgreifende Einflüsse auf unsere Gesellschaft. Vor die-
sem Hintergrund hat 2018 das Präsidium der Gesellschaft für Informatik (GI) in 12
Artikeln Ethische Leitlinien verabschiedet, die die 1994 erstmals formulierten und
2004 überarbeiteten Leitlinien ersetzen. Vor allem der Artikel 10 (Soziale Verant-
wortung) zielt auf die ethische Verantwortung der Informatiker ab:
„Das GI-Mitglied soll mit Entwurf, Herstellung, Betrieb und Verwendung von
IT-Systemen zur Verbesserung der lokalen und globalen Lebensbedingungen bei-
tragen. Das GI-Mitglied trägt Verantwortung für die sozialen und gesellschaftlichen
Auswirkungen seiner Arbeit. Es soll durch seinen Einfluss auf die Positionierung,
Vermarktung und Weiterentwicklung von IT-Systemen zu deren sozial verträgli-
cher und nachhaltiger Verwendung beitragen“ (Gesellschaft für Informatik 2019).
Vielfältige Themen betreffen Ethik in der Informatik:
- Cyberwar
- Cyberkriminalität (d.h. Computerkriminalität und Internetkriminalität)
- Computerspiele und Spielsucht
- Rechte an eigenen Daten und Sicherheit eigener Daten
- Copyright und Eigentum an Software
- Computer und Bildung
- eHealth und digitale Gesundheitsakte
- Privatsphäre und Anonymität
Auch die Geoinformatik muss sich dem Thema Ethik stellen. Allerdings reicht
hier die Phantasie ebenso nicht aus, alle Auswirkungen zu übersehen.
10 Einführung
Das Konzept „Digital Earth“, eine digitale Nachbildung des gesamten Planeten,
erscheint erstmalig in Gore 1992 und wurde 1998 in einer Rede zur Eröffnung des
California Science Center weiterentwickelt (vgl. Gore 1998). Bereits jetzt veran-
schaulicht das öffentliche Datenarchiv der Google Earth Engine diese Vision durch
Bereitstellen riesiger Mengen von georeferenzierten Informationen. Das Archiv
umfasst historische Bilddaten aus mehr als vierzig Jahren und wissenschaftliche
Datensätze, die täglich aktualisiert und erweitert werden (vgl. Google Earth Engine
2019). Technisch möglich ist bereits jetzt die Vision, dass durch den ubiquitären
Zugang zu Daten mobile Endgeräte wie Tabletcomputer direkt im Gelände in der
Lage sind, die reale Ansicht z.B. einer Straße mit angrenzenden Gebäuden um Da-
ten und Ansichten wie z.B. das unterirdische und real nicht sichtbare Leitungssys-
tem zu ergänzen (augmented reality).
Die Mobilitäts-App der Zukunft, wobei die Zukunft in Vilnius bereits begonnen
hat, navigiert, bezahlt das elektronische Eisenbahn- oder Busticket, ruft und bezahlt
das Sammeltaxi, entriegelt den Mietwagen oder das Leihfahrrad. Dies ist sicher nur
eine Vorstufe von zukünftigen Mobilitätskonzepten, die mit dem Stichwort „auto-
nomes Fahren“ erst schemenhaft erkennbar sind.
Aufgrund der explosionsartigen Verbreitung von Smartphones und Geo-Apps
ergeben sich aus räumlicher Sicht für die Geoinformatik besondere ethische Her-
ausforderungen. Smartphones ermöglichen die ständige Lokalisierung seines Besit-
zers und (Rück-)Verfolgung seines räumlichen Fingerabdrucks. Google erkennt au-
tomatisch den Standort des Computers anhand seiner IP-Adresse, des Standortver-
laufs, sofern dieser aktiviert ist, sowie der zuletzt gesuchten Standorte. Diese Tech-
nik wird bei der Lokalisierung von Staus inzwischen gerne genutzt (vgl. aktuelle
Verkehrslage in Google Maps, nach – bewusster oder unbewusster – Aktivierung
von Standorterkennung auf Android-Geräten). Die Integration von Android Auto
von Google oder CarPlay von Apple in sog. Infotainmentsysteme von Kraftfahr-
zeugen steht 2019 kurz vor einer breiten Einführung.
Herausforderungen an Datenschutz und Ethik ergeben sich durch den Zugang zu
räumlich detailliert aufgelösten Informationen. Bereits jetzt ist in China durch Ka-
meras im Straßenraum und mittels Gesichtserkennung eine Personenidentifizierung
möglich, mit automatischer Zustellung von Bußgeldbescheiden bei Überschreiten
von Verkehrsgeboten. Durch hoch aufgelöste Satellitenbilder, die bereits vorhanden
sind, aber auch zivilen Nutzungen zur Verfügung stehen werden, sind selbst kleine
Objekte auf der Erde zu ermitteln. Durch Erkennen von Gesichtern oder Nummern-
schildern und Abgleich mit Datenbanken wird es technisch möglich sein, Kennt-
nisse von Personen zu haben und zu speichern, wer sich wann wo befindet. Dobson
und Fisher (2003) kennzeichneten diese Vision als „geoslavery“.
Allerdings möchte nicht jeder seine personenbezogenen Daten freigeben. Zumin-
dest ist zum sensiblen Umgang mit diesen eigenen Geodaten aufzurufen. Insbeson-
dere ist eine juristische Aufarbeitung darüber notwendig, welche Daten geschützt
werden müssen (vgl. Datenschutzprobleme von Google Street View, Unkenntlich-
machen von Gesichtern und Nummernschildern, kontroverse Diskussion um das
Erfassen von Einfamilien- oder kleineren Mehrfamilienhäusern oder bei Gehöften,
Erheben von WLAN-Parametern bei der Bilderfassung).
Literatur 11
Literatur
Bartelme, N. (1989): GIS Technologie. Geoinformationssysteme, Landinformationssysteme und

ihre Grundlagen. Berlin: Springer.
Bartelme, N. (1995): Geoinformatik-Modelle, Strukturen, Funktionen. Berlin: Springer.
Bartelme, N. (2005): Geoinformatik: Modelle, Strukturen, Funktionen. Berlin: Springer. 4. Aufl.
Bill, R. (2016): Grundlagen der Geo-Informationssysteme. Berlin: Wichmann. 6. Aufl.
Bill, R. u. M. Hahn (2007): Akkreditierung von GI-Studiengängen – eine neue Qualität in der
Hochschulausbildung?. In: GIS-Zeitschrift für Geoinformatik 2007-4, S. 8–15.
Bill, R. u. M. Zehner (2001): Lexikon der Geoinformatik. Heidelberg: Wichmann. Aktuelle digitale
Version unter: http://www.geoinformatik.uni-rostock.de/lexikon.asp (24.07.2019)
Blaschke, T. (2003): Geographische Informationssysteme: Vom Werkzeug zur Methode. In: Geo-
graph. Zeitschr. 91, S. 95–114.
Burrough, P.A. u. R.A. McDonell (1998): Principles of Geographical Information Systems. Oxford:
University Press.
Dickmann, F. u. K. Zehner (2001): Computerkartographie und GIS. Braunschweig: Westermann. 2.
Aufl.
Dobson J.E. u. P.F. Fisher (2003) Geoslavery. In: IEEE Technology and Society Magazine: S. 47–
52. https://pdfs.semanticscholar.org/c0e1/0fa50dfb89b571e7e9dd1817f165d50f4a0a.pdf
(24.07.2019)
Dubuisson, B. (1975): Practique de la photogrammétrie et de moyens cartographiques derivés des
ordinateurs, Editions Eyrolles. Paris.
Ehlers, M. (1993): Integration of GIS, Remote Sensing, Photogrammetry and Cartography: The
Geoinformatics Approch. In: Geo-Informations-Systeme 6 (5), S. 18–23.
Ehlers, M. (2000): Fernerkundung und Geographische Informationssysteme: von der Datenintegra-
tion zur integrierten Analyse. In: Blotevogel, H.H. u.a. (Hrsg.): Lokal verankert – weltweit ver-
netzt. Tagungsbericht und wiss. Abhandlungen 52. Deutscher Geographentag Hamburg. Stutt-
gart, S. 586–591.
Ehlers, M. (2006): Geoinformatik: Wissenschaftliche Disziplin oder alter Wein in neuen Schläu-
chen? In: GIS 11, S. 20–26.
Ehlers, M. u. S. Amer (1991): Geoinformatics: An Integrated Approach to Acquisition. In: Pro-
cessing and Production of Geo-Data. Proceedings, EGIS ´91, Brüssel, S. 306–312.
Ehlers, M., Edwards, G. u. Y. Bédard (1989): Integration of Remote Sensing with Geographic In-
formation Systems: A Necessary Evolution. In: Photogrammetric Engineering and Remote
Sensing 55, S. 1619–1627.
Ehlers, M., D. Greenlee, Smith T. u. J. Star (1991): Integration of Remote Sensing and GIS: Data
and Data Access. In: Photogrammetric Engineering and Remote Sensing 57, S. 669–675.
Ehlers, M. u. J. Schiewe (2012): Geoinformatik. Darmstadt: Wiss. Buchgesellschaft.
ESRI (2019): Einstiegsseite. https://www.esri.com/de-de/home (1.10.2019)
Gagnon, P. u. D.J. Coleman (1990): Geomatics: An Integrated, Systemic Approach to Meet the
Needs for Spatial Information. In: Canadian Institute of Surveying and Mapping Journal 44-4, S.
377–382.
Gesellschaft für Informatik 2018 (2019): Ethische Leitlinien. https://gi.de/ueber-uns/organisa-
tion/unsere-ethischen-leitlinien (24.07.2019)
Goodchild, M. F. (1990): Spatial Information Science. Keynote Adress, 4th. Int. Symposium on
Spatial Data Handling. Proceedings, Vol. 1, S. 3–12. Zürich: Dep. of Geogr.
Goodchild, M.F. (1992): Geographical Information Science. In: International Journal of Geograph-
ical Information Systems 6, S. 31–45.
Goodchild, M. F. (1997): What is Geographic Information Science? NCGIA Core Curriculum in
GIScience, Portiert nach:
http://www.geo.upm.es/postgrado/CarlosLopez/materiales/cur-
sos/www.ncgia.ucsb.edu/giscc/units/u002/u002.html (24.07.2019)
12 Einführung
Goodchild, M. F. u.a. (2012): Next-generation Digital Earth. In: Proceedings of the National Acad-
emy of Sciences of the United States of America. 10, 2012, S. 11088–11094.
www.pnas.org/cgi/doi/10.1073/pnas.1202383109 (24.07.2019)
Google Earth Engine (2019): A planetary-scale platform for Earth science data & analysis.
https://earthengine.google.com (24.07.2019)
Gore, A. (1998): The Digital Earth: Understanding our planet in the 21st Century. http://por-
tal.opengeospatial.org/files/?artifact_id=6210 (24.07.2019)
Gore A (1992) Earth in the Balance: Ecology and the Human Spirit. Boston: Houghton Mifflin.
Hennermann, K. (2014): Kartographie und GIS. Eine Einführung. Darmstadt: Wiss. Buchgesell-
schaft. 2. Aufl.
Kainz, W. (1993): Grundlagen der Geoinformatik. In: Kartographie und Geo-Informationssysteme.
Grundlagen, Entwicklungsstand und Trends. Kartographische Schriften 1. S. 19–22. Bonn:
Kirschbaum.
Kappas, M. (2012): Geographische Informationssysteme. Braunschweig: Westermann = Das Geo-
graphische Seminar. 2. Aufl.
Kohlstock, P. (2018): Kartographie. Grundriss Allgemeine Geographie. Paderborn: Schöningh. 4.
Aufl.
Longley, P.A., Goodchild, M.F., Maguire, D.J. u. D.W. Rhind (1999, Hrsg.): Geographical Infor-
mation Systems I. Principles and Technical Issues. New York: John Wiley. 2. Aufl.
mation Systems II. Management Issues and Applications. New York: John Wiley. 2. Aufl.
NCGIA (1990): Core Curriculum-Geographic Information Systems (1990). Ein Zugang zur digita-
len Version des Curriculum von 1990 findet man über die Einstiegsseite: https://escholar-
ship.org/uc/spatial_ucsb_ncgia_cc (24.07.2019)
Penzkofer, M. (2017): Geoinformatik: Von den Grundlagen zum Fachwissen. München: C.H. Beck.
2. Aufl.
Strobl, J., Zagel, B., Griesebner, G. u. T. Blaschke (2019, Hrsg.): AGIT. Journal für Angewandte
Geoinformatik 5-2019. Berlin: Wichmann.
Zimmermann, A. (2012): Basismodelle der Geoinformatik. Strukturen, Algorithmen und Program-
mierbeispiele in Java. München: Hanser.
2 Grundbegriffe und allgemeine Grundlagen der
Informationsverarbeitung
2.1 Information, Nachricht, Signale, Daten
In der Informatik kommt den „Informationen“ eine zentrale Bedeutung zu. Ebenso
verbinden sich in der Informatik mit den Begriffen Nachricht, Signal, Zeichen und
Datum klar definierte Inhalte, die sich nicht mit umgangssprachlichen Bedeutungen
decken:
Information umfasst eine Nachricht zusammen mit ihrer Bedeutung für den
Empfänger.
Eine Nachricht ist eine endliche Folge von Signalen einschließlich ihrer räumli-
chen und zeitlichen Anordnung, die somit nach vorher festgelegten Regeln zusam-
mengestellt ist.
Signale sind elementare feststellbare Veränderungen wie z.B. ein Ton, eine Mi-
mik, ein Lichtblitz, eine Farbveränderung, eine Bewegung oder ein elektrischer Im-
puls. Unterschieden werden analoge Signale, die einen zeitlich/räumlich kontinu-
ierlichen Verlauf besitzen (z.B. Schallwellen), und digitale Signale, die zeitlich kurz
sind und nur eine begrenzte Zahl von Werten, d.h. diskrete Werte annehmen kön-
nen. Während in analogen Signalen die Information mit Hilfe von Signalhöhe und
-dauer verschlüsselt ist, wird in digitalen Signalen die Information durch Signalan-
zahl, -abstand und eventuell -dauer verschlüsselt. In einem Digitalrechner (abgelei-
tet aus engl. „digit“ für Ziffer) werden Daten auf der Basis diskreter Zahlendarstel-
lungen verarbeitet, die durch zwei diskrete und klar zu trennende Signale (0 und 1)
dargestellt werden (vgl. Kap. 2.5).
Abb. 2.1: Beispiele von Nachrichten
Die in der Abbildung 2.1 aufgelisteten Nachrichten, die sich aus einer strukturierten
Abfolge von Signalen, d.h. hier von Helligkeitsänderungen auf einer weißen Pa-
piergrundlage, zusammensetzen, haben zunächst für den Leser und Empfänger
keine Bedeutung. Erst durch die Verarbeitung dieser Nachricht beim Empfänger,
wozu u.a. Entschlüsselung, Berechnung und Interpretationen gehören können, er-
hält die Nachricht einen Sinn und wird für den Empfänger zur Information.
Das japanische Zeichen steht für die Silbe „dai“ mit der Bedeutung „groß“.

https://doi.org/10.1007/978-3-662-60709-1_2
14 Grundbegriffe und allgemeine Grundlagen der Informationsverarbeitung
Die Zahl 13 erhält für den Empfänger z.B. erst dann eine Bedeutung, wenn Tem-
peraturdaten in Grad Celsius übermittelt werden sollen (nicht 13 Grad Fahrenheit,
13 Jahre oder 13 Franken).
Die letzte Zeichenfolge stellt Morsesignale dar. Dann kann die Signalfolge als
die Buchstabenfolge SOS entschlüsselt werden. Diese Nachricht wird erst dann
beim Empfänger zu einer Information, wenn er die international anerkannte Bedeu-
tung dieser Buchstabenfolge kennt (Hilferuf, „Save Our Souls“).
Zur Darstellung von Informationen werden zumeist Zeichen verwendet, worun-
ter ein Element aus einer zur Darstellung von Information vereinbarten endlichen
Menge von Objekten (dem Zeichenvorrat) verstanden wird. Ein linear geordneter
Zeichenvorrat wird allgemein als Alphabet bezeichnet. Alphanumerische Zeichen
entstammen einem Zeichenvorrat, der aus Ziffern, Buchstaben und Sonderzeichen
(z.B. Punkt, Komma, Klammer) besteht. Numerische Zeichen entstammen einem
Zeichenvorrat, der sich aus Ziffern und denjenigen ergänzenden Buchstaben und
Sonderzeichen (+, –, Dezimalpunkt) zusammensetzt, die zu einer solchen Zahlen-
darstellung erforderlich sind. Numerische Zeichen können als Teilmenge der alpha-
numerischen Zeichen verstanden werden. Die Folge 49076 von alphanumerischen
Zeichen wird als Name verstanden, mit dem keine Rechenoperationen verbunden
werden können. Die Folge 49076 von numerischen Zeichen kennzeichnet z.B. die
Einwohnergröße einer Stadt, die zu einer anderen Einwohnerzahl hinzuaddiert wer-
den kann. Diese unterschiedliche Semantik von Zeichen wird in der Informatik bzw.
in Programmiersprachen durch das Datentypenkonzept umgesetzt (vgl. Kap. 3.2).
Daten sind Zusammensetzungen aus Zeichen oder kontinuierliche Funktionen,
die auf der Basis von Konventionen Informationen darstellen. Sie dienen vorrangig
der Verarbeitung oder als deren Ergebnis, wobei die Verarbeitung die Durchfüh-
rung mathematischer, umformender, übertragender und speichernder Operationen
umfasst. Digitale Daten bestehen nur aus Zeichen, analoge Daten nur aus kontinu-
ierlichen Funktionen. Nach Anwendungsbereichen ergeben sich mehrere Klassifi-
zierungen von Daten. Zu unterscheiden sind mindestens:
- Eingabedaten liefern die zur Lösung einer Aufgabenstellung notwendigen Infor-
mationen, während Ausgabedaten die Lösung der Aufgabe beschreiben.
- Aktive Daten wie z.B. Programmanweisungen steuern und kontrollieren einen Ar-
beitsprozess, während passive Daten wie z.B. Eingabedaten in einem Arbeitspro-
zess verarbeitet werden.
- Numerische Daten umfassen Ziffern und bestimmte Sonderzeichen wie z.B. die
Vorzeichen, alphanumerische Daten setzen sich aus beliebigen Zeichen des Zei-
chenvorrats zusammen (d.h. Buchstaben, Ziffern, Sonderzeichen).
Die Grundbegriffe der Informationsverarbeitung, zu denen die hier genannten
Begriffe gehören, wurden in den neun Teilen der DIN 44300 definiert. Das Deut-
sche Institut für Normung hat sich mit dieser Terminologienorm um eine deutsch-
sprachige Umschreibung oder Festlegung zentraler Begriffe bemüht, die zuweilen
aber recht umständlich erscheinen. Die DIN 44300 ist inzwischen zurückgezogen
und durch die Norm ISO/IEC 2382 ersetzt worden.
Automat, Computer, Programm, Hard- und Software 15
2.2 Automat, Computer, Programm, Hard- und Software
Unter einem (technischen) Automaten versteht man im Allgemeinen eine Maschine

(d.h. ein technisches oder mechanisches Gerät), die eine Eingabe in Empfang nimmt
und in Abhängigkeit von Eingabe und Zustand der Maschine eine Ausgabe produ-
ziert. Ein endlicher Automat besitzt nur endlich viele Eingabemöglichkeiten und
Zustände, wobei zumeist die Begriffe Automat und endlicher Automat synonym
benutzt werden. Bekannte Beispiele von Automaten im täglichen Leben sind Ge-
tränkeautomaten oder Kartenausgabeautomaten (vgl. Abb. 2.2). Entsprechend der
obigen Definition erwarten sie eine Eingabe (Geld einwerfen, durch Betätigen eines
Auswahlknopfes das gewünschte Produkt auswählen, Geldrückgabeknopf betäti-
gen), besitzen verschiedene Zustände (Geldbetrag ist ausreichend eingegeben, Au-
tomat ist bereit) und erzeugen eine Ausgabe (Ausgabe der Ware, Rückgabe des Gel-
des, Ausgabe eines Signaltons).
Abb. 2.2: Eintrittskartenautomat für ein Schwimmbad
Derartige Kartenautomaten arbeiten wie sämtliche Automaten, also auch wie die
hier eingehender zu behandelnden Computer und Automaten zur Informationsver-
arbeitung, nach einem zentralen Prinzip, das den Grundablauf der technischen
Funktionen eines Automaten „Eingabe“, „Verarbeitung“, „Ausgabe“ umschreibt
und als das EVA-Prinzip bezeichnet wird (vgl. Kap. 2.3). Gegenüber diesen noch
anschaulichen Beispielen versteht man in der Informatik unter Automaten abstrakte
mathematische Modelle von Geräten, die Informationen verarbeiten.
Ein Computer ist ein Automat, der durch Programme gesteuert wird. Die Ver-
wendung verschiedener Programme zur Lösung unterschiedlicher Aufgaben macht
einen Computer universell einsatzfähig. Gerade die freie, beliebige Programmier-
barkeit kennzeichnet ein grundsätzliches Merkmal eines Computers.
Computer, Computersysteme bzw. digitale Rechenanlagen können aufgrund der
Leistungsfähigkeit oder Kosten in unterschiedliche Kategorien eingeteilt werden.
Klassisch ist die Unterscheidung in Mikrocomputer, Minicomputer, Großrechner
und Supercomputer. Dabei wird die Klasse der Mikrocomputer als Personal Com-
puter (PC) und die der Minicomputer als Workstation bezeichnet. Gerade diese bei-
den Klassen von Computersystemen werden für Anwendungen in der Geoinforma-
tik eingesetzt. Allerdings sind die Übergänge zumeist fließend.
Ein Programm besteht aus einer Folge von Anweisungen oder Ausführungsvor-
schriften in einer nach den Regeln der verwendeten Programmiersprache festgeleg-
ten Syntax zur Eingabe, Verarbeitung und Ausgabe von Informationen (vgl. Kap.
3.1). Ein Programm setzt dabei die Arbeitsschritte einer allgemein formulierten
Handlungsanweisung in eine Programmiersprache um (zum Begriff Algorithmus
vgl. Kap. 2.4 u. 3.3). Die einzelnen Schritte eines Programms werden in der Regel
nacheinander (d.h. sequenziell) ausgeführt, wobei durchaus Wiederholungen, d.h.
sog. Schleifen, oder Sprünge auftreten können. Inzwischen bestehen auch Pro-
gramme, die eine Parallelverarbeitung von Programmschritten erlauben.
In Abhängigkeit von den äußeren Bedingungen, vor allem in Abhängigkeit der
Eingaben und der Zustände des Computers, kann für ein identisches Programm die
Dynamik des Programmablaufs verschieden sein. Daher wird die Programmausfüh-
rung, also das Programm zusammen mit den dazugehörigen Eingaben (d.h. Daten),
als ein Prozess definiert.
Die Software umfasst die Gesamtheit oder Teile der Programme, die auf einem
Computersystem eingesetzt werden können. Die Programme ermöglichen den Be-
trieb eines Computersystems und die Lösung von Aufgaben mit Hilfe eines Com-
putersystems. Entsprechend muss grob zwischen Systemsoftware und Anwen-
dungssoftware unterschieden werden (vgl. eingehender Kap. 2.7).
Unter der Systemsoftware werden alle Programme zusammengefasst, die für den
korrekten Ablauf einer Rechenanlage erforderlich sind (z.B. Betriebssysteme) und
die die Programmerstellung leisten. Unter der Anwendungssoftware wird die aufga-
benbezogene und fachspezifische Software zur Lösung von Benutzerproblemen
(z.B. zur Textverarbeitung, zur Buchhaltung, zur Simulation) verstanden. Die Vor-
silbe „soft“ soll verdeutlichen, dass es sich bei der Software um leicht veränderbare
Komponenten einer Rechenanlage handelt.
Die Hardware umfasst die Gesamtheit oder Teile der Bauelemente und techni-
schen Geräte eines Computersystems (vgl. eingehender Kap. 2.6). Hierzu gehört
vor allem der sog. Prozessor, der die Prozesse (d.h. die Programme mit den zuge-
hörigen Daten) ausführt. Zur Hardware gehören ferner die (internen und externen)
Speicher, die Peripheriegeräte (u.a. Drucker, Scanner) zur Ein- und Ausgabe sowie
die Bestandteile der Vernetzung. Die Vorsilbe „hard“ soll verdeutlichen, dass es
sich bei der Hardware um die physikalisch materiellen Teile einer Rechenanlage
handelt, die (abgesehen von einem Austausch einzelner Bauteile) unveränderbar
sind.
Häufig können Funktionen des Computers sowohl durch die Software als auch
durch die Hardware realisiert werden (z.B. komplexe Rechenoperationen oder
Zoomfunktionen am Bildschirm). Dabei ist die Hardwarerealisation im Allgemei-
nen schneller, wohingegen die Softwarerealisation flexibler ist. So fehlte dem 8086-
Mikroprozessor von Intel, d.h. dem Urahn der Intel-80*86-Familie und somit dem
modernen Personal Computer, ein Baustein für Gleitkommaoperationen, die soft-
waretechnisch umgesetzt wurden. Er konnte aber mit dem 8087-Koprozessor zu-
sammenarbeiten, der die Gleitkommaoperationen ausführte.
Zur Entwicklung eines Programms werden fast ausschließlich höhere Program-
miersprachen benutzt (vgl. Kap. 3.1.1 u. 3.1.3), die eine recht einfache Formulie-
rung von Algorithmen ermöglichen und die mächtige Anweisungen und Werkzeuge
EVA-Prinzip der Informationsverarbeitung 17
bereitstellen (zum Begriff Algorithmus vgl. Kap. 2.4.1). Diese Instruktionen müs-
sen vor der Ausführung im Rechner in Befehle der sog. Maschinensprache übersetzt
werden, d.h. in binärcodierte Maschinenbefehle, die das sog. Maschinenprogramm
ausmachen (vgl. im Unterschied hierzu die Programmiersprache Java, vgl. Kap.
3.1.1). Die Ausführung eines Befehls in der Maschinensprache erfolgt letztlich
durch mehrere elementare Operationen in der Hardware (z.B. Schaltungen). Diese
elementaren Operationen werden durch Mikrobefehle gesteuert, die jeweils ein
Mikroprogramm bilden.
Die Firmware bezeichnet bei mikroprogrammierbaren Rechenanlagen die
Menge aller in einem Prozessor realisierten Mikroprogramme. So besitzen die gän-
gigen Prozessoren der Personal Computer Kopierbefehle, die aus Mikroprogram-
men bestehen, mit denen Daten aus einer Speicherzelle in eine andere Speicherzelle
kopiert werden. Die Vorsilbe „firm“ soll verdeutlichen, dass die Mikroprogramme
prinzipiell verändert werden können, jedoch über einen längeren Zeitraum fest blei-
ben. Änderungen an der Firmware nimmt in der Regel nur der Hersteller von Com-
putern vor. Die Firmware wird weder zur Hard- noch zur Software gezählt. Sie steht
zwischen den Geräten und den Programmen.
Insgesamt besteht hinsichtlich Universalität und Anwenderbezug eine ausge-
prägte Software-Hardware-Hierarchie.
2.3 EVA-Prinzip der Informationsverarbeitung
Ein Computer wandelt Eingabedaten nach bestimmten Regeln in Ausgabedaten um.

Diese Regeln und Anweisungsvorschriften werden dem Computer durch ein Pro-
gramm mitgeteilt. Dabei setzt das Programm den auszuführenden Algorithmus um
(z.B. die Berechnung der Größe einer Grundstücksfläche bei bekannten Eckkoordi-
naten, vgl. Abb. 3.11), so dass die Arbeitsschritte vom Computer interpretiert und
schrittweise abgearbeitet werden können.
Abbildung 2.3 beschreibt das EVA-Prinzip der Informationsverarbeitung, das für
alle Rechnerklassen gilt. Vor allem zur Datensicherung und Vereinfachung der Da-
teneingabe kommt neben Eingabe, Verarbeitung und Ausgabe als weitere techni-
sche Funktion die Speicherung von Daten und Programmen auf externen Speicher-
geräten hinzu. Zur Verarbeitung der Daten gehört auch der einfache lesende Zugriff
auf gespeicherte Daten, um sie z.B. mit Auskunftssystemen auszugeben.
Die Zentraleinheit eines Computersystems führt immer die Verarbeitung der Da-
ten aus. Allerdings wird der Begriff Zentraleinheit häufig mehrdeutig verstanden
(vgl. weitergehend zum Aufbau eines Computersystems Kap. 2.6). So werden alle
Funktionseinheiten, die zur Interpretation und Ausführung von (Maschinen-) Be-
fehlen benötigt werden, als Zentraleinheit oder Rechnerkern bezeichnet. Dabei wer-
den die Begriffe Zentraleinheit, Prozessorkern oder die englischsprachige Benen-
nung Central Processing Unit (CPU) synonym für den Prozessor verwendet. Häu-
fig wird auch mit Zentraleinheit der Prozessor zusammen mit dem Arbeitsspeicher
bezeichnet. Die (zurückgezogene) DIN 44300 fasste sinngemäß den Prozessor, den
Arbeitsspeicher und den Ein-/Ausgabeprozessor zur Zentraleinheit zusammen.
Abb. 2.3: EVA-Prinzip der Informationsverarbeitung und schematische Darstellung eines Com-
putersystems
Während sich die Verarbeitung der Daten immer in der Zentraleinheit vollzieht,
erfolgen die Ein- und Ausgabe sowie die Speicherung der Daten mit sehr unter-
schiedlichen Geräten:
- Geräte für die Eingabe von Daten (z.B. Tastaturen, Scanner, Mikrophone),
- Geräte für die Ausgabe von Daten (z.B. Monitore, Drucker, Lautsprecher),
- Geräte für die Speicherung von Daten (z.B. Festplatten, DVD-Laufwerke).
Hier wird deutlich, dass die zumeist umgangssprachlich benutzte Bezeichnung
„Computer“ kaum mit der abstrakten Definition eines digitalen Rechensystems
übereinstimmt. Vor dem Hintergrund der Komponentenvielfalt und dem system-
technischen Aufbau soll von einem Computersystem gesprochen werden, das sich
aus vielen Einzelkomponenten, stets aber aus den drei Hauptgruppen Zentraleinheit,
Ein- und Ausgabegeräte, Speichergeräte zusammensetzt (vgl. auch Kap. 2.6). Für
die Gesamtheit der Systemkomponenten könnte dann allenfalls vereinfacht oder
verkürzt der Begriff Computer herangezogen werden.
2.4 Algorithmen und Programme in Computersystemen
2.4.1 Algorithmusbegriff
Algorithmen bilden zentrale Bestandteile von Computersystemen und der Informa-

tik, in der man unter einem Algorithmus eine präzise und eindeutig formulierte Ver-
arbeitungsvorschrift versteht, so dass sie von einer mechanisch oder elektronisch
arbeitenden Maschine durchgeführt werden kann (vgl. auch Kap. 3.4). Somit be-
schreiben Algorithmen Lösungsstrategien von Anwendungsaufgaben. Dabei muss
mit diesem Begriff nicht stets eine besonders elegante Rechenoperation verbunden
werden wie z.B. ausgefeilte, im Hinblick auf Rechengeschwindigkeit und notwen-
digen Speicherplatz optimierte Sortieralgorithmen. Allerdings hat gerade die Infor-
Algorithmen und Programme in Computersystemen 19
matik die wichtige Aufgabe, optimale Algorithmen und zugehörige Bewertungsfor-

men zu entwickeln. Viel einfacher und allgemeiner verstanden, umfasst der Begriff
Algorithmus die formalisierte Beschreibung eines Lösungsweges, der dann durch
ein Programm in einer für einen Computer verständlichen und ausführbaren Form
umgesetzt wird. Ein Programm kann somit als die Realisierung eines Algorithmus
definiert werden (vgl. Abb. 2.3).
Als klassisches Beispiel gilt das Heron-Verfahren zur Berechnung einer Nähe-
rung der Quadratwurzel einer Zahl (vgl. Herrmann 1992 S. 36 ff.). Das Heron-Ver-
fahren ist ein Spezialfall des Newton-Verfahrens, das allgemein zur Berechnung
von Nullstellen von Polynomen herangezogen wird (vgl. Schwarz u. Köckler 2011
S. 192 ff.; hier: Berechnung der Nullstelle einer quadratischen Funktion f(x) = x2 –
a, vgl. auch Kap. 3.3.3.1 zur Lösung eines nichtlinearen Gleichungssystems). Die
Iterationsvorschrift lautet:
ܽ
(‫ݔ‬௡ + )
‫ݔ‬௡
‫ݔ‬௡ାଵ =
2
Das Heron-Verfahren bietet eine einfache geometrische Veranschaulichung (vgl.

Abb. 2.4). Ausgegangen wird von einem Rechteck mit dem Flächeninhalt a und den
Seitenlängen y0 = a und x0 = 1. Nun werden sukzessive die Seitenlängen verändert,
so dass ein Quadrat mit dem Flächeninhalt a angenähert wird. Als verbesserter Wert
der neuen Seitenlänge x1 wird das arithmetische Mittel der Seitenlängen x0 und y0
genommen, woraus dann die neue Seitenlänge y1 = a/x1 errechnet wird. Das Ver-
fahren wird so lange fortgesetzt, bis sich xn und xn+1 nicht mehr nennenswert unter-
scheiden, d.h. bis gilt: |xn – xn+1| < e oder (xn • xn – a) < e (e vorgegebene untere
Schranke, Fehlerschranke).
Neben dem Heron- oder Newton-Verfahren bestehen weitere Algorithmen zur
Bestimmung einer Wurzel bzw. der Nullstellen von Funktionen. Entsprechend lie-
gen in der Regel zur Lösung einer Aufgabe mehrere Algorithmen vor, die aber un-
terschiedlich effizient sind. Die Informatik hat Methoden entwickelt, um die Leis-
tungsfähigkeit eines Algorithmus zu bewerten (zur sog. Komplexität eines Algo-
rithmus vgl. Kap. 3.3.4).
Abb. 2.4: Geometrische Veranschaulichung des Heron-Verfahrens

Bei der Wiedergabe der Handlungsvorschriften des Heron-Verfahrens wird eine

Schreibweise benutzt, die bereits einem Computerprogramm ähnelt:
x y
Eingabe: a Schritt 0 16 1
x := a
y := 1 Schritt 1 8,5 1,8824
e := 0.00000001
falls x < 1
vertausche x und y Schritt 2 5,1912 3,0821
Wiederhole
x := (x + y) / 2 Schritt 3 4,1367 3,8678
y := a / x
solange wie (x – y) > e Schritt 4 4,0023 3,9977
Wurzel (a) = x
Ausgabe (x) Schritt 5 4 4
Abb. 2.5: Heron-Verfahren als Struktogramm und Flussdiagramm
2.4.2 Programmablaufpläne und Struktogramme
Ein Algorithmus, der für die Abarbeitung in einem Computer entwickelt werden
soll, muss rechnergerecht vorbereitet werden. Zunächst kann ein Grobkonzept des
Algorithmus auch auf Papier oder – bei wenig komplexen Algorithmen – sofort
interaktiv mit Hilfe des Computers am Bildschirm entworfen werden. Dabei lässt
Algorithmen und Programme in Computersystemen 21
sich das Ablaufschema eines kleineren Algorithmus durch Graphiken (sog. Fluss-
diagramme oder Programmablaufpläne) aufzeigen, die normierte graphische Sym-
bole benutzen. Allerdings sind die Ablaufpläne nur für kurze Algorithmen geeignet.
Mit zunehmender Länge und Komplexität werden sie unübersichtlich. Derartige
Flussdiagramme entstammen einer Zeit, als noch relativ maschinenorientiert sowie
mit Hilfe von Sprungbefehlen programmiert werden musste und leistungsfähige
Programmiersprachen, die elegantere Umsetzungen ermöglichen, noch nicht entwi-
ckelt waren. Somit werden Programmablaufpläne heute nur für kleinere Programme
verwendet. Struktogramme bieten übersichtlichere Darstellungsmöglichkeiten (sog.
Nassi-Shneiderman-Diagramme). Diese graphischen Ausdrucksmittel gehören zur
sog. strukturierten Programmierung (vgl. Kap. 3.1.4.1). Bei dieser Veranschauli-
chung wird ein Programm in mehrere Strukturblöcke zerlegt (vgl. Abb. 2.5).
In der Informatik können durch derartige graphische Hilfsmittel zentrale Verar-
beitungsvorschriften und Programmabläufe auch einem breiten Anwenderkreis an-
schaulich zugänglich gemacht werden, ohne dass Programmdetails preisgegeben o-
der Kenntnisse einer Programmiersprache vorausgesetzt werden. Sie können auch
zur Formalisierung und Verdeutlichung allgemeiner Lösungswege und Lösungs-
strategien herangezogen werden und besitzen somit eine allgemeine Bedeutung zur
Formulierung von Forschungsabläufen und Prozessen.
2.4.3 Stufen der Algorithmusausführung in einem Computersystem
Nach der Formulierung des Algorithmus in einer möglichst formalen Schreibweise

müssen die Handlungsanweisungen in Ausführungsvorschriften eines Programms
umgesetzt werden, das von einem Computer verarbeitet werden kann. Der Algo-
rithmus wird durch den Vorgang der Programmierung in ein Programm umgesetzt.
Dabei wird in der Regel eine sog. höhere oder problemorientierte Programmierspra-
che verwendet (vgl. Kap. 3.1.4), die unabhängig von der technischen Ausstattung
des Rechners ist, für den Programmierer (relativ) leicht verständlich ist und Spra-
chelemente aus der Alltagssprache besitzt (z.B. „repeat“ für eine Wiederholungs-
aufforderung).
Allerdings ist der Rechner nicht in der Lage, diese Sprache zu verstehen und in
Handlungen wie z.B. Rechenschritte umzusetzen. Das Programm im sog. Quellcode
(Source Code), d.h. in der verständlichen Formulierung durch die höhere Program-
miersprache, muss in eine rechnergerechte Form und in Rechnerbefehle übersetzt
werden (vgl. eingehender Kap. 3.1). Der Prozessor besitzt eigene Befehle, in die
das Programm zunächst transformiert werden muss. Dabei haben Prozessoren je
nach Hersteller unterschiedliche Befehlsvorräte. Zwar könnte in der Maschinen-
sprache wie in den Anfängen der Informatik programmiert werden. Diese Program-
mierung im Binärcode ist aber schwierig und fehleranfällig. Ein in einer Maschi-
nensprache vorliegendes Programm ist nicht mehr universell einsetzbar, da es pro-
zessorabhängig ist. Somit werden inzwischen Programme nur in einer höheren Pro-
grammiersprache erstellt, die dann in Programme in Maschinensprache übersetzt
werden müssen. Dieser Vorgang geschieht mit Hilfe von Übersetzerprogrammen.
Das in die Maschinensprache übersetzte Programm wird vom Prozessor umgesetzt
und ausgeführt. Die Übersetzerprogramme (d.h. Compiler, vgl. Kap. 3.1.2) sind
prozessorabhängig, da sie auf den Befehlsvorrat des jeweiligen Prozessors abge-
stimmt sind. Somit sind die für bestimmte Prozessoren erstellten Maschinenpro-
gramme nicht auf anderen Prozessoren einsatzfähig (vgl. Maschinenprogramme für
Prozessoren von Intel oder für Apple-Computer oder für Smartphones). Der große
Erfolg der 80*86-Prozessorfamilie von Intel ist u.a. darauf zurückzuführen, dass die
für einen älteren Prozessortyp entwickelten Programme auch weiterhin für einen
jüngeren Prozessortyp lauffähig sind.
2.5 Darstellung von Informationen in Computersystemen

durch Bitfolgen
2.5.1 Digitale Welt, Digitalisierung
Die automatisierte Verarbeitung von Informationen in einem Computersystem setzt

voraus, dass die reale Welt vollständig in die digitale Welt abgebildet wird. Sämtli-
che Informationen müssen durch digitale Daten dargestellt werden, die sich letztlich
nur aus zwei diskreten und klar zu trennenden Signalen (0 und 1) zusammensetzen.
Diese Signale können technisch dargestellt werden, indem z.B. in einem Schaltkreis
eine bestimmte Spannung anliegt oder nicht bzw. eine bestimmte Stelle einer mag-
netisierbaren Schicht auf einer rotierenden Aluminiumscheibe (wie bei klassischen
Festplatten) magnetisiert ist oder nicht. Der grundlegende Ansatz der Technischen
Informatik, d.h. der technischen Realisation der Informationsverarbeitung und der
Datenspeicherung, besteht somit darin, sämtliche Informationen der realen Welt
(z.B. logische Werte, Texte, Zahlen, Bilder, Töne) durch geeignete Kodierungen
auf die beiden Basiszustände von elektronischen Bauelementen zurückzuführen.
Diese Übertragung oder Transformation der analogen Informationen der realen in
die digitale Welt wird Digitalisierung genannt.
Die Informatik stellt Methoden bereit, logische Werte, Zahlen, umfangreiche
Texte oder Bilder und Graphiken oder komplexe audio-visuelle Informationen, die
letztlich auf numerische Werte zurückgeführt werden, in eine digitale Welt zu trans-
formieren (vgl. Kap. 2.5.3 ff.). Die Geoinformatik hat dabei die besondere Aufgabe,
Geoobjekte wie z.B. Straßen mit Angaben z.B. zur Länge in die digitale Welt abzu-
bilden (vgl. Kap. 5). Damit diese digitale Welt auch vollständig ist, müssen die di-
gitalen Signale verarbeitet, d.h. „verrechnet“ werden können. Die Mathematik lie-
fert mit der sog. Dualzahlenarithmetik das theoretische Fundament einer geschlos-
senen und vollständigen digitalen Rechenwelt, die mit unserer anschaulichen Re-
chenwelt korrespondiert. Hier wird am Beispiel der Ganzen Zahlen gezeigt, wie mit
digitalen Ganzen Zahlen, d.h. mit Dualzahlen, die Grundrechenarten umgesetzt
werden, auf die sämtliche komplexe Rechenverfahren der Mathematik zurückzu-
führen sind (vgl. Kap. 2.5.9). Schließlich kann diese digitale Rechenwelt, d.h. das
Rechnen mit Dualzahlen, mit Hilfe der Booleschen Algebra auf die Verknüpfung
Darstellung von Informationen in Computersystemen durch Bitfolgen 23
von Aussagen mit dem Wahrheitsgehalt „wahr“ oder „falsch“ zurückgeführt wer-
den, so dass letztlich die Mathematik auch die Grundlage für Schaltlogiken bietet
(vgl. Broy 1998 S. 291 ff.).
Das gesamte Kapitel 2.5 will das Grundprinzip verdeutlichen: Digitalisierung
sämtlicher Informationen der realen Welt und Verarbeitung der digitalen Informa-
tionen in der digitalen Welt.
2.5.2 Bit und Bitfolgen
Die kleinstmögliche Einheit der Information stellt ein Bit (Abkürzung für binary
digit) dar. Ein Bit kennzeichnet die Informationsmenge in einer Antwort auf eine
Frage, die nur zwei Möglichkeiten zulässt wie z.B. ja oder nein, wahr oder falsch,
links oder rechts. Derartige Antworten, die nur zwei Möglichkeiten umfassen, las-
sen sich einfach durch zwei Zeichen codieren. Dabei werden zumeist die Zeichen 0
und 1 benutzt. Zumeist lässt die Beantwortung einer Frage mehr als ein Bit an In-
formation zu. Sind auf die Frage der vorherrschenden Windrichtung vier Antworten
(Nord, Ost, Süd, West) möglich, beträgt dennoch der Informationsgehalt der Ant-
wort nur 2 Bit. Die ursprüngliche Frage kann in zwei andere Fragen verzweigt wer-
den, die jeweils nur zwei Antworten zulassen (ja = 1, nein = 0). Die intuitive Um-
setzung in die beiden Fragen führt aber zu keiner Eindeutigkeit:
- Ist die vorherrschende Windrichtung Nord oder Ost (ja/nein)?
- Ist die vorherrschende Windrichtung Süd oder West (ja/nein)?
N O S W
Nord oder Ost 1 1 0 0
Süd oder West 0 0 1 1
Erst die Umsetzung in die beiden folgenden Fragen führt zur Eindeutigkeit:
- Ist die vorherrschende Windrichtung Nord oder Ost (ja/nein)?
- Ist die vorherrschende Windrichtung Ost oder West (ja/nein)?
N O S W
Nord oder Ost 1 1 0 0
Ost oder West 0 1 0 1
Mit 3 Bit können 23 = 8 Möglichkeiten kodiert werden. Derartige Kodierungen lie-

gen auf der Hand, wenn von vornherein sämtliche Kombinationsmöglichkeiten be-
trachtet werden: 110 (N), 100 (O), 010 (S), 000 (W), 111 (NO), 101 (SO), 011 (SW),
001 (NW). So verdoppelt jedes zusätzliche Bit die Anzahl der möglichen Bitfolgen.
Allgemein gilt: Es gibt genau 2n mögliche Bitfolgen der Länge n.
Mit 5 Bit, die 25 = 32 Möglichkeiten präsentieren, können bereits die 26 Buch-
staben des Alphabets ohne Umlaute und ohne Unterscheidung von Groß- und Klein-
schreibung dargestellt werden. In einem Computer werden aber weitaus mehr Zei-
chen, d.h. Textzeichen wie z.B. „+“, „<“, Zahlzeichen wie „1“ oder kleine und große
Buchstaben, benötigt, so dass in einem Computer 7 oder 8 Bit zur Kodierung von
Textzeichen benutzt werden. Allerdings ist es eine Speicherverschwendung, eine
Zahl wie 123456 dadurch darzustellen, dass für jedes Zahlzeichen 7 oder 8 Bit ver-
wendet werden. So werden Zahlen und auch logische Werte durch besondere Bit-
folgen verdeutlicht.
In einem Computersystem werden immer große Mengen von Bitfolgen verarbei-
tet, wobei stets Gruppen von Bit genommen werden, entweder 8 Bit, 16 Bit, 32 Bit
oder 64 Bit. Immer ist die Länge eines Bitblocks ein Vielfaches von 8. Daher wird
eine Gruppe von 8 Bit auch als 1 Byte bezeichnet. Für 1 Byte wird die Abkürzung
1 B benutzt. Bei binärer Adressierung ergeben sich Speicherkapazitäten von 2n
Byte. Da bis zur internationalen Normierung keine Einheitenvorsätze für Zweier-
potenzen vorlagen, waren die dezimalen Präfixe mit dem Faktor 210 = 1024 statt
1000 üblich geworden (z.B. 1 Kilobyte = 1024 Byte). Die ISO-Norm IEC 80000-
13:2008 sieht nun für die Bezeichnung von Zweierpotenzen neue Binärpräfixe vor
und empfiehlt, die (üblichen) Dezimalpräfixe auch nur noch in der dezimalen Be-
deutung zu benutzen. Allerdings sind die neuen Binärpräfixe noch recht ungewöhn-
lich:
Dezimalpräfixe Binärpräfixe
Name Symbol IEC-Name IEC-Symbol
Kilobyte kB 103 Byte Kibibyte KiB 210 Byte
Megabyte MB 106 Byte Mebibyte MiB 220 Byte
Gigabyte GB 109 Byte Gibibyte GiB 230 Byte
Terabyte TB 1012 Byte Tebibyte TiB 240 Byte
Petabyte PB 1015 Byte Pebibyte PiB 250 Byte
2.5.3 Logische Werte
Die Werte „falsch“ („false“) und „wahr“ („true“) sind logische Werte. Sie können
mit Hilfe von genau einem Bit dargestellt werden.
2.5.4 Zahlen
Zahlen können durch Bitfolgen dargestellt werden, indem sie in das Dualzahlensys-
tem überführt werden (von lat. duo „zwei“, auch Zweiersystem oder Binärsystem).
Zugrunde liegt dabei ein Formalismus der Mathematik, der die Zahlendarstellung
in unterschiedlichen Stellenwertsystemen gestattet. Allgemein wird ein System zur
Darstellung von Zahlen durch Ziffern als Stellenwertsystem bezeichnet, wenn der
Wert einer Ziffer von der Stelle abhängt, an der sie innerhalb der Zahl geschrieben
wird. Bei dieser Formalisierung ist nicht wesentlich, wie viele verschiedene Ziffern
überhaupt bestehen. Allgemein lassen sich in Stellenwertsystemen sämtliche (posi-
tive) Ganze Zahlen z in der sog. Radix-Schreibweise darstellen mit B als Basis und
folgenden Ziffern zj (d.h. von rechts notiert):
‫ݖ = ݖ‬଴ ή ‫ܤ‬଴ + ‫ݖ‬ଵ ή ‫ܤ‬ଵ + ‫ݖ‬ଶ ή ‫ܤ‬ଶ + ‫ڮ‬
Das bekannteste Stellenwertsystem ist das Dezimalsystem, d.h. das Stellenwertsys-
tem zur Basis 10. Bei der Zahl 135 ergibt sich der Wert der Zahl „3“ durch die
Stellung innerhalb der Ziffernfolge, wobei sich jede Stelle als Potenz der Zahl 10,
d.h. der Zahl der verschiedenen Ziffern ergibt.
135ଵ଴ = 5 ή 10଴ + 3 ή 10ଵ + 1 ή 10ଶ
Analog wird das Hexadezimalsystem definiert, d.h. das Stellenwertsystem zur Basis
16. Jetzt liegen 16 Ziffern vor: 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, A, B, C, D, E, F. Die Zahlen
135 und 1DE (im Hexadezimalsystem) bedeuten im Dezimalsystem:
135ଵ଺ = 5 ή 16଴ + 3 ή 16ଵ + 1 ή 16ଶ = 309ଵ଴
1‫ܧܦ‬ଵ଺ = 14 ή 16଴ + 13 ή 16ଵ + 1 ή 16ଶ = 478ଵ଴
Entsprechend ist das Dualzahlensystem aufgebaut, d.h. das Stellenwertsystem zur
Basis 2. Es besitzt genau die beiden Zeichen 0 und 1 und eignet sich somit, Zahlen
als Bitfolgen darzustellen:
101ଶ = 1 ή 2଴ + 0 ή 2ଵ + 1 ή 2ଶ = 5ଵ଴
1111011ଶ = 1 ή 2଴ + 1 ή 2ଵ + 0 ή 2ଶ + 1 ή 2ଷ + 1 ή 2ସ + 1 ή 2ହ + 1 ή 2଺ = 123ଵ଴
Im Dualzahlensystem lassen sich neben ganzen auch gebrochene Dezimalzahlen
darstellen, so dass die ganze Breite von Dezimalzahlen umsetzbar ist:
0.101ଶ = 1 ή 2ିଵ + 0 ή 2ିଶ + 1 ή 2ିଷ
Für Transformationen zwischen Dualzahlen- und Zehnersystem bestehen geeignete
Umrechnungsmethoden und -algorithmen (vgl. z.B. Gumm u. Sommer 2013 S. 17
ff.). Die Tabelle 2.1 zeigt einige Beispiele von Dualzahlen.
Tabelle 2.1: Beispiele von Dualzahlen mit ihren Werten im Dezimalsystem

Dualzahlen entsprechende Dezimalzahlen
0 0
1 1
10 2
101 5
11110101101 1965
0,1 0,5
0,01 0,25
111,111 7,875
11010,101 26,625
10101010,10011001 170,59765625
0,00011001100110011... 0,1
Die letzte Zeile in Tabelle 2.1 belegt, dass die Dezimalzahl 0,1 nur als unendlich
lange, periodische, gebrochene Dualzahl dargestellt werden kann. Da in einem
Computersystem jede Stelle einer Dualzahl in einer Speicherzelle gespeichert wird
und nur endlich viele Speicherzellen zur Verfügung stehen, wird die sehr einfach
im Zehnersystem darzustellende Zahl 0,1 in Computersystemen „ungenau“ gespei-
chert. So werden für eine Zahl zumeist nur 32 oder 64 Bit technisch zur Verfügung
gestellt. Selbst eine Erweiterung auf z.B. 256 Bit löst das prinzipielle Problem nicht,
dass letztlich nur endlich lange Dualzahlen zu verarbeiten sind! Allerdings treten
nicht bei jeder Problemstellung beliebig große Zahlen auf, auch bestehen bei ver-
schiedenen Berechnungen häufig unterschiedlich hohe Genauigkeitsanforderungen.
Daher sind in der Informatik verschiedene Darstellungen von Zahlen mit unter-
schiedlich langen Bitfolgen (bzw. deren Speicherungen) üblich und technisch rea-
lisiert. Die Informatik stellt hierfür das Konzept der Datentypen zur Verfügung (vgl.
Kap. 3.2).
2.5.5 Texte
Textzeichen werden in einem Rechner dargestellt, indem das Alphabet und Satzzei-
chen in Bitfolgen kodiert werden. Dezimalziffern, Buchstaben und die Sonderzei-
chen werden einzeln durch eine Bitfolge fester Länge konkretisiert. Dabei kommt
man für die Darstellung aller Zeichen bereits mit 7 Bit aus, die 128 verschiedene
Möglichkeiten ausmachen. 26 Klein- und Großbuchstaben, Satzzeichen, Spezial-
zeichen wie & und nicht druckbare Formatierungszeichen wie Zeilenumbruch er-
geben etwa 100 Zeichen einer Schreibmaschinentastatur (d.h. einer Standard-Com-
putertastatur ohne Sonderzeichen). Gebräuchlich sind mehrere sog. Zeichensätze,
die eine Kodierung festlegen (vgl. Tab. 2.2):
- der ASCII-Code (American Standard Code for Information Interchange, 7 Bit pro
Zeichen, insgesamt 128 verschiedene Zeichen, davon 95 druckbare Zeichen),
- der ANSI-Code (American National Standards Institute, 8 Bit pro Zeichen),
- der EBCDI-Code (Extended Binary Coded Decimal Interchange Code, 8 Bit pro
Zeichen, Einsatz auf Großrechnern, d.h. fast ausschließlich auf IBM-
Großrechnern),
- UTF-8 (8-Bit UCS (Universal Character Set) Transformation Format).
Zur Darstellung und Speicherung z.B. der Zahl 123 als Text, d.h. durch alphanume-
rische Zeichen, werden 24 Bit benötigt. Als Dualzahl reicht hingegen eine Bitfolge
der Länge 7 aus (12310 = 11110112). Dieses Beispiel zeigt, dass Zahlen im Dual-
zahlensystem effizienter als durch den ASCII-Code dargestellt und gespeichert wer-
den können (zur internen Speicherung von Zahlen vgl. Kap. 3.2.2).
UTF-8 ist die am weitesten verbreitete Kodierung für Unicode-Zeichen. Dabei
bezeichnet Unicode einen internationalen Standard, der für sämtliche Zeichen aller
Schriften einen jeweiligen Code zur Kodierung festlegen soll (32 Bit pro Zeichen
möglich, westliche Zeichensätze kommen mit 8 Bit aus). Die Heterogenität unter-
schiedlicher Zeichenkodierungen und die entstandenen Inkompatibilitäten sollen
aufgehoben werden. Der Universal Character Set (UCS), die nach ISO10646 fest-
gelegte Zeichenkodierung, ist fast identisch zum Unicode. Zeichen, die im Wer-
tebereich von 0 bis 127 kodiert werden, entsprechen dabei genau der Kodierung im
ASCII-Format.
Hinzuweisen ist auf die 8-Bit-Zeichensätze der Normenfamilie ISO/IEC 8859,
die im World Wide Web eine zentrale Bedeutung besitzen. Die Kodierung wird z.B.
im Dokumentenkopf einer HTML-Seite spezifiziert (Angabe charset=iso-8859-1,

Latin-1-Zeichensatz westeuropäisch z.B. mit Umlauten, vgl. Abb. 2.14).
Tabelle 2.2: Kodierung ausgewählter Zeichen im ASCII- und ANSI-Code

ASCII ANSI
dezimal dual dezimal dual

1 49 0011 0001 49 0011 0001
9 57 0011 1001 57 0011 1001
@ 64 0100 0000 64 0100 0000
A 65 0100 0001 65 0100 0001
a 97 0110 0001 97 0110 0001
Z 90 0101 1010 90 0101 1010
z 122 0111 1010 122 0111 1010
Ü 220 1101 1100
ü 252 1111 1100
ê 234 1110 1010
£ 163 1010 0011
2.5.6 Räumliche Informationen
Die digitale Darstellung räumlicher Informationen ist ein zentrales Anliegen der
Geoinformatik (vgl. eingehender Kap. 5.2). Dabei bestehen zwei grundlegend un-
terschiedliche Ansätze:
Im Vektormodell werden räumliche Informationen durch Punkte aufgelöst, die in
Form von Koordinaten, d.h. mathematisch von Vektoren erfasst werden. Die Dar-
stellung von punkthaften Objekten wie z.B. Bäumen ist eindeutig. Linienhafte Ob-
jekte wie z.B. Straßenseitenlinien oder Straßenmittellinien sowie auch sehr abs-
trakte Untersuchungseinheiten wie Gemeindegrenzen werden in Folgen von Vek-
toren zerlegt. Von flächenhaften Objekten wie z.B. Gebäuden oder Wasserflächen
werden die Umrisslinien erfasst (vgl. Abb. 2.6). Eine kurvenförmige Linie wird da-
bei in der Regel durch einen Linienzug aus geraden Streckenabschnitten angenä-
hert. Im Vermessungswesen wird jedoch die Verbindung häufig auch durch Kurven
beschrieben (u.a. Angabe eines Kurvenradius z.B. bei der Darstellung von Straßen-
kurven). Die Anfangs- und Endpunkte dieser Streckenabschnitte sind stets Koordi-
naten in einem Bezugssystem, d.h. sog. Vektoren (Vektormodell, Vektorgraphik).
Diese Koordinaten werden letztlich als Zahlenwerte kodiert. Die Art der Verbin-
dung, d.h. Farbe, Breite oder Form der Linie oder auch die Ausgestaltung als Gerade
oder Kurve mit einem bestimmten Radius, wird ebenfalls durch Zahlenwerte ko-
diert.
Abb. 2.6: Räumliche Informationen im Vektor- und Rastermodell
Im Rastermodell werden raumbezogene Informationen durch ein feines, aber starres

Raster von kleinen Flächen zerlegt. Der Untersuchungsraum wird als Matrix von
sog. Pixeln (von engl. picture element) dargestellt (Pixelgraphik oder Rastergra-
phik). Jedes einzelne Raumelement ist durch Angabe der Reihen- und Spaltenzahl
(d.h. der „Reihen- und Spaltenkoordinate“) eindeutig identifizierbar. So kennzeich-
net B(7,27) das Pixel in der 7. Reihe und 27. Spalte. Die Information eines jeden
Pixels wird anschließend ebenfalls durch Zahlenwerte kodiert. Die Zahlenwerte
sind wie beim Vektormodell schließlich leicht zu digitalisieren.
Bei der technischen Transformation in die digitale Welt ist die Erfassung räum-
licher Informationen zum einen direkt im Gelände und zum anderen aus analogen
Quellen zu unterscheiden:
Im ersten Fall liegen z.B. (2D- oder 3D-)Lagekoordinaten durch klassische Ver-
fahren der Geodäsie, durch Terrestrisches oder Airborne Laserscanning oder durch
GPS-gestützte Koordinatenerfassung zumeist über die Erfassungsgeräte in digitaler
Form vor oder können auch manuell über die Tastatur eingegeben werden. Digitale
Luft- und Satellitenbilder liefern räumliche Informationen als Rasterdaten bereits
digital aufgelöst.
Abb. 2.7: Funktionsprinzip der Erfassung von Koordinaten mit einem Digitalisiertablett
Im zweiten Fall müssen raumbezogene Informationen aus analogen Zeichnungen

oder Bildern in die digitale Welt abgebildet werden. Die Erfassung (umgangs-
sprachlich „Digitalisierung“) mit Hilfe eines Graphiktabletts, eines Digitalisier-
tabletts oder einfacher eines Digitizer ist inzwischen veraltet (vgl. Abb. 2.7), diese
Technik verdeutlicht aber sehr gut das zugrunde liegende Darstellungsprinzip von
räumlichen Informationen im Vektormodell, d.h. die Erfassung von (x,y)-Koordi-

naten. Mit Hilfe einer sog. Digitalisierlupe wird ein bestimmter Punkt einer Vorlage
wie z.B. eine Hausecke in einer Karte identifiziert. Von der Digitalisierlupe werden
ein Impuls auf ein im Tablett integriertes Gittersystem übertragen und zwei elektri-
sche Leitungsbahnen aktiviert, die die zugehörigen Koordinaten liefern. Mit dieser
Dateneingabe ist eine hohe Genauigkeit verbunden, so dass sie u.a. im Vermes-
sungswesen eingesetzt wurde und grundlegend für die Digitalisierung von Katas-
terkarten war.
In der Geoinformatik sind Scanner zur Erfassung von Rasterdaten von besonde-
rer Bedeutung. Bei den kostengünstigen Büroscannern, die auf der sog. CIS-
Technologie (CIS = Contact Image Sensor) basieren, werden viele in einer Zeile
nebeneinander auf einem Schlitten angeordnete Sensoren unmittelbar unter dem
Dokument vorbeigeführt (vgl. Abb. 2.8). Die einzelnen Detektoren messen für jede
Zeile jeweils an einer winzigen Stelle die Intensität des ankommenden, d.h. von der
Vorlage reflektierenden Lichts. Der Strahlungsdetektor setzt dabei die Helligkeit
des Lichtsignals in Spannungswerte um, die durch die weiterverarbeitende Elektro-
nik in digitale Signale umgewandelt werden. Dabei kann ein Sensor lediglich Hel-
ligkeiten unterscheiden (monochrome Sensoren). In Büroscannern sind drei Reihen
von LEDs eingebaut, die nacheinander in extrem kurzen Zeitabständen rotes, grünes
und blaues Licht emittieren. Für jedes Pixel misst ein Sensor nacheinander die In-
tensität des von der Vorlage reflektierten bzw. am Sensor eintreffenden Lichts, d.h.
blauen, roten und grünen Lichts. Grundlage ist hierbei die Zusammensetzung des
sichtbaren Lichts aus drei unterschiedlichen Wellenlängenbereichen des elektro-
magnetischen Spektrums (vgl. Kap. 2.5.7). Ein Scanner mit einer Geräteauflösung
von 600 dpi (dots per inch, etwa 240 Punkte pro Zentimeter) benötigt bei einer
Breite von einer DIN-A-4 Seite knapp 5000 Sensoren. Hierdurch wird eine Raste-
rung der Vorlage erreicht.
Abb. 2.8: Funktionsprinzip eines Scanners
2.5.7 Farbinformationen
Farben haben in der Geoinformatik eine besondere Bedeutung. Sie dienen zur Vi-
sualisierung vor allem von graphischen Informationen auf Monitoren oder Dru-
ckern, sie sind wesentlicher Bestandteil und Informationsträger in digitalen oder
analogen Präsentationen. Die für das menschliche Auge sichtbaren Farben sind aber
nur ein recht kleiner Teil des elektromagnetischen Spektrums. Dieses sog. sichtbare
Licht umfasst den Wellenlängenbereich zwischen ca. 400 nm und 800 nm (zum
Aufbau des elektromagnetischen Spektrums vgl. Kap. 10.3.1). Demgegenüber be-

stehen in der Fernerkundung vielfältige Sensoren, die über diesen Ausschnitt weit
hinaus Bereiche des elektromagnetischen Spektrums empfangen können (vgl. Kap.
10.4). Grundlegend für die Geoinformatik sowie besonders für die Fernerkundung
und Bildverarbeitung ist aber bereits das Verständnis von Farben bzw. der Digitali-
sierung von Farben und des sichtbaren Lichts.
Die menschliche Netzhaut an der hinteren Augeninnenseite ist u.a. von winzigen
stäbchen- und zapfenförmigen Sinneszellen oder Sehzellen überzogen. Während
die Stäbchen eine sehr viel höhere Empfindlichkeit besitzen und das Sehen bei Licht
niederer Intensität (Dämmerungs- und Nachtsehen) ermöglichen, aber nur Hell-
Dunkel-Wahrnehmungen und keine Farbinformationen auswerten, sind die Zapfen
für das Sehen bei Licht höherer Intensität (Tagsehen) und für das Farbempfinden
zuständig. Dabei bestehen drei verschiedene Arten von Zapfen, die jeweils in un-
terschiedlichen Spektralbereichen empfindlich sind. Sie besitzen eine maximale
spektrale Empfindlichkeit von ca. 420 nm bzw. von ca. 530 nm bzw. von ca. 560
nm. Entsprechend der maximalen Farbempfindlichkeit werden die Zapfen auch
Blau-, Grün- und Rotrezeptoren genannt.
Der Farbeindruck entsteht durch unterschiedliche Reizung dieser drei Sensorar-
ten und Weiterverarbeitung dieser Informationen im Gehirn. Diese sog. Drei-Kom-
ponenten-Theorie ist Grundlage unseres Verständnisses vom Farbensehen und er-
klärt die additive Farbmischung, die somit im Aufbau unseres Sehorgans begründet
ist (additive Farbmischung als physiologischer Vorgang im Auge; zur Vertiefung
von Farbwahrnehmung und deren physikalischen Grundlagen vgl. z.B. Lang 1993,
vgl. Kap. 7.7.4 insb. zur additiven und subtraktiven Farbmischung).
Jeder Farbton des sichtbaren Lichts kann in drei Primärfarben und deren Intensi-
täten zerlegt werden und ist durch additive (bzw. subtraktive) Farbmischung der
Grundfarben wieder reproduzierbar (vgl. Kap. 7.7.4). Somit kann jeder Farbton als
Vektor in einem dreidimensionalen Farbraum formal eindeutig dargestellt werden,
der von den drei Grundfarben aufgespannt wird (vgl. Farbwürfel in Abb. 2.9). Das
RGB-Farbmodell benutzt ein dreidimensionales kartesisches Koordinatensystem,
dessen Achsen die Primärfarben Rot, Grün und Blau darstellen. Farben werden je-
weils durch ihre drei Koordinaten kodiert. Üblicherweise wird hierbei jede Achse
(d.h. jede Grundfarbe) ganzzahlig skaliert von 0 (keine Farbe) bis zu dem Wert, der
dem vollen Farbton entspricht. Bei einer Skalierung von 0 bis 255 pro Grundfarbe
(jeweils 8 Bit) können dann insgesamt 256 • 256 • 256 = 224 = 16.777.216 Kombi-
nationen bzw. Farben kodiert und gespeichert werden. Somit werden in der Infor-
matik Farben ebenfalls durch Zahlenwerte und dann durch Bitfolgen dargestellt:
- Zur (angenäherten) Echtfarbendarstellung wird jeder Bildpunkt durch 3 Bytes re-
präsentiert, wodurch 224 Farbkombinationen kodiert werden.
- Zur Darstellung von Abstufungen einer einzigen Farbe, üblicherweise Grauabstu-
fung genannt, wird 1 Byte benötigt, so dass 28 = 256 Abstufungen pro Bildpunkt
möglich sind.
- Zur Darstellung eines Schwarz-Weiß-Bildes ist nur 1 Bit pro Bildpunkt notwen-
dig, da nur zwei Zustände kodiert werden.
Entsprechend dieser Abstufung wird die Darstellungsgenauigkeit einer Farbe

durch die sog. Farbtiefe wiedergegeben, wodurch die maximale Zahl der darstell-
baren Farben, d.h. die Anzahl unterschiedlicher Farbtöne pro Bildpunkt verstanden
wird. Die Farbtiefe wird als Exponent der Zahl 2 angegeben. Bei einer Farbtiefe
von 24 Bit, wodurch 224 = 16.777.216 Farben darstellbar sind, ist eine wirklichkeits-
getreue Wiedergabe gegeben, woraus sich die Bezeichnung True Color (bzw.
Truecolor) erklärt.
Abb. 2.9: RGB-Farbmodell
2.5.8 Sensordaten
Die Messtechnik hat viele Sensoren entwickelt, um sehr verschiedene Merkmale

und Eigenschaften automatisiert zu erfassen und die analogen Messergebnisse digi-
tal darzustellen. So wird z.B. beim weit verbreiteten Schalensternanemometer die
Windgeschwindigkeit gemessen, indem die Umdrehungen eines Schalensterns mit
seinen offenen Halbkugeln in der Sekunde oder Minute erfasst werden und diese
Frequenz in einen Geschwindigkeitswert umgerechnet wird, der üblicherweise als
Länge pro Zeiteinheit (z.B. m/s) dargestellt wird. Entsprechend bestehen viele Sen-
soren, die unterschiedliche Zustände erfassen, wie z.B. Feuchte- oder Temperatur-
werte, Gaskonzentrationen, pH-Werte, den Schallpegel oder Strahlungswerte, und
die letztlich Zahlen liefern, die dann leicht digitalisiert werden können. Das Grund-
prinzip, d.h. das Umwandeln analoger Signale eines Sensors oder Aufnahmeinstru-
ments in digitale Zahlenwerte (Analog-Digital-Wandlung), findet sich in beinahe
unzähligen Formen.
2.5.9 Dualzahlenarithmetik
Die Arithmetik von Dualzahlen ist grundlegend zum Verständnis der Verarbeitung
von Informationen, die durch Bitfolgen kodiert wurden. Dargestellt wird ein sehr
elementares Rechnen, das aber Grundlage sämtlicher Rechenoperationen in Com-
putersystemen ist (vgl. Gumm u. Sommer 2013 S. 17 ff.). Diese Rechenschritte sind
insbesondere durch Transistorschaltungen hardwaretechnisch umgesetzt.
Die Addition ist für den einfachsten Fall der beiden Dualzahlen 0 und 1 definiert
durch:
0+0 = 0
0+1 = 1
1+0 = 1
1+1 = 10
Die Addition der beiden Dualzahlen erfolgt somit, wie man es analog auch von der
Addition von Dezimalzahlen gewohnt ist. Ein an einer Ziffernposition entstehender
Übertrag wird zur nächsthöheren Ziffernposition addiert.
1 0 1 0 1 0 42
+ 1 1 0 1 1 1 1 111
Übertrag 1 1 1 1 1
Summe 1 0 0 1 1 0 0 1 153
Etwas komplexer als die Addition ist die Subtraktion zweier Dualzahlen. Hierbei
wird die Subtraktion auf die Addition zurückgeführt: Der Subtrahend wird nicht
abgezogen, sondern der negative Subtrahend wird addiert. Im Dualzahlensystem
werden zur Subtraktion somit negative Dualzahlen benötigt, die durch Komple-
mentbildung dargestellt werden. In einem Zwischenschritt wird zunächst das sog.
Einer-Komplement gebildet. Dabei bleiben die positiven Dualzahlen unverändert,
während das Einer-Komplement einer negativen Zahl dadurch entsteht, dass in der
entsprechenden positiven Zahl die Ziffern 0 und 1 gegen ihre komplementären Zif-
fern 1 und 0 ausgetauscht werden.
dezimal binär 8-Bit Darstellung Einer-Komplement

13 1101 00001101 11110010
43 101011 00101011 11010100
56 111000 00111000 11000111
Die Darstellung von ganzen Dualzahlen im Einer-Komplement hat jedoch den gro-
ßen Nachteil, dass es für die Zahl Null zwei Dualzahlen gibt: 0000 0000 (+0) und
1111 1111 (–0). Aus diesem Grund wird das sog. Zweier-Komplement eingeführt.
Die positiven Dualzahlen bleiben auch hier unverändert, während eine negative
Zahl zunächst als Dualzahl in ihr Einer-Komplement transformiert und dann eine 1
addiert wird.
dezimal binär Einer-Komplement Zweier-Komplement

13 1101 11110010 11110011
43 101011 11010100 11010101
56 111000 11000111 11001000
Die Subtraktion erfolgt dann durch Addition des Zweier-Komplements, wobei die
errechnete Zahl je nach Art des Überlaufs weiter zu verrechnen ist. Im ersten Bei-
spiel, das 56 + (–13) errechnet, entsteht ein Überlauf. Das Endergebnis ist dann eine
Positivzahl, nämlich die Dualzahl ohne Überlauf (hier: 0010 1011):
0 0 1 1 1 0 0 0 56
+ 1 1 1 1 0 0 1 1 –13
Summe 1 0 0 1 0 1 0 1 1 43
Im zweiten Beispiel, das 13 + (–56) errechnet, entsteht kein Überlauf. Das Ender-
gebnis wird eine Negativzahl sein:
0 0 0 0 1 1 0 1 13
+ 1 1 0 0 1 0 0 0 –56
Summe 0 1 1 0 1 0 1 0 1
Das Endergebnis liegt jetzt noch nicht vor. Das errechnete Zweier-Komplement
1101 0101 muss weiter verarbeitet werden. Durch „Zurücknehmen“ der Addition
von 1 entsteht eine Dualzahl, die als ein Einer-Komplement anzusehen ist: 1101
0100. Danach ist die Komplementbildung zurückzunehmen: 0010 1011. Die Dezi-
malzahl (ohne Vorzeichen) lautet dann: 43. Da schon bekannt ist, dass das Ender-
gebnis eine Negativzahl ist, ergibt sich als Ergebnis: –43.
Für die Multiplikation und Division mehrstelliger Dualzahlen bestehen recht ein-
fache Rechenverfahren, die analog zu den Verfahren im Zehnersystem aufgebaut
sind. Die Multiplikation einer Dualzahl mit einer 1, die an i-ter Stelle einer mehr-
stelligen Dualzahl steht, ist mit einem „Verschieben“ der Dualzahl um (i–1)-Stellen
und einem „Auffüllen“ mit 0 gleichzusetzen.
110 • 101 1 (d.h. 6 • 11) 1000010 : 110 = 1011
11000 0 110
0 1001
110 0 110 d.h. 66 : 6 = 11
11 0 110
100001 0 = 66 110
In Computersystemen wird die Multiplikation auch als wiederholte Addition
durchgeführt. Die fortgesetzte Subtraktion, die aber ebenfalls auf eine Addition zu-
rückgeführt werden kann, ersetzt die Division ganzer Zahlen. Somit kann im Hin-
blick auf die technische Realisierung das Rechenwerk eines Prozessors prinzipiell
sehr einfach gestaltet sein, da es nur in der Lage sein muss, Additionen durchzufüh-
ren. Wie hier andeutungsweise gezeigt wurde, können sämtliche arithmetische Ope-
rationen im Wesentlichen auf die Addition von Dualzahlen zurückgeführt werden.
Allerdings besitzen moderne Prozessoren neben einem Addierwerk durchaus wei-
tere arithmetische Rechenwerke.
Die hier für ganze Zahlen erläuterten Techniken der Dualzahlenarithmetik kön-
nen entsprechend auf gebrochene Dualzahlen übertragen werden, die in normierter
Darstellung mit Mantisse und Exponent gespeichert werden (vgl. Kap. 3.2.2.3). Da-
bei sind Mantisse und Exponent getrennt zu berücksichtigen. So muss z.B. vor einer
Addition die Größenordnung der Exponenten verglichen werden, wobei entspre-
chend die Mantisse, die zur Zahl mit dem kleineren Exponenten gehört, angepasst
werden muss. Das nachstehende Beispiel im Dezimalsystem verdeutlicht (bei einer
Rechengenauigkeit von drei Stellen!) das Rechenprinzip:
0.123 • 103 + 0.456 • 105 = 0.001 • 105 + 0.456 • 105 = (0.001 + 0.456) • 105 = 0.457 • 105
Die zunächst komplex und umständlich erscheinende Arithmetik besitzt für die
Ausführung mit einer automatischen Rechenanlage erhebliche Vorteile:
Die Zahlen werden als technisch einfach zu realisierende Bitfolgen dargestellt.
Die Rechenoperationen werden auf technisch einfach umzusetzende Grundope-
rationen wie z.B. Addition und Komplementbildung zurückgeführt.
2.6 Aufbau eines Computersystems: Hardware
Ein Computersystem setzt sich aus sehr verschiedenen Bestandteilen zusammen,

die das EVA-Prinzip der Informationsverarbeitung umsetzen (vgl. Abb. 2.3). Als
Grundkomponenten finden sich immer Ein- und Ausgabegeräte, Speichergeräte und
(bei Personal Computer oder Workstations) vor allem eine Hauptplatine (sog.
Mother- oder Mainboard), auf der sich verschiedene, durch mehrere Leiterbahnen
verbundene elektronische Bauelemente befinden. Viele Komponenten sind fest auf
dem Motherboard verbaut. Ferner bestehen Steckplätze, über die weitere Bauteile
mit dem Motherboard verbunden sind. Dieser Aufbau ist bei Personal Computern
oder Workstations, Notebooks, Tabletcomputern oder Smartphones prinzipiell
gleich (vgl. Abb. 2.10).
Der Prozessor (CPU, Central Processing Unit) ist die zentrale Verarbeitungs-
komponente eines Computersystems, da er Programme ausführen kann. Ein Prozes-
sor besitzt neben dem sog. Steuerwerk die zur Informationsverarbeitung notwendi-
gen Komponenten wie das Rechenwerk u.a. mit der Arithmetisch-Logischen-Ein-
heit (ALU, Arithmetic Logical Unit), die mindestens die Addition sowie die Nega-
tion und Konjunktion (sog. and-Verknüpfung) ausführen muss, da sämtliche arith-
metische und logische Funktionen auf diese Minimaloperationen zurückzuführen
sind.
Der Haupt- oder Arbeitsspeicher dient zur vorübergehenden Speicherung des
Programms und von Zwischenergebnissen. Nach dem Ausschalten des Rechners
gehen diese Informationen verloren. Sie müssen daher außerhalb des Arbeitsspei-
chers in permanenten Speichern vorgehalten oder gesichert werden. Gegenüber den
permanenten Speichern, die der dauerhaften Speicherung von Programmen und Da-
ten dienen, besteht der Haupt- oder Arbeitsspeicher aus extrem schnellen Speicher-
zellen, auf die direkt zugegriffen werden kann.
Der Betrieb permanenter Speicher wie Festplatten- oder DVD-Laufwerke wird
mit Hilfe von speziellen Prozessoren (sog. Input-/Output-Controller, kurz I/O-Con-
troller) gesteuert, die die Funktionen dieser Massenspeicher kontrollieren und die
Verbindung zum Prozessor herstellen. Inzwischen werden sog. Solid-State-Drives
(SSD), d.h. durch Halbleiterbausteine realisierte, nichtflüchtige Speicher eingesetzt.
Sie dienen als Ersatz für bisher übliche Festplattenlaufwerke, die auf magnetisier-
barer Plattentechnik beruhen. Der Name „Drive“ (engl. für Laufwerk) ist irrefüh-
rend, da ein SSD keine beweglichen Teile besitzt.
Der Transport der Informationen erfolgt über Leitungen, die die verschiedenen
Bauteile auf dem Motherboard miteinander verbinden. Diese Leitungen werden all-
gemein Bus oder Bussystem genannt.
Monitor und Drucker gehören zu den Standardausgabegeräten eines Computer-
systems. Auch die Geoinformatik nutzt diese Standardgeräte zur Ausgabe räumli-
cher, d.h. zweidimensionaler Informationen wie Graphiken, Bildern oder Kartenin-
formationen. Zur Ausgabe großformatiger Graphiken wie z.B. Bauzeichnungen o-
der Karten spielen daneben vor allem sog. Plotter eine große Rolle, die grob nach
Vektor- und Rasterplottern unterschieden werden können. Vektorplotter stellen das
den Digitizern entsprechende Ausgabegerät dar. Hierbei werden Zeichenstifte über
das Papier bewegt, so dass Linien als durchgezogene Striche und nicht aufgelöst in
Aufbau eines Computersystems: Software 35
mehrere Rasterpunkte erscheinen. Die meisten modernen Plotter, die gerade für
Aufgaben in der Geoinformatik Anwendung finden, arbeiten allerdings nach dem
Prinzip von Tintenstrahldruckern (daneben noch Laser- und Photoplotter). Die ein-
zelnen Zeichen werden aus einem Raster von Punkten aufgebaut, die sehr klein und
dicht aufeinanderfolgen können und somit die Auflösung und Schärfe der Textaus-
gabe oder der graphischen Darstellung bestimmen.
Abb. 2.10: Aufbau und ausgewählte Komponenten eines Computersystems
2.7 Aufbau eines Computersystems: Software
2.7.1 Systemsoftware und systemnahe Software
Der Betrieb eines Computersystems wird erst durch die Software möglich, die sich
in System- und Anwendungssoftware gliedert. Zentraler Bestandteil der Systemsoft-
ware ist das Betriebssystem, das je nach Leistung verschiedene Betriebsarten und
Nutzungsformen des Computersystems ermöglicht und das vor allem die Ausfüh-
rung der Anwenderprogramme regelt. Zur Systemsoftware werden weiterhin die
Übersetzungsprogramme der Programmiersprachen gezählt, die eine Übersetzung
der zumeist in einer höheren Programmiersprache verfassten Programme in die vom
Computersystem auszuführende Maschinensprache leisten. Die systemnahe Soft-
ware umfasst den nicht eindeutig abzugrenzenden Bereich zwischen System- und
Anwendungssoftware, systemnah kennzeichnet die Nähe zur Prozessorarchitektur
und den Schnittstellen des Betriebssystems. Hierzu können Programme gezählt

werden, die Verwaltungs-, Entwicklungs- und Überwachungsaufgaben erledigen.
- Programme zur Unterstützung der Softwareentwicklung (d.h. Programmentwick-
lungsumgebungen, vgl. Abb. 3.3), Programmierwerkzeuge und Programmbiblio-
theken (Sammlung von – unselbstständigen – Programmen zum Einbinden in ei-
gene Programme),
- Programme zur (statistischen) Erfassung der Rechnerauslastung im Hinblick auf
eine Optimierung der Ressourcen,
- Programme zur Überwachung und ggf. zum Entfernen von sog. Computerviren.
Strittig ist, ob sog. Browser zum Betriebssystem oder zur systemnahen Software
zählen. Die Übersetzungsprogramme können zu den Betriebssystemen gezählt wer-
den, da sie in ihrer Leistung vom Betriebssystem abhängig sind, oder auch den Soft-
ware-Entwicklungswerkzeugen (und somit der systemnahen Software) zugeordnet
werden.
Das Betriebssystem (Operating System) eines Rechners umfasst die gesamte
Software, die zur Durchführung des gesamten Rechnerbetriebs und somit insbeson-
dere zur Ausführung der Anwendungsprogramme sowie zur Ansteuerung der wich-
tigsten Peripheriegeräte wie z.B. Tastatur, Monitor, Speicherlaufwerke und Drucker
notwendig ist. Das Betriebssystem bildet u.a. die zentrale Schnittstelle zwischen
Benutzer und Computersystem, es regelt u.a. die Kommunikation zwischen Anwen-
dern (z.B. Eingabe von Steuerbefehlen, Starten von Programmen) und Rechner
(z.B. Ausgabe des Betriebszustands, von Ergebnissen oder auch von Fehlermeldun-
gen während einer Programmausführung).
2.7.2 Branchen-, Individual- und Standardsoftware, Apps
Die Software macht letztlich ein Computersystem universell einsetzbar. Die An-
wendungssoftware dient dabei zur Lösung von benutzer- und aufgabenspezifischen
Problemen. Generell kann zwischen Branchensoftware sowie Individual- und Stan-
dardsoftware unterschieden werden. Branchensoftware ist auf die speziellen Anfor-
derungen einzelner Branchen wie z.B. Bauwesen, Handwerk, Handel, Banken oder
Steuerberater mit zumeist sehr spezifischen Aufgaben zugeschnitten. Individual-
software ist eigens für einen Anwendungsfall erstellt und auf die spezifischen Be-
dürfnisse eines Anwenders und seines Aufgabenprofils ausgerichtet. Zumeist wer-
den nach Vorgaben eines Anwenders oder nach Ausarbeitung eines Anforderungs-
konzeptes spezielle Softwarelösungen programmiert. Jedoch kann auch eine benut-
zerspezifische Anpassung von Standardsoftware erfolgen, die in der Regel weniger
kostenintensiv als die sehr aufwendige Individualprogrammierung ist. Standard-
software ist (weitgehend) unabhängig von den Anforderungen einer bestimmten
Branche. Hierzu gehören sog. Office-Pakete, die Programme u.a. zur Textverarbei-
tung, zur Tabellenkalkulation oder zur Präsentation umfassen.
Die Vorteile von Standardsoftware gegenüber Individualprogrammierung sind
vor allem Kostenvorteile, eine sofortige Verfügbarkeit und direkte Einsatzmöglich-
keit, eine größere Verwendungsmöglichkeit für unterschiedliche Anwendungsbe-

reiche in einem Unternehmen oder einer Behörde (Synergieeffekte vor allem in-
folge verbreiteter Programmkenntnisse), eine einfachere Bedienung gegenüber Spe-
zialprogrammen sowie ein größeres Angebot von Schulungsmöglichkeiten. An-
wenderforen im Internet, die sich erst bei Standardsoftware ergeben, bieten einen
vielfältigen Erfahrungsaustausch unter mehreren Anwendern. Nachteile von Stan-
dard- gegenüber Individualsoftware sind vor allem Übereinstimmungsprobleme mit
den speziellen Anforderungen eines Anwenders, ein weniger optimales Betriebs-
verhalten bei einer Einzelanwendung (z.B. „umständlichere“ Bedienung, längere
Rechen- oder Reaktionszeiten, „überflüssige“ Programmmodule zu Lasten der
Übersichtlichkeit), Anpassungs- und Schnittstellenprobleme zu individuellen Pro-
grammsystemen. Die genannten Vorteile der Individualsoftware müssen aber nicht
immer bestehen. So kann eine Standardsoftware, die auf einen breiten Anwender-
kreis abzielt, durchaus eine allgemein verständliche, leichte Benutzerführung und
Bedienung besitzen, die keine Spezialisten benötigt. Eine Individualprogrammie-
rung kann diese Ziele aber sehr wohl auch oder gerade erreichen.
Nicht aufgeführt wurden das sog. Softwarerisiko und die Softwarequalität. Ten-
denziell ist das Risiko, irgendwann bei Problemen, bei Änderungs- oder Erweite-
rungswünschen alleine und ohne Unterstützung des Herstellers auskommen zu müs-
sen, bei Standardsoftware geringer. Die Softwarepflege durch den Softwareherstel-
ler ist bei Standardsoftware intensiver, was aber auch zu einer Folge schneller (kos-
tenpflichtiger) Updates führen kann, die ein Anwender nicht (immer zwingend) be-
nötigt, aber dennoch einführen muss, um nicht die Unterstützung zu verlieren oder
um nicht irgendwann eine teure Neuanschaffung vornehmen zu müssen. Tendenzi-
ell ist aufgrund der größeren Erfahrung der Programmierer eines Herstellers von
Standardsoftware eine höhere Qualität zu erwarten. Diese Tendenz muss aber im
Einzelfall nicht immer zutreffen. So kann Individualsoftware in der Regel im Hin-
blick auf den konkreten Einsatz eingehender getestet werden.
Die vermehrte Verwendung von mobilen Endgeräten wie Tabletcomputern oder
Smartphones hat zur explosionsartigen Verbreitung von zugehöriger Anwendungs-
software geführt, die im deutschen Sprachraum mit Mobile-App oder (nur App)
bezeichnet wird und die mit oder ohne Internetzugang außerhalb eines Browsers
arbeitet (vgl. Kap. 3.1.8, zu Applets in einem Browser vgl. Kap. 2.8.3). Die platt-
formabhängigen Apps (sog. native Apps) funktionieren nur unter jeweils einem Be-
triebssystem und sind (zumeist) speziell an diese Plattform angepasst, indem auf
plattformspezifische Hard- und Softwarefunktionen zugegriffen wird (z.B. Kamera,
Mikrofon, GPS- oder Beschleunigungssensor). Abgedeckt werden fast alle denkba-
ren Einsatzbereiche, die von Office-, über Fitness- und Freizeit- zu beliebigen Spaß-
anwendungen reichen. Diese Apps sind größtenteils in den jeweiligen App-Stores
kostenlos oder für geringe Beträge verfügbar.
2.7.3 Anwendungssoftware in der Geoinformatik
Die Geoinformatik nutzt wie jede andere Informationsverarbeitung auch Standard-

software und passt sie häufig benutzerspezifischen Aufgaben an. Darüber hinaus
zerfällt die für Anwendungen und Aufgaben der Geoinformatik spezifische Soft-
ware im Wesentlichen in vier große Kategorien:
- Kartographie-, Präsentations- und Visualisierungssysteme,
- Datenbankverwaltungssysteme,
- Geoinformationssysteme,
- Softwaresysteme zur Fernerkundung und digitalen Bildverarbeitung.
Von zentraler Bedeutung sind dabei Geoinformationssysteme, die als integrierte
Programme u.a. auch Datenbankverwaltung und Präsentation ermöglichen. Geoin-
formationssysteme sind in der Regel Standardprogramme, die für sehr unterschied-
liche Aufgaben wie z.B. zur Verwaltung von Altlastenverdachtsflächen oder im Ge-
omarketing zur Optimierung des Absatzgebietes eingesetzt werden können. Gerade
die benutzerspezifische Anpassung von Geoinformationssystemen im Umweltbe-
reich ist ein wichtiges Aufgabenfeld der Geoinformatik.
2.7.4 Proprietäre, Open-Source-Software und Freie Software
Proprietäre Software wird in der Regel von einem Softwareunternehmen erstellt

und in Form einer kostenpflichtigen Lizenz an den Nutzer weitergegeben, der somit
keine Software erwirbt, sondern dem lediglich Nutzungsrechte eingeräumt werden.
Diese Rechte sind zum Teil stark eingeschränkt. So darf zumeist nur eine einzige
Sicherungskopie erstellt werden. Ein Weiterverkauf ist rechtlich nicht zulässig bzw.
unmöglich, da der Nutzer die Software nicht besitzt. Der Anwender kann Änderun-
gen der Software nicht vornehmen, da der Quellcode nicht offenliegt. Er weiß häu-
fig nicht, mit welchem konkreten Algorithmus gearbeitet wird. Proprietäre Software
bietet im Allgemeinen eine nutzerfreundliche und einfache Installation, eine gute
Dokumentation sowie im Rahmen ihrer Gewährleistung eine hohe Zuverlässigkeit,
einen professionellen Support und regelmäßige Updates.
Freie Software hat in den letzten Jahren erheblich an Bedeutung gewonnen. Zu
den etablierten proprietären Softwaresystemen ist über das Internet eine Vielzahl an
kostenfreien Alternativen verfügbar.
Die Open-Source- und Freie Software-Bewegung zielen auf „frei“ zugängliche
Software ab. Dabei ist grundsätzlich vorab herauszustellen, dass „Open-Source-
Software“ und „Freie Software“ nicht gleichbedeutend sind und vor allem dass das
Wort „frei“ nicht im Sinne von „kostenlos“ benutzt werden darf. So steht „Open
Source“ eher für technische und wirtschaftliche Aspekte und betont die Entwickler-
sicht, da Open Source durch Offenlegung des Quellcodes und dadurch der zugrunde
liegenden Algorithmen Weiterentwicklungen ermöglicht und letztlich zu einer bes-
seren als auch zu preisgünstigerer proprietärer Software führen soll. Demgegenüber
lehnt die Freie-Software-Bewegung, insbesondere die Free Software Foundation,
generell proprietäre Software aus sozialethischen Gründen ab, da ihrer Meinung
nach Software grundsätzlich transparent, überprüfbar, ohne Kosten und frei zugäng-
lich, also Allgemeingut sein soll.
Ein erster Schritt zur Entwicklung freier Software war Anfang der 1980er Jahre das
GNU-Projekt, das sich die Entwicklung eines freien, UNIX-ähnlichen Betriebssys-
tems zum Ziel setzte (GNU als rekursives Akronym für „GNU’s not UNIX“). Im
Jahre 1985 wurde die Free Software Foundation (FSF) gegründet, um dem GNU-
Projekt einen formalen Rahmen zu geben. Sie definiert vier Freiheiten, die im
Grunde Freiheiten der Nutzer und der Entwickler sind bzw. die Entwicklung von
Software betreffen. Die Freiheit (vgl. GNU 2019a):
1. die Software für einen beliebigen Zweck auszuführen,
2. die Funktionsweise der Software zu studieren und sie an Ihre eigenen Bedürf-
nisse anzupassen,
3. Kopien der Software weiterzugeben,
4. die Software zu verbessern und diese Verbesserungen zu veröffentlichen.
Der freie Zugang zum Quelltext ist notwendige Voraussetzung für die Freiheiten
(2) und (4). Somit umfasst Freie Software nach der Free Software Foundation mehr
als eine öffentliche Zugänglichkeit zum Quellcode, die noch nicht die Möglichkeit
beinhalten muss, den Quelltext zu verwenden, ihn zu verändern oder ihn weiterzu-
geben.
Gegenüber der bisherigen unscharfen Verwendung des Begriffes „Open Source“
besteht mit der Open Source Definition der Open Source Initiative (OSI) ein Krite-
rienbündel für Softwarelizenzen, das sehr große Ähnlichkeit zur Freien Software
aufweist, aber Fehlinterpretationen des Wortes „frei“ vermeidet. Nach der Open
Source Definition der OSI wird von einer Lizenz für Open-Source-Software ver-
langt:
1. freie Weitergabe der Software, d.h., die Lizenz darf die Weitergabe der Software
nicht einschränken;
2. verfügbarer Quellcode, d.h., der Quellcode muss für alle Nutzer frei verfügbar
sein;
3. abgeleitetes Arbeiten, d.h., die von der Ausgangssoftware entwickelte neue
Software und deren Vertrieb erfolgt unter derselben Lizenz wie die Basissoft-
ware;
4. Integrität des Autoren-Quellcodes, d.h., die Lizenz kann die Verbreitung von
veränderter Software dahingehend einschränken, dass die Verbreitung von sog.
Patchfiles nur mit dem Quellcode erlaubt ist. Die Lizenz muss die Verbreitung
von Software gestatten, die auf veränderten Originalquellcodes beruht. Die Li-
zenz kann von einer abgeleiteten Version einen neuen Namen oder eine neue
Versionsnummer verlangen.
5. keine Diskriminierung von Personen oder Gruppen, d.h., die Nutzung darf nicht
für einzelne Personen oder Gruppen verweigert werden;
6. keine Nutzungseinschränkung, d.h., die Lizenz darf die Nutzung nicht auf ein-
zelne Verwendungszwecke einschränken;
7. Lizenzverbreitung, d.h., die Lizenz darf sofort ohne den Erwerb anderer Lizen-
zen genutzt werden;
8. Produktneutralität, d.h., die Lizenz darf sich nicht auf eine bestimmte Software-
Distribution beziehen;
9. keine Einschränkung anderer Software, d.h., die Lizenz darf z.B. nicht die Ver-
breitung nur mit Open-Source-Software verlangen;
10. technologieneutral, d.h. die Bereitstellung der Lizenz darf keine Technologie
oder Vertriebsformen wie z.B. über das Internet ausschließen.
Die Open Source Definition der OSI ist somit eine Richtlinie zur Bewertung von
Softwarelizenzen (vgl. Open Source Initiative 2019).
Zur Umsetzung des freien Softwaregedankens wurden mehrere formal-juristi-
sche Softwarelizenzmodelle entwickelt, die die Freiheiten einer Software bzw. de-
ren Art der Nutzung sicherstellen sollen. Am weitesten verbreitet ist GNU-GPL, die
GNU General Public License, die vor allem das sog. Copyleft-Prinzip beinhaltet.
Diese Regelung (auch „share alike“ genannt) garantiert, dass Freie Software stets
Freie Software bleibt und somit Freiheiten bei der Verbreitung nicht eingeschränkt
werden dürfen. Somit dürfen Programme, die aus einer unter GPL stehenden Soft-
ware entwickelt werden, ebenfalls nur unter Bedingungen der GPL weitergegeben
werden. Dieses Lizenzmodell führt dann zu Konflikten, wenn GPL-lizenzierte Soft-
ware z.B. als Programmbibliothek in proprietäre Programme eingebunden werden
soll. Vor diesem Hintergrund wurde die GNU-LGPL, GNU Lesser General Public
License, entwickelt, die die Benutzung von LGPL-lizenzierten, freien Programmen
auch in proprietären Programmen gestattet (zu weiteren GNU-Lizenzmodellen vgl.
GNU 2019b).
Kurzform Der Name Das Werk Das Werk Das Werk

des Autors darf nicht darf nicht muss nach
muss ange- verändert kommerziell Veränderung
geben wer- werden. verwendet unter der glei-
den. werden. chen Lizenz
weitergege-
ben werden.
by x
by-sa x x
by-nd x x
by-nc x x
by-nc-sa x x x
by-nc-nd x x x
Abb. 2.11: Creative-Commons-Lizenzen (nach Creative Commons 2019)
Neben den GNU-Lizenzmodellen bestehen ähnliche Modelle, von denen diejenigen

der Creative Commons von größerer Bedeutung sind (vgl. Abb. 2.11). Creative
Commons (CC) ist eine Non-Profit-Organisation, die durch verschiedene Standard-
Lizenzverträge allgemein, d.h. nicht nur auf Software beschränkt, die Veröffentli-
chung und Weitergabe digitaler Medieninhalte unterstützen will. Derzeit werden
sechs verschiedene Lizenzen angeboten, die die Freiheiten zur Weitergabe und Ver-
änderung abstufen (vgl. Creative Commons 2019):
Netze und Vernetzung 41
Die vereinfachte Sicht, dass der Einsatz Freier Software auch völlig kostenfrei
sei, muss korrigiert werden. Die Implementierung Freier Software in einer Kom-
mune oder in einem Unternehmen erfolgt in der Regel durch einen IT-Dienstleister,
der sehr häufig auf der Grundlage Freier Software individuelle Softwareanpassung
oder -weiterentwicklung vornehmen muss, so dass die Freie Software sich in die
vorhandene Softwareumgebung einfügt. Geschäftsmodelle im Rahmen Freier Soft-
ware zielen neben der technischen Anpassung und Wartung auf Schulung sowie
allgemein auf Unterstützung der Kunden ab. Somit kann durchaus der Umstieg von
ehemals proprietärer auf Freie Software zumindest in einer Anfangsphase kosten-
intensiver als eine Verlängerung eines Lizenzvertrages sein. Eine Kostenersparnis
kann sich mittelfristig einstellen, da jetzt beliebig viele Lizenzen einzusetzen sind
und (jährliche) Lizenzgebühren nicht mehr anfallen.
2.8 Netze und Vernetzung
2.8.1 Definition und Unterscheidungsmerkmale
Unter einem Computernetz oder Netzwerk ist die Gesamtheit von Leitungen, Ver-
mittlungsstellen und Teilnehmereinrichtungen zu verstehen, die sämtlich der Da-
tenkommunikation dienen. Mehrere unabhängige Computerstationen bzw. Arbeits-
plätze sind verbunden und können gemeinsam auf Datenbestände zugreifen, Daten
austauschen und Betriebsmittel wie z.B. Drucker oder Sicherungsgeräte nutzen.
Hinsichtlich der Hardware besteht ein Computernetz mindestens aus dem Leiter-
system, das in der Regel aus Koaxialkabel, auch aus Glasfaserkabel oder aus einer
drahtlosen Verbindung z.B. über Funk (z.B. Bluetooth), Infrarot oder Satellit auf-
gebaut sein kann, sowie aus den angeschlossenen Rechnern, die über geeignete
Netzwerkadapter verfügen müssen. Ein verbreiteter und von der IEEE (Institute of
Electrical and Electronics Engineers) genormter Netzwerktyp für lokale Netze ist
das sog. Ethernet, das Übertragungsgeschwindigkeiten von 10 MBit/sec. bzw. 100
MBit/sec. (Fast-Ethernet) bzw. 1000 MBit/sec. (GBit-Ethernet) bis 10 GBit/sec. er-
reichen kann. Hinsichtlich der Software besteht ein Computernetz aus spezieller
Steuerungssoftware oder aus einem geeigneten Betriebssystem, das den Zugang
zum Rechnernetz steuert und die Ressourcen (u.a. verbundene Geräte, aber auch
Software) verwaltet. Netzwerke lassen sich nach mehreren Gesichtspunkten klassifi-
zieren:
Nach der Größe des Netzes oder räumlichen Entfernung der Rechner:
In einem lokalen Rechnernetz (LAN, local area network) sind die Rechner an
einem Standort (Gebäude, Betriebsgelände) eingebunden. In Weitverkehrsnetzen
(WAN, wide area network) befinden sich die Rechner weit entfernt voneinander,
Weitverkehrsnetze können auch mehrere lokale Rechnernetze verbinden. Hinsicht-
lich der lokalen Rechnernetze sind leitungsgebundene von solchen Netzen zu un-
terscheiden, bei denen die Daten über Funk und somit kabellos übertragen werden
(WLAN, wireless local area network, Funknetz). Sehr häufig sind sog. WLAN-
Router im Einsatz, die mit einem Local Area Network oder einem anderen kabel-
gebundenen Datennetz (z.B. Telefonnetz) verbunden sind und als sog. Wireless Ac-
cess Points eine Funkverbindung z.B. zu mobilen Endgeräten wie Notebooks her-
stellen. Die Datenübertragungsraten sind bei WLANs im Allgemeinen deutlich ge-
ringer als bei einem LAN. Allerdings bestehen erhebliche Schwierigkeiten, die Da-
tenübertragungsraten zu vergleichen, da sowohl bei WLAN als auch bei LAN ver-
schiedene technische Standards bestehen (bei LAN Ethernet, Fast-Ethernet, Gi-
gabit-Ethernet), wobei die Verkabelung (Kupferkabel nach verschiedenen Katego-
rien wie z.B. CAT 5 oder Glasfaserkabel) und die eingesetzten Netz-Hardwarekom-
ponenten (z.B. Hubs, Switches, Gigabit-Ethernet-Switches) von großer Bedeutung
sind. So kann ein optimal konfiguriertes WLAN nach dem weit verbreiteten IEEE
802.11ac Standard schneller als ein altes LAN sein. Aktuelle ac-Router erreichen
Übertragungsraten von bis zu 1.300 Mbit/s. Zuweilen besteht in Gebäuden mit mas-
siven und dicken Wänden eine ungünstige Verbindungsqualität, die zusammen mit
einer oftmals komplexen Handhabung eines Routers und Spekulationen über Ge-
sundheitsgefahren durch elektromagnetische WLAN-Felder als mögliche Alterna-
tive Strom-LANs (PowerLAN) sinnvoll erscheinen lassen. Der Datenaustausch fin-
det hierbei über das hausinterne Stromnetz statt, wobei nach dem IEEE 1901.FFT-
Standard Reichweiten bis zu 300 m, allerdings nicht über verschiedene, durch ei-
gene Fehlerstromschutzschalter abgesicherte Stromkreise, und Datenübertragungs-
raten von bis zu 2.000 MBit/sec möglich sein sollen.
Nach der Netzwerktopologie: Als Netzwerktopologie oder Netzwerkstruktur
wird die Anordnung bezeichnet, wie die einzelnen Rechner untereinander verbun-
den sind. Die wichtigsten Netzwerktopologien sind, wobei der hier skizzierte logi-
sche Aufbau eines Netzes nicht dem physikalischen Aufbau entsprechen muss:
Bus-Topologie: Sämtliche Teilnehmer sind über eine gemeinsame Leitung (Bus)
miteinander verbunden. Falls eine Station ausfällt, wird die Übertragung nicht be-
einträchtigt.
Ring-Topologie: Sämtliche Teilnehmer sind ringförmig von Station zu Station
miteinander verbunden. Falls eine Station ausfällt, entsteht ein Totalausfall des gan-
zen Netzes.
Stern-Topologie: Die Teilnehmer sind sternförmig mit einem zentralen Rechner
(sog. HUB) verbunden. Falls eine Station ausfällt, wird die Übertragung nicht be-
einträchtigt.
Nach der Art der verteilten Verarbeitung:
Beim sog. Peer-to-Peer-Netzwerk sind in der Regel mehrere vollwertige Perso-
nal Computer eingebunden, die auch unabhängig, d.h. unvernetzt betrieben werden
können. Die einzelnen Rechner sind gleichrangig und übernehmen jeweils die Ver-
waltungs- und Steuerungsaufgaben, es besteht kein festgelegter Server. Mit einem
Peer-to-Peer-Netz ist ein Datenaustausch (gemeinsamer bzw. gegenseitiger Zugriff
auf Datenträger, Verschicken von Nachrichten) und eine gemeinsame Nutzung von
Peripheriegeräten wie z.B. Druckern möglich. Diese Form ist für kleinere Netze mit
bis etwa 15 Rechnern geeignet.
Die sog. Client-Server-Netzwerke stellen die wichtigste moderne Verteilungs-
form dar (vgl. Abb. 2.12). Hierbei sind die beteiligten Rechner nicht gleichberech-
tigt. Es besteht eine klare Funktionstrennung zwischen leistungsfähigen Rechnern,
die als Server Dienstleistungen anbieten, und weiteren Rechnern, die als Clients
diese Dienstleistungen nachfragen. Entsprechend den Dienstleistungen werden Da-
ten- und Programmserver (sog. file bzw. application server), die Daten und/oder
Programme zur Verfügung stellen, Druckserver, die zwischengespeicherte Druck-
aufträge abarbeiten, und Kommunikationsserver unterschieden. Dabei müssen nicht
unterschiedliche Rechner zum Einsatz kommen. Ein leistungsfähiger Rechner kann
mehrere Aufgaben übernehmen. Die Funktionsverteilung wird letztlich durch Soft-
ware geregelt, deren Funktionsfähigkeit somit auch über die Leistung des Netzwer-
kes im Hinblick u.a. auf Reaktionszeit und Verarbeitungsgeschwindigkeit der Pro-
gramme entscheidet.
Ein Rechner kann sowohl Server als auch Client sein. Passive Server stellen nur
Daten oder Programme bereit. Demgegenüber führen aktive Server selbst Pro-
gramme aus (verteilte Verarbeitung).
Abb. 2.12: Prinzip eines Client-Server-Netzwerkes
2.8.2 Internet
Das International Network, Abkürzung Internet, ist eine weltweite Verbindung un-
terschiedlicher Netze, wobei im Prinzip kein Netz ständiger Verbindungen besteht,
sondern der Zusammenschluss auf Vereinbarungen über Kommunikationsformen
beruht. Der Informationsaustausch zwischen sehr unterschiedlichen Rechnerplatt-
formen erfolgt über das TCP/IP-Protokoll, das bis etwa 1982 spezifiziert wurde. Die
vom US-Verteidigungsministerium eingerichtete Forschungseinrichtung ARPA
(Advanced Research Projects Agency) initiierte 1969 das sog. ARPANET, das ab
Anfang der 1970er Jahre Universitäten und Forschungseinrichtungen verband, die
mit dem US-Verteidigungsministerium zusammenarbeiteten. Die eigentliche Ge-
burtsstunde des Internets kann etwa auf das Jahr 1983 datiert werden, als das
ARPANET auf das Kommunikationsprotokoll TCP/IP umgestellt wurde. Die eins-
tige Zielsetzung veränderte sich unter Förderung der National Science Foundation
(NSF) zu einem nichtkommerziellen Wissenschaftsnetz (NSFNET). Beteiligt wa-

ren Forschungseinrichtungen und Universitäten, wobei in den 1980er Jahren auch
Forschungsnetze in Europa angebunden wurden. Der Begriff „Internet“ entstand.
Drei Jahreszahlen markieren wesentliche Entwicklungsschritte: 1989 wurde am
CERN (European Organization for Nuclear Research, urspr. Conseil Européen pour
la Recherche Nucléaire) der Netzdienst World Wide Web entwickelt. 1993 wurde
der erste frei verfügbare Web-Browser Mosaic veröffentlicht, der die Darstellung
von Graphiken und Text ermöglichte. In den folgenden Jahren unterstützte die Na-
tional Science Foundation die Privatisierung, bis schließlich in 1998 die Netzzu-
gangspunkte und Verwaltungsfunktionen kommerzialisiert wurden (vgl. National
Science Foundation 2019). Danach begann ein exponentielles Wachstum. Mittler-
weile sind jede wissenschaftliche und öffentliche Einrichtung, jeder Interessenver-
band sowie jedes Wirtschaftsunternehmen und auch Privatpersonen im Internet
bzw. World Wide Web vertreten. Das Internet hat als Massenmedium u.a. durch
den elektronischen Handel, sog. E-Commerce, eine enorme wirtschaftliche Bedeu-
tung erlangt. Kennzeichnende Merkmale sind also: offenes System, dezentrale
Steuerung, heterogene Hard- und Softwaresysteme.
Das Internet stellt viele Dienste zur Verfügung, die durch verschiedene Proto-
kolle realisiert werden, die auf dem Protokoll TCP/IP aufsetzen. Die Dienste wer-
den zum Teil als eigene Programme bzw. Funktionen in Betriebssystemen oder
auch in verschiedenen Web-Browsern angeboten. Die zurzeit wichtigsten bzw. am
häufigsten benutzten Dienste sind:
- Electronic Mail oder E-Mail (Simple Mail Transfer Protocol SMTP): Austausch
von Nachrichten in Form von Daten. Zumeist wird eine Nachricht, d.h. eine sog.
E-Mail, auf einem E-Mail-Server zwischengespeichert, zu dem der Anwender
eine Zugangsberechtigung hat (indirekter Informationsaustausch). Einer E-Mail
können Dateien mit beliebigen Inhalten beigefügt werden (sog. Attachments).
Neben dem Internet können E-Mails über sog. Online-Dienste oder Mailbox-
Netze verschickt werden.
- Usenet News (Network News Transfer Protocol NNTP): Diskussionsrunden im
Usenet, das ein System von Anbietern und Nachfragern internationaler News-
groups darstellt. Ein News-Server des Internet-Providers bzw. eine Mailbox stellt
Informations- und Diskussionsforen zur Verfügung, die abonniert oder eingese-
hen werden können.
- Terminal Emulation oder Telnet (Telnet Protocol): Programmausführung auf ei-
nem Internetrechner. Hierdurch werden Fernzugriffe auf Rechner im Internet
möglich, für die ein Anwender eine Zugangsberechtigung haben muss und auf
denen er Programme online ausführen lassen kann.
- File Transfer (File Transfer Protocol FTP): Auf der Basis des File Transfer Pro-
tocol und eines FTP-Programms ist ein einfacher Dateiversand und Datenaus-
tausch zwischen verschiedenen Rechnerwelten gegeben.
- World Wide Web, WWW (Hyper Text Transfer Protocol HTTP): Weltweites In-
formationssystem (Kurzform auch: Web). Das World Wide Web besitzt neben E-
Mail inzwischen die größte Bedeutung und wird häufig (fälschlich) mit dem In-
ternet gleichgesetzt. Der Kommunikationsstandard HTTP ist dabei Grundlage der
Übertragung von Informationen zwischen einem WWW-Server und einem
WWW-Client. Zentrale Aufgaben bei der Kommunikation übernehmen sog.

Browser (vgl. Abb. 2.14). Der Zugriff auf eine Information erfolgt über eine stan-
dardisierte Adresse (sog. URL, uniform ressource locator), die sich aus der An-
gabe des Dienstes bzw. des Protokolls (z.B. http://) und der Angabe des Ortes der
Ressource (z.B. www.uni-osnabrueck.de) zusammensetzt. Mit HTTPS (Hyper
Text Transfer Protocol Secure) können Daten abhörsicher übertragen werden
(u.a. Verschlüsselung und Authentifizierung, d.h. Überprüfen der Identität der
Verbindungspartner).
2.8.3 Web-Technologien
Der Aufbau einer Kommunikation zur Übertragung von Textseiten im Internet er-
folgt nach einem recht einfachen Prinzip: Von einem Client in einem Netzwerk wird
mit Hilfe eines Web-Browsers (vgl. Abb. 2.13) eine Verbindung zu einem Web-
Server aufgebaut. Ein Web-Browser ist ein Programm, mit dem HTML-Webseiten
oder generell Dokumente wie z.B. Bilder dargestellt werden können. HTML (Hy-
pertext Markup Language) ist dabei eine textbasierte Beschreibungssprache, mit der
Texte, Bilder und sog. Hyperlinks in Dokumenten strukturiert werden (vgl. Abb.
2.14 und Kap. 3.1.7).
Abb. 2.13: Funktionsprinzip einer Client-Server-Anwendung
Um eine bestimmte Seite anzufordern, wird aus verschiedenen Anweisungen eine

Anfrage generiert und zum Server gesandt. Dieser sog. Request besteht also aus
mehreren sog. Methoden (z.B. get oder post), die im Hyper Text Transfer Protocol
definiert sind. Der Server antwortet mit einem sog. Response. Mit dieser Antwort
werden vom Server wiederum Anweisungen und vor allem Daten zurückgeschickt.
Anschließend wird die Verbindung beendet (abgesehen von der relativ seltenen
Ausnahme einer sog. Keep-Alive-Verbindung). Die übertragenen und auf der Fest-
platte des Client im browsereigenen Cache zwischengespeicherten Informationen
werden durch den Browser angezeigt.
In die Textdokumente, d.h. in die HTML-Seiten, können neben Text auch Gra-
phiken sowie Ton- und Videosequenzen integriert sein, die je nach Hardwareaus-
stattung wiedergegeben werden können. Hierdurch werden in einer besonderen
Form der verteilten Verarbeitung multimediale Objekte, d.h. beliebige Dateien aus
Texten, Graphiken, Ton- oder Videosequenzen, in ein Dokument (sog. Hypertext)
logisch eingebunden. Die eigentliche Lokalisierung der Datenquellen ist unwichtig.
Besondere Markierungen (Verbindungssymbole wie z.B. Textunterstreichungen als

Standardform) in Textdokumenten, die in Web-Browsern angezeigt werden, ma-
chen Verbindungen (sog. Hyperlinks oder kurz Links) zu anderen Dokumenten auf
beliebigen Servern im World Wide Web deutlich. Durch Anklicken einer derartigen
Markierung mit der Maus wird durch den Browser die Verbindung zu dem Doku-
ment aufgebaut, das durch die Markierung bezeichnet wird, und auf den eigenen
Rechner übertragen. Abbildung 2.14 (mit zugehörigem HTML-Text) verdeutlicht
an einem sehr einfachen Beispiel dieses Prinzip.
Abb. 2.14: Web-Browser und Hypertext
Die Einbindung von Informationen, die irgendwo im World Wide Web liegen kön-
nen, wird durch Browser als Informationsorganisatoren verwirklicht. Das in der Ab-
bildung 2.14 dargestellte Beispiel verdeutlicht den Grundaufbau einer einfachen
HTML-Seite. Allerdings werden inzwischen Webseiten weitaus professioneller er-
stellt und bedienen sich einer Vielzahl von Erweiterungsmöglichkeiten zum reinen
HTML-Text. Mit Hilfe sog. Cascading Style Sheets (CSS) kann die Form der Dar-
stellung von den Inhalten eines strukturierten Dokuments (z.B. HTML- oder XML-
Seiten) getrennt werden. Mit AJAX (Asynchronous JavaScript and XML) besteht
dank der asynchronen Datenübertragung zwischen dem Server und dem Browser
zudem die Möglichkeit, bestimmte Bereiche eines HTML-Dokuments zu aktuali-
sieren, ohne die gesamte Seite neu laden zu müssen. So werden z.B. parallel beim
Eingeben eines Suchbegriffes in eine Suchmaske bereits Antwortvorschläge ange-
zeigt (bekannt von Google oder Wikipedia). Dadurch können Zeit und Volumen für
die redundante Übertragung unnötiger bzw. bereits übertragener Daten gespart wer-
den.
In dieser lange Zeit häufigsten Form der Datenübertragung im Internet werden
Informationen nur statisch übermittelt. Der Benutzer erhält Informationen von ei-
nem Datenserver, die anschließend offline auf dem Client weiterverarbeitet werden
(sog. Herunterladen oder Download von Daten). Hierbei erfolgt neben der Informa-
tionsbeschaffung keine Verarbeitung von Informationen über das Internet. Demge-
genüber können Programme bzw. Programmteile, die in HTML-Seiten eingebun-
den, an den Client übertragen und anschließend dort ausgeführt werden, den Funk-
tionsumfang des Client erweitern und Arbeiten auf dem Client verrichten. Diese
Form des verteilten Arbeitens im Internet kann durch mehrere Varianten umgesetzt
werden:
Plug-ins sind Programme, die sich in den Browser (oder in andere Programme)
einfügen, um zusätzliche Funktionen zur Verfügung zu stellen. Sie werden z.B. über
das Internet übertragen und auf dem Client installiert. Hierdurch kann die Funktio-
nalität des Browsers erheblich gesteigert werden, wodurch vor allem bei interakti-
ven Graphikanwendungen viel Rechentätigkeit auf den Client verlagert, eine
schnelle Übertragung gewährleistet und das Netz weniger belastet werden. Ein Bei-
spiel ist das Acrobat-Reader-Plug-in, das in einem Browser die Anzeige von Da-
teien im PDF-Format ermöglicht.
Ferner kann z.B. mit Java-Applets oder mit JavaScript der Leistungsumfang von
Browsern erhöht werden (vgl. Kap. 3.1.7). Während Plug-ins auf dem Client ver-
bleiben und auch für weitere Anwendungen zur Verfügung stehen, müssen Web-
Applets stets neu (mit den HTML-Seiten) übertragen werden. Web-Applets sind
Computerprogramme, die direkt im Browser auf der Clientseite ausgeführt werden,
ohne dass Daten von einem Server übertragen werden. Der Nutzer interagiert direkt
über den Browser mit dem Programm. Allerdings ist der Einsatz aus Sicherheits-
gründen kritisch zu beurteilen, da von einer unbekannten externen Quelle übertra-
gene Applets möglicherweise Schaden anrichten können (z.B. Löschen oder Sper-
ren von Dateien auf der lokalen Festplatte). Aufgrund dieses Sicherheitsrisikos wer-
den Java Applets ohne Zertifikat auf vielen Browsern blockiert (zur Anwendungs-
software auf mobilen Endgeräten vgl. Kap. 3.1.8).
Auf der Serverseite regelt eine Webserver-Software, häufig vereinfacht als
Webserver bezeichnet, die Kommunikation mit anderen Programmen auf dem Ser-
ver (vgl. Abb. 2.15). In der einfachsten Form des verteilten Arbeitens im Internet
werden statische Dateien, z.B. unveränderliche HTML- oder Bilddateien, von ei-
nem Server auf einen Client übertragen und dort weiterverarbeitet. Als eine wich-
tige Anwendung in der Geoinformatik kann das Herunterladen einer Karte genannt
werden, wobei dann das Vergrößern oder Verschieben eines Ausschnittes auf dem
Client erfolgen (u.a. mit Nachladen von Kacheln nach dem Verschieben). Sehr häu-
fig werden dem Nutzer bzw. seinem Browser dynamisch erzeugte Dateien zur Ver-
fügung gestellt, die individuell nach den Anforderungen und Anfragen des Nutzers
erstellt werden. Dem Nutzer werden zur Darstellung einer vollständigen Webseite
die HTML-Seite selbst, eine Datei mit den Anweisungen zum Design der Seite so-
wie mehrere Bilddateien einzeln übertragen. Jeweils wird vom Browser eine eigene
Anfrage an den Webserver gestellt, so dass für eine komplexe Webseite zuweilen
hunderte Anfragen und Serverantworten notwendig sind.
Abb. 2.15: Anwendung des Client-Server-Modells in der Geoinformatik
Dynamische Webseiten, wozu häufig die Skriptsprache PHP benutzt wird, werden
aus verschiedenen Quellen zusammengestellt und an den Client übertragen. Der
PHP-Code liegt auf dem Server. Der Client übermittelt, welcher PHP-Code bzw.
welche PHP-Datei ausgeführt werden soll. Erst das Ergebnis dieser serverseitigen
Verarbeitung wird an den Browser zurückgeschickt und dem Nutzer anschließend
angezeigt. Das Besondere an dieser Technik ist, dass in Abhängigkeit einer Daten-
verarbeitung auf dem Server beliebig viele HTML-Zeilen erstellt werden können.
So kann z.B. durch eine Datenbankabfrage eine neue Tabelle erzeugt werden, die
als HTML-Seite an den Client zurückgeschickt wird.
Anwendungen in der Geoinformatik konkretisieren die allgemeine Client-Ser-
ver-Architektur im Hinblick auf spezifische Funktionen auf der Serverseite (Spezi-
alfall des allgemeinen Modells). Der Nutzer ruft wie im allgemeinen Modell im
Web-Browser, der als Client dient, Funktionen auf, die auf einem oder mehreren
Servern (Hardware) bearbeitet werden. Die Anfragen werden über einen Webserver
(Software, z.B. der freie Apache Tomcat Webserver) an einen Mapserver (Soft-
ware, z.B. der freie GeoServer) geleitet und dort mit Zugriff auf die Geodaten be-
arbeitet (vgl. Kap. 7.2.2, 7.2.3 u. 6.4.3). Das Ergebnis wird dann meist in Form einer
Karte vom Mapserver über den Webserver an den Client zurückgesendet (vgl. wei-
tergehend die (OGC-)Geodatendienste in Kap. 6.4.2).
Auf der Softwareseite liegt eine dreischichtige Architektur vor. Die Präsentati-
onsschicht ist für die Repräsentation der Daten, für die Benutzereingaben und ge-
nerell für die Benutzerschnittstelle verantwortlich. Die Datenhaltungsschicht ent-
hält Geodaten, die ggf. in einer Datenbank vorliegen, sie ist verantwortlich für das
Speichern und Laden von Daten. Die Logikschicht umfasst die Verarbeitungsme-
chanismen und die Anwendungslogik. Genau der Leistungsumfang dieser Logik-
schicht bestimmt letztlich die Ausrichtung des gesamten Systems. Er reicht vom
Anzeigen von Karten mit nur einfachen Navigationsfunktionen bis hin zum Web-
Mapping (vgl. Kap. 7.2.1) und zum Web-GIS (vgl. Kap. 9.2). Nicht zu verwechseln
ist das in Abbildung 2.15 dargestellte Schichtenmodell mit dem sog. ISO/OSI-
Referenzmodell (vgl. Schreiner 2019 S. 3 ff.). Dieses von der International Orga-
nization for Standardisation (ISO) veröffentliche Modell beschreibt die in einer Art
Schichtenstruktur aufgebaute Architektur der Kommunikationsprotokolle in Com-
puternetzen (OSI = Open Systems Interconnection). Die in Abbildung 2.15 darge-
stellte Client-Server-Kommunikation bezieht sich hier vor allem auf die oberen
Schichten des ISO/OSI-Referenzmodells (Darstellung und Präsentation der über-
tragenden Daten, anwendungsorientiert). Die unteren Schichten des ISO/OSI-
Referenzmodells (Transportprotokolle, Übertragung einzelner Bits über das Netz-
werk, transportorientiert) werden in Abbildung 2.15 nicht dargestellt.
Anzumerken ist, dass die Logikschicht, die typischerweise auf der Serverseite
vorhanden ist, sich bei Web-Mapping-Anwendungen wie auch bei einem Web- und
Internet-GIS auch auf den Client ausdehnen kann. Übliche Funktionen sind hierbei
die räumliche Navigation (z.B. Zoomen, Ausschnitt verschieben) und die themati-
sche Navigation (Ebenen/Themenschichten ein- und ausblenden).
Serverbasierte Programme bieten mehrere Vorteile. Der Nutzer benötigt ledig-
lich einen Web-Browser als Teil der Standardkonfiguration eines Rechnersystems,
um die gewünschten Informationen zu erhalten. Darüber hinaus ist für den Client
keine weitere Software notwendig. Besonders herauszustellen ist, dass keine Einar-
beitung in eine weitere, möglicherweise sehr komplexe Software notwendig wird.
Die Bedienung ist allein mit den Kenntnissen des Web-Browsing möglich. Gerade
dieser Vorteil hilft, große Nutzerkreise zu erschließen.
2.8.4 Web 2.0
Das World Wide Web hat seinen Durchbruch den unzähligen kostenlosen Informa-
tionsangeboten zu verdanken, die von jedermann und beinahe von jedem Ort leicht
über Browser abrufbar sind. Die Anfänge sind dadurch gekennzeichnet, dass dem
Nutzer vielfältige Informationen angeboten wurden, die er (nur) durch Abfrage-
funktionen betrachten und auswerten konnte. Informationen wurden ausschließlich
von den Anbietern zur Verfügung gestellt. Diese Generation wird repräsentiert
durch die inzwischen unzähligen Web Portale. Einerseits dienen sie der Selbstdar-
stellung z.B. von Unternehmen und öffentlichen Einrichtungen sowie dem Verbrei-
ten von Information, um dadurch den Umfang von Standardanfragen zu verringern.
Andererseits bieten sie Verkaufsprodukte an. Diese Webseiten sind durch die neuen
Formen weder verdrängt noch abgelöst worden. Sie machen weiterhin einen großen,
wenn nicht sogar den überwiegenden Teil der Informationen im WWW aus. Für
diese Generation besteht kein Name, erst aus der Perspektive des Web 2.0 wird
häufig die Bezeichnung Web 1.0 benutzt.
Die Bezeichnung Web 2.0 geht auf den Beitrag von O‘Reilly „What is Web 2.0?“
zurück (vgl. O’Reilly 2005). Hierdurch wird eine neue Generation des WWW iden-
tifiziert und benannt, die sich vereinfacht durch einen neuen Grad an Interaktivität
auszeichnet und bei der der Nutzer (nicht der Informationsanbieter) eine immer be-
deutendere Rolle spielt. Durch die Anwender werden neue Informationen erzeugt,
modifiziert und präsentiert (user generated content). Auch Nicht-Fachleute können
durch einfache Programmiertechniken und Werkzeuge als Entwickler auftreten,
von z.B. Wikis (Hypertext-System für Webseiten zum gemeinschaftlichen Erstellen
von Texten z.B. Wikipedia), von Blogs (auf Webseiten geführtes und zumeist
öffentliches (Tage-)Buch) sowie von Podcasts (Audio- und Videodateien), oder
Profile mit persönlichen Daten in sozialen Netzwerken erstellen (Austausch von
Informationen und Vernetzen mit anderen Nutzern, Teilhabenlassen an
persönlichen Informationen mit Facebook oder Instagram).
Das Web 2.0 nutzt viele bereits in der zweiten Hälfte der 1990er Jahre entwi-
ckelten Techniken, die aber erst mit der größeren Verbreitung breitbandiger Inter-
netzugänge allgemein zugänglich wurden. Typisch sind Techniken, mit denen sich
Web-Anwendungen wie Desktop-Anwendungen verhalten (vgl. Kap. 2.8.3), und
Abonnementdienste (z.B. im Format RSS), die Informationen (insb. Nachrichten-
meldungen) zwischen Webseiten austauschen (z.B. RSS-Feed oder Newsfeed). Ein
wesentliches Element der Webtechnologie ist, dass viele Internetdienste Program-
mierschnittstellen (sog. APIs, application programming interface, Schnittstelle zur
Anwendungsprogrammierung) zur Verfügung stellen. Eine API ermöglicht Zugriff
auf bestimmte Funktionen, Datenstrukturen oder Variablen eines Anbieters. Google
Maps bietet z.B. viele APIs, mit denen Funktionen von Google Maps in eigene
Webseiten eingebettet werden können (z.B. Erstellen einer Anfahrtsroute durch Zu-
griff auf die Routing-Funktionen von Google Maps, vgl. Kap. 7.2.4).
2.8.5 Cloud Computing
Mit zunehmender Vernetzung und der Entwicklung leistungsfähiger Server und ex-
terner Speicher ist ein neuer IT-Ansatz entstanden, der mit Cloud Computing um-
schrieben wird. Vereinfacht wird ein Teil der Hard- und Software, d.h. vor allem
Speicherplatz, Netzwerk und Anwenderprogramme, nicht mehr lokal auf dem
Rechner an einem Arbeitsplatz vorgehalten, sondern bei einem oder mehreren An-
bietern als Dienste genutzt. Dabei sind die Anbieter in einem nicht weiter einge-
grenzten Teil des Internets ansässig, d.h. im übertragenen Sinn irgendwo in einer
„Wolke“ (engl. cloud). Somit beinhaltet „Cloud Computing“ einerseits On-De-
mand-Infrastruktur (Rechen- und Speicherkapazität, Netze) und andererseits On-
Demand-Software (Betriebssystem Anwenderprogramme, Entwicklungswerk-
zeuge). Beide Leistungen werden nach Gebrauch und Umfang abgerechnet und vor
allem in Abhängigkeit des jeweiligen betrieblichen Bedarfs angefordert.
Wegbereiter war das Unternehmen Amazon, das sehr große Serverparks einrich-
tete, die aber nicht durchgängig ausgelastet waren. So lag der Gedanke nahe, die
Rechenleistung anzubieten. Amazon Web Services (AWS) wurden 2006 gestartet,
mit Amazon Elastic Compute Cloud (Amazon EC2) wird z.B. Rechnerkapazität zur
Verfügung gestellt.
Das National Institute of Standards and Technology (NIST), eine US-

Bundesbehörde, veröffentlichte bereits 2011 eine inzwischen weitgehend akzep-
tierte Definition (vgl. Mell u. Grance 2011). Zentrale (technische) Merkmale sind:
on-demand self-service: automatische Zuweisung von Rechnerkapazitäten bei
Bedarf
broad network access: Verfügbarkeit über das Internet, Zugang zu sog. thin oder
thick clients wie z.B. Notebooks, PDAs oder Smartphones
resource pooling: Bündelung der Rechnerkapazitäten des Anbieters unabhängig
von der physikalischen Lokalisierung
rapid elasticity: schnelle und flexible Bereitstellung von Rechnerkapazitäten,
einfache Skalierbarkeit
measured service: automatische Kontrolle und Optimierung der Nutzung der
Ressourcen.
Ferner werden vom NIST drei Servicemodelle für Cloud Computing benannt:
SaaS (Software as a Service): Zugang zu Softwaresammlungen und (speziellen)
Anwendungsprogrammen, die nutzungsabhängig abgerechnet werden, in einem
Browser ablaufen und die in der Regel plattformunabhängig sind
PaaS (Platform as a Service): Bereitstellen von (virtuellen) Laufzeitumgebungen,
in denen nutzergenerierte oder sonstige Programme ablaufen, sowie auch von
Entwicklungsumgebungen mit Zugang zu Programmiersprachen und Testwerk-
zeugen
IaaS (Infrastructure as a Service): (fast beliebiger) Zugang zu Ressourcen wie
Rechner, Netzwerke und Speicher und eigenständige Zusammenstellung der vir-
tuellen Computerhardware durch die Nutzer (zumeist Speicherkapazitäten und
virtuelle Server mit zugehöriger Software)
Zudem listet der Definitionsansatz vom NIST drei (bzw. vier) Einsatzmodelle auf:
private cloud: Betreiben der Cloud-Infrastruktur allein für ein Unternehmen un-
abhängig vom Standort des Anbieters
community cloud: Nutzung der Cloud-Infrastruktur gemeinsam durch mehrere
Unternehmen oder Organisationen
public cloud: Zugang der allgemeinen Öffentlichkeit zur Cloud-Infrastruktur
hybrid cloud: Zusammensetzung von zwei oder drei Einsatzmodellen
Für Anwender haben insbesondere die Servicemodelle eine hohe Relevanz:
Beim IaaS-Modell ist der Anwender von Fragen und Problemen der Anschaffung
und Aktualisierung von Hardware oder einer vorbeugenden Datensicherung be-
freit. Allerdings verantwortet der Nutzer eigenständig das Funktionieren seiner
Software auf dieser virtuellen Rechnerumgebung.
Das PaaS-Modell zielt hauptsächlich auf Entwickler, die virtuell eine vollstän-
dige Arbeits- bzw. Entwicklungsumgebung erhalten. Die „Google App Engine“
als wichtigstes bzw. bekanntestes Beispiel, mit der Webanwendungen unter ge-
wissen Mengeneinschränkungen sogar kostenlos entwickelt und dem Internet zur
Verfügung gestellt werden können, stellt u.a. Entwicklungsumgebungen für Java
und Python bereit.
Beim SaaS-Modell wird durch den Anbieter gesichert, dass die Software auf ih-
rer Infrastruktur funktionsfähig ist und die vom Nutzer gewünschte Leistung er-
bringt, was einen unschätzbaren Vorteil im Alltag bedeuten kann, wenn eine
durchgängige Funktionstüchtigkeit der Software gewünscht oder sogar unab-

dingbar ist. Im einfachsten Fall kann die Verwaltung von E-Mails, Terminen und
Adressen im Web diesen Diensten zugerechnet werden, wobei diese Dienste im
Rahmen der Zugangskosten zum Web (zumeist kostenfrei) angeboten werden
und keine zusätzlichen Gewinne erzeugen. Demgegenüber bieten große Soft-
wareunternehmen, die bisher standardmäßig ihre Unternehmenssoftware über
Lizenzmodelle zur Verfügung stellten, auch ihre Dienste im Rahmen von Cloud
Computing an. So bilden z.B. die Cloud-basierten Lösungen „SAP Business By-
Design“ oder „DATEV-Unternehmen online“ Geschäftsprozesse ab. Dabei
scheint aber häufig nur ein neuer Begriff für die schon lange bestehenden Dienst-
leistungen benutzt zu werden, Office-Anwendungen auf einem Serversystem ei-
nes Softwareanbieters zu betreiben. Auch spezifische Softwarelösungen der
Geoinformatik werden inzwischen im Rahmen von Cloud Computing angeboten.
So ist z.B. ArcGIS Online eine Cloud-basierte GIS-Mapping-Software (vgl. Kap.
9.1.5). Auch kleinere IT-Unternehmen bieten Cloud-basierte GIS-Applikationen
an (d.h. Software as a Service, vgl. PlexMap von Geoplex).
Das Servicemodell BaaS bzw. mBaaS (Backend bzw. mobile Backend as a Service)
ist nicht Teil der NIST-Definition. BaaS ist erst in den letzten Jahren als Abstraktion
formalisiert worden, um der zunehmenden Verbreitung von Apps auf mobilen Ge-
räten Rechnung zu tragen. Ein BaaS dient dazu, mobile Apps mit einer Backend-
Cloud zu verknüpfen. Zusätzlich kann das Backend z.B. über einen Webbrowser
verwaltet werden (z.B. User-Verwaltung, Push-Notifikationen).
Literatur
Broy, M. (1998): Informatik Eine grundlegende Einführung. Band 1: Programmierung und Rech-
nerstrukturen. Berlin: Springer. 2. Aufl.
Creative Commons (2019): Mehr über Lizenzen. https://creativecommons.org/licenses/ (6.11.2019)
GNU (2019a): Freie Software. http://www.gnu.de//free-software/index.de.html (6.11.2019)
GNU (2019b): Dokumente. http://www.gnu.de/documents/index.de.html (6.11.2019)
Gumm, H.-P. u. M. Sommer (2013): Einführung in die Informatik. München: Oldenbourg. 10. Aufl.
Herrmann, D. (1992): Algorithmen Arbeitsbuch. Bonn: Addison-Wesley.
Lang, H. (1993): Farbmetrik. In: Niedrig, H. (Hrsg.): Optik. Bergmann Schaefer Lehrbuch der Ex-
perimentalphysik Bd. 3. Berlin: de Gruyter. 9. Aufl.
Mell, P. u. T. Grance (2011): The NIST Definition of Cloud Computing. Recommendations of the
National Institute of Standards and Technology. Special Publication 800-145. Gaithersburg,
MD. https://nvlpubs.nist.gov/nistpubs/Legacy/SP/nistspecialpublication800-145.pdf (6.11.2019)
National Science Foundation (2019): A Brief History of NSF and the Internet.
http://www.nsf.gov/news/news_summ.jsp?cntn_id=103050 (6.11.2019)
Open Source Initiative (2019): The Open Source Definition. https://opensource.org/docs/osd
(6.11.2019)
O’Reilly, T. (2005): What Is Web 2.0. Design Patterns and Business Models for the Next Genera-
tion of Software. https://www.oreilly.com/pub/a/web2/archive/what-is-web-20.html (6.11.2019)
Schreiner, R. (2019): Computernetzwerke: Von den Grundlagen zur Funktion und Anwendung.
München: Hanser. 7. Aufl.
Schwarz, H.R. u. N. Köckler (2011): Numerische Mathematik. Wiesbaden: Vieweg + Teubner. 8.
Aufl.
3 Grundlagen aus der Informatik
3.1 Programmierung von Computersystemen
3.1.1 Programmierebenen
Der Computer ist ein universell einsetzbarer Automat, der durch ein Programm ge-
steuert wird (vgl. Kap. 2.2). Die Gesamtheit aller Programme, die auf einem Rech-
ner eingesetzt werden können, wird als Software bezeichnet (vgl. Kap. 2.7). Her-
auszustellen ist, dass sowohl die System- als auch die Anwendungssoftware mit
Hilfe von Programmiersprachen, d.h. durch „Programmierung“ erstellt werden.
Diesen (künstlichen) Sprachen kommt somit eine zentrale Bedeutung in der Kom-
munikation zwischen Mensch und Maschine, d.h. zwischen Anwender und Compu-
tersystem zu. Die Programmierung eines Rechners kann im Prinzip auf verschiede-
nen Ebenen erfolgen (vgl. Abb. 3.1):
Maschinensprachen, die für jeden Prozessortyp spezifisch sind, beschreiben ei-
nen Algorithmus als Folge von binär codierten Befehlen (z.B. 010100001010), so
dass der Prozessor dieses Programm sofort ausführen kann. Allerdings ist die Pro-
grammierung sehr zeitaufwendig, schwierig und fehleranfällig. Ein Maschinenpro-
gramm ist nicht auf ein anderes Rechnermodell bzw. Prozessormodell zu übertra-
gen, da es eben aus prozessortypischen Befehlen besteht.
Assemblersprachen sind maschinenorientierte Programmiersprachen, die An-
weisungen und Operationen durch leicht(er) verständliche Symbole ausdrücken.
Hier dienen mnemotechnische (d.h. gedächtnisstützende) Bezeichnungen wie ADD
oder SUB dazu, die Befehle verständlich abzukürzen. Assemblerprogramme sind
effizient und erfordern wenig Speicherplatz. Sie ermöglichen eine recht flexible und
schnelle Programmausführung. Die Programmerstellung ist aber (noch) sehr müh-
selig, die Programme sind relativ schwer lesbar und unübersichtlich. Assemblerpro-
gramme sind von der jeweiligen Hardware abhängig und kaum auf ein anderes
Rechnermodell zu übertragen. Diese Programme können aber schon nicht mehr di-
rekt vom Rechner verstanden werden. Das Assemblerprogramm muss zu seiner
Ausführung in die Maschinensprache mit Hilfe eines Programms übersetzt, d.h. as-
sembliert werden. Die Programm- und Datenadressen werden nicht mehr durch ab-
solut festgelegte Maschinenadressen angegeben. Stattdessen wird eine symbolische
Darstellung gewählt, bei der z.B. (Variablen-)Namen für Adressen stehen. Außer-
dem werden die Konstanten wie z.B. 47 in der gewohnten Schreibweise und nicht
in binärer Form angegeben. Durch den Prozess der Assemblierung, der wiederum
mit Hilfe spezieller Programme erfolgt, werden dann Assemblerprogramme auto-
matisch in ein Maschinenprogramm übersetzt. Das Programm zur Erläuterung des

https://doi.org/10.1007/978-3-662-60709-1_3
Funktionsprinzips einer Von-Neumann-Maschine wurde ebenfalls in einer hypo-

thetischen Assemblernotation angegeben, die durchaus vorhandenen Assembler-
sprachen ähnelt. Programme in Assembler werden auch heute noch dann erstellt,
wenn kurze Verarbeitungszeiten erforderlich sind oder nur geringer Speicherplatz
zur Verfügung steht. Insbesondere werden Assemblerprogramme als Unterpro-
gramme in Programme einer höheren Programmiersprache eingebunden, wenn ein
besonders effizienter schneller Code z.B. für eine sich häufig wiederholende Re-
chenoperation erzeugt werden muss.
Problemorientierte oder höhere Programmiersprachen realisieren Algorithmen
durch einfache, dem Problem angepasste Formen unabhängig von einem bestimm-
ten Prozessor oder einer bestimmten Rechenanlage. Sie sind problemnah, in der
Regel komfortabel und in der Erstellung weniger zeitaufwendig sowie leichter les-
bar, besser zu strukturieren und weniger fehleranfällig. Sie sind aber speicherinten-
siv und langsamer als entsprechende Programme in Assembler. Programme, die in
einer problemorientierten Programmiersprache erstellt worden sind, können vom
Rechner nicht direkt verstanden und ausgeführt werden. Durch die Kompilierung,
die wie die Assemblierung mit Hilfe spezieller Programme (sog. Compiler) erfolgt,
werden derartige Programme in ein Assemblerprogramm oder bereits direkt in ein
Maschinenprogramm übersetzt (vgl. Kap. 3.1.2). Die Programme in einer höheren
Programmiersprache sind auf Computersysteme unterschiedlicher Art übertragbar,
u.U. ist eine neue, prozessorabhängige Kompilierung notwendig.
Gegenüber diesem klassischen Prinzip wird in der Programmiersprache Java aus
einem Quelltext bei der Kompilierung nicht direkt Maschinencode, sondern ein
Zwischencode erzeugt. Dieser sog. Java-Bytecode, der die Maschinensprache
Abb. 3.1: Vom Problem zur Lösung: Programmierung eines Computersystems

Programmierung von Computersystemen 55
einer Virtuellen Maschine (VM) darstellt, d.h. einer nicht aus Hardware bestehen-
den, sondern aus Software nachgebildeten Maschine, wird erst zur Laufzeit durch
die sog. Java Virtual Machine (JVM) in die entsprechenden Maschinenbefehle des
Prozessors übersetzt und ausgeführt. Da der Bytecode unabhängig von der realen
Hardware ist, wird eine sog. Plattformunabhängigkeit erreicht. Dies ist somit einer-
seits von Vorteil, andererseits sind Java-Programme aufgrund fehlender Hardware-
nähe relativ langsam. Ferner muss die Virtuelle Maschine für jede Rechnerplattform
bereitgestellt werden, auf der das Programm bzw. der Bytecode ausgeführt werden
soll. Die Java Virtual Machine ist Teil der Java-Laufzeitumgebung (JRE, Java Run-
time Environment), die für jede Rechnerplattform existiert und als GNU General
Public License frei verfügbar ist. Neben Java verwenden auch die .NET-Sprachen
bzw. die daraus entwickelten Programme einen Bytecode. Dabei fasst der Begriff
.NET mehrere, von Microsoft herausgegebene Softwareplattformen wie z.B. Visual
C#.NET, C++.NET oder Visual Basic.NET zusammen.
3.1.2 Erstellen und Ausführen von Programmen
An der Erstellung und Ausführung von Programmen sind wiederum mehrere Pro-
gramme beteiligt (vgl. Abb. 3.2). Über einen Editor, d.h. über ein Programm zur
Eingabe und Bearbeitung von Texten, Zahlen wie auch Sonderzeichen, erfolgt die
Eingabe der Programmanweisungen. Vorausgegangen sind die Problemanalyse, die
Erarbeitung einer Lösungsstrategie, einer ersten oder groben Programmskizze oder
auch die Zusammenstellung sämtlicher Programmbefehle (zur Softwareentwick-
lung vgl. Kap. 3.5). Ein derartiges Programm, das in einer höheren Programmier-
sprache geschrieben worden ist, wird als Quellprogramm bezeichnet, das den sog.
Quelltext (d.h. auch Quellcode oder Sourcecode) enthält. Da derartige Quellpro-
gramme nicht direkt vom Rechner bzw. Prozessor ausgeführt werden können, über-
setzt ein Compiler die Programme in das Maschinenprogramm.
Allgemein ist ein Compiler ein Programm, das ein in einer höheren Program-
miersprache geschriebenes Programm liest und dieses dann in ein Programm einer
Zielsprache übersetzt. Eine wesentliche Teilaufgabe eines Compilers ist die Mel-
dung syntaktischer Fehler, die im Quellprogramm enthalten sind. Compiler sind so-
mit wichtige Softwarewerkzeuge. Von ihrer Zuverlässigkeit und Handhabbarkeit
(z.B. Fehleranalyse) wird die Produktivität der Programmerstellung und der An-
wendersoftware erheblich beeinflusst. Das Compilieren eines Programms muss als
komplexer Prozess aufgefasst werden, der sich in mehrere Phasen gliedert:
Das Quellprogramm wird in seine Bestandteile zerlegt. Durch die lexikalische
Analyse (Scanning) wird u.a. überprüft, ob die im Quellprogramm enthaltenen Zei-
chen und Symbole erlaubt und im Wortschatz, d.h. im Alphabet der Programmier-
sprache, enthalten sind.
Anschließend wird in der Syntaxanalyse (Parsing) überprüft, ob die benutzten
Worte oder Anweisungen oder der formale Aufbau der Anweisungen den Regeln
der Sprache entspricht. So wird allgemein unter Syntax der Satzbau oder der for-
male Aufbau der Sätze oder Wörter einer Sprache verstanden. Überprüft wird somit
z.B., ob die Anweisung „statik“ zur gewählten Programmiersprache gehört. Leider
fehlt dabei eine detaillierte Fehleranalyse, so dass der Programmierer nicht darauf
aufmerksam gemacht wird, dass, sofern er in der Sprache Java programmiert, die
richtige Anweisung „static“ lauten muss.
Im nächsten Schritt erfolgt die semantische Analyse. Allgemein kennzeichnet die
Semantik die inhaltliche Bedeutung einer Sprache. Hier wird also das Programm
auf Bedeutungsfehler überprüft. Die Codeerzeugung wird vorbereitet.
Im letzten Schritt der Codeerzeugung wird das eigentliche Zielprogramm erstellt.
Es werden die Maschinenbefehle erzeugt. Die Codegenerierung erfolgt dabei häufig
wiederum in mehreren Schritten. So wird zunächst nur ein Zwischencode erzeugt.
Anschließend wird während der Codeoptimierung versucht, den Zwischencode zu
verbessern, um dadurch einen effizienteren Maschinencode zu erstellen. Häufig er-
zeugen Compiler statt direkten Maschinencodes zunächst Assembleranweisungen,
die von einem Assembler in ein Maschinenprogramm übersetzt werden müssen. Da
Assembler wie Compiler Maschinenprogramme, d.h. prozessortypische Anweisun-
gen erzeugen, sind diese Werkzeuge vom jeweiligen Prozessor (bzw. seinem Be-
fehlssatz) abhängig.
Nach dem Übersetzen wird das kompilierte Programm mit anderen Programmen,
die bereits schon in Maschinensprache vorliegen, beim Linken zu einem einzigen
Programm zusammengebunden. Diese Programme können aus mehreren verschie-
denen Übersetzungen stammen. So kann ein umfangreiches Programm in Einzel-
teile zerlegt werden, die nacheinander getestet und kompiliert werden. Fast in jedem
Fall werden beim Linken vom System bereitgestellte Bibliotheksfunktionen wie
z.B. standardmäßig vorliegende Ein- und Ausgaberoutinen oder mathematische
Funktionen wie z.B. sin(x) hinzugebunden. Der Loader lädt das Programm in den
Hauptspeicher und führt es aus. Häufig werden diese Schritte in einer komfortablen
Programmierumgebung automatisch ausgeführt. Im Idealfall meldet sich das Com-
putersystem ohne Fehlermeldung und liefert das gewünschte Ergebnis. Wenn nicht,
beginnt die Fehlersuche, mit der viele Programmierer den größten Teil ihrer Zeit
verbringen.
Anstelle von Compilern übersetzen Interpreter ein Programm nacheinander
Schritt für Schritt und führen direkt im Anschluss die Anweisung aus. Hierbei wird
also nicht zuerst ein gesamtes Programm geschlossen in eine andere Sprache über-
setzt. Interpreter werden vor allem für Programmiersprachen eingesetzt, die zum
Dialogbetrieb gedacht sind. Der Vorteil von Interpretern besteht darin, dass nach
Änderungen des Quellcodes das Programm danach sofort ausführbar ist, d.h. ohne
Kompilieren. Beim Auftreten eines Fehlers im Programm kann versucht werden,
direkt die betreffende Codezeile zu verändern, um anschließend das Programm wie-
der fortzusetzen. Dies erleichtert erheblich die Fehlerbehandlung und das Erstellen
fehlerfreier Programme. Allerdings bestehen bei Interpretern wesentlich längere
Rechenzeiten. Die Adressen aller verwendeten Variablen müssen z.B. bei einer Zu-
weisung über die Bezeichnung gesucht werden, während die Adressen beim Com-
piler einmalig berechnet werden. Python ist eine moderne Interpretersprache, die
recht einfach zu erlernen ist und mehrere Programmierparadigmen wie z.B. die
funktionale oder objektorientierte Programmierung unterstützt (zur Bedeutung von
Python in der Geoinformatik vgl. Kap. 3.1.5).
Abb. 3.2: Erstellen und Ausführen von Programmen mit einem Computersystem
Ein Editor, der Linker und der Loader sind Bestandteile des Betriebssystems. Zu-
sammen mit einem Compiler, der von der jeweils benutzten Programmiersprache
und dem Befehlsvorrat des Prozessors abhängig ist, bilden diese Programme die
Minimalausstattung, die zur Erstellung von Programmen notwendig ist. Zumeist ist
aber der (einfache) Editor des Betriebssystems zur Entwicklung von Programmen
wenig geeignet. Tippfehler, d.h. sprachabhängige Tippfehler, können bei der Ein-
gabe nicht erkannt werden. Vor allem können hierbei keine Hilfen angeboten wer-
den, die Erläuterungen zu Befehlen liefern können.
Während derartig einfache Programmierbedingungen die Anfänge der Program-
mierung kennzeichneten, dominiert heute eine interaktive Arbeitsweise mit einer
graphischen Benutzeroberfläche und intuitiver Benutzerführung (integrierte Ent-
wicklungsumgebung, IDE von engl. integrated development environment). Abbil-
dung 3.3 zeigt die (graphische) Programmierumgebung Eclipse, ein frei verfügbares
Programmierwerkzeug zur Entwicklung von Software für viele Programmierspra-
chen wie z.B. Java, C/C++, PHP oder Python (vgl. Eclipse Foundation 2019). In
mehreren Fenstern werden verschiedene Programmierwerkzeuge zur Verfügung
gestellt: Im Codefenster wird der Quellcode eingegeben, wobei z.B. bereits wäh-
rend der Eingabe eine Syntaxüberprüfung und Autovervollständigung der Codezei-
len erfolgen. Anweisungen, Variablen und Kommentare werden unterschiedlich
farbig gekennzeichnet, Strukturblöcke werden (automatisch) eingerückt. Aus einer
Sammlung von Elementen können z.B. in der Programmierumgebung C u.a. auto-
matisiert sog. Makefiles generiert werden, so dass eine einfachere und schnellere
Programmerstellung erfolgen kann. Zur Programmierumgebung gehören ferner u.a.
Compiler und Testhilfen z.B. zum Diagnostizieren und Auffinden von Fehlern (De-
bugger). Diese Werkzeuge, die einzelne Programme darstellen, sind in die Entwick-
lungsumgebung integriert und müssen nicht gezielt einzeln vom Programmierer
aufgerufen werden.
Abb. 3.3: Programmierumgebung von Eclipse für die Programmiersprache C/C++
Im Zusammenhang mit dem Erstellen von Programmen sind zwei Konzepte von
großer praktischer Bedeutung:
- Häufig werden zu Programmiersprachen oder zu einer bestehenden Software
Programmierschnittstellen angeboten. Eine derartige API (Application User In-
terface) ermöglicht Softwareentwicklern Zugriff auf weitere Ressourcen, so dass
sie (individuelle) Erweiterungen programmieren können. Beispiele sind die
Google Maps API im Rahmen der Entwicklung graphischen Applikationen für
Smartphones (vgl. Kap. 7.2.4) oder die Programmierschnittstellen ArcPy und
PyQGIS (vgl. Kap. 3.1.5).
- Ein Plug-in ist eine „fertige“ Softwarekomponente (häufig synonym zu „Add-
on“), die eine Software erweitert. Neben Plug-ins für Web-Browser (vgl. Kap.
2.8.3) sind in der Geoinformatik vor allem Erweiterungen zu Geoinformations-
systemen von Bedeutung. So können Plug-ins vom Benutzer zu speziellen An-
wendungen installiert und während der Laufzeit des Programms eingebunden
werden (vgl. die Fülle an Plug-ins zu QGIS, vgl. QGIS 2019a u. QGIS 2019b).
3.1.3 Programmiersprachen
Maschinen- und Assemblersprachen sind wenig geeignet, auch nur einfache Re-
chenanweisungen zu programmieren. So wäre es für eine mathematisch-technische
Programmiersprache zwingend notwendig, für die Berechnung von y = x2 nur ein-

fach genau diese Anweisung schreiben zu müssen. Werden für die Übertragung ei-
ner Problemlösung (d.h. eines Algorithmus) auf einen Rechner problemangepasste
Operationen verwendet, so spricht man von der Programmierung in einer höheren
Programmiersprache. Vor der Ausführung durch den Rechner müssen allerdings
diese Befehle zunächst in die Maschinensprache (vgl. Kap. 3.1.2) übersetzt werden.
Die Programmiersprachen werden häufig wie folgt klassifiziert:
Die Sprachen der sog. 1. Generation waren echte Binärsprachen. Die Program-
mierung von Computern erfolgte bis Mitte der 50er Jahre ausschließlich in Maschi-
nensprachen. Diese Programmierung war sehr umständlich und insgesamt ein
Hemmnis der Computerarbeit.
Die 2. Generation bildeten Assemblersprachen, die ebenfalls noch sehr maschi-
nennah arbeiteten und daher ein weitgehendes Verständnis der Hardware erforder-
ten. Die Befehle aus der Befehlsmenge des Intel-8086/88-Prozessors:
MOV eax, 100h (lade 100hex in das Register eax)
ADD eax, 70h (addiere 70hex zu eax)
führen die Addition 256 + 112 aus, wobei ADD eax für einen Maschinencode in der
Form „1010 0001 0000 0000 0010 1010“ und 100hex für 256 im Hexadezimalzah-
lensystem stehen. Assemblersprachen haben aufgrund der Leistungsfähigkeit der
Hochsprachen keine Bedeutung mehr.
Die Sprachen der 3. Generation umfassen die höheren oder problemorientierten
Sprachen, die maschinenfern sind, aber Sprachelemente der menschlichen Sprache
besitzen. Sie gewährleisten eine bessere Strukturierbarkeit der zu lösenden Aufga-
ben, erleichtern erheblich die Lesbarkeit und sind dadurch vor allem weniger feh-
leranfällig. Dieser Generation gehören die derzeit aktuellen Hochsprachen wie z.B.
C, C++ oder Java an.
Die Anwendersprachen machen die Sprachen der 4. Generation aus, bei denen
z.B. die Anbindung von Datenbanken an Programmiersprachen erfolgte. Hierzu ge-
hört vor allem die Structured Query Language (SQL, vgl. Kap. 8.4.3). Generell kön-
nen dieser Generation auch die Makro-Sprachen und Skriptsprachen zugerechnet
werden, mit denen z.B. Textverarbeitungs- oder Tabellenkalkulationsprogramme
benutzerspezifisch angepasst und gesteuert werden können.
Die Sprachen der 5. Generation umfassen die sog. KI-Sprachen (KI = künstliche
Intelligenz). Die in diesen Sprachen entwickelten Programme sollen menschliches
Denken nachahmen. Lösungen werden mit Hilfe von bestimmten Regeln erarbeitet.
Hierzu gehören logische Sprachen wie z.B. Lisp oder Prolog.
In diese Generationenfolge lassen sich Sprachen zum Erstellen von Webseiten
oder zum Datenaustausch zwischen Computersystemen nicht einordnen (vgl. z.B.
HTML u. XML). Streng genommen liegen keine Programmiersprachen vor, die
durch Kompilieren von Anweisungen Maschinencode erzeugen. Die Extensible
Markup Language (XML) ist ein Sprachformat für die Gliederung und Formatie-
rung von Texten. Die Textdatei in diesem Austauschformat ist sowohl von Men-
schen als auch von Maschinen lesbar. Eigenschaften, Zugehörigkeiten und Darstel-
lungsformen von Abschnitten eines Textes (z.B. Zeichen, Worte, Absätze) werden
mit sog. öffnenden und schließenden Tags markiert und gegliedert (vgl. die XML-
Struktur mit den Tags in spitzen Klammern in der Datei SVG, vgl. Kap. 3.1.7).
Die Vielfalt an Programmiersprachen ist inzwischen fast unübersehbar gewor-

den. Allerdings sind von den inzwischen mehr als 1000 Programmiersprachen nur
etwa 20 weiter verbreitet (zur Geoinformatik vgl. Tab. 3.1), die sich grob nach vier
Gruppen unterscheiden lassen. Diese Gruppen besitzen jeweils fundamental unter-
schiedliche Denkansätze. Imperative und zunehmend objektorientierte Program-
miersprachen sind am weitesten verbreitet und dominieren die Programmierung:
Die imperativen Programmiersprachen (Befehlssprachen) stellen die ältesten
höheren Programmiersprachen dar, sie spiegeln deutlich die Architektur des Von-
Neumann-Rechners wider. Ein Programm setzt sich hierbei aus einer Folge von Be-
fehlen an den Computer zusammen wie z.B.: „Weise der Variable z den Wert 3.3
zu“, „Springe an die Stelle y im Programm“. Hierbei sind das Variablenkonzept und
vor allem das Datentypkonzept (vgl. Kap. 3.2) verwirklicht: Die Eingabewerte wer-
den Variablen zugeordnet und nicht mehr direkt Speicherzellen. Die Definition von
Datentypen war allerdings bei den älteren Sprachen wie Fortran oder BASIC noch
auf die Standarddatentypen beschränkt, wobei die komplexen Datentypen moderner
Sprachen geeignet sind, die Informationsstrukturen der Realität optimal zu model-
lieren. Beispiele sind: Algol, BASIC, C, COBOL, Fortran, Pascal oder Modula (vgl.
Programme in Kap. 3.1.4.1 u. 3.1.4.2). Die prozedurale Programmierung ist ein
Teil der imperativen Programmierung, bei der ein komplexeres Computerpro-
gramm aus kleineren Teilaufgaben, den Prozeduren, aufgebaut ist. Noch einen
Schritt weiter geht die modulare Programmierung, indem Prozeduren zusammen
mit Daten in logischen Einheiten zusammengefasst werden. Schließlich vollendet
die objektorientierte Programmierung diese Entwicklung, bei der Daten und Funk-
tionen, die (nur) auf diese Daten angewandt werden können bzw. sollen, zu einem
Objekt.
In funktionalen (applikativen) Programmiersprachen werden die Beziehungen
zwischen Ein- und Ausgaben mit Hilfe mathematischer Ausdrücke beschrieben, in-
dem man elementare Ausdrücke für einfache Funktionen zugrunde legt und hieraus
mit Operationen, die auf Funktionen definiert sind, komplexere Funktionen dar-
stellt. Dabei besteht ein Programm aus einer Menge von Ausdrücken, die Funktio-
nen definieren. Das beherrschende Sprachelement ist somit die Funktionsanwen-
dung. Wesentliche Bestandteile eines Programms sind Definitionen von Funktionen
und deren Anwendung auf Terme. So ist eine Berechnung die Ausführung oder An-
wendung einer Funktion auf eine Liste von Werten oder Ausdrücken. Insbesondere
spielen rekursive Funktionsanwendungen eine große Rolle, bei der eine Funktion
auf sich selbst angewandt wird. Beispiele für funktionale Programmiersprachen
sind die älteren Sprachen Lisp oder Logo sowie Haskell oder jüngst F# im Rahmen
des .NET Framework von Microsoft, deren Bedeutung relativ gering ist, die aber
wie z.B. Haskell die Entwicklung anderer Programmiersprachen wesentlich beein-
flusst haben.
Die Programmierung wird bei prädikativen Programmiersprachen als Beweisen
in einem System von Tatsachen und Schlussfolgerungen aufgefasst. Vom Anwen-
der wird eine Menge von Fakten (gültige Prädikate) und Regeln (wie man aus Fak-
ten neue Fakten gewinnt) vorgegeben. Der Rechner hat die Aufgabe, eine gestellte
Frage mit wahr oder falsch zu beantworten. Derartige Sprachen werden zur Ent-
wicklung von Expertensystemen eingesetzt. Ein Beispiel für eine prädikative Pro-
grammiersprache ist Prolog.
Bei der objektorientierten Programmierung stehen Klassen und Objekte im Mit-
telpunkt. Eine Klasse beschreibt dabei die Zusammenfassung von (ausgewählten)
Funktionen oder Methoden und Konstanten oder Programmvariablen (in der Ob-
jektorientierung Attribute genannt). In Klassen sind Attribute und die darauf anzu-
wendenden Methoden zusammengefasst (in der Objektorientierung Kapselung ge-
nannt). Objektorientierte Programmiersprachen besitzen standardmäßig umfangrei-
che Klassenbibliotheken. Das Programmieren läuft hierbei zu einem großen Teil
darauf hinaus, ausgehend von diesen Klassen Unterklassen zu erzeugen, die die
Funktionalität der Oberklasse erben und darüber hinaus speziell auf die Fragestel-
lung zugeschnitten werden. Mit Hilfe der Klassen werden dann während der Lauf-
zeit Objekte erzeugt, die die Daten enthalten. Hierbei entspricht ein Objekt einem
Datensatz, auf den durch den Objektnamen verwiesen wird. Auf die Attribute wird
(abhängig von ihrer sog. Sichtbarkeit) über Methoden zugegriffen. Der Grundge-
danke der objektorientierten Programmierung, die das derzeit wichtigste Program-
mierkonzept darstellt, wird an einem Beispiel im Kapitel 3.1.4.3 verdeutlicht.
Tabelle 3.1: In der Geoinformatik relevante Programmiersprachen

C Anfang der 70er Jahre zunächst nur für das Betriebssystem UNIX entwickelte impe-
C++ rative Sprache (UNIX basiert im Wesentlichen auf C), Kombination von Struktur-
C# elementen höherer Programmiersprachen wie Datentypen, Blöcke, Funktionen o-
der Schleifen mit relativ maschinennahen Konstruktionen (z.B. Registeroperatio-
nen), somit bessere Rechnerausnutzung, relativ geringer Sprachumfang. C++ ist
die Weiterentwicklung von C im Hinblick auf die objektorientierte Programmie-
rung. C# (c sharp) ist die von Microsoft für .NET Framework entwickelte Pro-
grammiersprache, die Konzepte u.a. von C++, Java und Delphi aufgreift.
BASIC Zu Beginn der 60er Jahre in Anlehnung an Fortran entwickelte, einfach zu erler-
Visual nende Sprache (Beginners All Purpose Symbolic Instruction Code), die vor allem
BASIC im Bereich der Personal Computer große Verbreitung gefunden hat (neueste Ver-
sion Visual Basic .NET vollständig objektorientiert).
Java Eine der neuesten Programmiersprachen, die zwar C oder C++ verwendet, die aber
vollständig objektorientiert ist. Java ist recht überschaubar und einfach zu erlernen,
dabei sehr mächtig, kompakt und vielseitig einsetzbar. Das Java Development Kit
steht unter der GNU General Public License und ist somit frei verfügbar. Für Java
liegen umfangreiche freie Programmbibliotheken vor, unter denen die „GeoTools“
für Anwendungen in der Geoinformatik von großer Bedeutung ist.
Java- JavaScript ist eine primär für Webanwendungen zum Einsatz kommende Skriptspra-
script che, die auf der Clientseite ausgeführt wird. Sie weist trotz Namensähnlichkeit nur
geringe Gemeinsamkeiten mit Java auf.
PHP 1995 entwickelte Skriptsprache, häufig verwendete Sprache im WWW, client- wie
serverseitig ausgeführt, Datenbankunterstützung möglich, hoher Funktionsumfang.
Python 1991 entwickelte objektorientierte Programmiersprache, unterstützt ebenso funktio-
nale Programmierung; oft auch als Skriptsprache genutzt; einfache Programmles-
barkeit; Strukturierung ohne Klammern, sondern durch Einrückung; offenes Ent-
wicklungsmodell mit großer Community; durch eine Vielzahl an Modulen erwei-
terbar; auch Module anderer Programmiersprachen wie z.B. C integrierbar.
R 1992 entwickelte Programmiersprache für Berechnung der Statistik und deren gra-
phische Umsetzung
Objektorientierte Programmiersprachen gehen somit von einem fundamental ande-

ren Denkansatz als imperative Programmiersprachen aus, bei denen mathematische
Verrechnungsmethoden im Vordergrund stehen. Objektorientierte Programmier-
sprachen entsprechen eher der Denkweise der Alltagswelt, bei der ebenfalls Objekte
und ihre Eigenschaften (untrennbar) gekoppelt sind (vgl. Kap. 3.1.4.3). Unmittelbar
für die objektorientierte Programmierung wurden bereits in den 70er Jahren Small-
talk und Anfang der 90er Jahre Java entwickelt. Die Sprachen C++, Objectiv-C,
Object COBOL, Object Pascal oder auch Oberon (zu Modula-2) sind Erweiterun-
gen konventioneller Programmiersprachen.
Herauszustellen ist, dass von einer Programmiersprache jeweils recht verschie-
dene Dialekte bestehen können, die sich im Sprachumfang und in der Funktions-
vielfalt unterscheiden. So kann z.B. ein fehlerfreies Quellprogramm in C eines Soft-
wareherstellers erst nach Anpassungen, die herstellerspezifische Erweiterungen be-
treffen, durch den C-Compiler eines anderen Softwareherstellers kompiliert wer-
den. Zur Lösung dieser Probleme wurde u.a. die Programmiersprache Java entwi-
ckelt, die Plattformunabhängigkeit bietet (vgl. Kap. 3.1.1).
3.1.4 Programmierkonzepte
Den einzelnen Programmiersprachen liegen unterschiedliche Programmierkonzepte

zugrunde. Hier zeigt sich auch ein zeitlicher Entwicklungsprozess. So ist inzwi-
schen die Technik der strukturierten Programmierung selbstverständlich geworden,
die aber mit den Ende der 60er Jahre vorhandenen Sprachen (noch) nicht möglich
war. In der zweiten Hälfte der 1970er Jahre kam die modulare Programmierung auf.
Seit etwa Mitte der 1980er Jahre nahm die objektorientierte Programmierung stetig
an Bedeutung zu, wodurch das derzeit gültige Programmierkonzept gekennzeichnet
wird. Grundlegend für sämtliche Programmiersprachen sind noch immer das Vari-
ablen- und das Datentypkonzept:
Beim Variablenkonzept wird vom tatsächlich zugrunde liegenden Speicherplatz
abstrahiert. Adressen und Operationscodes werden durch Namen ersetzt. Somit
kennzeichnen Variablen in einem Programm einen bestimmten Speicherplatz im
Rechner, der während der Kompilierung zugewiesen wird und dem Programmierer
in der Regel unbekannt ist. Die Zuweisung in Python-Notation „wert = 5“ bedeutet,
dass im Speicherplatz der Variablen „wert“ (z.B. 01001110) die Zahl 5 als Bitfolge
00...0101 eingetragen wird. Allerdings sind Variablen innerhalb eines Programms
nicht identisch mit Variablen in der Mathematik. In einem Programm ist die An-
weisung x = x + 1 möglich, die zu einer Variablen den Wert 1 addiert und die
Summe wieder dieser Variablen zuweist, während in der Mathematik diese Glei-
chung keine Lösung hat.
Ferner muss zumeist vorab der Datentyp definiert werden (Ausnahme Python).
Aufgrund der Problemstellung sind häufig nur ganze oder nur reelle Zahlen zu be-
nutzen, einer Variablen soll Text oder ein logischer Wert zugewiesen werden. Zur
Darstellung derartiger Zahlbereiche oder Daten stehen in den Programmiersprachen
verschiedene Datentypen zur Verfügung, die auch unterschiedliche Speichergenau-
igkeiten umsetzen oder verschiedene Speicheranforderungen stellen. Aus einfachen
Datentypen lassen sich neue Datentypen wie z.B. Arrays zusammensetzen (vgl. ein-
gehender Kap. 3.2 u. insb. Kap. 3.2.3).
3.1.4.1 Strukturierte Programmierung
Die strukturierte Programmierung zielt darauf ab, ein Programm leicht lesbar und
übersichtlich zu gestalten und es durch einfache Regeln und Bausteine zu struktu-
rieren. Dieser Programmierstil vermeidet grundsätzlich einfache Sprünge (sog.
goto-Anweisungen), die frühe Programme kennzeichneten und sie unübersichtlich
machten (sog. Spaghetticode). Vor allem dient der konsequente Einsatz von Struk-
turblöcken, das Programm in Einzelteile zu zerlegen und somit zu strukturieren.
Diese Bereiche werden z.B. in Java oder C mit "{" und "}" eingeschlossen. In Py-
thon besteht ein völlig anderes Strukturierungskonzept. Hier benutzt man das Ein-
rücken von Zeilen oder die Benutzung von Leerzeichen am Anfang einer Zeile als
Strukturierungselemente.
Für die Zerlegung eines Programms in Strukturblöcke sollte gelten:
- Ein Strukturblock besitzt eine eindeutige Funktion.
- Ein Strukturblock besteht aus einem einzigen Befehl (Elementarbefehl), aus meh-
reren Befehlen oder aus mehreren nachgeordneten Strukturblöcken.
- Zwischen Strukturblöcken besteht keine Überlappung: Entweder sind Struktur-
blöcke vollständig getrennt oder ein Strukturblock ist vollständig in einem über-
geordneten enthalten.
- Ein Strukturblock besitzt genau einen Eingang und einen Ausgang (und somit
keine Sprünge in den Strukturblock).
Neben Strukturblöcken werden insbesondere Prozeduren (Unterprogramme) zur
übersichtlichen Strukturierung verwendet. Hierdurch wird die Aufgabe in mehrere
Teilaufgaben zerlegt, die in mehreren Schritten einzeln gelöst werden. Die einzel-
nen Komponenten können leicht abgetrennt, somit einzeln getestet und verifiziert,
aber auch in anderen Programmen wiederverwendet werden. Damit Gruppen von
Anweisungen öfter unter verschiedenen Bedingungen (in anderen Programmen)
eingesetzt werden können, sollten sie möglichst flexibel an verschiedene Einzelfälle
angepasst werden können. Deshalb versieht man Prozeduren (Unterprogramme) mit
Parametern, denen je nach Unterprogrammaufruf verschiedene Werte zugewiesen
werden können.
Die strukturierte Programmierung basiert ferner auf der Verwendung klar aufge-
bauter Datenstrukturen und Konstantenvereinbarungen, die getrennt (zu Beginn)
deklariert und nicht über das Programm gestreut werden, sowie ferner auf der Ver-
wendung selbsterklärender Namen und Bezeichner.
Diese Regeln zur strukturierten Programmierung erscheinen fast selbstverständ-
lich. Anzumerken ist, dass die zu Beginn der Computerentwicklung vorliegenden
Programmiersprachen einen derartigen Programmierstil kaum unterstützten. Für
frühe Programme waren zahlreiche Programmverzweigungen mit Vor- und Rück-
wärtssprüngen üblich, die die Übersichtlichkeit erschwerten.
Die Programmabläufe lassen sich auf wenige Grundformen, sog. Steuer- oder
Kontrollstrukturen, zurückführen. Die Aufeinanderfolge einzelner Schritte des Al-
gorithmus wird als Sequenz von Anweisungen (sog. statements) bezeichnet. Inner-
halb einer Sequenz wird jede Anweisung genau einmal ausgeführt.
Die Selektion (Auswahl, Fallunterscheidung) ist eine Struktur, bei der die Aus-
führung von Anweisungen von einer oder mehreren Bedingungen abhängt. Dadurch
können unterschiedliche Lösungswege in Abhängigkeit von verschiedenen Anwen-
dungsvoraussetzungen verfolgt werden. Für die Selektion gibt es mehrere Varian-
ten, die bedingte Verzweigung (in zwei Formen) und die Fallunterscheidung. An-
gelehnt an Python lautet der Code wie folgt, wobei als Strukturierungselemente das
Einrücken von Zeilen oder die Benutzung von Leerzeichen am Anfang einer Zeile
zu erkennen sind:
if bedingung: Falls bedingung = wahr, dann wird aktion 1 ausgeführt, danach
aktion 1 folgt aktion z.
aktion z sonst nur aktion z.
if bedingung: Falls bedingung = wahr, dann wird aktion 1 ausgeführt, danach

aktion 1 folgt aktion z.
else )DOOVEHGLQJXQJZDKUGDQQZLUGDNWLRQDXVJHIKUWGDQDFK
aktion 2: folgt aktion z.
aktion z
if bedingung 1: In Abhängigkeit, welches der Bedingungsteile bedingung 1 bis

aktion 1 bedingung3 wahr ist, wird die zugehörige aktion ausgeführt.
elif bedingung 2: Eine komplexe Fallunterscheidung wird in entsprechend vielen
aktion 2 elif-Anweisungen realisiert. Einige Programmiersprachen
elif bedingung 3: stellen hierfür eine sog. case-Anweisung zur Verfügung.
aktion 3 In Python besteht eine solche Anweisung allerdings nicht.
else:
aktion 4
aktion z
Häufig müssen in einem Algorithmus bestimmte Einzelschritte so lange wieder-
holt werden, bis ein bestimmtes Resultat erreicht ist (z.B. Summieren von n Werten,
Sortieren einer Liste von n Namen). Für solche Wiederholungen (Iterationen) ver-
wendet man das Strukturelement einer Schleife, wobei mehrere Varianten bestehen:
FOR index in RANGE (i,j,k)
aktion 1 Der Rumpf der Schleife (d.h. hier aktion1, ...) wird so oft
aktion 2 wiederholt, bis der Zählindex die Werte i bis j durchlaufen hat.
aktion 3 Der Wert von i wird bei jedem Schritt um k erhöht. Bei diesem
... Schleifentyp (einfache Zählschleife) steht die Anzahl der
aktion z Wiederholungen vorher fest.
WHILE bedingung
aktion 1 Zunächst wird immer die Schleifenbedingung geprüft. Solange
aktion 2 sie wahr ist, wird der Rumpf dieser Schleife ausgeführt
aktion 3 (Schleife mit Vorabtest).
...
aktion z
Für den Entwurf strukturierter Programme werden sog. Nassi-Shneiderman-Di-

agramme herangezogen, die inzwischen genormt sind (DIN 66261) und die sich gut
zur Dokumentation von strukturierten Programmen eignen. Programmentwürfe auf
der Basis dieser Diagramme, die sich dann zwangsläufig aus Strukturblöcken zu-
sammensetzen, führen zu einem strukturierten Programm.
Abb. 3.4: Auswahl von Nassi-Shneiderman-Diagrammen
Einige der angeführten Prinzipien der strukturierten Programmierung und die der
objektorientierten Programmierung (vgl. Kap. 3.1.4.3) sollen an einem einfachen
Beispiel deutlich werden. In einer Datei stehen untereinander mehrere Datensätze
mit jeweils dem Namen einer Messstation, einem weiteren Bezeichner (z.B. dem
Beobachtungsmonat) sowie einer unbekannten Anzahl an Messwerten. Für jede
Zeile, d.h. für jeden Datensatz, soll der Mittelwert der Messwerte berechnet werden.
Die Eingabedaten für dieses Programmbeispiel können z.B. sein (einschl. beliebig
vieler Leerzeichen):
A12 MAI 10.8 12.0 11.7 13.8 12.7
A01 APRIL 9.2
A23 MAI 12.1 11.7 12.8 13.2
A25 MAI 12.8 12.9 13.0 12.7 13.1
A14 MAI 12.4 11.9 14.0 12.5
A26 MAI 7.1 14.1 12.9 11.4
Das Programmbeispiel zur Berechnung des arithmetischen Mittelwerts in C kann
recht einfach nachvollzogen werden, wobei u.U. Kenntnisse der grundlegenden Da-
tentypen und Datenstrukturen notwendig sind (vgl. Kap. 3.2). Einige Erläuterungen
zu dem klar gegliederten und übersichtlichen Programm sind hilfreich:
Jeder Datensatz wird als sog. Struktur verarbeitet, d.h. als benutzerdefinierter
Datentyp (vgl. den neu definierten Datentyp „messreihe“). In einer Schleife erfolgt
das Einlesen und Verarbeiten der Datensätze. Jede Eingabezeile wird anhand der
enthaltenen Leerzeichen zerlegt. Anschließend wird „arr_messreihe“ gefüllt. Das
Programm beschränkt sich auf maximal 15 Werte pro Zeile.
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
struct messreihe{
char id[7] monat[10];
float werte[15];
int anzahl_werte;
};
float mittelwert (struct messreihe m){
float summe = 0;
for (int i = 0; i < m.anzahl_werte; i++) summe += m.werte[i];
return summe/m.anzahl_werte;
}
int main() {
char xin[200];
FILE *datei; //genaue Angabe der Datei
// Einbau einer Fehlerbehandlung, falls das Öffnen nicht erfolgen kann
for (int i= 0; fgets(xin, sizeof(xin), datei) != NULL; i++){
// Sichern der aktuellen Zeile und Teilen
char *kopieZeile = strdup(xin), *split = strtok(xin, " ");
int tokens_pLine = 0;
while (split != NULL){ //Anzahl Elemente pro Zeile
tokens_pLine++;
split = strtok(NULL, " ");
}
//Speicherstruktur erstellen und Daten darin sichern
char *zeile[tokens_pLine], *split2 = strtok(kopieZeile, " ");
for (int j = 0 ; j < tokens_pLine; j++) {
zeile[j] = split2;
split2 = strtok(NULL, " ");
}
// Erzeugen eines Messreihen-Arrays und Fuellen mit Daten
struct messreihe arr_messreihe[MAX];
float messwert = 0;
strcpy(arr_messreihe[i].id, zeile[0]);
strcpy(arr_messreihe[i].monat, zeile[1]);
arr_messreihe[i].anzahl_werte = tokens_pLine-2;
for (int k = 2; k < tokens_pLine; k++) {
messwert = strtof(zeile[k], NULL); //Messwert aus Eingabezeile holen
arr_messreihe[i].werte[k-2] = messwert; //Messwert in Datenstruktur speichern
}
arr_messreihe[i].summe_werte = summe;
printf("| Mittelwert: %0.2f \n", mittelwert(arr_messreihe[i]));
}
fclose(datei);
}
Das Hauptprogramm liest die Daten ein und bereitet sie in der Datenstruktur „mess-
reihe“ auf. Die Funktion „mittelwert“ wertet die Daten aus. Entsprechend können
weitere Funktionen zu anderen Auswertungen entwickelt werden. Somit ergibt sich
eine logische Trennung nach unterschiedlichen Aufgabenbereichen.
Leider besitzt die Programmiersprache C nur magere Operatoren zur Stringbe-

handlung. Durch die Anweisung „fgets(xin), sizeof(xin), datei)“ wird eine Zeile der
Eingabedatei eingelesen und im Array xin gespeichert. Die Datei ist natürlich in
dem Programm mit Pfadangabe noch genau zu spezifizieren. Anschließend wird die
Variable xin in Abschnitte zerlegt, die durch Leerzeichen getrennt sind. Das Pro-
gramm benutzt hierzu Zeiger, die durch das Zeichen * vor dem Namen gekenn-
zeichnet sind (vgl. z.B. *split). Ein Zeiger enthält nicht direkt einen Wert, sondern
„zeigt“ auf die Datenmenge, indem er lediglich die Speicheradresse der Menge spei-
chert (zu Zeigern vgl. Kap. 3.2.2.6).
3.1.4.2 Modulare Programmierung
Die strukturierte Programmierung kann als das erste Programmierkonzept im Hin-

blick auf Übersichtlichkeit und vor allem Wartung und Pflege einer Programmlö-
sung bezeichnet werden. Dieses Konzept löst aber nicht alle Probleme, die gerade
bei der Erstellung großer, komplexer Softwaresysteme auftreten, an der besonders
viele Programmierer beteiligt sind.
Bei größeren Programmieraufgaben ist es notwendig, einzelne Teile in Module
zu zerlegen, die jeweils über eine genau festgelegte Schnittstelle verfügen sowie aus
Typdefinitionen, Prozeduren und lokalen Variablen bestehen. Über diese Schnitt-
stelle werden dem Benutzer Dienste angeboten, die Unterprogramme sein können,
aber auch Konstanten, Datentypen und Variablen. Alle anderen Größen im Modul
unterliegen dem Geheimhaltungsprinzip und sind von außen nicht sichtbar. Eine
größere Aufgabe wird in Funktionsgruppen zerlegt. Diese Module sind unabhängig
voneinander zu verwirklichen und in ihrer Zusammenarbeit überschaubar. Hierzu
müssen nur die Funktion und Wirkung dieser Module und ihre Schnittstellen be-
kannt sein. Die Umsetzung im Innern kann unbekannt sein.
Die Vorteile sind vor allem eine große Übersichtlichkeit und Flexibilität. Bei der
Programmentwicklung muss nur die Schnittstelle definiert oder bekannt sein, so
dass zunächst mit Dummy-Modulen gearbeitet werden kann, die erst später durch
die konkreten Module ersetzt werden. Die Programmierung und Durchführung von
Testläufen kann durch unterschiedliche Programmierer erfolgen. Wartung und
Pflege sind einfacher, da bei Änderungen zumeist nur wenige Module betroffen
sind.
Das Prinzip soll an einem Programmbeispiel in einem Pseudocode (in Anleh-
nung an Python) verdeutlicht werden, das die Entfernung zweier Punkte auf der
Erdkugel errechnet, falls zwei Standortkoordinaten und die jeweiligen Koordina-
tensysteme bekannt sind. Die zur Programmiersprache zugehörigen Anweisungen
wie PRINT sind in Großbuchstaben, die Variablendefinitionen und spezifischen
Programmanweisungen sind in Kleinbuchstaben geschrieben.
...
IMPORT LocationOnEarth
PRINT "Entfernungsberechnung zwischen zwei Standorten"
# Kommentar:
# Eingabe eines Standortes durch X- und Y- Koordinate sowie eines
# Indikators P zur Kennzeichnung der zugehörigen Projektion, zugelassene
# Projektionen sind 1 = Geographische Koordinaten, 2 = UTM-Koordinaten
# jeweils bezüglich des WGS84-Ellipsoiden
PRINT "Eingabe der Koordinaten für den ersten Standort im Format: X Y P"
s1 = LocationOnEarth.readStandort()
PRINT "Eingabe der Koordinaten für den zweiten Standort im Format: X Y P"
s2 = LocationOnEarth.readStandort()
PRINT "Die Entfernung ist: ", LocationOnEarth.distanz(s1,s2)
Das Modul LocationOnEarth bietet die für diese Teilaufgabe notwendigen Dienste
an. Der Benutzer muss lediglich die Schnittstellen kennen, die die nach außen sicht-
baren Konstanten, Variablen, Funktionen und Methoden definieren (Variable s1
und s2, Methoden readStandort und distanz).
Inhalt einer Datei LocationOnEarth, die das gleichnamige Modul definiert:

…
DEF macheStandort (x, y, p):
s = (x, y, p)
RETURN s
DEF istStandort (s):

# Überprüft werden muss, ob die Angaben gültig sind. So sind z.B.
# 6.30 52.40 1 eine korrekte geographische Koordinate
# 33.33 34.34 2 eine ungültige UTM-Koordinate
# Falls ungültige Angabe: Fehlermeldung und Rückgabe von false
DEF readStandort ():

x = INPUT ("X eingeben: ")
y = INPUT ("Y eingeben: ")
p = INPUT ("P eingeben: ")
s = macheStandort(x, y, p)
IF istStandort(s):
RETURN s
DEF distanz (s1, s2):

distanz = …
# Falls UTM-Koordinaten vorliegen, werden sie in geographische Koordinaten
# bezüglich des WGS84-Ellipsoids umgerechnet.
# Mit Hilfe von Formeln der sphärischen Trigonometrie, Distanz über den Großkreis
# (vgl. Kap. 4.2.3) wird die Distanz errechnet.
RETURN distanz
Die eigentliche Programmlösung, z.B. die Implementierung einer zugehörigen

Methode, ist für den Benutzer unbekannt. Im vorliegenden Fall muss festgelegt sein,
wie die Daten strukturiert sind: x- und y-Koordinate als Gleitkommazahl, ein Indi-
kator zur Spezifizierung des zugehörigen Koordinatensystems als Natürliche Zahl,
über den intern u.a. die Entfernungsbestimmung gesteuert wird. Ferner müssen die
Verfügbarkeit einer Methode "distanz" sowie deren Aufruf und Leistung bekannt
sein.
Das vorliegende Beispiel zeigt einen Programmausschnitt zur Definition von Mo-
dulen in modularer Programmierung. Hierbei wurde die Implementierung offenge-
legt, um die Strukturierung zu verdeutlichen. Der Programmierer benötigt dieses
Wissen aber nicht. Er muss lediglich die Schnittstellen kennen und kann darauf ver-
trauen, dass das Modul LocationOnEarth korrekt arbeitet. In der Praxis wird ein der-
artiges Programm weitere Schnittstellen und Prozeduren zur Umrechnung zwischen
verschiedenen Projektionen besitzen.
3.1.4.3 Objektorientierte Programmierung
Die strukturierte Programmierung dient zur klaren Gliederung und Aufgabenvertei-

lung innerhalb eines Programms, wobei Daten nachgeordnet, aber Operationen im
Vordergrund stehen, die vor allem durch Funktionen und Prozeduren definiert wer-
den. Die modulare Programmierung zielt auf eine Aufteilung komplexer Pro-
grammsysteme in unabhängige Module ab und berücksichtigt (natürlich) die Prin-
zipien der strukturierten Programmierung. Die objektorientierte Programmierung
baut auf diesen Prinzipien auf, geht aber einen entscheidenden Schritt weiter. Da-
tentypen und Programmanweisungen werden nicht mehr getrennt behandelt. Beide
werden jetzt zu Objekten zusammengefasst: Jedes Objekt präsentiert eine abstrakte
Darstellung eines entsprechenden Objektes in der Wirklichkeit, wobei die relevan-
ten Daten und die auf diesen Daten möglichen Operationen kombiniert werden.
Zentraler Bestandteil der objektorientierten Programmierung sind Klassen, die
spezielle Datenstrukturen mit den zugehörigen Methoden beschreiben. Objektori-
entierte Programmiersprachen besitzen umfangreiche Klassenbibliotheken, die be-
nutzerspezifisch zu erweitern sind. Objekte, die als Abbilder der Realität Daten und
Eigenschaften umfassen, werden aus Klassen erzeugt. So erzeugt z.B.
„r: = punkt.create (1.1,2.3,3.5)“ ein Objekt einer Klasse „punkt“ zur Darstellung eines
Punktes in einem dreidimensionalen Raum, wodurch implizit die Datenstruktur
festgelegt wird (z.B. drei Gleitkommazahlen zur Darstellung der Koordinaten) und
diesem Objekt sämtliche Methoden der Klasse „punkt“ bekannt sind. Falls die
Klasse „punkt“ die Methode „schieben“ zum Verschieben eines Punktes besitzt, wird
durch „s: = r.schieben (3.0,3.0,3.0)“ aus dem alten Objekt „r“ ein neues Objekt er-
zeugt, das um den Wert 3 in x-, y- und z-Richtung verschoben ist.
Weitere zentrale Konzepte der objektorientierten Programmierung sind die Ver-
erbung, die Kapselung und die Polymorphie.
In einer Oberklasse werden sämtliche Variablen und Methoden definiert, die al-
len einzelnen Klassen gemeinsam sind (z.B. Oberklasse punkt mit grundlegenden
Methoden wie Dateneinlesen, Schieben, Drehen, Spiegeln). Erst abgeleitete Klas-

sen, die bereits die Grundeigenschaften mitbringen (Vererbung), werden auf das
eigentliche Problem zugeschnitten. Hier wird nur die von der Basisklasse abwei-
chende oder zusätzliche Funktionalität realisiert (z.B. in der Unterklasse punktneu
die Methoden zum Bestimmen des Abstands zu einem anderen Punkt). Hierbei ent-
stehen Klassenhierarchien.
Durch Verstecken der Strukturinterna einer Klasse (Kapselung) wird die Konsis-
tenz von Daten und zugehörigen Methoden gewahrt. Datenmanipulationen werden
ausschließlich durch die definierten und autorisierten Methoden durchgeführt. Das
obige Beispiel verdeutlicht bereits die Kapselung von Daten und Methoden. Ferner
wird daran das sog. Geheimnisprinzip der objektorientierten Programmierung ver-
anschaulicht. So muss man nicht die konkrete Realisierung einer Klasse, sondern
nur ihre Wirkung kennen.
Durch den Begriff Polymorphismus wird das Konzept beschrieben, nach dem ein
Name abhängig vom Kontext verschiedene Bedeutungen besitzen kann, was z.B.
dafür sinnvoll eingesetzt wird, um einen gleichen Namen für mehrere Methoden zu
benutzen, die im abstrakten Sinn eine identische Operation ausführen, aber auf sehr
unterschiedlichen Datentypen arbeiten. So kann z.B. die Methode „zeichnen“ für
Objekte der Klasse „Gerade“ definiert und durch Vererbung auf die Unterklasse
„Flurstücksgrenze“ mitvererbt sein. Falls dann für diese Unterklasse die Methode
„zeichnen“ verfeinert wird (z.B. Anwendung einer bestimmten Signatur), hängt die
Ausführung des Aufrufs „x.zeichnen“ vom Objekttyp „x“ ab, ob also die Methode
„zeichnen“ der Klasse „Gerade“ oder die Methode „zeichnen“ der Klasse „Flur-
stücksgrenze“ realisiert wird. Durch spätes oder dynamisches Binden während der
Laufzeit (engl. late binding) und nicht schon während der Kompilierung wird si-
chergestellt, dass an das Objekt, auf dem die Operation ausgeführt werden soll, die
„spezialisierteste“ Version gebunden wird.
Einige Prinzipien der objektorientierten Programmierung sollen an der bereits im
Kapitel 3.1.4.1 angeführten Aufgabe verdeutlicht werden (Mittelwertberechnung
von Messwerten aus einer Datei, die jeweils pro Datensatz den Namen einer Mess-
station, einen weiteren Bezeichner sowie eine nicht bekannte Anzahl von Messwer-
ten besitzt). Die Realisierung erfolgt in einem Programmbeispiel in Java.
Vorweg ist herauszustellen, dass hier eine besondere Denkweise besteht. Zwar
liegen die Ausgangsdaten etwa in Form einer Tabelle vor, sie werden aber nicht als
Tabelle z.B. in ein zweidimensionales Array eingelesen, das dann viele Leerstellen
besitzt. Vielmehr wird jeder einzelne Messwert als Einzelobjekt aufgefasst, zur ein-
deutigen Kennzeichnung mit einer Identifikationsangabe (ID) und einem Monatsna-
men sowie einer Wertekennung (WerteID) versehen. Die Messwertobjekte eines Da-
tensatzes werden anschließend zu dem Objekt Messreihe zusammengefasst. Dies
entspricht dem Vorgehen, jede einzelne Bodenprobe zunächst in einzelne Tüten zu
legen (hier Klasse Messwert) und sie anschließend nach Untersuchungsmonaten
sortiert in Kisten (hier Klasse Messreihe) zu verpacken.
Zunächst werden zwei Klassen für die beiden Objektarten Messwert und Mess-
reihe definiert.
Die Klasse Messwert enthält einen sog. Konstruktor zum Erstellen des Objektes
Messwert, das aus zwei Strings für die ID und den Monatsnamen, einer laufenden
Nummer zur Wertekennung (WerteID) sowie einer Variablen für den Zahlenwert
besteht. Anzumerken ist, dass hierdurch nur der Objekttyp definiert wird. Zunächst
ist das Objekt Messwert noch leer. Dieses Vorgehen ist im obigen Beispiel ver-
gleichbar mit den leeren Tüten für die Bodenproben, wobei die Eigenschaften der
Tüten festgelegt sind.
Die Klasse Messreihe enthält einen sog. Konstruktor zum Erstellen des Objektes
Messreihe und drei Methoden. Ein Objekt Messreihe besteht aus der in Java vorhan-
denen Klasse LinkedList, die eine beliebige Anzahl von Datenwerten in einer verket-
teten Liste zusammenbringt, ferner aus einer Variablen für die Anzahl der Werte
dieser Messreihe und einer Variablen für die Summe der Werte. Die erste Methode
(add) fügt dem Messreihenobjekt genau ein neues Messwertobjekt hinzu.
Die zweite Methode (addMultiple) erzeugt aus einem Array von einzelnen Strings,
d.h. die zerstückelte Eingabezeile, zunächst ein neues Messwertobjekt und fügt die-
ses Messwertobjekt dem Messreihenobjekt hinzu.
this.add(new Messwert(ID, Monat, data));
Dies ist der Kern objektorientierter Programmierung. Über die Methode „mittelwert-
berechnung“ erfolgt schließlich die Berechnung des Mittelwertes für alle Messwerte
eines Messreihenobjekts.
Die Methode main() stellt den Einstiegspunkt in die Ausführung einer Java-An-
wendung dar und muss „public static void main(String[] args)“ lauten. In der Aufga-
benstellung besteht hier eine besondere Schwierigkeit, da die Größe der Messwerte
(z.B. zwei oder vier führende Ziffern mit zwei oder drei Nachkommastellen) und
die Anzahl der Messwerte pro Eingabezeile nicht bekannt sind. Die Einzelwerte
sind lediglich durch (ein oder auch mehrere) Leerzeichen getrennt. In der Methode
„main“ wird daher nacheinander aus einer Datei eine gesamte Eingabezeile ge-
schlossen als Folge von Textzeichen eingelesen und als sog. String „zeile“ zwi-
schengespeichert (vgl. Standarddatentypen in Kap. 3.2.2). Anschließend muss die-
ser String stückweise zerlegt werden, wobei Leerzeichen als Trennzeichen interpre-
tiert werden.
Bei Problemen kann der FileReader eine sog. Exception werfen. Daher wird der
Quellcode in einem sog. „try-catch“-Block eingebunden.
In der Geoinformatik hat Java besonderes Gewicht:
- Zur Modellierung und Bearbeitung von zweidimensionalen, linearen Geometrien
liegt mit der JTS Topology Suite eine in Java entwickelte freie Programmbiblio-
thek vor (vgl. JTS 2019).
- Mehrere Open-Source-Produkte wie z.B. GeoTools (vgl. Kap. 3.1.6) oder die
freien Geoinformationssystem uDig (User-friendly Desktop Internet GIS) oder
OpenJUMP basieren auf JTS.
public class Messwert {

//Globale Klassenvariable für jedes Objekt
static private int id_messwert = 0;
//Objektvariablen
String Monat;
String id_reihe;
double wert;
public Messwert (String id, String monat, double wert){
Messwert.id_messwert = Messwert.id_messwert+1;
this.Monat = monat;
this.id_reihe = id;
this.wert = wert;
}
}
import java.util.LinkedList;
public class Messreihe {
//Variablen definieren
LinkedList messreihe;
int anzahlWerte;
double summeWerte;
//Konstrukor zum Erstellen eines Messreihenobjektes

public Messreihe(){
messreihe = new LinkedList();
anzahlWerte = 0;
}
//Methode zum Hinzufügen eines einzelnen Messwertobjektes in ein Messreihenobjekt

public void add (Messwert messwert) {
messreihe.addLast(messwert);
anzahlWerte++;
//Zugriff auf den Zahlenwert eines Messwertobjektes und Aufsummieren
summeWerte = summeWerte + messwert.wert;
}
//Methode zum Aufbau eines Messreihenobjekts aus der zerstückelten Eingabezeile

public void addMultiple (String werte[]){
String Id = werte[0]);
String monat = werte[1]);
for (int i=2; i<werte.length;i++){
double data = Double.valueOf((String)werte[i]);
this.add(new Messwert(ID, Monat, data));
anzahlWerte++;
summeWerte = summeWerte + data;
}
}
//Methode zum Berechnen des Mittelwertes einer Messreihe

public double mittelwertberechnung() {
double mittelwert = summeWerte/anzahlWerte;
return mittelwert;
}
}
//Datenverarbeitung.Java
import java.io.BufferedReader;
import java.io.File;
import java.io.FileNotFoundException;
import java.io.FileReader;
import java.io.IOException;
import java.util.StringTokenizer;
import java.util.LinkedList;
public class Datenverarbeitung{
public static void main(String[] args) {
BufferedReader br = null;
try {
//BufferedReader zum Einlesen von Textzeilen
br = new BufferedReader(new FileReader(new File("Dateiname mit Pfad")));
String zeile = null;
//Zeilenweise einlesen und abspeichern in dem String "zeile"
while((zeile = br.readLine()) != null) {
//Zerlegen der eingelesen Zeile über eine Leerzeichen-Trennung
StringTokenizer st = new StringTokenizer(zeile, " ");
int laenge = st.countTokens();
//Abspeichern der zerlegten Strings in ein String-Array
String aktuelleReihe[] = new String[laenge];
//Ausgabe der aktuellen Messreihe

for (int i = 0; i<laenge; i++) {
aktuelleReihe[i] = st.nextToken();
System.out.print(aktuelleReihe[i]+" ");
}
//Instanziieren und Initialisieren des Messreihenobjektes

Messreihe aktMessreihe = new Messreihe();
//Hinzufügen der Messwerte aus dem String-Array
//über die Methode addMultiple des Messreihenobjektes
aktMessreihe.addMultiple (aktuelleReihe);
//Berechnung und Ausgabe des Mittelwertes der aktuellen Messreihe
System.out.println("| Mittelwert der Messreihe: " +
aktMessreihe.mittelwertberechnung());
}
} /*von try*/
//Abfangen und Ausgabe von Fehlermeldungen bzw. die sog. Exceptions
catch (Exception e) {
e.printStackTrace();
} /*von catch*/
//Schließen des Einlesevorganges + Fehlerabfangen
try {
br.close();
} catch (Exception ex) {
ex.printStackTrace();
} /*von catch*/
} /*von main*/
} /*von class */
3.1.5 Programmieren mit Python in Geoinformationssystemen
Die Programmiersprache Python besitzt eine große Bedeutung für mehrere Geoin-
formationssysteme. So umfasst das proprietäre Geoinformationssystem ArcGIS die
Python-API ArcPy, mit der ein Zugriff auf sämtliche Geoverarbeitungswerkzeuge
gegeben ist und die Skriptfunktionen sowie spezielle Module zur Verfügung stellt,
die eine Automatisierung von GIS-Aufgaben ermöglichen (zum Einstieg vgl. ESRI
2019). Das frei verfügbare Geoinformationssystem QGIS bietet entsprechend die
Möglichkeit, den Funktionsumfang mit Hilfe von Plug-ins zu erweitern (vgl. QGIS
2019a). Hierzu steht die Python-API PyQGIS zur Verfügung. Mit über 1.000 Plug-
ins liegt bereits eine Vielzahl von zum Teil sehr speziellen Erweiterungen zum
freien Download bereit (vgl. QGIS 2019b). Über dieses stetig wachsende Angebot
hinaus können effiziente, auf die eigenen spezifischen Anforderungen zugeschnit-
tene Plug-ins mit Python programmiert werden.
def run(self):
#Die Run-Methode beinhaltet die Logik hinter dem Plug-in#
# Start der Dialog-Eventschleife

result = self.dlg.exec_()
# Nachdem die OK-Taste im Dialogfenster gedrückt wurde, startet die Berechnung

if result:
#Einladen der Standorte der Kraftwerke (Punkt-Shape)

nuclear_lyr = QgsVectorLayer("nuclear_stations.shp", "Nuclear", "ogr")
#Darstellen der Standorte in einer Karte
QgsMapLayerRegistry.instance().addMapLayers([nuclear_lyr])
#Berechnen und Speichern des 200.000 m-Buffers um die Standorte

buffer = QgsGeometryAnalyzer().buffer(nuclear_lyr, "buffer_out.shp", 200000,
False, False, -1)
#Einladen des Buffers
buffer_layer = QgsVectorLayer("buffer_out.shp", "Buffer_Nuclear", "ogr")
#Darstellen des Buffers in einer Karte
QgsMapLayerRegistry.instance().addMapLayers([buffer_layer])
#Einladen der Stadtflächen (Polygon-Shape)

city_layer = QgsVectorLayer("city.shp", "city", "ogr")
#Darstellen der Flächen in der Karte
QgsMapLayerRegistry.instance().addMapLayers([city_layer])
#Berechnen und Speichern des räumlichen Durchschnitts von Buffer und

Stadtflächen
intersect = QgsOverlayAnalyzer().intersection(buffer_layer, city_layer,
"intersect_out.shp")
#Einladen des räumlichen Durchschnitts
intersect_layer = QgsVectorLayer("intersect_out.shp", "intersect_Nuclear_city",
"ogr")
#Darstellen in der Karte
QgsMapLayerRegistry.instance().addMapLayers([intersect_layer])
Da die Software Qt-Designer direkt mit QGIS installiert wird, bietet es sich an,
hiermit auch die graphische Benutzerschnittstelle eines Plug-ins für QGIS zu ent-
wickeln (Entwurf von Eingabemasken mit z.B. Dialogfeldern, Drop-Down-Feldern
und Schaltflächen). Qt selbst ist eines der wichtigsten Frameworks zum Erstellen
graphischer Benutzeroberflächen für Anwendungen auf verschiedenen Betriebssys-
temen. Qt-Designer liefert eine graphische Oberfläche mit Code in C++, so dass Qt-
Designer relativ leicht in das ebenfalls in C++ geschriebene QGIS eingebunden
werden kann. Mit der in QGIS vorhandenen Bibliothek PyQt bestehen Funktionen,
die mit Qt erstellte graphische Oberfläche mit Python anzusprechen, um somit ein
effizientes Anstoßen eines in Python erstellten Plug-ins zu ermöglichen.
Falls die Benutzerschnittstelle über eine graphische Oberfläche realisiert ist, be-
sitzt ein Plug-in in QGIS zunächst recht viel Code. Das Beispielprogramm zeigt
daher mit der sog. run-Methode nur den Kern des Plug-ins. In einer sehr einfachen
Aufgabenstellung soll ermittelt werden, welche Städte bzw. Teile von Städten in
einem Umkreis von 200 km um ein Atomkraftwerk liegen. Hierzu stehen die Stand-
orte der Kraftwerke und die Flächen der Städte zur Verfügung (vgl. z.B. die Daten-
ebene bzw. den Layer „nuclear_stations.shp“, zum Shape-Datenformat vgl. Kap.
9.3.3). Berechnet werden die Pufferzonen und die räumlichen Durchschnitte von
Pufferzonen und Stadtflächen (zu diesen Standardfunktionen eines Geoinformati-
onssystems vgl. Kap. 9.4.4).
Diese Aufgabe kann beliebig erweitert werden (z.B. Aufsummieren der Einwoh-
nerzahlen in den Umkreisen) oder an ähnliche Fragestellungen angepasst werden
(z.B. Umgebungen von Vulkanen analysieren, Einzugsbereiche auswerten). Insge-
samt bieten derartige Plug-ins viele Möglichkeiten, um benutzerspezifisch die Ana-
lyse bestehender Daten zu automatisieren, z.B. Eingabemasken mit Datenbankan-
bindung und Verknüpfung zu vorhandenen Daten, oder um neue Werkzeuge zu pro-
grammieren (vgl. Garrard 2016 u. Ulferts 2017).
3.1.6 Graphiksprachen und Graphikbibliotheken
In den Anfängen der graphischen Informationsverarbeitung war ein interaktives

Arbeiten, das zur Entwicklung von Graphiksoftware und zum Einsatz von Compu-
tergraphik unerlässlich ist, kaum gegeben. Erst nach dem Durchbruch der Personal
Computer und dem Aufkommen graphikorientierter Benutzeroberflächen und
Spiele, die in einem Selbstverstärkungsprozess die weitere Verbreitung graphisch
interaktiv arbeitender Personal Computer beschleunigten, kam es zu einer rasanten
Entwicklung der graphischen Informationsverarbeitung und Verbreitung von Gra-
phiksystemen. Ständige Fortschritte der Hardware führten zur Evolution interakti-
ver graphischer Arbeitsplätze, die inzwischen zur Standardschnittstelle zwischen
Mensch und Maschine geworden sind. Parallel vollzog sich der Entwicklungs- und
Anwendungsprozess von elementaren, hardwareabhängigen Graphikbefehlen (sog.
Low-Level Graphic Primitives), die von Herstellern für ihre jeweiligen Geräte mit-
geliefert wurden, zu geräteunabhängiger Software und komplexen Graphiksyste-
men.
Das Beispielprogramm zeigt den Einsatz der Programmbibliothek OpenGL (Open

Graphic Library) in einem Java-Programm (zum Ergebnis vgl. Abb. 3.5).
//Import von Bibliotheken

import com.jogamp.opengl.GL
public class JOGLExampleAWT implements GLEventListener {
static GLU glu = new GLU();
static GLCanvas canvas = new GLCanvas();
static Frame frame = new Frame("Jogl Beispiel");
static FPSAnimator animator = new FPSAnimator(canvas, 60); /60 Bilder pro Sek.
public void display(GLAutoDrawable gLDrawable) {

final GL2 gl = gLDrawable.getGL().getGL2();
gl.glClear(GL.GL_COLOR_BUFFER_BIT);
gl.glClear(GL.GL_DEPTH_BUFFER_BIT);
gl.glClearColor(1.0f, 1.0f, 1.0f, 0.5f); // setze Hintergrundfarbe (RGBA)
gl.glLoadIdentity();
gl.glTranslatef(0.0f, 0.0f, -5.0f);
//Verschieben der Szene um -5 Einheiten in z-Richtung (Szene ins Blickfeld rücken)
// Zeichne Polygon (einen "See")

gl.glBegin(GL2.GL_POLYGON);
gl.glColor3f(0.0f, 0.0f, 1.0f); // setze Farbe des Polygons (RGB)
gl.glVertex3f(-1.5f, 1.5f, 0.0f); // 1. Knoten (von links oben, im Uhrzeigersinn)
gl.glVertex3f(-0.7f, 2.0f, 0.0f); // 2. Knoten
// ..
gl.glVertex3f(-1.7f, 0.0f, 0.0f); // 6. Knoten
gl.glEnd();
// Zeichne Linie (eine "Straße"):

gl.glLineWidth(5.0f); // setze Liniendicke, muss vor glBegin gesetzt werden!
gl.glBegin(GL2.GL_LINE_STRIP);
gl.glColor3f(1.0f, 0.0f, 0.0f); // setze Farbe der Linie (RGB)
gl.glVertex3f(-0.5f, -1.5f, 0.0f); // 1. Knoten der Linie
// ..
gl.glVertex3f( 1.5f, 1.5f, 0.0f); // 5. Knoten der Linie
gl.glEnd();
}
public void init(GLAutoDrawable gLDrawable) {

GL2 gl = gLDrawable.getGL().getGL2();
// …
}
public static void main(String[] args) {
canvas.addGLEventListener(new JOGLExampleAWT());
frame.add(canvas);
// …
animator.start();
}
Abb. 3.5: OpenGL-Szene, mit Java und JOGL erzeugt
Die Programmbibliothek OpenGL stellt den plattformübergreifenden Standard (im

Unterschied zu DirectDraw für Windows) für Graphikbibliotheken dar. Sie ist für
verschiedene Rechnerplattformen und mehrere Programmiersprachen verfügbar
und bietet eine plattform- und programmiersprachenübergreifende Programmier-
schnittstelle zur Entwicklung von 2D- und 3D-Computergraphik (vgl. OpenGL
2019). Im Hinblick auf die Einbindung in Java-Programmen ist die plattformunab-
hängige Open-Source-Programmbibliothek JOGL (Java Bindings for OpenGL) von
großer Bedeutung (vgl. JOGL 2019). Das Visualization Toolkit (VTK) ist eine O-
pen-Source-C++-Programmbibliothek für 3D-Computergraphiken, Bildverarbei-
tung und Visualisierung, die Schnittstellen zur Einbindung u.a. in Python- und Java-
Programme besitzt (vgl. VTK 2019). Daneben bestehen mit Java 2D bzw. Java 3D
umfangreiche Klassenbibliotheken zur Erzeugung, Manipulation und Darstellung
zwei- bzw. dreidimensionaler Graphiken (zur Einführung in die Graphikprogram-
mierung vgl. Klawonn 2010, Zhang u. Liang 2007 u. Zimmermann 2012).
Abbildung 3.5 mit zugehörigem Code zeigt beispielhaft die Darstellung einer
OpenGL-Szene in Java. Der relevante Programmausschnitt verdeutlicht, wie mit
Hilfe von JOGL ein Polygon mit einer blauen Füllung sowie eine rote Linie darge-
stellt werden.
Umfangreiche Möglichkeiten nicht nur der graphischen Präsentation bieten die
sog. GeoTools, die eine Open Source Java-Codebibliothek umfassen, die vielfältige
Methoden zur Bearbeitung von Geodaten bereitstellt (vgl. GeoTools 2019). Mit
Hilfe der in dieser Programmbibliothek angebotenen Funktionen können direkt
Geodaten, die in dem proprietären Shape-Datenformat der Firma ESRI vorliegen
(vgl. Kap. 9.3.3), verarbeitet werden. Das Beispielprogramm liest die Straßenlinien
im UTM-Koordinatensystem ein und visualisiert die Daten (vgl. Abb. 3.6). Dabei
liefert die Subklasse „JMapFrame“ als Unterklasse von „JFrame“ aus der Standard-
Programmbibliothek SWING zur Gestaltung graphischer Benutzerschnittstellen
mit Java ein Fenster unter Windows. Obgleich nur wenig Javacode vorliegt, ist
schon eine beachtliche Funktionalität vorhanden, die hinsichtlich der Visualisierung
an diejenigen eines Geoinformationssystems heranreicht.
import java.io.*;
import org.geotools.data.FileDataStore;
import org.geotools.data.FileDataStoreFinder;
import org.geotools.data.simple.SimpleFeatureSource;
import org.geotools.map.FeatureLayer;
import org.geotools.map.Layer;
import org.geotools.map.MapContent;
import org.geotools.styling.SLD;
import org.geotools.styling.Style;
import org.geotools.swing.JMapFrame;
public class Prog_OS {

public static void main( String[] args ) {
//path to shapefile
File shape_osnabrueck = new File("Pfad/strassen_os_utm.shp");
try {
//add file to shapefile data store and get feature source
FileDataStore fileStore = FileDataStoreFinder.getDataStore (shape_osna-
brueck);
SimpleFeatureSource featureSource = fileStore.getFeatureSource();
//create a map and set a title
MapContent testmap = new MapContent();
testmap.setTitle("Strassen Osnabrueck");
// define a simple style to render the features from the shapefile
Style mapstyle = SLD.createSimpleStyle(featureSource.getSchema());
//add the shapefile as layer to the map
Layer strassenLayer = new FeatureLayer(featureSource, mapstyle);
testmap.addLayer(strassenLayer);
//display the map in JMapFrame (subclass of JFrame)
JMapFrame.showMap(testmap);
}
catch (IOException e) {
e.printStackTrace();
}
}
}
Ein Nutzer kann die Graphik vergrößern oder verkleinern sowie den Ausschnitt ver-
schieben. Angezeigt werden Koordinaten und das Koordinatensystem. Ferner kön-
nen durch Anklicken einzelner Linien deren Eigenschaften angezeigt werden.
Das Beispielprogramm soll auch die Mächtigkeit der GeoTools-Programmbibli-
othek verdeutlichen, zu der insbesondere umfangreiche Werkzeuge zur Analyse von
Geodaten gehören. Darüber hinaus kann der vorliegende Ansatz benutzt werden,
um eigene Algorithmen zu implementieren.
Abb. 3.6: Visualisierung von linienhaften Geodaten mit GeoTools
3.1.7 Programmierung von Anwendungen für Intranet und Internet
Zentrale Bedeutung für Anwendungen im World Wide Web des Internet besitzt die
Hypertext Markup Language (HTML), die eine Befehlssammlung und eine einfache
Sprache zur Gestaltung von Web-Seiten darstellt (vgl. Kap. 2.8.3). HTML5 ist die
Kernsprache des Web. Der neue Standard bietet gegenüber dem Vorläufer HTML
4.01 vielfältige neue Funktionen wie z.B. Video, Audio, lokale Speicher, Überprü-
fung von Formulareingaben sowie dynamische 2D- und 3D-Graphiken, die bisher
von HTML4 nicht direkt, d.h. nicht ohne zusätzliche Plug-ins, unterstützt wurden.
Das Einbinden eines Java-Programms in eine Website erfolgt über sog. Java-
Applets, die in einer vom Betriebssystem isolierten Virtuellen Maschine (JVM vgl.
Kap. 3.1.1) ausgeführt werden. Diese Applets unterliegen sicherheitskritischen Ein-
schränkungen, die z.B. Zugriff auf lokale Ressourcen wie die Festplatte nicht ge-
statten. Diese Einschränkungen können teilweise durch Zustimmung des Benutzers
wieder aufgehoben werden. Java-Applets, die aus hardwareunabhängigem Java-
Bytecode (d.h. aus kompiliertem Java-Sourcecode) bestehen, erweitern HTML-
Seiten um Funktionen wie z.B. interaktive Animationen. Hierbei kommt das Grund-
prinzip von Java zum Tragen. Der Java-Bytecode, der sich dank seiner enormen
Kompaktheit bestens zur Übertragung im Internet eignet, wird (erst zur Laufzeit)
durch die sog. Java Virtual Machine (JavaVM, JVM) in die entsprechenden Ma-
schinenbefehle des Computersystems übersetzt und ausgeführt. Viele Internet-
Browser besitzen als festen Bestandteil eine Virtual Machine oder können durch
entsprechende Plug-ins erweitert werden (zu Web-Technologien und Einsatzfragen
von Java-Applets vgl. Kap. 2.8.3).
Gegenüber den Java-Applets ist JavaScript eine sog. Skriptsprache, die inzwi-
schen viele Schlüsselwörter und Strukturen von Java besitzt, aber unabhängig von
der Programmiersprache Java entwickelt wurde (zuerst unter dem Namen Li-
veScript und dann aus Marketingaspekten aufgrund des großen Erfolgs der Sprache
Java als JavaScript). JavaScript wird in eine HTML-Seite integriert und erst zur
Laufzeit interpretiert, sofern der Browser über einen entsprechenden Funkti-onsum-
fang verfügt. Daher benötigt die Ausführung gegenüber einem (kompilierten) Java-
Applet in der Regel mehr Zeit. Der Quelltext von JavaScript liegt in einer HTML-
Seite offen (bzw. in einer separaten Datei mit Referenz von der HTML-Seite).
Ähnlich wie JavaScript arbeiten von Microsoft die Skriptsprache JScript, die di-
rekt mit JavaScript konkurriert, und die an Visual Basic angelehnte Skriptsprache
VBScript. Ebenso von Microsoft wurde mit ActiveX eine Sammlung von Technolo-
gien für Internetanwendungen entwickelt, wobei ActiveX Controls Java-Applets äh-
neln. Allerdings sind im Gegensatz zu den plattformunabhängigen Java-Applets die
ActiveX Controls auf die Windows-Betriebssysteme beschränkt. Diese gewähren
Zugriffsrechte auf den Client, was ein erhebliches Sicherheitsrisiko bedeutet. So
können z.B. externe Programme zum Ausspionieren von Daten oder Computerviren
eingeschleust werden.
Mit der frei verfügbaren Scriptsprache PHP lassen sich mit recht wenig Aufwand
dynamische Webseiten und (datenbankgestützte) Anwendungen erstellen. PHP-
Code wird serverseitig verarbeitet, aber nicht an den Webbrowser übertragen, son-
dern an einen Interpreter auf dem Webserver (vgl. Abb. 2.13) und kann somit auch
nicht eingesehen werden. Das PHP-Programm kann eine HTML-Seite an den Client
zurückschicken oder z.B. auch eine E-Mail erzeugen. PHP zeichnet sich vor allem
durch einfache Erlernbarkeit, geringe Serverbelastung, großen Funktionsumfang
und die breite Unterstützung verschiedener SQL-Datenbanken aus.
Mit der explosionsartigen Entwicklung des World Wide Web haben fast gleich-
zeitig auch Graphikanwendungen sprunghaft zugenommen. Zu einem einheitlichen
Sprachstandard für Graphikanwendungen, der für eine universelle Informations-
übertragung und Darstellung in beliebigen Browsern bzw. Plattformen unabdingbar
ist, wurde für Vektorgraphiken das SVG-Format (Scalable Vector Graphics, SVG)
eingeführt. SVG ist eine vom World Wide Web Consortium (W3C) standardisierte,
in XML (eXtensible Markup Language) formulierte Sprache zur Beschreibung von
zweidimensionalen Vektorgraphiken. Das SVG-Format als vollständig offener
Standard bietet durch seine Offenheit große Flexibilität. Die strikte Trennung in-
haltlicher, struktureller und gestalterischer Informationen sorgt für Übersichtlich-
keit und gute Handhabbarkeit. Da es sich um eine in ASCII-Code formulierte Spra-
che handelt, können solche Graphiken jedoch auch mit einfachen Editoren erzeugt
werden.
Der nachfolgende Code ist in jedem modernen Internet-Browser ohne zusätzli-

ches SVG-Plug-in lauffähig. Hierdurch werden wie im obigen Programmbeispiel
zu OpenGL ein blaues Polygon und eine rote Linie gezeichnet (vgl. Abb. 3.5).
<html>
<body>
<svg width="500" height="500">
<polygon points="40,128
90,128
108,40
60,10
30,30
15,80"
style="fill:blue;
stroke:black;
stroke-width:0;" />
<polyline points="60,140
100,128
120,50
124,32
140,20"
style="fill:none;
stroke:red;
stroke-width:3;" />
</svg>
</body>
</html>
3.1.8 App-Programmierung
Große Bedeutung hat inzwischen die Programmierung von Applikationen für

Smartphones und Tabletcomputern. Diese mobilen Endgeräte sind aus dem tägli-
chen Leben nicht mehr wegzudenken. Sie ermöglichen vielfältige Anwendungen,
die auch Fragestellungen der Geoinformatik aufgreifen (u.a. Visualisierung von
Stadtplänen, Navigation und Finden kürzester Wege, GPS-Standortbestimmung).
Zwei Betriebssysteme beherrschen den Markt für mobile Endgeräte. Das Betriebs-
system iOS für Geräte der Firma Apple hat einen Marktanteil von etwa (nur) 15%,
während das herstellerübergreifende Android-Betriebssystem Anteile von über
80% besitzt.
Android ist im Zusammenhang der Reaktion auf das zeitlich früher im Jahre 2007
von Apple herausgebrachte iPhone entstanden, als Google gemeinsam mit vielen
Technologieunternehmen wie z.B. Samsung oder HTC der Open Handset Alliance
(OHA) ein Mobiltelefon-Betriebssystem entwickelte und 2008 verfügbar machte.
Das Ziel der OHA war die Entwicklung einer preiswerteren Alternative zum
iPhone. Dementsprechend ist Android herstellerübergreifend auf verschiedenen
mobilen Endgeräten einsetzbar und als Freie Software verfügbar, was letztlich den
hohen Marktanteil erklärt (vgl. Android 2019a).
Von Google wird AndroidStudio als offizielle Entwicklungsumgebung für And-
roid-Apps frei zur Verfügung gestellt (vgl. AndroidStudio 2019). AndroidStudio
bietet umfangreiche Werkzeuge zur App-Entwicklung wie z.B. auch die Simulation
einer App unter Windows.
Das Grundprinzip der App-Entwicklung unter dem Betriebssystem Android soll
an einer App verdeutlicht werden, die vom Nutzer die Eingabe von Koordinaten
zweier Standorte erwartet und die dann die Entfernung über den Großkreis zwischen
diesen beiden Standorten berechnet (zum Berechnungsalgorithmus vgl. Kap. 4.2.3).
Die Benutzeroberfläche der App auf dem Smartphone wird durch sog. Activities
bestimmt, die jeweils das Layout und das eigentliche Programm in einzelne logische
Komponenten gruppieren. Das Layout einer Activity wird in einer XML-Datei fest-
gelegt. Beispielhaft wird die Definition eines Textfeldes und eines Buttons angege-
ben, der die Berechnung starten soll (vgl. Abb. 3.7):
<?xml version="1.0" encoding="utf-8"?>

<RelativeLayout
xmlns:android="http://schemas.android.com/apk/res/android"
android:layout_width="match_parent"
android:layout_height="match_parent">
<TextView
android:id="@+id/heading"
android:layout_width="wrap_content"
android:layout_height="wrap_content"
…
android:text="Great-Circle Distance Calculator" / >
…
<Button
android:id="@+id/button_start"
android:layout_width="wrap_content"
…
android:text="Start Calculation"
android:onClick="buttonClicked"/ >
</RelativeLayout>
Zusätzlich gehört zu dieser Activity ein Java-Programm, das die eigentliche Funk-
tionalität darstellt und den Algorithmus umsetzt. Der Programmausschnitt zeigt,
wie die Koordinatenwerte als Texte eingelesen, zu numerischen Werten umgerech-
net, die Distanzberechnung vorgenommen und das Ergebnis ausgegeben werden.
Über derartig einfache Berechnungen hinaus können Werte weiterer Sensoren des
Smartphones (z.B. GPS- oder Beschleunigungssensor) ausgelesen und verarbeitet
werden. Darüber hinaus bestehen viele Möglichkeiten, die App benutzerspezifisch
zu gestalten. Mit dem Maps SDK (Software Development Kit) können der App z.B.
Karten hinzugefügt werden, die auf Google-Maps-Dateien basieren. Die API ver-
waltet automatisch den Zugriff auf Google-Maps-Server, das Herunterladen von
Daten, die Kartenanzeige und die Reaktion auf Kartengesten (vgl. Android 2019b).
import android.support.v7.app.AppCompatActivity;
import android.os.Bundle;
import android.view.View;
import android.widget.EditText;
import android.widget.TextView;
import android.widget.Toast;
public class MainActivity extends AppCompatActivity {
private static final double EARTH_RADIUS = 6371000.0;

@Override
protected void onCreate(Bundle savedInstanceState) {
super.onCreate(savedInstanceState);
setContentView(R.layout.activity_main);
}
public void buttonClicked(View v) {
EditText lat1 = findViewById(R.id.enter_lat_1);

EditText lon1 = findViewById(R.id.enter_lon_1);
EditText lat2 = findViewById(R.id.enter_lat_2);
EditText lon2 = findViewById(R.id.enter_lon_2);
if (lat1 != null && lon1 != null && lat2 != null && lon2 != null) {
if (lat1.getText().length() == 0 ||
lon1.getText().length() == 0 ||
lat2.getText().length() == 0 ||
lon2.getText().length() == 0) {
Toast.makeText(this, "You have to enter 4 values!",Toast.LENGTH_LONG).show();
} else {
// get the values from the EditText-elements and parse to double, convert
// to radians.
double double_lat1 = Math.toRadians(Double.parseDouble(lat1.getText().toString()));
double double_lon1 = Math.toRadians(Double.parseDouble(lon1.getText().toString()));
double double_lat2 = Math.toRadians(Double.parseDouble(lat2.getText().toString()));
double double_lon2 = Math.toRadians(Double.parseDouble(lon2.getText().toString()));
// calculate distance
double distance = EARTH_RADIUS * Math.acos(Math.sin(double_lat1) *
Math.sin(double_lat2) + Math.cos(double_lat1) * Math.cos(double_lat2) *
Math.cos(double_lon2 - double_lon1));
// now display the result

TextView tv = findViewById(R.id.result);
if (tv != null) {
tv.setText(Double.toString(result));
}
}
}
}
}
Abb. 3.7: App-Entwicklung mit AndroidStudio
3.2 Daten und Datentypen
3.2.1 Skalenniveaus
Die Bearbeitung von Fragestellungen mit Hilfe von Computersystemen erfolgt auf
der Basis von Eingabedaten, die Sachverhalte oder Systemzustände beschreiben.
Hierzu dienen Merkmale (Attribute) und zugehörige konkrete Merkmalsausprägun-
gen (Attributwerte). So wird ein Boden z.B. durch die Merkmale ph-Wert (Merk-
malsausprägung z.B. 5,5) oder Kalkgehalt, durch den Wassergehalt oder den Ton-
anteil, durch den Bodentyp (z.B. Ranker) oder auch durch die Bodenfruchtbarkeit
gekennzeichnet, wodurch u.a. chemische und physikalische Eigenschaften benannt
sind. Das Merkmal Bodentyp hingegen weist keine Messwerte auf und lässt sich
nur durch Betrachten der Bodenhorizonte qualitativ bestimmen.
Die Merkmale können also sehr verschieden skaliert sein: metrisches, ordinales
oder nominales Skalenniveau. Daher liegen auch in Computersystemen unter-
schiedliche Datentypen zur Beschreibung dieser Maßskalen vor. Für einzelne Daten
gibt es in Abhängigkeit der Verwendung zudem recht unterschiedliche Genauig-
keitsanforderungen. Jahreszahlen, Flächenangaben für ein Gewerbeflächenkataster
oder Koordinatenangaben im UTM-Koordinatensystem für ein Liegenschaftskata-
ster erfordern jeweils unterschiedliche Genauigkeiten und somit verschiedenen
Speicherbedarf. Zur Lösung dieser Anforderungen stellen die verschiedenen Pro-
grammiersprachen und auch Anwendungsprogramme (wie z.B. ein Geoinformati-
onssystem) unterschiedliche Datentypen zur Verfügung.
Daten und Datentypen 85
Die Ausgangsdaten liegen ferner nicht ungeordnet, sondern strukturiert vor. Es

bestehen also bestimmte Datenstrukturen mit logisch-inhaltlichen Beziehungen.
Zur Modellierung dieser Datenstrukturen können aus den Standarddatentypen be-
nutzerspezifische Datentypen abgeleitet werden. Steht die Umsetzung in einer Pro-
grammiersprache im Vordergrund, spricht man von konkreten Datentypen. Demge-
genüber liegt bei den abstrakten Datentypen der Schwerpunkt auf den Eigenschaf-
ten und Operationen, die auf einer Datenstruktur definiert bzw. möglich sind (vgl.
Kap. 3.2.4).
3.2.2 Standarddatentypen
Die Darstellung von Informationen in Computersystemen durch Bitfolgen wurde

bereits im Kapitel 2.5 thematisiert. Hier geht es weiterführend um Datentypen in
Programmiersprachen und in Anwendungsprogrammen.
3.2.2.1 Darstellung von Daten als Bitfolgen
Die Verarbeitung von Informationen in einem Computer basiert auf Bitfolgen. So-
mit müssen sämtliche Daten zunächst als Bitfolgen dargestellt und nach einer inter-
nen Bearbeitung durch Rechner bzw. Prozessor wieder in eine allgemein lesbare
Form zurücktransformiert werden. Die interne Darstellung von Daten nur als Bit-
folgen macht diesen Prozess der Kodierung und Decodierung notwendig. Bei der
internen Darstellung von Zahlen und alphanumerischen Zeichen als Bitfolge kön-
nen die acht Bit 01011010 die ganze Zahl 90 oder das Zeichen Z darstellen (vgl.
Kap. 2.5). Eine Unterscheidung wird aber erst dann möglich, wenn über den Inhalt
hinaus auch die Bedeutung der Bitfolge bekannt ist. Über den zugehörigen Datentyp
wird erkannt, ob es sich hierbei z.B. um eine Zahl oder ein Zeichen handelt. Somit
müssen zumindest Datentypen für Zahlen, Zeichen (alphanumerische Zeichen, Son-
derzeichen) und für logische Werte zur Verfügung stehen.
In der Praxis hat es sich als sinnvoll erwiesen, bei der internen Darstellung zwi-
schen ganzen und reellen Zahlen zu unterscheiden. So können ganze Zahlen spei-
chergünstiger dargestellt werden, was auch einen schnelleren Datenzugriff bedeu-
tet. An elementaren Datentypen oder Standarddatentypen werden ganze Zahlen
(z.B. in Java int), reelle Zahlen oder Gleitkommazahlen (z.B. in Java double), al-
phanumerische Zeichen wie z.B. Buchstabe und logische Werte unterschieden. Dar-
über hinaus sind in einzelnen Programmiersprachen noch weitere Standarddatenty-
pen vorhanden wie z.B. Datumstypen und Mengentypen oder Datentypen zur Be-
handlung komplexer Zahlen. In verschiedenen Programmiersprachen oder Compi-
lern sowie Programmsystemen bestehen allerdings Besonderheiten wie differie-
rende Namen (statt z.B. integer nur int), unterschiedliche Speichertechniken oder
auch Wertebereiche.
Die Bedeutung der Datentypen für die Genauigkeit ist in der Realität nicht zu
unterschätzen! Bei der Darstellung von UTM-Koordinaten sind mehr als neun sig-
nifikante Stellen notwendig, die letzte Stelle ist ungerundet. Dadurch kann in Zen-
timetergenauigkeit gerechnet werden, die im Katasterwesen gefordert ist. Hierbei
wird eine Zahl nicht in 32 Bit, sondern in 64 Bit gespeichert (vgl. die Datentypen
„float“ und „double“ in Java, vgl. Tab. 3.4):
Ostwert 434.000,12 (in m)
Nordwert 5.735.250,15 (in m)
In der Regel erfolgt ein Datenaustausch von Geobasisdaten im Gauß-Krüger-
Format mit zwei Nachkommastellen. Bei einer einfach genauen Speicherung kön-
nen die Werte der Nachkommastellen nicht gespeichert werden. Linienzüge in ei-
nem Geoinformationssystem werden nicht geschlossen. Hier verbirgt sich zudem
eine böse Falle: Die fehlende Genauigkeit wird nicht angezeigt, vielmehr kann eine
einfach genaue Zahl sogar mit vier Nachkommastellen ausgedruckt werden. Die
hinteren Ziffern werden aber zufällig bestimmt.
3.2.2.2 Standarddatentyp Ganzzahl
Eine ganze Zahl wird als Dualzahl durch eine Bitfolge dargestellt, wozu im Nor-
malfall 2 Byte (16 Bit) zur Verfügung stehen. Da ein Bit zur Speicherung des Vor-
zeichens benötigt wird, ergibt sich als größte darzustellende Zahl 215 = 32.768. So-
mit besteht ein beschränkter Wertebereich zwischen –32.768 und +32.767 (vgl.
Tab. 3.2). In vielen Programmiersprachen ist zumindest auch eine 4-Byte-Darstel-
lung (32-Bit-Darstellung) möglich. Im vorliegenden Beispiel kennzeichnet das
höchste Bit das Vorzeichen, 0 steht für ein positives und 1 für ein negatives Vorzei-
chen. Dann ergibt sich für die Zahl 53 als ganze Zahl in 16-Bit-Darstellung (jetzt
von rechts nach links zu lesen): 53 = 1•20 + 0•21 + 1•22 + 0•23 + 1•24 + 1•25 als ganze
Zahl in 16-Bit-Darstellung (jetzt von rechts nach links zu lesen):
15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0
0 214 213 212 211 210 29 28 27 26 25 24 23 22 21 20
0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 1
VZ Absolutwert der ganzen Zahl
Die zum Standarddatentyp Ganzzahl gehörenden Standardoperationen sind: Ad-
dition, Subtraktion, Multiplikation, ganzzahlige Division mit abgeschnittenem Rest,
Modulo-Funktion (Restbildung bei ganzzahliger Division), Vergleichsoperationen.
Tabelle 3.2: Ganzzahlige Datentypen in Java

Typ Wertebereich Länge
byte –128…+127 8 Bit

short –32768...+32767 16 Bit
int –2147483648...+2147483647 32 Bit
long –9223372036854775808...+9223372036854775807 64 Bit
3.2.2.3 Standarddatentyp Gleitkomma
Eine reelle Zahl kann nur als endliche Dezimalzahl umgesetzt werden, da immer
nur endlich viele „Speicherzellen“ zur Verfügung stehen (z.B. 23 für die Speiche-
rung einer Mantisse, vgl. Tab. 3.3). Somit wird auch im Fall eines unendlichen De-
zimalbruchs (vgl. die Zahl Pi oder 1/7) nur eine endliche und somit „ungenaue“
Darstellung erreicht. Reelle Zahlen werden in der Informatik als Gleitpunktzahlen
dargestellt, die aus drei Teilen bestehen: dem Vorzeichen V, dem Exponenten E und
der Mantisse M. Die Dezimalzahl 26.625 wird dann in der Form +0.26625 • 102 als
normierte Gleitpunktzahl zur Basis 10 geschrieben. In diesem Fall ist E = 2 und M
= 26625. Mantisse und Exponent besitzen zudem ein Vorzeichen.
Zur Darstellung einer Zahl als Bitfolge wird die Zahl 2 als Basis genommen.
Dann ist eine zur Basis 2 normierte Gleitpunktzahl eine solche, bei der der Exponent
so gewählt wird, dass die Zahl in der Form r1.m1m2m3...mn • 2E dargestellt werden
kann. Eine normierte Gleitpunktzahl ist im Dual- wie im Dezimalsystem leicht zu
erhalten, indem der Dezimalpunkt sukzessive um eine Stelle nach links oder rechts
verschoben und gleichzeitig der Exponent um 1 erhöht oder erniedrigt wird. Für die
Zahl 26.625 (= 11010.101, vgl. Tab. 2.1) als Dualzahl gilt dann:
11010.101 = 11010.101 • 20 = 11010.101 • 2 00000000
11010.101 = 1101.0101 • 21 = 1101.0101 • 2 00000001
...
11010.101 = 1.1010101 • 24 = 1.1010101 • 2 00000100
Für die Speicherung werden weitere Vereinbarungen getroffen:
- Für ein positives Vorzeichen wird 0 und für ein negatives Vorzeichen 1 gesetzt.
- Die Normierung erfolgt dadurch, dass die erste Ziffer ungleich 0 direkt vor dem
Punkt steht. Diese 1 wird nicht mehr gespeichert, da sie in der vorliegenden De-
finition normierter Gleitkommazahlen immer vorkommen muss.
- Zum Exponenten wird bei einer 32 BIT-Darstellung ein sog. Bias von 127, d.h.
01111111 addiert und das Ergebnis, die sog. Charakteristik, als vorzeichenlose 8-
Bit-Zahl gespeichert. Durch diese weitere Methode, positive und negative Zahlen
darzustellen, kann hier ein Exponent zwischen –127 und 128 gespeichert werden.
Ein Exponent von –127 wird zur Charakteristik 00000000, von 1 zur Charakteris-
tik 10000000, von 128 = 27 = 10000000 zur Charakteristik 11111111. Für die
Charakteristik im vorliegenden Beispiel ergibt sich dann:
00000100 + 01111111 = 100000011
Das IEEE (Institute of Electrical and Electronis Engineers) hat zwei Formate
standardisiert: 32-Bit-Gleitkommazahlen (single precision) und 64-Bit-Gleitkom-
mazahlen (double precision) (vgl. Gumm u. Sommer 2013 S. 28 ff.):
Vorzeichen Exponent Mantisse bias
single precision 1 Bit 8 Bit 23 Bit 127
double precision 1 Bit 11 Bit 52 Bit 1023
Tabelle 3.3: Interne Speicherung von 32-Bit-Gleitkommazahlen

Zahlenwert Vorzeichen Charakteristik Mantisse
(1 Bit) (8Bit) (23 Bit)
26.625 0 10000011 10101010000000000000000

1234711 0 10010011 00101101011100010111000
–293432165 1 10011011 00010111110101101011011
–0.00015 1 01110010 00111010100100101010001
Die zum Standarddatentyp Gleitkomma gehörenden Standardoperationen sind: Ad-

dition, Subtraktion, Multiplikation, Division, Vergleichsoperationen, verschiedene
mathematische Funktionen wie z.B. sqrt oder trigonometrische Funktionen, wobei
der Umfang je nach Programmiersprache sehr unterschiedlich sein kann.
Tabelle 3.4: Gleitkomma-Datentypen in Java

float double
signifikante Stellen 6–7 15 – 16

Platzbedarf (Bytes) 4 8
Bit für Exponent 8 11
Bit für Mantisse 23 52
kleinste positive Zahl 2-127 §· 10-38 2-1023 §· 10-308
größte positive Zahl 2+127 §· 1038 2+1023 §· 10308
3.2.2.4 Standarddatentyp Zeichen
Sollen Textzeichen in einem Rechner dargestellt werden, müssen das Alphabet und
Satzzeichen in Bitfolgen codiert werden. Dabei kommt man für die Darstellung aller
Zeichen bereits mit 7 Bit aus, die 128 verschiedene Möglichkeiten eröffnen (26
Klein- und Großbuchstaben, Satzzeichen, Spezialzeichen wie & und nicht druck-
bare Formatzeichen wie z.B. für die Return-Taste ergeben knapp 100 Zeichen).
Die Darstellung erfolgt im Normalfall mit 1 Byte pro Stelle, also 8 Bit, wodurch
sich 256 verschiedene Zeichen ergeben (Kodierung nach dem sog. erweiterten
ASCII-Code oder nach dem ANSI-Code, vgl. Kap. 2.5.5). Dann sind Sonderzeichen
wie Zeichen des griechischen Alphabets oder einfache graphische Zeichen umsetz-
bar. Daneben benutzen die UNIX-Rechner nur die genormten ASCII-Zeichen von
0 bis 127.
Die zum Standarddatentyp Zeichen (z.B. in Java char) gehörenden Standardope-
rationen sind: Umrechnung eines Zeichens in den zugehörigen Dezimalwert des
ASCII- oder ANSI-Zeichens, Vergleichsoperationen auf der Basis der ASCII- oder
ANSI-Dezimalwerte (z.B. "A" < "B" weil 65 < 66, hierdurch Sortierungen mög-
lich).
3.2.2.5 Standarddatentyp logischer Wert
Der Wertebereich dieses Datentyps sind die logischen Werte „wahr“ oder „true“
und „falsch“ oder „false“. Sie werden mit Hilfe von genau einem Bit dargestellt.
Die zum Standarddatentyp boolean (Java) gehörenden Standardoperationen sind lo-
gische Operationen wie z.B. NOT, AND, OR.
3.2.2.6 Datentyp Zeichenketten und Zeiger
Der Datentyp String (Java) bezeichnet eine Zeichenkette und setzt sich aus einer
Folge von Zeichen zusammen, die vom Typ Zeichen sind. Normalerweise bietet
eine Stringvariable Platz für maximal 255 Zeichen.
Einen besonderen Datentyp stellen Zeiger (Pointer) dar, die aber nicht in allen
Programmiersprachen realisiert sind (z.B. nicht in Java und Python). Im Gegensatz
zu den übrigen Datentypen enthält ein Zeiger keinen direkten Wert, sondern die
Adresse eines Wertes. Im angeführten C-Programm (vgl. Kap. 3.1.4.1) wird durch
die Funktion „strtok“ ein String anhand von Trennzeichen (hier Leerzeichen) zer-
legt. Beim ersten Aufruf muss „strtok“ mit dem Eingabestring, d.h. mit xin, initia-
lisiert werden (*split = strok(xin)). Die Zeigervariable zeigt auf den ersten Ab-
schnitt. Bei Folgeaufrufen wird statt xin der Wert NULL übergeben, da „strtok“
bereits initialisiert ist. Der Zeiger *split zeigt stets auf das erste Zeichen des jewei-
ligen Abschnittes, das Ende des jeweiligen Abschnitts wird mit \0 in xin gesetzt, der
String wird hierdurch verändert. Deshalb sollte beim Verwenden von strtok immer
nur eine Kopie eines Strings übergeben werden. In der while-Schleife „springt“ der
Zeiger von Abschnitt zu Abschnitt und zählt die Anzahl. In der for-Schleife wird in
zeile[j] der Zeiger auf den jeweiligen Abschnitt gespeichert, so dass in der zweiten
for-Schleife dieser Abschnitt geholt und in die Datenstruktur „arr-messreihe“ auf-
genommen werden kann.
3.2.3 Strukturierte Datentypen
Die Standarddatentypen ermöglichen die Definition strukturierter Datentypen, für

die häufig auch der Begriff Datenstrukturen benutzt wird. Datenstrukturen werden
eingeführt, um Datenelemente zusammenzufassen, die zueinander in einer be-
stimmten Beziehung stehen. Auf der Grundlage der Standarddatentypen und der
Standarddatenstrukturen lassen sich dann weitere benutzerspezifische oder komple-
xere Datentypen definieren.
Eine sehr einfache Datenstruktur ist der Datensatz. In der Programmiersprache
C kann dies deklariert werden durch die Anweisung:
struct messreihe{
char id[7], char monat[10];
float werte[20];
int anzahl_werte;
};
Hierdurch wird ein Datensatz, d.h. eine Zeile einer Datei, wiedergegeben. Der
Datentyp „struct“ ist dann sinnvoll einzusetzen, wenn sich ein Datensatz aus ver-
schiedenen Standarddatentypen zusammensetzt. Auf ein einzelnes Element eines
Records wird über seinen Namen zugegriffen (in dem Beispiel u.a. durch mess-
reihe.monat). Demgegenüber ist ein Array (Feld) eine Aneinanderreihung von
gleichartigen Elementen (Daten gleichen Typs). Ein Zugriff ist mit Hilfe eines In-
dex möglich, der die Position des Elementes innerhalb des Arrays (Feldes) kenn-
zeichnet.
3, 9, 4, 7, 6, 1, 5, 0, 3, 2, 7, 2, 5, 1, 9, 1, 3, 4442, 4, 7
Diese Datenmenge kann durch ein einfaches Array erfasst werden: int vector[20] in
der Programmiersprache C, wobei implizit dieses Array vom Typ INTEGER ist, oder
als Liste x=[3, 9, 4, 7, 6, 1, 5, 0, 3, 2, 7, 2, 5, 1, 9, 1, 3, 4442, 4, 7] in der Programmiersprache
Python. Das Element vector(18) bzw. x[2] besitzt den Wert 4.
1 2 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 19 20
2 2 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 18 0 0
3 0 3 0 0 0 0 0 4 0 0 0 0 0 0 0 17 0 0 0
4 0 0 4 0 0 0 0 0 0 0 0 0 0 0 16 0 0 0 0
5 0 0 0 5 0 0 99 0 0 0 0 0 0 15 0 0 0 0 0
6 0 0 0 0 6 0 0 0 0 0 4 1 14 8 9 3 2 1 0
7 0 0 0 6 0 7 0 0 0 91 0 13 0 0 0 0 0 0 0
Diese Datenmenge kann durch ein zweidimensionales Array in der Programmier-

sprache C erfasst werden:
int matrix[7][20];
oder in der Programmiersprache Java:

int [ ][ ] feld= new int [7][20];
Das Element j = matrix [4][7] bzw. x = feld [4][7] besitzt den Wert 99, da in C wie in
Java von 0 beginnend hochgezählt wird, hier also von 0 bis 9 bzw. von 0 bis 19.
Dieses zweidimensionale Feld kann auch als eindimensionales Feld oder Liste
dargestellt werden:
int [ ] vektor = new int [140]
Dabei werden die Zeilen nacheinander abgelegt, so dass dem Element feld[i,j] das
Element vektor[k] durch die Indexrechnung zuwiesen wird:
k = i • 20 + j
Die zuletzt erwähnten strukturierten Datentypen scheinen in objektorientierten

Programmiersprachen überholt zu sein. So kennt Java keinen Record-Typ. Ein Ob-
jekt bildet dieses Konzept nach (vgl. Messreihenobjekt im Programmbeispiel in
Kap. 3.1.4.3) und erweitert es erheblich (z.B. um zugehörige Methoden). Auch die
obige zweidimensionale Matrix kann als Objekt wiedergegeben werden. Allerdings
bietet ein zweidimensionales Array dann erhebliche Vorteile, wenn numerische
Operationen wie z.B. eine Matrixmultiplikation vorzunehmen sind, wenn also die
Indizes der Matrix zur Berechnung herangezogen werden.
3.2.4 Abstrakte Datentypen
Eine Datenstruktur zusammen mit darauf definierten Operationen wird als abstrak-
ter Datentyp (ADT) bezeichnet. Zu den Grundformen abstrakter Datentypen gehö-
ren besondere Typen linearer Listen (Stapel, Warteschlangen, verkettete Listen) so-
wie Bäume, die hierarchische Beziehungen datentechnisch effizient abbilden kön-
nen. Für einen Anwender ist hierbei nur die Außenansicht interessant, die die Leis-
tungen der Datentypen bzw. die möglichen Operationen beschreibt, welche zur Re-
alisierung bestimmter Algorithmen notwendig sind. Die konkrete Implementierung
kann unbekannt sein oder „versteckt“ werden.
Hier werden nur grundlegende Formen skizziert. Eine ausführliche Behandlung
dieser Datentypen muss im Zusammenhang mit der Erläuterung von Algorithmen
(Operationen) erfolgen, die auf diesen Datentypen operieren. Neben den hier ange-
führten abstrakten Datentypen, zu denen jeweils spezielle Operationen bzw. Stan-
dardverfahren gehören (z.B. Suchen in Bäumen), wird in der objektorientierten Pro-
grammierung der Begriff abstrakter Datentyp im allgemeinen Sinn benutzt und ein
Objekt als Datenstruktur mit den zugehörigen Methoden, d.h. als abstrakter Daten-
typ verstanden.
3.2.4.1 Stapel
Der abstrakte Datentyp Stapel (Stack, auch Kellerspeicher genannt) ist ein lineares
Feld, bei dem immer nur das oberste Datenelement bearbeitet werden kann. Daten-
elemente können immer nur von oben auf den Stapel gelegt oder entfernt werden.
Ein Stapel ist also ähnlich einer Groschenbox zur Aufnahme von Parkmünzen nach
dem LIFO-Prinzip organisiert (Last In – First Out):
Die zu diesem Datentyp zugehörigen Grundfunktionen sind: ein Element auf den
Stapel legen, das zuletzt auf den Stapel gelegte Element entfernen, das zuletzt auf
den Stapel gelegte Element holen, abfragen, ob der Stapel leer oder voll ist. Die
Implementierung kann auf vielfältige Weise z.B. über Listen und Pointer erfolgen.
Dabei wird eine erhebliche Flexibilität erreicht. So muss die Größe des Speichers
nicht vorher festgelegt werden, über Zeigervariablen kann man sehr viel Speicher-
platz mobilisieren, da der Stapel erst dann voll ist, wenn der Speicher des Rechners
vollständig belegt ist. Mit Hilfe eines Stapels kann jede lineare Rekursion iterativ,
d.h. ohne Rekursion formuliert und berechnet werden (vgl. Kap. 3.3.3).
3.2.4.2 Warteschlangen
Eine Warteschlange (Queue) ist ein lineares Feld, mit dem das Prinzip FIFO (First
In First Out) organisiert wird. Hierbei kann ein Objekt nur an der einen Seite einge-
fügt und nur an der anderen Seite entfernt werden. Zugegriffen wird also auf das
Element, das am längsten in der Warteschlange ist. Funktionen und Implementie-
rungen sind ähnlich zu dem Stapel.
3.2.4.3 Verkettete Listen
Besonders effiziente Datenstrukturen sind verkettete Listen, mit denen in der Größe
unbestimmte Datenmengen verarbeitet werden können, ohne Speicherplatz zu ver-
schwenden. Somit stellen (einfach und doppelt) verkettete Listen die wichtigsten
dynamischen Datenstrukturen dar. So muss z.B. durch die Typdeklaration nicht
vorab eine bestimmte Größe eines Arrays festgelegt werden, die im Extremfall zu
klein sein und dann zu unkontrollierbaren „Ergebnissen“ führen kann. Bei Bedarf
kann eine verkettete Liste um weitere Elemente ergänzt werden.
Abb. 3.8: Einfach verkettete Liste
Eine verkettete Liste kann z.B. in C als eine Folge von Elementen implementiert
werden, die durch Zeiger untereinander verkettet sind. Jedes Element der Liste be-
steht aus dem eigentlichen Datenelement, das ein beliebiger Datentyp sein kann,
und einem Zeiger auf das nächste Element in der Liste. Bei dem letzten Listenele-
ment ist dieser Zeiger gleich „null“ (d.h. „nichts“). Diese verkettete Liste in C be-
sitzt einen sog. Headpointer, der auf das erste Element der verketteten Liste zeigt.
Grundoperationen auf verketteten Listen sind: Aufbau einer Liste aus n Elemen-
ten, Einsetzen, Löschen und Kopieren eines Elementes, Durchlaufen einer Liste mit
Suchen eines Elementes oder Bestimmen der Länge einer Liste. In Geoinformati-
onssystemen wird bei der Abspeicherung von Linien, d.h. von Folgen von Koordi-
natenpaaren, von verketteten Listen vielfältig Gebrauch gemacht. Hier treten typi-
sche Anwendungen auf: Zu Beginn der Erfassung einer Linie ist die Zahl der Ko-
ordinaten unbekannt. Die Länge der Linien und somit der Koordinatenfolge diffe-
riert. Punkte müssen eingefügt und gelöscht werden (zu weiteren, komplexeren Da-
tenstrukturen und zugehörigen Algorithmen für die Speicherung von Koordinaten
vgl. Worboys u. Duckham 2004 Kap. 6).
3.2.4.4 Bäume
Bäume stellen die wichtigsten nichtlinearen Datenstrukturen dar. Bäume werden

vor allem zur Modellierung hierarchischer Beziehungen (Vater-Sohn-Beziehungen)
und bei rekursiven Objektstrukturen eingesetzt. Ein klassisches Anwendungsfeld
bietet die Graphentheorie und darunter insbesondere die Lösung von Problemen auf
Verkehrsnetzen (zur Speicherung von Rasterdaten in Geoinformationssystemen mit
Quad-Trees bzw. Bäumen vgl. Worboys u. Duckham 2004 S. 236 ff.). So sind z.B.
die möglichen Routen in einem Verkehrsnetz zwischen zwei Punkten A und B als
Folge von Kanten zwischen den Knoten A und B in einem Baum darstellbar. Die
Suche nach einer optimalen Route bedeutet dann das Bestimmen des kürzesten We-
ges in einem Baum.
Ein Baum setzt sich aus Knoten und Kanten zusammen. Stehen für jeden Knoten
die Teilbäume in einer festen Reihenfolge, so liegt ein geordneter Baum vor. Ein
Binärbaum ist leer oder besteht aus einem Knoten und zwei Binärbäumen (rekur-
sive Definition, vgl. Abb. 3.9). Ein Baum heißt balanciert, wenn die maximale Pfad-
länge kleiner als log n ist (n Anzahl der Knoten). Die Pfadlängen vom Wurzelknoten
zu den Blättern dürfen hierbei nicht um mehr als 1 differieren. Mit der Tiefe eines
Baumes wird das Maximum der Tiefen seiner Knoten, d.h. der Längen von der
Wurzel bis zu den Knoten, bezeichnet, wobei die Länge eines Pfades gleich der
Anzahl der zugehörigen Knoten minus 1 ist. Die Tiefe eines Baumes mit n Knoten
liegt zwischen log2 n und (n – 1). In einem bewerteten Baum sind den Kanten Werte
zugewiesen (z.B. Weglänge zwischen zwei Knoten in einem Verkehrsnetz).
Abb. 3.9: Standardformen von Bäumen
Grundoperationen auf Bäumen sind u.a. der Aufbau eines Baumes aus n Knoten,
das Einsetzen, Löschen und Kopieren eines Elementes. Von besonderer Bedeutung
sind allerdings sog. Traversierungen, d.h. systematische Besuchsmöglichkeiten für
jeden Knoten. Hierdurch können insbesondere Routenplanungen realisiert werden,
für die vielfältige Anwendungen in Netzwerken bestehen.
3.2.5 Dateien
Ein Datensatz besteht zumeist aus mehreren Datenfeldern (sog. Items), die jeweils
Attributwerte enthalten. Man unterscheidet zwischen logisch bzw. inhaltlich defi-
nierten Datensätzen (sog. Records) und im Hinblick auf die technische Speiche-
rungsform physikalischen Datensätzen. Ein Datensatz kann mehrere logische Da-
tensätze enthalten, die also auf mehrere physikalische verteilt sein können. Gleich-
artige und aufgrund inhaltlicher Kriterien zusammengehörige Datensätze werden
zusammengestellt als Datei (sog. File) bezeichnet. Mehrere Dateien, zwischen de-
nen logische Abhängigkeiten oder Beziehungen bestehen, bilden eine Datenbank
(zur Unterscheidung zwischen Dateisystem und Datenbanksystem vgl. genauer
Kap. 8.1). Somit ist die logische Datenorganisation hierarchisch aufgebaut:
- Datenbank (Data Base)

- Datei (File)
- Datensatz (Record)
- Datenfeld (Item)
Aus Sicht der Informatik sind Speicherungs- und Zugriffsform von Daten bzw.
Dateien interessant, wobei die Mechanismen nicht zu trennen sind. Nach der Spei-
cherungsform wird unterschieden, wie Daten bzw. Dateien auf externen Speichern
gespeichert werden.
Bei der sequenziellen Speicherung werden die Datensätze lückenlos nacheinan-
der gespeichert, wobei häufig zunächst eine Sortierung nach einem Ordnungsmerk-
mal (d.h. nach Attributwerten eines Merkmals) vorliegt. Auf einen bestimmten Da-
tensatz kann anschließend nur dadurch zugegriffen werden, indem sämtliche vorher
gespeicherte Daten gelesen werden. Hierdurch wird u.U. sehr zeitaufwendig nach
bestimmten Daten gesucht, so dass sich diese Speicherungs- bzw. Zugriffsart zur
Datensicherung, aber weniger für den laufenden Betrieb mit mehrfachem Lesen
bzw. Schreiben von Daten eignet. Diese Speicherungsform ist typisch z.B. für Da-
teien auf Magnetbändern, die nur die sequenzielle Speicherung erlauben („eindi-
mensionale“ Speicherung in Laufrichtung des Bandes).
Bei der indizierten Speicherung wird mit Index-Tabellen gearbeitet, in denen ein
Ordnungsmerkmal eines Datensatzes mit zugehöriger absoluter Speicheradresse ge-
speichert ist.
Bei der gestreuten Speicherung werden die Daten auf dem Datenträger gestreut
gespeichert, wobei ein rechnerischer Zusammenhang zwischen einem Ordnungs-
merkmal des Datensatzes (Schlüsselattribut) und der physikalischen Speicherad-
resse besteht. Durch einen speziellen Algorithmus (sog. Hash-Funktion) wird dann
die physikalische Adresse des Datensatzes berechnet.
3.3 Algorithmen
3.3.1 Definitionen und Merkmale
Die Grundlage eines Programms, das auf einem Computersystem ausgeführt wird,
bildet stets ein Algorithmus, oder anders formuliert: Ein Programm ist die Realisie-
rung eines Algorithmus (vgl. Kap. 2.4.1). Generell besitzen Algorithmen (beinahe)
zwangsläufig eine zentrale Bedeutung in der Informatik. Dabei wird die Effizienz
einer Programmlösung für eine Aufgabenstellung weniger durch die Programmier-
sprache oder durch eine raffinierte Programmtechnik bestimmt als vielmehr durch
einen geeigneten Algorithmus. Gerade die sorgfältige Auswahl einer optimalen
Verarbeitungsstrategie und eines geeigneten Algorithmus kann zu einer drastischen
Verringerung der Laufzeit eines Programms führen.
In der Informatik wie auch in der numerischen Mathematik steht zu unterschied-
lichen Bereichen eine sehr große, fast unüberschaubare Fülle an Algorithmen bereit
(vgl. z.B. Knuth 2011, Wirth 2013). Für viele Aufgaben wie z.B. Sortierungen gibt
Algorithmen 95
es umfangreiche Standardverfahren. In der Praxis kann auf umfangreiche Pro-

grammbibliotheken zurückgegriffen werden. Die NAG Library der Numerical Al-
gorithm Group (NAG) kann mit derzeit über 1.700 Routinen als die umfangreichste
kommerziell verfügbare Sammlung numerischer Algorithmen angesehen werden,
die inzwischen für verschiedene Programmiersprachen wie Fortran, C, Java und
Python zur Verfügung steht (vgl. NAG 2019). Demgegenüber stellt die GNU Sci-
entific Library (GSL) über 1.000 Funktionen für numerische Berechnungen in C
und C++ unter verschiedenen UNIX-Derivaten (inzwischen auch in einer compi-
lierten Version für Windows) bereit (vgl. GSL 2019). Im Hinblick auf Anwendun-
gen von Python in der Geoinformatik ist hinzuweisen auf NumPy, eine Programm-
bibliothek für Python zur einfachen Handhabung mehrdimensionaler Arrays, auf
SciPy (vgl. SciPy 2019), eine Python-Bibliothek mit numerischen Algorithmen, so-
wie auf Python Package Index (PyPI), eine Sammlung (sog. Repository) von Soft-
ware für die Programmiersprache Python,
Von besonderer Bedeutung für die Geoinformatik ist die JTS Topology Suite,
eine in Java entwickelte freie Programmbibliothek zur Modellierung und Bearbei-
tung von zweidimensionalen, linearen Geometrien (vgl. JTS 2019), GEOS (Geo-
metry Engine Open Source) ist die zugehörige Portierung in C++ (vgl. GEOS 2019).
Daneben besteht mit Shapely ein Python-Programmierpaket für räumliche Geomet-
rien, das auf GEOS basiert (vgl. Shapely 2019).
Vor dem Hintergrund einer fast unüberschaubaren Vielfalt sollen hier nur allge-
meine Prinzipien von Algorithmen thematisiert sowie beispielhaft ausgewählte Lö-
sungsformen aufgezeigt werden, wodurch auch die „Raffinesse“ derartiger Verfah-
ren deutlich werden soll.
Generell ist ein Algorithmus eine allgemeine Berechnungsvorschrift zur Lösung
eines Problems, die sich aus mehreren elementaren Schritten zusammensetzt, die in
einer festgelegten Reihenfolge ausgeführt werden müssen. Die Realisierung ist un-
abhängig von einer bestimmten Programmiersprache.
Nach Levi u. Rembold (2003 S. 136) besitzt ein prozeduraler Algorithmus meh-
rere allgemeine Merkmale:
- Ein Algorithmus muss von einer Maschine durchgeführt werden können. Die für
den Ablauf des Algorithmus benötigte Information muss zu Beginn vorhanden
sein.
- Ein Algorithmus muss allgemeingültig sein. Die Größe der Datenmenge, auf die
der Algorithmus angewandt wird, darf nicht eingeschränkt sein.
- Der Algorithmus besteht aus einer Reihe von Einzelschritten und Anweisungen
über die Reihenfolge. Jeder Schritt muss in seiner Wirkung genau definiert sein.
- Ein Algorithmus muss nach einer endlichen Zeit (und nach einer endlichen An-
zahl von Schritten) enden. Für das Ende des Algorithmus muss eine Abbruchbe-
dingung formuliert sein.
Ein klassischer prozeduraler Algorithmus besteht also aus mehreren Einzel-

schritten, die nacheinander abgearbeitet werden. Ein Musterbeispiel für einen pro-
zeduralen Algorithmus stellt der Bubble-Sort-Algorithmus dar, der zur Gruppe der
Sortieralgorithmen gehört. Gerade diese Sortierverfahren sind ein zentrales Thema
der Informatik (vgl. Gumm u. Sommer 2013 S. 315-345).
public static void sortiere (int[] x) {

boolean sortiert = false; //Sortierung abgeschlossen?
int temp;
while (!sortiert){ //so lange, wie sortiert false
sortiert = true;
for (int i=0; i < x.length-1; i++) {
if (x[i] > x[i+1]) {
temp = x[i]; //wenn aktuelle Zahl groesser als
x[i] = x[i+1]; //folgende, dann tauschen
x[i+1] = temp;
sortiert = false; //auf false, noch ein Element zu sortieren
}
}
}
}
Beim Bubble-Sort-Algorithmus werden in jedem Durchgang alle benachbarten
Elemente miteinander verglichen und gegebenenfalls getauscht. Im k-ten Durch-
gang wandert das k-größte Element nach hinten bzw. das k-kleinste Element nach
vorne – analog zum Aufsteigen einer Gasblase in einer Flüssigkeit. Die folgenden
zehn Zahlen sollen das Sortierprinzip verdeutlichen:
7418529630 1. Durchgang (die 0 wandert durch):
0741852963 2. Durchgang (erst 3, dann 2, dann die 1 nach vorne):
0174285396 3. Durchgang (erst 3, dann 2 nach vorne):
0127438569
0123745869 ...
0123475689 Im k-ten Durchgang müssen nur die Elemente von hinten
0123457689 bis zur (k–1)-ten Stelle überprüft werden.
0123456789 Die Elemente von vorne bis zur (k–1)-ten Stelle sind bereits sortiert!
Prozedurale Algorithmen werden vor allem bei einer imperativen Programmie-
rung zur Lösung von Aufgabenstellungen benutzt. Demgegenüber unterscheiden
sich grundlegend Problemlösungen mit Hilfe prädikativer Programmiersprachen,
die auf nichtprozeduralen Algorithmen oder Verfahren aufbauen. Hierbei wird zu-
nächst das vorhandene Wissen über einen Sachverhalt durch eine Zusammenstel-
lung von wahren Aussagen und Regeln formuliert. Das eigentliche Problem wird
als Behauptung formuliert, die mit Hilfe einer prädikativen Programmiersprache
wie z.B. Prolog zu verifizieren oder zu falsifizieren versucht wird. Somit sind Fak-
ten und Regeln die Basiselemente derartiger Entscheidungsverfahren, die auf
Grundlagen der Logik beruhen. Diese Wissensregeln ermöglichen eine Entschei-
dung durch logische Schlussfolgerungen.
3.3.2 Sequenzielle und parallele Algorithmen
Die (meisten) klassischen Algorithmen der Informatik basieren auf der Annahme,
dass die Zentraleinheit eines Computersystems (nur) in der Lage ist, Befehle nach-
einander abzuarbeiten. Dementsprechend müssen die Algorithmen als lineare Folge
Algorithmen 97
von Anweisungen entwickelt werden, so dass primär sequenzielle Algorithmen vor-

liegen. Ein sequenziell operierender Algorithmus zur Berechnung des arithmeti-
schen Mittelwerts von n Werten könnte nachstehenden Aufbau haben. Die Schleife
wird hier n-mal ausgeführt, so dass die Ausführungszeit etwa proportional zu n ist.
summe = 0.0
for index in range (1,n):
summe = summe + wert [index]
mittelwert = summe/n;
Die Hardwareentwicklung hat zur Konzeption von Parallelrechnern geführt, bei
denen die Zentraleinheit aus mehreren gleichartigen Prozessoren besteht, so dass
mehrere Arbeitsschritte parallel ausgeführt werden können. Allerdings müssen auch
spezielle Parallelalgorithmen (und Parallelprogrammiersprachen) entwickelt wer-
den, um die Vorteile der Parallelverarbeitung zu nutzen. Klassische Anwendungen
für parallele Algorithmen ergeben sich bei Matrixoperationen wie z.B. der Multi-
plikation von Matrizen:
ܽଵଵ ܽଵଶ ܽଵଷ ܾଵଵ ܾଵଶ ܾଵଷ ܿଵଵ ܿଵଶ ܿଵଷ
൥ܽଶଵ ܽଶଶ ܽଶଷ ൩ ή ൥ܾଶଵ ܾଶଶ ܾଶଷ ൩ = ൥ܿଶଵ ܿଶଶ ܿଶଷ ൩ ݉݅‫ܿ ݐ‬௜௝ = ܽ௜ଵ ܾଵ௝ + ܽ௜ଶ ܾଶ௝ + ܽ௜ଷ ܾଷ௝
ܽଷଵ ܽଷଶ ܽଷଷ ܾଷଵ ܾଷଶ ܾଷଷ ܿଷଵ ܿଷଶ ܿଷଷ
Der Rechenaufwand bei quadratischen (n x n)-Matrizen ist bei einem intuitiven

Algorithmus, der die Rechenvorschrift mit drei Schleifen nachbildet, etwa propor-
tional zu n3 (d.h. O(n3) vgl. Kap. 3.3.4). Etwas günstiger ist der Strassen-Algorith-
mus (mit O(n2,807), der z.B. eine (4x4)-Matrix in vier (2x2)-Teilmatrizen zerlegt,
diese zu sieben Hilfsmatrizen verknüpft, aus diesen durch Addition vier (2x2)-Teil-
ergebnismatrizen bildet, die schließlich zur (4x4)-Ergebnismatrix zusammengesetzt
werden.
Neben diesen sequenziellen bestehen parallele Algorithmen, die eine gleichzei-
tige, parallele Berechnung einzelner Teilschritte ermöglichen. Dabei wird die paral-
lele Berechnung auf p verschiedene Prozesse aufgeteilt, die dann auch auf p ver-
schiedenen Prozessoren ausgeführt werden, wobei der Rang der Matrizen n ein
Vielfaches der Zahl p der Prozesse bzw. Prozessoren ist (im einfachen Fall ݊ =
ඥ‫ ݔ ݌‬ඥ‫)݌‬. Beim Cannon-Algorithmus werden ähnlich zum Strassen-Algorithmus
die beiden (n x n)-Ausgangsmatrizen A und B in (b x b)-Blöcke aufgeteilt (mit ܾ =
௡
, d.h. im einfachen Fall blockweise auf (ඥ‫ ݔ ݌‬ඥ‫ )݌‬Submatrizen). Nach der Initia-
ξ௣
lisierung verläuft der Algorithmus in zwei grundlegenden Phasen:
Berechnungsphase: Jeder Prozess verfügt über zwei passende Blöcke. Die pas-
senden Blöcke werden in den p Prozessen parallel multipliziert und zum entspre-
chenden Teilblock von C aus der letzten Iteration addiert.
Ausrichtungs- oder Kommunikationsphase: Die Blöcke werden zyklisch ver-
schoben und an die nächsten p Prozesse versandt.
Die Iteration endet nach ඥ‫ ݌‬Schritten.
Der Algorithmus basiert auf der Idee, in einem Iterationsschritt immer unter-
schiedliche Submatrizen zu verarbeiten, wodurch eine Parallelisierung möglich
wird. Neben der reinen Multiplikationszeit, die beim Strassen-Algorithmus günsti-
ger ist, kann die Rechenzeit durch die Verteilung der Berechnung auf mehrere Pro-
zesse verbessert werden (O(n3/p)). Allerdings muss die Kommunikationszeit zwi-

schen den Prozessen berücksichtigt werden. Man kann zeigen, dass ab einer Anzahl
von acht Prozessoren der Cannon-Algorithmus effektiver ist (vgl. Quinn 1994 S.
195 und S. 281 ff.).
3.3.3 Iterationen und Rekursionen
3.3.3.1 Iterative Strategien und Näherungsverfahren
In der strukturierten Programmierung steht der Begriff Iteration als zusammenfas-

sende Bezeichnung für wiederholte Ausführungen von Anweisungen in Abhängig-
keit von Bedingungen. Anweisungen, Anweisungsfolgen oder auch Funktionen
werden wiederholt durchlaufen oder aufgerufen. Im Normalfall werden Iterationen
durch Schleifen realisiert (vgl. Kap. 3.1.4.1). Daneben wird mit Iteration auch eine
Verfahrensstrategie bezeichnet, durch immer wiederkehrende Anwendung einer
Rechenvorschrift Näherungen für eine Lösung zu erhalten.
Ein klassisches Iterationsverfahren in der Mathematik stellt das Newtonsche
Verfahren zur Berechnung von Nullstellen einer Funktion ݂(‫ )ݔ‬dar (vgl. Schwarz
u. Köckler 2011 S. 192 ff.). Die Iterationsvorschrift lautet allgemein (mit ݂ ᇱ (‫ݔ‬௜ ) als
der ersten Ableitung von ݂(‫ݔ‬௜ ):
݂(‫ݔ‬௜ )
‫ݔ‬௜ାଵ = ‫ݔ‬௜ െ
݂ ᇱ (‫ݔ‬௜ )
Hierbei wird ein Ergebniswert immer wieder erneut in die Formel eingesetzt und
verbessert. Die Iteration wird abgebrochen, falls sich die beiden letzten Werte nicht
mehr wesentlich unterscheiden. Das Newtonsche Iterationsverfahren wird in seiner
Sonderform zur Lösung einer Quadratwurzel als Berechnung der Nullstelle der
Funktion ݂(‫ ݔ = )ݔ‬ଶ െ ܽ benutzt (Heron-Verfahren, vgl. Kap. 2.4.1).
Dieses Iterationsverfahren ist auch auf Funktionen mehrerer Veränderlicher
‫( ݕ = )ݔ(ܩ‬mit ‫ݔ( = ݔ‬ଵ , ‫ݔ‬ଶ , … ‫ݔ‬௡ ) und ‫ݕ( = ݕ‬ଵ , ‫ݕ‬ଶ , … ‫ݕ‬௡ )) anzuwenden, die aber
zunächst auf die Form ‫ = )ݔ(ܨ‬0 gebracht werden, so dass eine Nullstellenberech-
nung vorliegt. Hierdurch lassen sich auch nichtlineare Gleichungssysteme lösen
(siehe nachstehendes Beispiel). Die Iterationsvorschrift wird in Matrixnotation ge-
schrieben, wobei mit der inversen Jacobi-Matrix J–1 multipliziert wird.
‫ݔ‬
‫ݔ‬ ‫ݔ‬ ‫ݔ‬ ‫ݔ‬ ‫ݔ‬ ݂ଵ ቀ‫ݕ‬ቁ
ቀ‫ݕ‬ቁ = ቀ‫ݕ‬ቁ െ ‫ିܬ‬ଵ ቀ‫ݕ‬ቁ ή ‫ ܨ‬ቀ‫ݕ‬ቁ ݉݅‫ ܨ ݐ‬ቀ‫ݕ‬ቁ = ቌ ‫ ݔ‬ቍ
௜ାଵ ௜ ௜ ௜ ݂ଶ ቀ‫ݕ‬ቁ
Die Jacoby-Matrix J enthält die partiellen Ableitungen:

‫ݔ‬ ‫ݔ‬
‫݂݀ۍ‬ଵ ቀ‫ݕ‬ቁ ݂݀ଵ ቀ‫ݕ‬ቁ‫ې‬
‫ݔ‬ ‫݀ ێ‬ ݀௬ ‫ۑ‬
௫
‫ ܬ‬ቀ‫ ݕ‬ቁ = ‫ێ‬ ‫ۑ‬
‫݂݀ێ‬ଶ ቀ‫ ݔ‬ቁ ݂݀ଶ ቀ‫ ݔ‬ቁ‫ۑ‬
‫ێ‬ ‫ݕ‬ ‫ݕ‬ ‫ۑ‬
‫݀ ۏ‬௫ ݀௬ ‫ے‬
Algorithmen 99
Das Verfahren soll im zweidimensionalen Fall zur Bestimmung der Koordinaten

eines unbekannten Punktes aufgezeigt werden, falls die Koordinaten zweier Fix-
punkte A (a,b) und B (c,d) sowie die Entfernungen von diesen Fixpunkten zum un-
bekannten Punkt P (u bzw. v) bekannt sind. Diese Aufgabe stellt sich in ähnlicher
Form bei der Positionsbestimmung mit Hilfe globaler Navigationssatelliten (zu
GNSS vgl. Kap. 5.3.3). In diesem dreidimensionalen Fall sind die Koordinaten der
Satelliten, die während der Positionsbestimmung als Fixpunkte angesehen werden,
in einem globalen Koordinatensystem und die Entfernungen vom Empfänger zu den
Satelliten bekannt.
(a – x)2 + (b – y)2 = u2 Distanz A zu P

(c – x)2 + (d – y)2 = v2 Distanz B zu P
oder
a2 – 2ax + x2 + b2 – 2by + y2 – u2 = f1(x,y) = 0
c2 – 2cx + x2 + d2 – 2dy + y2 – v2 = f2(x,y) = 0
oder
F(x,y) = (f1(x,y),f2(x,y)) = (0,0)
Dann beginnt die Iteration für die beiden bekannten Fixpunkte (a,b) = (1,5) und
(c,d) = (5,3) sowie mit ihren ermittelten Abständen zum unbekannten Punkt
‫ = ݑ‬ξ20 und ‫ = ݒ‬ξ8 sowie mit dem Startwert (x0,y0) = (3,3):
3 െ2ܽ + 2‫ݔ‬ െ2ܾ + 2‫ݕ‬ 4 െ4
‫ܬ‬ቀ ቁ = ൤ ൨=ቂ ቃ
3 െ2ܿ + 2‫ݔ‬ െ2݀ + 2‫ݕ‬ െ4 0
3 0 െ0,25
‫ିܬ‬ଵ ቀ ቁ = ൤ ൨
3 െ0,25 െ0,25
‫ݔ‬ 3 0 െ0,25 െ12 2
ቀ‫ݕ‬ቁ = ቀ ቁ െ ൤ ൨ήቀ ቁ=ቀ ቁ
ଵ 3 ଴ െ0,25 െ0,25 െ4 െ1
Iteration Startwert 1 2 3 4 5
x-Näherung 3 2 2,77272 2,98190 2,99987 3
y-Näherung 3 -1 0,54545 0,96381 0,99973 1
3.3.3.2 Rekursionen
Eine große Bedeutung haben rekursive Algorithmen, bei denen eine Prozedur sich
selbst innerhalb dieser Prozedur aufruft. Ein einfaches Beispiel für eine rekursive
Funktion ist die rekursive Berechnung der Fakultät von N, N! = 1 • 2 • 3 • ... • N =
N • (N–1)! Man kann also die Berechnung von N! auf die Berechnung von (N–1)!
zurückführen, wodurch sich eine einfache Programmgestaltung ergibt:
def fakult(n):
if n == 0:
return 1
else:
return n*fakult(n-1)
print("Eingabe der Zahl, von der die Fakultät berechnet werden soll: ")
eingabe=input()
if eingabe != "":
try:
eingabe_i = int(eingabe)
print ("Fakultät von ", eingabe_i, "ist ", fakult(eingabe_i))
except:
print("Die Eingabe muss eine einzige ganze Zahl sein z.B. 4, 6, 10 o.ä.!")
Eine Anwendung einer Rekursion ergibt sich für einen sehr effektiven Sortieral-
gorithmus, der nach dem häufig umgesetzten Prinzip „teile und herrsche“ (d.h. „di-
vide and conquer“) arbeitet. Bei diesem Quick-Sort-Verfahren wird ein Array durch
einen Listentrenner in zwei Teillisten geteilt: eine mit Werten, die gegenüber dem
Listentrenner kleiner oder gleich sind, und eine zweite Liste mit Werten größer als
der Listentrenner. Dieses Verfahren wird danach rekursiv auf beide Teillisten ange-
wandt.
Abb. 3.10: Verdeutlichung des Quick-Sort-Verfahrens
Hierbei entsteht ein binärer Partitionenbaum mit log2 (n) Etagen (vgl. Abb. 3.10).
Der Aufwand zur vollständigen Partitionierung jeweils einer Etage ist zu n propor-
tional. Insgesamt ist dann für den Quick-Sort-Algorithmus der Aufwand im Durch-
schnitt zu n • log n und lediglich bei entarteten Partitionen, bei denen bei jeder Zer-
legung eine Gruppe mit einem Objekt entsteht, zu n • n proportional (vgl. Kap.
3.3.4).
Algorithmen 101
public class QuickSort {

private static int[] zahlen;
private static void quicksort(int low, int high) {
int i = low, j = high;
int pivot = zahlen[low + (high-low)/2]; // Finden Pivot Element, Mitte des Arrays
// Aufteilung nach 'Divide and Conquer' Prinzip
while (i <= j) {
// so lange wie das Teilstueck noch nicht vollständig durchlaufen
// Suche vom Anfang des Arrays (Wert der kleiner ist als vorhergehender)
while (zahlen[i] < pivot) {
i++;
}
//Suche vom Ende des Arrays (Wert der groesser als vorhergehender
while (zahlen[j] > pivot) {
j--;
}
//Wenn Elemente gefunden, die getauscht werden muessen - Methodenaufruf
if (i <= j) {
exchange(i, j);
i++;
j--;
}
} /*von while*/
// Rekursionsaufruf der eigenen Methode - erneutes Starten mit neuen Teilstuecken
if (low < j)
quicksort(low, j); // sortieren linke Hälfte
if (i < high) // sortieren rechte Hälfte
quicksort(i, high);
} /*von quicksort*/
private static void exchange(int i, int j) { //Methode zum Tauschen von 2 Elementen
int temp = zahlen[i];
zahlen[i] = zahlen[j];
zahlen[j] = temp;
}
public static void main(String[] args) { // Main Methode
int[] zahlenliste = {0,9,4,6,2,8,5,1,7,3};
zahlen = zahlenliste;
quicksort(0, zahlenliste.length - 1);
for (int i=0; i<zahlen.length; i++) // Ausgabe des sortierten Arrays
System.out.print(zahlen[i]+" ");
}
}
3.3.4 Komplexität von Algorithmen
Die Effizienz von Algorithmen wird im Allgemeinen im Hinblick auf das Rechen-
zeitverhalten und den Speicherplatz bewertet. Dabei ist nicht die absolute Rechen-
zeit oder der absolute Speicherbedarf entscheidend – gerade die erste Größe wird
hochgradig von der benutzten Hardware bestimmt –, sondern die Zunahme der Re-
chenzeit und das Wachstum an Speicherplatz jeweils in Abhängigkeit vom Umfang
der Eingabe.
Bei der linearen Suche eines Elementes in einem Array der Länge n startet die
Überprüfung mit dem ersten Element des Arrays, die mit den weiteren Elementen
so lange fortgesetzt wird, bis das gesuchte Objekt gefunden wurde. Im günstigsten
Fall (best case) wird das Element gleich am Anfang, im schlechtesten Fall (worst
case) am Ende oder überhaupt nicht und im Durchschnitt (average case) in n/2 Fäl-
len gefunden. Hierbei müssen die Elemente aber nicht in einer bestimmten Sortier-
reihenfolge vorliegen.
Die binäre Suche wird auf ein sortiertes Array angewandt, das an einer Stelle m
geteilt wird. A[min] ... A[m–1] A[m] A[m+1] ... A[max]. Für m wird gewöhnlich
die Mitte zwischen Minimum und Maximum gewählt, also (min + max) / 2. An-
schließend muss für das zu suchende Element x überprüft werden, ob x = A[m], x
< A[m] oder x > A[m] ist. Dann wird die Suche beendet oder entsprechend in der
linken bzw. in der rechten Hälfte fortgesetzt. Im schlechtesten Fall müssen die Be-
reiche so oft halbiert werden, bis nur noch ein Element übrig bleibt. Bei der binären
Suche (eines geordnetes Arrays) verursachen 2k – 1 Zahlen höchstens k Schleifen-
durchläufe, da nach k Halbierungen die Intervalllänge 1 beträgt. Somit erzeugen n
Zahlen höchstens log2 n Schleifendurchläufe.
Die Beispiele zeigen (vgl. auch Quick-Sort-Algorithmus in Kap. 3.3.3.2), dass
die Laufzeit der Algorithmen und damit deren Komplexität proportional zu einer
Kenngröße n ist, wobei die beiden angeführten Algorithmen lineare und logarith-
mische Abhängigkeiten aufweisen (vgl. Tab. 3.5).
Tabelle 3.5: Aufwand für die lineare und binäre Suche

Best Case Average Case Worst Case
lineare Suche 1 n/2 n

binäre Suche 1 log2 (n) – 1 log2 (n)
Für andere Algorithmen kann diese Abhängigkeit durch bestimmte Funktionen fi (n)
ausgedrückt werden. Allerdings ist die genaue Abhängigkeitsfunktion schwer er-
mittelbar und von geringerem Interesse als eine Abschätzung der Größenordnung
durch eine majorisierende Funktion, d.h. durch eine einfache, aber bekannte Funk-
tion mit größeren, aber angenäherten Funktionswerten. In der O-Notation wird dann
die Komplexität eines Algorithmus durch die majorisierende Funktion ausgedrückt.
Hierdurch wird das asymptotische Verhalten für ein großes N dargestellt (vgl. Tab.
3.6):
f(n) ist höchstens von der Ordnung g(n)
falls: f(n) d c • g(n), c = const., für große n
geschrieben: f(n) = O(g(n))
Algorithmen 103
Tabelle 3.6: Komplexitäten

O Beispiele
log n logarithmisch Suchen auf einer sortierten Menge

log2 n logarithmisch binäre Suche
n linear lineare Suche
n • log n log linear effizientes Sortieren
n2 quadratisch naives Sortieren
n3 kubisch
ni polynomial
2n exponentiell alle Teilmengen
n! Fakultät alle Permutationen
Wenn angenommen wird, dass ein Computer 1 Million Gleitkommaoperationen pro

Sekunde ermöglicht, ergeben sich schon bei relativ kleinen Fallzahlen bei einzelnen
Komplexitätsfunktionen gigantische Rechenzeiten (vgl. Tab. 3.7).
Tabelle 3.7: Rechenzeiten in Abhängigkeit von Komplexität und Fallzahl bei einer angenommenen
Rechenleistung von 1 Mio. (= 106) Gleitkommaoperationen pro Sekunde (falls nicht anders angege-
ben, Rechenzeit in Sekunden)
O 10 20 30 40 50 60
n 0.00001 0.00002 0.00003 0.00004 0.00005 0.00006

n2 0.0001 0.0004 0.0009 0.0016 0.0025 0.0036
2n 0.001024 1.048576 17,896 Min 12,7 Tage 35,7 Jahre 36559 Jahre
n! 3,62 77147 Jahre 8.4 • 1018 J 2,6 • 1034 J 9,6 • 1050 J 2,6 • 1068 J
Zum Vergleich: Der Urknall erfolgte vor ca. 12 – 15 Milliarden (1,2 – 1,5 • 1010) Jahren.
Derartige Komplexitätsfunktionen sind für Aufgaben der Geoinformatik gar nicht

selten. Eine häufige Aufgabe in der Analyse von Netzwerken ist die Suche nach
einer optimalen Route mit n Stationen (hier durchnummeriert von 1 bis n). Eine
vollständige Route, bei der der Anfangspunkt wieder erreicht wird, kann als Permu-
tation der Zahlen von 1 bis n angesehen werden. Somit ergeben sich theoretisch
insgesamt n! Routen, die zwar nicht sämtlich realisiert sind, aber bei einem einfa-
chen Suchverfahren sämtlich geprüft werden müssten (Brute-Force-Methode bzw.
Brute-Force-Algorithmus von „brute force“ für rohe Gewalt). Dieses Vorgehen ist
bereits bei einem sehr kleinen Netz hoffnungslos. Für 60 Städte würde die Berech-
nung der §·1081 (möglichen) Wegstrecken mehr als 1,83 1058 Jahre in
Anspruch nehmen, falls der derzeit leistungsfähigste Computer (Stand November
2018) mit 1,435·1017 Gleitkommaoperationen pro Sekunde herangezogen und ver-
einfachend angenommen würde, dass die Berechnung einer Wegstrecke 10 Gleit-
kommaoperationen erfordert. Falls sich die Computerleistung um den Faktor 106
steigern würde, jetzt aber nicht mehr wie in den letzten zwanzig Jahren, sondern in
vielleicht kürzerer Zeit, dann würde die Prüfung sämtlicher 60! Wegstrecken immer
noch mehr als 1,83 1052 Jahre dauern.
Diese Rechnungen sollen zeigen, dass immer schnellere Rechner häufig nicht zur
Lösung einer komplexen Aufgabe beitragen. Ein effizienter Algorithmus, der, wenn
auch nur näherungsweise, dann aber in endlicher Zeit eine Lösung findet, hat grö-
ßere Bedeutung.
3.4 Grundlegende Algorithmen der Geoinformatik
3.4.1 Algorithmen der Koordinatengeometrie
In der Geoinformatik, vor allem in Geoinformationssystemen, in denen Objekte wie

Punkte, Linien und Flächen mit Hilfe von Koordinaten modelliert werden, werden
zentrale Aufgaben mit Hilfe graphisch-geometrischer Algorithmen gelöst (vgl. de
Berg u.a. 2008, Brinkhoff 2013 Kap. 7, Worboys u. Duckham 2004 Kap. 5, Zim-
mermann 2012). Dabei erfordern häufig auf den ersten Blick einfache Aufgaben
aufwendigere Lösungen. So berechnet sich der Schwerpunkt eines geschlossenen
Polygons, das durch Eckkoordinaten gegeben ist (vgl. Abb. 3.11), nicht als arith-
metisches Mittelzentrum aus den Mittelwerten der x- und y-Koordinaten. Die kom-
plexe Formel lautet mit (xn+1,yn+1) = (x1,y1) und F = Fläche des Polygons (vgl. ähn-
lich Worboys u. Duckham 2004 S. 197):
ଵ
ܿ௫ = σ௡௜ୀ଴(‫ݔ‬௜ + ‫ݔ‬௜ାଵ ) ή (‫ݔ‬௜ ή ‫ݕ‬௜ାଵ െ ‫ݔ‬௜ାଵ ή ‫ݕ‬௜ )
଺ி
ଵ
ܿ௬ = σ௡௜ୀ଴(‫ݕ‬௜ + ‫ݕ‬௜ାଵ ) ή (‫ݔ‬௜ ή ‫ݕ‬௜ାଵ െ ‫ݔ‬௜ାଵ ή ‫ݕ‬௜ )
଺ி
Für den Inhalt einer Fläche, die durch eine Folge der Koordinaten der Eckpunkte
Pi = (xi,yi) eindeutig beschrieben ist, gilt die Rechenvorschrift (vgl. ähnlich Worboys
u. Duckham 2004 S. 196, vgl. Abb. 3.09):
‫ = ܨ‬0.5 ή [ܲଵ × ܲଶ + ܲଶ × ܲଷ + ܲଷ × ܲସ + ‫ ڮ‬+ ܲ௡ିଵ × ܲ௡ + ܲ௡ × ܲଵ ]
wobei das Symbol x das Vektorprodukt kennzeichnet, das definiert ist durch:
‫ݔ‬௜ ‫ݔ‬௝
ܲ௜ × ܲ௝ = ቀ‫ ݕ‬ቁ × ቀ‫ ݕ‬ቁ = ൫‫ݔ‬௜ ή ‫ݕ‬௝ ൯ െ ൫‫ݕ‬௜ ή ‫ݔ‬௝ ൯ (d.h. „über Kreuz“)
௜ ௝
Abb. 3.11: Darstellung einer Fläche durch begrenzende Geradenstücke und Flächeninhalt
Grundlegende Algorithmen der Geoinformatik 105
Für den Umfang U einer einfachen Fläche (ohne Löcher) gilt:

ܷ = ඥ(‫ݔ‬ଵ െ ‫ݔ‬ଶ )ଶ + (‫ݕ‬ଵ െ ‫ݕ‬ଶ )ଶ + ඥ(‫ݔ‬ଶ െ ‫ݔ‬ଷ )ଶ + (‫ݕ‬ଶ െ ‫ݕ‬ଷ )ଶ + ‫ ڮ‬+ ඥ(‫ݔ‬௡ െ ‫ݔ‬ଵ )ଶ + (‫ݕ‬௡ െ ‫ݕ‬ଵ )ଶ
Dabei müssen sämtliche Eckpunkte im Uhrzeigersinn nummeriert sein. Negative y-

Koordinaten sind nicht erlaubt. Ferner gilt (x1,y1) = (xn+1,yn+1).
Die Erfassung von Linien durch Nachzeichnen einer Vorlage (vgl. Kap. 5.2.1)
oder mit einem GPS-Gerät liefert Koordinatenfolgen, wobei zuweilen mehr Punkte
ermittelt werden, als für die Repräsentation der Objekte von Bedeutung sind. Dann
stellt sich die Aufgabe, Zwischenpunkte zu löschen und die Dichte der Koordinaten
zu reduzieren. Die Generalisierung erfolgt zumeist nach dem Douglas-Peucker-Al-
gorithmus, der auf die Punktfolge {Pa, Pi, ...Pe} angewandt wird, die die Linie nach
der Datenerfassung repräsentiert (vgl. Worboys u. Duckham 2004 S. 176). Hierbei
werden zuerst Anfangs- und Endknoten durch eine Gerade PaPe verbunden (vgl.
Abb. 3.12). Von dieser wird der senkrechte Abstand zu dem Punkt Pc gebildet, der
am weitesten von der Geraden PaPe entfernt liegt. Dieser Punkt bleibt erhalten, falls
der Abstand größer als ein vorgegebener Grenzwert ist. Anschließend werden die
Ausgangslinie geteilt und der Algorithmus rekursiv auf die Teilstücke PaPc und PcPe
angewandt. Der Algorithmus endet, falls für alle Segmente PiPj der Abstand zum
weitesten Segmentpunkt unterhalb des Grenzwertes ist. Je kleiner dieser Grenzwert
ist, desto geringer ist die Generalisierung.
Abb. 3.12: Douglas-Peucker-Algorithmus zur Generalisierung von Linien
In vektorbasierten Geoinformationssystemen werden Linien wie z.B. Gewässer o-

der Grenzen von Biotopen und Flurstücken durch Folgen von Geraden modelliert
bzw. angenähert (vgl. Kap. 5.2.1 u. 9.3.2). Häufig müssen unterschiedliche thema-
tische Schichten überlagert und gemeinsame Durchschnitte gebildet werden (vgl.
Kap. 9.4.4). Falls eine thematische Schicht Nutzungstypen und die zweite Schicht
Flurstücke darstellt, ist eine typische Fragestellung, die Nutzungen auf Flurstücken
eines konkreten Besitzers zu bestimmen. Dann müssen die Grenzen der Nutzungs-
typen, die sich aus einzelnen Geradenstücken zusammensetzen, mit den Grenzen
der Flurstücke verschnitten werden, die ebenfalls aus einzelnen Geradenstücken ge-
bildet werden. In Abbildung 3.13 teilt sich z.B. die Besitzparzelle von Cmann in
drei Nutzflächen auf. Diese Aufgabe führt letztlich darauf hinaus, Schnittpunkte
von Geraden zu bestimmen (vgl. Abb. 3.13).
Allgemein gilt für den Schnittpunkt (xs,ys) von zwei Geraden:

Gerade 1: y = a1 + b1 • x und
Gerade 2: y = a2 + b2 • x
Schnittpunkt: (xs, ys) mit xs = (a1 – a2) / (b2 – b1) und ys = a1 + b1 • xs
wobei für die allgemeine Geradengleichung und Punkte (xi,yi) auf der Geraden gilt:
y=a+b•x mit
b = (y2 – y1) / (x2 – x1) (Steigung)
a = y1 – b • x1 (Schnitt der Geraden mit der y-Achse)
Abb. 3.13: Schnittaufgaben bei Überlagerungen: gemeinsamer Durchschnitt der Nutzung „Acker“
und der Besitzerinformation „Cmann“
Abb. 3.14: Schnitte von Geraden
Im konkreten Fall müssen für die Schnittpunktberechnung zweier Geradenstücke

mehrere Sonderfälle beachtet werden (vgl. Abb. 3.14):
- Die Berechnungsvorschrift ist nur anzuwenden, falls überhaupt ein Schnittpunkt
vorliegen kann (vgl. Fall 1).
- Die Existenz eines Schnittpunktes ist (abgesehen von parallelen Linien) immer
gesichert, wenn die Geraden von unendlicher Länge sind. Zu überprüfen ist aber,
ob dieser Schnittpunkt überhaupt auf den Geradenstücken in den Intervallen
(x1,x2), (u1,u2) bzw. (y1,y2) und (v1,v2) liegen kann (vgl. Fall 2).
- Bei einer vertikalen Linie (vgl. Fall 3) führt die Berechnung der Steigung nach
obiger Formel zu einer Division durch Null. Für die senkrechte Linie gilt x1 = x2,
aber auch x1 = x2 = xs.
- Parallele Linien besitzen keinen Schnittpunkt (vgl. Fall 4).
Ein sehr einfacher Lösungsansatz besteht darin, alle potenziellen Lösungen durch-
zuprobieren (Brute-Force-Methode). Im obigen Beispiel müsste das Geradenstück,
das die Grenze zwischen Nadelforst und Acker markiert, mit allen Besitzgrenzen
verschnitten werden (vgl. Abb. 3.13). Ein derartiger Ansatz ist in der Regel einfach
zu programmieren, aber zumeist auch nicht sehr effizient. Ein derartiges naives Ver-
fahren besitzt bei n Segmenten die Komplexität O(n2) und ist bei größeren Anwen-
dungen ungeeignet. Ein Brute-Force-Algorithmus zur Lösung des Schnittproblems
von Linien, die in Liniensegmente aufgelöst sind, hat in einer Pseudoprogrammier-
sprache in etwa die Form:
//LinienSegmente = Liste von Liniensegmenten

//PunkteSchnittmenge = Liste von Schnittpunkten von Segmenten
for i in range (1, LinienSegmente.length)
for j in range (1, LinienSegmente.length)
p = intersect (LinienSegmente[i],[j])
LISQXOOWKHQ
PunkteSchnittmenge.insert(p)
Allerdings sind in der sog. Computational Geometry inzwischen sehr effiziente

Techniken entwickelt worden. Dieses Forschungsgebiet, das in den späten 70er Jah-
ren entstand, widmet sich der Analyse graphisch-geometrischer Probleme und der
Entwicklung effizienter geometrischer Algorithmen (u.a. Schnittbestimmung,
Punktlokalisation, Sichtbarkeitsbestimmung, Triangulationsaufgaben, vgl. de Berg
u.a. 2008, Brinkhoff 2013 S. 235 ff., Klein 2005, Schmitt u.a. 1996, Zimmermann
2012). Für das Schnittproblem beliebiger Strecken liegt mit dem Bentley-Ottman-
Algorithmus ein (optimales) Verfahren vor, dessen Zeitkomplexität sich mit
O[(n + k) • log n] abschätzen lässt, wobei k die Anzahl der gefundenen Schnitt-
punkte ist. Allerdings kann im extrem seltenen Fall sehr vieler Schnittpunkte
k = O(n2) sein, so dass dann mit O(n2 • log n) diese Methode sogar schlechter als
das einfache Vorgehen wird.
Der Bentley-Ottmann-Algorithmus gehört zu den sog. Plane-Sweep-Verfahren,
bei denen (im zweidimensionalen Fall) eine (gedachte) Vertikale (sog. Sweep-Line)
über die Daten in der Ebene geführt wird (vgl. Brinkhoff 2013 S. 235 ff., Klein 2005
S. 64 ff., Schmitt u.a. 1996 S. 33 ff., Zimmermann 2012 S. 171 ff.). Dabei werden
nur an ausgewählten Berührpunkten der Sweep-Line mit den Objekten Operationen
durchgeführt.
Diejenigen Segmente, die die Sweep-Line schneiden, werden aktive Segmente
genannt. An Haltepunkten der Sweep-Line, d.h. nur an Anfangs- und Endpunkten
der Segmente sowie an den (gefundenen) Schnittpunkten, werden Berechnungen
vorgenommen. Dabei werden Schnittpunktüberprüfungen nur mit den Vorläufer-
und Nachfolgersegmenten Sv bzw. Sn durchgeführt, wobei Vorläufer und Nachfol-
ger in y-Richtung geordnet sind und Sv „oberhalb“ bzw. Sn „unterhalb“ eines Hal-
tepunktes liegen. Durch diese Technik reduziert sich der Rechenaufwand erheblich,
da nur in einer Umgebung der Haltepunkte Vorgänger und Nachfolger betrachtet
werden müssen. Zwei Segmente können sich nur dann schneiden, wenn sie in der
Folge aktiver Segmente (vorher einmal) benachbart sind. Dabei ist nur einer von
drei Fällen zu bearbeiten (vgl. Abb. 3.15):
Falls ein Haltepunkt Anfangspunkt eines Segments S ist, wird überprüft, ob sich
die Segmente Sv, S und Sn schneiden. Jeder gefundene Schnittpunkt wird in die
Menge der Haltepunkte aufgenommen (vgl. Abb. 3.15, Fall A).
Bei einem Endpunkt eines Segments S muss getestet werden, ob sich Sv und Sn
schneiden. Auch hier wird jeder gefundene Schnittpunkt in die Menge der Halte-
punkte aufgenommen (vgl. Abb. 3.15, Fall B).
Bei einem Schnittpunkt der Segmente S und S´ muss überprüft werden, ob sich
S´ und Sv bzw. S und Sn schneiden. Gefundene Schnittpunkt werden in die Menge
der Haltepunkte aufgenommen (vgl. Abb. 3.15, Fall C).
Der Bentley-Ottmann-Algorithmus erfordert effiziente Datenstrukturen in Form
von Warteschlangen und ausgeglichenen Bäumen (vgl. Schmitt u.a. 1996 S. 32 ff.).
Für derartige Plane-Sweep-Verfahren finden sich in der Computational Geometry
vielfältige Anwendungen wie z.B. bei der Lageüberprüfung eines Punktes zu einem
Polygon oder bei der Triangulation von Polygonen.
Abb. 3.15: Plane-Sweep-Verfahren zur Bestimmung von Schnittpunkten von Strecken
In Geoinformationssystemen kann ein grober Vorabtest erheblich den Rechenauf-

wand reduzieren, wobei häufig schon bei der Datenerfassung bzw. Modellierung
Zusatzinformationen gespeichert werden. So wird z.B. bei Verschneidungen von
Linien, die aus einzelnen Segmenten bestehen, zunächst überprüft, ob sich die um-
hüllenden Rechtecke der Linien bzw. der Segmente überlagern (vgl. Abb. 3.16, sog.
MER – Minimum Enclosing Rectangle). Allein hierdurch werden schon viele Fälle
ausgeschlossen. Dieses Vorgehen wird insbesondere dann sehr effizient, wenn die
Extremkoordinaten einer Linie zusätzlich abgespeichert und nicht jeweils neu er-
rechnet werden müssen. Ferner kann eine komplexe Linie in monotone Abschnitte
zerlegt werden, für die die x- bzw. y-Koordinaten entweder steigen oder abnehmen.
Da die Linie in einem Abschnitt stets in eine Richtung größer wird, kann das Seg-
ment nicht „umkehren“ und eine andere Linie ein zweites Mal schneiden. Ein der-
artiger Abschnitt, der aus vielen Segmenten bestehen kann, kann somit als Ganzes
wie ein einziges Geradenstück behandelt werden. Ein Vorabtest auf der Basis mo-
notoner Abschnitte kann ebenfalls zu einer Rechenersparnis führen.
Abb. 3.16: Umhüllende Rechtecke zweier Geraden und mehrerer Geradenstücke, monotone Linien-
abschnitte und Schnittpunkte von Linien
In Geoinformationssystemen ist sehr häufig zu bestimmen, ob ein bestimmter Punkt

P = (xp,yp) innerhalb einer Fläche liegt, die durch die Eckkoordinaten ihrer Kanten
definiert ist: F = {(xi,yj)}. Für diesen sog. Point-in-Polygon-Test kann ein sehr einfa-
cher Algorithmus angegeben werden, der den Satz umsetzt, dass jeder von einem
Punkt im Innern der Fläche ausgehende Strahl die Kanten der Fläche in einer ungera-
den Zahl von Schnitten schneidet (Anwendung des Jordanschen Kurvensatzes, zu
weiteren Algorithmen zur Punktlokalisation vgl. Schmitt u.a. 1996 S. 68 ff., vgl. auch
Worboys u. Duckham 2003 S. 197 ff.). Hierbei sind allerdings mehrere Spezialfälle
zu beachten. Gezählt wird jeweils nur der wirkliche Übergang vom Innern zum Äu-
ßeren (vgl. Abb. 3.17, kein Übergang bei A, nur ein Übergang bei B).
Zur rechentechnischen Implementation wird vereinfacht nur der waagerechte, nach
rechts laufende Strahl betrachtet. Die Fläche F mit den Eckkoordinaten {xi,yi} wird
derart transformiert bzw. verschoben, dass der Punkt P mit dem Ursprung und der
Strahl mit der positiven x-Achse zusammenfallen: F´ = {(vi,wj) = (xi–xp,yi–yp)}.
Dann werden nacheinander sämtliche Kanten durchlaufen und überprüft, ob sie die
x-Achse schneiden. Dabei sind keine Schnittpunktberechnungen, sondern nur Ver-
gleiche der y-Koordinaten notwendig. Zu zählen sind für alle i mit vi > 0 die Fälle,
für die gilt: (wi > 0 und wi+1 < 0) oder (wi < 0 und wi+1 > 0). Dieser Algorithmus hat
die Komplexität O(n) mit n Zahl der Ecken der Fläche.
Abb. 3.17: Halbstrahlalgorithmus für den Point-in-Polygon-Test

Eine häufige Anwendung des Point-in-Polygon-Tests tritt in Geoinformationssys-

temen auf, falls zu einem Punkt P, der durch seine Koordinaten gegeben ist, die
zugehörige Region und dann die zugehörigen Attributeinträge in der Datenbank zu
finden sind. Der Suchaufwand bei obigem Verfahren ist dann O(m • n) bei m Poly-
gonen mit jeweils n Kanten. Der Aufwand kann mit einem Sweep-Line-Algorith-
mus (vgl. Zimmermann 2012 S. 173 ff.) bzw. mit einem auf sog. Trapezkarten ope-
rierenden Algorithmus (vgl. de Berg u.a. 2008 S. 122 ff.) verringert werden.
3.4.2 Graphen und ausgewählte Wegealgorithmen
In der Geoinformatik besteht mit den sog. Wegealgorithmen eine besondere Gruppe
von Verfahren, die allgemein auf sog. Netzen operieren und für die vielfältige An-
wendungsmöglichkeiten gerade bei der Modellierung von Verkehrswegen und der
Ermittlung optimaler Routen angegeben werden können. Mathematische Grundlage
ist hierfür die Graphentheorie (vgl. z.B. Jungnickel 2013). Allgemein bestehen Gra-
phen aus einer Menge von Knoten und einer Menge von Kanten, die Knoten ver-
binden (vgl. Abb. 3.18). Um Beziehungen in einem Graphen zu beschreiben, wer-
den die Begriffe Adjazenz und Inzidenz verwendet. Zwei Knoten A und E sind be-
nachbart (adjazent), wenn für sie eine verbindende Kante k(A,E) besteht. Adjazenz
bezeichnet dabei die Beziehungen zwischen gleichartigen Elementen eines Gra-
phen. Umgekehrt definieren die beiden topologisch benachbarten Knoten eine
Kante, die inzident mit den Knoten ist. Inzidenz bezeichnet dabei die Beziehungen
zwischen verschiedenartigen Elementen eines Graphen. Die Knoten A und E sind
also inzident mit der Kante k(A,E).
Ein Weg ist eine Folge paarweise adjazenter Kanten, die von einem Knoten zu
einem anderen Knoten führt. Ein Graph heißt zusammenhängend, wenn für zwei
beliebige Knoten (mindestens) ein Weg besteht. Ein vollständiger Graph liegt vor,
wenn alle Knotenpaare adjazent sind. Falls mehrere Wege zwischen zwei Knoten
bestehen, besitzt der Graph (mindestens) eine Schleife. Ein schleifenloser, zusam-
menhängender Graph wird Baum genannt.
Abb. 3.18: Typen von Graphen
Neben vielfältigen Einsatzmöglichkeiten bei Fragestellungen in Verkehrs- und

Kommunikationsnetzen besitzen Graphen auch bei der geometrisch-topologischen
Modellierung von Flächen in vektorbasierten Geoinformationssystemen große Be-

deutung (vgl. Kap. 9.3.2). So definieren Kanten eines zusammenhängenden Gra-
phen Flächen, falls ein Graph nur aus Schleifen besteht. Für zusammenhängende
planare Graphen gilt insbesondere der Satz von Euler (vgl. Jungnickel 2013 S. 22):
k n – ka + p = 2 (kn = Zahl Knoten, ka = Zahl Kanten, p = Zahl Polygone)
Eine Anwendung ergibt sich bei der Linienerfassung mit Hilfe der Werkzeuge eines
Geoinformationssystems. Häufig liegen Ergebnisse wie in Abbildung 3.18 vor, die
sämtlich aber Flächen darstellen sollen. Nur der vierte Graph, für den kn = 11,
ka = 14, p = 5 gilt, für den also der Satz von Euler zutrifft, modelliert sämtliche Flä-
chen topologisch korrekt (vgl. Kap. 9.3.3). Hierbei stellt das „unendliche“ Gebiet
außerhalb des Graphen eine Fläche dar. Der Satz von Euler bietet somit eine Kon-
sistenzprüfung einer exakten Flächenmodellierung, die topologischen Ansprüchen
genügt (zur geometrisch-topologischen Modellierung von Flächen im Vektormo-
dell, die Flächen aus zusammengesetzten Linienstücken und nicht als geschlossenen
Polygonzug modelliert vgl. Kap. 9.3.2).
Abb. 3.19: Wegenetz mit zugehöriger Adjazenzmatrix und Listendarstellung
Ein Graph wie z.B. ein reales Verkehrsnetz, für das Entfernungen, Wegzeiten oder
allgemein Widerstände zwischen Knoten kennzeichnend sind, kann durch eine be-
wertete Adjazenzmatrix beschrieben werden. Hierbei drückt das Matrixelement aij
den Widerstand zwischen den Knoten i und j aus (vgl. Abb. 3.19). Der Widerstand
eines Knotens zu sich selbst wird mit 0 angegeben. Falls zwei Knoten nicht durch
eine Kante verbunden sind, erhalten sie den Wert λ. In einer unbewerteten Adja-
zenzmatrix werden die Widerstände der Kanten mit 1 dargestellt. Eine Adjazenz-
matrix muss dabei nicht zwingend symmetrisch sein (vgl. z.B. richtungsbezogen
unterschiedliche Fahrtzeiten zwischen zwei Knoten). Die Darstellung eines Gra-
phen in Form einer Adjazenzmatrix ist allerdings extrem speicheraufwendig (Spei-
cherplatzkomplexität O(n2)). Demgegenüber verbraucht die Präsentation in Form
von Listen weniger Speicher. Hierbei wird zu jedem Knoten eine Liste definiert, in
der die unmittelbaren Nachbarn enthalten sind. Allerdings ist hierfür eine Zugriffs-
funktion auf einzelne Kantenwerte recht aufwendig zu implementieren.
Die sog. Matrixverfahren zur Berechnung kürzester Wege bestimmen gleichzei-
tig alle Widerstandswerte auf Wegen zwischen allen Knoten eines Netzes. Der Al-
gorithmus nach Floyd (auch Algorithmus nach Warshall genannt) bestimmt für alle
Paare von Knoten (I,J) die minimale Entfernung, indem für ein Knotenpaar (I,J) alle
Wege über (genau) einen Zwischenknoten berechnet werden (vgl. Jungnickel 2013
S. 91 ff.). Die Berechnung der Entfernung, d.h. allgemein des Widerstands W(I,J),
der auch als Zeit- oder Kostenaufwand definiert sein kann, zwischen Knoten I und
J erfolgt durch:
W(I,J) = min ^ W(I,J); W(I,K) + W(K,J) `
Rechentechnisch wird der Algorithmus derart programmiert, dass ein Zwischen-
knoten festgehalten wird und dann die Entfernungen (Widerstände) W(I,J) für sämt-
liche Knotenpaare errechnet werden:
Für K = 1, ..., N
Für I = 1, ..., N
Für J = 1, ..., N
berechne W(I,J) = min ^ W(I,J); W(I,K) + W(K,J) `
Am Ende enthält die Matrix W die kürzesten Entfernungen zwischen beliebigen
Knoten. Allerdings lassen sich die einzelnen Routen aus der optimalen Entfernungs-
matrix nicht ablesen. Sie müssen vielmehr nachträglich mit Hilfe der Ausgangs-
matrix rekonstruiert werden. Dazu wird im Rechenverfahren eine sog. Vorläufer-
matrix eingeführt, für die als Startwerte gesetzt werden:
V (I,J) = I, falls: I = J oder I direkt benachbart mit J
0, sonst
Die Notierung der jeweiligen Vorläufer muss dann in den Rechengang des Floyd-
Verfahrens eingeführt werden:
if (w[i,k] + w[k,j] < w[i,j]) then
begin
w[i,j]:=w[i,k] + w[k,j]
v[i,j]:=v[k,j];
end;
Nach Abschluss der Berechnungen können aus dieser Vorläufermatrix alle gewünsch-
ten Routen als eine Abfolge von Knoten bestimmt werden. Da für jeden Knoten der
Vorläufer bekannt ist, beginnt man am Zielknoten und rechnet rückwärts (Ziel -->
Vorläufer --> Vorläufer --> ... --> Anfang).
Die sog. Baumverfahren ermitteln die kürzesten Wege zwischen einem vorgege-
benen Quellknoten zu allen übrigen Knoten des Netzes. Die bekannteste Methode
ist sicherlich der Algorithmus nach Dijkstra (vgl. Jungnickel 2013 S. 83 ff. S. 84–
87 und sehr anschaulich Worboys u. Duckham 2003 S. 214 ff.). Im Laufe des Ver-
fahrens wird ausgehend von einem Startknoten S eine Folge von Nachfolgerknoten
in eine Merkliste eingetragen, die mit den Nachfolgern der Nachfolger sämtliche
mögliche Routen von S zum Zielknoten Z aufweist. Für diese Knoten werden ge-
schickt sämtliche Wege überprüft, wobei bereits bearbeitete Knoten nicht noch ein-
mal getestet werden. Der Algorithmus in einer Pseudonotation (nach Domschke
2007) benötigt eine Adjazenzmatrix A[i,j] sowie eine Merkliste MERK, eine Liste
VORG[ i ] der Vorgänger des Knotens i (mit VORG[ i ] ist Vorgänger zum Knoten i)
und eine Liste WID[ i ] der Widerstände bzw. Entfernungen des Knotens i zum Start-
knoten S (Widerstände WID[ i ] sämtlich ungleich Null).
Algorithmus nach Dijkstra:

//Initialisierung
repeat
wähle Knoten k aus MERK mit WID[k]: = min {WID[i], i MERK}
lösche Knoten k aus MERK
für sämtliche Nachfolger j von k do //für diese Knoten j gilt 0 < A[k,j] < f
begin
M falls j MERK und WID[j] = f
(*der Nachfolger j von S wurde noch nicht erreicht*)
WID [j] = WID [k] + A[k,j];
VORG [j]:= k;
MERK:=MERK {j};
N falls j MERK und DIST[j] < f
wähle den nächsten Nachfolger j vom Knoten k, oder falls bereits
alle Nachfolger vom Knoten k überprüft wurden,
starte nächste Iteration
O falls j MERK
if WID[k] + A[k,j] < WID[j] then
begin
WID[j]: = WID[k] + A[k,j];
VORG[j]: = k;
end;
end;
until MERK = { }
Zunächst muss der Algorithmus initialisiert werden. Der Startknoten wird in eine
Merkliste eingefügt, zugewiesen werden dem Weg zum Startknoten der Widerstand
0 und den Wegen zu den EULJHQ.QRWHQGHU:LGHUVWDQG
In der Iteration wird der vorderste Knoten aus der Merkliste k herausgenommen
(Knoten k). Dann wird für alle benachbarten Knoten j des gerade herausgenommen
Knotens k eine Fallunterscheidung durchgeführt.
Falls der Knoten j noch gar nicht besucht worden ist (d.h. WID[j] = f) und nicht
in der Merkliste vorhanden ist, enthält dieser Knoten die Distanz WID[j], die sich
aus der Summe der Kosten zu seinem Vorgänger (WID [k]) und dem Widerstand
A[k,j] der gerade betrachteten Kante vom Knoten k zum Knoten j ergibt.
)DOOVGHU.QRWHQMEHUHLWVEHVXFKWZRUGHQLVW GK:,'>M@f), aber nicht mehr
in der Merkliste steht, wird ein anderer Nachfolger von k betrachtet. Falls bereits
alle Nachfolger vom Knoten k überprüft wurden, wird mit der nächsten Iteration
(mit dem nächsten Knoten) fortgesetzt.
Falls der Knoten j in der Merkliste vorhanden ist, wird geprüft, ob der Wider-
stand WID[j] vom Startknoten zum Knoten j größer ist, als derjenige aus der Summe
des Widerstands zum Vorgängerknoten k und des Widerstands vom Knoten k zum
Knoten j. Falls dies der Fall ist, wurde ein kürzerer Weg über den Knoten j gefun-
den. Die Liste der Widerstände und die der Vorgänger müssen dann aktualisiert
werden.
Der Algorithmus endet, falls kein Knoten mehr in der Merkliste vorhanden ist.
Diese Algorithmen sind wie die meisten anderen Wegealgorithmen speicher-
platz- und zeitkritisch. Die (Zeit-)Komplexität beträgt für den Floyd-Algorithmus
O(n3) (vgl. Schleifenorganisation). Beim Dijkstra-Algorithmus ist im ungünstigsten
Fall der Aufwand proportional zu n2 (n Zahl der Knoten). In einer modifizierten

Form ist er ܱ(|݊| ή log|݇|) (k Anzahl der Kanten, vgl. Jungnickel 2013 S. 87 ff.).
Verbesserungen liefert der A*-Algorithmus, der im Gegensatz zu uninformierten
Suchalgorithmen eine Schätzfunktion (Heuristik) benutzt. Als Schätzfunktion kann
z.B. die Luftliniendistanz genommen werden, so dass Wege über weiter entfernt
liegende Knoten bzw. diese Knoten nicht weiter berücksichtigt werden müssen.
Kennzeichnend ist ein zielgerichtetes Suchen, das die Laufzeit verringert, da nur ein
kleiner Teil aller Knoten untersucht werden muss. Der A*-Algorithmus besitzt
ebenfalls wie der Dijkstra-Algorithmus im ungünstigsten Fall die Komplexität
O(n2), in der Praxis bietet er im Durchschnitt Zeitvorteile (vgl. Worboys u. Duckham
2003 S. 216–217).
Beim Rundreiseproblem, auch Problem des Handlungsreisenden oder Travel-
ing-Salesman-Problem genannt, ist eine Reihenfolge von n Knoten gesucht, so dass
jeder Knoten (außer dem Startknoten) genau einmal besucht wird, die Reise wieder
am Start endet und die Länge der Rundreise minimal ist. Alle bisher bekannten Ver-
fahren laufen auf eine vollständige Analyse aller Möglichkeiten hinaus. Ein einfa-
ches Suchverfahren, das sämtliche n! Kombinationen überprüft, ist selbst bei einem
kleinen Netz nicht anzuwenden (vgl. Tab. 3.7). Eine grundlegende Methode zur
Lösung eines solchen Problems basiert auf einer sog. Branch-and-Bound-Technik.
Bei jedem Schritt wird die Menge der noch möglichen Lösungen in zwei oder mehr
Teilmengen aufgeteilt, die jeweils durch eine Verzweigung (branch) in einem Ent-
scheidungsbaum dargestellt werden können. Ein für das Rundreiseproblem nahelie-
gendes Kriterium ist, alle Touren danach einzuteilen, ob eine bestimmte Strecke
enthalten ist oder nicht.
Das Rundreiseproblem soll an einem sehr einfachen Beispiel mit nur vier Halte-
stellen verdeutlicht werden. Das Beispiel geht von vier Knoten aus, die unterschied-
liche Entfernungen aufweisen. Aufgebaut wird ein Entscheidungsbaum mit mehre-
ren Ästen (branches). Allerdings sind nicht sämtliche Äste sinnvoll (vgl. Abb. 3.20).
So darf die Verzweigung 1-2-1 nicht weiterverfolgt werden, da der Knoten 1 bereits
in der Tour vorhanden ist. Nur der Startknoten darf in einer Tour zweimal, d.h. am
Anfang und am Ende enthalten sein, aber nur dann, wenn eine vollständige Tour
vorliegt. Für das Beispiel ergibt sich als optimale Route: 1 – 3 – 2 – 4 – 1 mit der
Länge 46.
Abb. 3.20: Verdeutlichen eines Branch-and-Bound-Algorithmus zum Rundreiseproblem
Das Abarbeiten der verschiedenen Zweige wird verkürzt, indem die Länge der
bisher zurückgelegten Wegstrecke bis zu dem Knoten k berechnet wird. Ist diese
Weglänge bereits größer als die Länge einer schon berechneten vollständigen
Route, werden alle weiteren Wege über diesen Knoten K nicht mehr verfolgt. Im
vorliegenden Beispiel tritt eine derartige Schranke (bound) nicht in Aktion, da der
Baum noch nicht stark verzweigt ist. Wird aber z.B. die Entfernung zwischen 1 und
3 mit 75 angenommen, wird der mittlere Teil des Entscheidungsbaumes nicht mehr
abgearbeitet. Im linken Ast über die Kante 1-2 ergab sich schon als kürzeste Ent-
fernung der Wert 74 (Route 1 – 2 – 3 – 4 – 1).
Für dieses Verfahren steigt die Laufzeit exponentiell an. Falls in einem Graphen
von jedem Knoten genau zwei Kanten wegführen, ergeben sich 2n zu überprüfende
Wege mit jeweils n Knoten, so dass die Abschätzung gilt: O(2n). Eine Realisierung
des vorliegenden Branch-and-Bound-Verfahrens zeigt Herrmann 1992 (vgl. S. 319
ff., zu weiteren Wegewahlalgorithmen oder allgemeine Algorithmen auf Netzwer-
ken vgl. Jungnickel 2013 S. 65 ff. u. S. 508 ff. sowie Worboys u. Duckham 2003
vgl. S. 211 ff.).
Das Travelling-Salesman-Problem (TSP) kann als klassisches Grundproblem der
kombinatorischen Optimierung angesehen werden. Neben dem exakten Branch-
and-Bound Verfahren sind viele heuristische Lösungsverfahren entwickelt worden,
die der exakten Lösung nach recht kurzer Zeit nahekommen, die aber ihr Auffinden
nicht garantieren. Im Internet finden sich viele Programmbeispiele (d.h. Java-App-
lets), die in Echtzeit Lösungen des TSP für hunderte von Städten liefern. Sie arbei-
ten zumeist mit Hilfe sog. neuronaler Netze (vgl. Kohonen 2001 u. Scherer 1997).
Daneben liefern sog. naturnahe Algorithmen wie der sog. Ameisenalgorithmus eine
neue Klasse von Algorithmen. Hierbei wird das Verhalten von Ameisenkolonien
bei der Futtersuche, bei der die Kolonie als Ganzes den kürzesten Weg zwischen
Nest und Futterquelle findet, auf Optimierungsprobleme angewandt.
3.4.3 Algorithmen für Rasterdaten
Die Geoinformatik entwickelt und nutzt viele Algorithmen, die Rasterdaten auswer-
ten. Hier soll beispielhaft ein Algorithmus aus der Menge der Algorithmen vorge-
stellt werden, die außerhalb der digitalen Bildverarbeitung (vgl. Kap. 10.6) einge-
setzt werden (vgl. auch Algorithmen z.B. zur Geomorphometrie mit Höhendaten
auf Rasterbasis bei Hengl u. Reuter 2008). Mit Hilfe von Skelettierungsverfahren
(„thinning“) sollen flächenhafte binäre Objekte wie z.B. Formen in Schwarz-Weiß-
Scans auf lineare Skelettlinien reduziert, d.h. ausgedünnt werden. Im Idealfall liefert
der Algorithmus eine Skelettlinie, die nur ein Pixel breit ist. Die Skelettlinie muss
die Ursprungsform wiedergeben, zusammenhängende Bereiche eines Objektes
müssen auch im Skelett wieder zusammenhängend sein.
Zur Verdeutlichung soll angenommen werden, dass ein binäres Raster vorliegt
mit 0 für ein weißes und 1 für ein schwarzes Pixel (Hintergrund bzw. Vordergrund).
Für jedes Pixel wird die Nachbarschaft in einer 3 × 3-Maske betrachtet.
A B
P8 P1 P2 0 0 0 1 1 1
P7 P P3 0 P 1 0 P 1
P6 P5 P4 1 1 0 1 1 1
P darf in den Fällen A, B gelöscht werden.
C D E
0 0 1 0 0 1 0 1 0
0 P 0 0 P 1 1 P 1
1 1 0 0 0 0 0 1 0
P darf in den Fällen C, D, E nicht gelöscht werden.
In dieser Nachbarschaft muss gelten: Ein Pixel P darf nur dann gelöscht werden,
wenn dadurch die Verbindung zwischen den 1-Pixeln in der 3 x 3-Umgebung nicht
zerstört wird (Erhaltung des Zusammenhangs, Fall A bzw. C). Ein Pixel darf nicht
gelöscht werden, wenn es Endpunkt einer Skelettlinie ist (Fall D). Nur Konturpixel,
die mindestens einen direkten 0-Nachbarn haben, dürfen gelöscht werden (Fall B
bzw. E). Der Zhang-Suen-Algorithmus (vgl. Worboys u. Duckham 2004 S. 209 ff.),
der in zwei Iterationen vorgeht, setzt diese Bedingungen formal um. Zu einer ab-
schließenden Vektorisierung werden mit Hilfe sog. Kettenkodierungsalgorithmen
Sequenzen von Pixeln zu Ketten zusammengefasst (vgl. Kap. 9.3.5).
Zhan-Suen-Algorithmus
N(P)= P1+P2+…P8
S(P) = Anzahl der 0 zu 1 Verbindungen von P zum direkten Nachbarn P1,P2, …,P8,P1
Wiederhole
Markiere alle Pixel P = 1 mit
1 3 XQG 6 3 XQG 31 • P3 • P5 = 0) und (P3 • P5 • P7 = 0)
Lösche alle markierten Punkte
Markiere alle Pixel P = 1 mit
1 3 XQG 6 3 XQG 31 • P3 • P7 = 0) und (P1 • P5 • P7 = 0)
Lösche alle markierten Punkte
so lange, bis keine Pixel mehr markiert werden können
Abb. 3.21: Anwendung der Skelettierung mit dem Zhang-Suen-Algorithmus
3.4.4 Weitergehende Algorithmen
Die fast unüberschaubare Fülle an Algorithmen kann (hier) nicht aufgedeckt wer-
den. Zudem müssen Rechenverfahren und Lösungsstrategien immer im Kontext der
zugehörigen Fragestellungen gesehen werden. Umfangreiche Sammlungen von Al-
gorithmen bestehen zu sehr verschiedenen Aufgaben der Geoinformatik (zum Ein-
stieg vgl. Worboys u. Duckham 2004). Im Zusammenhang mit der Graphentheorie
liegen vielfältige Algorithmen zur Analyse von Netzwerken vor, z.B. Navigation
und Bestimmen kürzester Wege, Traversierungen (d.h. „Durchwandern“ durch ei-
nen Graphen), Briefträgerproblem (Chinese-Postman-Problem), zum Einstieg vgl.
Softwareentwicklung 117
Jungnickel 2013. Zwei Typen von klassischen Fragestellungen sollen noch benannt
werden:
Sehr alt sind Location-Allocation-Problemstellungen, die bereits vielfach durch
entsprechende Werkzeuge in Geoinformationssystemen umgesetzt sind. Eine For-
mulierung der Aufgabe kann lauten: Wo sollen Notdiensteinrichtungen platziert
werden, damit die größte Anzahl von Personen in einer Stadt z.B. innerhalb von
vier Minuten erreicht werden kann? So sind die optimalen Standorte (und deren
Anzahl) zu suchen sowie ihnen Personen zuzuordnen (zum Einstieg vgl. Church u.
Medrani 2018 sowie die von den Vätern der Geoinformatik vorgelegte Zusammen-
stellung von Algorithmen in Rushton, Goodchild u. Ostresh 1973).
Jüngere Aufgaben betreffen die Kartenanpassung (Map Matching), die räumli-
chen Objekten exakte Positionen in einer digitalen Karte zuweist. In der Regel kreu-
zen sich die mit (einfachen) GPS-Empfängern ermittelten Positionen nicht mit den
Straßenlinien einer digitalen Karte. Mit Map-Matching-Algorithmen sollen die
GPS-Positionen an den „richtigen“ Positionen auf den Linien der digitalen Karten
dargestellt werden (vgl. Sultan u. Haunert 2017 u. Haunert u. Budig 2012).
In einem jüngst erschienenen Sammelband sind mehrere Beiträge zusammenge-
stellt, die Technologien und neue Methoden zur automatisierten Verarbeitung raum-
bezogener Daten beschreiben. Dies sind neben fundamentalen Methoden der Da-
tenanalyse durch kombinatorische Optimierung oder Data Mining die Bereitstel-
lung von Geodaten in Geodateninfrastrukturen bis hin zur visuellen Datenanalyse
und 3D-Visualisierung (vgl. Sester 2020).
3.5 Softwareentwicklung
3.5.1 Aufgaben und Ziele der Softwareentwicklung
Eine Hauptaufgabe der Angewandten Informatik ist die Entwicklung von Anwen-
dungssystemen für fachspezifische Aufgaben. Das generelle Ziel ist das Erstellen
von qualitativ hochwertiger Software, die grundsätzlich die funktionalen Anforde-
rungen erfüllen muss. Darüber hinaus ist Software nach mehreren Kriterien zu be-
werten (vgl. Gumm u. Sommer 2013 S. 828):
- Korrektheit, Zuverlässigkeit
- Modularität, Flexibilität, Elastizität, Interoperabilität
- Testbarkeit, Änderbarkeit, Wiederverwendbarkeit, Wartbarkeit
- Portabilität, Effizienz, Wirtschaftlichkeit
- Durchsichtigkeit, Verständlichkeit, Integrität
- Verwendbarkeit, Gültigkeit, Allgemeinheit, Dokumentation
Softwareentwicklung beinhaltet somit auch Qualitätssicherung und erfordert daher

entsprechende Maßnahmen während der Projektdurchführung (u.a. Formulierung
von Qualitätszielen, Kontrollen und Evaluationsmaßnahmen). Nicht zuletzt sind
eine Dokumentation des Programms und eine gerade für den Anwender verständli-
che Anleitung unabdingbar.
Allerdings versagt bei der Erstellung größerer Programme ein unsystematisches

Programmieren völlig. Vor diesem Hintergrund ist unter Softwareentwicklung die
systematische Entwicklung von Software mit Hilfe von formalen Techniken, Me-
thoden und Werkzeugen zu verstehen. Im Mittelpunkt steht die Entwicklung von
Anwendungssystemen unter betrieblichen und wirtschaftlichen Gesichtspunkten,
wobei die Erarbeitung eines Algorithmus und die eigentliche Programmierung zwar
wichtige, aber nur Teilleistungen im gesamten Projektablauf sind, die bei größeren
Aufgaben nur ca. 30% der gesamten Softwareentwicklung ausmachen.
Die Entwicklung von komplexer Anwendersoftware ist häufig weniger ein Prob-
lem der Informatik als eine Aufgabe eines gut funktionierenden Projektmanage-
ments. Softwareentwicklung ist nicht mit Programmierung gleichzusetzen. Hier
geht es um die Entwicklung einer (softwaretechnischen) Lösung für ein fachliches
Problem, das häufig durch ein komplexes Anforderungsprofil und umfangreiche
Daten-Inputs sowie vielfältige Anwender gekennzeichnet ist (vgl. Aufbau eines
Umweltinformationssystems mit Fachanwendungen wie z.B. Altlastenkataster oder
Flächennutzungsplanung). Vor der eigentlichen Programmierung müssen die An-
forderungen der (Teil-)Komponenten sehr genau spezifiziert werden, um dann eine
entsprechende Programmleistung in Auftrag geben und anschließend die erstellte
Leistung bewerten zu können. Leider wird diesem fast selbstverständlichen Grund-
satz in der Praxis zuweilen nicht gefolgt, so dass bei einem unzureichend ausgear-
beiteten Anforderungsprofil Mängel im Leistungsvermögen der Software beinahe
unausweichlich sind.
Bei der Entwicklung von Software besteht vor allem eine enge Kopplung zwi-
schen der eigentlichen zeitlichen Entwicklung des Programms und der organisato-
rischen Durchführung des Projektes. Dabei erschwert eine oberflächlich zusam-
mengestellte Ablaufskizze die Kommunikation der Beteiligten und verhindert ein
effizientes Controlling (d.h. Planung, Überwachung und Steuerung von Entwick-
lungsaktivitäten). So ist zum einen zu klären, was wann bzw. in welcher Reihen-
folge zu machen ist, und zum anderen festzulegen, wer was wann zu machen hat.
Während die erste Sichtweise von Softwareentwicklung durch Vorgehensmodelle
formalisiert werden kann, steht bei der zweiten Sichtweise das Projektmanagement
im Mittelpunkt.
3.5.2 Instrumente der Softwareentwicklung
Für die Softwareentwicklung wird häufig auch der Begriff Software Engineering
benutzt. Hierdurch wird der Bezug zu einem ingenieurmäßigen Vorgehen deutlich,
bei dem allgemein Prinzipien, Methoden, Verfahren und Werkzeuge unterschieden
bzw. eingesetzt werden. Dabei können diese Prinzipien, Methoden, Verfahren und
Werkzeuge in jeder Phase der Softwareentwicklung eingesetzt werden (vgl. Kap.
3.5.3). Allerdings ist die Verwendung dieser Begriffe nicht immer einheitlich, zu-
dem greifen die hinter diesen Begriffen stehenden Konzepte häufig ineinander. Hier
wird der Systematisierung von Stahlknecht u. Hasenkamp gefolgt (vgl. Stahlknecht
u. Hasenkamp 2005 S. 212 ff.).
Prinzipien bezeichnen allgemeine Handlungsgrundsätze oder Strategien. Im Zu-

sammenhang mit der Softwareentwicklung sind vor allem die schrittweise Verfei-
nerung, die Top-down-Entwicklung und die Bottom-up-Entwicklung zu nennen. Bei
der schrittweisen Verfeinerung wird ein komplexes Problem schrittweise in immer
kleinere Einzelprobleme zerlegt, die übersichtlicher und in der Regel einfacher zu
lösen sind. Dabei kann von oben nach unten vorgegangen und die Gesamtfunktio-
nalität des Systems in immer kleinere Teilfunktionen bzw. Module zerlegt werden
(Top-down-Vorgehen). Umgekehrt kann aus Teilsystemen bzw. Einzelmodulen ein
Gesamtsystem aufgebaut werden (Bottom-up-Vorgehen). Bei der Modularisierung
werden abgeschlossene Aufgaben als (softwaretechnische) Einheiten definiert.
Dann müssen Leistungen und Schnittstellen bekannt sein bzw. festgelegt werden
(Funktions- und Datendeklaration). Die interne Verarbeitung bleibt verdeckt (sog.
Geheimnisprinzip, information hiding). Gerade allgemeine Teilaufgaben, die in glei-
cher oder ähnlicher Form mehrfach auftreten, sollten als Module konzipiert werden.
Weiter können Module auch unabhängig von der speziellen Problemstellung entwi-
ckelt und in einem Werkzeugkasten (Tool-Box) für den Entwurf ganz unterschiedli-
cher Algorithmen oder Systeme (wieder-)verwendet werden. Insbesondere können
Softwaremodule einzeln getestet werden (vgl. auch modulare Programmierung,
Kap. 3.1.4.2).
Methoden bezeichnen das auf bestimmten Prinzipien aufbauende, planmäßige
Vorgehen. Wichtige Methoden in der Softwareentwicklung sind:
- der strukturierte Systementwurf,
- die Entity-Relationship-Modellierung von Datenstrukturen (ER-Modelle),
- die objektorientierte Systementwicklung.
Während sich ein vertikal strukturierter Systementwurf durch Umsetzung der
schrittweisen Verfeinerung ergibt, wird die ER-Modellierung bei der Konzeption
von Datenbanken erläutert (vgl. Kap. 8.2). Sie wurde ursprünglich zum Entwurf
von Datenbankstrukturen entwickelt. Während die Objektorientierung zunächst auf
die Programmierung beschränkt war, hat sie sich inzwischen zu einem grundlegen-
den Ansatz der Softwareentwicklung herausgebildet (vgl. Kap. 3.5.4).
Verfahren stellen Anweisungen zum gezielten Einsatz von Methoden dar:
- die Strukturierte Analyse (SA)
- die Struktogrammtechnik
- die objektorientierte Entwurfsmethode.
Teilweise sind für einzelne Methoden und Verfahren bestimmte Darstellungs-
techniken kennzeichnend: u.a. Datenfluss- und Programmablaufplan (vgl. Kap.
2.4.2), Hierarchiediagramm, ER-Diagramme (vgl. Kap. 8.2), Struktogramme nach
Nassi-Shneiderman (vgl. Abb. 2.5), graphische Darstellungsformen für strukturierte
Programme nach Jackson (JSP, Jackson Structured Programming). Bei der Struktu-
rierten Analyse (SA), die in der Praxis die größte Verbreitung gefunden hat, stehen
Datenflussdiagramme im Mittelpunkt, wobei nach dem Top-down-Prinzip immer
feinere Datenflussdiagramme angelegt werden. Das Verfahren des Strukturierten
Entwurfs benutzt gleiche Darstellungsformen wie die Strukturierte Analyse und
entwickelt Strukturdiagramme für größere Softwaremodule. Allerdings ist die häu-

fige Trennung zwischen Datensicht und Funktionssicht nicht sinnvoll und ein wenig
realitätsfern. Die Objektorientierte Systementwicklung hebt diese Trennung auf
(vgl. Kap. 3.5.4).
Werkzeuge, d.h. Software-Entwicklungswerkzeuge, sind Computerprogramme,
die die Entwicklung neuer Software unterstützen. Hierzu können im einfachsten
Fall die Entwicklungsumgebungen einer Programmiersprache gerechnet werden
(vgl. Abb. 3.3). Dabei ist ein Übergang zu den CASE-Tools, d.h. genauer Lower
CASE-Tools, fließend. Unter der Bezeichnung CASE (Computer Aided Software
Engineering) werden inzwischen umfangreiche Entwicklungswerkzeuge bereitge-
stellt, wobei (häufig) aus historischen Gründen mit CASE transaktions- und gra-
phikorientierte Werkzeuge bezeichnet werden, die primär dem strukturierten Syste-
mentwurf und der ER-Modellierung dienen. Inzwischen ist es üblich, Upper CASE-
Tools zur Unterstützung der Analyse- und Entwurfsphasen (u.a. Darstellungshilfen
zum Erstellen von Hierarchiediagrammen, von Datenflussplänen und von ER-
Diagrammen zur Datenmodellierung) und Lower CASE-Tools zur Unterstützung
der Realisierungsphase, d.h. Programmierung und Testen (u.a. Werkzeuge zum Edi-
tieren, Kompilieren, Testen), zu unterscheiden.
3.5.3 Traditionelle Vorgehensmodelle der Softwareentwicklung
Um den Entwicklungsprozess von Software zu strukturieren, sind vielfältige Kon-

zepte vorgelegt worden. Von zentraler Bedeutung ist hierbei das Phasenmodell, das
das gesamte Projekt in kleinere und zumeist einfachere Teilaufgaben zerlegt, die
zeitlich aufeinander folgen (vgl. Tab. 3.8). Jede Phase ist noch zu verfeinern. So
kann der Systementwurf nach dem Detaillierungsgrad noch in ein Grob- und in ein
Feinkonzept zergliedert werden. Insbesondere sind in der Analysephase Wirtschaft-
lichkeitsüberlegungen und -vergleiche anzustellen und letztlich zu entscheiden, ob
Eigenentwicklungen durchzuführen sind oder ob auf Standardsoftware zurückge-
griffen werden soll. In der Regel gewährleistet eine derartige Strukturierung eher,
dass das Projekt vollständig, übersichtlich und widerspruchsfrei ist. Für jede Phase
müssen festgelegt werden:
- Aufgaben und einzusetzende Prinzipien, Methoden und Verfahren,
- Zeitplan einschließlich Einsatzplan sämtlicher Beteiligter,
- Kostenplan.
Erst durch eine inhaltlich wie zeitlich zu begründende Phaseneinteilung sind
- die Einhaltung aller Vorgaben zu überprüfen,
- der Entwicklungsaufwand zu überwachen,
- die Einleitung von kurzfristig steuernden Eingriffen möglich.
Tabelle 3.8: Phasenmodell der Systementwicklung

Vorphase Projektbegründung
Projektvorschläge erarbeiten
Projekterwartungen formulieren
Projektauftrag erteilen
Phase Analyse Ist-Analyse
Soll-Konzept
Phase Entwurf Systementwurf
Programmspezifikation
Programmentwurf
Phase Realisierung Programmierung oder Anschaffung von Standardsoftware
Programm- und Systemtest
Phase Einführung Systemeinführung
Systembetrieb
Das allgemeine Phasenmodell ist durch vielfältige Modifikationen erweitert bzw.

durch andere Vorgehensmodelle ergänzt worden. So fordert das Wasserfallmodell,
dass eine neue Phase erst dann begonnen werden darf, wenn die vorausgehende
Phase vollständig beendet ist. Die Phasen werden hierbei als Kaskaden eines Was-
serfalls dargestellt. Allerdings ist eine derartig strenge Abfolge in der Praxis kaum
realisierbar und realitätsfremd. So hat bereits Royce, auf den das Wasserfallmodell
zurückgeführt wird, schon Überlegungen zu Rückschleifen und Iterationen einge-
baut (vgl. Royce 1970). Im strengen Wasserfallmodell können nachträgliche, von
den Anwendern formulierte Änderungen der Anforderungen oder organisatorische
Veränderungen (mehrfach) zu Änderungen des Soll-Konzeptes führen. Dann müs-
sen mehrere (Teil-)Phasen des Phasenmodells wiederholt bzw. zyklisch durchlau-
fen werden (vgl. weitere Vorgehensmodelle wie z.B. das Spiralmodell nach Boehm
1988).
Abb. 3.22: Vorgehensmodelle der Softwareentwicklung: Wasserfall- und Spiralmodell
Ein häufiges Problem in der Praxis besteht darin, dass der Endanwender zu Beginn
des Projektes nicht sämtliche Möglichkeiten des zu entwickelnden Systems ein-
schätzen kann. Zumeist können nur die gerade vorliegenden Aufgaben benannt und
daraus ein Anforderungsprofil abgeleitet werden. Zumeist ergeben sich aber mit ei-
nem neuen System neue Analyse- und Darstellungsmöglichkeiten, die bislang auf-
grund fehlender Werkzeuge nicht durchführbar erschienen oder außerhalb der Vor-
stellung waren und die somit von den Anwendern nicht benannt werden können!
Derartige Erweiterungswünsche entstehen dann, wenn erstmalig mit dem neuen
System gearbeitet wird und dann (völlig) neue Funktionalitäten eingefordert wer-
den. Somit ergibt sich in der Praxis häufig die Forderung, bereits relativ früh einen
Prototyp, d.h. eine prüffähige Version des Systems, zur Verfügung zu haben, wobei
nicht sämtliche Funktionen umgesetzt sind, aber das Funktionsprinzip zu erkennen
ist, so dass Änderungen formuliert werden können. Dies hat zum Vorgehensmodell
des Prototyping geführt, das in verschiedenen Varianten besteht (rapid prototyping,
evolutionäres, exploratives, experimentelles, vertikales und horizontales Prototy-
ping). Prototyping kann in einzelnen Phasen wie auch phasenübergreifend einge-
setzt werden und somit das Phasenmodell sinnvoll ergänzen, aber das Phasenmodell
nicht ablösen. Insbesondere besteht beim Prototyping die Gefahr, dass Zeit- und
Kostenplanung nicht eingehalten werden können.
3.5.4 Objektorientierte Softwareentwicklung
Die Objektorientierte Programmierung kennzeichnet das jüngste Programmierkon-

zept (vgl. Kap. 3.1.4.3), wobei die Objektorientierung nur sinnvoll umgesetzt wer-
den kann, wenn sie bereits in einem frühen Stadium der Softwareentwicklung an-
gewandt wird. Insbesondere wird dann ein Methoden- bzw. Strukturbruch im Ent-
wicklungsprozess verhindert, da ein einziges Konzept durchgängig angewandt wird
(Verwendung gleicher Abstraktionsmechanismen wie z.B. Klassen oder Verer-
bung). Unterschieden werden analog zur bisherigen Systementwicklung die Phasen:
- Objektorientierte Analyse (OOA),
- Objektorientierter Entwurf (OOD für Objektorientiertes Design),
- Realisierung (OOP für Objektorientierte Programmierung).
In diesen Phasen wird jeweils mit den gleichen Strukturen (u.a. Klassen, Objekte,
Attribute, Methoden) gearbeitet. Versucht wird, die Realität im Hinblick auf die
vorliegende Fragestellung zu modellieren: Während der Analyse sind die Objekte,
die Gegenstände der Aufgabenstellung sind, eindeutig zu spezifizieren und dabei
die zugehörigen Merkmale, d.h. Attribute wie auch darauf operierende Funktionen,
herauszuarbeiten. Gleichartige Objekte werden zu Klassen zusammengefasst. Fer-
ner sind während der Analyse die Beziehungen zwischen den Klassen bzw. Objek-
ten zu kennzeichnen (u.a. Vererbungs- oder Aggregationsstrukturen). Letztlich ent-
steht ein Objekt- oder Klassenstrukturmodell, das die Inhalte des herkömmlichen
Datenmodells und des Funktionsmodells zusammenfasst. Kennzeichnend für diese
Modellierung ist anstelle eines Top-down- oder Bottom-up-Vorgehens ein inkremen-
telles und iteratives Vorgehen, d.h. eine schrittweise Entwicklung mit immer feinerer
Ausgestaltung, wobei mehrere Entwicklungsschritte mehrfach wiederholt werden.
Zur objektorientierten Systementwicklung ist eine Vielzahl an Methoden und
Verfahren entwickelt worden, wobei Standardisierungsbemühungen inzwischen zu
einer allgemein akzeptierten Modellierungssprache geführt haben: der Unified Mo-
deling Language (UML). Diese für verschiedene Problemstellungen universell
nutzbare graphische Beschreibungssprache zur Objektorientierten Modellierung
komplexer Systeme und Prozesse stellt u.a. verschiedene Diagrammtypen zur Mo-
dellierung zur Verfügung.
3.5.5 V-Modelle und Weiterentwicklungen
Bei den deutschen Bundesbehörden löste 2005 das V-Modell XT den bis dahin gül-
tigen Entwicklungsstandard V-Modell-97 ab, der schon 1992 vom Bundesinnenmi-
nisterium übernommen und 1997 zuletzt aktualisiert wurde und der seitdem eine
verbindliche Richtschnur für die IT-Projekte der Bundesverwaltungen darstellt. Die
Plattform eignet sich für Unternehmen ebenso wie für Behörden und kann unter
einer Common Public License auch außerhalb des öffentlichen Bereiches in der
Projektwirtschaft beliebig adaptiert und eingesetzt werden. So wird in der Richtlinie
VDI 2206, die einen praxisorientierten Leitfaden zur Entwicklung mechatronischer
Systeme umfasst, ein Vorgehensmodell vorgeschlagen, das sich u.a. auf das V-Mo-
dell stützt. Im Kern der Entwicklungsmethodik steht das V-Modell, welches die
Überführung von Anforderungen in ein Produkt beschreibt. Wesentliches Merkmal
dieses Modells ist die kurzzyklische, iterative Eigenschaftsabsicherung (vgl. VDI
2206 S. 26).
Während sich das V-Modell (vgl. Abb. 3.23) noch sehr stark an dem Wasserfall-
modell orientierte, wurde das V-Modell XT nach dem Baukastenprinzip konzipiert,
das insbesondere ein iteratives und inkrementelles Vorgehen einschließt. Hinter
dem Modell steht die Idee des iterativen Vorgehens zur schrittweisen Verbesserung
der Produkte – auch über mehrere Phasen hinweg. XT steht für „eXtreme Tailoring“
und soll je nach Projektart ein maßgeschneidertes Vorgehen erlauben, das durch
vorgefertigte Dokumentvorlagen wie Plan- und Angebotsbausteine unterstützt wird
(vgl. Rausch u.a. 2008). Das neue XT-Modell berücksichtigt auch erstmals die
„Rollen“ zwischen Auftraggeber und Auftragnehmer. Dies war der Wunsch der In-
dustrievertreter, da mit dem Abschluss eines „wasserdichten“ Vertrages die Formu-
lierung der Aufgabe häufig nicht erledigt ist, d.h. speziell nicht bei neuen und inno-
vativen Projekten, die Neuland betreten und die ein hohes Risiko aufweisen. So sind
nicht selten erst im Verlauf eines Projektes zusammen mit dem Auftragnehmer die
Spezifikationen gemeinsam zu erarbeiten. Hierdurch besteht allerdings die Gefahr,
dass ein Controlling erschwert bzw. unmöglich wird, was ja gerade durch das Vor-
gehensmodell verhindert werden soll.
Abb. 3.23: Vorgehensmodelle der Softwareentwicklung: V-Modell
Ein derartiges Vorgehen, bei dem erst im Projektverlauf im Einvernehmen mit dem
Auftraggeber die Spezifikationen gemeinsam erarbeitet werden, wird im Software
Engineering auch als Agile Development bezeichnet (vgl. Wolf u. Bleek 2011).
Diese Konzepte legen mehr Gewicht auf funktionsfähige Software als auf umfas-
sende Pflichtenhefte und stellen vor allem das flexible Reagieren auf veränderte
Rahmenbedingungen gegenüber dem Abarbeiten eines Plans in den Vordergrund
(vgl. Schlagworte wie Adaptive Software Development, Dynamic System Develo-
pment Methodology, Feature Driven Development und Lean Development, vgl.
Agile Alliance 2019). Dazu gehört auch das wegen seiner Nähe zum Hacking nicht
unumstrittene „eXtreme Programming“ (XP), bei dem in engem und ständigem
Kontakt mit dem Abnehmer kleine Teams aus zumeist nur zwei Programmierern
dynamisch Teilaufgaben übernehmen und deren Lösung nahezu im Tagesrhythmus
in das Gesamtprojekt einspeisen (vgl. Wolf u. Bleek 2011 S. 149-161).
Das neue V-Modell hat sich somit diesen agilen Vorgehensweisen geöffnet und
kann sie unterstützen. So kann man auch das sog. Wasserfallvorgehen umdrehen
und mit der Implementierung und Integration beginnen und dann erst die Dokumen-
tation und Spezifikation erstellen.
Abb. 3.24: Vorgehensmodelle der Softwareentwicklung

Literatur 125
Literatur
Agile Alliance (2019): What is Agile? https://www.agilealliance.org/agile101/ (8.11.2019)

Agile Alliance (2019): 12 Principles Behind the Agile Manifesto.
Android (2019a): Einstieg zu Android. https://www.android.com/intl/de_de (8.11.2019)
Android (2019): Maps SDK for Android.
https://developers.google.com/maps/documentation/android-sdk/intro (8.11.2019)
AndroidStudio (2019): Meet Android Studio. https://developer.android.com/studio/intro
(8.11.2019)
https://www.agilealliance.org/agile101/12-principles-behind-the-agile-manifesto/ (8.11.2019)
Berg, de M., Cheong, O., Kreveld, van M. u. M. Overmars (2008). Computational Geometry: Algo-
rithms and Applications. Berlin: Springer. 3. Aufl.
Boehm, B. W. (1988): A Spiral Model of Software Development and Enhancement. Computer 21,
S. 61–72.
Brinkhoff, T. (2013): Geodatenbanksysteme in Theorie und Praxis. Einführung in objektrelationale
Geodatenbanken unter besonderer Berücksichtigung von Oracle Spatial. Heidelberg: Wich-
mann. 3. Aufl.
Church, R. and Medrano, F.A. (2018). Location-allocation Modeling and GIS. In: Wilson, J.P.
(Ed.): The Geographic Information Science & Technology Body of Knowledge (3rd Quarter
2018 Edition). DOI: 10.22224/gistbok/2018.3.4 (8.11.2019)
Domschke, W. (2007): Logistik: Transport. München: Oldenbourg. 5. Aufl.
Eclipse Foundation (2019): About the Eclipse Foundation. https://www.eclipse.org/org/ (8.11.2019)
ESRI (2019): ArcGIS Pro. Python und Geoverarbeitung. https://pro.arcgis.com/de/pro-
app/help/analysis/geoprocessing/basics/python-and-geoprocessing.htm (8.11.2019)
Garrard, C. (2016): Geoprocessing with Python. Shelter Island, NY. Manning Publ.
GEOS (2019): Geometry Engine – Open Source. http://trac.osgeo.org/geos (8.11.2019)
GeoTools (2019): The Open Source Java GIS Toolkit. http://www.geotools.org (8.11.2019)
GSL (2019): GNU Scientific Library. http://www.gnu.org/software/gsl (8.11.20199
Gumm, H.-P. u. M. Sommer (2013): Einführung in die Informatik. München: Oldenbourg. 10. Aufl.
Haunert, J.-H. u. B. Budig (2012): An algorithm for map matching given incomplete road data. Pro-
ceedings of the 20th Proceedings of the 20th International Conference on Advances in Geo-
graphic Information Systems. Redondo Beach, California. S. 510–513.
Hengl, T. u. H. Reuter (2008, Hrsg.): Geomorphometry. Concepts, Software, Applications. Amster-
dam: Elsevier. Developments in Soil Science 33.
Herrmann, D. (1992): Algorithmen Arbeitsbuch. Bonn: Addison-Wesley.
Kohonen, T. (2001): Self-Organizing Maps. Berlin: Springer. 3. Aufl.
JOGL (2019): JavaBinding for the OpenGL API. http://jogamp.org/jogl/www/ (8.11.2019)
JTS (2019): JTS Topology Suite, API of 2D spatial predicates and functions. http://www.tsusi-
atsoftware.net/jts/main.html (8.11.2019)
Jungnickel, D. (2013): Graphs, Networks and Algorithms. Berlin: Springer. 4. Aufl.
Klawonn, F. (2010): Grundkurs Computergrafik mit Java: Die Grundlagen verstehen und einfach
umsetzen mit Java 3D. Wiesbaden: Springer.Vieweg, 3. Aufl.
Klein, R. (2005): Algorithmische Geometrie. Grundlagen, Methoden, Anwendungen. Berlin:
Springer. 2. Aufl,
Knuth, D. E. (2011): The Art of Computer Programming. Volume 1-4A. BoxedSet. Amsterdam:
Addison-Wesley. https://www-cs-faculty.stanford.edu/~knuth/taocp.html (8.11.2019)
Levi, P. u. U. Rembold (2003): Einführung in die Informatik für Naturwissenschaftler und Ingeni-
eure. München: Spektrum: Akademischer Verlag. 4. Aufl.
NAG (2019): NAG Numerical Libraries. http://www.nag.co.uk/ (8.11.2019)
OpenGL (2019): The Industry’s Foundation for High Performance Graphics. https://www.o-
pengl.org/ (8.11.2019)
Ottmann, Thomas u. Peter Widmeyer (2002): Algorithmen und Datenstrukturen. Heidelberg: Spekt-
rum Akad. Verlag, 4. Aufl.
QGIS (2019a): QGIS plugins web portal. https://plugins.qgis.org (8.11.2019)
QGIS (2019b): QGIS Python Plugins Repository. https://plugins.qgis.org/plugins (8.11.2019)
Patterson, David A. u. John L. Hennessy (2009): Computer organization and design. The Hard-
ware/Software Interface. 4. Aufl. Morgan Kaufmann Publ. (Elsevier) Burlington, MA.
Preparata, F. u. M. Shamos (1985): Computational Geometry. New York: Springer.
Quinn, M.J. (1993): Parallel computing: theory and practice. New York: McGraw-Hill. 2. Aufl.
Rausch, A. u.a. (2008): Das V-Modell XT. Grundlagen, Methodik und Anwendungen. Heidelberg:
Springer.
Royce, W. W. (1970): Managing the development of large software systems: concepts and tech-
niques. In: Proceedings of IEEE WESCON 26, S. 1–9.
Rushton, G., Goodchild, M. u. L.M. Ostresh Jr. (1973): Computer Programs for Location-Alloca-
tion Problems. Dep. of Geography, Monograph Number 6, Iowa City.
Scherer, A. (1997): Neuronale Netze: Grundlagen und Anwendungen. Braunschweig: Vieweg.
Schmitt, A., Deussen, O. u. M. Kreeb (1996): Einführung in graphisch-geometrische Algorithmen.
Stuttgart: Teubner.
Schwarz, H. u. N. Köckler (2011): Numerische Mathematik. Stuttgart: Teubner + Vieweg. 8. Aufl.
SciPy (2019): Scientific Computing Tools for Python. https://www.scipy.org (8.11.2019)
Sedgewick, R. u. K. Wayne (2011): Algorithms. Amsterdam: Addison-Wesley Longman. 4. Aufl.
Sester, M. (2020): Geoinformatik. In: Freeden, W. u. R. Rummel (Hrsg.): Handbuch der Geodäsie.
Berlin/Heidelberg: Springer Spektrum.
Shapely (2019): Python package for manipulation and analysis of features in the Cartesian plane.
https://pypi.org/project/Shapely/ (8.11.2019)
Stahlknecht, P. u. U. Hasenkamp (2005): Einführung in die Wirtschaftsinformatik. Berlin: Springer.
11. Aufl. OK
Sultan, G. B. u. J.-H. Haunert (2017). Extracting spatial patterns in bicycle routes from
crowdsourced data. In: Transactions in GIS, 21(6) S. 1321-1340.
Ulferts, L. (2017); Python mit ArcGIS. Einstieg in die Automatisierung der Geoverarbeitung in Ar-
cGIS. Berlin: Wichmann.
VDI 2206 (2004): Entwicklungsmethodik für mechatronische Systeme. Beuth: Berlin.
VTK (2019): The Visualization Toolkit. http://www.vtk.org/ (8.11.2019)
Wirth, N. (2013): Algorithmen und Datenstrukturen: Pascal-Version. Stuttgart: Teubner. 5. Aufl.
Wolf, H. u. W.-G. Bleek (2011): Agile Softwareentwicklung. Werte, Konzepte und Methoden. Hei-
delberg: dpunkt. 2. Aufl.
Worboys, M. u. M. Duckham (2004): GIS. A computing perspective. Boca Raton: CRC Press, 2.
Aufl.
Zhang, H. u. D. Liang (2007): Computer Graphics Using Java 2D and 3D. Upper Saddle River:
Pearson Education.
4 Geoobjekte und Bezugssysteme
4.1 Geoobjekte
4.1.1 Begriff des Geoobjekts
Der räumliche Bezug von Informationen ist kennzeichnend für die Geowissenschaf-
ten und auch für die Belange der Geoinformatik. Die Kopplung von Informationen
an räumliche Bezugseinheiten, an Raumelemente oder Objekte mit einem Raumbe-
zug ist für geowissenschaftliche Fragestellungen typisch. Als räumliche Bezugsein-
heiten, als räumliche Objekte oder (einfacher) als Geoobjekte treten auf:
Punkte z.B. Grenzstein, Zähl- oder Messstelle, Quellort eines Emittenten
Linien z.B. Profillinie, Grenzlinie, Baumreihe, Wasserleitung, Verbindungslinie
Flächen z.B. Flurstück, Biotop, Gemeindegebiet, Einzugsgebiet
Körper z.B. Schadstoffwolke, Grundwasserkörper, Lagerstätte, Gebäude
Geoobjekte sind räumliche Elemente, die zusätzlich zu Sachinformationen geomet-
rische und topologische Eigenschaften besitzen und zeitlichen Veränderungen un-
terliegen können. Kennzeichnend für Geoobjekte sind somit Geometrie, Topologie,
Thematik und Dynamik.
Zur Geometrie eines Objektes gehören sämtliche Informationen zur absoluten Lage
und zur Form oder Ausdehnung des betreffenden Geoobjekts (z.B. Lage, Größe,
Umfang). Die Geometriedaten werden durch Informationen über die relative Lage
und Nachbarschaftsbeziehungen ergänzt (topologische Informationen, Topologie).
Topologische Eigenschaften bzw. Konzepte sind Umgebungen (bzw. Umgebungs-
beziehungen), Nachbarschaften (bzw. Nachbarschaftsbeziehungen), Teilmengen
(bzw. Teilmengen- oder Enthaltenseinbeziehungen) oder Überlagerungen (bzw.
Überdeckungs- oder Überschneidungsbeziehungen). Die Geoobjekte können sehr
verschiedene Sachthemen aufweisen (Sachinformationen oder thematische Infor-
mationen, Thematik) und zudem eine zeitliche Variabilität (zeitliche Veränderun-
gen, Dynamik) besitzen, die häufig neben geometrischer, topologischer und thema-
tischer Information als weiteres Unterscheidungsmerkmal herangezogen wird. Ge-
nerell gilt dabei, dass Geoobjekte eine räumliche und zeitliche Variabilität aufwei-
sen können, der sowohl die Thematik als auch die Geometrie und Topologie unter-
liegen können.
Bislang wurde der Begriff Geoobjekt im Sinne von Raumelement und losgelöst
vom Objektbegriff der Informatik benutzt. Die Bezeichnung Geoobjekt wurde aber
bewusst gewählt, um den Bezug zur Objektorientierung der Informatik deutlich

https://doi.org/10.1007/978-3-662-60709-1_4
werden zu lassen (vgl. Kap. 3.1.4.3). So lassen sich Objektklassen bilden, die Ver-
allgemeinerungen oder Typen von Objekten mit zugehörigen Attributen und Me-
thoden darstellen:
Tabelle 4.1: In Lagekoordinaten für Objektorientierung von Geoobjekten

Merkmale Methoden
Objektklasse Straße Anfang, Ende, Breite, Straßenbelag Längenberechnung, Steigung
weitere, spezielle Merkmale: weitere, spezielle Methoden:

Subklasse Autobahn Breite des Mittelstreifens, Emissionsberechnung
Lärmschutzmaßnahmen
Subklasse Landstraße Bepflanzung des Seitenstreifens Abschätzung der Pflanzkosten
Ein besonderes Merkmal dieses Ansatzes ist die Kopplung mit Methoden, die für
einzelne Objektklassen spezifisch sind. Auch die weiteren Konzepte der Objektori-
entierung wie z.B. Vererbung (d.h. Ableiten einer speziellen Subklasse und Verer-
ben der Eigenschaften der bestehenden Klasse) oder Klassenhierarchien (z.B. Su-
perklasse, Klasse, Subklasse, Objekt, Teilobjekt) lassen sich an dem Beispiel der
Objektklasse Straße aufzeigen (vgl. Tab. 4.1 u. Kap. 3.1.4.3). Ein konkretes Objekt,
d.h. in der Terminologie der Objektorientierung eine Instanz der Objektklasse, be-
sitzt dann ebenfalls schon die Attribute und Methoden dieser Klasse, aber eigene,
spezifische Attributwerte.
Dieser Ansatz bzw. die Verwendung des Begriffs Geoobjekt im Sinne der Ob-
jektorientierung der Informatik erweitert die eingangs genannte Definition um wei-
tere Inhalte, die sich aus dem Objektbegriff erschließen. Allerdings wird in der
Geoinformatik der Begriff Geoobjekt zumeist (noch) nicht in diesem weitergehen-
den Sinne verstanden oder benutzt. Die in der Geoinformatik bestehenden Verfah-
ren oder derzeit hauptsächlich zur Anwendung kommenden Softwaresysteme grei-
fen in der Regel noch auf den einfacheren Geoobjektbegriff zurück.
4.1.2 Geometrie von Geoobjekten
Die Geometrie eines Geoobjektes umfasst die Angaben zur Lage des Geoobjektes
auf der Basis eines eindeutigen räumlichen Bezugssystems (Lagekoordinaten). Da-
bei werden in der Geoinformatik metrische Bezugskoordinatensysteme zugrunde
gelegt, die eine quantifizierbare und objektivierbare Standortbestimmung zulassen.
Allerdings darf nicht verkannt werden, dass sich letztlich das menschliche Handeln
in einem subjektiven Bezugssystem und Wahrnehmungsraum vollzieht, der durch
Methoden der Informatik unzureichend erfasst wird.
In der Geoinformatik werden verschiedene räumliche Bezugssysteme verwen-
det. So können Geoobjekte in globalen Koordinatensystemen durch z.B. Geogra-
Geoobjekte 129
phische Koordinaten dargestellt werden (vgl. Kap. 4.2.3 u. 4.2.4). Als Bezugssys-
tem zur räumlichen Orientierung kann auch eine Karte mit einer speziellen Karten-
projektion dienen, die die (gekrümmte) Erdoberfläche in eine zweidimensionale
Ebene abbildet (vgl. Kap. 4.3). Sehr häufig werden lokale Koordinatensysteme und
dann (fast) ausschließlich kartesische Koordinatensysteme benutzt (vgl. Kap. 4.2.1
u. 4.5). Zur Abbildung von realen Geoobjekten in Geoinformationssysteme bzw.
zur Erfassung ihrer Geometrie werden in einem Geoinformationssystem ebenfalls
Bezugssysteme benötigt. Die Darstellung der Geoobjekte erfolgt im Vektor- oder
im Rastermodell (vgl. Abb. 2.6).
Das Vektormodell basiert auf gerichteten Strecken, d.h. Vektoren in einem Koor-
dinatensystem, die durch Angabe eines Anfangs- und eines Endpunktes eindeutig
bestimmt sind (in einem zwei- oder dreidimensionalen Koordinatensystem durch
(x,y)- oder (x,y,z)-Koordinatenangaben). Ein Geoobjekt wird hierbei durch Punkte
bzw. Vektoren beschrieben. Punkte sind als Vektoren zu verstehen, die ihren An-
fang im Ursprung des Koordinatensystems haben. Diese Form der Modellierung
bedingt, dass ein linienhaftes Geoobjekt durch eine endliche Zahl von Punkten auf-
gelöst, d.h. diskretisiert wird. Entsprechend wird eine Fläche durch die sie begren-
zenden Linien beschrieben, die wiederum durch einzelne Punkte definiert sind (Mo-
dellierung einer Fläche durch Koordinaten der begrenzenden „Zaunpfähle“). Das
dem Geoinformationssystem zugrundeliegende Datenmodell legt genauer fest, wie
im Vektormodell Flächen modelliert werden (vgl. Kap. 9.3.2). Nach erfolgter Dis-
kretisierung ist allein aufgrund der Koordinaten nicht immer eindeutig zu erkennen,
wie sich Flächen zusammensetzen (Zahl der Flächen, Definition der Grenzen aus
Koordinaten, vgl. Abb. 4.1). Zusätzlich zu den Koordinatenangaben müssen topo-
logische Informationen erfasst und gespeichert werden, die besagen, welche Vek-
toren (Punkte) welche Linie sowie welche Linie welche Flächen definieren (zur ge-
ometrisch-topologischen Modellierung im Vektormodell vgl. Kap. 9.3.2). Aller-
dings können Flächen auch als geschlossene Polygonzüge, d.h. als geschlossene
Folge von Vektoren, modelliert werden. Dann werden gemeinsame Grenzen dop-
pelt, d.h. redundant, erfasst (vgl. das Simple-Feature-Geometry-Object-Model, vgl.
Kap. 6.3.2 u. Tab. 6.2).
Abb. 4.1: Geoobjekte im Vektormodell

Vektordaten, d.h. Koordinatenfolgen, sind die Standarddatenform graphischer In-

formationen in der Kartographie, im Vermessungs- und Katasterwesen oder im In-
genieurwesen („Strichzeichnungen“), aus denen sich vielfältige Anwendungen heu-
tiger Geoinformationssysteme entwickelt haben. Sachdaten (vgl. Thematik Kap.
4.1.4) müssen den Vektorinformationen zusätzlich zugewiesen werden.
Bei der Darstellung und Diskretisierung von Geoobjekten im Rastermodell ist
das geometrische Grundelement eine Fläche fester Form und Größe, d.h. in der Re-
gel eine quadratische Masche. Dieses recht einfache Rastermodell gehört zu einem
viel allgemeineren Raummodell, das aus beliebigen, unterschiedlich großen und ge-
formten Mosaiken bestehen kann, die eine ebene Fläche oder eine beliebige Ober-
fläche ohne Überschneidungen vollständig ausfüllen (Mosaikmodell, engl. tessela-
tion). Wenngleich als Maschenform auch gleichseitige Dreiecke oder regelmäßige
Sechsecke möglich sind, die eine Ebene parkettieren können, werden letztlich im-
mer Quadrate bzw. quadratische Pixel benutzt, die rechentechnisch einfacher zu be-
handeln sind. Insbesondere liegt dann dem Rastermodell ein kartesisches Koordi-
natensystem zugrunde (vgl. Kap. 4.2.1).
Das Rastermodell spielt in der digitalen Bildverarbeitung eine zentrale Rolle. So
wird die Geometrie in einem Rasterbild (z.B. in einem digitalen Satellitenbild oder
nach der Erfassung eines Bildes mit einem Scanner) durch zumeist quadratische
Bildelemente (Pixel, picture elements, vgl. Kap. 2.5.6) aufgelöst. Das dreidimensi-
onale Äquivalent ist eine dreidimensionale Matrix von kubischen Zellen, von Vo-
xeln. Das räumliche Bezugssystem wird durch eine regelmäßig flächendeckende
Anordnung gleichartiger Pixel gebildet, deren Größe zunächst festgelegt sein muss
(Rasterweite oder Maschengröße). Jedes Pixel bzw. jede Rasterzelle wird durch die
Angabe seines/ihres Zeilen- und Spaltenindex geometrisch eindeutig beschrieben.
Dabei wird entsprechend der Indizierung einer Matrix vorgegangen (vgl. Abb. 2.6
u. 4.2).
Abb. 4.2:: Geoobjekte in Rasterdarstellung
Ein Punkt wird näherungsweise durch ein einzelnes Pixel dargestellt. Ein Linienzug
wird durch entsprechende Anordnungen zusammenhängender Pixel angenähert er-
fasst. Linienzüge können dann z.B. durch Folgen von Indexpaaren (Zeile, Spalte)
der zugehörigen Pixel beschrieben werden. Eine Fläche ist ebenfalls durch zusam-
menhängende Pixel darstellbar. Somit sind keine weiteren Zusatzinformationen zur
Geoobjekte 131
Modellierung von Flächen wie im Vektormodell notwendig (zur geometrisch-topo-

logischen Modellierung im Rastermodell vgl. Kap. 9.3.4).
Herauszustellen sind mehrere Grundprobleme des Rastermodells: Die geometri-
sche Form der Geoobjekte wird durch die Rasterung verändert, gebogene Linien
werden durch treppenförmige Rasterstrukturen angenähert, Form und Größe der
Geoobjekte werden vergröbert. Stets werden Flächen betrachtet. Punkte wie auch
Linien werden durch flächige Pixel dargestellt. Im Rückschluss bedeutet dies, dass
ein einzelnes oder auch mehrere benachbarte Pixel, die im Rastermodell eine Fläche
markieren, in der realen Welt auch Einzelpunkte oder Linien bedeuten können.
Diese Schwierigkeiten können verringert, aber prinzipiell nicht behoben werden,
indem die Maschengröße verkleinert wird. Hierdurch erhöht sich die Auflösung,
wobei gleichzeitig die Größe der Rastermatrix und dadurch der notwendige Spei-
cherplatz erheblich ansteigen. Die Genauigkeit einer Koordinatenangabe im Vek-
tormodell wird aber nicht erreicht.
4.1.3 Topologie von Geoobjekten
Die Topologie kennzeichnet die räumlichen Beziehungen von Geoobjekten zuei-

nander. Bei der Betrachtung der Topologie von Geoobjekten wird die Geometrie
abstrahiert. Die topologische Sichtweise kann recht gut am Beispiel eines Luftbal-
lons verdeutlicht werden, auf dem z.B. Grundrisslinien eines Straßenplans aufge-
zeichnet sind. Wird Luft abgelassen oder hineingepumpt, so ändert sich stets die
Geometrie. Die Topologie, die relative Lage der einzelnen Grundrisslinien zueinan-
der, ändert sich aber nicht! Diese Transformationen wie auch z.B. Drehungen, Stre-
ckungen oder Stauchungen sind topologisch invariant.
Abb. 4.3: Gegenüberstellung von Geometrie und Topologie am Beispiel eines Busliniennetzes
Abbildung 4.3 zeigt die Unterschiede von Geometrie und Topologie. Gegenüberge-
stellt sind die Streckenführungen von Buslinien in einem geometrisch exakten
Stadtgrundriss und in einer topologischen Karte, die nur das abstrakte Streckennetz
wiedergibt und die geometrisch exakte Linienführung abstrahiert. Diese Darstel-
lung kann noch bei größeren Veränderungen der Linienführungen wie Umleitungen
und Haltestellenverlegungen gültig sein (z.B. bei Umleitung von Linie 2 über die
nördliche Parallelstraße in Abb. 4.3). Die topologische Darstellung enthält sämtli-
che Informationen, die ein Fahrgast zur Orientierung und Routenplanung benötigt:
Informationen über Umsteige- oder Haltemöglichkeiten sowie generell über Ver-
bindungsmöglichkeiten zwischen Haltestellen. Diese Alltagsbegriffe benennen da-
bei zentrale topologische Konzepte: Nachbarschaften, Überlagerungen bzw. Über-
schneidungen oder Teilmengenbeziehungen, die nicht nur für Netzwerke gelten.
Abbildung 4.4 systematisiert die sechs möglichen Beziehungstypen zwischen den
drei geometrischen Grundformen Punkt, Linie und Fläche in einem zweidimensio-
nalen Raum. Beispielhaft sind an Beziehungen zu definieren:
Zwei Flächen sind benachbart, falls sie eine gemeinsame Grenze (mindestens
einen gemeinsamen Grenzpunkt) besitzen. Zwei Linien sind benachbart, falls der
Endpunkt der einen mit dem Anfangspunkt der anderen Linie identisch ist. Zwei
Punkte sind benachbart, wenn sie durch eine Strecke miteinander verbunden sind.
Allerdings ist es auch möglich, Nachbarschaftsbeziehungen inhaltlich zu definieren.
So sind A und B benachbarte Punkte, wenn sie direkt durch eine Strecke mit einer
bestimmten Eigenschaft verbunden sind (z.B. Verbindung zweier Städte durch eine
ICE-Linie).
Zwei Objekte überlagern bzw. schneiden sich, wenn sie (mindestens) einen ge-
meinsamen Punkt besitzen. Diese Definition macht nur für Linien, Flächen und Vo-
lumen Sinn. Sie ist für das Schneiden von Linien unmittelbar einsichtig. Den Durch-
schnitt von sich überlagernden Flächenkategorien (z.B. Gliederung einer Gemar-
kung nach Besitzparzellen und nach Anbautypen) kann man als Schneiden von Flä-
chen ansehen.
Eine Teilmengenbeziehung liegt z.B. dann vor, wenn ein Punkt auf einer Linie
oder in einer Fläche liegt oder wenn eine Fläche eine Teilfläche oder eine Linie
enthält.
Herauszustellen ist, dass hier Topologie und topologische Beziehungen von
Geoobjekten untereinander erläutert werden. Davon unabhängig ist die topologi-
sche Modellierung von Geoobjekten im Hinblick auf ihre Darstellung in Geoinfor-
mationssystemen zu sehen (vgl. Kap. 9.3.2 u. 9.3.4).
Abb. 4.4: Topologische Beziehungstypen von Punkt, Linie und Fläche

Geoobjekte 133
4.1.4 Thematik von Geoobjekten
Ein Geoobjekt besitzt immer eine Thematik, die im Allgemeinen durch mehrere
Attribute (Merkmale, Variablen) gekennzeichnet wird. Die Attribute können ver-
schiedene Skalenniveaus aufweisen: Nominalskala (z.B. Name, Landnutzungstyp:
Feuchtwiese), Ordinal- bzw. Kardinalskala (z.B. Eignungsstufung: 13), Inter-
vallskala (z.B. Bodentemperatur: 2 Grad Celsius), Ratioskala (z.B. Tiefe des B-Ho-
rizontes: 0,75 m). Die Tabelle 4.2 benennt grundlegende Eigenschaften, wobei her-
auszustellen ist, dass gegenüber intervallskalierten Daten erst auf Ratioskalenni-
veau, bei dem ein absoluter Nullpunkt besteht, Verhältnisse berechnet werden dür-
fen (vgl. Temperatur in Celsius oder Fahrenheit gegenüber Kelvin). Diese Sachda-
ten können zudem in mehreren Datenbanken (unterschiedlicher Herkunft, Aktuali-
tät, Genauigkeit) mit differierenden Zugriffsrechten vorgehalten werden.
Tabelle 4.2: Skalenbereiche der Statistik

Skala Eigenschaften und Beispiele erlaubte Operationen
Nominal- Namen, Postleitzahlen, Zahlen als Ko- vorhanden oder nicht vorhanden und gleich
skala dierungen oder ungleich
Ordinal- Ränge, Rangfolgen, Bewertungsstufen, zusätzlich zur Nominalskala Vergleichsope-

skala Schulnoten rationen
Inter- metrische Daten mit festgelegtem, aber zusätzlich zur Ordinalskala Addition u. Sub-
vallskala nicht absolutem Nullpunkt: Grad Cel- traktion, Betrachtung von Intervallen
sius (30° C ist um 10° C wärmer als 20° C, aber
nicht: 30° C ist doppelt so warm wie 15° C)
Ratio- metrische Daten mit absolutem bzw. zusätzlich zur Intervallskala Multiplikation u.
skala natürlichem Nullpunkt: Länge in m, Division, Betrachtung von Verhältnissen,
Flächengröße in m2, Alter in Jahren jetzt 200° K ist doppelt so warm wie 100° K)
Die Beschreibung, Bearbeitung und Speicherung der verschiedenen Thematiken

von Geoobjekten in einem Geoinformationssystem kann durch das Ebenenprinzip
und durch das Objektklassenprinzip erfolgen (vgl. Kap. 9.3.6). Beim Ebenenprinzip
werden die Geometriedaten der Objekte und deren Attribute streng nach den ver-
schiedenen thematischen Bedeutungen getrennt und in verschiedenen Ebenen (engl.
layer, daher auch Layerprinzip) vorgehalten. Das Objektklassenprinzip geht von ei-
ner hierarchischen Anordnung verschiedener Thematiken mit Teilmengenbezie-
hungen der Themen aus.
4.1.5 Dynamik von Geoobjekten
Geoobjekte können sich hinsichtlich ihrer Thematik im Zeitablauf verändern. So

werden Messstationen, die Parameter zur Wetterbeobachtung erfassen, im Jahres-
verlauf unterschiedliche Werte von z.B. Lufttemperatur, Luftdruck oder Nieder-
schlag messen. Der Ertrag von Weinanbauflächen im Rheingau wird sich im Ver-
lauf mehrerer Ernteperioden ändern. Die beiden angeführten Beispiele besitzen als
Gemeinsamkeit, dass sich ihre Lage und ihr Raumbezug nicht ändern. Die ange-
nommenen Geoobjekte, d.h. die Messstationen und die einzelnen Anbauflächen,
besitzen im Zeitablauf (in der Regel) konstante Lagekoordinaten bzw. Grenzlinien.
Diese Geoobjekte besitzen eine zeitliche Variabilität nur hinsichtlich ihrer Thema-
tik. Dabei können die Merkmale, d.h. die klimatischen Parameter oder die Ertrags-
merkmale, gleich bleiben und sich deren Merkmalsausprägungen ändern. Jedoch
können im Zeitablauf neue Messgrößen erhoben werden (z.B. zusätzlich Windrich-
tung und Windstärke oder hinsichtlich der Anbauflächen neue betriebswirtschaftli-
che Merkmale). Demgegenüber können Geoobjekte im Zeitablauf auch eine räum-
liche Variabilität aufweisen und ihre Lage oder Ausdehnung verändern, somit sind
Variationen von Topologie und Nachbarschaftsbeziehungen möglich.
Die raum-zeitliche Variabilität von Geoobjekten ist allerdings schwer zu erfassen
oder in einem Geoinformationssystem darzustellen. Zwar bestehen Messgeräte, die
eine kontinuierliche Datenaufnahme ermöglichen (z.B. Seismographen oder Son-
nenscheinschreiber), zur Darstellung in einem Geoinformationssystem ist aber im-
mer eine Diskretisierung notwendig. Insbesondere werden raum-zeitliche Prozesse
nur in diskreter Form quantifiziert. Die Geoobjekte werden nach ihrer Geometrie,
Topologie und Thematik in mehrere einzelne Zeitschnitte aufgelöst (zur Darstellung
von raum-zeitlichen Prozessen in Geoinformationssystemen vgl. Ott u. Swiaczny
2001). So wird die sich von einem Emittenten ausbreitende Schadstoffwolke (z.B.
eine Abgasfahne aus einem Kamin) durch Messwerte zu verschiedenen Zeitpunkten
an mehreren einzelnen, räumlich um den Emittenten verteilten Messstationen er-
fasst. Hierdurch werden also Raum und Zeit diskretisiert. Auf der Basis derartiger
empirischer Werte kann dann eine quantitative Modellierung der raum-zeitlichen
Variabilität versucht werden. In Klimatologie und Hydrologie oder auch zur Aus-
breitung von Lärm oder von Schadstoffen in Umweltmedien sind zur raum-zeitli-
chen Modellierung recht komplexe dynamische Modelle und Methoden entwickelt
worden (vgl. z.B. das Partikelmodell AUSTAL 2000 für die Ausbreitungsrechnung
von staub- und gasförmigen Emissionen sowie Gerüchen, vgl. Umweltbundesamt
2019).
4.1.6 Dimensionen von Geoobjekten
Die geometrische Dimension eines Geoobjektes ist mit der Zahl der Koordinaten-
achsen in einem kartesischen Koordinatensystem identisch, die zur vollständigen
(geometrischen) Beschreibung notwendig sind. Zur Quantifizierung der Größe ei-
nes Geoobjektes können je nach seiner geometrischen Dimension Länge, Flächen-
größe und Volumen berechnet werden. Punkte besitzen weder Länge noch Fläche.
Koordinatensysteme 135
Linien haben nur eine (endliche) Länge. Flächen besitzen keine Länge, aber einen
Umfang und eine Flächengröße. Ein Körper gestattet die Berechnung eines Volu-
mens. In diesem Fall wird er als Volumenkörper betrachtet. Darüber hinaus ist die
Quantifizierung der Körperoberfläche möglich.
Entsprechend den geometrischen Dimensionen können mehrere topologische Di-
mensionen unterschieden werden (Knoten, Kante, Masche). Auch nach der Thema-
tik ergeben sich verschiedene thematische Dimensionen, die die Anzahl der be-
schreibenden Merkmale eines Objektes bezeichnen. Entsprechend zur statistischen
Methodenlehre werden n-dimensionale Merkmalsräume unterschieden.
4.2 Koordinatensysteme
4.2.1 Metrische Räume und kartesische Koordinaten
Rechtwinklige Koordinatensysteme besitzen eine zentrale Bedeutung in der Geoin-

formatik. So bilden kartesische Koordinatensysteme die Grundlage der Darstellung
von Geoobjekten im Vektor- bzw. auch im Rastermodell und somit der Verarbei-
tung in Geoinformationssystemen. Die geometrischen Berechnungen der Koordi-
natengeometrie oder die Verfahren der graphischen Datenverarbeitung setzen (nor-
malerweise) kartesische Koordinatensysteme voraus.
Allgemein werden als Bezugssysteme metrische Räume definiert, die aus einer
(nicht leeren) Menge M und einer Metrik bestehen. Dabei ist eine Metrik eine reell-
wertige Funktion, Abstandsfunktion oder Distanz d(a,b) zwischen zwei Elementen
a und b der Menge M, die drei Bedingungen erfüllt:
1) d(a,b) t 0 für alle a,b aus M d(a,b) = 0 genau dann, wenn a = b

2) d(a,b) = d(b,a) (Symmetrie)
3) d(a,b) d d(a,c) + d(c,b) (Dreiecksungleichung)
In der Geoinformatik hat die euklidische Metrik die größte Bedeutung (zu weiteren
Distanzmaßen insbesondere in schiefwinkligen Koordinatensystemen vgl. Lehrbü-
cher zur Clusteranalyse wie z.B. Bock 1974 bzw. Bortz u. Schuster 2010 S. 456 u.
Backhaus u.a. 2016 S. 457 ff., zur Verwendung von Metriken in Klassifikationsver-
fahren vgl. Kap. 10.7.2):
ሬሬሬሬԦ
݀௡ ൫ܺ ሬሬሬሬԦ ௡ ଶ
ప , ܺఫ ൯ = ඥσ௞ୀଵ(‫ݔ‬௜௞ െ ‫ݔ‬௝௞ ) mit
ሬሬሬሬԦ
ܺ ሬሬሬሬԦ
ప = (‫ݔ‬௜ଵ , ‫ݔ‬௜ଶ , … , ‫ݔ‬௜௡ ) und ܺఫ = (‫ݔ‬௝ଵ , ‫ݔ‬௝ଶ , … , ‫ݔ‬௝௡ )
Im üblichen Anschauungsraum entspricht die euklidische Metrik der Luftlinienent-

fernung. So zeigt Abbildung 4.5 metrische Räume mit rechtwinkligen Achsen. Um
die Doppelindizierung in der obigen Formel zu vermeiden, werden hierbei die Ko-
ordinatenachsen mit x, y und z gekennzeichnet. Derartige n-dimensionale kartesi-
sche Koordinatensysteme bestehen aus n paarweise aufeinander senkrecht stehen-
den (d.h. orthogonalen) Koordinatenachsen mit identischem Ursprung und gleicher
Achseneinteilung. Dann ist die Lage eines Objektes durch Angabe der Achsenab-
schnitte (d.h. durch die Koordinaten) eindeutig darstellbar.
Abb. 4.5: Kartesische Räume mit der Euklidischen Metrik
4.2.2 Homogene Koordinaten
In der Koordinatengeometrie, insbesondere bei Berechnungen und bei Transforma-

tionen zwischen (kartesischen) Koordinatensystemen, bieten homogene Koordina-
ten gegenüber kartesischen Koordinaten erhebliche Vorteile. Jeder Punkt (x,y,z)
kann dabei durch homogene Koordinaten (m,n,o,p) dargestellt werden, wobei gilt:
m = p · x, n = p · y, o = p · z mit einem beliebigen Wert für p (p 0). Von kartesischen
Koordinaten (x,y,z) kann sehr leicht durch (x,y,z,1) zu homogenen Koordinaten
übergegangen werden (umgekehrt: von (m,n,o,p) zu (m/p,n/p,o/p)).
Mit Hilfe homogener Koordinaten kann schnell die relative Lage von Punkten
und (gerichteten) Geraden bestimmt werden. Verläuft z.B. die Gerade durch die
Punkte von P1 = (x1,y1) nach P2 = (x2,y2) (mit Richtung von P1 nach P2), liegt dann
ein dritter Punkt P3 = (x3,y3) links oder rechts oder sogar auf der Geraden? Zur Lö-
sung dieser Aufgabe wird die Matrix der homogenen Koordinaten aus P3, P1 und P2
gebildet (Reihenfolge beachten!) und ihre Determinante ausgerechnet. Bei det M
(P3,P1,P2) < 0 liegt der Punkt rechts der Geraden, bei det M (P3,P1,P2) > 0 links der
Geraden und bei det M (P3,P1,P2) = 0 auf der Geraden.
Mit P1 = (0,0), P2 = (5,3) und P3 = (4,2) ergibt sich die Matrix M der homogenen
Koordinaten:
4 0 5
‫ = ܯ‬൭2 0 3൱
1 1 1
und dann weiter mit Hilfe des Entwicklungssatzes für Determinanten (Laplacescher
Entwicklungssatz, hier Entwicklung nach der letzten Reihe):
0 5 4 5 4 0
det ‫ = ܯ‬+1 ή det ቀ ቁ + (െ1) ή ݀݁‫ ݐ‬ቀ ቁ + 1 ή ݀݁‫ ݐ‬ቀ ቁ
0 3 2 3 2 0
= െ1 ή (4 ή 3 െ 2 ή 5) = െ(12 െ 10) = െ2 < 0
Somit liegt der Punkt P3 rechts der Geraden തതതതതത
ܲଵ ܲଶ .
Weitere Anwendungsmöglichkeiten finden sich in der Koordinatengeometrie so-
wie insbesondere bei Transformationen (vgl. Kap. 4.2.5.2, vgl. Pavlidis 1982 und
Preparata u. Shamos 1985, Bartelme 2005 S. 100 ff., Zimmermann 2012 S. 118 u.
120 ff.).
4.2.3 Polarkoordinaten und Geographische Koordinaten auf der Ku-

gel
Neben den kartesischen Koordinaten spielen in der Geoinformatik Polarkoordina-

ten eine besondere Rolle. Abbildung 4.6 verdeutlicht die Darstellung in einem zwei-
und in einem dreidimensionalen Fall. Dabei wird ein Punkt durch die Koordinaten
Pa(r,D) bzw. Pb(r,D,E), also durch den Abstand zum Koordinatenursprung und durch
Winkel dargestellt.
Abb. 4.6: Polarkoordinaten und kartesische Koordinaten
Zur Umrechnung zwischen kartesischen Koordinaten und Polarkoordinaten beste-

hen recht einfache Formeln, die hier nur für den dreidimensionalen Fall angegeben
werden. Der zweidimensionale Fall ergibt sich hieraus durch z = 0, E = 90° und
dann cos E = 0 bzw. sin E = 1 (zur Orientierung vgl. Abb. 4.6):
P (r,D,E) dann: x = r • sin E • cos D P (x,y,z) dann: r = ඥ(‫ ݔ‬ଶ + ‫ ݕ‬ଶ + ‫ ݖ‬ଶ
y = r • sin E • sin D D = arctan y/x (für xz0)
z = r • cos E E = arctan ൫ඥ(‫ ݔ‬ଶ + ‫ ݕ‬ଶ ൯/z
für x=0 und y=r ist D= S/2
für x=0 und y=-r ist D= –S/2
Durch derartige Polarkoordinaten ist analog zu kartesischen Koordinaten jeder

Punkt eindeutig zu identifizieren und zu quantifizieren. Falls r konstant ist, werden
durch Polarkoordinaten recht einfach sämtliche Punkte auf einer Kugeloberfläche
beschrieben.
Zentrale Bedeutung besitzen Polarkoordinaten zur Lagebestimmung eines Punk-
tes auf der Erde, die hierbei vereinfacht durch eine Kugel dargestellt wird. Der Ab-
stand zum Kugelmittelpunkt wird mit dem mittleren Erdradius (R = 6.371 km)
gleichgesetzt, die Lage eines Punktes ergibt sich dann lediglich durch zwei Winkel,
die im Falle der Erdkugel als Geographische Breite (M) und Geographische Länge
(O) bezeichnet werden (mit M = 90° – E, vgl. Abb. 4.6 u. 4.7).
Die Geographische Breite (M) und Geographische Länge (O) bauen das anschau-
liche Geographische Koordinatensystem auf. Herauszustellen ist, dass hier verein-
facht die Erde durch eine Kugel angenähert wird (vgl. Kap. 4.2.4). Diese Vereinfa-
chung ist zur Darstellung großer Teile der Erdoberfläche in einem kleinen Maßstab
durchaus zulässig.
- Der Äquator ist der Kreis, dessen Ebene durch den Erdmittelpunkt senkrecht zur
Rotationsachse der Erde steht.
- Die parallel zum Äquator verlaufenden Kreise werden Breitenkreise oder Paral-
lelkreise genannt. Als Geographische Breite wird der Winkel zwischen einem
Punkt auf der Kugeloberfläche und der Äquatorebene entlang des zugehörigen
Meridians bezeichnet (0° = Äquator, 90° = Nordpol, –90° = Südpol). Zur Ver-
meidung negativer Werte wird von nördlicher oder südlicher Breite gesprochen.
Die Geographische Breite definiert eindeutig einen Breitenkreis.
- Die vertikal zum Äquator (und zu den Parallelkreisen) und durch die beiden Pole
verlaufenden Kreise werden Längenkreise oder Meridiane genannt. Als Nullme-
ridian wurde der Längenkreis durch die Sternwarte von Greenwich bei London
vereinbart. Als Geographische Länge wird der Winkel zwischen der Meridian-
ebene eines Punktes auf der Kugeloberfläche und der Nullmeridianebene entlang
der Äquatorebene bezeichnet. Vom Nullmeridian wird jeweils in östliche und
westliche Richtung bis 180° gezählt.
- Aus Breiten- und Längenkreisen wird das Geographische Gradnetz aufgebaut.
- Kreise mit demselben Radius wie die Erdkugel werden Großkreise genannt.
Sämtliche Meridiane und der Äquator sind Großkreise.
Nördlich und südlich des Äquators verringert sich der Umfang der Parallelkreise
(Konvergenz der Meridiane zu den Polen, vgl. Abb. 4.7). Der horizontale Abstand
von einem Grad Geographischer Länge entspricht am Äquator einem Abstand von
ca. 111 km und bei 54° Breite nur noch ca. 65 km (vgl. Tab. 4.3 im Kap. 4.3.1).
Die Winkel werden zumeist im 60er System angegeben: Ein Kreis hat 360 Grad,
wobei ein Grad aus 60 Minuten und eine Minute aus 60 Sekunden bestehen. Für die
Osnabrücker Innenstadt gilt z.B. 52° 16’ 35’’ nördliche Breite und 8° 02’ 39’’ öst-
liche Länge. Zur Umrechnung ins Dezimalsystem werden die Minutenangabe durch
60 und die Sekundenangabe durch 3.600 geteilt und beide Ergebnisse zur Gradzahl
addiert: 52,276388 nördliche Breite und 8,044167 östliche Länge.
52° 16’ 35’’ = 52° + 16/60° + 35/3600° = 52,276388°
8° 02’ 39’’ = 8° + 02/60° + 39/3600° = 8,044167°
ebenso:
52° 16’ 35’’ = 52° 16‘ + 35/60‘ = 52° 16,58333333‘
8° 02’ 39’’ = 8° 02‘ + 39/60‘ = 8° 2,65‘
Abb. 4.7: Geographisches Koordinatensystem auf der Kugel und kürzeste Entfernung zwischen
zwei Punkten A und B auf der Kugeloberfläche als Entfernung auf einem Großkreis
Auf der Kugeloberfläche berechnen sich Entfernungen nicht mit Hilfe der Euklidi-
schen Metrik, Vielmehr ist hierbei die geringste Distanz zwischen zwei Punkten A
und B ein Teil des Großkreises, der bereits durch diese Punkte eindeutig definiert
ist. Diese kürzeste Verbindung wird Orthodrome genannt, deren Länge bestimmt
wird durch:
‫ܣ( ݖ݊ܽݐݏ݅ܦ‬, ‫ ܴ = )ܤ‬ή ߜ mit R = Kugelradius, ߜ Winkel im Bogenmaß zwischen A und B
Werden Geographische Breiten- und Längenangabe zur Bestimmung von A (OA,MA)
und B (OB, MB) benutzt, so berechnet sich die Entfernung zwischen A und B durch
den Kosinussatz der sphärischen Trigonometrie. Hierbei wird vereinfacht von einer
Kugelgestalt der Erde ausgegangen:
‫ܣ( ݖ݊ܽݐݏ݅ܦ‬, ‫ ܴ = )ܤ‬ή ܿ‫ି ݏ݋‬ଵ (‫߮݊݅ݏ‬஺ ή ‫߮݊݅ݏ‬஻ + ܿ‫߮ݏ݋‬஺ ή ܿ‫߮ݏ݋‬஻ ή cos(ߣ஺ െ ߣ஻ ))
4.2.4 Geographische Koordinaten auf einem Ellipsoiden
Gegenüber kleinmaßstäbigen Arbeiten, bei denen die Erde vereinfacht als Kugel
betrachtet wird, bauen großmaßstäbige Aufgaben in den Landesvermessungen auf
einem genaueren Modell der Erde auf, das aber noch mathematisch handhabbar ist.
Somit liegen weltweit dem Vermessungswesen generell Ellipsoide zugrunde, die
jeweils für das Gebiet der betreffenden Landesvermessungen (d.h. regional) die
Erde bestmöglich annähern. Dies hat mehrere Konsequenzen:
- Die satellitengestützte Navigation (vgl. Kap. 5.3) erfordert einen weltweit ein-
heitlichen Referenzellipsoiden und eindeutige Koordinatenangaben (WGS84-
Referenzellipsoid). Dieser globale Ellipsoid nähert weltweit, aber nicht mehr re-
gional für das Gebiet einer Landesvermessung die Erde bestmöglich an.
- Die Landesvermessungen rechnen mit elliptischen Koordinaten, was die Berech-
nung geodätischer Koordinaten (d.h. UTM- bzw. ehemals in Deutschland Gauß-
Krüger-Koordinaten, vgl. Kap. 4.5.2 u. 4.5.5) nicht vereinfacht.
- Da von den Landesvermessungen weltweit unterschiedliche Ellipsoide benutzt

werden, liegen für einen Punkt auf der Erdoberfläche in Abhängigkeit der Model-
lierung durch eine Kugel oder durch (verschiedene) Ellipsoide unterschiedliche
geographische Koordinaten vor.
- Die Ellipsoide unterscheiden sich nicht nur hinsichtlich der Größe ihrer Achsen
(vgl. Tab. 4.4), sie sind auch in Bezug zu einem globalen Koordinatensystem (z.B.
WGS84) unterschiedlich gelagert. Sie besitzen somit einen gegeneinander ver-
schobenen Ursprung und eine andere Ausrichtung ihrer Achsen (vgl. Abb. 4.19).
Die Umrechnung der geographischen Koordinaten eines Punktes bezüglich eines
älteren Bezugssystems einer Landesvermessung in das weltweite Bezugssystem
WGS84 erfordert eine sog. Datumstransformation (vgl. Kap. 4.4).
Ein Punkt wird dann durch Angabe der Ellipsoidischen Breite (M), der Ellipsoidi-
schen Länge (O) und Höhe h definiert (vgl. Becker u. Hehl 2012 S. 21 ff. u. S. 26).
Die Breite eines Punktes ist der Winkel zwischen der Äquatorebene und der Ellip-
soidnormalen im Punkt P, d.h. der Linie, die auf der Tangentialfläche im Punkt P
des Ellipsoiden senkrecht steht. Die geographische Länge ist der Winkel zwischen
der Nullmeridianebene und der Meridianebene im Punkt. Die Länge der Ellipsoid-
normalen entspricht der ellipsoidischen Höhe des Punktes (vgl. Abb. 4.8).
ܺ௔ = (ܰ + ݄) ή cos ߮ ή cos ߣ
ܻ௔ = (ܰ + ݄) ή cos ߮ ή sin ߣ
ܼ௔ = [ܰ ή (1 െ ݁ ଶ ) + ݄] ή sin ߮ a bzw. b große bzw. kleine Halbachse
௔ ൫௔మ ି ௕ మ ൯
ܰ=௪ ‫ = ݓ‬ඥ1 െ ݁ ଶ ή ‫݊݅ݏ‬ଶ ή ߮ ݁ଶ =
௔మ
Abb. 4.8: Geographisches Koordinatensystem auf einem Ellipsoiden und kartesische Koordinaten
(Ellipsoidisches System)
4.2.5 Ebene Koordinatentransformationen
4.2.5.1 Georeferenzierung
In der Geoinformatik werden Geoobjekte in vielen Koordinatensystemen erhoben.

Häufig liegt der Datenerfassung kein wohldefiniertes Bezugssystem mit z.B. Koor-
dinaten der Landesvermessung, sondern Gerätekoordinaten zugrunde. Dies ist der
Regelfall, wenn bei der On-Screen-Digitalisierung aus einer Vorlage Geometrien
ermittelt werden, die dann zunächst in irgendeinem rechtwinkligen Koordinaten-
system vorliegen (vgl. Kap. 4.2.1). Da aber nicht diese, sondern die Koordinaten in
einem bestimmten Koordinatensystem interessieren, werden Umrechnungen not-
wendig (Maßstabsänderungen, Drehungen des Koordinatensystems, da fast immer
die Vorlage auf dem Digitalisiertablett nicht exakt eingenordet ist). Besondere
Transformationen müssen gerechnet werden, wenn die Vorlage z.B. aufgrund von
Alterungsprozessen oder bei einem Schrägluftbild verzerrt ist. Transformationsauf-
gaben liegen auch vor, wenn eine Datenerhebung im Gelände z.B. aufgrund von
Messfehlern in einem schiefwinklig verzerrten Koordinatensystem durchgeführt
wurde. Auch bei der Datenerfassung durch Scannersysteme, die Geoobjekte mit Pi-
xelkoordinaten liefern, ergeben sich ähnliche Aufgaben.
Ein Geoinformationssystem, d.h. die Software, besitzt in der Regel Werkzeuge,
um eine Georeferenzierung durchzuführen (vgl. Kap. 4.6.1). Zum Verständnis bzw.
korrektem Anwenden der Möglichkeiten (z.B. Auswahl der Option „Polynom 1.
Ordnung (Affin)“) sind Kenntnisse von Koordinatentransformationen notwendig.
Abb. 4.9: Ansatz der Georeferenzierung
Somit stellt sich die zentrale Aufgabe, die Ausgangsdaten in ein Standardkoordina-
tensystem wie z.B. in das übliche Koordinatensystem der Landesvermessung zu
transformieren. Dieser Prozess, der zum Alltag der Geoinformatik gehört, wird als
Georeferenzierung oder Geocodierung bezeichnet, bei dem die Gerätekoordinaten
auf ein reales geographisches Bezugssystem referenziert werden (vgl. Abb. 4.9).
Dann sind je nach Fragestellung auch ein Wechsel der Kartenprojektion und die
Darstellung in einem anderen Kartennetzentwurf möglich. Geoinformationssys-

teme bieten hierzu vielfältige Möglichkeiten, die Kenntnisse von Kartenprojektio-
nen und Transformationen voraussetzen.
In der Regel wird man eine Ähnlichkeitstransformation durchführen, die ein
rechtwinkliges wieder in ein rechtwinkliges Koordinatensystem überführt (vgl.
Abb. 4.10). Dies ist z.B. dann der Fall, wenn eine gescannte Karte vorliegt, bei der
man davon ausgehen kann, dass keine Verzerrung besteht. Ähnlichkeitstransforma-
tionen gehören zur größeren Gruppe der Affinen Koordinatentransformationen, die
wiederum zur Gruppe der Linearen Abbildungen gehören, die sich durch (einfache)
Matrixmultiplikationen darstellen lassen. Projektive Koordinatentransformationen
werden zur Entzerrung von Luftbildern herangezogen, die ein perspektivisches Ab-
bild darstellen. Nichtlineare Koordinatentransformationen lassen sich nur durch Po-
lynomgleichungen höherer Ordnung darstellen (zu Entzerrung und zum Resampling
von (Satelliten-)Bildern vgl. Kap. 10.6.1.2 u. 4.2.5.3).
Abb. 4.10: Koordinatentransformationen (nach Resnik u. Bill 2018 S. 182)
4.2.5.2 Affine Koordinatentransformationen
Hier werden nur umkehrbar eindeutige affine Abbildungen A betrachtet, die zwi-
schen zwei kartesischen Koordinatensystemen definiert sind (A: Rn Æ Rn), die Ge-
radlinigkeit, Parallelität und Teilverhältnisse auf jeder Geraden erhalten, aber Län-
gen, Winkel, Flächeninhalt und Orientierungen (Umlaufsinn) ändern können. Zu
den affinen Transformationen gehören vor allem die Ähnlichkeitstransformationen,
die sich aus einer Drehung, Verschiebung oder aus einer Skalierung (Multiplikation
mit einem einzigen Faktor, Maßstabsveränderung) zusammensetzen.
Für zweidimensionale kartesische Koordinatensysteme kann jede affine Abbil-
dung in Matrizenschreibweise beschrieben werden durch:
‫ݔ‬ᇱ ܵ௫ 0 ‫ܣ‬ ‫ܤ‬ ‫ݔ‬ ܶ௫
൬ ᇱ൰ = ൬ 0 ܵ௬ ൰ ή ቀ‫ܥ‬ ቁ ή ቀ‫ݕ‬ቁ + ൬ܶ ൰
‫ݕ‬ ‫ܦ‬ ௬
Hierbei sind x und y die Koordinaten im Ursprungssystem und x´ und y´ die Koor-
dinaten im Zielsystem. Weiter gelten für diese Abbildung:
- Die einfache Drehung um den Ursprung des Koordinatensystems, die die Recht-
winkligkeit und die Größenverhältnisse erhält (keine zusätzliche Dehnung oder
Stauchung und Verschiebung), wird durch eine Matrix beschrieben, wobei D der
Drehwinkel (gegen den Uhrzeigersinn) ist:
‫ܣ‬ ‫ܤ‬ cos ߙ െ sin ߙ

ቂ ቃ= ቂ ቃ
‫ܥ‬ ‫ܦ‬ sin ߙ cos ߙ
Falls eine Drehung mit vorgegebenem Winkel um einen beliebigen Fixpunkt

ausgeführt werden soll, müssen zunächst der Fixpunkt in den Ursprung verscho-
ben, die Drehung ausgeführt und schließlich die Verschiebung rückgängig ge-
macht werden.
- Die Translation (Verschiebung) des Koordinatenursprungs in x-Richtung um
den Wert Tx und in y-Richtung um den Wert Ty wird durch den Verschiebungs-
oder Translationsvektor ausgedrückt:
ܶ௫
൬ܶ ൰
௬
- Die Maßstabsveränderung wird durch zwei unterschiedliche Maßstabsfaktoren

(Sx,Sy) dargestellt, die die affine Verzerrung bewirken. Aus einem Quadrat wird
ein Parallelogramm, aus einem Kreis wird eine Ellipse. Eine Ähnlichkeitstrans-
formation ergibt sich, falls Sx und Sy identisch sind.
Der dreidimensionale Fall kann durch eine entsprechende Gleichung beschrieben
werden, wobei Si Maßstabsveränderungen und Ti Translationen bedeuten:
‫ݔ‬ᇱ ܵ௫ 0 0 ‫ܣ‬ ‫ܤ‬ ‫ܥ‬ ‫ݔ‬ ܶ௫
൥‫ ݕ‬ᇱ ൩ = ቎ 0 ܵ௬ 0 ቏ ή ൥‫ܦ‬ ‫ܧ‬ ‫ ܨ‬൩ ή ቈ‫ݕ‬቉ + ቎ܶ௬ ቏
‫ݖ‬ᇱ 0 0 ܵ௭ ‫ܩ‬ ‫ܪ‬ ‫ܫ‬ ‫ݖ‬ ܶ௭
Die Drehung um den Ursprung kann in drei Drehungen, d.h. drei Drehwinkel um
die drei Koordinatenachsen zerlegt werden, die hintereinander auszuführen sind.
Für die Drehung (lediglich) um die z-Achse ergibt sich als Drehmatrix:
cos ߙ െ sin ߙ 0
൥ sin ߙ cos ߙ 0൩
0 0 ‫ܫ‬
Die gesamte Transformation kann mit Hilfe homogener Koordinaten als einzige
Matrixmultiplikation dargestellt werden:
‫ݔ‬ᇱ ܵ௫ 0 0 0 1 0 0 ܶ௫ ‫ܤ ܣ‬ ‫ܥ‬ 0 ‫ݔ‬

‫ݕ‬ᇱ 0 ܵ௬ 0 0 0 1 0 ܶ௬ ‫ܧ ܦ‬ ‫ܨ‬ 0 ‫ݕ‬
൦ ᇱ൪ = ൦ ൪ή൦ ൪ ή ቎ ቏ ή ቎‫ݖ‬቏
‫ݖ‬ 0 0 ܵ௭ 0 0 0 1 ܶ௭ ‫ܪ ܩ‬ ‫ܫ‬ 0
1 0 0 0 1 0 0 0 1 0 0 0 1 1
Hierdurch lassen sich die Rechnungen vereinfachen. Dies begründet letztlich (auch)
den Einsatz von homogenen Koordinaten. Der dreidimensionale Fall (Multiplika-
tion von 4 x 4 Matrizen) kann natürlich auch entsprechend auf den zweidimensio-
nalen Fall eingeschränkt werden (Multiplikation von 3 x 3 Matrizen, Wegfall der
dritten Zeile bzw. Spalte).
Eine zweidimensionale affine Abbildung (R2 Æ R2) wird häufig auch als Poly-
nom erster Ordnung beschrieben (vgl. Kap. 4.2.5.4):
‫ݔ‬Ԣ ܵ௫ 0 ‫ܣ‬ ‫ܤ‬ ‫ݔ‬ ܶ௫ bzw. ‫ ݔ‬ᇱ = ܵ௫ ή (‫ ܣ‬ή ‫ ݔ‬+ ‫ ܤ‬ή ‫ )ݕ‬+ ܶ௫
൬ ൰ = ൬0 ܵ௬ ൰ ή ቀ‫ܥ‬ ቁ ή ቀ‫ݕ‬ቁ + ൬ܶ ൰
‫ݕ‬Ԣ ‫ܦ‬ ௬ ‫ ݕ‬ᇱ = ܵ௬ ή (‫ ܥ‬ή ‫ ݔ‬+ ‫ ܦ‬ή ‫ )ݕ‬+ ܶ௬
Daraus folgen:
‫ ݔ‬ᇱ = ܵ௫ ή (‫ ܣ‬ή ‫ ݔ‬+ ‫ ܤ‬ή ‫ )ݕ‬+ ܶ௫
‫ ݕ‬ᇱ = ܵ௬ ή (‫ ܥ‬ή ‫ ݔ‬+ ‫ ܦ‬ή ‫ )ݕ‬+ ܶ௬
und schließlich die Darstellung als Polynome:

‫ ݔ‬ᇱ = ܽ଴ + ܽଵ ή ‫ ݔ‬+ ܽଶ ή ‫ݕ‬ mit ܽ଴ = ܶ௫ und ܽଵ = ܵ௫ ή ‫ ܣ‬und ܽଶ = ܵ௫ ή ‫ܤ‬
‫ ݕ‬ᇱ = ܾ଴ + ܾଵ ή ‫ ݔ‬+ ܾଶ ή ‫ݕ‬ ܾ଴ = ܶ௬ und ܾଵ = ܵ௬ ή ‫ ܥ‬und ܾଶ = ܵ௬ ή ‫ܦ‬
An einem Beispiel soll eine affine Transformation erläutert werden, die von den
drei Punkten P1(1,1), P2(3,2) und P3(2,3) ausgeht. Durch Ausführen:
von einer Drehung um 30°
cos 30° െ sin 30° 1 3 2
ቀ ቁ ή ቀ ቁ
‫ ݊݅ݏ‬30° cos 30° 1 2 3
ଵ
ή ξ3 െ 0.5 1 3 2 0.366 1.598 0.232
ቌଶ ଵ ቍ ή ቀ ቁ=ቀ ቁ
0.5 ή ξ3 1 2 3 1.366 3.232 3.598
ଶ
und anschließend einer Skalierung um den Faktor 10 in x- und in y-Richtung

10 0 0.366 1.598 0.232 3.66 15.98 2.32
ቀ ቁήቀ ቁ=ቀ ቁ
0 10 1.366 3.232 3.598 13.66 32.32 35.98
und einer Translation (Verschiebung) um den Faktor 10 in x- und in y-Richtung
3.66 15.98 2.32 10 13.66 25.98 12.32
ቀ ቁ+ ቀ ቁ=ቀ ቁ
13.66 32.32 35.98 10 23.66 42.32 45.98
werden die Punkte P1(1,1), P2(3,2) und P3(2,3) auf die Punkte Q1(13.66,23.66),
Q2(25.98,42.32) und Q3(12.32,45.98) abgebildet.
4.2.5.3 Projektive Transformationen
Projektive Koordinatentransformationen erweitern die Definition affiner Abbildun-

gen, wobei zu den projektiven Koordinatentransformationen zusätzlich auch nicht
umkehrbar eindeutige Abbildungen gehören. Besondere Bedeutung vor allem in der
Photogrammetrie besitzen die sog. Zentralprojektionen (perspektivische Projektio-
nen wie z.B. Photographien). Hierbei wird jeder Punkt einer Ebene eindeutig als
Punkt einer anderen und jede Gerade wieder als Gerade abgebildet. Allerdings ent-
springen hierbei im Gegensatz zu einer affinen Abbildung die Projektionsstrahlen
einem festen Zentrum, so dass ehemals parallele Geraden in der Ursprungsebene
sich jetzt in der Projektionsebene im unendlichen Punkt schneiden. Zur Darstellung
von Projektionen sind vor allem homogene Koordinaten geeignet (vgl. Bartelme
2005 S. 111–114 u. Zimmermann 2012 S. 126 ff.).
௔భ ή ௫ ᇲ ା ௔మ ή ௬ᇲ ା ௔య ௕భ ή ௫ ᇲ ା ௕మ ή ௬ᇲ ା ௕య
‫=ݔ‬ ௖భ ή ௫ ᇲ ା ௖మ ή ௬ᇲ ା ଵ
‫=ݕ‬ ௖భ ή ௫ ᇲ ା ௖మ ή ௬ᇲ ା ଵ
Bei wenig reliefiertem Gelände, das keine Einbeziehung eines Höhenmodells er-
fordert, kann man bei der Entzerrung von Luftbildern von einfachen projektiven
Beziehungen zwischen zwei Ebenen ausgehen (d.h. Luftbild und Geländeoberflä-
che). Hierbei sind x‘ und y‘ die Koordinaten von Passpunkten im (digitalen, einge-
scannten) Luftbild und x und y die Koordinaten im entzerrten Bild (bzw. in der
Karte). Die acht Unbekannten ai, bi und ci können mit Hilfe von vier Passpunkten
berechnet werden. Anschließend kann das gesamte Bild transformiert werden. Zur
Bestimmung der Parameter ai, bi und ci werden lineare Gleichungen aufgestellt, die
den Gleichungen zur Bestimmung der Parameter für eine affine Transformation äh-
neln (zu affinen Transformationen und zum Vorgehen bei Überbestimmtheit, d.h.
hier bei mehr als vier Passpunkten, vgl. Kap. 4.2.5.5).
4.2.5.4 Polynomische Transformation
Eine affine Transformationsgleichung kann statt in Matrixschreibweise auch durch

ein Polynom erster Ordnung beschrieben werden (vgl. Kap. 4.2.5.2):
‫ ݔ‬ᇱ = ܽ଴ + ܽଵ ή ‫ ݔ‬+ ܽଶ ή ‫ݕ‬
‫ ݕ‬ᇱ = ܾ଴ + ܾଵ ή ‫ ݔ‬+ ܾଶ ή ‫ݕ‬
Derartige einfache Gleichungen liefern in der Fernerkundung im Zusammenhang
mit der Entzerrung häufig keine zufriedenstellenden Ergebnisse. Zur Transforma-
tion der Pixelkoordinaten im Ausgangsbild auf reale Bezugskoordinaten werden in
der digitalen Bildverarbeitung zumeist Polynome bis maximal dritter Ordnung her-
angezogen (zur Entzerrung von Rasterdaten in der Fernerkundung vgl. Kap.
10.6.1.2). Die Darstellung als Polynom zweiter Ordnung lautet:
‫ ݔ‬ᇱ = ܽ଴ + ܽଵ ή ‫ ݔ‬+ ܽଶ ή ‫ ݕ‬+ ܽଷ ή ‫ ݔ‬ή ‫ ݕ‬+ ܽସ ή ‫ ݔ‬ଶ + ܽହ ή ‫ ݕ‬ଶ
‫ ݕ‬ᇱ = ܾ଴ + ܾଵ ή ‫ ݔ‬+ ܾଶ ή ‫ ݕ‬+ ܾଷ ή ‫ ݔ‬ή ‫ ݕ‬+ ܾସ ή ‫ ݔ‬ଶ + ܾହ ή ‫ ݕ‬ଶ
4.2.5.5 Passpunktbestimmung und Ausgleichsrechnung
Zur Durchführung einer Transformation müssen zunächst die zugehörige Transfor-

mationsgleichung aufgestellt und deren Koeffizienten ai und bi bestimmt werden.
Dazu werden ausgewählte Passpunkte mit Koordinatenangaben in beiden Systemen
(sog. Referenzpunkte) benötigt. Da die Ausgangspasser mit den Koordinaten (xi,yi)
im Ursprungskoordinatensystem den Zielpassern mit den Koordinaten (xí,yí) im
Zielkoordinatensystem entsprechen, kann ausgehend von den Koordinaten dieser
Passpunkte das Gleichungssystem gelöst werden, das die Koeffizienten ai und bi
liefert. Anschließend wird diese Transformationsgleichung dazu benutzt, sämtliche
Ausgangskoordinaten bzw. sämtliche Pixelkoordinaten des Ausgangsbildes in das
neue Koordinatensystem zu überführen. Für den Fall von Polynomen erster Ord-
nung (affine Transformation) bzw. zweiter Ordnung ergeben sich für m Referenz-
punkte (xi,yi) bzw. (xí,yí) in Matrixschreibweise:
Erste Ordnung Zweite Ordnung

‫ݔ‬ଵᇱ 1 ‫ݔ‬ଵ ‫ݕ‬ଵ ‫ݔ‬ଵᇱ ‫ݕ ݔ ݕ ݔ‬ ‫ݔ‬ଵଶ ‫ݕ‬ଵଶ ܽ଴
ܽ଴ ‫ ۍ‬1 ‫ݔ‬ଵ ‫ݕ‬ଵ ‫ ݔ‬ଵ‫ ݕ‬ଵ ‫ې‬
‫ݔ‬ଶᇱ 1 ‫ݔ‬ଶ ‫ݕ‬ଶ ‫ݔ‬ଶᇱ ‫ێ‬1
ଶ ଶ ଶ ଶ ‫ݔ‬ଶଶ ‫ݕ‬ଶଶ ‫ ۑ‬ή ቎ܽଵ ቏
൦ ൪ = ൦ ൪ ή ൥ܽଵ ൩ bzw. ൦ ൪=
… … ܽଶ … ‫…ێ‬ … …‫… ۑ‬
ᇱ
‫ݔ‬௠ 1 ‫ݔ‬௠ ‫ݕ‬௠ ᇱ
‫ݔ‬௠ ‫ۏ‬1 ‫ݔ‬௠ ‫ݕ‬௠ ‫ݔ‬௠ ‫ݕ‬௠ ଶ
‫ݔ‬௠ ‫ݕ‬௠ଶ
‫ܽ ے‬ହ
oder X´= W • A. Entsprechend gilt für die y-Koordinaten Y´ = W • B.
Anzumerken ist, dass hierdurch lineare Gleichungen mit den Unbekannten ai bzw.
bi beschrieben sind. Da die Referenzpunkte bekannt sind, stehen in den Gleichungen
für xi, xiyi, yi, xi2 und yi2 konkrete Zahlen.
Falls nun m gleich der Anzahl der Koeffizienten k des Polynoms ist (mit
k = [(n + 1) * (n + 2)] / 2, n Ordnung des Polynoms), kann die Matrix W invertiert
werden (bei Polynomen erster Ordnung: n = 1 und k = 3). Die Invertierung der
m x m-Matrix W führt dann zu exakten Lösungen für die Koeffizienten ai und bi
bzw. zu den Matrizen A und B:
ܹ ିଵ ή ܺ ᇱ = ‫ܣ‬ und ܹ ିଵ ή ܻ ᇱ = ‫ܤ‬
Für das Beispiel aus Kapitel 4.2.5.2 (Abbildung von P1(1,1), P2(3,2), P3(2,3) auf
Q1(13.66,23.66), Q2(25.98,42.32) und Q3(12.32,45.98) gilt:
‫ݔ‬ଵᇱ 1 ‫ݔ‬ଵ ‫ݕ‬ଵ ܽ଴ ‫ݕ‬ଵᇱ 1 ‫ݔ‬ଵ ‫ݕ‬ଵ ܾ଴
ቌ‫ݔ‬ଶᇱ ቍ = ൭1 ‫ݔ‬ଶ ‫ݕ‬ଶ ൱ ή ൭ܽଵ ൱ bzw. ቌ‫ݕ‬ଶᇱ ቍ = ൭1 ‫ݔ‬ଶ ‫ݕ‬ଶ ൱ ή ൭ܾଵ ൱
‫ݔ‬ଷᇱ 1 ‫ݔ‬ଷ ‫ݕ‬ଷ ܽଶ ‫ݕ‬ଷᇱ 1 ‫ݔ‬ଷ ‫ݕ‬ଷ ܾଶ
dann mit konkreten Zahlen:
13,66 1 1 1 ܽ଴ 23,66 1 1 1 ܾ଴
൭25,98൱ = ൭1 3 2൱ ή ൭ܽଵ ൱ bzw. ൭42,32൱ = ൭1 3 2൱ ή ൭ܾଵ ൱
12,32 1 2 3 ܽଶ 45,98 1 2 3 ܾଶ
Durch Multiplikation mit der inversen Matrix ergibt sich:
5 െ1 െ1 13,66 10 ܽ଴
ଵ
ή ൭െ1 2 െ1൱ ή ൭25,98൱ = ൭8,66൱ = ൭ܽଵ ൱ = ‫ܣ‬
ଷ
െ1 െ1 2 12,32 െ5 ܽଶ
5 െ1 െ1 23,66 10 ܾ଴
ଵ
ଷ
ή ൭െ1 2 െ1൱ ή ൭42,32൱ = ൭ 5 ൱ = ൭ܾଵ ൱ = ‫ܤ‬
െ1 െ1 2 45,98 8,66 ܾଶ
Aus diesen Matrixgleichungen errechnen sich die Polynomgleichungen:
‫ ݔ‬ᇱ = ܽ଴ + ܽଵ ή ‫ ݔ‬+ ܽଶ ή ‫ݕ‬
‫ ݕ‬ᇱ = ܾ଴ + ܾଵ ή ‫ ݔ‬+ ܾଶ ή ‫ݕ‬
‫ ݔ‬ᇱ = 10 + 8,66 ή ‫ ݔ‬െ 5 ή ‫ݕ‬
‫ ݕ‬ᇱ = 10 + 5 ή ‫ ݔ‬+ 8,66 ή ‫ݕ‬
Durch Einsetzen der Koordinaten z.B. für P1 (1,1) ergibt sich für Q1 (Kontrollrech-
nung):
‫ ݔ‬ᇱ = 10 + 8,66 ή 1 െ 5 ή 1 = 13,66
‫ ݕ‬ᇱ = 10 + 5 ή 1 + 8,66 ή 1 = 23,66
Allerdings werden in den meisten Fällen über die mindestens benötigten Pass-
punkte (wesentlich) mehr Referenzpunkte herangezogen. Das Gleichungssystem ist
überbestimmt. Dann gilt für m t k :
ܺ ᇱ = ܹ ή ‫ ܣ‬+ ‫ܧ‬௑ oder ܺ ᇱ െ ܹ ή ‫ܧ = ܣ‬௑ J ‫ܧ‬௑ = ܺ ᇱ െ ܷ

ܻ ᇱ = ܹ ή ‫ ܤ‬+ ‫ܧ‬௬ oder ܻ ᇱ െ ܹ ή ‫ܧ = ܤ‬௒ J ‫ܧ‬௒ = ܻ ᇱ െ ܸ
Hierbei sind Ex = {(xí – ui)} und Ey = {(yí – vi)} die Abweichungen zwischen den
vorgegebenen Koordinaten der Referenzpunkte im Zielsystem (xí,yí) und den Ko-
ordinaten (ui,vi), die aufgrund der Transformation aus den Ausgangskoordinaten
(xi,yi) bestimmt werden. Aufgrund von Ungenauigkeiten der Passpunktbestim-
mung, die bei verschiedenen Passern zudem unterschiedlich ausfallen, ist es in der
Praxis nicht möglich, eine Abbildung zu finden, die sämtliche Referenzpunkte des
Ausgangssystems exakt auf die zugehörigen Punkte im Zielsystem transformiert, so
dass gilt: (xí – ui) = 0 und (yí – vi) = 0.
Mathematisch ausgedrückt bedeutet dies, dass mit m > k die m u k -Matrix W
nicht invertiert werden kann, was zur Formulierung eines sog. linearen Ausgleichs-
problems führt, das die Abweichungen minimiert (vgl. Niemeier 2008 S. 129 ff.):
ԡܺ ᇱ െ ܹ ή ‫ܣ‬ԡଶ = (ܺ ᇱ െ ܹ ή ‫ ்)ܣ‬ή (ܺ ᇱ െ ܹ ή ‫ = )ܣ‬σ(‫ݔ‬௜ᇱ െ ‫ݑ‬௜ )ଶ minimal
ԡܻ ᇱ െ ܹ ή ‫ܤ‬ԡଶ = (ܻ ᇱ െ ܹ ή ‫ ்)ܤ‬ή (ܻ ᇱ െ ܹ ή ‫ = )ܤ‬σ(‫ݕ‬௜ᇱ െ ‫ݒ‬௜ )ଶ minimal
Dabei steht für die Norm einer Matrix, die mit dem Betrag einer Zahl vergleich-
bar ist. Dies bedeutet, dass der RMS-Fehler minimal werden soll. Man kann zeigen
(vgl. Freund u. Hoppe 2007 S. 259 ff. u. 262 ff.), dass A0 und B0 mit
‫ܣ‬଴ = (ܹ ் ή ܹ)ିଵ ή ܹ ் ή ܺ und ‫ܤ‬଴ = (ܹ ் ή ܹ)ିଵ ή ܹ ் ή ܻ
mit (ܹ ் ή ܹ)ିଵ ή ܹ ் der sog. Pseudoinversen von W

die Minimalitätsforderungen erfüllen. Die Koeffizienten von A0 und B0 liefern wie
im angeführten Beispiel die Koeffizienten ai und bi der Transformationspolynome.
Bei dieser Ausgleichsrechnung wird der sog. RMS-Fehler (RMS = Root Mean Squ-
are) minimiert.
ଵ
RMS-Fehler = ට ή σ((‫ݔ‬௜ᇱ െ ‫ݑ‬௜ )ଶ + (‫ݕ‬௜ᇱ െ ‫ݒ‬௜ )ଶ )
௡
Hierdurch wird die (mittlere quadratische) Abweichung gemessen, die zwischen

den in das Zielkoordinatensystem transformierten Passerkoordinaten des Ausgangs-
koordinatensystems (ui,vi) und den vorgegebenen Passerkoordinaten in dem Ziel-
koordinatensystem (xí,yí) besteht. Verglichen wird die Lage der Referenzpunkte
nach der Transformation mit den Zielvorgaben im neuen Koordinatensystem (vgl.
Abb. 4.11).
Abb. 4.11: Anschauliche Darstellung des RMS-Fehlers
In der Regel ist die Passpunktbestimung ein iterativer Prozess. Durch Herausnahme
von kritischen Referenzpunkten mit großen Abweichungen und Hinzunahme neuer
Passpunkte kann versucht werden, den Transformationsfehler zu verkleinern. Al-
lerdings sollte nicht ausschließlich das Ziel angestrebt werden, den RMS-Fehler zu
verringern. Dieser Fehler sagt nur etwas über die Referenzpunkte aus! Vielmehr ist
auch auf eine möglichst optimale Verteilung der Passpunkte (z.B. breite räumliche
Streuung über das gesamte Untersuchungsgebiet) und auf eine exakte Bestimmung
der Lage im Ausgangssystem zu achten.
4.3 Netzentwürfe und Kartenprojektionen
4.3.1 Raumkoordinaten und lokale Bezugssysteme auf der Erde
Für Lagezuordnungen von Geoobjekten in einem Geoinformationssystem, denen

ein zweidimensionales kartesisches Bezugssystem zugrunde liegt, ist die dreidi-
mensionale, gekrümmte Erdoberfläche in eine Ebene abzubilden. Allerdings kön-
nen größere Ausschnitte der gekrümmten Erdoberfläche bzw. das zugehörige Grad-
netz nicht auf ein ebenes, rechtwinkliges Gittersystem abgebildet werden. Ebenso
ist eine Transformation, die sämtliche Eigenschaften von Geometrien auf der Ku-
geloberfläche auch in der Ebene erhält (Längentreue, Winkeltreue, Flächentreue,
vgl. Kap. 4.3.2), prinzipiell nicht möglich. Allerdings sind viele Abbildungen ent-
wickelt worden, die jeweils Teile dieser Eigenschaften erhalten. Diese (Karten-)-
Netzentwürfe bilden das aus Längen- und Breitenkreisen bestehende Koordinaten-
system, das als Netz die Erdoberfläche umspannt, in die Ebene ab.
Kartographische Abbildungen oder Gradnetzentwürfe liegen in der Regel Karten
im Maßstab 1 : 500.000 und kleiner zugrunde, wobei neben der Topographie zu-
meist auch das schiefwinklige oder krummlinienförmige Gradnetz für ausgewählte
Breiten- und Längenkreise wiedergegeben ist (vgl. z.B. kleinmaßstäbige Atlaskar-
ten für Kontinente). Jeweils kleine Ausschnitte der Erde können nur lokal in ein
kartesisches Koordinatensystem abgebildet werden, wobei Abbildungsfehler und
Verzerrungen in Kauf zu nehmen sind. So werden gegenüber den kartographischen
Abbildungen geodätische Abbildungen unterschieden, auf denen großmaßstäbige
Karten sowie Geodäsie und Landesvermessung basieren und die stets Geoobjekte
Netzentwürfe und Kartenprojektionen 149
in ein rechtwinkliges Gitternetz transformieren (zu Grundlagen geodätischer Be-

zugssysteme und Abbildungen vgl. Kap. 4.4 u. 4.5). Für die kartographischen Ab-
bildungen ist auch die Bezeichnung Kartenprojektion (engl. map projection) ge-
bräuchlich.
Abb. 4.12: Umrisse der Bundesrepublik Deutschland in einem kartesischen Koordinatensystem

und in der winkeltreuen Lambert-Projektion (zwei längentreue Breitenkreise 48° 40’ und 52° 40’,
Zentralmeridian 10° 30’)
Tabelle 4.3: Horizontaler Abstand zwischen zwei Orten A und B auf unterschiedlichen Breitenkrei-
sen zwischen München und Lübeck (Abstand jeweils zwischen 8° und 10° östl. Länge)
Ort A Ort B Entfernung vereinfachte
Länge Breite Länge Breite in km Annahme:
Erde als Ku-
8 54 10 54 130,713
gel mit Ra-
8 52 10 52 136,913
dius 6371
8 50 10 50 142,945
km
8 48 10 48 148,804
Abbildung 4.12 und die Tabelle 4.3 verdeutlichen das grundsätzliche Problem. Die
Darstellung der Bundesrepublik Deutschland ist in einem kartesischen Koordina-
tensystem aus den geographischen Längen- und Breitengraden nicht möglich. So
setzt ein kartesisches Koordinatensystem voraus, dass z.B. der Abstand zwischen 6
und 14 auf der Horizontalen gleich dem Abstand zwischen 42 und 50 auf der Ver-
tikalen ist. Genau das ist aber (z.B.) zwischen 6° und 14° östlicher Länge und 42°
und 50° nördlicher Breite nicht der Fall. Somit muss man zwingend bei der Darstel-
lung von Geoobjekten, die durch geographische Koordinaten bestimmt sind, die zu-
gehörige Projektion angeben. Unterbleibt dieser Schritt und werden geographischen
Koordinaten einfach die rechtwinkligen Pixelkoordinaten zugewiesen, können ge-
rade bei einer großräumigen Betrachtung erhebliche Verzerrungen auftreten (vgl.
Abb. 4.12). Insbesondere dürfen keine Distanzen mit Hilfe des Satzes von Pythago-
ras z.B. zwischen (53°, 7°) und (47°, 12°) berechnet werden (zur Berechnung der
Länge der Orthodrome vgl. Kap. 4.2.3 u. Abb. 4.7).
Von den Landesvermessungen werden Geodaten in unterschiedlichen Raumbe-

zugssystemen abgegeben. Die gemeinsame Darstellung in einem Geoinformations-
system erfordert dann Umrechnungen in ein einziges Bezugssystem. Bei diesen
Umrechnungen, die durch die Funktionalität eines Geoinformationssystems in der
Regel standardmäßig erfolgen, müssen die Parameter des Netzentwurfes des Quell-
koordinaten- wie auch des Zielkoordinatensystems bekannt sein (zu Kartennetzent-
würfen und insbesondere zur mathematischen Formulierung der Abbildungen vgl.
eingehender Lehrbücher u.a. aus der Kartographie wie z.B. Bugayevski u. Snyder
1995, Grafarend u. Krumm 2006 u. Snyder 1987).
Generell werden Kenntnisse von Netzentwürfen und Projektionen dann gefor-
dert, wenn Geoobjekte erfasst und in einem Geoinformationssystem dargestellt wer-
den müssen. Die folgende Aufgabe stellt sicher außergewöhnliche Anforderungen,
an denen aber Grundfragen beispielhaft aufgezeigt werden können:
Ausgehend von Wasserproben (räumliche Stichprobe) im Prinz-William-Sund
(Alaska) soll die Schadstoffverteilung modelliert werden. Hierzu werden mit einem
Boot Wasserproben gezogen. Die Koordinaten der Proben werden durch eine mo-
bile standortbezogene Datenerfassung per GNSS erhoben (vgl. Kap. 5.3), d.h. ohne
Möglichkeit, den Standort aufgrund fehlender Bezugspunkte auf dem Wasser in ei-
ner Karte zu markieren. Dies erschwert eine spätere Überprüfung der Standorte, die
allein aufgrund der GPS-Koordinaten identifiziert werden können. Somit muss be-
reits bei der Datenaufnahme bekannt sein, welches Koordinatensystem auf dem
GPS-Gerät eingestellt ist. Dies ist keineswegs eindeutig, da geographische Koordi-
naten wie auch UTM-Koordinaten für unterschiedliche Bezugsellipsoiden vorlie-
gen können. Ein GPS-Gerät bietet generell vielfältige Möglichkeiten zur Angabe
eines Standorts in sehr unterschiedlichen Koordinatensystemen. So kann vom vor-
herigen Benutzer des GPS-Gerätes z.B. noch das Tokio-Datum für eine Datenauf-
nahme in Japan eingestellt sein. Die in Alaska ermittelten Koordinaten (und dann
letztlich auch die Wasserproben) sind dann völlig unbrauchbar.
Weiter wird angenommen, dass das Projekt nördlich des 60. Breitengrads über
eine kleinmaßstäbige Karte verfügt, die als Hintergrundkarte in dem Geoinformati-
onssystem dienen soll. Dieser Karte kann z.B. das geodätische Datum NAD27 /
Alaska Albert (EPSG 2964, flächentreue Alaska-Albers-Projektion mit dem Clarke-
Ellipsoiden von 1866) oder auch NAD83 / Alaska Albert (EPSG 3338, flächentreue
Alaska-Albers-Projektion mit dem GRS80-Ellipsoiden) mit jeweils unterschiedli-
chen Koordinatensystemen zugrunde liegen. Die Georeferenzierung und Darstel-
lung dieser Karte im Geoinformationssystem müssen die jeweilige Projektion be-
rücksichtigen, um eine korrekte Wiedergabe der Karte zu gewährleisten. Ein Geoin-
formationssystem als Software hat in der Regel sehr viele Kartenprojektionen im-
plementiert, aus denen die „richtige“ auszuwählen ist. Dies setzt Kenntnisse der
Projektion der Karte und der Handhabung der Parameter voraus.
Erreicht werden muss, dass bei der Darstellung im Geoinformationssystem die
Standorte der Wasserproben und die Karte „zusammenpassen“. Dies wird am ein-
fachsten dadurch realisiert, dass sowohl die Standortkoordinaten als auch die Karte
in ein neues Koordinatensystem transformiert werden, d.h. vorzugsweise in das
UTM-System (UTM bezüglich WGS84, NAD 1927 oder NAD 1983). Erst jetzt
nach Vorliegen von kartesischen Koordinaten können Distanzen nach dem Satz des
Pythagoras errechnet werden, was mit geographischen Koordinaten nicht möglich

ist. Dies ist eine zwingende Voraussetzung, um Methoden der räumlichen Interpo-
lation wie IDW oder Kriging (vgl. Kap. 9.7.3) zur Modellierung der räumlichen
Schadstoffausbreitung anwenden zu können.
Am einfachsten wären die direkte Erfassung der Wasserproben als UTM-
Koordinaten (bezüglich WGS84) und die Benutzung einer Karte, der ebenfalls eine
UTM-Projektion (bezüglich WGS84) zugrunde liegt.
4.3.2 Abbildungseigenschaften von Netzentwürfen
Bei jeder Abbildung von der Kugeloberfläche in die Ebene können grundsätzlich
Strecken-, Winkel- und Flächenverzerrungen auftreten. Eine derartige Abbildung
kann niemals gleichzeitig längentreu, winkeltreu und flächentreu sein. In Abhän-
gigkeit des Einsatzes einer Karte können nur derartige Abbildungen benutzt wer-
den, die die eine oder die andere Verzerrung vermeiden oder verringern:
Bei einer winkeltreuen Projektion (konforme Abbildung) bleibt der Winkel zwi-
schen sich schneidenden Linien (d.h. genauer zwischen den Tangenten an diesen
Linien in deren Schnittpunkt) erhalten. Allerdings kann Winkeltreue nur im Kleinen
bestehen. Winkeltreue Abbildungen erhalten nur lokal die Form der Objekte. Keine
Kartenprojektion kann Winkeltreue und somit die exakte Form für ein größeres Ge-
biet erhalten. Winkeltreue Abbildungen können nicht flächentreu sein, so dass ein-
zelne Gebiete vergrößert dargestellt werden. Allgemein sind dabei die Verzerrun-
gen am Rande am größten (vgl. die Polgebiete in einer Mercatorkarte oder Indien
im Vergleich mit Grönland, vgl. Abb. 4.16).
Eine Projektion ist flächentreu, falls sämtliche Gebiete durch die Abbildung in
der korrekten relativen Größe wiedergegeben werden (flächentreue oder äquiva-
lente Abbildung). Flächentreue Karten können nicht winkeltreu sein, so dass die
meisten Winkel und die Form verzerrt sind.
Bei einer längentreuen Abbildung stimmt der Abstand zweier Punkte im Origi-
nal bis auf einen Maßstabsfaktor mit dem Abstand der Bildpunkte überein. Die Erd-
oberfläche kann aber nur begrenzt längentreu (äquidistant) in die Ebene abgebildet
werden (partielle Längentreue nur entlang weiterer Linien wie Berühr- oder Schnitt-
kreisen, z.B. längentreuer Äquator bei einer normalen Mercatorprojektion).
4.3.3 Abbildungsflächen von Netzentwürfen
4.3.3.1 Bedeutung und Lage der Abbildungsfläche
Netzentwürfe beruhen auf wenig anschaulichen, mathematischen Gleichungen, die

Punkte auf der gekrümmten Erdoberfläche in die Ebene transformieren. Die Eigen-
schaften dieser Abbildungen sind aber leicht zu verdeutlichen, indem die Lage einer
gedachten Abbildungsfläche zur Erdachse bzw. zur Erde und die Lage des Projek-
tionszentrums betrachtet werden. Dabei werden als (gedachte) Abbildungsflächen
eine Ebene, ein Zylinder- oder ein Kegelmantel verwendet, so dass Azimutal-, Zy-
linder- und Kegelprojektionen unterschieden werden:
Abb. 4.13: Klassifikation der Kartennetzentwürfe nach der Art der Abbildungsflächen
Bei normalachsigen oder erdachsigen (d.h. normalen) Abbildungen fallen Erdachse

und Rotationsachse des Zylinders oder des Kegels zusammen. Querachsige oder
äquatorständige (d.h. transversale) Abbildungen liegen vor, wenn Erdachse und Ro-
tationsachse des Zylinders oder des Kegels zueinander senkrecht stehen. Falls Erd-
achse und Rotationsachse des Zylinders oder des Kegels einen beliebigen Winkel
einschließen, spricht man von schiefachsigen oder zwischenständigen Abbildun-
gen. Ähnliche Bezeichnungen gelten auch bei azimutalen Projektionen, bei denen
polständige Abbildungen als normal, äquatorständige als transversal und sonstige
als schiefe oder schiefständige Abbildungen bezeichnet werden.
Abb. 4.14: Lage von Projektionsflächen
4.3.3.2 Azimutale Abbildungen
Dieser Abbildungstyp resultiert aus einer Tangentialebene, die in einem Punkt die
Erdkugel berührt, oder auch in einem Spezialfall aus einer Schnittebene. Der Be-
rührpunkt (z.B. der Nordpol) bestimmt die Lage, wobei die polare Lage (d.h. nor-
male Lage), die äquatoriale Lage (d.h. transversale Lage) und die schiefe Lage un-
terschieden werden. Azimutale Abbildungen zeichnen sich dadurch aus, dass die
Richtung – oder der Azimuth – vom Berührpunkt zu jedem anderen Punkt korrekt
wiedergegeben wird. Sämtliche Großkreise durch den Berührpunkt werden als Ge-
raden wiedergegeben (vgl. Snyder 1987 S. 141).
Die polare Lage stellt die einfachste Form dieser Abbildung dar, bei der die Brei-
tenkreise als konzentrische Kreise um den Berührpunkt (hier ein Pol) und die Me-
ridiane als Geraden abgebildet werden, die sich im Berührpunkt (hier ein Pol) mit
ihren wirklichen Winkeln schneiden. In allen anderen Lagen besitzt bei azimutalen
Abbildungen das Gradnetz im Berührpunkt genau rechte Winkel.
Azimutale Projektionen können weiter nach der Lage ihres Projektionszentrums
differenziert werden. Bei der Gnomonischen Abbildung liegt dieses Zentrum im
Erdmittelpunkt, bei der Stereographischen Abbildung allgemein im Gegenpol des
Berührpunkts sowie bei der Orthographischen Abbildung im Unendlichen.
Azimutale Abbildungen werden zumeist zur kartographischen Darstellung von
Polarregionen benutzt. Von größerer Bedeutung vor allem zur Darstellung der west-
lichen und östlichen Hemisphäre oder von Kontinenten in Atlanten ist der von Lam-
bert stammende flächentreue Entwurf einer azimutalen Abbildung.
4.3.3.3 Konische Abbildungen
Dieser Abbildungstyp kann durch Abwicklung eines Kegels in die Ebene verdeut-
licht werden, der derart an die Kugel angelegt wird, dass er sie in einem Kreis (z.B.
ein Breitenkreis) berührt oder in zwei Kreisen schneidet. Diese Berühr- oder
Schnittkreise (sog. Standardparallelkreise) werden bei der (gedachten) Abwicklung,
bei der der Kegel entlang eines Meridians aufgeschnitten wird, längentreu abgebil-
det. Der Meridian gegenüber der Schnittlinie wird als Zentralmeridian bezeichnet.
Allgemein nimmt die Verzerrung zu beiden Seiten des Berührkreises zu. Bei einem
Schnittkegelentwurf ist die Verzerrung zwischen den Schnittkreisen geringer als
außerhalb.
Einzelne Kegelentwürfe können winkeltreu (z.B. Entwurf nach Lambert), mitt-
abstandstreu, d.h. längentreu oder äquidistant entlang der Meridiane und/oder der
Parallelkreise (z.B. Entwurf nach de l'Isle), oder flächentreu (z.B. Entwurf nach Al-
bers) sein.
Erdachsige, konische Netzentwürfe mit zwei Schnittkreisen unterscheiden sich
vor allem darin, wie die Breitenkreise zwischen den Schnittkreisen abgebildet wer-
den. Beim flächentreuen Kegelentwurf mit zwei längentreuen Parallelkreisen nach
Albers besitzen die Breitenkreise zwischen den Schnittkreisen einen größeren Ab-
stand. Dieser Entwurf wird bei zahlreichen Einzel- und Atlaskarten insbesondere in
den USA u.a. vom US Geological Survey angewendet. Beim winkeltreuen Kegel-
entwurf mit zwei längentreuen Parallelkreisen nach Lambert hingegen liegen die
zentralen Parallelkreise näher zusammen als jene am Rande.
Die winkeltreue (d.h. konforme) Kegelprojektion mit zwei längentreuen Paral-
lelkreisen nach Lambert wird in der Praxis häufig benutzt. Dieser Entwurf wird z.B.
auf der Basis eines Bezugsellipsoiden bei Übersichtskarten 1:500.000 (z.B. in der
Bundesrepublik Deutschland oder in Österreich) oder auch bei Neuausgaben der
Internationalen Weltkarte 1:1.000.000 angewendet. Vom Bundesamt für Kartogra-
phie und Geodäsie der Bundesrepublik Deutschland werden kostenfrei digitale Kar-
ten u.a. in der winkeltreuen Lambert-Abbildung mit zwei längentreuen Breitenkrei-

sen (48° 40’ und 52° 40’) und dem Zentralmeridian 10° 30’ mit dem WGS84- sowie
dem WGS84-Bezugsellipsoid angeboten (vgl. DTK 1000, BKG 2019a).
4.3.3.4 Zylinderabbildungen
Zylinderabbildungen können durch Übertragen der Geometrien von der Erdoberflä-

che auf einen Zylinder, der die Erdkugel umhüllt und sie in einem Kreis berührt
oder in zwei Kreisen schneidet, und anschließende Abwicklung des Zylinders in die
Ebene veranschaulicht werden (vgl. Abb. 4.13). Winkeltreue Zylinderprojektionen
werden allgemein als Mercatorprojektionen bezeichnet, die sich nach Lage des Be-
rühr- oder Schnittzylinders weiter differenzieren lassen. In der normalen Darstel-
lung, bei der Erdachse und Zylinderachse zusammenfallen (vgl. Abb. 4.13), wird
der Äquator als Berührkreis benutzt, der dann längentreu abgebildet wird. Abbil-
dung 4.15 verdeutlicht das Konstruktionsprinzip einer Zylinderabbildung. Von der
Achse des Berührzylinders kann jeder Punkt P auf der Erdkugel durch Verlänge-
rung des Ortsvektors auf den Zylinder abgebildet werden, der dann in eine Ebene
abgewickelt wird. Gegenüber dieser Veranschaulichung liegen den Zylinderabbil-
dungen mathematische Funktionen zugrunde: In Ost-West-Richtung wird auf dem
Abbildungszylinder der Winkel O, in Nord-Süd-Richtung ein Funktionswert der
Breite M abgetragen. Bei der Mercatorprojektion mit einem längentreuen Breiten-
kreis (Äquator) ist:
‫ݔ‬ ߣ ߣ
ቀ‫ݕ‬ቁ = ‫ ݎ‬ή ൬ ൰=‫ ݎ‬ή ቆ ߨ ߮ ቇ
‫)߮(ܨ‬ ln tan ( + )
4 2
Abb. 4.15: Konstruktionsprinzip einer normalen Zylinderprojektion
Bei der (normalen) Mercatorprojektion gehen die Breitenkreise und Meridiane in

Geraden über. Die Meridiane besitzen gleichen Abstand. Die Mercatorprojektion
ist am Äquator längentreu. Am Pol werden die Verzerrungen unendlich groß. So
erscheint z.B. Grönland gegenüber Südamerika entgegen den tatsächlichen Flä-
chenverhältnissen wesentlich größer. Somit ist die Verwendung dieser Projektion
für Atlaskarten oder kleinmaßstäbige Karten stark eingeschränkt. Allerdings besit-
zen Mercatorkarten große Bedeutung in der See- und Luftfahrt (daher auch Seekar-
ten genannt): Der Kurs eines Schiffes wird zumeist (mit einem Kompass) als ge-
genüber der Nordrichtung fester Kurswinkel festgelegt. Somit schneidet die Kurs-
linie (die Loxodrome) jeden Meridian unter einem konstanten Winkel. Diese Kurs-
linie wird in der Mercatorkarte als Gerade abgebildet.
Abb. 4.16: Konformer Zylinderentwurf mit längentreuem Äquator (Mercatorkarte)
4.3.3.5 Web-Mercator-Projektion
Die Web-Mercator- oder auch Pseudo-Mercator-Projektion ist inzwischen zum

Standard für Web-Mapping-Anwendungen geworden. Die Projektion wird von al-
len großen Online-Kartenanbietern verwandt (u.a. Google Maps, Bing Maps, Open
Street Map). Dabei sind die Formeln der Web-Mercator- und der Standard-Merca-
tor-Projektion grundsätzlich gleich (vgl. Abb. 4.15). Allerdings geht die Web-Mer-
cator-Projektion (für alle Maßstabsebenen) nur von einer vereinfachten Form der
Erde als Kugel aus, wohingegen die inzwischen zum Standard gewordene UTM-
Abbildung die Erde als Rotationsellipsoid modelliert (r = 6.378,137 m, 1/f =
298,257223563, vgl. Tab. 4.4) und von elliptische Koordinaten ausgeht (vgl. Kap.
4.2.4).
Allerdings wird hierdurch noch nicht vollständig die Web-Mercator-Projektion
beschrieben, bei der die zugrundeliegenden Koordinaten WGS84 sind, aber proji-
ziert werden, als wären es Kugelkoordinaten. Die Umrechnungen können in einem
kleinen Python-Programm aufgezeigt werden:
import math
lon=8.0
lat=55.0585
#WGS84toGoogleBing
x = lon * 20037508.34 / 180
y = math.log(math.tan((90 + lat) * math.pi/ 360)) / (math.pi / 180)
y = y * 20037508.34 / 180
#umgekehrt: GoogleBingtoWGS84Mercator
#lon = (x / 20037508.34) * 180
#lat = (y / 20037508.34) * 180
Somit hat z.B. das Schloss-Hauptportal in Osnabrück die Web-Mercator-Koordi-
nate (895.478,4; 6.849.342,8).
Die Verwendung dieser Koordinaten ist aber bei Entfernungs- oder Flächenbe-
rechnungen sehr kritisch. Während die UTM-Koordinaten auf kleinräumige An-
wendungen ausgerichtet sind und dabei den Abbildungsfehler vom Ellipsoiden zur
Fläche gering halten (vgl. Kap. 4.5.5), zielt die Web-Mercator-Projektion nicht auf
die Verringerung von Abbildungsfehlern, sondern auf die leistungsstarke, d.h. per-
formante Übertragung von 256 x 256 Pixel großen Bildern (sog. Kacheln oder Ti-
les) ab, die den jeweiligen Ausschnitt der Erdoberfläche in einer Zoomstufe von 0
bis 18 zeigen (vgl. Open Street Map 2019).
Somit können erhebliche Abbildungsfehler auftreten. Werden mit dem Geoin-
formationssystem QGIS und vor dem Hintergrund eines Kartenausschnitts von O-
pen Street Map (EPSG 3857) zum einen ein Punkt in Bayern (am Starnberger See)
und zum anderen ein Punkt in Schleswig-Holstein (in der Gemeinde Leck gebuffert,
so dass ein auf der Spitze stehendes Quadrat mit der Diagonale 200 m entsteht, so
beträgt die Fläche jeweils 20.000 m2, was auch unter der Web-Mercator-Projektion
exakt angezeigt wird. Ein Export und ein anschließender Import mit Transformation
dieser beiden Flächen in das „übliche“ UTM-Koordinatensystem (Zone 32) führen
zu erheblichen Differenzen. So ist die Fläche in Bayern nur noch 9.003,46 m2 und
die in Schleswig-Holstein nur noch 6.634,03 m2 groß.
4.4 Grundlagen geodätischer Bezugssysteme
4.4.1 Annäherung der Erde durch Ellipsoide
Häufig wird vereinfacht die Erde als eine Kugel betrachtet. Für exakte Lagebestim-
mungen und Kartennetzentwürfe ist jedoch die tatsächliche Form der Erde durch
einen Ellipsoiden anzunähern. Dabei werden u.a. die Abflachung der Erde an den
Polen und die Ausbuchtung am Äquator berücksichtigt. Eine Ellipse wird allgemein
durch zwei Radien bestimmt: Die längere Achse wird als Hauptachse, die kürzere
Achse als Nebenachse bezeichnet. Ein (Rotations-)Ellipsoid entsteht dann durch
Rotation einer Ellipse um eine ihrer Achsen. Ein Ellipsoid, der die Form der Erde
annähert, wird durch Drehung um die kleinere Achse, d.h. um die sog. Polarachse,
gebildet. Allerdings ist die Erde tatsächlich auch kein Ellipsoid. Sie besitzt (neben
Grundlagen geodätischer Bezugssysteme 157
der Ausbuchtung am Äquator und den Abplattungen an den Polen) weitere kleinere
Dellen und Ausbuchtungen. Somit werden in unterschiedlichen Regionen der Erde
auch unterschiedliche Ellipsoide verwendet, um lokal die beste Annäherung zu er-
reichen. Die Landesvermessungen verschiedener Länder legen dem Aufbau ihres
Vermessungsnetzes und dann der Bestimmung der geographischen Koordinaten
von Geoobjekten daher unterschiedliche Referenzellipsoide zugrunde (vgl. Abb.
4.17 u. Tab. 4.4).
Abb. 4.17: Annäherung der Erde durch am besten angepasste Ellipsoide
Tabelle 4.4: Parameter wichtiger Referenzellipsoide (nach: OGP Geomatics Committee 2012)
Name EPS a (in m) b (in m) 1/f Verbreitung
G
Airy, 1830 7001 6.377.563,39 6.356.256,909 299,3249646 Großbritannien,
6 Irland
Bessel, 1841 7004 6.377.397,15 6.356.078,963 299,1528128 Europa, Asien
5
Clarke, 1866 7008 6.378.206,4 6356583.8 294,9786982 Nordamerika und
Zentralamerika
Clarke, 1880 7011 6.378.249,2 6.356.515 293,466021294 u.a. Afrika, Israel,
Jordanien, Iran
GRS80, 1980 7019 6.378.137 6.356.752,314 298,257222101 weltweit, intern.
angenommen
Hayford, 1909 7022 6.378.388,0 6.356.911,946 297,0 Europa, Asien,
International, Süd-amerika, Ant-
1924 arktis
Krassowski, 7024 6.378.245,0 6.356.863.019 298,3 UdSSR u. weitere
1940 osteurop. Staaten
WGS72, 1972 7043 6.378.135,0 6.356.750.520 298,26 weltweit
WGS84, 1984 7030 6.378.137,0 6.356.752.314 298,257223563 weltweit
a = große Halbachse, b = kleine Halbachse, f = (a – b) / a geometrische Abplattung
Durch die Verwendung unterschiedlicher Ellipsoide können im Grenzbereich von

Landesvermessungen Koordinatensprünge und Konvergenzprobleme auftreten
(z.B. zwischen den alten und den neuen deutschen Bundesländern). Obschon noch
immer weltweit verschiedene Ellipsoide in Gebrauch sind, besitzt inzwischen das
1984 festgelegte, weltweit gültige World Geodetic System 84 (WGS84) zentrale
Bedeutung, da es der satellitengestützten Positionsbestimmung (GPS, vgl. Kap.

5.3.3) zugrunde liegt.
Bei vielfältigen Datenquellen mit verschiedenen Bezugssystemen sind Koordi-
natenumrechnungen unumgänglich. In der Regel verfügen Geoinformationssys-
teme über entsprechende Funktionen. Dazu müssen aber u.a. die Parameter der Re-
ferenzellipsoide bzw. die verschiedenen Datumsangaben bekannt sein.
4.4.2 Geodätisches Datum und traditionelle Bezugssysteme
Von den Landesvermessungen wurde in den letzten Jahrhunderten ein Lagefest-

punktfeld aufgebaut, das zusammen mit einem Höhenfestpunktfeld Grundlage für
die topographische Landesaufnahme und für weitere Vermessungen wie z.B.
Grundstücks- oder Katastervermessungen ist. Dazu wurde ein System von Fest-
punkten entwickelt, die durch Angabe ihrer Lage, Höhe und Schwere im jeweiligen
Bezugssystem gekennzeichnet sind. Diese Lagefestpunktfelder wurden durch Tri-
angulation (klassische trigonometrische Punktbestimmung auf der Basis der Mes-
sung von Richtungen, Distanzen und Höhenwinkeln zwischen benachbarten Punk-
ten) erarbeitet und beruhen auf einem nicht geozentrischen Koordinatensystem. Sie
sind zumeist in vier Stufen aufgebaut, wobei das Hauptdreiecksnetz oder das Netz
der Dreiecke 1. Ordnung eine Seitenlänge von 30 bis 50 km mit den Trigonometri-
schen Punkten 1. Ordnung als Eckpunkte aufweist. Durch Netzverdichtung errei-
chen die Trigonometrischen Punkte 4. Ordnung Abstände von 1 bis 3 km. Als letzte
Verdichtungsstufe werden in die Trigonometrischen Punkte 3. und 4. Ordnung Po-
lygonzüge eingehängt (vgl. Kahmen 1997 S. 592 u. Kahmen 2006 S. 492 ff.). Das
deutsche Hauptdreiecksnetz entstand seit etwa 1870 aus dem Zusammenschluss
einzelner Netzteile. Der auf die alte Bundesrepublik entfallende Anteil des Reichs-
dreiecksnetzes (RDN) wurde das Deutsche Hauptdreiecksnetz (DHDN) genannt.
Zur Definition des Festpunktfeldes und zur eindeutigen Festlegung des zugehö-
rigen zweidimensionalen, nicht geozentrischen Lagesystems ist die exakte Lagebe-
stimmung für einen sog. Fundamental- oder Zentralpunkt in einem globalen, abso-
luten Koordinatensystem sowie die Bestimmung des Azimuts zu einem weiteren
Punkt notwendig (vgl. Abb. 4.18). Ferner sind Angaben zum gewählten Ellipsoid
sowie zur Lage seines Mittelpunkts zum Schwerpunkt der Erde zu machen.
Diese Faktoren machen das sog. geodätische Datum (eines Festpunktfeldes) aus,
das einen Satz von Parametern umfasst, die Ursprung, Orientierung und Maßstab
eines Bezugssystems im Verhältnis zu einem grundlegenden absoluten System an-
geben und den Ellipsoid spezifizieren und beschreiben (vgl. Tab. 4.5). Das geodä-
tische Datum kennzeichnet die Beziehung zwischen einem lokalen Ellipsoiden und
einem globalen Bezugssystem (z.B. WGS84). Verschiedene Lagesysteme werden
durch diese grundlegenden Angaben untereinander vergleichbar gemacht (zum
Übergang zwischen zwei Bezugssystemen vgl. Kap. 4.4.4).
Abb. 4.18: Lokales Bezugssystem und Lagefestpunktfeld (nach Resnik u. Bill 2018 S. 38)
Für das Deutsche Hauptdreiecksnetz, das im Wesentlichen auf die Preußische Lan-
desaufnahme im 19. Jahrhundert zurückgeht, gilt das Potsdam-Datum mit dem Bes-
sel-Ellipsoiden. Fundamentalpunkt ist der seit 1910 nicht mehr existierende Punkt
Rauenberg (in Berlin), an dessen Stelle formal der Trigonometrische Punkt Potsdam
getreten ist, der aber die Koordinaten im System Rauenberg erhielt, so dass eine
Neuberechnung sämtlicher Trigonometrischer Punkte auf das neue Datum vermie-
den wurde. Dies hat nach dem Zweiten Weltkrieg zunächst im militärischen Bereich
zu der nicht ganz richtigen, aber inzwischen auch allgemein üblichen Bezeichnung
Potsdam-Datum geführt. Die aus astronomischen Beobachtungen gewonnenen Ko-
ordinaten von Rauenberg wurden als ellipsoidische Koordinaten eingeführt. Die
Orientierung im Netz erfolgte durch den Azimut Rauenberg – Berlin/Marienkirche.
Tabelle 4.5: Ausgewählte Datumsangaben: Lage der Ellipsoide in Bezug zum WGS84 (z.B.
G x = [(X in WGS84) – (X des angegebenen Datums)], in m, nach Dana 2019)
Datum Ellipsoid Gx Gy Gz
European 1950 (bzgl. Deutschland) Intern. 1927 –87 –98 –121

North America 83 GRS80 0 0 0
Ordinance Survey GB 36 (bzgl. England) Airy +375 –111 +431
Pulkovo 1942 (bzgl. Russland) Krassowski +28 –130 –95
WGS72 WGS72 0 0 0
Die geodätischen Netze der ehemaligen DDR und sämtlicher ehemaliger Ostblock-
länder basierten auf dem Krassowski-Ellipsoid (1940) und den geographischen Ko-
ordinaten des Observatoriums Pulkowo bei St. Petersburg (Pulkowo-St. Peters-
burg-Datum), das 1942 berechnet wurde (System 1942). Im Jahre 1957 wurde das
Einheitliche Astronomisch-Geodätische Netz (EAGN) der osteuropäischen Staaten
bestimmt, das als Grundlage für das Staatliche Trigonometrische Netz (STN) der
ehemaligen DDR diente (System 42/57 bzw. nach Neuausgleich System 42/83). Im
Freistaat Sachsen findet das RD/83-System Anwendung, wobei das RD/83 durch
das Ergebnis einer Transformation vom S42/83 in das Rauenberg-Datum definiert
ist (vgl. sachsen.de 2019). Der gleiche Sachverhalt trifft auf den Freistaat Thüringen
mit dem Bezugssystem PD/83 zu (Transformation in das identische Potsdam-Da-

tum). Das RD/83 und das PD/83 sind somit als Teilnetze des DHDN (mit dem Bes-
sel-Ellipsoiden) zu betrachten.
In der Bundesrepublik Deutschland bestand somit neben dem neu eingeführten
ETRS89 (vgl. Kap. 4.4.3) noch das DHDN90 als kombiniertes Koordinatenrefe-
renzsystem (eng. compound coordinate reference system, ccrs), das sich aus meh-
reren Komponenten, d.h. Koordinatenreferenzsystemen (engl: coordinate reference
system, crs) zusammensetzte:
- DHDN in den alten Bundesländern einschl. Berlin (3°-breite Streifen (1), 2–5),
- S42/83 in Mecklenburg-Vorpommern, Sachsen Anhalt und Brandenburg (3°-
breite Streifen 3–5, daneben noch S42/83 als älteres System in 6°-breiten Streifen
2, 3),
- RD/83 in Sachsen (3°-breite Streifen 3–5),
- PD/83 in Thüringen (3°-breite Streifen 3–4)
4.4.3 Neue terrestrische Referenzrahmen: ITRF, ETRF und ETRS89
Von der Internationalen Astronomischen Union (IAU) und der Internationalen

Union für Geodäsie und Geophysik (IUGG) wird die Entwicklung terrestrischer
Referenzrahmen hoher Genauigkeit vorangetrieben (vgl. Kahmen 1997 S. 599,
Kahmen 2006 S. 3 ff. u. S. 499 ff.). Jährlich wird ein Internationaler Terrestrischer
Referenzrahmen ITRF (International Terrestrial Reference Frame) auf der Basis
hochgenauer Positionsbestimmungen für ungefähr 180 weltweit verteilte Stationen
errechnet. Die Konfiguration der terrestrischen Netzpunkte ist u.a. aufgrund des tek-
tonischen Verhaltens der Erdkrustenplatten nicht starr und zeitlich konstant. Die
Koordinatensätze erhalten daher eine Jahresangabe (z.B. ITRF89). Im Jahre 1990
wurde beschlossen, dass die für 35 europäische Stationen Anfang 1989 errechneten
ITRF Koordinaten den Europäischen Terrestrischen Referenzrahmen (ETRF-89,
European Terrestrial Reference Frame) definieren. Hierbei wird davon ausgegan-
gen, dass die relative Lage der europäischen ITRF-Stationen auf der starren Konti-
nentalplatte unverändert bleibt. Diese Koordinaten bilden den Rahmen für das eu-
ropaweit einheitliche Bezugssystem ETRS89, das European Terrestrial Reference
System. Bezugsellipsoid für das ETRS89 ist der Ellipsoid des von der International
Union for Geodesy and Geophysics definierten Geodetic Reference System 1980
(GRS80), der fast identisch mit dem WGS84 ist (zum Überblick vgl. GEObasis.nrw
2019a u. sachsen.de 2019).
Der für Europa geschaffene weitmaschige Rahmen wurde auf europäischer
Ebene (EUREF89, European Reference Frame, ca. 200 km Punktabstand), auf na-
tionaler Ebene (z.B. Deutscher Referenzrahmen DREF91) und auf der Ebene der
Bundesländer weiter verdichtet, um ihn für praktische Arbeiten nutzen zu können.
In Deutschland besteht das Netz aus 110 Punkten, die überwiegend mit Punkten
1. Ordnung in den alten und neuen Bundesländern zusammenfallen (vgl. Kahmen
2006 S. 502).
Die Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundes-
republik Deutschland (AdV) hat 1991 beschlossen, das ETRS89 als Bezugssystem
für die Bereiche Landesvermessung und Liegenschaftskataster einzuführen, wobei

zudem als Abbildungssystem (Gebrauchskoordinatensystem) die Universale-Trans-
versale-Mercator-Projektion festgelegt wurde (vgl. Geobasis.nrw 2019a). Somit gilt
für die Landesvermessung in Deutschland ein neuer Bezugsrahmen für das Fest-
punktnetz, das jetzt an internationale Netze angeschlossen ist. Grundlage ist nicht
mehr das Potsdam-Datum mit dem Bessel-Ellipsoid, sondern der GRS80-Ellipsoid.
Die Lagerung ergibt sich aus den Fundamentalstationen des ITRS zum Zeitpunkt
Januar 1989. Hiermit waren erhebliche Umstellungen und Neubestimmungen der
Koordinaten der Geoobjekte verbunden (u.a. Überführung der Geobasisdaten des
Liegenschaftskatasters).
4.4.4 Datumstransformationen
Die satellitengestützten Positionsbestimmungen und Messverfahren beziehen sich

auf einen weltweit gültigen Referenzellipsoid (WGS84 bzw. GRS80). Hieraus
ergibt sich die Notwendigkeit, eine Beziehung zwischen den Systemen einer Lan-
desvermessung und dem WGS84 sowie eine Koordinatentransformation herzustel-
len. Die Landesvermessungsbehörden bieten hierzu geeignete Transformations-
und Umrechnungsprogramme. Die Transformation erfolgt in mehreren Schritten,
die am Beispiel der Transformation von DHDN zu WGS84 aufgezeigt werden (Hof-
mann-Wellenhof u.a. 2008 S. 277 ff.). Hierdurch wird noch einmal deutlich, zu Ko-
ordinatenangaben stets das zugehörige geodätische Datum zu nennen:
Im ersten Schritt werden die geographischen Koordinaten im DHDN-Datum in
kartesische Koordinaten umgerechnet (Rechnungen auf der Basis der Parameter des
Bessel-Ellipsoiden). Das Ergebnis sind xyz-Koordinaten in einem erdzentrierten
Koordinatensystem.
Der zweite Schritt transformiert diese Koordinaten in xyz-Koordinaten hinsicht-
lich des WGS84-Bezugssystems. Dieser eigentliche Datumsübergang erfolgt mit
Hilfe der sog. 7-Parameter-Helmert-Transformation, die aus drei Translati-ons-,
drei Rotationsfaktoren und einem Maßstabsfaktor bestehen (vgl. Tab. 4.6). Die
Translationsfaktoren geben an, um wie viele Meter der Ursprung des neuen xyz-
Systems vom Zentrum des Bessel-Ellipsoiden entfernt liegt. Die Rotationsfaktoren
beschreiben, um wie viele Winkelsekunden die Achsen bei der Transformation ge-
dreht werden. Der Maßstabsfaktor drückt Größenveränderungen aus.
Im dritten Schritt werden die xyz-Koordinaten im WGS84-Bezugssystem in ge-
ographische Koordinaten umgerechnet. Anschließend können aus den geographi-
schen Koordinaten geodätische Koordinaten bestimmt werden (Gauß-Krüger-Ko-
ordinaten oder UTM-Koordinaten im WGS84).
Abb. 4.19: Datumstransformation (Übergang von einem globalen zu einem lokalen Koordinaten-
system bzw. Ellipsoiden)
Tabelle 4.6: Transformationsparameter in Bezug zum WGS84 (nach: BKG 2019b)

Parameter Übergang DHDN zu ETRS89 Übergang S42/83 zu WGS84
Gesamtdeutschland 2001
delta x +598,1 m +24,9 m

delta y +73,7 m –126,4 m
delta z +418,2m –93,2 m
rot x 0,202´´ –0,063´´
rot y +0,045´´ –0,247´´
rot z –2,455´´ –0,041´´
m +6,7 * 10-6 +1,01 * 10-6
1. Umrechnung von geographischen Koordinaten (M, O, h) in ein kartesisches Sys-

tem. Hier wird noch bezüglich des Bessel-Ellipsoiden gerechnet:
ܺ௔ = (ܰ + ݄) ή cos ߮ ή cos ߣ
ܻ௔ = (ܰ + ݄) ή cos ߮ ή sin ߣ
ܼ௔ = [ܰ ή (1 െ ݁ ଶ ) + ݄] ή sin ߮
mit: M, O geodätische Breite und Länge und h Höhe über dem Bessel-Ellipsoiden, a
bzw. b große bzw. kleine Halbachse des Bessel-Ellipsoiden und
ܰ =ܽ/‫ݓ‬ ‫ = ݓ‬ඥ1 െ ݁ ଶ ή ‫݊݅ݏ‬ଶ ߮
݁ ଶ = (ܽଶ െ ܾ ଶ ) / ܽଶ e erste numerische Exzentrizität
2. Für den Datumsübergang wird die sog. Helmert-Transformation benutzt:

ܺ௕ 1 ‫ݐ݋ݎ‬௭ ‫ݐ݋ݎ‬௬ ܺ௔ ߜ௫
൭ ܻ௕ ൱ = (1 + ݉) ή ቌെ‫ݐ݋ݎ‬௭ 1 ‫ݐ݋ݎ‬௫ ቍ ή ൭ ܻ௔ ൱ + ቌߜ௬ ቍ
ܼ௕ ‫ݐ݋ݎ‬௬ െ‫ݐ݋ݎ‬௫ 1 ܼ௔ ߜ௭
Die Transformationsparameter werden über identische Punkte des Deutschen Refe-

renzsystems bestimmt. Für diese Punkte liegen die Koordinaten im WGS84 und im
Potsdam-Datum bzw. im Pulkovo-St. Petersburg-Datum für die Gebiete der ehema-
ligen DDR vor.
3. Umrechnung der kartesischen Koordinaten (Xb,Yb,Zb) in geographische Koordi-

naten (M, O, h). Jetzt wird im WGS84 (Ellipsoid) gerechnet. Während die Gleichun-
gen für die Berechnung der kartesischen Koordinaten aus den ellipsoidischen ge-
schlossen und streng sind, besteht für die Umkehrung dagegen nur eine iterative
Lösung (vgl. Landesvermessungsamt NRW 1999 S. 33, vgl. Seeber 1993 S. 24).
Zur Vermeidung iterativer Prozesse werden nachstehende Formeln angegeben, die
ellipsoidische aus kartesischen Koordinaten mit ausreichender Annäherung berech-
nen (vgl. Hofmann-Wellenhof u.a. 2008 S. 280):
ߣ = ܽ‫ܻ(݊ܽݐܿݎ‬௕ /ܺ௕ )
߮ = ܽ‫ܼ(݊ܽݐܿݎ‬௕ + ݁Ԣଶ ή ‫݊݅ݏ‬ଷ ߠ) / (‫ ݌‬െ ݁ ଶ ή ܽ ή ܿ‫ ݏ݋‬ଷ ߠ)
݄ = ‫݌‬/ܿ‫ ߮ݏ݋‬െ ܰ
mit: M, O, h geodätische Breite, Länge und Höhe über dem WGS84-Ellipsoiden,
Xb,Yb,Zb geozentrische kartesische Koordinaten, a bzw. b große bzw. kleine Halb-
achse und weitere Parameter jetzt bezüglich des WGS84-Ellipsoiden:
‫ = ݌‬ඥܺ௕ଶ + ܻ௕ଶ ߠ = ܽ‫ܼ(݊ܽݐܿݎ‬௕ ή ܽ) / (‫ ݌‬ή ܾ)
݁Ԣଶ = (ܽଶ െ ܾ ଶ ) / ܾ ଶ ݁ ଶ = (ܽଶ െ ܾ ଶ ) / ܽଶ
ܰ =ܽ/‫ݓ‬ ‫ = ݓ‬ඥ1 െ ݁ ଶ ή ‫݊݅ݏ‬ଶ ߮
Mit Wechsel des geodätischen Bezugssystems ist im Bereich der Bundesrepublik

Deutschland und des benachbarten Auslands bei Koordinatentransformationen mit
Abweichungen von maximal drei Metern zu rechnen. Die Ungenauigkeit folgt aus
den (großflächigen) 7-Parameter-Transformationssätzen. Durch die Verwendung
örtlicher 7-Parameter-Transformationssätze können höhere Genauigkeiten erreicht
werden. Die lokalen Transformationssätze können von den Landesvermessungsäm-
tern bezogen werden. Das Bundesamt für Kartographie und Geodäsie bietet um-
fangreiche Dienste zur Koordinatentransformation an (z.B. Helmert-Transforma-
tion mit einer Genauigkeit im Bereich von 3 Metern, vgl. BKG 2019c).
Datumstransformationen haben eine besondere Relevanz für das Arbeiten mit Ge-
ometriedaten in einem Geoinformationssystem. Falls z.B. jüngere ATKIS-Daten, de-
nen das UTM-System mit ETRS89 zugrunde liegt, und Geoobjekte eines Biotopka-
tasters, das noch auf Gauß-Krüger-Daten und dem Bessel-Ellipsoid beruht, gemein-
sam dargestellt werden sollen, ist eine Datumstransformation erforderlich.
4.4.5 Höhenbezugsflächen in Deutschland bis 2016
Für Positionsbestimmungen können die Erde bzw. Regionen der Erde durch ein El-
lipsoid bzw. durch verschiedene Ellipsoide angenähert werden (vgl. Kap. 4.4.1).
Bei Lagemessungen kann ein Rotationsellipsoid als Bezugsfläche genommen wer-
den mit dem Vorteil, auf einer mathematisch beherrschbaren Fläche rechnen zu
können. Demgegenüber sind derartige Vereinfachungen bei Höhenmessungen nicht
geeignet, bei denen die Schwerkraft wie z.B. beim Nivellement die Messergebnisse
beeinflusst. So sind die Vertikalachsen der Vermessungsinstrumente in Richtung
der Schwerkraft (d.h. lotrecht) ausgerichtet, die Libellen der Nivellierinstrumente
richten sich nach der Schwerkraft aus. Die Schwerkraft ist aber breitengrad- und
höhenabhängig und sogar lokal unterschiedlich. Somit eignet sich für eine Höhen-
bestimmung theoretisch eine solche Niveaufläche am besten, die in allen ihren
Punkten senkrecht von der jeweiligen Richtung der Schwerkraft geschnitten wird.
Diese Fläche wird als Geoid bezeichnet, das messtechnisch schwierig zu bestimmen
ist. Somit bestehen vor allem aus historischen Gründen unterschiedliche Höhensys-
teme, die in unterschiedlicher Weise das Schwerefeld der Erde operationalisieren.
Zu unterscheiden sind (vgl. Abb. 4.21, zu nivellementbasierten und zu geoidbasier-
ten Höhensystemen vgl. ausführlich Gerlach u.a. 2017 S. 362 ff.):
- die ellipsoidische Höhe HE,
- die orthometrische Höhe Ho,
- die Normalhöhe NN,
- die normalorthometrische Höhe HNO.
Die satellitengestützte Standortbestimmung ermittelt die Höhenlage eines Punk-
tes in Bezug zu einer mathematisch eindeutig beschreibbaren Bezugsfläche (z.B. in
Bezug zum WGS84 oder GRS80). Die ellipsoidische Höhe HE ist der metrische
Abstand von der Ellipsoidenoberfläche entlang der Flächennormalen zum Punkt P.
Bei dieser Höhenbestimmung bleiben die Schwerkraft sowie lokale Abweichungen
vom Normalschwerefeld der Erde aufgrund von Dichteanomalien der Erdkruste un-
berücksichtigt.
Abb. 4.20: Geoid, Ellipsoid und physische Erdoberfläche
Die orthometrische Höhe HO, die die wissenschaftlich beste Definition einer Höhe
darstellt, ist definiert als die Länge der Lotlinie vom Geoid zur Erdoberfläche. Zur
Bestimmung dieser (gekrümmten) Linie sind aber Kenntnisse der Schwerebe-

schleunigungswerte entlang dieser Linie notwendig, die messtechnisch nicht be-
stimmt werden können. In einigen europäischen Ländern werden daher diese Werte
aus modellhaften Dichteverhältnissen der Erdstruktur abgeleitet.
Abb. 4.21: Höhensysteme und Höhenbezugsflächen
Das Geoid ist (zumindest in der Deutschen Landesvermessung) fast nur von theo-
retischem Interesse, es genügt nicht den Anforderungen hochgenauer Höhenmes-
sungen bzw. kann nicht in jedem Punkt der Erde genau definiert werden. Stattdessen
wird mit einem Quasigeoid als Höhenbezugsfläche gearbeitet. Das Quasigeoid ist
eine rechentechnische Größe, die dem geglätteten Geoid entspricht. Die Normal-
höhe (NHN), definiert als Höhe über dem Quasigeoid, kennzeichnet somit den Ab-
stand von einer eindeutig reproduzierbaren Bezugsfläche. Die Quasigeoidundula-
tion, d.h. der Abstand vom Quasigeoid zum Ellipsoiden, ist berechenbar, um Bezie-
hungen zu ellipsoidischen Höhen herstellen zu können. Normalhöhen eignen sich
somit auch im Zusammenhang mit GPS-Höhen.
Normalhöhen wurden bereits in der ehemaligen DDR mit einem Quasigeoid als
Bezugsfläche berechnet (Bezeichnung Höhe über Höhennull HN). Die Höhen be-
ziehen sich auf den Kronstädter Pegel bei St. Petersburg als Nullpunkt. Das Höhen-
system wurde bis 1976 vollständig erneuert, das bis 1990 als amtliches Höhennetz
der DDR (System HN 76) verwendet wurde.
In Deutschland wurde 1875 der Nullpunkt in Höhe des Amsterdamer Pegels fest-
gelegt und durch einen sog. Normal-Höhenpunkt an der Königlichen Sternwarte in
Berlin realisiert. Die Niveaufläche, die 37 m unter diesem Normal-Höhenpunkt ver-
läuft, wurde als Bezugsfläche für sämtliche Höhenmessungen in Deutschland defi-
niert (Höhe über NN). Dieser Bezugspunkt wurde 1912 nach Abriss der alten Stern-
warte nach Berlin-Hoppegarten verlegt. Das gesamte Nivellementsnetz wurde unter
Berücksichtigung von Normalschwerewerten neu berechnet. Diese sog. nor-
malorthometrischen Höhen (Höhe über NN) sind Näherungswerte für orthometri-
sche Höhen. Sie sind das Ergebnis des geometrischen Nivellements und der nor-
malorthometrischen Reduktion entlang der Nivellementlinie von einem bekannten
Höhenpunkt. Diese Höhen sind somit wegeabhängig. Für diese normalorthometri-
schen Höhen war in den alten Bundesländern nach 1945 die Bezeichnung Deutsches
Haupthöhennetz bzw. DHHN12 üblich.
Tabelle 4.7: Ehemalige Höhenbezugssysteme in Mecklenburg-Vorpommern bis 2016 (nach: Lan-

desamt für innere Verwaltung Mecklenburg-Vorpommern 2008, vgl. Aktualisierung Ministerium für
Inneres und Europa Mecklenburg-Vorpommern 2019)
Höhenbezugssystem Bezugspunkt Bemerkungen
DHHN12 Normalhöhenpunkt Hoppe- mit normalorthometrischer Re-

(NN-Höhensystem 1912) garten (bei Berlin) (Pegel duktion
Amsterdam)
SNN 56 (HN 56) Normalhöhenpunkt Hoppe- Teil des einheitl. Nivelle-ment-
SNN 76 (HN 76) garten (Pegel Kronstadt) netzes Osteuropas, Berechnung
von Normalhöhen, 1976 Wie-
derholungsnivellement der
DDR
DHHN92 REUN/UELN-Punkt Kir- gemeinsame Ausgleichung von
(NHN) che Wallenhorst (bei Osn- SNN 76, DHHN85 (alte Bun-
desländer) und Verbindungs-
abrück) (Pegel Amsterdam)
messungen in geopotenziellen
Koten, Berechnung von Nor-
malhöhen
REUN/UELN Vereinigtes Europäisches Nivellementnetz
SNN Staatliches Nivellementnetz (der DDR)
Nach Wiederherstellen der Deutschen Einheit beschlossen 1993 die Vermessungs-

verwaltungen aller Bundesländer einheitliche Normalhöhen einzuführen. Das Deut-
sche Haupthöhennetz 1992 (DHHN92) war bis 2016 das bundesweit einheitliche
Höhenbezugssystem, das sich mit dem Quasigeoid (berechnet nach der Theorie von
Molodenski) auf eine eindeutig reproduzierbare Bezugsfläche bezieht, deren Ab-
stand zum Bezugsellipsoiden (sog. Quasigeoidundulation ) berechenbar ist (vgl.
AdV-Online 2019a u. GEObasis.nrw 2016). Somit sind Beziehungen zu ellipsoidi-
schen Höhen herzustellen, die mit der Verbreitung satellitengestützter Standortbe-
stimmungen eine sehr hohe Praxisrelevanz besitzen: HN = HE – . Das DHHN92
wurde inzwischen durch das DHHN2016 abgelöst (vgl. Kap. 4.4.6).
In Nordrhein-Westfalen liegen die Unterschiede zwischen NN-Höhen und den
NHN-Höhen zwischen –20 mm und + 55 mm, sie sind im flachen Norddeutschland
generell kleiner als in den Alpen. Derzeit enthalten viele Topographische Karten
noch NN-Höhen. Ein Vermerk in der Legende gibt den Korrekturwert zu den mit
GPS-Empfängern ermittelten Höhen für das entsprechende Kartenblatt an.
4.4.6 Der integrierte (geodätische) Raumbezug 2016
Die Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder (AdV) hat be-

reits 2005 beschlossen, den bisherigen amtlichen geodätischen Raumbezug zu ak-
tualisieren, um einen bundeseinheitlich, neuen Raumbezug zu schaffen (zur Richt-
linie vgl. AdV 2017). Im Jahre 2007 wurde das Verfahren mit der Einführung des
integrierten geodätischen Raumbezugs abgeschlossen. Die AdV stellt mit dem in-
tegrierten Raumbezug einheitliche und hochgenaue Koordinaten für Lage und Höhe
sowie Schwerewerte bereit. Diese Daten basieren auf einer vollständigen Neu-
vermessung Deutschlands, die im Zeitraum 2006 bis 2012 durchgeführt wurde (vgl.
BKG 2019d). Der integrierte (geodätische) Raumbezug 2016 verknüpft die Bezugs-
systeme ETRS89/DREF91 (Realisierung 2016), DHHN2016 und DHSN2016 über
das Quasigeoid-Modell GCG2016.
Bestandteile des integrierten Raumbezugs sind:
- ETRS89/DREF91 (Realisierung 2016) für ellipsoidische Koordinaten und Höhen
- Die erste Realisierung beruhte auf den 1994 festgesetzten räumlichen Koordina-
ten der Punkte des Deutschen Referenznetzes 1991 (DREF91). Inzwischen liegt
eine dritte Realisierung vor, die auf einer neuen GNSS-Kampagne basiert, die
Höhen- und Schwerefestpunkte sowie geodätische Grundnetzpunkte verknüpft.
Dieser neue Bezugsrahmen wurde zum 1.12.2016 eingeführt.
- DHHN2016 (Deutsches Haupthöhennetz 2016) für physikalische Höhen aus Prä-
zisionsnivellements
- Nach umfangreichen Wiederholungsnivellements wurde zum 1.12.2016 mit
DHHN2016 ein neuer bundesweit einheitlicher amtlicher Höhenbezugsrahmen in
Deutschland eingeführt.
- DHSN2016 (Deutsches Hauptschwerenetz 2016)
- Das DHSN2016 ersetzt das ältere DHSN96 und realisiert den internationalen
Schwerestandard durch moderne Messmethoden und -geräte.
- GCG2016 (German Combined Quasigeoid 2016)
- Die Bestimmung des Quasigeoids der Bundesrepublik Deutschland ist eine Ge-
meinschaftsarbeit der Vermessungsverwaltungen der Länder, des Bundesamts für
Kartographie und Geodäsie (BKG) und des Instituts für Erdmessung Hannover.
Das GCG2016 dient als Höhenbezugsfläche für den Übergang zwischen geomet-
rischen, satellitengeodätisch bestimmten Höhen im ETRS89/DREF91 und physi-
kalischen, nivellitisch bestimmten Höhen im DHHN2016 (vgl. Abb. 4.21).
Mit dem German Combined Quasigeoid 2016 können die in der Praxis üblichen
physikalischen Höhen im DHHN2016 aus den geometrischen Höhen im ETRS89
berechnet werden. Somit kann die Höhenbestimmung durch Satellitentechnik, die
z.B. mit SAPOS durchgeführt wird, wirtschaftlicher und mit deutlich höherer Ge-
nauigkeit erfolgen und bestehende Messverfahren in Teilen ablösen (zum Satelli-
tenpositionierungsdienst SAPOS vgl. Kap. 5.3.5 u. AdV-Online 2019b).
4.5 Geodätische Abbildungen
4.5.1 Anwendung geodätischer Abbildungen
Als geodätische Abbildungen werden Transformationen in rechtwinklige, ebene

Koordinaten (geodätische Koordinaten) bezeichnet, die somit Breiten- und Längen-
kreise in ein quadratisches Gitter abbilden. Dabei wird ein ebenes, geodätisches Ko-
ordinatensystem durch ein kartesisches Koordinatensystem gebildet, bei dem die
positive x-Achse nach Norden (im UTM-System: Nordwert) und die positive y-
Achse (im UTM-System: Ostwert) nach Osten gerichtet sind. Derartige Abbildun-
gen, die insbesondere der Landesvermessung zugrunde liegen, müssen hohen Ge-
nauigkeitsansprüchen genügen. Sie sind daher in der Regel nur lokal definiert, d.h.
in einem regional eng begrenzten Bereich um einen Bezugspunkt. Ferner nähern sie
die Erde durch einen Rotationsellipsoiden an und beruhen auf ellipsoidischen Be-
rechnungen (vgl. Bugayevski u. Snyder 1995 S. 159 ff., Kuntz 1990 S. 62 ff.).
Tabelle 4.8: In Lagekoordinaten für Punkte in Osnabrück und Clausthal in verschiedenen Bezugs-
systemen (Datenabfrage: Landesamt für Geoinformation und Landesvermessung Niedersachsen,
Landesvermessung und Geobasisinformation, Update 15.08.2019)
Höhen
Gauß-Krüger-Koordinaten HS 160
Osnabrück 3 435 038,438 5 791 675,323 LS 100 105,754
Clausthal 3 592 935,536 5 741 403,369 LS 100 605,282
Geographische Koordinaten
Osnabrück 52° 15’ 17,08907’’ 8° 2’ 51,46011’’ LS 889
Clausthal 51° 47’ 56,58302’’ 10° 20’ 46,14807’’ LS 889
UTM-Koordinaten DHHN2016 H. ü. ETRS89
Osnabrück 32 434 991,651 5 789 799,754 LS 489 105,763 149,656
Clausthal 32 592 825,304 5 739 545,459 LS 489 605,289 650,519
x, y, z 3D-Koordinaten
Osnabrück 3 874 144,805 547 759,966 5 020 323,303 LS 389
Clausthal 3 888 685,134 709 930,154 4 989 518,309 LS 389
Lagestatus 100: Gauß-Krüger-Koordinaten, Potsdam-Datum (Bessel-Ellipsoid)
Lagestatus 389: 3D-Koordinaten, ETRS89 (GRS80-Ellipsoid)
Lagestatus 489: verebnete UTM-Koordinaten, ETRS89 (GRS80-Ellipsoid)
Lagestatus 889: Geograph. Koordinaten im ETRS89
Höhenstatus 160: Normalhöhe (Höhe im System DHHN12), Höhe über NN
DHHN2016: Normalhöhe (Höhe im System DHHN2016), Höhe über NhN, auch Höhenstatus
170 in anderen Bundesländern
Die Höhen im Höhenstatus 160 leiten sich aus einem Nivellement und einer Höhenübertragung ab.
Die Höhenangaben im DHHN2016 stammen aus einer Transformation der Höhen im Höhenstatus
160 mit dem bundesweit einheitlichen Modell HOETRA2016.
Geodätische Abbildungen 169
In Deutschland bestehen derzeit mehrere Bezugssysteme in der Landesvermessung

(vgl. Tab. 4.8). In der alten Bundesrepublik Deutschland existiert das Gauß-Krüger-
Koordinatensystem mit dem Bessel-Ellipsoid und Meridianstreifen mit einer Breite
von drei Längengraden (vgl. Kap. 4.5.2). Im Gebiet der ehemaligen DDR bestand
ein ähnliches Gauß-Krüger-Koordinatensystem, aber mit dem Krassowski-Ellip-
soid und sechs Grad breiten Meridianstreifen. Die Arbeitsgemeinschaft der Ver-
messungsverwaltungen der Länder der Bundesrepublik Deutschland (AdV) hat
1991 bzw. 1995 die Einführung eines neuen Bezugssystems für die Landesvermes-
sung und die Einführung der Universalen-Transversalen-Mercator-Projektion be-
schlossen (vgl. Kap. 4.5.5, vgl. auch Kap. 5.5.4.2). Für einen einzelnen Lagepunkt
können mehrere Koordinatenangaben nebeneinander vorliegen, so dass mit den Ko-
ordinaten stets die Bezugssysteme anzugeben sind, um Eindeutigkeit zu erreichen
(zu einem guten Überblick vgl. Sachsen.de 2019).
4.5.2 Das Gauß-Krüger-Koordinatensystem in Deutschland
Das in Deutschland für die Landesvermessung und für Katasterkarten sowie für To-
pographische Karten grundlegende Gauß-Krüger-System entspricht einer transver-
salen, konformen Zylinderprojektion mit einem längentreu abgebildeten Meridian
(Mercatorprojektion). Das Konstruktionsprinzip kann durch einen quer liegenden
(d.h. transversalen) Abbildungszylinder verdeutlicht werden, der horizontal um die
Erdkugel gedreht wird und der sie in mehreren Längenkreisen im Abstand von drei
Längengraden berührt:
Abb. 4.22: Deutschland im Gauß-Krüger-System

Somit wird das Gebiet durch mehrere Meridianstreifen mit den längentreu abgebil-
deten Haupt- oder Mittelmeridianen 6°, 9°, 12° und 15° östlicher Länge überdeckt.
Auf jedem dieser Meridianstreifen – also lokal – entsteht ein rechtwinkliges Koor-
dinatensystem mit dem Mittelmeridian als vertikaler Achse. Gegenüber dieser an-
schaulichen Darstellung liegt der Gauß-Krüger-Abbildung eine komplexe Berech-
nungsvorschrift von Rechts- und Hochwerten zugrunde (zu Formeln vgl.
Bugayevski u. Snyder 1995 S. 159 ff. und Snyder 1987 S. 60 ff.). Diese Formulie-
rung ist in der praktischen Anwendung durchaus, aber mathematisch streng genom-
men nicht winkeltreu, da die Berechnung nur eine endliche Reihenentwicklung be-
nutzen kann. Die mathematische Formulierung der konformen Abbildung geht auf
C. F. Gauß zurück, der sie für die von ihm geleitete hannoversche Landesvermes-
sung (1822–1847) entwickelt hat. Sie wurde von Schreiber (1866) und vor allem
von Krüger (1912/1919) weiterentwickelt.
Mit wachsendem Abstand zum Mittelmeridian treten (erwartungsgemäß) Ver-
zerrungen zwischen der Lage auf der Kugeloberfläche und dem Bild auf dem Ab-
bildungszylinder auf. Um diese Verzerrungen zu verringern, wird ein Meridianstrei-
fen nach Beschluss der Arbeitsgemeinschaft der Vermessungsverwaltungen vom
Jahre 1966 nach beiden Seiten des Mittelmeridians auf eine Ausdehnung von 1° 40’
in Längengraden (d.h. rund 100 km) beschränkt (vgl. Kahmen 2006 S. 238). Dem-
entsprechend überlappen sich benachbarte Systeme in einem 20 Längenminuten
breiten Streifen (im Mittel rund 23 km breit), in dem Punkte nach Bedarf in beiden
Systemen berechnet werden. Hierdurch wird die Längenverzerrung so gering ge-
halten, dass sie in vielen praktischen Fällen vernachlässigt werden kann (maximal
12 cm auf 1 km, vgl. Kahmen 2006 S. 239).
Die Verwendung von Gauß-Krüger-Koordinaten soll am Beispiel der Lage des
Rathausturms Berlin-Mitte aufgezeigt werden, der die geographischen Koordinaten
13° 24’ 36,01’’ östlicher Länge und 52° 31’ 11,65’’ nördlicher Breite besitzt. Somit
befindet sich der Turm im Überlappungsbereich des vierten und fünften Meridian-
streifens. Seine Gauß-Krüger-Koordinaten sind (nach Hake u. Heissler 1970 S.
136):
im System des 12. Längengrades im System des 15. Längengrades
Rechtswert: 4 595 696,00 m 5 392 088,39 m
Hochwert: 5 821 529,20 m 5 821 783,04 m
Das rechtwinklige Koordinatensystem mit dem Mittelmeridian als vertikaler
Achse definiert das Gitter aus Rechts- und Hochwerten. Um negative Rechtswerte
zu umgehen, wird jedem Hauptmeridian der Wert 500000 (Meter) zugewiesen. Fer-
ner wird jedem Rechtswert noch die Kennziffer des Meridianstreifens vorangestellt,
d.h. die durch 3 geteilte Längengradzahl des Hauptmeridians. Im vorliegenden Bei-
spiel kennzeichnet die erste Zahl des Rechtswerts den zugehörigen Hauptmeridian
(hier 4. Hauptmeridian, 12°). Unter Berücksichtigung des Zuschlags von 500.000 m
für den Hauptmeridian liegt der Ordinatenfußpunkt genau 95.696,00 m östlich des
Hauptmeridians von 12°. Er ist in diesem System 5.821.529,20 m vom Äquator ent-
fernt. Im 5. Meridianstreifen befindet sich der Turm 107.911,61 m westlich des
Hauptmeridians von 15°. In diesem System ist der Ordinatenfußpunkt
5.821.783,04 m vom Äquator entfernt.
An diesem Beispiel werden die Probleme der nicht eindeutig lösbaren Aufgabe
deutlich, eine Kugeloberfläche in eine Ebene abzubilden. Da kartesische Koordina-
tensysteme, die vielen Anwendungen in der Geoinformatik und in Geoinformati-
onssystemen zugrunde liegen, nur lokal aufgebaut werden können, sind Koordina-
tensprünge bei der Ausweisung einer Lage eines Geoobjektes in zwei benachbarten
Meridianstreifen unvermeidbar. Obschon die Abweichung der Hochwerte auf den
ersten Blick groß erscheint, liegt sie deutlich unter dem vorgegebenen Maximalwert
von 12,3 cm auf 1 km.
4.5.3 Das Österreichische Bundesmeldenetz
Das Bundesmeldenetz (BMN) des Österreichischen Bundesamtes für Eich- und

Vermessungswesen (BEV) ist ein geodätisches Koordinatensystem mit dem Bessel-
Ellipsoiden und drei Meridianstreifen mit jeweils einer Breite von 3° Längengraden
sowie dem Zentralpunkt Wien-Hermannskogel und der Orientierungsrichtung zum
Hundsheimer Berg (vgl. Döller u.a. 1996, sog. Hermannskogel-Datum bzw. Aus-
trian-Datum). Das Gebiet von Österreich wird von drei Meridianstreifen abgedeckt,
die die jeweils längentreuen Mittelmeridiane 28°, 31° und 34° besitzen und daher
als M28, M31 und M34 bezeichnet werden (vgl. Abb. 4.23). Die Gradzählung be-
zieht sich aber nicht auf den Nullmeridian von Greenwich, sondern auf den von
Ferro (westlichste Kanarische Insel, 17° 40’ westl. Greenwich). Dieser ungewöhn-
liche Bezug erklärt sich aus der Lage der Landeshauptstadt Wien. Würde ein Bezug
zu Greenwich gewählt worden sein, würde Wien in zwei Meridianstreifen liegen,
und statt der heutigen drei Systeme wären vier notwendig. Die Bezugsmeridiane
haben bezogen auf Greenwich die (üblichen) Koordinaten 10° 20’ E (M28), 13° 20’
E (M31) und 16° 20’ E (M34).
Abb. 4.23: Das Österreichische Bundesmeldenetz
Zur Vermeidung von negativen Rechtswerten und um sich die Angabe des Bezugs-
meridians zu ersparen, werden in Abhängigkeit vom Bezugsmeridian runde Werte
zu den Koordinaten des Gauß-Krüger-Systems addiert (Rechtswert in Zone M28:
RW + 150.000 m, in Zone M31: RW + 450.000 m, in Zone M34: RW + 750.000 m,

Hochwert – 5.000.000 m).
Die Koordinate (Rechtswert 428.000, Hochwert 170.000) kennzeichnet einen
Ort im Gailtal in den Kärtner Alpen (etwa 46° 40’ nördl. Breite, 13° 3’ östl. Länge
von Greenwich). Er liegt somit in Zone M31 und 22 km westlich des Bezugsmeri-
dians 31° östlich von Ferro sowie 5.170 km nördlich des Äquators. Eine Kennzeich-
nung der Meridianstreifen (wie in Deutschland) entfällt.
Im Rahmen der internationalen Harmonisierung werden die österreichischen
Kartenwerke und die Landesvermessung auf das UTM-System mit 6° breiten Me-
ridianstreifen (basierend auf dem WGS84 und dem internationalen Nullmeridian
von Greenwich) umgestellt (vgl. Kap. 4.5.5).
4.5.4 Das Schweizer Koordinatensystem
Der Landesvermessung der Schweiz liegt eine winkeltreue, schiefachsige Zylin-

derabbildung mit dem Bessel-Ellipsoid und dem Fundamentalpunkt der Alten
Sternwarte in Bern zugrunde, der im Jahre 1903 definiert wurde (sog. Schweizer
Datum 1903, CH 1903, zugehöriger Bezugsrahmen LV03 für die Lage und Landes-
nivellement LN02 für die Höhe, angeschlossen am Repère du Niton in Genf). Der
Winkel des schräg liegenden Abbildungszylinders entspricht der geographischen
Breite von Bern (46° 57’ 08,66’’ N). Bezugsmeridian ist die Länge der Sternwarte
von Bern (7° 26’ 22,50’’ E). Dieser Meridian stellt die x-Achse des Systems dar.
Der Berührkreis der Abbildung ist der Großkreis, der den Bezugsmeridian in der
Sternwarte Bern rechtwinklig schneidet. Er wird als y-Achse des Systems in die
Ebene abgewickelt (vgl. Swisstopo 2016).
Abb. 4.24: Das Schweizer Koordinatensystem
Die Berner Sternwarte ist somit der Nullpunkt des Systems. Um negative Koordi-
naten zu vermeiden, erhält der Nullpunkt Zuschläge von y = 600 km und
x = 200 km. Der erste Wert einer Koordinate ist der Rechtswert, der den Ost-West-
Abstand der Position vom Bezugsmeridian angibt. Der zweite Wert einer Koordi-
nate ist der Hochwert, der den Abstand der Position vom Berührgroßkreis be-
schreibt. Die Koordinate (Rechtswert 690.00, Hochwert 250.000) kennzeichnet ei-
nen Ort in der Stadt Dübendorf östlich von Zürich (etwa 47° 24’ nördl. Breite, 8°
38’ östl. Länge von Greenwich). Er liegt somit 90 km östlich und 50 km nördlich
des Bezugspunktes in Bern (Schweizer Datum 1903, CH 1903).
Im Rahmen der neuen Landesvermessung LV95 wurden ein neues, global gela-
gertes (CHTRS95) und ein erneuertes, lokal gelagertes (CH1903+) System definiert
(vgl. Swisstopo 2016). Das Bezugssystem CH1903+ verwendet den gleichen Ellip-
soiden wie CH1903 (Bessel1841). Das Kartenprojektionssystem (Swiss Grid) ist
identisch zu CH1903. Als Ausgangspunkt für die Höhen dient der neue Fundamen-
talpunkt der Geostation Zimmerwald, dessen orthometrischer Wert H0 = 897.9063
so gewählt wurde, dass die Höhe des Repère Pierre du Niton genähert die orthomet-
rische Höhe 373,6 m erhält. Dabei wird das Bezugssystem CH1903+ direkt aus dem
Bezugssystem CHTRS95 abgeleitet, das global gelagert und zum Zeitpunkt 1993
exakt mit ETRS89 identisch ist. Für die Transformation CHTRS95/ETRS89 >
CH1903 gilt:
X(CHTRS95/ETRS89) = X(CH1903) + 674,374 m
Y(CHTRS95/ETRS89) = Y(CH1903) + 15,056 m
Z(CHTRS95/ETRS89) = Z(CH1903) + 405,346 m
Für die neue Landesvermessung LV95 werden die Werte (2.600.000, 1.200.000)
für die Koordinaten des Projektionszentrums verwendet. Das CH1903 ist das klas-
sische, aus der Triangulation abgeleitete Referenzsystem. Sein Referenzrahmen
LV03 war bis Ende 2016 der offizielle Rahmen für die amtliche Vermessung. Die
Daten der amtlichen Vermessung müssen seitdem nach CH1903+/LV95 überführt
worden sein. Die Umstellung auf die UTM-Projektion ist derzeit in der Schweiz
nicht geplant (vgl. Swisstopo 2019).
4.5.5 Das UTM-Koordinatensystem
Das UTM-Koordinatensystem beruht auf einer konformen transversalen zylindri-

schen Abbildung (Universale-Transversale-Mercator-Abbildung oder -Projektion),
die 1947 von der U.S. Army (und dann später u.a. auch von der NATO) zur Kenn-
zeichnung rechtwinkliger Koordinaten in Militärkarten der (gesamten) Welt einge-
führt wurde. Sie wird inzwischen weltweit von verschiedenen Landesvermessungen
und Kartenagenturen eingesetzt, wobei die zugrunde liegenden Ellipsoide zu beach-
ten sind (zumeist der Internationale Ellipsoid von Hayford, jüngst GRS80).
Das UTM-System kann analog zum Gauß-Krüger-System durch einen transver-
salen Abbildungszylinder veranschaulicht werden, der je nach Zone systematisch
um die Erde gedreht wird. Dabei wird die Erde in 60 Zonen (Meridianstreifen) mit
einer Ausdehnung von je sechs Längengraden eingeteilt, wobei das UTM-System
die Erde zwischen 84° nördl. und 80° südl. Breite überdeckt. Somit ist ein Meridian-
streifen beim UTM-System gegenüber dem Gauß-Krüger-System doppelt so groß.
Jede Zone besitzt dann einen Mittelmeridian z.B. bei 3°, 9° oder 15° östlicher und
westlicher Länge. Allerdings berührt beim UTM-System dieser Zylinder nicht die
Erdkugel, sondern schneidet sie in zwei Parallelkreisen, so dass der Mittelmeridian
nicht längentreu, sondern mit dem Faktor 0,9996 abgebildet wird. Hierdurch ist die
Abbildung erst bei etwa 180 km beiderseits des Mittelmeridians längentreu. Am
Grenzmeridian ist bei 50° Breite von einer Längenverzerrung von etwa 15 cm auf
1 km auszugehen (vgl. Hake u.a. 2002 S. 77). Insgesamt führen die guten Abbildungs-
eigenschaften zu einer (welt-)weiten Anwendung für Karten in einem mittleren Maß-
stab.
Dem UTM-System liegt ein universelles Meldesystem zugrunde (UTM Refe-
rence System, UTMREF), das sich für militärische Zwecke auszeichnete. So wer-
den die Zonen beginnend mit dem 180. Meridian bezüglich Greenwich ostwärts von
1 bis 60 durchnummeriert. Die 1. Zone erstreckt sich somit zwischen 180° und 174°
westlicher Länge und besitzt den Mittelmeridian 177° westlicher Länge. Die Zonen
erstrecken sich jeweils von 80° südlicher bis 84° nördlicher Breite. Sie werden in
Bänder von 8° Breite unterteilt, die beginnend mit C (bei 80° südlicher Breite) al-
phabetisch mit Großbuchstaben gekennzeichnet werden. Im Zonenfeld 32U (zwi-
schen 6° und 12° östlicher Länge, Mittelmeridian 9° östlicher Länge) liegt ein gro-
ßer Teil der Bundesrepublik Deutschland (vgl. Abb. 4.25). Die Zonenfelder werden
ausgehend vom Mittelmeridian weiter in ein Quadratraster mit Maschenweite
100 km zerlegt, wobei die Quadrate durch Doppelbuchstaben gekennzeichnet wer-
den. Innerhalb eines Quadrates können dann Punkte durch Koordinaten festgelegt
werden. So liegt z.B. die Kirche von List (Nordostzipfel von Sylt) im UTM-Gitterfeld
32UMF6397, also innerhalb des Zonenfeldes 32U, innerhalb des 100-km-Quadrates
MF und dann innerhalb des 1-km-Quadrates mit der Südwestecke 63 (rechts) und 97
(hoch).
Ähnlich zur Gauß-Krüger-Notation beginnt die Zählung der x-Koordinaten am
Äquator (angegeben mit N, North bzw. Nord), die der y-Koordinaten jeweils am
Mittelmeridian (angegeben mit E, East bzw. Ost). Die Koordinaten werden in Me-
tern angegeben. Um negative Koordinaten zu vermeiden, werden zu dem jeweiligen
Koordinatenursprung Zuschläge addiert. Die Mittelmeridiane erhalten jeweils den
Wert 500.000 (in Metern). In der amerikanischen Notation vieler Geoinformations-
systeme wird dieser Wert „false easting“ genannt. Für die Südhalbkugel wird zu
den negativen x-Werten die Zahl 10.000.000 addiert (in Metern). In der amerikani-
schen Notation vieler Geoinformationssysteme wird dieser Wert „false northing“
genannt. Den Ostwerten wird zu Beginn manchmal die zweistellige Bezeichnung
des Meridianstreifens vorangestellt (für die westliche Hälfte Deutschlands 32, für
die östliche Hälfte 33).
Die Koordinate (Ostwert 434.777, Nordwert 5.791.572) kennzeichnet einen
Punkt im Schlossgarten der Stadt Osnabrück. Er liegt somit ca. 65 km westlich des
Hauptmeridians von 9° und ca. 5.792 km nördlich des Äquators (im Bezugssystem
WGS84 bzw. GRS80, vgl. Tab. 4.4). Der identische Punkt hat im Bezugssystem ED
50 (Europäisches Datum 1950, Internationaler Ellipsoid nach Hayford) die UTM-
Koordinaten (Ostwert 434.859, Nordwert 5.791.776). Dies zeigt, dass sich UTM-
Koordinaten auf verschiedene geodätische Datumsangaben beziehen können und
dass somit generell zu einer Koordinate das zugehörige geodätische Datum ange-
geben werden muss.
Insgesamt ist festzuhalten, dass die weltweite Einführung des UTM-Systems
(mit dem WGS 84) zu einer Vereinheitlichung und zu einer starken Vereinfachung
der länderspezifischen Koordinatensysteme führt, so dass ein Datenaustausch leich-

ter möglich ist. Die Nutzung von Datensätzen wird einfacher, da die u.U. auf-
wendige Spezifizierung der geodätischen Bezugssysteme in einem Geoinformati-
onssystem entfällt. So hat z.B. das Geoinformationssystem ArcGIS mehr als 5.000
verschiedene geodätische Bezugssysteme implementiert.
Abb. 4.25: Deutschland im UTM-System
4.5.6 Berechnung von UTM-Koordinaten
Die Landesvermessungen und die Berechnung von UTM-Koordinaten gehen von

ellipsoidischen Koordinaten aus. Allerdings ist die Umrechnung ellipsoidischer Ko-
ordinaten in UTM-Koordinaten ein mathematisch aufwendiges Verfahren:
- Die UTM-Koordinaten werden als komplexe Zahlen ‫ݖ‬௞ = ‫ݑ‬௞ + ݅ ή ‫ݒ‬௞ mit einem
Realteil ‫ݑ‬௞ und einem Imaginärteil ‫ݒ‬௞ verstanden, wobei in der Herleitung die
Koordinatenachsen vertauscht sind. Im Standardfall der Gauß’schen Zahlenebene
kennzeichnet y gerade nicht die waagerechte Koordinatenachse.
- Die komplexe Funktion, die einem Punkt w= (M, O) eine z-Koordinate (y,x) zu-
ordnet, wird als Taylorreihe entwickelt.
- Die Taylorreihe wird in einen Realteil, den Hochwert, und in einen Imaginärteil,
den Ostwert, getrennt.
Durch diese knappen Hinweise soll angedeutet werden, dass sich die in den Formeln
auftretenden Koeffizienten ai durch eine Taylorreihenentwicklung ergeben (vgl.
Krüger 1912 S. 3 u. 37 ff.). Nach Konvention wird zuerst y und dann x angegeben,
da der Punkt (M, O) auf der Ellipse auf den Punkt (y,x) in der Ebene abgebildet wird
(vgl. Hofmann-Wellenhof 2008 S. 286 ff.):
ܱ‫ݐݎ݁ݓݐݏ‬ = ܽଵ ή ݈ଵ + ܽଷ ή ݈ ଷ + ܽହ ή ݈ ହ + ܽ଻ ή ݈ ଻ + ‫ڮ‬
‫ )߮(ܤ = ݐݎ݁ݓ݄ܿ݋ܪ‬+ ܽଶ ή ݈ ଶ + ܽସ ή ݈ ସ + ܽ଺ ή ݈ ଺ + ଼ܽ ή ݈ ଼ + ‫ڮ‬
mit:
ܽଵ = ܰ ή cos ߮
௧
ܽଶ = ή ܰ ή ܿ‫ ݏ݋‬ଶ ߮
ଶ
ଵ
ܽଷ = ή ܰ ή ܿ‫ ݏ݋‬ଷ ߮ ή (1 െ ‫ ݐ‬ଶ + ߟଶ )
଺
௧
ܽସ = ή ܰ ή ܿ‫ ݏ݋‬ସ ߮ ή (5 െ ‫ ݐ‬ଶ + 9 ή ߟଶ + 4 ή ߟସ )
ଶସ
ଵ
ܽହ = ଵଶ଴
ή ܰ ή ܿ‫ ݏ݋‬ହ ߮ ή (5 െ 18 ή ‫ ݐ‬ଶ + ‫ ݐ‬ସ + 14 ή ߟଶ െ 58 ή ‫ ݐ‬ଶ ή ߟଶ )
௧
ܽ଺ = ή ܰ ή ܿ‫ ߮ ଺ ݏ݋‬ή (61 െ 58 ή ‫ ݐ‬ଶ + ‫ ݐ‬ସ + 270 ή ߟଶ െ 330 ή ‫ ݐ‬ଶ ή ߟଶ )
଻ଶ଴
ଵ
ܽ଻ = ହ଴ସ଴
ή ܰ ή ܿ‫ ߮ ଻ ݏ݋‬ή (61 െ 479 ή ‫ ݐ‬ଶ + 179 ή ‫ ݐ‬ସ െ ‫) ଺ ݐ‬
௧
଼ܽ = ସ଴ଷଶ଴
ή ܰ ή ܿ‫ ߮ ଼ ݏ݋‬ή (1385 െ 3111 ή ‫ ݐ‬ଶ + 543 ή ‫ ݐ‬ସ െ ‫) ଺ ݐ‬
‫= )߮(ܤ‬ Meridianbogenlänge
ܽ bzw. b große bzw. kleine Halbachse des Bezugsellipsoiden
௔మ
ܰ = Querkrümmungshalbmesser
௕ήඥଵା ఎమ
ଶ ଶ ଶ
ߟ = ݁Ԣ ή ܿ‫߮ ݏ݋‬ Hilfsgröße
௔మ ି ௕ మ
݁Ԣଶ = ݁Ԣ zweite numerische Exzentrizität
௕మ
‫ݐ‬ = ‫߮ ݊ܽݐ‬ Hilfsgröße
݈ = (ߣ െ ߣ଴ ) Abstand vom Zentralmeridian
ߣ଴ Länge des Zentralmeridians (z.B. 9°, 15° östl. Länge)
Die Meridianbogenlänge, d.h. die Distanz vom Äquator zum Punkt w auf dem El-
lipsoiden (elliptische Distanz), berechnet sich durch:
ఝ ିଷ
‫ ܽ = )߮(ܤ‬ή (1 െ ݁ ଶ ) ή න (1 െ ݁ ଶ ή ‫݊݅ݏ‬ଶ ‫ )ݐ‬ଶ ݀‫ݐ‬
଴
mit:
௔మ ି ௕ మ
݁ଶ = ݁ erste numerische Exzentrizität
௔మ
Dieses elliptische Integral ist nicht direkt, d.h. analytisch lösbar. Eine Entwicklung
des Integranden als Taylorreihe und gliedweise Integration liefert (vgl. Hofmann-
Wellenhof 2008 S. 287):
‫ = )߮(ܤ‬Ƚ ή (ɔ + Ⱦ ή sin(2߮) + ߛ ή sin( 4߮) + ߜ ή sin(6߮) + ߝ ή sin(8߮)) mit:
௔ା௕ ௡మ ௡ర
ߙ= ଶ
ή (1 +
ସ
+
଺ସ
)
ଷ ଽ ή ௡య ଷ ή ௡ఱ
ߚ =െ ή݊+ െ )
ଶ ଵ଺ ଷଶ
ଵହ ଵହ ή ௡ర
ߛ= ή ݊ଶ െ )
ଵ଺ ଷଶ
ଷହ ଵ଴ହ ή ௡ఱ
ߜ =െ ή ݊ଷ +
ସ଼ ଶହ଺
ଷଵହ
ߝ=
ହଵଶ
ή ݊ସ
(௔ି௕)
݊=
(௔ା௕)
Diese Formeln gehen bereits auf Helmert zurück (vgl. Helmert 1880 S. 46 ff.). An-
dere Autoren implementieren in ihren Formeln die numerische Exzentrizität e (vgl.
BEV-Bundesamt für Eich- und Vermessungswesen 2019).
Falls die Parameter des Bessel-Ellipsoiden zugrunde gelegt werden, ergeben sich
mit (x,y) Hoch- und Rechtswert im Gauß-Krüger-System. Bei der UTM-Abbildung
wird der Bezugsmeridian nicht längentreu abgebildet, sondern mit dem Faktor
0,996 multipliziert (vgl. Kap. 4.5.5). Somit ergeben sich die (vorläufigen) UTM-
Koordinaten zu:
ܰ‫݀ݎ݋‬ = 0,996 ή ‫ݕ‬
ܱ‫ ݐݏ‬# = 0,996 ή ‫ݔ‬
Die ungeraden Potenzen von ݈ = (ߣ െ ߣ଴ ) führen in der Formel zur Berechnung

von x dazu, dass x stets das gleiche Vorzeichen wie ݈ erhält. Somit haben Punkte
östlich des Bezugsmeridians ein positives und westlich davon gelegene Punkte ein
negatives Vorzeichen. Zur Vermeidung von negativen Vorzeichen wird zum (vor-
läufigen) Ostwert ܱ‫ ݐݏ‬# der Wert 500.000 m addiert. Schließlich ist:
ܰ‫݀ݎ݋‬ = 0,996 ή ‫ݕ‬
ܱ‫ݐݏ‬ = 0,996 ή ‫ ݔ‬+ 500.000
)Uĳ XQGIUGHQ%HVVHOHOOLSVRLGHQLVW% ĳ PE]ZIUGHQ
WGS84-EllipVRLGHQLVW% ĳ P'LHVH:HUWHHUJHEHQVLFKPLWGHQ
DQJHJHEHQHQ)RUPHOQXQG]XU.RQWUROOHDXFKGXUFKGLUHNWH%HUHFKQXQJYRQ% ĳ
mittels numerischer Integration. Für einen Punkt genau auf dem Bezugslängenkreis
LVW% ĳ PXOWLSOL]LHUWPLWGHP Faktor 0,9996 gleich dem Hochwert, da l = ߣ – ߣ0 =
0 und somit die restlichen Glieder in der obigen Formel zum Hochwert 0 werden.
Die Darstellung einer UTM-Koordinate ohne Zonenangabe ist nicht eindeutig.
So besitzt z.B. ein Punkt nordwestlich von Rostock, der 194,4 km östlich von 9°
östlicher Länge und 6005,9 km nördlich des Äquators bezogen auf WGS84 liegt,
die UTM-Koordinate (694.400,6.005.900). Die Angabe trifft u.a. auch auf einen
Punkt in der Gemeinde Skorzewo südwestlich von Danzig zu, wobei Zone 32 bzw.
Zone 33 ergänzt und bei der Festlegung des Koordinatensystems in einem Geoin-
formationssystem angegeben werden muss.
4.5.7 EPSG-Codes
Zur Kennzeichnung der verschiedenen Koordinatensysteme werden die sog. EPSG-

Codes benutzt, die von der ursprünglichen European Petroleum Survey Group Geo-
desy (EPSG) zusammengestellt wurden. Diese Arbeitsgruppe wurde 1986 gegrün-
det und 2005 durch das Surveying and Positioning Committee der International
Association of Oil and Gas Producers abgelöst, die das Schlüsselsystem fortführt.
Die Datensätze umfassen 4- bis 5-stellige, weltweit eindeutige Schlüsselnum-
mern für Koordinatenreferenzsysteme und Beschreibungen von Koordinatentrans-
formationen (vgl. Tab. 4.9). Das Schlüsselsystem ist sehr kleinteilig: So kennzeich-
net z.B. EPSG-31466 die zweite Gauß-Krüger-Zone mit der Koordinatenreihen-
folge Nordwert und Ostwert, während EPSG-5676 die identischen Werte in der um-
gekehrten Koordinatenreihenfolge beziffert.
Tabelle 4.9: Ausgewählte EPSG-Codes (nach IOGP 2019)

Koordinatensystem EPSG
Gauß-Krüger-Zone 2 (Bessel) 31466

Gauß-Krüger 4. Streifen (Krassowski 3 Grad) 2398
Gauß-Krüger 5. Streifen (Krassowski 3 Grad) 2399
UTM bzgl. ETRS89 32N 25832
UTM bzgl. ETRS89 33N 25833
WGS84 4326
4.6 Anwendungsbeispiel: Georeferenzierung in einem

Geoinformationssystem
4.6.1 Georeferenzierung aufgrund geodätischer Koordinaten
Eine häufige Praxisaufgabe besteht darin, eine Vorlage wie z.B. ein analoges Luft-
bild oder eine Papierkarte in einem Geoinformationssystem darzustellen. Dazu
muss die Vorlage zunächst digitalisiert und dann georeferenziert werden. Das ältere
Vorgehen sah die Georeferenzierung einer analogen Karte mit Hilfe eines Digitali-
siertableaus und den Funktionen eines Geoinformationssystems vor. Demgegen-
über werden fast nur noch digitale Vorlagen, d.h. digitale Luft- oder Satellitenbilder
oder Scans verwandt, die mit den Funktionen eines Geoinformationssystems direkt
am Monitor georeferenziert werden.
Aus Gründen der hohen Anschaulichkeit wird in diesem Beispiel ein Ausschnitt
einer Topographischen Karte 1.25.000 Blatt 3548 Rüdersdorf bei Berlin genom-
men. Zum einen sind in der Vorlage eindeutige Passpunkte vorhanden, zu denen
exakte Koordinaten der Landesvermessung vorliegen. Zum anderen sind mehrere
Koordinatensysteme zu erkennen, so dass sich dieser Kartenausschnitt auch gut eig-
net, verschiedene Koordinatensysteme und die Datumstransformation zu veran-
schaulichen (vgl. Kap. 4.6.2 u. 4.6.3).
Nach dem Scannen wird das TIF-Bild in den graphischen Editor eines Geoinfor-
mationssystems geladen. Zur Georeferenzierung werden die Bildpunkte der Passer
mit dem Auswahlwerkzeug des Geoinformationssystems (d.h. in der Regel mit der
Maus) „angeklickt“, dann werden ihnen Koordinaten zugewiesen. Tabelle 4.10 do-
kumentiert den Prozess der Georeferenzierung (stark gerundete Werte):
Die zweite und dritte Spalte enthalten die Pixelkoordinaten für die acht Passer
der Vorlage. Im Vergleich mit Abbildung 4.26 ist zu erkennen, dass der Ursprung
der Y-Koordinaten in der linken oberen Ecke des graphischen Editors (d.h. des Mo-
nitors) liegen muss und dass die Orientierung der Y-Achse nach unten weist.
Anwendungsbeispiel: Georeferenzierung in einem Geoinformationssystem 179
Abb. 4.26: Grundlage einer Georeferenzierung (Geobasisdaten: ©GeoBasis-DE/LGB,GB 13/19)
Tabelle 4.10: Georeferenzierung und Berechnung des RMS-Fehlers

Bildschirm-koordina- UTM UTM Transformierte Bildschirm-
ten der Passer koordinaten der Passer
i X-Koord. Y-Koord. Ostwert Nordwert Ostwert Nordwert QGIFFi
1 1260,463 -2583,096 410000 5807000 409999,724 5806999,287 0,585
2 4049,034 -642,088 413000 5809000 413000,035 5808999,323 0,460
3 3144,887 -2549,304 412000 5807000 412000,365 5807000,880 0,908
4 1223,673 -690,846 410000 5809000 410000,467 5808998,948 1,324
5 3125,603 -1601,980 412000 5808000 411999,818 5808001,994 4,010
6 4086,498 -2535,332 413000 5807000 412999,986 5806998,599 1,963
7 2164,727 -673,269 411000 5809000 410999,573 5809000,486 0,418
8 1241,983 -1635,680 410000 5808000 410000,033 5808000,483 0,234
RMS = 1,113
Die Spalten vier und fünf weisen die zugehörigen UTM-Koordinaten der Zone 33
auf. Zugrunde gelegt wird somit das blau eingedruckte Gitter (zum UTM-System
vgl. Kap. 4.5.5). Da eine flache Vorlage eingescannt wurde, von der zudem ange-
nommen werden kann, dass sie nicht verzerrt ist, wird eine affine Koordinatentrans-
formation eingesetzt. Die Vorlage hat leicht schief auf dem Scanner gelegen, sie
muss somit in Nord-Süd-Richtung gedreht werden. Sie muss aus dem Pixelkoordi-
natensystem in sog. Real-World-Koordinaten verschoben werden. Außerdem müs-
sen die Pixelwerte auf Meterangaben skaliert werden (vgl. Definition einer affinen
Koordinatentransformation in Kap. 4.2.5.2). Mit den acht Passern ist die Bestim-
mung der Transformationsgleichung überbestimmt. Bevor aber die Koeffizienten
A0 und B0 der Koeffizienten ai und bi der Transformationspolynome durch Aus-
gleichsrechnung bestimmt werden können, müssen die Y-Werte in ein Koordina-
tensystem mit mathematisch üblicher Orientierung umgerechnet werden (hier yi =
5000 – y).
Die ursprünglichen wie auch die umgerechneten Passerkoordinaten lassen erken-
nen, dass die regelmäßigen Gitterpunkte nicht korrekt erfasst werden konnten. Wäh-
rend die Zielkoordinaten das regelmäßige Koordinatensystem wiedergeben, sind
die Passerkoordinaten im Pixelkoordinatensystem (xi,yi), d.h. Spalten zwei und drei
in Tabelle 4.10, ungenau bestimmt worden. Dies liegt in der Regel daran, dass der
Anwender nicht in der Lage war, die Passer eindeutig zu identifizieren, da sie meh-
rere Pixel groß sein können. Somit folgt beinahe zwangsläufig, dass die in das
UTM-System transformierten Passer (ui,vi), d.h. Spalten sechs und sieben in Tabelle
4.10, ebenfalls von den Zielkoordinaten (x‘i,y‘i), d.h. Spalten vier und fünf in Ta-
belle 4.10, abweichen. Die letzte Spalte enthält diese Abweichungen, d.h. genauer
die quadrierten Abweichungsdistanzen, d.h. di2 (x’i – ui)2 + (y’i-vi)2. Für die erste
Zeile der Tabelle 4.10 errechnet sich diese Teilsumme durch:
QDIFF1 = (410000-409999,724)2 + (5807000-5806999,287)2 = 0,585
Die Werte di werden in Abbildung 4.11 durch die kleinen Pfeile veranschaulicht.
Der RMS-Fehler ergibt sich dadurch, dass die Werte der letzten Spalte aufsummiert
werden, der Wert durch die Anzahl der Passer geteilt und schließlich die Wurzel
gezogen wird. Da das Zielsystem in Meter vorliegt, ist der RMS-Fehler ebenfalls in
Metern angegeben. Somit ergibt sich eine gute Veranschaulichung dieses Genauig-
keitsmaßes.
Für die letzte Spalte der Tabelle 4.3 errechnet sich der RMS-Fehler durch:
ଵ
RMS = ට ή σ଼௜ୀଵ ܳ‫ܨܨܫܦ‬௜ = 1,113
଼
In der Praxis ist das Bestimmen der Passer ein iterativer Prozess. Da der fünfte Pas-
ser den größten Beitrag zum RMS-Fehler liefert, sollte er gelöscht und neu gesetzt
werden. Zu berücksichtigen ist allerdings, dass nicht nur ein kleiner RMS-Fehler
anzustreben ist. Vielmehr muss darauf geachtet werden, dass das gesamte Untersu-
chungsgebiet durch die Verteilung der Passer optimal abgedeckt wird.
Im vorliegenden Beispiel, das den typischen Anwendungsfall beschreibt, wird
davon ausgegangen, dass in der Vorlage Passer eindeutig zu erkennen sind. Dem-
Anwendungsbeispiel: Georeferenzierung in einem Geoinformationssystem 181
gegenüber ist die Georeferenzierung einer Vorlage ohne Passer wie z.B. die Geore-
ferenzierung eines Luftbildes aufwendiger und voraussichtlich ungenauer. So müs-
sen vorab geodätischen Koordinaten von markanten Punkten wie z.B. von Gebäu-
deecken bestimmt werden.
4.6.2 Definition des Raumbezugs nach einer Georeferenzierung
Im Anschluss an eine Georeferenzierung muss dem georeferenzierten Bild (erstma-

lig) ein Koordinatensystem zugewiesen werden. Erst dann sind die in weiteren
Schritten erfassten Geometrien der Geoobjekte (z.B. Ländergrenzen, Flussverläufe)
in andere Koordinatensysteme umzurechnen, da erst dann dem GIS die geographi-
schen Grundlagen des Ursprungsystems bekannt sind. Falls der georeferenzierten
Vorlage kein Koordinatensystem zugewiesen wird, ist nur eine graphische Wieder-
gabe als Hintergrundbild in einem Geoinformationssystem möglich. Somit sind
Kenntnisse der zugrunde liegenden Kartenprojektion notwendig, da das Geoinfor-
mationssystem detaillierte Angaben zum Raumbezug erwartet.
Geoinformationssysteme unterscheiden häufig zwischen „Geographischen Ko-
ordinatensystemen“ und „Projizierten Koordinatensystemen“. Durch Angaben zu
Koordinatensystemen der ersten Gruppe werden Koordinatenangaben spezifiziert
wie z.B. „Deutsches Hauptdreiecksnetz“ (EPSG 4314), „ETRS 1989“ (EPSG 4258)
für Europa oder „Amersfort“ (EPSG 4289) für die Niederlande. Zur zweiten Gruppe
gehören die Geodätischen Koordinatensysteme wie z.B. Gauß-Krüger und UTM
oder die Systeme der US-Bundesstaaten sowie andere nationale Raster wie z.B. das
Koordinatensystem „Lisboa_Hayford_Gauss_IPCC“ (Transversale Mercatorpro-
jektion auf der Basis des Hayford-Ellipsoiden definiert von Instituto Português da
Cartografia e Cadastro) oder das „British National Grid“ (Transversale Mercator-
projektion auf der Basis des Airy-Ellipsoiden definiert vom British Ordnance Sur-
vey).
Man kann davon ausgehen, dass ein Geoinformationssystem (d.h. die Software)
über Angaben zu fast sämtlichen Koordinatensystemen verfügt. Zumeist können
geodätische Koordinaten einer Landesvermessung in einer Vorlage zugrunde gelegt
werden (vgl. z.B. National GRID bei Ordinance Survey oder Swiss Topo). Sehr
häufig vereinfacht sich das Verfahren, falls weltweit verfügbare UTM-Koordinaten
benutzt werden. Allerdings ist zu beachten, dass UTM-Koordinaten durchaus auf
unterschiedlichen Ellipsoiden beruhen können.
Nur in den sehr wenigen Fällen, in denen die Vorlage geographische Koordina-
ten liefert, deren Spezifikation in der Software nicht abgedeckt ist, muss eigenstän-
dig definiert werden. Hierzu sind Kenntnisse der Kartennetze hilfreich (d.h. Angabe
eines vorhandenen geodätischen Datums oder z.B. Benennen eines neuen Ellipsoi-
den mit zugehörigen Kenndaten). Diese Aufgabe stellt sich zumeist nur für groß-
räumige Vorlagen, deren Grundlage ein Kartennetzentwurf, d.h. kein kartesisches
Koordinatensystem, ist. Die Georeferenzierung erfolgt nach dem üblichen Vorge-
hen, allerdings werden den Passern geographische Koordinaten zugeordnet. Dabei
ist darauf zu achten, wie die geographischen Koordinaten eingeben werden. Bedeu-
tet die Angabe 3,50 eine geographische Koordinate von 3° 50‘ oder von 3° 30‘, d.h.
die Hälfte eines Grads?
4.6.3 Mehrere Bezugssysteme und Datumstransformation
Anhand der Abbildung 4.26 kann auch der Einsatz einer Datumstransformation auf-
gezeigt werden. Einerseits sind zwei Gitter eingezeichnet, die UTM-Koordinaten-
systeme darstellen, die auf dem WGS84- bzw. ETRS89-Ellipsoiden basieren. Das
rote Gitter kennzeichnet UTM-Koordinaten in Zone 32, das blaue Gitter UTM-
Koordinaten in Zone 33. Daneben sind schwach schwarze Passerkreuze zu erken-
nen, die mit entsprechenden schwarzen Koordinatenangaben am Kartenrand kor-
respondieren. Dies ist das Gitter, das das Gauß-Krüger-Koordinatensystem kenn-
zeichnet, das auf dem Bessel-Ellipsoiden beruht. Um die Gauß-Krüger-Koordinaten
(5.410.000, 5.810.000) in eine UTM-Koordinaten zu transformieren, ist ein Da-
tumswechsel notwendig. Hingegen entfällt eine Datumstransformation bei der Um-
rechnung einer UTM-Koordinate aus Zone 32 zur Zone 33, da jeweils das gleiche
Bezugsellipsoid zugrunde gelegt ist.
Literatur
AdV, Arbeitsgemeinschaft der Vermessungsverwaltungen der Bundesrepublik Deutschland (2017):

Richtlinie für den einheitlichen integrierten geodätischen Raumbezug des amtlichen Vermes-
sungswesens in der Bundesrepublik Deutschland. http://www.adv-online.de/icc/ext-
deu/nav/dab/binarywriterservlet?imgUid=59770a88-3739-b261-4b34-98951fa2e0c9&uBasVari-
ant=11111111-1111-1111-1111-111111111111 (11.11.2019)
AdV-Online (2019a): Deutsches Haupthöhennetz 1992 (DHHN92). http://www.adv-on-
line.de/icc/extdeu/broker.jsp?uMen=a49707b7-f12f-9d01-3bbe-251ec0023010 (11.11.2019)
AdV-Online (2019b): Integrierter geodätischer Raumbezug. http://www.adv-online.de/icc/ext-
deu/nav/dab/dab4dc09-a662-261b-5f8d-14201fa2e0c9&sel_uCon=90d0dc09-a662-261b-5f8d-
14201fa2e0c9&uTem=73d607d6-b048-65f1-80fa-29f08a07b51a.htm (11.11.2019)
Aumann, G. u. K. Spitzmüller (1993): Computerorientierte Geometrie. Mannheim: BI-Wiss.-Verl.
= Reihe Informatik 89.
Backhaus, K., Erichson, B., Plinke, W. u. R. Weiber (2016): Multivariate Analysemethoden: Eine
anwendungsorientierte Einführung. Springer: Berlin 14. Aufl.
Bartelme, N. (2005): Geoinformatik: Modelle, Strukturen, Funktionen. Berlin: Springer. 4. Aufl.
Becker, M. u. K. Hehl (2012): Geodäsie. Darmstadt: Wiss. Buchgesellsch.
BEV-Bundesamt für Eich- und Vermessungswesen (2019): Transformation von Gauß-Krüger(GK)-
Koordinaten des Systems MGI in Universal Transversal Mercator(UTM)-Koordinaten des Sys-
tems ETRS89. http://www.bev.gv.at/pls/portal/docs/PAGE/ BEV_PORTAL_CONTENT_
ALLGEMEIN/0200_PRODUKTE/PDF/TRANSFORMATION_GK_MGI_UTM_ETRS89.PD
F (11.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019a): https://sg.geodatenzent-
rum.de/web_public/gdz/dokumentation/deu/dtk1000.pdf (11.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019b): Coordinate Reference Systems in Eu-
rope. http://www.crs-geo.eu/crs-national.htm (11.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019c): Koordinatentransformation 4.6.
Literatur 183
http://sgs.geodatenzentrum.de/coordtrans/ (11.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019d): Quasigeoid GCG2016. Die Höhenrefe-
renzfläche der Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder (AdV).
https://www.bkg.bund.de/DE/Produkte-und-Services/Shop-und-Downloads/Digitale-
Geodaten/Quasigeoid/quasigeoid.html (11.11.2019)
Bock, H.H. (1974): Automatische Klassifikation. Göttingen: Vandenhoeck u. Rupprecht.
Bortz, J. u. C. Schuster (2010): Statistik für Human- und Sozialwissenschaftler. Lehrbuch mit On-
line-Materialien. Berlin: Springer. 7. Aufl.
Bugayevskiy, L.M. u. J.P. Snyder (1995): Map Projections. A Reference Manual. London: Taylor
u. Francis.
Dana, P.H. (2019a): Geodetic Datum Overview.
https://foote.geography.uconn.edu/gcraft/notes/datum/datum_f.html (11.11.2019)
Dana, P.H. (2019b): Reference Ellipsoids and Geodetic Datum Transformation Parameters (Local
to WGS-84). https://foote.geography.uconn.edu/gcraft/notes/datum/edlist.html (11.1.2019)
Dana, P.H. (2019c): GPS. https://foote.geography.uconn.edu/gcraft/notes/gps/gps.html (11.11.2019)
Dana, P.H. (2019d): Map Projection Overview.
https://foote.geography.uconn.edu/gcraft/notes/mapproj/mapproj.html (11.11.2019)
de Lange, N. u. J. Nipper (2018): Quantitatice Methodik in der Geographie. Grundriss Allgemeine
Geographie. Paderborn: Schöningh.
Döller, H., Höggerl, N. u. E. Imrek (1996): GPS-Grundnetz von Österreich. In: Dollinger, F. u. J.
Strobl (1996): Angewandte Geographische Informationsverarbeitung VIII = Salzburger Geogra-
phische Materialien 24. Salzburg: Selbstverlag Inst. Geographie.
Freund, R.W. u. R.H.W. Hoppe (2007): Stoer/Bulirsch: Numerische Mathematik 1. Berlin: Sprin-
ger. 10. Aufl.
GEObasis.nrw (2019): ETRS89/UTM. Das amtliche Lagebezugssystem in Nordrhein-Westfalen.
https://www.bezreg-koeln.nrw.de/brk_internet/publikationen/abteilung07/pub_geoba-
sis_etrs89.pdf (11.11.2019)
GEObasis.nrw (2016): Normalhöhen und Höhenbezugsflächen in Nordrhein-Westfalen. Bonn:
Bez.Reg. Köln. https://www.bezreg-koeln.nrw.de/brk_internet/publikationen/abtei-
lung07/pub_geobasis_normalhoehen.pdf (11.11.2019)
Gerlach, C. u.a. (2017): Höhensysteme der nächsten Generation. In: Rummel, R. (2017, Hrsg.).
Erdmessung und Satellitengeodäsie. Handbuch der Geodäsie. S. 349-400. Berlin/Heidelberg:
Springer Spektrum
Grafarend, E.W. u. F.W. Krumm (2006): Map projections: cartographic information systems. Hei-
delberg: Springer.
Hake, G. u. V. Heissler (1970): Kartographie I. Kartenaufnahme, Netzentwürfe, Gestaltungsmerk-
male, Topographische Karte. Berlin: Walter de Gruyter, Sammlung Göschen Bd. 30/30a/30b.
Hake, G. u.a. (2002): Kartographie. Visualisierung raum-zeitlicher Informationen. Berlin: de Gruy-
ter, 8. Aufl.
Helmert, F.R. (1880): Die mathematischen und physikalischen Theorien der höheren Geodäsie. Ein-
leitung und 1 Teil. Leipzig: Teubner, S. 46–48. https://archive.org/stream/diemathema-
tisch01helmgoog#page/n67/mode/2up (11.11.2019)
Hofmann-Wellenhof, B., Lichtenegger, H., Wasle, E. (2008): GNSS – Global Navigation Satellite
Systems. GPS, GLONASS, Galileo and more. Springer: Wien.
IOGP, International Association of Oil & Gas Producers (2019): EPSG home.
http://www.epsg.org/EPSGhome.aspx (11.11.2019)
Kahmen, H. (1997): Vermessungskunde. Berlin: de Gruyter. 19. Aufl.
Kahmen, H. (2006): Angewandte Geodäsie. Vermessungskunde. Berlin: de Gruyter. 20. Aufl.
Krüger, L. (1912): Konforme Abbildung des Erdellipsoids in der Ebene. Veröffentl. Königl. Preuss.
Geodät. Inst. NF 52. Leipzig. Teubner
Kuntz, E. (1990): Kartenentwurfslehre. Grundlagen und Anwendungen. Heidelberg: Wichmann. 2.
Aufl.
Landesamt f. innere Verwaltung Mecklenburg-Vorpommern, Amt für Geoinformation, Vermes-

sungs- und Katasterwesen (2008 Hrsg): Geobasisdaten Landesvermessung. Lage-, Höhen- und
Schwerebezugssysteme. Schwerin. http://www.laiv-mv.de/land-mv/LAiV_prod/LAiV/Af-
GVK/_faltblaetter/FB_L_S_H.pdf (16.11.2012)
Landesvermessungsamt Nordrhein-Westfalen (1999): Transformation von Koordinaten und Höhen
in der Landesvermessung. Teil I: Theoretische Grundlagen. Bonn-Bad Godesberg: Selbstverlag.
Ministerium für Inneres und Europa Mecklenburg-Vorpommern (2019): Landesbezugssystemer-
lass. http://www.landesrecht-mv.de/jportal/portal/page/bsmvprod.psml?doc.id=VVMV-
VVMV000008736&st=vv&doctyp=vvmv&showdoccase=1&paramfromHL=true#focuspoint
(11.11.2019)
Niemeier, W. (2008): Ausgleichsrechnung. Statistische Auswertemethoden. Berlin: de Gruyter. 2.
Aufl.
Open Street Map (2019): Slippy map tilenames.
https://wiki.openstreetmap.org/wiki/Slippy_map_tilenames (11.11.2019)
Pavlidis, T. (1982): Algorithms for graphics and image processing. Berlin: Springer. 2. Aufl.
Preparata, F. u. M. Shamos (1985): Computational Geometry. New York: Springer.
Resnik, B. u. R. Bill (2018): Vermessungskunde für den Planungs-, Bau- und Umweltbereich. Ber-
lin: Wichmann. 4. Aufl.
Rummel, R. (2017, Hrsg.). Erdmessung und Satellitengeodäsie. Handbuch der Geodäsie (Hrsg.
Freeden u. R. Rummel). Berlin/Heidelberg: Springer Spektrum.
Sachsen.de (2019): Geobasisinformation und Vermessung. Grundlagen und Begriffe. Koordinaten-
referenzsystem. https://www.landesvermessung.sachsen.de/grundlagen-und-begriffe-5585.html
(11.11.2019)
Sadowski, H. u. B. Sorge (2005): Der Normalhöhenpunkt von 1912 – Datumspunkt des DHHN
2012? In: Vermessung Brandenburg 2/2005, S. 31–39.
Seeber, G. (2003): Satellite Geodesy. Berlin: de Gruyter 2. Aufl.
Seitz, M. u.a. (2017): Geometrische Referenzsysteme. In: Rummel, R. (2017, Hrsg.). Erdmessung
und Satellitengeodäsie. Handbuch der Geodäsie. S. 324-348. Berlin/Heidelberg: Springer Spekt-
rum
Snyder, J.P. (1987): Map Projections - A Working Manual. Washington, D.C.: United States Gov.
Printing Office. = US Geological Survey Professional Paper 1395.
Swisstopo, Bundesamt für Landestopografie (2016): Formeln und Konstanten für die Berechnung
der Schweizerischen schiefachsigen Zylinderprojektion und der Transformation zwischen Koor-
dinatensystemen. https://www.swisstopo.admin.ch/content/swisstopo-internet/de/online/ calcula-
tion-services/_jcr_content/contentPar/tabs/items/dokumente_und_publik/ tabPar/downloadlist/
downloadItems/8_1467103085694.download/refsys_d.pdf (11.11.2019)
Swisstopo, Bundesamt für Landestopografie (2019): Schweizerische Kartenprojektionen.
https://www.swisstopo.admin.ch/de/wissen-fakten/geodaesie-vermessung/bezugsysteme/karten-
projektionen.htmt (11.11.2019)
Umweltbundesamt (2019): Ausbreitungsmodelle für anlagenbezogene Immissionsprognosen.
https://www.umweltbundesamt.de/themen/luft/regelungen-strategien/ausbreitungsmodelle-fuer-
anlagenbezogene/uebersicht-kontakt#textpart-1(11.11.2019)
Torge, W. (2017): Geschichte der Erdmessung. In: Rummel, R. (2017, Hrsg.). Erdmessung und Sa-
tellitengeodäsie. Handbuch der Geodäsie. S. 1–71. Berlin/Heidelberg: Springer Spektrum
5 Digitale räumliche Daten: Datengewinnung,
Geobasisdaten und VGI
5.1 Grundbegriffe
5.1.1 Primäre und sekundäre Erfassungsmethoden, Primär- und Se-

kundärdaten
Kennzeichnend für Geoobjekte sind geometrische, topologische, thematische und

zeitliche Informationen. Diese Daten bilden zusammen die Geodaten eines Geoob-
jekts. Zu unterscheiden sind einerseits Primärdaten, die auf Erhebungen oder Mes-
sungen beruhen und durch Nutzer noch nicht (wesentlich) aufbereitet wurden, und
andererseits Sekundärdaten, die aus den Primärdaten abgeleitete und aufbereitete
Daten darstellen. Daneben bestehen Metadaten, die beschreibende Informationen
u.a. zur Mess- oder Erhebungsmethode, zum Erfassungsanlass oder zur Datenqua-
lität enthalten können (vgl. Kap. 6.5). Die Erfassung von Geometriedaten ist zu sys-
tematisieren in:
Primäre Erfassungsmethoden
Felderkundung
Befragung wie auch Telefoninterview, Zählung, Beschreibung, Kartierung,
Beobachtung, Messung im Gelände, Erheben von z.B. Bodenproben
Kontinuierliche Messwerterfassung
Erfassung von Daten wie z.B. Luftdruck oder Niederschlag in Netzen von
Messstationen
Terrestrisch-topographische Vermessung
traditionelle geodätische Vermessung mit Maßband und Winkelprisma,
opto-elektronische Messverfahren mit Theodolit und Tachymeter, Terrestri-
sches Laserscanning (TLS), Global Positioning System (GPS)
Topographische Vermessung mittels Fernerkundung
Aerophotogrammetrie, Aero- oder Airborne-Laserscanning (ALS, flugzeug-
gestützt oder mittels Unmanned Aerial Vehicles (UAV)), Radarverfahren,
Satellitenbildverfahren
Sekundäre Erfassungsmethoden
Erfassung und Ableiten von Daten aus vorhandenen Quellen
geometrische Konstruktionsverfahren
Digitalisieren mit einem Digitalisiertablett
Scannen

https://doi.org/10.1007/978-3-662-60709-1_5
186 Digitale räumliche Daten: Datengewinnung, Geobasisdaten und VGI
Den terrestrischen Erfassungsmethoden wird hier das Erfassen von dreidimensi-

onalen Lagekoordinaten mit Hilfe satellitengestützter Positionierungssysteme zu-
geordnet (vgl. Kap. 5.3), da sich diese Technik in der Praxis des Vermessungswe-
sens durchgesetzt hat. Ferner wird das Grundprinzip von Laserscanning-Verfahren
zur großräumigen Erfassung von 3D-Daten erläutert, aus denen z.B. Gebäudeinfor-
mationen abgeleitet werden können (vgl. Kap. 5.4). Außer diesen beiden Ansätzen
werden Vermessungsverfahren der Geodäsie und der Photogrammetrie hier nicht
behandelt (vgl. hierzu Resnik u. Bill 2018, Kahmen 2006 u. Kohlstock 2011).
Neben den angeführten primären Erfassungsmethoden vor allem von Geometrie-
daten, die originäre bzw. primäre Daten aus individuellen Erhebungen oder Mess-
kampagnen liefern, können von den amtlichen Vermessungsverwaltungen und Ka-
tasterbehörden geometrische Informationen bezogen werden. Diese Daten haben
den Stellenwert von Primärdaten, für sie ist inzwischen die Bezeichnung Geobasis-
daten üblich (vgl. Kap. 5.5).
Im Hinblick auf thematische Informationen oder Sachdaten liefern primäre Erfas-
sungsmethoden zumeist analoge Daten, d.h. thematische Informationen oder Sachda-
ten. Lediglich einige Sensoren wie die in den Geowissenschaften wichtige Gruppe,
die Klimaparameter misst, können direkt primäre, digitale Sachdaten erfassen. Hin-
gegen erzeugen inzwischen terrestrische Vermessungsmethoden fast ausschließlich
digitale geometrische Primärdaten, d.h. zwei- bzw. dreidimensionale Lagekoordina-
ten in einem räumlichen Bezugssystem im Vektorformat. Demgegenüber stellen Ver-
fahren der Fernerkundung ausschließlich digitale Rasterdaten zunächst ohne Bezugs-
system bereit, was eine Georeferenzierung auf ein Koordinatensystem erfordert.
Die sekundären Erfassungsmethoden erstellen im häufigen Fall thematischer In-
formationen neue analoge aus vorhandenen analogen Daten (z.B. Beschreibung,
Textauswertung), die manuell über die Tastatur oder über einen Scanner mit eventuell
nachgestalteter Zeichenerkennung in eine digitale Form gebracht werden. Daneben
bestehen auch digitale sekundäre Erfassungsmethoden von Sachdaten, für die aber die
Bezeichnung digitale Datenaufbereitung gebräuchlicher ist. So leiten z.B. statistische
Verfahren auf einem Computersystem aus vorhandenen digitalen Daten neue digi-
tale Daten ab. Diese Datenaufbereitung liefert eine Fülle von thematischen Infor-
mationen, zu der im einfachsten Fall geobezogener Daten Dichtewerte wie die Be-
völkerungsdichte, aber auch z.B. Vegetationsindizes aus Fernerkundungsdaten ge-
hören.
Gegenüber diesen thematischen Informationen oder Sachdaten können auch geo-
metrische Daten mit digitalen, sekundären Erfassungstechniken gewonnen, d.h. ab-
geleitet werden. Geometrische Konstruktionsverfahren berechnen aus vorhandenen
digitalen jetzt neue Lagekoordinaten. Hierzu gehört das Verschieben einer Linie in
einem Geoinformationssystem oder die Konstruktion eines Gebäudes in einem
CAD-System. In der Geoinformatik gehört zur Gruppe der sekundären Erfassungs-
methoden vor allem die Digitalisierung von vorliegenden Geometriedaten aus Primär-
oder Sekundärdaten, d.h. von bereits erhobenen analogen Daten und vor allem aus
analogen Karten. Diese Digitalisierung kann im einfachsten Fall manuell durch Ein-
gabe von Koordinaten über die Tastatur, halbautomatisch oder vollautomatisch mit
Hilfe von Analog-Digital-Wandlern durchgeführt werden. Zur halbautomatischen
Analog-Digital-Wandlung gehört die Erfassung von geometrischen Informationen
Grundbegriffe 187
aus Zeichnungen oder Karten mit Hilfe eines Digitalisiertabletts oder direkt am
Bildschirm (vgl. Kap. 5.2.1). Sie liefert zweidimensionale Gerätekoordinaten im
Vektorformat. Demgegenüber erzeugen Scanner z.B. aus analogen Strichzeichnungen
ausschließlich digitale Rasterdaten ohne Bezugssystem. In beiden Fällen wird eine
Georeferenzierung auf ein Koordinatensystem notwendig.
5.1.2 Diskretisierung
Von großer Bedeutung ist die mit der Analog-Digital-Wandlung verbundene Dis-
kretisierung, d.h. eine zeitliche und räumliche Diskretisierung. So werden zeitlich
kontinuierlich anfallende (Mess-)Daten wie Lufttemperatur, Niederschlag, Pegel-
stände oder Verkehrsströme nur in bestimmten Zeitintervallen erhoben oder auf
Zeiträume bezogen und als Einzelwerte gespeichert. Insbesondere ist die räumliche
Diskretisierung von Geoobjekten eine wesentliche Voraussetzung zur Erfassung
und Modellierung in Geoinformationssystemen:
- Punkthafte Geoobjekte sind bereits diskrete Daten.
- Linienhafte Geoobjekte wie z.B. ein Bach oder ein Weg werden in einzelne Teils-
trecken zerlegt, wobei nur deren Anfangs- und Endpunkt digital erhoben und der
Verlauf dazwischen als geradlinig angenommen werden. Dieses Prinzip ent-
spricht der Festlegung von Flurstücksgrenzen, bei der an jeder Ecke oder bei jeder
Richtungsänderung der Grenze ein Grenzstein gesetzt ist. Zuweilen werden An-
fangs- und Endpunkte erfasst und das Zwischenstück durch Angabe einer Funk-
tion modelliert und diskretisiert (z.B. als Bogenstück durch Festlegen eines Ra-
dius).
- Flächen werden durch Grenzlinien erfasst, die nach dem gerade beschriebenen
Prinzip modelliert werden.
- Bei Rasterdaten wird eine Linie (bzw. Fläche) durch einzelne bzw. benachbarte
Pixel diskretisiert.
Abb. 5.1: Modellierung von Oberflächen durch Diskretisierungen (Höxberg bei Beckum)
Besonderen Aufwand zur (digitalen) Erfassung und Diskretisierung erfordern kon-

tinuierliche Oberflächen oder dreidimensionale Körper. Hierzu können mehrere
Ansätze benannt werden, für deren Umsetzung in Geoinformationssystemen spezi-

fische Methoden bereitgestellt werden (vgl. Kap. 9.7 und vor allem 9.7.5):
- Zerlegen in regelmäßig verteilte Rasterpunkte oder Rasterzellen und Visualisie-
rung der Höheninformation durch unterschiedliche Säulenhöhen,
- Berechnung und Visualisieren von Isolinien (vgl. Abb. 5.1 links),
- Berechnung einer Dreiecksvermaschung und Visualisierung als dreidimensionale
Oberfläche (vgl. Abb. 5.1 rechts).
5.2 Digitale sekundäre Erfassung von Geometriedaten
Abbildung 5.2 systematisiert die Methoden, Geometriedaten durch digitale sekun-

däre Techniken zu erfassen:
Abb. 5.2: Sekundäre Erfassungsmethoden von Geodaten im Vektorformat
5.2.1 Digitale Erfassung von Geometriedaten im Vektorformat
Die Erfassung von Punkten, die als Vektoren in einem Koordinatensystem zu ver-
stehen sind, mit Hilfe eines Digitalisiertabletts und einer Fadenkreuzlupe ist inzwi-
schen zwar veraltet (vgl. Abb. 2.7). Diese Technik eignet sich aber, um das Grund-
prinzip der Datenerfassung zu verdeutlichen. Mit der Lupe werden ausgewählte
Punkte einer Graphik, die auf dem Tablett aufliegt, nachgezeichnet. Nach Betätigen
einer Eingabetaste auf der Lupe werden zwei Leiterbahnen im Tablett aktiviert, die
der x- bzw. x-Koordinate entsprechen. Ausgewählt wird jeweils die Leiterbahn, die
der Lage des ausgewählten Punktes am nächsten liegt. Die Auflösung und die Er-
fassungsgenauigkeit werden durch die Abstände der Leiterbahnen bestimmt. Die
Digitale sekundäre Erfassung von Geometriedaten 189
Bauart des Tabletts ermöglicht dabei die genaue Lagebestimmung der Lupe auf dem
Tablett.
Beim Arbeiten mit einem Digitalisiertablett werden sämtliche Geometrien durch
einzelne Punkte erfasst, d.h. diskretisiert. Eine Linie wird durch eine Folge von Ko-
ordinaten angenähert. Dabei wird zunächst davon ausgegangen, dass zwischen den
Koordinaten eine geradlinige Verbindung besteht. Eine gekrümmte Linie wird
dadurch in eine Folge von geradlinigen Stücken zerlegt, wobei nur jeweils deren
End- bzw. Anfangspunkte erfasst werden (vgl. Abb. 5.3).
Abb. 5.3: Koordinatenerfassung mit einem Digitalisiertablett
Die digitale Erfassung von Geometriedaten mit einem Digitalisiertablett hat den
Vorteil, dass auch großformatige analoge Karten und Zeichnungen verarbeitet wer-
den können (Einsatz von DIN-A-0-Tableaus). Dies war gerade in den 1990er Jahren
von großer Bedeutung, als umfangreiche analoge Kartenbestände zum Aufbau di-
gitaler Informationssysteme zu digitalisieren waren. Diese Phase der (Erst-)Erfas-
sung von Geometrien vor allem in der räumlichen Planung und Landesvermessung
(Erfassung von Altbeständen) ist abgeschlossen. Die Kartengrundlagen liegen als
georeferenzierte Rasterkarten vor (vgl. auch die Kartenwerke der Landesvermes-
sungen), so dass die Erfassung von digitalen Vektordaten direkt aus analogen Vor-
lagen mit einem Digitalisiertablett verschwunden ist. Demgegenüber ist die digitale
Datenaufnahme durch On-Screen-Digitalisierung zum Standard geworden. Hierun-
ter versteht man die digitale Datenaufnahme von Geometrien direkt am Bildschirm
(also „On Screen“, häufig missverständlich auch „Bildschirmdigitalisierung“ ge-
nannt). Bei dieser Technik dienen im Bildschirmhintergrund liegende Graphiken
(z.B. Grundrisspläne, Bilder) als Vorlage, aus der Geometrien am Bildschirm mit
der Computermaus nachgezeichnet werden. Zum einen können Rasterkarten be-
nutzt werden, d.h. z.B. digitale Luftbilder oder gescannte Karten und Zeichnungen,
um neue Geometrien zu erzeugen. Zum anderen können digitale Datenbestände
fortgeführt werden, vor allem Aktualisierung von Gebäudegrundrissen oder Ein-
zeichnen von Punktobjekten wie Einzelbäumen.
Abbildung 5.4 zeigt die On-Screen-Datenerfassung für das Grünflächenkataster
der Stadt Osnabrück. Dadurch wird ein klassischer Untersuchungsansatz darge-
stellt, der die digitalen Geobasisdaten (hier: Informationen der Automatisierten Lie-
genschaftskarte vgl. Kap. 5.5.2) mit den in Form analoger Luftbilder und Karten
vorliegenden Fachdaten in ein digitales Grünflächeninformationssystem zusam-

menführte (vgl. de Lange u. Wessels 2000 u. Nicolaus 2000). Auf der Basis mehre-
rer digitaler Informationsschichten wurden am Bildschirm Grünflächen und zuge-
hörige Flächeninhalte wie z.B. bestimmte Strauchpflanzungen oder Rasenflächen
identifiziert (vgl. in Abb. 5.4 die nur schwach wiedergegebenen Linien im Luftbild,
rechts daneben das Ergebnis der Datenerfassung ohne Luftbild). Hauptquelle für die
eigentliche Inventarisierung waren Echtfarben-Luftbilder im mittleren Maßstab
1 : 3.000. Die analogen Senkrechtluftbilder wurden gescannt und mussten, da sie
einen durch die Aufnahmeoptik bedingten Fehler aufwiesen, danach entzerrt und
auf das Gauß-Krüger-Koordinatensystem georeferenziert wurden (vgl. Kap. 4.2.5
u. 10.6.1.2, Erzeugen digitaler Orthophotos). Diese Aufbereitungen waren notwen-
dige Voraussetzung, um die Informationen am Bildschirm mit den anderen digitalen
Informationsquellen zu kombinieren.
Abb. 5.4: Erfassung von Geometrien am Bildschirm
Ein Geoinformationssystem verfügt über verschiedene Funktionen, um den Linien-

verlauf zwischen zwei digitalisierten Koordinaten, d.h. zwischen zwei sog. Stütz-
stellen einer Linie, zu modellieren, wobei das Grundproblem bei einer Datenerfas-
sung mit einem Digitalisiertablett oder On-Screen gleichermaßen besteht. Da der
Abbildung 5.3 ein sehr grobes Raster und breite Abstände der Leiterbahnen zu-
grunde gelegt sind, ergibt sich eine grobe und eckige Datenerfassung. Ein Glät-
tungseffekt ist über die Vorgabe eines sog. Grainwertes (d.h. Körnung) möglich.
Wenn die Stützstellen weiter auseinanderliegen als der eingestellte Grainwert, wer-
den algorithmisch weitere Stützstellen hinzugefügt. Ist der Abstand kleiner, werden
Stützstellen gelöscht und somit der Verlauf einer Linie vereinfacht (vgl. Abb. 5.5).
Allerdings bestimmt die Fragestellung, ob eine derartige Generalisierung zulässig
ist. Sie verbietet sich z.B. bei der Erfassung von rechtsverbindlichen Flurstücks-
grenzen für ein Liegenschaftskataster.
Abb. 5.5: Glättungseffekte bei unterschiedlichen Grainwerten
Zu beachten ist, dass bei der On-Screen-Digitalisierung stets die orthogonalen Bild-
schirmkoordinaten und nicht ein vielleicht bestehender Netzentwurf der Karten-
grundlage zugrunde gelegt werden. Falls in der Vorlage kein orthogonales Karten-
netz vorliegt, müssen die orthogonalen Gerätekoordinaten in den zugehörigen Kar-
tenentwurf projiziert werden. Generell muss direkt im Anschluss an eine Georefe-
renzierung dem digitalen Rasterbild (in Bildschirmkoordinaten) ein Koordinaten-
system in sog. Real-World-Koordinaten (z.B. UTM-Koordinaten) zugewiesen wer-
den (vgl. Kap. 4.6.2). Ein Geoinformationssystem bietet hierfür viele Werkzeuge.
Das Digitalisiersystem unterstützt ferner auf vielfältige Weise die Erfassung von
Geometriedaten und hilft, Fehler zu beseitigen oder sie gar nicht erst entstehen zu
lassen. Sehr häufige Probleme sind lückenhafte Erfassungen von linienhaften Da-
tenstrukturen, die dann auftreten, wenn z.B. der Endpunkt einer Linie nicht genau
mit dem Anfangspunkt einer anderen Linie übereinstimmt. Bei der Erfassung sollte
ein sog. Koordinatenfang gesetzt werden, so dass diejenige Koordinate nur angenä-
hert zu wählen ist, an die z.B. eine Linie angeschlossen werden soll. Der Anfang
der neuen Linie springt oder „schnappt“ auf eine vorhandene Koordinate.
Von Vorteil ist eine strenge Knoten-Kanten-Knoten-Erfassung, bei der Linien-
stücke bzw. Kanten digitalisiert werden, die immer an einem Knoten beginnen und
genau bis zum nächsten Knoten gehen. Hierbei wird niemals über eine Kreuzung
mit anderen Linien bzw. Kanten hinaus digitalisiert. Eine Linie endet immer an ei-
nem Knoten, wobei ein Knoten als Treffpunkt mindestens dreier Linien definiert
ist. Diese Digitalisiervariante ist sehr stringent, aber auch aufwendig. Demgegen-
über stellt die sog. Spaghettidigitalisierung keine spezifischen Anforderungen. Die
Linien werden beliebig erfasst, sie müssen nicht an Kreuzungen mit anderen Linien
enden und können sich überlagern. Hierdurch ergeben sich Vereinfachungen. Eine
derartige unsystematische Analog-Digital-Wandlung sollte aber immer vermieden
werden. Ein Geoinformationssystem stellt zwar Funktionen bereit, um eine Spa-
ghettidigitalisierung in eine Knoten-Kanten-Knoten-Digitalisierung zu überführen.
Jedoch können bei der Spaghettidigitalisierung eher Inkonsistenzen und Fehler wie
vor allem fehlende Punkte oder Linien auftreten. Dann entsteht ein vergrößerter
Aufwand, um diese Probleme zu beseitigen.
Die Knoten-Kanten-Knoten-Erfassung führt zu einer strengen geometrisch-topo-
logischen Modellierung von Geoobjekten im Vektormodell, die einigen Geoinfor-
mationssystemen zugrunde liegt (vgl. Kap. 9.3.2). Eine Fläche wird dadurch mo-
delliert, dass sie stückweise aus den sie konstituierenden Kanten zusammengesetzt
wird. Die in Abbildung 5.3 vorliegende Fläche F1 wird entsprechend durch die be-
grenzenden Linien L2, L3 und L4 definiert. Diese topologischen Informationen
werden zusätzlich zu den geometrischen Informationen im Datenmodell gespei-
chert. Die Modellierung einer Nachbarfläche erfolgt dadurch, dass lediglich die zu-
gehörige topologische Information gespeichert wird (F2 durch L3, L5, L6). Eine
Grenzlinie (hier L3) wird somit nur einmal erfasst (vgl. Kap. 9.3.2).
Gegenüber dieser strengen Modellierung von Flächen bestehen vereinfachte Da-
tenmodelle. Das genormte Simple-Feature-Geometry-Object-Model zur Beschrei-
bung zweidimensionaler Vektorgeometrien definiert eine Fläche als geschlossenes
Polygon (vgl. Kap. 6.3.2 u. Tab. 6.2). Ebenso wird im proprietären Shape-Daten-
format der Firma ESRI eine Fläche durch eine zusammenhängende Begrenzung ge-
bildet (vgl. Kap. 9.3.3). Zu beachten ist, dass dabei Grenzlinien benachbarter Flä-
chen doppelt erfasst werden müssen, was zu Inkonsistenzen und Fehlern führen
kann (vgl. Kap. 9.3.2 u. Abb. 9.4).
5.2.2 Digitale Erfassung von Geometriedaten im Rasterformat
Zu den automatischen Analog-Digital-Wandlern gehören Scanner, die Vorlagen

wie z.B. Bilder, aber auch Grundrisszeichnungen und Karten in digitale Daten trans-
formieren und dabei die Vorlage in ein feines Raster von Pixeln zerlegen (Abb. 2.6).
Die Daten liegen nach einer Erfassung mit einem Scanner in einem kartesischen
Koordinatensystem mit Pixelkoordinaten vor. Somit wird eine Georeferenzierung
auf ein Bezugssystem z.B. der Landesvermessung notwendig (vgl. Kap. 4.2.5 und
Kap. 10.6.1.2). Häufig muss auch ein Nachbearbeiten erfolgen wie z.B. das Entfer-
nen der Blattrandinformationen bei analogen Kartenvorlagen und das Angleichen
der Randbereiche.
Herauszustellen ist, dass die Pixel Träger von geometrischen und topologischen
Informationen sowie von Sachinformationen sind, die als Grau- oder Farbwerte er-
fasst werden! Hier stehen zunächst nur die Geometriedaten im Vordergrund. Die
digitale Bildverarbeitung verfügt über Methoden zur Auswertung der Sachinforma-
tionen, mit denen eine Mustererkennung oder eine Klassifikation der Pixel z.B. nach
ähnlichem Grauwert möglich ist (vgl. Kap. 10.7).
5.2.3 Konvertierung zwischen Raster- und Vektordaten
In Umweltinformationssystemen liegen Daten sowohl im Vektor- als auch im Ras-

terformat vor. So kann ein Emissionskataster die verschiedenen Emittenten zu-
nächst im originären Raumbezug nachweisen (z.B. Kraftwerke oder Industrieanla-
gen als Punktobjekte, den Verkehr auf Straßenabschnitten als Linienobjekte oder
die Emittentengruppe Hausbrand auf Baublockbasis als Flächenobjekte). Ebenso
erfolgen sämtliche Berechnungen der Emissionen z.B. aufgrund von Emissionsfak-
toren aus Wärmeäquivalenten auf dieser originären Raumbezugsebene. Sollen hin-
gegen sämtliche Emissionen eines einzelnen Luftschadstoffes für alle Emittenten-
gruppen dargestellt werden, muss eine einheitliche Raumbezugsbasis gewählt wer-
den, wozu sich dann ein Quadratraster anbietet. Hierbei ergibt sich die Notwendig-
keit, die Vektordaten in Rasterdaten zu konvertieren (sog. Rasterisierung).
Die umgekehrte Richtung, die Umwandlung von Rasterdaten in Vektordaten

(sog. Vektorisierung), wird dann notwendig, wenn nach einer Datenerfassung in
Rasterform (z.B. Analog-Digital-Wandlung mit einem Scanner) eine Weiterverar-
beitung als Vektordaten erfolgen soll. Für beide Konvertierungsrichtungen bestehen
zumeist auch in Geoinformationssystemen geeignete Algorithmen und Funktionen.
Während die Vektor-Raster-Konvertierung auf eine Vergröberung der Ausgangsi-
nformationen hinausläuft und relativ unproblematisch ist, kann eine Vektorisierung
zuweilen nicht zu eindeutigen Ergebnissen führen und wird kaum ohne manuelle
Nachbearbeitung auskommen. So kann ein Pixel sowohl ein Punktobjekt als auch
ein kleines Liniensegment oder eine kleine Fläche darstellen. Die Entscheidung
muss letztlich in der manuellen Nachbearbeitung kontextabhängig erfolgen.
Abb. 5.6: Prinzip der Vektor-Raster-Datenkonvertierung
Hinsichtlich der Darstellung von Linien und Flächen durch Raster soll hier lediglich
die wichtige geometrische Konvertierung von Linien behandelt werden (zur
Konvertierung von Sachdaten vgl. Kap. 9.5.2). Hierbei werden die Zeilen- und
Spaltenindizes der Pixel bestimmt, die von einem Liniensegment geschnitten wer-
den. Da Anfangs- (xa,ya) und Endkoordinaten (xe,ye) des Segmentes sowie die Pi-
xelgröße bekannt sind, können die Zeilen- und Spaltenindizes des Anfangs- (ia,ja)
und Endpixels (ie,je) berechnet werden (vgl. Abb. 5.6). Für alle Zeilen i zwischen ia
und ie sind anschließend die Spaltenindizes js und jt zu bestimmen (Aufstellen der
Geradengleichung, Schnitt mit dem Raster), so dass die Pixel zwischen js und jt den
Wert 1 erhalten und „geschwärzt“ erscheinen. Gegenüber dieser vereinfachten Dar-
stellung ist zu beachten, dass die beiden Koordinatensysteme unterschiedlich orien-
tiert sind. Benutzt wird zumeist der sog. Bresenham-Algorithmus, der ein Standard-
verfahren der Computergraphik darstellt, einfach zu implementieren ist, mit der Ad-
dition von ganzen Zahlen als komplexeste Operation und somit ohne Multiplika-
tion, Division und Gleitkommazahlen auskommt (vgl. Foley u.a. 1996 S. 72 ff.).
Gegenüber der Vektor-Raster-Konvertierung spielt in der Geoinformatik die
Raster-Vektor-Konvertierung eine größere Rolle. Das Vorgehen besitzt ein größe-
res Automatisierungspotenzial. So liefert ein Scanner schnell eine Rastervorlage.
Ein geeigneter Algorithmus könnte hieraus Daten im Vektorformat erzeugen. In der
Praxis ist diese theoretisch vorliegende Arbeitsweise mit erheblichen manuellen

Nachbesserungen verbunden.
Abb. 5.7: Prinzip der Randlinienextraktion bei der Raster-Vektor-Konvertierung
Während die Randlinienextraktion bei der Vektorisierung von Flächen Vorteile be-
sitzt (vgl. Abb. 5.7), bietet sich die Methode der Mittellinienextraktion bei Strich-
darstellungen an (vgl. Abb. 5.8). Grundlage hierfür ist die sog. topologische Skelet-
tierung, bei der u.a. Linienanfänge, Linienelemente und Knoten zu bestimmen sind
(zum Verfahrensablauf vgl. Worboys u. Duckham 2004 S. 208 ff.). Nach einer Li-
nienverdünnung (z.B. mit dem gebräuchlichen Zhang-Suen-Algorithmus, vgl. Kap.
3.4.3) wird die Rasterstruktur in eine Menge von Pixelketten transformiert, die je-
weils ein Linienstück repräsentieren (sog. Kettenkodierung, Chain Coding, vgl.
Kap. 9.3.5). Anschließend wird jede Pixelkette in eine Sequenz von Vektoren über-
führt. Allerdings kann das Ergebnis der Vektorisierung noch Mängel aufweisen, die
sich teilweise automatisiert beheben lassen (vgl. Linienglättung), die zumeist aber
eine manuelle Korrektur erfordern (vgl. Abb. 5.8 u. 5.9).
Abb. 5.8: Prinzip der Mittellinienextraktion bei der Raster-Vektor-Konvertierung (nach Hake u.a.
2002 S. 258)
Die Praxis zeigt, dass die automatisierte Raster-Vektor-Konvertierung eine klare,

möglichst einfache und eindeutige Vorlage voraussetzt, d.h. kontrastreiche Strich-
zeichnungen ohne überlagerten Text. Komplexe Linienstrukturen, wie sie bereits in
einem einfachen Bebauungsplan mit Texten vorliegen, werden in der Regel nicht
zufriedenstellend automatisch konvertiert.
Satellitengestützte Standortbestimmung und Erfassung von 3D-Lagekoordinaten 195
Abb. 5.9: Probleme bei der Raster-Vektor-Konvertierung von Linienstrukturen (nach Hake
u.a. 2002 S. 259)
5.3 Satellitengestützte Standortbestimmung und Erfas-

sung von 3D-Lagekoordinaten
5.3.1 GPS und GNSS
Die satellitengestützte Positionsbestimmung ist inzwischen das Standardverfahren

der Koordinaten- und Standorterfassung im Gelände sowie der Navigation (vgl. das
umfassende Standardwerk von Bauer 2018). Während anfänglich nur vom Globalen
Positionierungssystem (Global Positioning System, GPS) gesprochen wurde, haben
sich Begrifflichkeit, Inhalte und Anwendungen hin zu globalen Navigationssatelli-
tensystemen (Global Navigation Satellite System, GNSS) verschoben. Satellitenge-
stützte Standortbestimmung wurde fast immer mit dem US-amerikanischen Satelli-
tensystem NAVSTAR/GPS (bzw. verkürzt) nur GPS gleichgesetzt. Inzwischen ist
diese Gleichstellung aufgrund weiterer Systeme wie GLONASS, BeiDou und Ga-
lileo nicht mehr angebracht. Durch den neuen Begriff GNSS soll deutlich werden,
dass jetzt nicht mehr allein die Standortbestimmung im Mittelpunkt steht, sondern
darauf aufbauend die Inwertsetzung durch Navigationssysteme für Personen, Fahr-
zeuge, Schiffe und Flugzeuge. Gerade diese Anwendungen stellen weitergehende
Anforderungen an die Positionierungssysteme, die über die zu erreichende geomet-
rische Genauigkeit der Lagebestimmung hinausgehen (vgl. Kap. 5.3.4).
Derzeit sind NAVSTAR/GPS, GLONASS, BeiDou und Galileo die einzigen
vollständig global einsatzfähigen Navigationssatellitensysteme. Inzwischen nutzen
viele Empfänger gleichzeitig GPS-, GLONASS-, Galileo- und bereits auch jüngst
BeiDou-Signale. Mittags am 1.10.2019 waren über Osnabrück 12 GPS-, 8
GLONASS-, 3 Galileo- und 6 BeiDou-Satelliten verfügbar, deren Signale sogar
schon von einem Smartphone ausgewertet werden konnten. Mit NAVIC (Naviga-
tion with Indian Constellation) wurde bis 2016 ein regionales, satellitengestütztes
Ortungssystem aufgebaut, das den indischen Subkontinent abdeckt.
Die Einsatzmöglichkeiten der satellitengestützten Navigation und Positionierung

sind enorm vielfältig. Der klassische Anwendungsbereich ist das Vermessungswe-
sen, dem auch Ingenieurvermessungen wie Trassenführung und Bauwerkskontrol-
len zuzurechnen sind. Hierzu zählt auch die genaue Passpunktbestimmung, d.h. die
Bestimmung von Referenzpunkten zur Entzerrung und Geocodierung für Luftbild-
auswertungen während des Fluges. Kommerziell die größte Bedeutung besitzen sa-
tellitengestützte Navigationshilfen in der Routenplanung, Positionierung von
Standorten für Landfahrzeuge, Schiffe und Flugzeuge. Auch die mobile, standort-
bezogene Datenerfassung kann angeführt werden (z.B. Biotopkartierung, Wasser-
probenentnahmen). In der Landwirtschaft sind neue Anwendungen möglich gewor-
den wie die gezielte, d.h. auf einen konkreten kleinräumigen Standort bezogene
Saat- und Düngemittelausbringung, was wiederum die genaue standortbezogene Er-
mittlung z.B. von Bodeneigenschaften und Ernteerträgen voraussetzt (Precision
Farming). Nicht zuletzt lassen sich Anwendungsbeispiele im Tourismus und Frei-
zeitbereich nennen (allg. Orientierung und Kompassersatz oder Routenplanung im
Outdoor- und Trekking-Bereich).
5.3.2 Aufbau von NAVSTAR/GPS: Grundprinzipien vor der Moderni-

sierung
NAVSTAR/GPS (Navigation Satellite Timing and Ranging Global Positioning

System), gebräuchlich zumeist nur unter dem vereinfachten Namen GPS, ist ein
satellitengestütztes Navigationssystem, das vom US-Militär entwickelt, betrieben
und kontrolliert wird, um die sofortige Positionsbestimmung eines beliebigen Ob-
jektes auf der gesamten Erdoberfläche zu ermöglichen. Sein Aufbau begann 1978
mit dem Start des ersten GPS-Satelliten und kann seit 1993 als abgeschlossen gel-
ten, als 24 GPS-Satelliten im Orbit waren und der Navigation zur Verfügung stan-
den, während die US - Air Force erst 1995 erklärte, dass GPS voll (militärisch)
funktionsfähig sei (zur Geschichte vgl. NASA 2012).
Das US-amerikanische Global Positioning System besteht aus mehreren Seg-
menten (vgl. NASA 2017):
Das Raumsegment umfasst mindestens 24 Satelliten, die in einer Höhe von ca.
20.200 km auf sechs Bahnen in einer Umlaufzeit von ca. 12 Stunden die Erde um-
kreisen. Allerdings sind stets mehr Satelliten im Orbit, da neben Reservesatelliten
neue Satelliten gestartet werden, um alte zu ersetzen. Die Bahnen sind mit 55° ge-
gen die Äquatorebene geneigt. Durch diese Konstellation sind für jeden Punkt der
Erde zwischen vier und acht Satelliten hoch genug (mehr als 15°) über dem Hori-
zont sichtbar. Das System wurde inzwischen modernisiert. Zur älteren Generation
gehören die sog. Block-IIA- und Block-IIR-Satelliten, von denen sich im April
2019 noch 1 bzw. 11 operationell im Orbit befanden (vgl. GPS.gov 2019a, vgl. auch
Tab. 5.1).
Das Kontrollsegment besteht aus einem globalen Netzwerk von Bodeneinrich-
tungen mit einer Masterkontrollstation in Colorado, einer alternativen Masterkon-
trollstation in Kalifornien sowie 11 Antennen- und 16 Monitorstationen (vgl.
GPS.gov 2019b). Die Monitorstationen beobachten die Satelliten und berechnen
deren Bahnen. Die Leitstation stellt aus den Daten der Monitorstationen die sog.
Navigationsnachricht mit genauen Flugbahndaten und Daten zu den Satellitenuhren
zusammen, die über die Antennenstationen den Satelliten (zur Aussendung an die
Empfängerstationen der Benutzer) übermittelt werden.
Das Nutzersegment besteht aus den GPS-Empfängern und den Anwendern. Die
GPS-Empfänger bestimmen aus den Signalen, die von den Satelliten ausgesandt
werden, den genauen Standort auf der Erde. Dabei werden mindestens vier Satelli-
ten gleichzeitig zur dreidimensionalen Ortung in Echtzeit benötigt (vgl. Kap. 5.3.3).
Herauszustellen ist, dass das GPS ein passives System ist, das nur Daten empfängt.
Entsprechend dem in der Radiotechnik üblichen Prinzip erfolgt die Übermittlung
der Satelliteninformationen an den GPS-Empfänger über geeignete Trägerwellen.
Für die zivile, freie und kostenlose Nutzung steht die sog. L1-Trägerwelle (1575,42
MHz) zur Verfügung. Für militärische Nutzungen ist daneben die L2-Trägerwelle
(1227,60 MHz) verfügbar. Im Rahmen der GPS-Modernisierung werden weitere
Frequenzbänder zur zivilen Nutzung ergänzt (vgl. Kap. 5.3.6). Auf die Trägerwelle
wird durch Phasenmodulation ein regelmäßiges Signal (Code) aufgesetzt (zu den
Grundprinzipien vgl. Abb. 5.10 u. 5.11, vgl. weiterführend die sehr ausführliche
Darstellung in Bauer 2018 S. 142 ff.). Ziele der Modulation sind:
- Die Signale werden strukturiert, so dass das Problem der Mehrdeutigkeit der Mes-
sung gelöst wird.
- Die Signale tragen die Navigationsnachricht (Bahndaten der Satelliten und Zu-
satzinformationen).
- Die zur Modulation verwendeten Codes (sog. Pseudo-Random-Noise-Codes,
PRN-Codes) werden geheim gehalten, so dass nur erwünschte Anwender Nutzen
aus GPS ziehen können.
Abb. 5.10: Modulation von Signalen
Die Trägerwellen werden durch drei verschiedene Binärcodes moduliert (zu den
Signalstrukturen des NAVSTAR/GPS vor der Modernisierung vgl. Bauer 2018 S.
310 ff.):
Die Modulation mit dem C/A-Code (C/A = Coarse Acquisition, grobe Auf-
nahme) ist eine allgemein zugängliche Kodierung, so dass jedermann die GPS-
Signale – bei eingeschränkter Genauigkeit – nutzen kann („Grob-Code“). Der C/A-
Code wiederholt sich alle 1023 Bit (d.h. nach einer Millisekunde) und moduliert nur
die L1-Trägerwelle.
Der P-Code (P = Precise) moduliert sowohl die L1- als auch die L2-Trägerwelle
und ermöglicht eine besonders genaue Ortung. Er ist ein sehr langer PRN-Code
(sieben Tage). Seine Entschlüsselung erfordert eine Autorisierung durch die US-
Militärbehörden.
Der D-Code (D = Data) überträgt die eigentlichen Navigationsnachrichten.
Abb. 5.11: Grundprinzip der GPS-Satellitensignale (nach Dana 2019)
Die Genauigkeit des Global Positioning System unterscheidet sich nach zwei Kate-
gorien:
- Standard Position Service (SPS): SPS basiert auf dem C/A-Code. Die Genauig-
keit wurde mit Absicht vom US-Verteidigungsministerium heruntergesetzt (sog.
Selective Availability, SA). So wurde die Navigationsnachricht der Satelliten
durch Schwankungen im Signal verstümmelt. Dabei waren diese Manipulationen
unregelmäßig angelegt und konnten daher nicht korrigiert werden. Die Selective
Availability wurde am 1. Mai 2000 abgeschaltet. Sie kann allerdings jederzeit wie
z.B. in internationalen Krisen vom US-Militär wieder eingeschaltet werden. SPS
kann jedermann weltweit uneingeschränkt und ohne Entgelt nutzen.
- Precise Positioning Service (PPS): PPS basiert auf dem P-Code, der durch Über-
lagerung mit einem unbekannten zusätzlichen Code verschlüsselt wird (sog. Anti-
Spoofing, AS, Generieren des sog. Y-Codes für einen manipulationssicheren Be-
trieb). Dadurch soll verhindert werden, dass ein von einem militärischen Gegner
mit falschen Informationen ausgesandtes Signal ausgewertet wird. Die Entschlüs-
selung ist somit nur militärischen Behörden und ausgewählten zivilen Nutzern
vorbehalten. Militärische GPS-Geräte können durch Zweifrequenzmessung den-
selben P-Code auf zwei Frequenzen (L1 und L2) auswerten und somit eine Navi-
gationsgenauigkeit von 0,8 bis 1m erreichen. Allerdings können inzwischen die
mit den verschlüsselten Codes ausgestrahlten Signale auch für zivile Anwendun-
gen und für Zweifrequenz-GPS-Geräte genutzt werden, ohne aber beurteilen zu
können, ob falsche Daten vorliegen.
Die Trägerfrequenzen bzw. die C/A- und P-Codes werden benutzt, um die Lauf-
zeit der Signale zwischen Empfänger und sichtbaren Satelliten zu bestimmen, um
daraus die Entfernung zu berechnen (vgl. Kap. 5.3.3). Über den D-Code wird
gleichzeitig, was letztlich die Genialität des Ansatzes ausmacht, die eigentliche Na-
vigationsnachricht übermittelt, die vor allem die Position der Satelliten enthält. Aus
diesen beiden Informationen, Entfernung zu Fixpunkten (hier Satelliten) und Posi-
tion der Fixpunkte, lässt sich die unbekannte Position des Empfängers ermitteln. Im
zweidimensionalen Fall, bei dem die Entfernungen r1 und r2 zu zwei bekannten Fix-
punkten vorliegen, lässt sich dieses Prinzip sehr einfach nachvollziehen (vgl. Abb.
5.12). Die Kreise mit Radien r1 und r2 um die Fixpunkte schneiden sich im zunächst
unbekannten Standort.
Abb. 5.12: Ansatz der Standortbestimmung im zwei- und dreidimensionalen Fall bei bekannten
Fixpunkten und bekannten Entfernungen zu den Fixpunkten
Jeder Satellit sendet einen sog. Datenrahmen (Dataframe, die Navigationsnach-

richt) aus, der aus jeweils fünf Unterrahmen (sog. Subframes) besteht, die zur Über-
tragung jeweils 6 Sekunden benötigen. Jeder Subframe beginnt mit einem sog. Te-
lemetrie- und einem Übergabewort, die in allen Unterrahmen gleich sind, die in
jedem Satelliten individuell erzeugt werden und u.a. zur Identifikation dienen (vgl.
Abb. 5.13). Die übrigen Informationen werden von der Hauptkontrollstation an den
Satelliten geschickt und dort in die fünf Unterrahmen implementiert, auf die Trä-
gerfrequenz aufmoduliert und ausgesandt. Im GPS-Empfänger wird die dem Träger
aufmodulierte Navigationsnachricht wieder herausgelöst (vgl. Bauer 2018 S. 308
ff. u. Dodel u. Häuptler 2009 S. 186 ff.).
Die ersten drei Subframes sind bei einem einzelnen Satelliten immer gleich (vgl.
Abb. 5.13). Der erste Subframe enthält u.a. Informationen zum Zustand und zur
Genauigkeit des Satelliten (Status der Signalübermittlung oder instabile bzw. zu
korrigierende Umlaufbahn), Aktualität der Ephemeriden (d.h. die mathematische
Beschreibung der Umlaufbahn) oder Uhrenkorrekturwerte. Der zweite und dritte
Subframe enthält Parameter der Ephemeriden. Ein Teil dieser Daten ist militäri-
schen Nutzern vorbehalten.
Erst der vierte und fünfte Subframe umfassen die Daten des sog. Almanachs, die
Informationen u.a. über die Bahnparameter aller Satelliten enthalten, d.h. nicht nur
des sendenden Satelliten (vgl. Subframe 2 u. 3). Der (Gesamt-)Almanach umfasst
Daten geringerer Genauigkeit, er kann aufgrund der Datenmenge trotzdem nicht
geschlossen versandt werden und wird auf 25 aufeinanderfolgende Dataframes auf-
geteilt, d.h. auf die Subframes 4/5.
Abb. 5.13: Prinzipieller Aufbau der Navigationsnachricht (dataframe)
Da die Übertragung eines Dataframes 30 Sekunden benötigt, erhält der Empfänger

somit innerhalb einer halben Minute die wichtigsten Daten zur Standortbestim-
mung, die auch zur Echtzeitnavigation von Fahrzeugen ausreichen. Die vollständige
Übertragung des gesamten Almanachs (Masterframe) erfordert aber aufgrund der
Verteilung auf 25 Dataframes 25 ή 30 ‫ܿ݁ݏ‬. = 12,5 Minuten.
Mit TTFF (time to first fix) wird die Zeit bezeichnet, die dazu erforderlich ist,
dass ein Empfänger nach dem Einschalten erstmalig seine Position bestimmen
kann. Diese Zeit hängt wesentlich davon ab, wie aktuell die gespeicherten Informa-
tionen der sichtbaren Satelliten im Empfänger sind. Das GPS-Gerät benötigt zum
einen Information, welche Satelliten am Himmel zu erwarten sind, und zum anderen
die Bahndaten dieser Satelliten selbst. Unterschieden werden drei Situationen:
- Hotstart (Standby): Das GPS-Gerät besitzt aktuelle Ephemeriden (d.h. die Bahn-
daten der sichtbaren Satelliten), ferner ist die ungefähre Position des Empfängers
bekannt, so dass für eine erste Positionsbestimmung wenige Sekunden (< 15 s)
benötigt werden.
- Warmstart: In den letzten 4 bis 6 Stunden wurde keine Standortbestimmung
durchgeführt, so dass die im GPS-Geräte vorliegenden Bahndaten veraltet sind
und aktualisiert werden müssen. Die Satellitenkonstellation hat sich am Standort

grundlegend geändert, die Ephemeriden der dann sichtbaren Satelliten sind unbe-
kannt und müssen neu bezogen werden. Da die wichtigsten Daten in 18 Sekunden
übermittelt sind und alle 30 Sekunden wiederholt werden (vgl. Abb. 5.13), müss-
ten bei störungsfreiem Empfang spätestens nach etwa 48 Sekunden für jeden
empfangenen Satelliten aktuelle Ephemeriden vorhanden sein. In diesem Fall
wird davon ausgegangen, dass der Almanach noch aktuell ist. Der GPS-
Empfänger kann aus den Almanachdaten (zusammen mit der Lokalzeit und der
groben Landeskennung als Basiseinstellungen des Empfängers) die Satelliten be-
stimmen, die an dem Standort in etwa zu erwarten sind. Die Entfernungsbestim-
mung kann dann auf diese eingeschränkt werden, was letztlich die Standortbe-
stimmung beschleunigt. Je mehr neue Satelliten sichtbar sind, desto länger dauert
dieser Warmstart.
- Kaltstart: Falls weder aktuelle Ephemeriden- noch Almanachdaten vorliegen,
muss der vollständige Empfang des gesamten Almanachs abgewartet werden.
Dieser Kaltstart benötigt dann 12,5 Minuten.
Diese Angaben sind aber fast nur von theoretischem Interesse. So bestehen Verfah-
ren, die TTFF erheblich zu verkürzen. Die mit A-GNSS für Assisted GNSS be-
zeichneten Techniken benutzen zusätzliche Daten, die über Internet, WLAN oder
Mobilfunk bereitgestellt werden. Nach dem Einschalten eines Smartphones mit in-
tegriertem GNSS-Empfänger und Übertragen von Informationen aus dem Mobil-
funknetz wird in wenigen Sekunden eine ungefähre Bestimmung der Empfänger-
position möglich. Ferner bestehen herstellerspezifische, teilweise patentierte Algo-
rithmen zur Vorausberechnung der Bahndaten (bei ausgeschaltetem Gerät im
Schlafmodus).
5.3.3 Prinzip der Distanzbestimmung
Die Entfernungsmessung erfolgt über eine spezielle Zeitbestimmung. Die Träger-

frequenz einschließlich der aufmodulierten P- bzw. C/A-Codes, die im Satelliten
erzeugt werden und für jeden Satelliten verschieden sind, werden synchron in glei-
cher Weise auch im Empfänger auf der Erde generiert. Die vom Empfänger aufge-
nommenen (und wegen der Dopplerverschiebung korrigierten) Signale des Satelli-
ten weisen gegenüber den im Empfänger erzeugten Signalen eine Zeitverschiebung
auf (vgl. Abb. 5.14). Der GPS-Empfänger vergleicht die Signale und kann durch
Laufzeitmessung des Signals die Entfernung zum Satelliten bestimmen.
Die Zeit 'T ist proportional zur Entfernung zwischen Satellit und Empfänger.
$OOHUGLQJVLVWGDV3URGXNWǻT • c (c Lichtgeschwindigkeit im Vakuum) nicht die
tatsächliche Entfernung. Die Empfänger mit ihren Quarzuhren machen gegenüber
den Atomuhren der Satelliten Fehler in der Zeitmessung. Das Produkt ǻT • c wird
daher als Pseudoentfernung bezeichnet. Dann gilt:
Abb. 5.14: Prinzip der Distanzbestimmung über Laufzeiten von Signalen
ܴ = (ȟT + ȟ‫ )ݐ‬ή ܿ
Dabei sind:
ȟT die im Empfänger gemessene Zeitdifferenz
ܿ Lichtgeschwindigkeit im Vakuum
ܴ Distanz (Range) Empfänger zu Satellit
ȟ‫ݐ‬ der Fehler der Empfängeruhr gegenüber der Satellitenuhr
Insgesamt liegen vier Unbekannte vor (Xe, Ye, Ze, 't ), so dass ein Gleichungssys-
tem mit vier Gleichungen aufgestellt werden muss. Somit werden zur Standortbe-
stimmung mindestens vier Pseudoentfernungen zu verschiedenen Satelliten benö-
tigt:
[(ȟܶ௜ + ȟ‫ )ݐ‬ή ܿ]ଶ = (ܺ௜ െ ܺ௘ )ଶ + (ܻ௜ െ ܻ௘ )ଶ + (ܼ௜ െ ܼ௘ )ଶ
Dabei sind:
ȟܶ௜ die gemessenen Laufzeiten der Satellitensignale
ܿ die Ausbreitungsgeschwindigkeit des Signals im Vakuum
ܺ௜ , ܻ௜ , ܼ௜ die bekannten Koordinaten der Satelliten
ܺ௘ , ܻ௘ , ܼ௘ die unbekannten Koordinaten des Empfängers
ȟ‫ݐ‬ der unbekannte Zeitfehler des Empfängers
Dieses nichtlineare Gleichungssystem liefert die Grundlage zur Berechnung der
Empfängerkoordinaten, wobei in der Praxis die Entfernungsbestimmung wesentlich
umfangreicher ist. In der Regel liegen Distanzen zu mehr als vier Satelliten vor, so
dass das Gleichungssystem komplexer ist und über eine Ausgleichsrechnung be-
stimmt wird. Ferner ist die dargestellte Distanzbestimmung nicht eindeutig. So wie-
derholt sich der C/A-Code bereits nach einer Millisekunde, was bei Lichtgeschwin-
digkeit von 300.000 km/s einer Entfernung von 300 km entspricht, so dass im
Grunde die Entfernung nur bis maximal 300 km bestimmt werden kann. Allerdings
sind die Satelliten mehr als 20.000 km entfernt. Daher werden in der Initialisie-
rungsphase ungefähre Standortkoordinaten innerhalb mehrerer hundert Kilometer
des Empfängers angenommen (Basiseinstellung des Empfängers, zu weiteren Aus-
wertemethoden und zur Aufstellung von weiteren Entfernungsgleichungen, u.a. Be-
rücksichtigung der Erddrehung während der Laufzeit der Signale vgl. Hofmann-
Wellenhof u.a. 2008 S. 238 ff., Bauer 2018 S. 213 ff.).
Dem Global Positioning System liegt ein kartesisches, raumfestes Koordinaten-

system zugrunde, dessen Ursprung im Massenmittelpunkt der Erde liegt (Conven-
tional Inertial System, CIS). Die Satelliten bewegen sich genau um dieses Zentrum.
Die Berechnungen erfolgen daher zunächst in diesem CIS. Die z-Achse zeigt in
Richtung der mittleren Drehimpulsachse der Erde, die x-Achse weist in Richtung
des Frühlingspunktes. Allerdings ist dieses raumfeste CIS für Standortbestimmun-
gen auf der Erde nicht geeignet. Hierfür wird ein sog. Convential Terrestrial System
(CTS) benötigt, d.h. ein erdfestes, also mit der Erde mitrotierendes Bezugssystem
(ebenso gebräuchlicher Name: ECEF, Earth Centred Earth Fixed System). Somit
müssen die Koordinaten des CIS in diejenigen des CTS transformiert werden, was
bereits im GPS-Empfänger erfolgt. Als Convential Terrestrial System wird das glo-
bale geozentrische, mit der Erde fest verbundene Bezugssystem WGS84 benutzt
(vgl. Kap. 4.2.4). Ein GPS-Empfänger zeigt in der Regel genau diese WGS84-
Koordinaten. Diese Informationen müssen dann in ein Benutzer-Koordinatensys-
tem (z.B. UTM-Koordinatensystem) umgerechnet werden. Dies kann in einfachen
GPS-Empfängern bereits automatisch erfolgen, wobei allerdings das geodätische
Bezugssystem sowie das geodätische Datum der Landesvermessung vorgegeben
werden müssen.
5.3.4 Fehlereinflüsse und Genauigkeiten einer GPS-Standortbe-

stimmung
Die möglichen Fehlereinflüsse können nach Bahn-, Ausbreitungs- und Empfänger-

fehler differenziert werden. Zwar ist die Selective Availability inzwischen abge-
schaltet, die zu einer künstlichen Verschlechterung der Navigationsnachricht und
dadurch zwangsläufig zu Ungenauigkeiten führte. Jedoch bestehen neben unspezi-
fischen Fehlerquellen wie z.B. allgemeinen Hard- und Softwarefehlern weiterhin
systembedingte Fehlereinflüsse (vgl. Dodel u. Häupler 2009 S. 187–188):
- Ionosphärische Laufzeitverlängerungen (Größenordnung des Fehlers bis zu
10 m) durch Dämpfung/Brechung der Wellen in der Ionosphäre.
- Fehler der Satellitenuhren, die nicht von den Kontrollstationen korrigiert werden
(Größenordnung des Fehlers 1m). So gehen die Satellitenuhren aufgrund ihrer
gegenüber der Erde schnelleren Bewegung langsamer, aber aufgrund der gerin-
geren Schwere schneller als auf der Erde.
- Schwankungen der Satellitenbahnen (Größenordnung des Fehlers 1 m).
- Troposphärische Laufzeitverlängerungen (Größenordnung des Fehlers 1 m)
durch Dämpfung der Wellenausbreitung aufgrund von Wettererscheinungen in
der Troposphäre.
- Laufzeitverlängerungen durch Mehrwegeffekte (Größenordnung des Fehlers 0,5
m) durch Reflexion der Satellitensignale an Oberflächen oder Gebäuden in der
Nähe des Empfängers.
Der Anwender kann davon ausgehen, dass diese Probleme zum Teil durch das Aus-
werteprogramm des Satellitenempfängers gelöst werden (vgl. Korrekturen der Aus-
breitung der Wellen in der Iono- und Troposphäre). Die Genauigkeit der Positions-
bestimmung hängt neben der Sichtbarkeit der Satelliten vor allem auch von der Po-
sition der Satelliten zueinander und zum unbekannten Standort ab. Diese Abwei-
chung, die bei einer zweidimensionalen Ortung bei einem Satellitenabstandswinkel
von 90° am geringsten ist, lässt sich für den zweidimensionalen Fall anhand der
Abbildung 5.15 relativ leicht veranschaulichen. Der Empfängerstandort befindet
sich innerhalb der dargestellten Fehlerflächen (vgl. eingehender und für den dreidi-
mensionalen Fall Mansfeld 2010 S. 193 ff.).
Die stetige Entfernungsmessung zu einem ruhenden Empfänger schwankt auf-
grund der sich ständig ändernden Satellitenkonstellationen und der angeführten
Fehlereinflüsse. Der Entfernungsmessfehler kann anhand der Standardabweichung
ߪோ der Entfernungsmessungen beschrieben werden. Aus den gleichen Gründen va-
riieren die errechnete Position des Empfängers und entsprechend der zugehörige
Positionsfehler, ausgedrückt durch die Standardabweichung ߪ௉ der Positionsbe-
stimmungen.
Für den Faktor der relativen Vergrößerung bzw. Verschlechterung des Positions-
fehlers ist die Bezeichnung „Dilution of Precision“ (DOP) eingeführt.
Abb. 5.15: Positionsfehler und Fehlerflächen bei der Standortbestimmung anhand von zwei mit
Unsicherheit behafteten Entfernungsmessungen für zwei unterschiedliche Satellitenkonstellatio-
nen (nach Flühr 2010 S. 103)
Der DOP-Faktor gibt an, um welchen Faktor sich der Positionsfehler gegenüber
dem Fehler der gemessenen Entfernung erhöht. DOP ist dimensionslos und be-
schreibt keinesfalls die durchschnittliche Abweichung von der wahren Position des
Empfängers.
ୗ୲ୟ୬ୢୟ୰ୢୟୠ୵ୣ୧ୡ୦୳୬୥ ୢୣୱ ୔୭ୱ୧୲୧୭୬ୱ୤ୣ୦୪ୣ୰ୱ ఙು
‫= ܱܲܦ‬
ୗ୲ୟ୬ୢୟ୰ୢୟୠ୵ୣ୧ୡ୦୳୬୥ ୢୣୱ ୉୬୲୤ୣ୰୬୳୬୥ୱ୫ୣୱୱ୤ୣ୦୪ୣ୰ୱ ఙೃ
Dabei werden noch weitere DOP-Faktoren unterschieden:

- PDOP (Position Dilution of Precision) für dreidimensionale Positionsbestim-

mung
- HDOP (Horizontal Dilution of Precision) für zweidimensionale Positionsbestim-
mung in der Horizontalebene
- VDOP (Vertical Dilution of Precision) für Positionsbestimmung in der Vertikal-
ebene
- TDOP (Time Dilution of Precision) für die Uhrzeitabweichung
- GDOP (Geometrical Dilution of Precision) kennzeichnet die Fehlerangabe des
gesamten Systems. Ein Wert von 1 bezeichnet die bestmögliche Anordnung, ein
Wert von 6 ist noch gut, wohingegen Werte über 10 keine Auswertung zulassen:
‫ = ܱܲܦܩ‬ξܲ‫ܱܲܦ‬ଶ + ܶ‫ܱܲܦ‬ଶ
5.3.5 Differentielles GPS (DGPS)
Die Erhöhung der Genauigkeitsbestimmung des Global Positioning System geht

von dem Grundsatz aus, dass die GPS-Messgrößen bei benachbarten Empfänger-
punkten Fehler gleicher Größenordnungen aufweisen. Somit werden zwei zeitglei-
che Messungen mit zwei benachbarten Empfängern durchgeführt. Gegenüber der
Messung mit dem beweglichen Empfänger im Gelände (sog. Rover) sind die Koor-
dinaten der ortsfesten Referenzstation exakt bekannt. Dadurch kann die Differenz
zwischen den (aktuell) gemessenen Pseudoentfernungen und den berechneten, ge-
ometrischen Entfernungen zu den Satelliten bestimmt werden. Diese Differenz-
werte (Korrekturwerte) werden an den Empfänger (Roverstation) übertragen, der
die Korrekturen der Pseudoentfernungen errechnet. Durch diese Fehlerkorrektur
beim Differentiellen GPS (DGPS) ist bei Einzelpunktmessungen eine sehr hohe Ge-
nauigkeit zu erzielen.
Referenzstationen können zum einen ortsfest und unbeweglich z.B. auf Dächern
montiert sein, d.h. sehr häufig auf den Dächern der lokalen Vermessungs- und Ka-
tasterämter, und zum anderen nur bei jeweils einer Messkampagne ortsfest im Ge-
lände bei bekanntem Bezugspunkt, insgesamt aber mobil sein (vgl. auch mobile
Referenzstationen im Precision Farming).
Beim Differentiellen GPS werden generell zwei Verfahren unterschieden:
- Real-Time-Differentialausgleich durch Übertragung der Korrektursignale über
eine Datenfunkstrecke direkt an den Feldempfänger,
- Differentialausgleich im Postprocessing-Verfahren im Anschluss an die Feldmes-
sungen.
Die Vermessungsverwaltungen der Länder der Bundesrepublik Deutschland bie-
ten den Satellitenpositionierungsdienst SAPOS an, der ein Gemeinschaftsprodukt
der Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesre-
publik Deutschland (AdV) ist (vgl. SAPOS 2019a). SAPOS stellt Korrekturdaten
bereit, mit denen die Positionsgenauigkeit je nach Aufwand bis in den Millimeter-
bereich gesteigert werden kann. Dieser Dienst basiert auf einem Netz von perma-
nent messenden Referenzstationen, die von den jeweiligen Landesvermessungen
eingerichtet und betrieben werden. Die Daten sind bundesweit einheitlich nutzbar.
Die SAPOS-Dienste umfassen drei Bereiche mit jeweils unterschiedlichen Eigen-

schaften, Genauigkeiten und Kosten (vgl. SAPOS 2019b):
- EPS (Echtzeit-Positionierungs-Service) ermöglicht eine Genauigkeit von 0,3 bis
0,8 m (horizontal) sowie 0,5 bis 1,5 m (ellipsoidische Höhe). Die DGPS-
Korrekturdaten werden im 1-Sekunden-Takt im standardisierten RTCM-Format
über das mobile Internet übertragen (sog. NTRIP-Verfahren).
- HEPS (Hochpräziser Echtzeit-Positionierungs-Service) ermöglicht eine Genauig-
keit von 1 bis 2 cm (horizontal) sowie 2 bis 3 cm (ellipsoidische Höhe). Zusätzlich
zu den Korrekturdaten des EPS werden dem Nutzer weitere Daten in Echtzeit zur
Verfügung gestellt. Die Korrekturdaten werden im 1-Sekunden-Takt über das
mobile Internet (Verfahren NTRIP) und Mobiltelefon (GSM-Standard, Global
System for Mobile Communication) im standardisierten Format RTCM übertra-
gen.
- GPPS (Geodätischer-Postprocessing-Positionierungs-Service) ermöglicht Ge-
nauigkeiten im Zentimeter- bzw. Millimeterbereich in Lage und Höhe. Diese Da-
ten werden dem Nutzer im standardisierten RINEX-Format per E-Mail, über das
Internet (Web-Server) oder auf Datenträgern bereitgestellt. Die RINEX-Daten
werden dauerhaft bei der Zentralen Stelle SAPOS gespeichert.
Man kann davon ausgehen, dass hochwertige geodätische Empfänger parallel Sa-
tellitensignale von mehreren Satellitensystemen (GPS, GLONASS, Galileo) sowie
auch Korrektursignale empfangen können. Das Land Niedersachsen stellt ab Okto-
ber 2019 alle SAPOS-Dienste kostenfrei zur Verfügung.
5.3.6 Modernisierung von NAVSTAR/GPS
Im Rahmen der GPS-Modernisierung werden das Weltraum- und das Bodenseg-

ment erneuert. Neben einem ausschließlich militärischen Anwendungen vorbehal-
tenen M-Signal sind drei neue zivile Signale hinzugekommen (L1C, L2C, L5, vgl.
Tab.5.1, grau hinterlegt sind die bei den modernisierten Satelliten zusätzlichen Sig-
nale). Die neuen Signale erfordern neue Hardware auf den Satelliten, so dass auch
eine parallele Erneuerung des Raumsegments notwendig wird (modernisierte Satel-
liten Block IIR-M, Block-III Satelliten, vgl. Tab. 5.1). Die Auswahl geeigneter Fre-
quenzen wurde u.a. dadurch bestimmt, störende Einflüsse zu vermeiden. So sind
ionosphärische Verzögerungen in der Signalübermittlung zu verringern. Ferner soll
die Signalausbreitung nicht durch Wettereinflüsse gestört werden. Vor allem sollte
die Ausbreitungsgeschwindigkeit der (elektromagnetischen) Signale möglichst we-
nig von der Lichtgeschwindigkeit abweichen (vgl. GPS.gov 2019a).
L2C ist das zweite zivile GPS-Signal, das speziell für kommerzielle Zwecke ent-
wickelt wurde. In Kombination mit dem älteren L1 Signal (d.h. L1 mit C/A-Code)
können zivile Anwender ohne Einschränkungen durch das US-Militär Zweifre-
quenzmessungen durchführen, sofern das Empfangsgerät auch dazu in der Lage ist.
Dann können die ionosphärischen Laufzeitverzögerungen bestimmt und berück-
sichtigt werden, so dass auch für zivile eine Genauigkeit wie für militärische An-
wendungen zu erreichen ist. L5 ist das dritte zivile GPS-Signal, das entwickelt
wurde, um die hohen Anforderungen an die Verkehrssicherheit und andere Hoch-

leistungsanwendungen zu erfüllen. L1C ist das vierte zivile GPS-Signal, das die
Interoperabilität zwischen GPS und internationalen Satellitennavigationssystemen
ermöglicht, unter Wahrung der nationalen Sicherheitsinteressen der USA.
Tabelle 5.1: Überblick über die Entwicklung der GPS-Signaltypen und Signale (vgl. GPS.gov 2019a)
Satellitentyp
Signal modernisiert
IIR IIR-M IIF III
L1 C/A • • • •
P • • • •
M • • •
C •
L2 P • • • •
C • • •
M • • •
L5 C/A • •
1997 – 2005 – 2010 – zuerst
2004 2009 2016 2018
gestartet / operationell: 11 7 12
5.3.7 GLONASS
Parallel zu dem US-amerikanischen GPS wurde das in Aufbau und Funktionsweise

sehr ähnliche russische Globalnaya Navigatsionnaya Sputnikovaya Sistema
(GLONASS, Global Navigation Satellite System) entwickelt, das vom Verteidi-
gungsministerium der Russischen Föderation weiter betrieben wird. Der Aufbau
begann 1972, Start der ersten Satelliten war 1982, 1996 war der Vollausbau mit 24
Satelliten (davon drei Reservesatelliten) erreicht. Im Sommer 2019 waren 27 Satel-
liten im Orbit (23 operationelle Satelliten, 2 Reservesatelliten, jeweils 1 Satellit in
Wartung und in einer Testphase, vgl. IAC 2019).
Während beim NAVSTAR/GPS alle Satelliten gleiche Frequenzen, aber mit un-
terschiedlichen Codes nutzen, senden bei GLONASS alle Satelliten mit gleichem
Code aber auf jeweils unterschiedlichen Frequenzen. Sowohl ein präziser wie auch
ein grober Code sind für zivile Empfänger nutzbar, wobei der präzise aus militäri-
schen Gründen stets auf einen anderen (geheimen) Code geändert werden kann. So-
mit sind auch Zweifrequenzmessungen für zivile Anwendungen möglich.
5.3.8 Galileo
Das globale Satellitensystem Galileo, das von der europäischen Raumfahrtbehörde

ESA (European Space Agency) in Zusammenarbeit mit der EU entwickelt wird, ist
mit GPS und GLONASS interoperabel, aber unter ziviler Kontrolle. Das vollstän-
dige System soll aus 24 Satelliten und zusätzlichen 6 Reservesatelliten bestehen,
die in drei Umlaufebenen in 23.000 km Höhe die Erde mit 56° Neigung zum Äqua-
tor umkreisen (vgl. ESA 2019). Die ersten beiden Satelliten starteten im Oktober
2011, zwei weitere folgten im Oktober 2012. Nach umfangreichen Tests erfolgte im
ersten Schritt der Einrichtungsphase (In-Orbit Validation) die Validierung des Kon-
zepts. Der zweite, derzeit andauernde Schritt der Vervollständigung (Full Operati-
onal Capability, FOC) soll 2020 abgeschlossen sein. Mitte August 2019 bestand die
Konstellation aus 22 nutzbaren Satelliten sowie zwei Satelliten in der Testphase,
die im Frühjahr 2019 gestartet wurden (vgl. EGSA 2019a). Das Bodensegment be-
steht aus zwei Kontrollzentren (Galileo Control Centres (GCC) in Oberpfaffenh-
ofen und in Fucino/ Italien) sowie aus einem weltweiten Netz von Ground Control
Segments (GCS) und Ground Mission Segments (GMS) sowie weiteren Serviceein-
richtungen (vgl. EGSA 2019b).
Das Funktionsprinzip von GPS und Galileo ist grundsätzlich identisch. Galileo
nutzt drei Frequenzbänder E1, E5 und E6, wobei E1 bzw. L1 und E5 bzw. L5 (teil-
weise) gemeinsam von GPS und Galileo genutzt werden (vgl. Bauer 2018 S. 138
ff.). Galileo soll vier Dienste anbieten (vgl. EGSA 2019c):
- Open Service (OS): Galileo bietet einen kostenlosen und unverschlüsselten
Dienst an. Die Signale sollen standardmäßig in zwei Frequenzbereichen ausge-
sandt werden, so dass mit entsprechenden Zweifrequenzempfängern eine Positi-
oniergenauigkeit in Echtzeit bis in den Meterbereich erreicht werden kann.
- High Accuracy Service (HAS): Zusätzlich zum OS sollen weitere Navigations-
signale und Dienste (z.B. Wetterwarnungen) bereitgestellt werden. Das HAS-
Signal soll verschlüsselt werden, um den Zugriff auf die kostenpflichtigen HAS-
Dienste zu steuern. HAS resultiert aus der Neugestaltung des ehemaligen Com-
mercial Service
- Public Regulated Service (PRS): Dieser verschlüsselte und kostenpflichtige
Dienst soll für von staatlichen Stellen autorisierte Benutzer beschränkt sein im
Hinblick auf sensible Anwendungen, die ein hohes Maß an Qualität und Integrität
sowie Kontinuität auch in Krisensituationen erfordern.
- Search and Rescue Service (SAR): Dieser Dienst soll Europas Beitrag zu
COSPAS-SARSAT sein, einem internationalen satellitengestützten Such- und
Rettungsalarmsystem.
5.3.9 BeiDou
Das chinesische Positionierungssystem BeiDou (BDS, BeiDou Navigation Satellite

System) ist in den letzten Jahren gewaltig ausgebaut worden. Im Juni 2019 wurde
der 46. Satellit gestartet. Das (vorläufige) System war bereits Ende Dezember 2018
mit 19 Satelliten global einsatzfähig. Verfolgt wurde eine dreistufige Entwicklungs-
strategie (vgl. China Satellite Navigation Office 2018):
- Fertigstellung von BDS-1, um bis Ende 2000 für das Land China eine regionale
Versorgung mit einem Positionierungsdienst zu ermöglichen
- Abschluss von BDS-2, um bis Ende 2012 den asiatisch-pazifischen Raum abzu-
decken
- Vervollständigen von BDS-3, um bis Ende 2020 einen weltweiten Dienst bereit-
zustellen. Dann soll die Konstellation aus 27 MEOs (Satelliten auf mittlerer Erd-
umlaufbahn, wie auch GPS und GLONASS Satelliten), 5 GEOs (Satelliten auf
geosynchroner Umlaufbahn) und den seit Phase 1 bestehenden 3 IGSOs (Satelli-
ten im geostationärem Orbit) bestehen.
Das Positionierungssystem BeiDou wird mehrere besondere Merkmale aufweisen
(vgl. BeiDou Navigation Satellite System 2019):
- Das Raumsegment wird aus Satelliten in drei Arten von Umlaufbahnen bestehen.
Im Vergleich zu anderen Navigationssatellitensystemen werden mehr Satelliten
in hohen Umlaufbahnen sein, um eine bessere Abdeckung gerade in Gebieten mit
geringer geographischer Breite zu ermöglichen.
- BeiDou soll Navigationssignale in mehreren Frequenzen bereitstellen, um durch
die Verwendung kombinierter Mehrfrequenzsignale die Positionierungsgenauig-
keit zu verbessern.
- BeiDou soll Navigations- und Kommunikationsfunktionen integrieren und über
fünf Hauptfunktionen verfügen: Echtzeitnavigation, schnelle Positionsbestim-
mung, präzises Timing, Standortberichte und Kurznachrichtenkommunikations-
dienste.
Die derzeitigen (Stand Dezember 2018) Genauigkeitseigenschaften werden global
mit 10 m horizontal und vertikal und für den asiatisch-pazifischen Raum mit 5 m
horizontal und vertikal angegeben (vgl. BeiDou Navigation Satellite System 2019).
Die Datenübertragung soll über drei Frequenzen erfolgen. Genauere Informationen
liegen über das Signal B1 für den offenen Dienst vor (vgl. China Satellite Naviga-
tion Office 2019 u. Bauer 2018 S. 360 ff.). Geplant sind zwei globale Positionie-
rungsdienste, ein offener (Open Service OS) und ein autorisierter Dienst (Authori-
sed Service AS), neben mehreren regionalen Diensten (vgl. China Satellite Naviga-
tion Office 2018 S. 7).
5.3.10 GNSS-Daten
Die National Marine Electronics Association (NMEA) hat für die Kommunikation
zwischen Navigationsgeräten auf Schiffen ein nicht offenes Austauschformat ent-
wickelt. Die Datensätze liegen im ASCII-Format vor. Zu Beginn eines Datensatzes
steht ein „$“ oder „!“ gefolgt von einer Geräte-ID (normalerweise zwei Zeichen),
einer Datensatz-ID (meist drei Zeichen) und von entsprechend der Datensatzdefini-
tion jeweils durch Kommata getrennten Datenfeldern. Im Rahmen von GNSS sind
mehrere Geräte-IDs wie BD (Beidou), GA (Galileo), GL (Glonass), GP (GPS) so-
wie mehrere Datensatz-IDs von Bedeutung, von denen hier nur auf Global Positio-
ning System Fix Data (GGA) näher eingegangen wird (siehe eingehender NMEA
2019). Die Zeile:
$GPGGA,110727.00,5217.054002,N,00801.403383,E,1,29,0.3,72.9,M,46.5,M,,
beschreibt einen Punkt auf dem Campus der Universität Osnabrück, der um
11:07:27 UTC aufgenommen wurde mit der Länge 52° 17. 054002' N und Breite 8°
1.403383' E. Die im Datensatz folgende „1“ kennzeichnet die Empfangsqualität (fix

quality mit z.B. 0 = invalid, 1 = GPS fix, 2 = DGPS fix, 3 = PPS fix, 4 = Real Time
Kinematic, 5 = Float RTK). Erfasst wurden 29 Satelliten, HDOP betrug 0.3. Die
Höhe der Antenne lag 72,9 m über dem durchschnittlichen Meeresspiegel (d.h. über
dem Geoid). Die Differenz zwischen dem durchschnittlichen Meeresspiegel und
dem WGS84 Ellipsoiden betrug 46.5 m. Darüber hinaus enthält eine NMEA-Datei
weitere Informationen zu den beteiligten Satelliten wie die Nummer eines Satelli-
ten, seine Höhe und sein Azimut (jeweils in Grad) und die Angabe des Systems
(d.h. z.B. GPS oder GLONASS).
Das offene und lizenzfreie GPS-Exchange-Format (GPX) wurde ursprünglich
zur Speicherung von GPS-Daten entwickelt und dient inzwischen dem allgemeinen
Austausch von Geodaten. Der Aufbau der sehr viel einfacheren XML-Datei ist fast
intuitiv lesbar:
<trk>
<trkseg>
<trkpt lat="52.284218" lon="8.02304">
<ele>75.0</ele>
<time>2019-10-01T11:29:51.999Z</time>
</trkpt>
<trkpt lat="52.28429" lon="8.023027">
<ele>74.2</ele>
<time>2019-10-01T11:29:52.999Z</time>
</trkpt>
<trkpt lat="52.28429" lon="8.023027">
<ele>67.9</ele>
<time>2019-10-01T11:30:00.999Z</time>
</trkpt>
…
<trkseg>
<trk>
5.3.11 Bewertung von Positionierungssystemen und weitere Entwick-

lungen zu GNSS
Die Qualität der Standortbestimmung entscheidet wesentlich über nachhaltige Ein-

satzmöglichkeiten, wobei die geometrische Lagegenauigkeit ein wichtiges, aber nur
ein erstes Merkmal ist. So beschreiben mehrere Kriterien die gesamte Zuverlässig-
keit (d.h. system performance, vgl. Dodel u. Häuptler 2010 S. 302 ff.):
Die rechtliche Verankerung (legal basis, liability) zielt vor allem auf die politi-
sche Unabhängigkeit (d.h. auch Unabhängigkeit von militärischen Entscheidungen)
und auf den uneingeschränkten Einblick in das System ab.
Die Integrität (integrity) umfasst zwei Seiten: Die technische Integrität be-
schreibt die Fähigkeit, die Unversertheit und Glaubwürdigkeit der Daten innerhalb
einer vorgegebenen sehr kurzen Zeit zu überprüfen. Fast noch wichtiger ist die in-
stitutionelle Integrität, wie schnell ein Systembetreiber über Fehlfunktionen eines
Satelliten informiert und entsprechende Verbindlichkeiten eingeht. Militärische Be-

treiber erfüllen zwangsläufig diese Verpflichtungen nicht.
Die Verfügbarkeit (availability) beschreibt, wie oft ein Positionierungssystem
weltweit verfügbar ist. Die Kontinuität (continuity) gibt wieder, wie stabil die Da-
tenversorgung ist und ob ein Dienst durchgehend (z.B. während des gesamten Lan-
deanflugs) zur Verfügung steht. Die erzielbare Positionierungsgenauigkeit (ac-
curacy) hängt wesentlich von der Frequenz der abgestrahlten Signale (Einfluss von
Ionosphärenfehlern) und der Gangkonstanz der Borduhrensysteme ab. Ferner muss
eine Unempfindlichkeit gegen Störungen von außen (robustness against interfe-
rence and jaming) bestehen. Schließlich sind zur Gesamtbewertung auch die Nut-
zungskosten (affordability) heranzuziehen.
Die mit NAVSTAR/GPS bzw. auch mit GLONASS verbundenen Genauigkeiten
und Zuverlässigkeit reichen für sicherheitskritische Anwendungen nicht aus. So ist
z.B. die genaue Standortbestimmung während eines gesamten Fluges und vor allem
in der Landephase nicht gesichert. Allerdings darf nicht verkannt werden, dass GPS
ursprünglich rein militärische Ziele hatte. Die Nachbesserung (sog. Augmentation)
der Satellitensysteme ist als zivile Antwort auf die Einschränkungen durch die Mi-
litärs zu verstehen. Grundsätzlich kann zwischen Ground Based Augmentation Sys-
tems (GBASs), das sind die klassischen DGPS-Anwendungen, und Space Based
Augmentation Systems (SBASs) unterschieden werden.
Bereits früh wurde von der US-Luftfahrtbehörde das Wide Area Augmentation
System (WAAS) entwickelt, das u.a. die Genauigkeit und die Verfügbarkeit der GPS-
Signale erhöht und das aufgesetzt auf das grundlegende GPS eine Verstärkung und
Verbesserung der GPS-Dienstleistungen für weiträumige Bereiche bedeutet (vgl.
FAA 2019a). WAAS ist für höchste Sicherheitsstandards konzipiert. Innerhalb von
6 Sekunden werden Nutzer über Störungen informiert, die zu einer fehlerhaften
Standortbestimmung führen können. Somit besteht für die berechnete Position des
GPS/WAAS-Empfängers eine sehr hohe Zuverlässigkeit. Im Sommer 2019 konnten
mehr als 2.500 US-Flugplätze von Flugzeugen auch ohne ILS und Bodenausstat-
tung, aber mit einem WAAS-fähigen GPS-Empfänger angeflogen werden (vgl.
FAA 2019b).
Das Wide Area Augmentation System (WAAS) nutzt ein Netzwerk von 38 Re-
ferenzstationen in den USA, die GPS-Satellitensignale empfangen. Diese Stationen,
für die präzise Lagebestimmungen durchgeführt wurden und die untereinander ver-
netzt sind, errechnen u.a. den bestehenden Lagefehler. WAAS korrigiert die GPS-
Signalfehler, die aus troposphärischen und ionosphärischen Störungen, Zeitfehlern
und Ungenauigkeiten der Satellitenbahnen resultieren, und stellt ebenfalls Informa-
tionen zur Integrität der Satelliten zur Verfügung. Drei Masterstationen sammeln
die Daten der Referenzstationen und berechnen eine GPS-Korrekturnachricht. Die
Korrektursignale werden zu drei geostationären Satelliten übermittelt. Von dort
wird das Signal zu den GPS-Empfängern übermittelt.
Der European Geostationary Navigation Overlay Service (EGNOS) ist das regi-
onale satellitengestützte Augmentationssystem (SBAS) in Europa (vgl. EGNOS
2019a). Das Funktionsprinzip von EGNOS entspricht dem von WAAS, wobei aber
hier die Signale von GPS- und GLONASS- sowie Galileo-Satelliten verarbeitet
werden. Das Bodensegment besteht aus einem Netzwerk von 40 Monitorstationen
(RIMS, Ranging Integrity Monitoring-Stationen), zwei Kontrollzentren (MCC

Control and Processing Centres) und zwei Bodenstationen für jeden der drei geo-
stationären Satelliten. Das dichte Netz von 40 genau vermessenen Bodenstationen
empfängt die (rohen) GPS-Daten, die zu den Kontrollstationen geschickt werden,
die daraus die Korrekturnachrichten berechnen, die dann schließlich den geostatio-
nären Satelliten übermittelt werden, von wo die Informationen zum Empfänger ge-
leitet werden. EGNOS bietet drei Dienste. Der kostenfrei verfügbare Open Service
steht seit Oktober 2009 zur Verfügung (vgl. EGNOS 2019b). Der Safety of Life
Service, der die gleichen Genauigkeit wie der Open Service besitzt, aber dem Nut-
zer zusätzlich Integritätsinformationen bietet, besteht seit März 2011 (vgl. EGNOS
2019c). Der EGNOS Data Access Service stellt seit Juli 2012 über terrestrische
Netze (Internet) Korrekturdaten registrierten Nutzern zur Verfügung, die nicht im-
mer wie z.B. in städtischen Straßenschluchten die EGNOS-Satelliten sehen können
und die weitere Dienste nutzen wollen (EGNOS 2019d).
Neben WAAS für Nordamerika und EGNOS für Europa sind ein indisches und
ein japanisches satellitengestütztes Erweiterungssystem in Betrieb (GAGAN bzw.
MSAS), die dem für die zivile Luftfahrt entwickelten Standard entsprechen. Wei-
tere Systeme befinden sich im Aufbau (u.a. das russische SDCM Sistema Differ-
entsialnoj Correktsii i Monitoringa, vgl. Bauer 2018 S. 389 ff.)
5.4 Airborne Laserscanning
LiDAR (Light Detection and Ranging) ist eine aktive Fernerkundungstechnologie,

deren Funktionsweise grundsätzlich mit der eines Echolotes zu vergleichen ist. Die
Entfernungsmessung beruht dabei auf der Messung der Zeitspanne, die zwischen
dem Aussenden des Lichtimpulses und der Reflexion des zurückkommenden Im-
pulses verstreicht. Weitere Akronyme werden benutzt, die leicht unterschiedliche
Bedeutungen haben: LaDAR (Laser Detection and Ranging) beinhaltet, dass Laser-
licht zur Entfernungsmessung herangezogen wird. ALS (Airborne Laserscanning)
konkretisiert, dass ein Laserstrahl von einem Flugzeug aus die Oberfläche scannt.
Gerade diese Technik, die zur Erstellung von digitalen Oberflächenmodellen dient,
hat in der Geoinformatik eine große Bedeutung erhalten (zur Einführung vgl. Heri-
tage u. Large 2009, Vosselman u. Maas 2010 sowie ausführlich Pfeifer u.a. 2017).
Die senkrecht unter dem Trägerflugzeug montierten Messinstrumente strahlen
einen gepulsten oder kontinuierlichen Laserimpuls ab, der bei einer Flughöhe von
z.B. 1.000 m und Lichtgeschwindigkeit 6,671 Mikrosekunden für die gesamte
Messstrecke benötigt (vgl. Abb. 5.16). Die zurückgelegte Zeit zwischen Aussenden
und Empfang der Signale wird benutzt, um die Entfernung zwischen Sensor und
Oberfläche zu bestimmen.
Allerdings wird hierdurch nur die Entfernung zwischen der Erdoberfläche und
dem Messgerät ermittelt. Somit muss auch die exakte Position des Flugzeugs, d.h.
seine Lage in einem dreidimensionalen Bezugssystem, bekannt sein. Diese Stand-
ortbestimmung wird mit Hilfe des Differential Global Positioning System (DGPS)
ermöglicht. Da während einer Messung das Flugzeug weiterfliegt und sich zudem
Airborne Laserscanning 213
nicht senkrecht über der Geländeoberfläche befindet, müssen Abweichungen durch

Bewegung und Fluglage des Trägerflugzeugs berücksichtigt werden. Hierzu dient
als dritte Komponente ein sog. Inertial Navigation System (INS, Trägheitsnavigati-
onssystem), das gestützt auf Lasertechnologie (daher auch LINS genannt) die drei
Fluglageparameter ermittelt: Drehung um die in Bewegungsrichtung verlaufende x-
Achse (engl. roll, rollen), Drehung um die senkrecht zur x-Achse verlaufende y-
Achse (engl. pitch, nicken) und Drehung um die senkrecht zu x-y-Ebene stehende
z-Achse (engl. yaw, gieren). Aus der exakten Lage des Flugzeugs im Raum und der
Entfernung zwischen Flugzeug und einem Oberflächenpunkt lässt sich dessen Po-
sition bestimmen. Das ALS-Verfahren liefert schließlich ein 3D-Oberflächenmo-
dell, das aus einer Menge von Messpunkten besteht. Jeder Messpunkt besitzt ledig-
lich Informationen zu seiner Lage und Höhe (x-, y-, z-Koordinaten). Nicht erfasst
wird, ob sich der Messpunkt beispielsweise auf einem Baum oder einem Dach be-
findet. Die Lagegenauigkeit der 3D-Koordinaten hängt von der Genauigkeit der ein-
zelnen Systemkomponenten ab und liegt horizontal bei weniger als 40 cm und ver-
tikal bei weniger als 10 cm.
Abb. 5.16: Airborne Laserscanning: Prinzip und Systemkomponenten (nach Höfle u. Rutzinger
2011 S. 4)
Einzelne Objekte können mehr als ein Echo erzeugen. So können z.B. eine Baum-
krone ein erste Echo (sog. First Pulse) erzeugen und dann die darunter liegende
Oberfläche ein letztes Echo (sog. Last Pulse), sofern die Baumkrone zumindest stel-
lenweise durchlässig ist. Durch Abgleich von First und Last Pulse kann Vegetation
relativ leicht erkannt werden. Allerdings ist nicht jedes Aufnahmesystem in der
Lage, mehrere Echos zu empfangen.
Airborne Laserscanning bietet zusammengefasst mehrere Vorteile:
- Die 3D-Erfassung von Objekten erfolgt direkt, d.h. ohne die sonst übliche Stere-
obildauswertung der Photogrammetrie.
- Anforderungen an die Lichtverhältnisse und an die Oberflächenbeschaffenheit
bestehen nicht.
- Die Datenaufnahme und die Datenverarbeitung erfolgen in einer vollständig di-

gitalen Prozesskette.
Gegenüber diesen Systemen, die diskrete Echos aufnehmen, können die jüngsten
Sensoren die vollständige zeitabhängige Variation der erhaltenen Signalstärke er-
fassen, d.h. die vollständige Wellenform des zurückgesandten Signals. Dies eröffnet
neue Möglichkeiten der Objekterkennung (vgl. Harding 2008).
Der erste kommerziell verfügbare multispektrale Laserscanner, der Optech Titan
Sensor, ermöglicht inzwischen auch eine gleichzeitige Aufnahme in drei Wellen-
längenbereichen (1550 nm, mittleres Infrarot, 1064 nm nahes Infrarot, 532 nm sicht-
bares Grün) mit bis zu 4 Returns pro Laserimpuls (vgl. Teledyne Optech 2019, vgl.
auch Matikainen u.a. 2017 u. Wichmann u.a. 2015).
ALS hat sich durchgesetzt. Zur Erfassung des Digitalen Geländemodells wird
z.B. in Bayern seit 1996 bzw. in Nordrhein-Westfalen seit 2002 oder in Hessen Air-
borne Laserscanning eingesetzt (vgl. Bayerische Vermessungsverwaltung 2019,
GeobasisNRW 2019 oder Hessische Verwaltung für Bodenmanagement und Geoin-
formation 2019). Airborne Laserscannerdaten liefern auch die Grundlage für den
Aufbau von Solardachkatastern, die die Nutzungseignung von Dächern für Photo-
voltaikanlagen darstellen. Hierbei werden aus ALS-Daten (vgl. Abb. 5.17) Dach-
flächen extrahiert und u.a. nach Größe, Neigung und Exposition der Flächen Eig-
nungspotenziale und Nutzungserwartungen analysiert (vgl. Hilling u. de Lange
2010a u. 2010b, vgl. z.B. das landesweite Solardachkataster Thüringen auf der Ba-
sis von ALS-Daten).
Abb. 5.17: 3D-Oberflächenmodell eines Gebäudes durch ALS-Höhenpunkte (zur besseren Druck-
wiedergabe ohne das im Hintergrund liegende Dach)
Geobasisdaten 215
5.5 Geobasisdaten
5.5.1 Geobasisdaten der Vermessungsverwaltungen
Allgemein können solche raumbezogenen Daten als Geobasisdaten bezeichnet wer-

den, die flächendeckend verfügbar sind, kontinuierlich oder periodisch fortgeführt
werden, einem allgemeinen Standard entsprechen und nicht für einen speziellen An-
wendungszweck, sondern als Basis für vielfältige Anwendungen erarbeitet und vor-
gehalten werden. Hier soll der Begriff Geobasisdaten weiter eingeengt werden auf
die raumbezogenen Basisdaten des amtlichen Vermessungswesens. Große kommer-
zielle Bedeutung z.B. bei der Standortplanung von Einzelhandelsunternehmen ha-
ben Marktdaten aus dem Bereich des Geomarketings. Diese raumbezogenen Daten
außerhalb des amtlichen Vermessungswesens werden aber (zumeist) den Fachdaten
zugeordnet.
Die Vermessungsverwaltungen der Bundesländer haben den gesetzlichen Auf-
trag, die topographischen Landeskartenwerke und das Liegenschaftskataster, das
ehemals aus der Liegenschaftskarte und dem Liegenschaftsbuch bestand, zu führen
und bereitzustellen. Hierzu ist das Landesgebiet zu vermessen und kartographisch
darzustellen. Grundlage sind die jeweiligen Vermessungsgesetze der Bundesländer.
Die Liegenschaftskarte ist die Grundlage für parzellenscharfe Planungen und Be-
standsnachweise in Wirtschaft und Verwaltung. Sie enthält u.a. Angaben zur Geo-
metrie (Flurstücksgrenzen, Grenzmarken), bezeichnende Daten (Flurstücksnum-
mer, Flurnummer, Gemarkung, Lagebezeichnung) sowie beschreibende Daten (tat-
sächliche Nutzung, Ergebnisse der Bodenschätzung). Das Liegenschaftsbuch ent-
hält eine Beschreibung der Flurstücke nach Lagebezeichnung, Nutzung, Grund-
buchnummer, Flurstücksgröße und Eigentümer. Zwischen der Liegenschaftskarte
und dem Liegenschaftsbuch kann ein Bezug über Flurstücksnummer, Flurnummer
und Gemarkung als eindeutige Kennzeichen eines Flurstücks hergestellt werden.
Die genannten Aufgabenbereiche der amtlichen Vermessungsverwaltungen in
Deutschland haben zu umfangreichen (analogen) Datenbeständen geführt, die ge-
nau die Anforderungen erfüllen, die an Grundlagendaten zu stellen sind. Die Ge-
obasisdaten der Vermessungsverwaltungen
- werden von kommunalen Behörden oder Landesbehörden bzw. gleich gestellten
Einrichtungen auf der Basis amtlicher Unterlagen erstellt, so dass (für jedes Bun-
desland einzeln) Genauigkeit und Verbindlichkeit garantiert sind,
- besitzen durch Integration sämtlicher katasterrelevanter Messungs- und Berech-
nungsdaten eine hohe Qualität,
- werden regelmäßig aktualisiert und fortgeführt, so dass eine hohe Aktualität ge-
währleistet ist,
- besitzen bundesweit einen (weitgehend) einheitlichen Aufbau,
- basieren auf einem einheitlichen Bezugssystem (inzwischen UTM-Koordinaten).
Um diese Geobasisdaten ebenfalls in digitaler Form vorzuhalten und sie auch (pri-
vaten) Anwendern zum Aufbau eigener Geoinformationssysteme anzubieten, haben
sich die Vermessungsverwaltungen in der Arbeitsgemeinschaft der Vermessungs-
verwaltungen der Länder der Bundesrepublik Deutschland (AdV) bereits ab den
1970er Jahren mit dem Aufbau von digitalen raumbezogenen Informationssystemen

beschäftigt (zum Datenbezug vgl. Kap. 5.5.4.6).
5.5.2 Das ehemalige Automatisierte Liegenschaftskataster
In einer Gemeinschaftsarbeit der Vermessungsverwaltungen der Länder der Bun-

desrepublik Deutschland wurde eine einheitliche Konzeption zu Aufbau und Füh-
rung des Automatisierten Liegenschaftskatasters entwickelt, nach der die Automa-
tisierte Liegenschaftskarte aus den vorhandenen analogen Liegenschaftskarten auf-
gebaut wurde. Das Automatisierte Liegenschaftskataster bestand aus der Automati-
sierten Liegenschaftskarte (ALK) und dem Automatisierten Liegenschaftsbuch
(ALB).
Zur Erfassung der Inhalte aus der analogen Liegenschaftskarte bzw. zur Defini-
tion der Objekte in der Automatisierten Liegenschaftskarte wurde der Objektabbil-
dungskatalog (OBAK) entwickelt. Er regelte u.a., welche Informationen in der ALK
zu einzelnen Grundrissobjekten zusammengefasst werden können und wie diese in
der ALK-Grundrissdatei abzuspeichern sind. Beschrieben wurden die Funktionen
des Objektes (Folie, Objektart, Objekttyp) und die zulässigen Objektbestandteile
(Objektgeometrie und besondere Informationen zum Objekt).
Die ALK-Datenbank enthielt die eigentlichen Daten in drei Primärdateien:
- Die Grundrissdatei umfasste alle geometrischen und semantischen Informationen
für die Darstellungen der Inhalte der Liegenschaftskarte in Gauß-Krüger-Koordi-
naten (z.B. Flurstücke, Gebäude, Grünflächen).
- Die Punktdatei bestand aus Informationen zu Punktdaten wie Lagekoordinaten
und Höhenangaben sowie aus weiteren Angaben zur Verwaltung der Punkte des
Lage- und Höhenfestpunktfeldes, der nummerierten Punkte des Liegenschaftska-
tasters und der weiteren Punktarten.
- Die Datei der Messungselemente enthielt Bestimmungsstücke für die Koordina-
tenberechnung wie Punktkennzeichen, Messeinheiten oder Bemerkungen.
Die Einheitliche Datenbankschnittstelle (EDBS) ermöglichte die Kommunikation
zwischen Verarbeitungsteil, Datenbank und Datennutzern. Diese Datenschnitt-
stelle, die zwar systemneutral konzipiert wurde, gerade aber dadurch keinem Indu-
striestandard entsprach, hat den Datenaustausch erheblich behindert.
Herauszustellen ist, dass die Datenmodellierung sehr stark sachbezogen ausge-
richtet war. Zwar lässt die Bezeichnung Automatisierte Liegenschaftskarte auf eine
graphische Ausgabe schließen. Eine Karte sollte hierbei allerdings nur eine mögli-
che Ausgabeform darstellen.
Im Mittelpunkt der Automatisierten Liegenschaftskarte standen die ALK-
Objekte, die eine fachliche Einheit von Informationen der Liegenschaftskarte dar-
stellten (z.B. Flurstücke, Gebäude). Jede Grundrissinformation der Liegenschafts-
karte wurde Bestandteil eines ALK-Objekts. Die fachlich zusammengehörenden
Objekte wurden einer sog. Folie zugeordnet. Ein ALK-Objekt wurde durch Angabe
der Folie (z.B. Folie 001 „Flurstücke“), der Objektart nach dem Objektschlüsselka-
Geobasisdaten 217
talog (OSKA) und des Objekttyps beschrieben. Der OSKA war ein zentraler Ver-
schlüsselungskatalog und diente dem Nachweis aller Folien und Objektarten. Er
wurde inzwischen durch den mehr als 500 Seiten umfassenden ALKIS-
Objektartenkatalog abgelöst (vgl. Kap. 5.5.4.4).
Abb. 5.18: Auszug aus der Folie 1 (nur Flurstücksgrenzen) und der Folie 11 (nur Gebäudeumrisse)
für einen Teil der Innenstadt von Osnabrück
Das Liegenschaftsbuch liefert Eigentümerinformationen zu den Flurstücken:

- bezeichnende Angaben wie Gemarkung, Flur, Flurstücksnummer,
- Angaben der amtlichen Bodenschätzung,
- Angaben der tatsächlichen und rechtlichen Merkmale der Liegenschaften wie La-
gebezeichnung, tatsächliche Nutzung, gesetzliche Klassifizierung, Fläche, Zuge-
hörigkeit zu kommunalen Gebietskörperschaften,
- Buchungsstelle im Grundbuch,
- Angaben zum Grundstückseigentümer oder Erbbauberechtigten,
- Hinweise auf öffentlich-rechtliche Festlegungen.
Diese Angaben werden u.a. bei Grundstücksverkäufen, bei Planungen von Bauvor-
haben, bei Finanzierungen oder Förderanträgen benötigt. In Niedersachsen ist das
Automatisierte Liegenschaftsbuch seit 1984 flächendeckend eingerichtet (vgl.
Sellge 1998 S. 91).
Die noch in die 70er Jahre zurückreichende Konzeption von ALB und ALK war
bereits in den 1990er Jahren veraltet. Die parallele Führung von ALB und ALK
bedeutete, dass Daten doppelt erfasst und doppelt fortgeführt werden mussten. Dies
erforderte einen erheblichen Synchronisierungsaufwand, wobei die Gefahr unein-
heitlicher Informationen bestand. Das Vorhalten von Metainformationen in der
ALB und ALK war nicht vorgesehen. Zudem bestanden durch ALK und ATKIS
Parallelentwicklungen, die Datenmodelle beider Systeme waren nicht kompatibel.
Daher hat die Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der
Bundesrepublik Deutschland (AdV) ein neues Fachkonzept erarbeitet. Die Auto-
matisierte Liegenschaftskarte ALK und das Automatisierte Liegenschaftsbuch ALB
wurden integriert und werden zusammen im Amtlichen Liegenschaftskatasterinfor-
mationssystem ALKIS geführt. Ferner wurde eine Harmonisierung mit ATKIS vor-
genommen (vgl. Kap. 5.5.4).
5.5.3 Das ehemalige Amtliche Topographisch-Kartographische In-

formationssystem ATKIS
Die aufgrund der Landesvermessungsgesetze zuständigen Landesvermessungsbe-

hörden haben in den 1980er Jahren beschlossen, das Amtliche Topographisch-Kar-
tographische Informationssystem ATKIS zu entwickeln. Die Landesvermessungs-
behörden sahen ihre Aufgabe darin, einen bundeseinheitlichen, digitalen, topogra-
phisch-kartographischen Datenbestand aufzubauen, ihn interessenneutral zu ver-
walten sowie ihn im Rahmen der staatlichen Daseinsvorsorge vorzuhalten und als
staatliche Dienstleistung anzubieten. Insbesondere bestand das stets immanente
Ziel, durch digitale Verfahren die amtlichen topographischen Kartenwerke rationel-
ler herstellen zu können (vgl. Harbeck 1995 S. 19 ff.).
Das ATKIS-Systemdesign von 1989 sah u.a. aus Kostengründen, aber auch um
das Projekt überhaupt anzuschieben und möglichst rasch Daten zu gewinnen, einen
stufenweisen Aufbau vor. Die erste Realisierungsstufe DLM25/1 sollte 1995 zu-
mindest in den alten Bundesländern flächendeckend vorhanden sein. Das Kürzel
sollte verdeutlichen, dass die Inhalte etwa am Inhalt der Topographischen Karte
1 : 25.000 (TK 25) orientiert sind. Das DLM25/1 besaß in den wichtigen Punkt- und
Linienobjekten die Lagegenauigkeit der Deutschen Grundkarte 1 : 5.000 DGK5 (r3
m). Grundlage für die Erfassungsarbeiten waren in erster Linie die DGK5, darüber
hinaus die TK25, Luftbildkarten im Maßstab 1 : 5.000 und weitere Informations-
quellen wie Betriebskarten und Stadtpläne. Zeitlich parallel zur zweiten Ausbau-
stufe war beabsichtigt, die notwendige Entwicklungsarbeit zu leisten, um aus dem
DLM25 das Digitale Kartographische Modell DKM25 abzuleiten.
Der Ansatz des ursprünglichen ATKIS-Konzeptes bestand darin, die Erdoberflä-
che durch objektstrukturierte Landschaftsmodelle und dann weiter durch ebenfalls
objektstrukturierte, signaturorientierte Kartographische Modelle abzubilden. Ein
reales Geoobjekt sollte durch ein Modellobjekt ersetzt und dies durch grundrissbe-
zogene punkt-, linien- oder flächenförmige Bestandteile, durch Fachbedeutungen
und durch einen Namen beschrieben werden. Die Inhalte des Digitalen Landschafts-
modells und die Vorschriften zur Modellierung der Landschaftsobjekte wurden
durch einen ATKIS-Objektartenkatalog definiert.
ALK und ATKIS besaßen somit zwei unterschiedliche Datenmodelle. Das
ATKIS-Datenmodell ist dabei speziell auf die Anforderungen des topographischen
und kartographischen Arbeitens ausgerichtet. Ferner wiesen ALK und ATKIS un-
terschiedliche Objektartenkataloge auf. Diese konzeptionelle Zweigleisigkeit hat
gerade unter den Anwendern und potenziellen Nutzern dieser Geobasisdaten zu er-
heblichen Irritationen und letztlich zu dem gemeinsamen ALKIS-Konzept geführt
(vgl. Kap. 5.5.4).
Ein Kennzeichen von ATKIS war und ist die signaturenunabhängige Speiche-
rung der topographischen Objekte im Digitalen Landschaftsmodell. Gespeichert
werden abstrakte geometrische Informationen. Die „Übersetzung“ einer Vektorin-
formation in eine Liniensignatur wie z.B. in eine Doppellinie erfolgt in einem spä-
teren Arbeitsschritt. Die graphische Gestaltung hängt nur von der Wahl des Zei-
chenschlüssels ab. Dieser Grundgedanke ist auch im neuen AAA-Modell gültig.
Geobasisdaten 219
Das ursprüngliche ATKIS-Konzept von 1989 sah noch Digitale Kartographische

Modelle vor, die entsprechend den topographischen Landeskarten mit einem festen
Signaturenschlüssel aufgebaut werden sollten. Hierzu dient der ATKIS-
Signaturenkatalog, der mit den herkömmlichen Musterblättern der Topographi-
schen Karten vergleichbar ist. Die Ableitung analoger bzw. digitaler Topographi-
scher Karten sollte in einem mehrstufigen Prozess erfolgen (vgl. Jäger 1995 S.
233 ff.). Aus dem DLM sollte im ersten Schritt entsprechend den Festlegungen des
ATKIS-Signaturenkatalogs automatisch ein sog. Roh-DKM erzeugt werden. Das
Roh-DKM sollte in einem zweiten Schritt interaktiv zu dem endgültigen DKM aus-
gearbeitet werden. Vor dem Hintergrund der Geometrieerfassung im (größeren)
Maßstab 1 : 5.000 fallen hier hauptsächlich die kartographische Generalisierung
(Vereinfachen, Verdrängen), die Schriftplatzierung und die Überarbeitung bzw. die
optimale Platzierung der Signaturteile an. Das derart erarbeitete DKM sollte in der
ATKIS-Datenbank gespeichert werden. Im letzten Schritt sollten durch ein Präsen-
tationsprogramm, an das keine besonderen Anforderungen mehr zu stellen sind, da
die kartographisch schwierigen Aufgaben in den vorhergegangenen Schritten gelöst
wurden, die digital gespeicherten Karten-Objektinformationen z.B. auf dem Gra-
phikbildschirm präsentiert werden.
Zunächst wurde aber eine Präsentationsgraphik entwickelt, um im Vorfeld des
Digitalen Kartographischen Modells den Datenbestand visualisieren zu können. Die
Präsentationsgraphiken waren aber nicht mit dem DKM und den Topographischen
Karten zu verwechseln! Generalisierung und Verdrängung als Gestaltungsprozesse
fehlen.
Die Konzeption des Digitalen Kartographischen Modells von 1989 ist als theo-
retisch brillantes System erarbeitet worden, um die topographischen Landeskarten-
werke künftig aus dem kontinuierlich aktuell gehaltenen DLM rechnergestützt ab-
zuleiten. Der eigentliche Nutzen des Projektes ATKIS war vor allem dann zu sehen,
wenn aus dem DLM25 die kleinermaßstäbigen Folgekarten 1 : 50.000 oder
1 : 100.000 (oder ähnliche Produkte mit entsprechender Generalisierung) abgeleitet
werden können. Allerdings sind diese ehrgeizigen Ziele nicht erreicht worden.
Selbst für die Ableitung des DKM25 aus dem DLM25 bei einer Erfassungsgenau-
igkeit von 1 : 5.000 sind keine brauchbaren, automatisierten Lösungen gefunden
worden. Die nichttrivialen Probleme der kartographischen Generalisierung verhin-
dern die Automatisierbarkeit der Ableitung eines DKM aus dem DLM (Generali-
sierung u.a. durch Auswählen, Zusammenfassen, Weglassen, Vereinfachen oder
Verschieden von Objekten).
Trotz der überzeugenden Konzeption wurde der Aufbau von eigenständigen Kar-
tographischen Modellen von der Mehrzahl der AdV-Mitgliedsverwaltungen als
nicht praxisgerechte Lösung infrage gestellt. Möglichen Nutzern war nur schwer
verständlich zu machen, für die Erfassung und Auswertung der Sachdaten einerseits
das lagegenaue DLM, für deren Präsentation andererseits aber ein kartographisch
generalisiertes DKM zu benutzen. Insbesondere sind hierzu innerhalb von ATKIS
zwei Datenmodelle vorzuhalten. Die Präsentationsgraphiken des DLM erreichten
eine kartographische Qualität, die für viele Fachanwendungen ausreichend ist, so
dass der Absatz von DKM-Daten fraglich erschien.
Vor diesem Hintergrund wurde von der Arbeitsgemeinschaft der Vermessungs-

verwaltungen der Länder (AdV) ein neues ATKIS-Systemdesign ohne das DKM
vorgestellt. Eingeführt wurde vor allem ein neues konzeptionelles und materielles
Produkt, die Digitale Topographische Karte (DTK), die als das alleinige Endpro-
dukt in den Mittelpunkt rückt und letztlich das Digitale Kartographische Modell
verdrängt. Die konzeptionellen Weiterentwicklungen von ATKIS bzw. des DKM
wurden durch das aktuellere ALKIS-Projekt sowie durch das Erarbeiten einer neuen
Kartengraphik für die TK25 bzw. DTK25 abgelöst.
5.5.4 AFIS – ALKIS – ATKIS
5.5.4.1 Grundzüge des AFIS-ALKIS-ATKIS-Konzepts
Die Automatisierte Liegenschaftskarte (ALK) und das Automatisierte Liegen-

schaftsbuch (ALB) sowie auch das Amtliche Topographisch-Kartographische In-
formationssystem (ATKIS) weisen jeweils für sich konzeptionelle Probleme auf
(vgl. Kap. 5.5.3). Darüber hinaus sind ALK und ATKIS, die sich im Sinne einer
ganzheitlichen Nutzung der Geobasisdaten hervorragend ergänzen könnten, auf-
grund verschiedener Datenmodelle und Objektartenkataloge nicht kompatibel. So-
mit hat die AdV ein neues Fachkonzept für eine automatisierte, integrierte Führung
aller raumbezogenen Basisdaten beschlossen. Gültig war im Sommer 2019 noch die
sog. GeoInfoDok 6.0, die bereits fortgeschrieben wurde. Die GeoInfoDOK NEU
wird als Referenzversion ab 31.12.2023 gültig werden (vgl. AdV 2019, GeoInfo-
Dok 2019b u. GeoInfoDok NEU 2019):
- Die Festpunkte der Landesvermessung (Trigonometrische Punkte, Nivellement-
punkte und Schwerefestpunkte), die keine Originalbestandteile von ALK und
ATKIS darstellen, werden in dem eigenständigen Amtlichen Festpunkt-Informa-
tionssystem (AFIS) geführt.
- Die bisherigen Informationssysteme ALK und ALB werden integriert im Infor-
mationssystem ALKIS (Amtliches Liegenschaftskatasterinformationssystem) ge-
führt. Ferner wird eine formelle, inhaltliche und semantische Harmonisierung mit
ATKIS vorgenommen.
- Mit dem Amtlichen Topographisch-Kartographischen Informationssystem
(ATKIS) wird weiterhin die Topographie der Bundesrepublik Deutschland mit
Digitalen Landschafts- und Geländemodellen beschrieben.
In dem AFIS-ALKIS-ATKIS-Referenzmodell werden die Beziehungen der Einzel-
systeme im Kontext deutlich (vgl. Abb. 5.19). Auf der Regelungsebene werden die
Inhalte, Strukturen und Herstellungsvorschriften durch die Objektartenkataloge und
Signaturenkataloge definiert. Auf der Produktionsebene werden die Erfassungs-
quellen beschrieben. Die aufgebauten Geobasisdaten können auch als Erfassungs-
quelle für abgeleitete Datenbestände herangezogen werden. Auf der Kommunikati-
onsebene werden objekt- oder bildstrukturierte Daten, aufbereitete Informationen
oder analoge Auszüge an den Nutzer ausgegeben.
Geobasisdaten 221
Grundlegend ist, dass alle rechtlichen und tatsächlichen Gegebenheiten der realen
Welt, die als Informationen für das amtliche Vermessungswesen von Bedeutung
sind, aus fachlicher Sicht strukturiert und als Fachobjekte in einem gemeinsamen
AAA-Datenmodell abgebildet werden. Das AFIS-ALKIS-ATKIS-
Anwendungsschema bezeichnet dabei die formale Beschreibung der Datenstruktu-
ren und Dateninhalte des AAA-Datenmodells. Das AAA-Anwendungsschema glie-
dert sich in (vgl. Abb. 5.20):
- das AAA-Basisschema,
- das AFIS-ALKIS-ATKIS-Fachschema,
- das AAA-Versionierungsschema,
- NAS-Operationen (Normbasierte Austauschschnittstelle).
Regelungs- Produktionsebene Kommunika-

ebene tionsebene
Landschaft wird abge-
wird abgegeben an
bildet in
Karten und Digitales Nutzer bild-
andere Bildmodell TIFF strukturierter
Unterlagen (DBM) Daten
wird erfasst für

regelt wird abge-
Bestandsdaten wird abgegeben an
bildet in
Nutzer objekt-
ATKIS-
AFIS ALKIS DLM NAS strukturierter
Daten
Zusatzdaten
wird aufbereitet als

be-
schreibt
wird abge- wird abge-
Digitale Auszüge bildet in geben an
ATKIS- TIFF, Nutzer

AFIS ALKIS DLM DXF, aufbereiteter
NAS Informationen
wird gedruckt als
Analoge Auszüge wird abge-

geben an
Topogra- Nutzer
AFIS ALKIS phische analoger
Karten Auszüge
Abb. 5.19: Gemeinsames AFIS-ALKIS-ATKIS-Referenzmodell (nach GeoInfoDok 2009 Haupt-

dokument V.6.0.1 S. 10)
AAA-Anwendungsschema
AAA-Basisschema
Vererbung Vererbung
AAA-Fachschema Fachschema XYZ

Vererbung Vererbung Vererbung
AFIS ALKIS ATKIS Objektarten-

Objektarten- Objektarten- Objektarten- katalog
katalog katalog katalog XYZ
Abb. 5.20: Anbindung von Fachschemata an das AAA-Basisschema (nach Niedersächsische Ver-
messungs- und Katasterverwaltung 2010 Folie50)
Das Anwendungsschema enthält somit die vollständige formale Beschreibung eines

Datenbestandes. Durch die Einführung von (Fach-)Objekten und von Regeln, wie
sie zu erfassen und fortzuführen sind, wird die reale Welt abstrahiert. Wesentlich
gegenüber den bisherigen Einzelansätzen ist, dass das gemeinsame AFIS-ALKIS-
ATKIS-Anwendungsschema einen einheitlichen und objektorientierten Modellan-
satz für AFIS, ALKIS und ATKIS bietet.
Die Modellierung des AAA-Datenmodells entspricht internationalen Normen.
Zur Beschreibung des Anwendungsschemas und der Objektartenkataloge wird die
Datenmodellierungssprache Unified Modeling Language (UML) verwendet (vgl.
Kap. 3.5.4). Als Format der Datenaustauschschnittstelle wird die Auszeichnungs-
sprache XML benutzt (vgl. Kap. 6.3.3). Für die Integration von 3D-Informationen
bildet CityGML die Grundlage. Diese systemunabhängige Modellierung ermög-
licht die einfache Anbindung beliebiger Fachanwendungen, wenn sie ebenfalls auf
den internationalen Normen basieren.
Das fachneutrale AAA-Basisschema ist die Grundlage der fachlichen Modellie-
rung der AFIS-, ALKIS- und ATKIS-Objekte und für den Datenaustausch sowie
für weitere Fachanwendungen mit räumlichem Bezug. Es beschreibt die grundle-
genden Eigenschaften für eine oder mehrere Anwendungen und enthält alle Basis-
klassen, die für die Modellierung von Geoinformationen erforderlich sind. Das
AAA-Fachschema setzt auf dem AAA-Basisschema auf und definiert die fachli-
chen Inhalte.
Das AAA-Basisschema definiert fünf Typen von Objekten, wobei die Elementar-
objekte die kleinste mögliche fachliche Einheit bilden (vgl. GeoInfoDok 2009
Hauptdokument S. 18):
- Raumbezogene Elementarobjekte (AA_REO) mit fachlichen, geometrischen
und/oder topologischen Eigenschaften (z.B. Flurstück oder Gebäude).
- Raumbezogene ElementarObjekte 3D (AA_REO_3D) mit fachlichen, geometri-
schen und/oder topologischen Eigenschaften für 3D-Fachanwendungen.
Geobasisdaten 223
- Nicht raumbezogene Elementarobjekte (AA_NREO). Sie werden gebildet, wenn

nur fachliche, aber keine geometrischen oder topologischen Eigenschaften nach-
gewiesen werden sollen (z.B. Angaben zu Eigentümer- und Erbbauberechtigten).
- Zusammengesetzte Objekte (AA_ZUSO). Sie sind zu bilden, um den Zusammen-
hang einer beliebigen Zahl und Mischung semantisch zusammengehörender
raumbezogener Elementarobjekte, nicht raumbezogener Elementarobjekte oder
zusammengesetzter Objekte herzustellen.
- Punktmengenobjekte (AA_PMO). Sie stellen eine Abbildung einer Menge von
Geometrien auf die zugehörigen Attributwerte dar.
Die AAA-Fachobjekte sind in den zugehörigen Objektartenkatalogen der Doku-
mentation zur Modellierung der Geoinformationen des amtlichen Vermessungswe-
sens (GeoInfoDok) beschrieben. Die Kataloge sind sehr umfangreich und umfassen
bei ALKIS mehr als 720 Seiten (vgl. GeoInfoDok 2008a).
Für das AAA-Konzept wird eine Normbasierte Austauschschnittstelle (NAS)
festgelegt, die die bisherige Einheitliche Datenbankschnittstelle (EDBS) ablöst.
Durch die Verwendung der auf XML-Strukturen basierenden Schnittstelle NAS, die
somit auf internationalen Normen und Standards beruht, können die ALKIS-Daten
in jedem Browser angezeigt werden. Die Normbasierte Austauschschnittstelle dient
vor allem der Kommunikation der Vermessungsverwaltungen untereinander und
nach außen für die Nutzer von AAA-Daten z.B. im Rahmen des NBA-Verfahrens.
Die Schnittstelle ist sehr umfangreich definiert und bietet eine große Datentiefe.
Häufig benötigen Anwender aber nicht diese Inhaltsdichte, sondern vielmehr einfa-
chere Datenstrukturen, die gerade von gängigen Geoinformationssystemen direkt
verarbeitet werden können. Dieses Problem bestand bereits bei EDBS, die von den
Nutzern nicht in dem erwarteten Umfang angenommen wurde. Wie bei der EDBS
sind auch bei der NAS spezielle Konverter notwendig, um die Daten in die Daten-
formate der weit verbreiteten Geoinformationssysteme, d.h. in die sog. Industrie-
standards zu konvertieren. Um möglichst vielen Anwendern die Nutzung der AAA-
Daten zu ermöglichen und den gigantischen, aus Steuermitteln geschaffenen Daten-
berg zu vermarkten, ist auch eine Abgabe z.B. im proprietären Shape-Datenformat
der Firma ESRI möglich (zum Shape-Datenformat vgl. Kap. 9.3.3). Dabei geht al-
lerdings die Datentiefe verloren (vgl. Abb. 5.25).
Das AFIS-ALKIS-ATKIS-Konzept sieht eine Versionierung und eine Historie
von Objekten vor. Dabei sind Versionen aktuelle und historische Informationen zu
einem Objekt. Dies können z.B. Angaben zum Vorbesitzer oder Namensänderun-
gen sein. Falls sich aufgrund der Fortführung eine nicht-objektbildende Eigenschaft
ändert, wird eine neue Version des Objekts erzeugt, die historisch gewordene erste
Version bleibt jedoch innerhalb des Objekts bestehen. Wenn sich eine Eigenschaft
verändert, die objektbildend ist, dann wird das Objekt historisch und geht unter und
es wird ein neues Objekt in einem neuen Objektbehälter angelegt. So werden z.B.
bei Zerlegungen oder Verschmelzungen von Flurstücken die alten Objekte histo-
risch.
Durch Führung von Veränderungsdaten wird das neue Verfahren einer Nutzer-
bezogenen Bestandsdatenaktualisierung (NBA) möglich, bei dem jeder Ausgangs-
zustand beim Nutzer auf den vom Nutzer gewünschten Endzustand zu bringen ist.
Hierdurch wird das bisher im Verfahren Beziehersekundärnachweis (BZSN) reali-

sierte Vorgehen, Änderungen nachzuführen, wesentlich erweitert und ersetzt.
Durch das neu eingeführte Datenmodell sind aber keine weiteren Aktualisierungen
alter Datenbestände der Automatisierten Liegenschaftskarte (ALK) und des Auto-
matisierten Liegenschaftsbuchs (ALB) möglich. Dies hat erhebliche Konsequenzen
für das bisherige Verfahren Beziehersekundärnachweis, an dem registrierte Nutzer
der amtlichen Geobasisdaten, z.B. Ver- und Entsorgungsunternehmen für ihre Lei-
tungskataster oder IuK-Firmen, teilnehmen und darauf ihre eigenen Datenbestände
aufbauen. Jeweils muss eine neue Erstausstattung mit ALKIS-Daten erfolgen, da
die folgenden Aktualisierungen nur im Format der Normbasierten Austausch-
schnittstelle (NAS) über die Nutzerbezogene Bestandsdatenaktualisierung (NBA)
durchgeführt werden können.
5.5.4.2 Lagebezugssystem im AAA-Konzept
Der Paradigmenwechsel durch Einführung des AAA-Konzepts zu einheitlichen Ge-

obasisdaten wird dadurch abgeschlossen, dass zeitgleich mit der Migration der Da-
ten in das neue AAA-Modell das neue amtliche Lagebezugssystem ETRS89 in Ver-
bindung mit der Universalen-Transversalen-Mercator-(UTM)-Abbildung einge-
führt wird (vgl. Kap. 4.4.3). Der Bezugssystemwechsel führte z.B. in Niedersachsen
zu einer Verschiebung der Koordinatenwerte von Punkten um bis zu 140 m im
Rechtswert und um bis zu 1950 m im Hochwert. Dies ist auf den Wechsel vom
Bessel-Ellipsoid zum Ellipsoid des Geodätischen Referenzsystems 1980 (GRS80),
den Übergang vom Deutschen Hauptdreiecksnetz (Zentralpunkt Rauenberg) zum
ETRS89 und den Wechsel von der Gauß-Krüger- zur UTM-Abbildung zurückzu-
führen. Dies hat die weitreichende Konsequenz, dass die auf alte Geobasisdaten
gründenden Fachdaten in Fachinformationssystemen z.B. der Versorgungsunter-
nehmen ebenfalls in das neue Lagebezugssystem transformiert werden müssen. Die
Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder (AdV) stellt hierfür
Software und Transformationsparameter zur Verfügung (vgl. AdV 2012).
Insgesamt besitzt das neue Lagebezugssystem erhebliche Vorteile. So wird ein
bundes- und europaweit einheitliches Raumbezugssystem (nicht nur) für die Bereit-
stellung der Geobasisdaten geschaffen, das die Grundlage für eine zukunftsfähige,
europaweite Geodateninfrastruktur darstellt (vgl. Kap. 6.7.2). Die satellitenge-
stützte Datenerfassung auf der Basis des WGS84, der fast identisch zum ETRS89
ist, stellt inzwischen einen De-facto-Standard dar. Durch die Verwendung des Ge-
brauchssystems ETRS89 auch als Messsystem werden für die weitere Bearbeitung
der Koordinaten kein Datumswechsel und keine Transformationen notwendig. Mit
dem Globalen Navigationssatellitensystem können somit Positionen unmittelbar im
amtlichen Bezugssystem gemessen werden. Die meisten deutschen Bundesländer
befinden sich nur in einer UTM-Zone, ein Sprung z.B. vom zweiten in den dritten
Gauß-Krüger-Meridianstreifen wie in der Stadt Rheine entfällt häufiger.
Geobasisdaten 225
5.5.4.3 AFIS im AAA-Modell
Im amtlichen Festpunktinformationssystem (AFIS) werden die amtlichen Nach-

weise des Raumbezuges geführt. Die Daten der Festpunkte werden in digitaler und
objektstrukturierter Form nach den Festlegungen des Objektartenkatalogs im Rah-
men des AAA-Modells modelliert (vgl. GeoInfoDok 2008b). Nachgewiesen wer-
den die Objektarten Lagefestpunkt (LFP), Höhenfestpunkt (HFP) und Schwerefest-
punkt (SFP) und zusätzlich die relevanten Angaben zu den SAPOS-
Referenzstationen in der Objektart Referenzstationspunkt (RSP) sowie die Geodä-
tischen Grundnetzpunkte (GGP).
5.5.4.4 ALKIS im AAA-Modell
Das alte Datenmodell des Automatisierten Liegenschaftskatasters hat durch die

Migration zu ALKIS und dem neuen Fachschema eine völlige Veränderung erfah-
ren. Dies wird für den Nutzer sofort dadurch deutlich, dass die Gliederung in Folien
verschwunden ist und sich der Aufbau des Datenbestands grundlegend verändert
hat. Dabei besteht eine neue thematische Strukturierung (vgl. Abb. 5.21 u. 5.22):
10000-Flurstücke, Lage, Punkte 40000-Tatsächliche Nutzung

11000-Angaben zum Flurstück 41000-Siedlung
11001-AX_Flurstück 41001-AX_Wohnbaufläche
11002-AX_BesondereFlurstücksgrenze 41002-AX_IndustrieUndGewerbefläche
11003-AX_Grenzpunkt …
12000-Angaben zur Lage 42000-Verkehr
13000-Angaben zum Netzpunkt 42001-AX_Strassenverkehr
14000-Angaben zum Punktort 42006-AX_Weg
15000-Fortführungsnachweis …
16000-Angaben zur Reservierung 43000-Vegetation
17000-Angaben zur Historie 43001-AX_Landwirtschaft
20000-Eigentümer 43002-AX_Wald
21000-Personen- und Bestandsdaten …
21001-AX_Person 44000-Gewässer
21002-AX_Personengruppe 44001-AX_Fliessgewässer
21003-AX_Anschrift …
21004-AX_Verwaltung 50000-Bauwerke, Einricht. u. sonst. Ang.
… 60000-Relief
30000-Gebäude 61000-Reliefformen
31000-Angaben zum Gebäude 62000-Primäres DGM
31001-AX_Gebäude 70000-Gesetzliche Festleg., Gebietseinh.
31002-AX_Bauteil 71000-Öffentlich-rechtl. u. sonst. Festleg.
31003-AX_BesondereGebäudelinie 72000-Bodenschätzung, Bewertung
31005-AX_BesondererGebäudepunkt 90000-Migration
Abb. 5.21: Hierarchischer Aufbau des Objektartenkatalogs von ALKIS (nach Niedersächsische
Vermessungs- und Katasterverwaltung 2010)
In der ersten Gliederungsstufe wird die fachliche Ausprägung in die Objektartenbe-

reiche wie z.B. in den Objektartenbereich Flurstücke, Lage, Punkte unterteilt. Jeder
dieser Bereiche enthält wiederum Objektartengruppen wie z.B. Angaben zum Flur-
stück. Die Objektartengruppen enthalten schließlich die Objektarten wie z.B. die
Flurstücke. Die Objektarten werden von Attributarten beschrieben, d.h. zumeist von
vielen Attributen. Eine Objektart kann über Relationen einer anderen Objektart zu-
geordnet sein. So können z.B. Angaben zum Eigentümer generell für mehrere Flur-
stücke zutreffen. Daher werden sie als eigenständige Objektart AX_Person model-
liert und über Relationen dem Flurstück zugeordnet.
Die AdV hat einen bundeseinheitlichen Kerndatenbestand festgelegt, der von al-
len Vermessungsverwaltungen der Länder zu führen ist: Flurstück, Besondere Flur-
stücksgrenze, Grenzpunkt, Gebäude, Lagebezeichnung, Siedlung, Verkehr, Vege-
tation, Gewässer, Kataloge, Aufnahmepunkt, Punktort, Buchungsblatt, Buchungs-
stelle, Namensnummer, Person, Anschrift, Klassifizierung nach Straßenrecht, Klas-
sifizierung nach Wasserrecht, Bau-, Raum- und Bodenordnungsrecht. Darüber hin-
aus hat jedes Bundesland die Möglichkeit, über den Grunddatenbestand hinaus ei-
gene Länderprofile zu definieren.
Abb. 5.22: Datenmodellierung in ALKIS am Beispiel von Gebäuden (nach Niedersächsische Ver-
messungs- und Katasterverwaltung 2010 Folie 61)
Abbildung 5.23 zeigt einen Ausschnitt eines ALKIS-Datenbestandes, der in ein

Geoinformationssystem importiert wurde. Gegenüber der sehr einfachen und
schlichten Darstellung der Geometrien in einem Geoinformationssystem definiert
der ALKIS-Signaturenkatalog die aufwendigere und farbige Präsentation der Lie-
genschaftskarte, die für denselben Raumausschnitt in Abbildung 5.24 wiedergege-
ben ist. Die Darstellung zeigt einen Screenshot des Geodatenviewers TIM-online,
über den die Geobasisdaten der Vermessungs- und Katasterverwaltung NRW im
Geobasisdaten 227
Rahmen der Initiative „Offene Geodaten der GDI-NRW“ geldleistungsfrei visuali-

siert und zur Verfügung gestellt werden (vgl. Kap. 6.7.5).
Abb. 5.23: Datenauszug aus ALKIS-Objektart AX_Gebaeude_polygon und AX_Flur-

stueck_polygon, Gemeinde Welver / Kreis Soest (Datendownload über TIM-online. Land NRW
(2019) Datenlizenz Deutschland – Namensnennung - Version 2.0 www.govdata.de/dl-de/by-2-0),
vgl. Abb. 5.24)
Abb. 5.24: Präsentation der Liegenschaften über TIM-online, Gemeinde Welver / Kreis Soest
(Datendownload über TIM-online. Land NRW (2019) Datenlizenz Deutschland – Namensnen-
nung - Version 2.0 www.govdata.de/dl-de/by-2-0)
5.5.4.5 ATKIS im AAA-Modell
Mit der Einführung des AAA-Modells wurden die ATKIS-Daten entsprechend der
Dokumentation zur Modellierung der Geoinformationen des amtlichen Vermes-
sungswesens modelliert, an die neuen Normen angepasst und mit ALKIS verein-
heitlicht. Die Dokumentation enthält sehr umfangreiche und komplexe Vorschriften
(z.B. Unterführungen, Überlagerungen von Flächen tatsächlicher Nutzung mit Bau-
werken) und stellt gegenüber ALKIS einen anderen Genauigkeitsanspruch heraus.
So bezieht sich die Modellgenauigkeit von ±3 m auf die Geometrie linienförmig zu
modellierender Straßen, der schienengebundenen Verkehrswege und die auf der
Erdoberfläche liegenden Gewässer sowie auf die topologischen Knoten (z.B.
Schnittpunkte der Fahrweg mit den Straßenachsen) im Netz der Straßen und schie-
nengebundenen Verkehrswege. Die übrigen Objekte des Basis-DLM auf der Erd-
oberfläche haben eine Lagegenauigkeit von ±15 m (vgl. GeoInfoDok 2019a S. 29).
Die Genauigkeit der alten ATKIS-Daten bleibt nach der Fortschreibung erhalten.
Abb. 5.25: ATKIS-Basis-DLM, Verkehr; Linienobjekte, Neubeckum / Kreis Warendorf (Daten-

quelle: https://www.opengeodata.nrw.de/produkte/geobasis/dlm/basis-dlm/ Land NRW (2019)
Datenlizenz Deutschland – Namensnennung - Version 2.0 www.govdata.de/dl-de/by-2-0)
Das Ergebnis der Modellierung zeigt Abbildung 5.25, die auf einem Datenabruf des
gesamten ATKIS-Basis-DLM von Nordrhein-Westfalen beruht. Die Daten werden
im Rahmen der Initiative „Offene Geodaten der GDI-NRW“ geldleistungsfrei zur
Verfügung gestellt (vgl. Kap. 6.7.5). Dargestellt sind im ATKIS-Basis-DLM aus-
gewählte Linienobjekte, die als einfache Vektordaten in ein Geoinformationssystem
Geobasisdaten 229
übernommen wurden, wobei eine Eisenbahnsignatur verwandt und die weiteren Li-
nien lediglich farblich unterschieden wurden. Eine Straße bzw. ein Weg wird mo-
delliert und dargestellt durch die jeweiligen Mittellinien (Straßen- und Wegeach-
sen). Die mehrspurige Bundesautobahn A2 im Süden wird zusätzlich aufgelöst in
mehrere Fahrbahnachsen (vgl. Ausschnittsvergrößerung).
Ein wesentliches Ziel bei der Entwicklung des AAA-Modells war die Harmoni-
sierung der Objektartenkataloge von ALKIS und ATKIS. Dies betraf insbesondere
den Objektbereich Tatsächliche Nutzung und die Objektarten, die im neuen AAA-
Modell in ALKIS und ATKIS identisch sind. Daneben bestehen Objektarten, die
ausschließlich in AFIS, ALKIS oder in ATKIS vorkommen. So treten z.B. beim
Objektartenbereich Gewässer (44000) die Objektarten 44001 Fließgewässer, 44005
Hafenbecken, 44006 Stehendes Gewässer und 44007 Meer gemeinsam in ALKIS
und ATKIS auf, während die Objektarten 44002 Wasserlauf, 44003 Kanal, 44004
Gewässerachse nur in ATKIS auftreten. Die semantische Harmonisierung zielte auf
Übereinstimmung von Begriff und Inhalten ab, insbesondere identische Bezeich-
nungen von Objektbereichen, Objektgruppen und Objektarten, identische Objekt-
definitionen und -kennungen, identische Attributarten und -werte. Die Migration
aus dem alten ATKIS-Datenmodell in das neue AAA-Modell war für ATKIS ge-
genüber ALKIS mit weniger Problemen behaftet. Zwar wurden hierbei auch fehler-
hafte Daten korrigiert. Die Datenmodelle waren nicht derart grundsätzlich vonei-
nander verschieden wie das ALK- zum AAA-Modell.
Eine geometrische Harmonisierung ist allerdings konzeptionell und maßstabsbe-
dingt nicht möglich (vgl. Abb. 5.26). ATKIS kennzeichnet in einer gröberen Detail-
lierung die tatsächliche Nutzung z.B. eines ganzen Baublocks als Fläche gemischter
Nutzung, wohingegen ALKIS einzelne Parzellen z.B. als Wohnbaufläche, Fläche
gemischter Nutzung, Industrie- und Gewerbefläche und Landwirtschaft (Garten-
land) darstellt. ALKIS ist parzellenscharf, während ATKIS mehrere Flurstücke zu-
sammenfasst und über die Flurstückgrenze hinaus bis zur Straßenmittellinie geht.
ALKIS kennzeichnet die tatsächliche Nutzung eines Flurstücks als Straßenverkehr
oder Weg, ATKIS speichert die Straßenachse oder die Fahrwegachse.
Abb. 5.26: Unterschiedliche Detaillierung in ALKIS und ATKIS

Das Gesamtprodukt ATKIS beinhaltet inzwischen vier Komponenten:

- Digitale Landschaftsmodelle (DLM)
- Digitale Geländemodelle (DGM)
- Digitale Topographische Karte (DTK)
- Digitale Orthophotos (DOP)
„Das ATKIS Basis-DLM hat die Aufgabe, die Landschaft nach vornehmlich topo-
graphischen Gesichtspunkten zu gliedern, die topographischen Erscheinungsfor-
men und Sachverhalte der Landschaft zu klassifizieren und damit den Inhalt der
Digitalen Landschaftsmodelle (DLM) festzulegen.“ (GeoInfoDok 2019a). Neben
dem Basis-DLM, das den alten ATKIS-Datenbestand mit seinen Fortführungen und
Aktualisierungen ausmacht, sind weitere, gröber strukturierte Digitale Landschafts-
modelle vorgesehen:
- Digitales Basis-Landschaftsmodell*
- Digitales Landschaftsmodell 1:50.000 (DLM50)*
- Digitales Landschaftsmodell 1:250.000 (DLM250)**
- Digitales Landschaftsmodell 1:1.000.000 (DLM1000)**
*Realisierung durch die Landesvermessungsverwaltungen
**Realisierung durch das Bundesamt für Kartographie und Geodäsie
Das Basis-DLM und das DLM-50 (bis auf Bayern) sind in allen deutschen Bundes-
ländern flächenhaft vollständig vorhanden. Die DLM250 und DLM1000 sind eben-
falls für das Bundesgebiet flächenmäßig vollständig verfügbar.
Die Digitalen Geländemodelle (DGM) werden in ATKIS nicht wie bisher im
Objektbereich Relief einem spezifischen Digitalen Landschaftsmodell (DLM) zu-
geordnet, sondern als eigenständiger Bestandteil unter den objektstrukturierten Da-
ten ausgewiesen. Hiermit wird ähnlich wie bei den Festpunkten der Grundlagenver-
messung die universelle Verwendbarkeit des DGM als eigenständiger Datenbestand
deutlich und die Möglichkeit zur Erzeugung von kombinierten Datenbeständen oder
Erzeugnissen unter Verwendung von Daten aus anderen Produktgruppen besser
herausgestellt. Digitale Geländemodelle sind mit den Gitterweiten 1m, 2m, 5m,
10m und 25m verfügbar.
Seit den 90er Jahren hat eine Diskussion über eine moderne und zukunftsfähige
Kartengraphik topographischer Landeskarten eingesetzt. Zentral war hierbei die
Frage, ob das für die deutschen topographischen Landeskartenwerke typische fein-
gliedrige Kartenbild erhalten bleibt oder ob es zugunsten einer leichter lesbaren
Graphik aufgegeben werden sollte, die dann auch für Bildschirmdarstellungen bes-
ser geeignet ist. Im Jahre 1995 hat die AdV neue Gestaltungsgrundsätze für die
amtliche Topographische Karte verabschiedet. Die neue Kartengraphik wird u.a.
durch Ausweitung der Farbgebung (mehr Flächenfarben und farbige Signaturen),
Anhebung der kartographischen Mindestdimensionen (verbreiterte Strichstärken,
vergrößerte Zwischenräume), Erweiterung der Signaturierung und Auswahl einer
modernen Kartenschrift charakterisiert. Hiermit bestehen neue wichtige inhaltliche
und graphische Vorgaben für ein modernisiertes topographisches Landeskarten-
werk. Diese neue TK25 mit neuer Farbgebung und Signaturierung wird vollständig
aus digitalen Datenbeständen des ATKIS-DLM (Grundrissinformationen und Hö-
henlinien) und aus ALKIS (Gebäudeinformation) abgeleitet.
Geobasisdaten 231
Abb. 5.27: DTK 25, Neubeckum / Kreis Warendorf (Datenquelle: TIM-online, Land NRW (2019)
Datenlizenz Deutschland – Namensnennung -Version 2.0 www.govdata.de/dl-de/by-2-0)
Abbildung 5.27 zeigt den Ausschnitt einer DTK 25, er ist mit der Abbildung 5.25
identisch, so dass das Gestaltungsprinzip, die Modellierung und die Signaturierung
deutlich werden. Die Karte basiert auf dem Europäischen Terrestrischen Referenz-
system 1989 (ETRS89, vgl. Kap. 4.4.3).
Durch die deutsche Landesvermessung werden zur einheitlichen topographi-
schen Beschreibung des Gebietes der Bundesrepublik Deutschland mehrere Topo-
graphische Kartenwerke unterschiedlicher Maßstäbe bereitgestellt,
- (Digitale) Topographische Karte 1:10.000 DTK10 bzw. TK10*
- (Digitale) Topographische Karte 1:25.000 DTK25 bzw. TK25
- (Digitale) Topographische Karte 1:1.000.000 DTK1000 bzw. TK1000
*Die DTK10 liegt flächendeckend in den östlichen Bundesländern sowie in
Nordrhein-Westfalen und Baden-Württemberg bzw. als Digitale Ortskarte (DOK)
in Bayern vor.
Die Vermessungsverwaltungen der Länder sind für die DTK10, DTK25, DTK50
und DTK100, das Bundesamt für Kartographie und Geodäsie (BKG) ist für die
DTK250 und DTK1000 verantwortlich. Die AdV stellt eine jährlich aktualisierte
Übersicht über das Angebot der Digitalen Landschafts- und Geländemodelle sowie
der Digitalen Topographischen Karten zusammen (vgl. AdV-Online 2019a).
Zu der ATKIS-Produktfamilie zählen auch Digitale Orthophotos (DOP), die auf
Luftbildern beruhen, die computergestützt orientiert und auf ETRS89/UTM geore-
ferenziert, auf das DGM5 projiziert und nach einem bundeseinheitlichem Standard
aufbereitet wurden. Somit liegen entzerrte und maßstabsgetreue, digitale Senkrecht-
aufnahmen in einer Bodenauflösung von 20 cm x 20 cm (DOP20) bzw. 40 cm x 40
cm (DOP40) pro Pixel vor, in einigen Bundesländern existieren zusätzlich DOPs
mit der Bodenauflösung von 10 cm x 10 cm. Die Luftbilder liegen flächendeckend
vor und werden zumeist in einem 3-jährigen Zyklus erneuert.
5.5.4.6 Bezug der Geobasisdaten
Die Geobasisdaten werden als amtliche Daten unter verschiedenen Lizenzen von
den jeweiligen Landesvermessungsämtern bzw. vom Bundesamt für Kartographie
und Geodäsie zur Verfügung gestellt. Dabei bestehen unterschiedliche Abgabefor-
men und Abgabebedingungen. Für die meisten Bundesländer unterliegt die Abgabe
(noch) einer amtlichen Kostenordnung, wobei einzelne Geodaten auch kostenlos
abgegeben werden. Lediglich die Open-Data-Länder Berlin, Hamburg, Nordrhein-
Westfalen und Thüringen sowie das Bundesamt für Kartographie und Geodäsie stel-
len vollständig ihre Geodaten geldleistungsfrei zum Download und zur Online-Nut-
zung zur Verfügung. Im Rahmen des Open-Data-Angebots des Bundesamtes für
Kartographie und Geodäsie (BKG) werden Karten und Daten, die ab einem Maß-
stab 1:250.000 und kleiner durch das BKG selbst erzeugt und gepflegt werden, ge-
mäß Geodatenzugangsgesetz kostenfrei zur Verfügung gestellt (vgl. BKG 2019a u.
BKG2019b).
Geobasisdaten sind inzwischen im Rahmen der Abgabebedingungen über die
Geoportale der Vermessungsverwaltungen der einzelnen Bundesländer verfügbar
und digital abrufbar (vgl. Kap. 6.7.3 u. 6.7.5). Über einen Web Map Service ist ein
Einbinden einer Digitalen Topographischen Karte in ein Geoinformationssystem
leicht und fast standardmäßig möglich (vgl. Abb. 6.6). Die Bedeutung von Papier-
karten geht somit stark zurück. In Nordrhein-Westfalen ist z.B. eine analoge Daten-
abgabe als Plot nur gegen eine Gebühr möglich.
Herauszustellen ist das Produkt TopPlusOpen (TPO, vgl. BKG 2019c). Das Bun-
desamt für Kartographie und Geodäsie stellt eine frei nutzbare weltweite Webkarte
auf der Basis von freien und amtlichen Datenquellen bereit. Dabei ist TPO als
Download von Ausschnitten oder Kacheln der Webkarte und Präsentationsgraphi-
ken sowie vor allem als Web Map Service verfügbar.
Volunteered Geographic Information (VGI) 233
5.6 Volunteered Geographic Information (VGI)
5.6.1 Daten im GeoWeb 2.0
Der Begriff Volunteered Geographic Information (VGI) wurde von Goodchild

(2007) geschaffen, der darin eine Sonderform eines weitaus allgemeineren Trends
im World Wide Web sieht: Schaffen von „user generated content“, wofür das Er-
stellen, Sammeln und Verteilen von geographischen Informationen, die freiwillig
im World Wide Web von zumeist privaten Personen bereitgestellt werden, kenn-
zeichnend ist. Dies steht im Zusammenhang mit dem jüngeren Wandel des Anbie-
ter- und Nutzerverhaltens zum Web 2.0 (vgl. Kap. 2.8.4), der auch die Verwaltung
und das Bereitstellen von Geodaten verändert hat.
Das Gegenstück zum Web 2.0 wird häufig als GeoWeb 2.0 bezeichnet, das neue
Formen umfasst, wie Geodaten veröffentlicht und genutzt werden (vgl. Kahle
2015). Das GeoWeb ist aber darüber hinaus als Vision zu verstehen, räumliche Da-
ten in Echtzeit über Sensoren zu erfassen, sie in andere Daten zu integrieren und sie
durch mobile Geoinformationssysteme (GIS) bzw. durch ubiquitär im World Wide
Web verfügbare GIS-Funktionen zu nutzen (vgl. Longley u.a. 2010 S. 275 ff.).
Diese letztlich noch nicht abzusehenden Entwicklungen wurden zum großen Teil
von Angeboten kommerzieller Unternehmen wie Google, Yahoo und Microsoft ini-
tiiert, die Kartengrundlagen und nutzerfreundliche Funktionen zur Verfügung stel-
len, um eigene Daten im WWW zu präsentieren. Die derzeit wohl bedeutendsten
Beispiele sind Flickr und Google Earth. Über das Photoportal Flickr sind unzählige
Bilder zu erreichen, mit dem als einer der ersten WWW-Anwendungen die Veror-
tung von Photos möglich wurde. In Google Earth lassen sich eigene Geodaten im
KML-Format (KML = Keyhole Markup Language) abspeichern und wieder einla-
den, so dass unzählige Nutzer vielfältige, individuelle Zusatzdaten einpflegen. Dies
sind vor allem georeferenzierte Photos mit knappen Erläuterungen, Links zu wei-
terführenden Werbeseiten und 3D-Stadtmodelle.
5.6.2 Das Open Street Map-Projekt (OSM-Projekt)
Gegenüber diesen Präsentationen, die zur Werbung, zur Selbstdarstellung und ein-
fachen Verbreitung von Informationen unter Freunden dienen, ist die Erfassung und
Bereitstellung von Geodaten im engeren Sinn wie Straßenverläufe oder Landnutzen
in Konkurrenz zu Geobasisdaten zu sehen. Das derzeitig bedeutendste Beispiel ist
das Open Street Map - Projekt (initiiert 2004), das für jeden frei nutzbare Geodaten
sammelt und bereitstellt (vgl. Open Street Map 2019). Die Daten standen unter einer
Creative-Commons-Attribution-ShareAlike-2.0-Lizenz, die Open Street Map - Da-
tenbank wird seit dem 12.09.2012 unter der Open Database License (ODbL) 1.0
verteilt. Sie können daher unter Angabe der Datenquelle in Drucke, Webseiten und
Anwendungen wie Navigationssoftware eingebunden werden. Dazu müssen die
Daten durch Freiwillige selbst aufgenommen werden. In der Regel werden während
einer Fahrt oder eines Spaziergangs mit einem GPS-Empfänger Koordinaten einer
Straße oder eines Weges selbst erfasst oder auch durch Digitalisierung von frei ver-
fügbaren Vorlagen wie Luftbildern oder Karten selbst aufgenommen. Hier besteht
eine nicht zu unterschätzende Hürde. So ist ein einfaches Abzeichnen von Karten
und Plänen nicht möglich, die häufig wie bei öffentlich-rechtlichen Geoinformatio-
nen durch Urheberrecht geschützt sind. Allerdings haben inzwischen viele Unter-
nehmen oder Organisationen Daten zum Import in die Open Street Map - Datenbank
frei gegeben. Microsoft hat die Luftaufnahmen seines Kartenangebots im Internet
„Bing Maps“ zum Abzeichnen freigegeben, der sog. TIGER-Datensatz mit den vom
Statistischen Bundesamt der USA herausgegebenen Straßendaten wurde importiert,
in Deutschland haben einzelne Kommunen ihre Straßendaten zur Verfügung ge-
stellt.
Die aufgezeichneten, rohen Geodaten werden über ein Web-Portal hochgeladen
und in einem zweiten Schritt editiert. Das Open Street Map - Projekt stellt hierfür
verschiedene Möglichkeiten bereit. Grundlegende Editierschritte sind mit dem sehr
einfachen Programm iD möglich. Das Programm Potlatch 2 stellt die professionel-
lere Version dar. Alternativ ist eine Anpassung der erfassten Daten auch über den
Offline-Editor JOSM (JavaOpenStreetMap-Editor) als Desktopanwendungen sowie
EHUGLH$SSV9HVSXFFLRGHU*R0DSĵIUGLH6PDUWSKRQH-Betriebssysteme And-
roid bzw. iOS möglich. Hierdurch werden die Geometrien mit Attributen versehen
und z.B. ein Linienzug als Feldweg gekennzeichnet. Vor allem werden Points of
Interest (POI), die Sehenswürdigkeiten, öffentliche Einrichtungen oder auch z.B.
Bushaltestellen umfassen, ergänzt und bearbeitet. Das Editieren kann dabei auch
durch andere Personen als die eigentlichen Datenerheber erfolgen, so dass sich auch
Personen ohne GPS-Geräte beteiligen können, die aber über Ortskenntnisse verfü-
gen und somit helfen, den Datenbestand zu korrigieren, zu erweitern und zu aktua-
lisieren.
Abb. 5.28: Radfahrkarte Osnabrück auf Grundlage von OSM-Daten (Quelle: Open Street map
2019)
Volunteered Geographic Information (VGI) 235
Der unschätzbare Vorteil der OSM-Daten besteht darin, dass jeder registrierte Nut-
zer ohne restriktive Lizenzvorgaben oder Zahlung von Gebühren Geodaten frei be-
ziehen und in eigenen Anwendungen nutzen kann. Ferner bieten verschiedene Un-
ternehmen aufbereitete Daten an. Während die Aufbereitung mit Kosten verbunden
sein kann, ist die Nutzung frei möglich. Die Daten besitzen für viele Anwendungs-
fälle eine ausreichende Qualität. Durch das Lizenzmodell des Open Street Map -
Projektes ergeben sich beinahe unzählige Verwendungen. Im World Wide Wide
bestehen vielfältige Beispiele vor allem bei Routenplanern und zur Darstellung von
Anfahrtmöglichkeiten oder von Tourismuskarten von Reiseunternehmen (vgl. Sten-
gel u. Pomplun 2011 S. 116, vgl. Abb. 5.28). Bemerkenswert ist, dass das Umwelt-
bundesamt als amtliche Behörde OSM-Daten als Hintergrundinformationen be-
nutzt, um in einer interaktiven Karte die Umweltzone und Luftreinhaltepläne dar-
zustellen (vgl. Umweltbundesamt 2019).
5.6.3 Qualität von OSM-Daten
Ein zuweilen dem Einsatz von OSM-Daten entgegengebrachtes Argument ist die
uneinheitliche und letztlich unbestimmte Datenqualität. Allerdings gilt auch hier
grundsätzlich, dass die Qualität von Geodaten nutzungsspezifisch zu beurteilen ist
(sog. „fitness for use“, vgl. Kap. 6.6.1). Die amtlichen Geobasisdaten zeichnen sich
durch eine präzise, flächendeckende und wertneutrale Erhebung in einer klaren,
festgelegten Verantwortlichkeit aus. Die Daten besitzen eine einheitliche Aufnah-
mequalität, die auf Grundlage des amtlichen Vermessungswesens basieren. Diese
Kriterien bestehen naturgemäß nicht für die freiwillige Datenaufnahme von sehr
unterschiedlich ausgebildeten und motivierten Datenerhebern. Insbesondere ist die
Qualität der Open Street Map - Daten oder allgemein von Volunteered Geographic
Information nicht gleichmäßig. So bestehen hinsichtlich der Vollständigkeit große
Unterschiede zwischen einerseits Großstädten und touristisch gut erschlossenen Ge-
bieten sowie andererseits ländlichen Räumen. Die Positionierungsgenauigkeit ist
leider nicht überall einheitlich. Somit wird man bei Fragestellungen des Kataster-
wesens, wenn hohe Zuverlässigkeit wie z.B. bei der Trassenplanung von Energie-
versorgern unabdingbar ist, nicht ohne amtliche Geobasisdaten auskommen. Jedoch
ist die Datenqualität für viele Webanwendungen, für Stadt- und Tourismusportale
und vor allem als Grundlage für Anfahrtskarten oder Routing-Systeme völlig aus-
reichend. Die Open Street Map - Daten stellen für derartige Zwecke eine sehr ernst-
zunehmende Konkurrenz zu den amtlichen Geodaten dar. Die Geobasisdaten und
Webservices der Landesvermessungen werden aufgrund der restriktiven, kosten-
pflichtigen Lizenzpolitik zumeist nicht eingesetzt.
Literatur
AdV, Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutsch-

land (2012): Bundeseinheitliche Transformation für ATKIS (BeTA2007). http://crs.bkg.bund.de
/crseu/crs/descrtrans/BeTA/BETA2007dokumentationV15.pdf (14.11.2019)
AdV, Arbeitsgemeinschaft der Vermessungsverwaltungen der Länder der Bundesrepublik Deutsch-
land (2019): GeoInfoDok 7.0. http://www.adv-online.de/icc/extdeu/broker.jsp?u-
Men=a0070978-8c4f-4941-e0d8-2db572e13d63 (14.11.2019)
Bauer, M. (2018): Vermessung und Ortung mit Satelliten. Globale Navigationssysteme (GNSS) und
andere satellitengestützte Navigationssysteme. Berlin: Wichmann 7. Aufl.
Bayerische Vermessungsverwaltung (2019): Geländemodell.
https://www.ldbv.bayern.de/produkte/3dprodukte/gelaende.html (14.11.2019)
BeiDou Navigation Satellite System (2019): System. http://en.beidou.gov.cn/SYSTEMS/System /
(14.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019a): Geodatenzentrum des Bundesamtes für
Kartographie und Geodäsie. https://gdz.bkg.bund.de/ (14.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019b): Open Data. https://gdz.bkg.bund.de/in-
dex.php/default/open-data.html (14.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019c): TopPlusOpen.
https://www.bkg.bund.de/SharedDocs/Produktinformationen/BKG/DE/P-2018/181002-
TopPlusOpen.html (14.11.2019)
China Satellite Navigation Office (2018): Development of the BeiDou Navigation Satellite System
Version 3.0㸧http://en.beidou.gov.cn/SYSTEMS/Officialdocument/ (14.11.2019)
China Satellite Navigation Office (2019): BeiDou Navigation Satellite System Signal In SpaceInter-
face Control DocumentOpen ServiceSignalB1I (Version3.0). http://en.bei-
dou.gov.cn/SYSTEMS/Officialdocument/201902/P020190227601370045731.pdf (14.11.2019)
Dana, P.H. (2019): GPS. https://foote.geography.uconn.edu/gcraft/notes/gps/gps.html
(14.11.2019)
de Lange, N. u. K. Wessels (2000): Aufbau eines Grünflächeninformationssystems für die Stadt Os-
nabrück. In: N. de Lange (Hrsg.): Geoinformationssysteme in der Stadt- und Umweltplanung.
Fallbeispiele aus Osnabrück. S. 49– 64. Osnabrück: Rasch. = Osnabr. Stud. z. Geographie 19.
Dodel, H. u. D. Häupler (2009): Satellitennavigation. Berlin: Springer. 2. Aufl.
EGNOS (2019a): About EGNOS. https://egnos-user-support.essp-sas.eu/new_egnos_ops/egnos-
system/about-egnos (14.11.2019)
EGNOS (2019b): EGNOS about OS. https://egnos-user-support.essp-sas.eu/new_egnos_ops/ser-
vices/about-os (14.11.2019)
EGNOS (2019c): EGNOS about SoL. https://egnos-user-support.essp-sas.eu/new_egnos_ops/ser-
vices/about-sol (14.11.2019)
EGNOS (2019d): EGNOS about EDAS. https://egnos-user-support.essp-sas.eu/new_egnos_ops/ser-
vices/about-edas (14.11.2019)
EGSA, European Global Navigation Satellite Systems Agency (2019a): Constellation information.
https://www.gsc-europa.eu/system-service-status/constellation-information (14.11.2019)
EGSA, European Global Navigation Satellite Systems Agency (2019b): System. https://www.gsc-
europa.eu/galileo-gsc-overview/system (14.11.2019)
EGSA, European Global Navigation Satellite Systems Agency (2019c): Galileo Services.
https://www.gsa.europa.eu/galileo/services (14.11.2019)
ESA (2019): galileo navigation. http://www.esa.int/Our_Activities/Navigation/Gali-
leo/What_is_Galileo (14.11.2019)
FAA, Federal Aviation Administration (2019a): Satellite Navigation – WAAS – How it works.
https://www.faa.gov/about/office_org/headquarters_offices/ato/ser-
vice_units/techops/navservices/gnss/waas/howitworks/ (14.11.2019)
Literatur 237
FAA, Federal Aviation Administration (2019b): Satellite Navigation — GPS/WAAS Approaches.

https://www.faa.gov/about/office_org/headquarters_offices/ato/ser-
vice_units/techops/navservices/gnss/approaches/ (14.11.2019)
Flühr, H. (2010): Avionik und Flugsicherungstechnik. Einführung in Kommunikationstechnik, Na-
vigation, Surveillance. Heidelberg: Springer.
Foley, J.D. u.a. (1996): Computer graphics: principles and practices. Reading: Addison-Wesley.
GeobasisNRW (2019): Digitale Höhenmodelle. https://www.bezreg-koeln.nrw.de/brk_internet/ge-
obasis/hoehenmodelle/index.html (14.11.2019)
GeoInfoDok (2008a): Dokumentation zur Modellierung der Geoinformationen des amtlichen Ver-
messungswesens (GeoInfoDok), ALKIS Objektartenkatalog. Einstieg über GeoInfoDok 2019b.
GeoInfoDok (2008b): Dokumentation zur Modellierung der Geoinformationen des amtlichen Ver-
messungswesens (GeoInfoDok), Erläuterungen zu AFIS. Einstieg über GeoInfoDok 2019b.
GeoInfoDok (2009): Dokumentation zur Modellierung der Geoinformationen des amtlichen Ver-
messungswesens (GeoInfoDok), Hauptdokument. Einstieg über GeoInfoDok 2019b.
GeoInfoDok (2019a): Dokumentation zur Modellierung der Geoinformationen des amtlichen Ver-
messungswesens (GeoInfoDok), Erläuterungen zum ATKIS Basis-DLM V. 7.1. Einstieg über
GeoInfoDok 2019b.
GeoInfoDok (2019b): Dokumente der aktuellen GeoInfoDok-Version 6.0. http://www.adv-on-
line.de/icc/extdeu/nav/4ad/4ad505ea-127b-b941-2df2-65a572e13d63&sel_uCon=68470b36-
de06-8a01-e1f3-351ec0023010&uTem=73d607d6-b048-65f1-80fa-29f08a07b51a.htm
(14.11.2019)
GeoInfoDok NEU (2019): GeoInfoDok NEU. http://www.adv-online.de/GeoInfoDok/GeoInfoDok-
NEU/ (14.11.2019)
Goodchild, M.F. (2007): Citizens as sensors: the world of volunteered geography. GeoJournal 69
(4). S. 211–221.
GPS.gov (2019a): GPS Space Segment. https://www.gps.gov/systems/gps/space/ (14.11.2019)
GPS.gov (2019b): GPS Control Segment. https://www.gps.gov/systems/gps/control/ (14.11.2019)
ter, 8. Aufl.
Harbeck, R. (1995): Überblick über Konzeption, Aufbau und Datenangebot des Geoinformations-
systems ATKIS. In: Kophstahl, E. u. H. Sellge (1995): Das Geoinformationssystem ATKIS und
seine Nutzung in Wirtschaft und Verwaltung. Vorträge 2. AdV Symp. ATKIS, S. 19 - 37.
Harding, D. (2008): Pulsed Laser Altimeter Ranging Techniques and Implications for Terrain Map-
ping. In Shan, J. u. C. K. Toth (2008, Hrsg.): Topographic Laser Ranging and Scanning. Princi-
ples and Processing. Boca Raton Fl. S. 173-194
Heritage, G.L. u. A.R.G. Large (2009, Hrsg.): Laser Scanning for the environmental sciences.
Chichester: Wiley-Blackwell
Hessische Verwaltung für Bodenmanagement und Geoinformation (2019): Airborne Laserscanning
(ALS). https://hvbg.hessen.de/geoinformation/landesvermessung/geotopographie/3d-daten/air-
borne-laserscanning-als (14.11.2019)
Hilling, F. u. N. de Lange (2010a): Vollautomatisierte Ableitung eines digitalen Solardachkatasters
aus Airborne Laserscannerdaten. In: Bill, R., Flach, G., Klammer, U. u. C. Niemeyer (Hrsg.):
Geoforum MV 2010 – Vernetzte Geodaten: vom Sensor zum Web. Berlin: GITO, S. 17-20.
Hilling, F. u. N. de Lange (2010b): Webgestützte interaktive Solardachkataster. Ein Instrument zur
Darstellung der Nutzungseignung von Dächern für Photovoltaikanlagen am Beispiel der Stadt
Lage. In: Standort, Zeitschrift für Angewandte Geographie 34-1, S. 104-109.
Höfle, B. u. M. Rutzinger (2011): Topographic airborne LiDAR in geomorphology: A technologi-
cal perspective. In: Zeitschrift für Geomorphologie 55, 2, S. 1–29.
Hofmann-Wellenhof, B. u.a. (2008): GNSS Global Navigation Satellite Systems. GPS, GLONASS,
Galileo & more. Springer: Wien.
,$& ɂȺɐ ,QIRUPDWLRQ-Analysis Center for Positioning, Navigation and Timing (2019):
GLONASS. https://www.glonass-iac.ru/en/ (14.11.2019)
Jäger, E. (1995): Kartographische Präsentation aus ATKIS. In: Kophstahl, E. u. H. Sellge (1995):
Das GIS ATKIS und seine Nutzung in Wirtschaft und Verwaltung. Vorträge anl. des 2. AdV
Symposiums ATKIS. S. 231–241. Hannover: Nieders. Landesverwaltungsamt – Landesverm.
Kahle, C. (2015): Geoweb 2.0 – nutzergenerierte Geoinformationen. Bibliotheksdienst, Band 49,
Heft 7, Seiten 762–766. https://www.degruyter.com/view/j/bd.2015.49.issue-7/bd-2015-
0086/bd-2015-0086.xml (14.11.2019)
Kahmen, H. (2006): Angewandte Geodäsie: Vermessungskunde. Berlin: de Gruyter. 20. Aufl.
Kohlstock, P. (2011): Topographie: Methoden u. Modelle der Landesaufnahme. Berlin: de Gruyter.
Longley, P.A., Goodchild, M.F., Maguire, D.J. u. D.W. Rhind (2010): Geographic Information Sys-
tems and Science. New York: John Wiley 3. Aufl.
Mansfeld, W. (2010): Satellitenortung und Navigation: Grundlagen, Wirkungsweise und Anwen-
dung globaler Satellitennavigationssysteme. Wiesbaden: Vieweg + Teubner. 3. Aufl.
Matikainen, L. u.a. (2017). Object-based analysis of multispectral airborne laser scanner data for
land cover classification and map updating. ISPRS Journal of Photogrammetry and Remote
Sensing, Volume 128: S. 298 –313
NASA (2012): Global Positioning System History. https://www.nasa.gov/directorates/heo/scan/
communications/policy/GPS_History.html (14.11.2019)
NASA (2017): Global Positioning System. https://www.nasa.gov/directorates/heo/scan/communica-
tions/policy/GPS.html (14.11.2019)
Nicolaus, S. (2000): Erfassung städtischer Grünflächen auf Grundlage von Luftbildern. - In: N. de
Lange (Hrsg.): Geoinformationssysteme in der Stadt- und Umweltplanung. Fallbeispiele aus Os-
nabrück. S. 37–48. Osnabrück: Rasch. = Osnabrücker Studien zur Geographie 19.
Niedersächsische Vermessungs- und Katasterverwaltung (2010): Basiswissen ALKIS/ETRS 89,
Schulungsunterlagen. Hannover 2010.
https://www.lgln.niedersachsen.de/download/126790/Basiswis-
sen_ALKIS_ETRS89_Schulungsmaterial_Stand_12.04.2010.pdf (14.11.2019)
NMEA (2019): NMEA 0183. http://www.nmea.de/nmea0183datensaetze.html (14.11.2019)
Open Street Map (2019a): About. https://www.openstreetmap.org/about (14.11.2019)
Pfeifer, N. u.a. (2017): Laserscanning. In: Heipke, C. (2017): Photogrammetrie und Fernerkundung,
S. 431–482. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer.
Resnik, B. u. R. Bill (2018): Vermessungskunde für den Planungs-, Bau- und Umweltbereich. Ber-
lin: Wichmann. 4. Aufl.
SAPOS (2019a): Satellitenpositionierungsdienst der deutschen Landesvermessung.
http://www.sapos.de (14.11.2019)
SAPOS (2019b): SAPOS Dienste. https://www.sapos.de/dienste-im-ueberblick.html (14.11.2019)
Sellge, H. (1998): Zukunft der Geobasisdaten in Niedersachsen. In: Creuzer, P. (Hrsg.): Geographi-
sche Informationssysteme. Einsatz und Nutzung in Kommunen und Landesverwaltung. S. 91–
96. Hannover: Landesvermessung + Geobasisinformation.
Shan, J. u. C. K. Toth (2008, Hrsg.): Topographic Laser Ranging and Scanning. Principles and Pro-
cessing. Boca Raton Fl.: CRC Press
Stengel, S u. S. Pomplun (2011): Die freie Weltkarte Open Street Map – Potenziale und Risiken. In:
Kartographische Nachrichten, Jg. 61, H. 3, S. 115–120.
Teledyne Optech (2019): Titan. World’s first mulitspectral lidar. https://www.teledyneop-
tech.com/en/products/airborne-survey/titan/ (14.11.2019)
Umweltbundesamt (2019): Umweltzonen und Luftreinhaltepläne. https://gis.uba.de/website/um-
weltzonen/index.html (14.11.2019)
Vosselman, G. u. H.-G. Maas (2010, Hrsg.): Airborne and Terrestrial Laser Scanning. Boca Raton
Fl.: CRC Press
Wichmann, V. u.a. (2015). Evaluating the potential of multispectral airborne lidar for topographic-
mapping and landcover classification. ISPRS Annals of the Photogrammetry, Remote Sensing
and Spatial Information Sciences, Volume II-3/W5, S. 113–119.
Worboys, M. F. u. M. Duckham (2004): GIS: A computing perspective. Boca Raton: CRC Press.
6 Standards und Interoperabilität von Geodaten
6.1 Standardisierung und Interoperabilität
6.1.1 Mehrfachnutzung durch Standardisierung
Die einfache Grundüberlegung ist, einmal erhobene und somit vorhandene Geoda-
ten auch für neue, weitere Fragestellungen zu nutzen und dann nicht mehr neu zu
erfassen. Im Mittelpunkt stehen Effizienzsteigerungen, da eine Mehrfachnutzung
fast immer wirtschaftlich günstiger ist. Unabhängig von irgendwelchen Gebühren
für die Mehrfachnutzung ist eine Neuerfassung in der Regel mit höheren Kosten
verbunden. Bei einer Mehrfachnutzung werden Datenredundanzen vermieden,
wodurch sich auch die Gefahr von Dateninkonsistenzen verringert.
Inzwischen liegen große digitale Bestände von Geodaten vor, so dass die Wahr-
scheinlichkeit zur Neuverwendung gestiegen ist und eine Mehrfachnutzung nahe-
liegt, wobei davon ausgegangen wird, dass Datenlieferanten und Datenquellen ei-
nerseits sowie Datennachfrager andererseits verschieden sind. Der Wunsch bzw. die
Notwendigkeit, (Geo-)Daten mehrfach zu nutzen, führt zu zwei unterschiedlich
komplexen Fragen:
- Welche Daten sind in welcher Qualität für eine bestimmte Fragestellung eines
Nutzers (irgend-)wo vorhanden?
- Wie ist ein Datenaustausch (technisch) zu vollziehen?
Die erste Frage zielt auf die (reine) Kenntnis von geeigneten Daten ab. Häufig ist
unbekannt, dass überhaupt schon Daten für eine bestimmte Fragestellung vorliegen,
häufig ist auch die Kenntnis über Eigenschaften vorhandener Daten unzureichend.
Die Daten selbst befinden sich an mehreren Orten auf unterschiedlichen Datenträ-
gern. Den Daten liegen zumeist unterschiedliche Erfassungsziele, Erfassungsme-
thoden, Datengenauigkeiten und Datenformate zugrunde. Für eine Mehrfachnut-
zung sind daher beschreibende Informationen über die Daten eine unabdingbare
Voraussetzung. Insbesondere ist eine verbindliche Mindestmenge an Informationen
über die Daten, d.h. an Metadaten, vorzuhalten. Durch standardisierte Metadaten-
kataloge, d.h. zwingend zu erfassende, vorzuhaltende Metadaten zu den eigentli-
chen Fachdaten, können geeignete Daten gefunden und deren Möglichkeiten und
Grenzen der Verwendung (u.a. Verfügbarkeit, Bereitstellungskosten und Nutzungs-
rechte) abgeschätzt werden.
Die zweite Frage schließt Teilfragen zu Formen der Datenübertragung, zu Da-
tenschnittstellen und Datenformaten ein. Insbesondere müssen die Daten vollstän-

https://doi.org/10.1007/978-3-662-60709-1_6
dig und verlustfrei ausgetauscht werden. So gehören zu einem vollständigen Aus-

tausch von Geodaten nicht nur Geometrie-, sondern auch Topologiedaten sowie
Sach- und Metadaten. Neben den Geoobjekten können auch Informationen zu gra-
phischen Ausprägungen (z.B. Strichstärke oder Farbe) ausgetauscht werden. Eine
wesentliche Voraussetzung zum Datenaustausch und zur Mehrfachnutzung von
(Geo-)Daten sind Ausarbeitung und Umsetzung von Standards, die Datenanbieter
und Datennachfrager gleichermaßen übernehmen. Ein ungehinderter und mühelo-
ser Datenaustausch ist aber nicht nur eine Frage einer standardisierten Schnittstelle.
Ferner muss die Modellierung der Geoobjekte in den Informationssystemen der An-
bieter und Nachfrager bekannt und im Hinblick auf größtmögliche Interoperabilität
standardisiert sein. Neben den eher technischen Aspekten ist nicht zuletzt relevant,
dass die Bedeutung eines Geobjektes bei Anbietern wie auch Nachfragern gleich
ist. So ist nicht unerheblich, dass beide Seiten darin übereinstimmen, durch welche
Merkmale z.B. ein Bach im Unterschied zu einem Fluss bestimmt wird.
6.1.2 Syntaktische und semantische Interoperabilität
Interoperabilität umschreibt die Fähigkeit, auf verteilte Datenressourcen zuzugrei-

fen und die Daten nutzen zu können, die in unterschiedlichen Softwaresystemen
erzeugt werden, in verschiedenen, d.h. vor allem proprietären Datenformaten vor-
liegen und die unterschiedlich modelliert sein können. Interoperabilität ist Daten-
austausch und Datennutzen über Systemgrenzen. Neben der rein technischen In-
teroperabilität, die sich u.a. auf den Datentransfer z.B. über ein Glasfasernetz be-
zieht, wird syntaktische von einer semantischen Interoperabilität unterschieden.
Die syntaktische Interoperabilität kennzeichnet die Struktur der Schnittstellen
bzw. Datenformate zwischen beteiligten Systemen. Die semantische Interoperabi-
lität in der Geoinformatik beinhaltet, dass die Bedeutung (Semantik) der Begriffe,
das Datenschema und die Modellierung der Geoobjekte in den beteiligten Systemen
bekannt und nutzbar sind.
Nachstehend sind zwei Datensätze mit gleichem Inhalt angeführt, aber mit un-
terschiedlicher Syntax. Angegeben sind jeweils gleiche Eigenschaften von Flurstü-
cken innerhalb eines Gewerbeflächenkatasters einer Gemeinde. Lediglich das
zweite Beispiel ist aufgrund einer HTML-ähnlichen Syntax direkt verständlich:
12-3773; osnabrueck; 2012-05-24; 1100;g;ja
<flurstueck>
<flurstuecksnummer>12-3733</flurstuecksnummer>
<gemeinde>osnabrueck</gemeinde>
<eigenschaften Datum=“2012-05-24“>
<groesse>1100</groesse>
<fnp>g</fnp>
<altlastenverdacht>ja</altlastenverdacht>
</eigenschaften>
</flurstueck>
Standardisierung und Interoperabilität 241
Eine syntaktische Interoperabilität kann nicht verhindern, dass ein Informations-

system die Daten eines anderen Informationssystems unterschiedlich interpretiert.
Derartige semantische Probleme treten regelmäßig bei der Integration von Geoda-
ten aus verschiedenen Quellen auf. Herauszustellen ist, dass die OGC Webservices
(vgl. Kap. 6.4.2), die gerade den Datenaustausch über Systemgrenzen revolutioniert
haben, eine syntaktische, aber keine semantische Interoperabilität bieten.
Nachstehend ist als Beispiel für eine kritische semantische Interoperabilität ein
Datensatz aufgeführt, der für ein Flurstück ein Attribut besitzt, das das Vorliegen
einer Altlast ausweist („Vorhandensein einer Altlast“ mit den Ausprägungen „ja“
und „nein“). Die Bedeutung des Attributwertes „nein“ ist in dem ursprünglichen
Zusammenhang und Aufgabenkontext eindeutig, in dem die Daten erhoben wurden.
Diese Ausweisung soll sich aufgrund einer Einschätzung eines Sachbearbeiters er-
geben haben und sich auf die Ablagerung von Bauschutt beziehen.
12-3773; osnabrueck; 2012-05-24; 1100;g;nein
In einem anderen Informationssystem kann aber das dortige Attribut mit glei-
chem Namen („Vorhandensein einer Altlast“) eine völlig andere Bedeutung haben
und sich auf das Ergebnis von chemischen Bodenanalysen beziehen. Der einfache
Datentransfer des Flurstücks mit dem Attributwert „nein“ für „Vorhandensein einer
Altlast“ kann dann im neuen Kontext erhebliche Folgen haben, falls zusätzlich eine
Bodenkontamination mit PCB vorliegt, nach der im ursprünglichen Kontext gar
nicht geprüft wurde. Dennoch wird jetzt das Flurstück schadstofffrei geführt. Eine
semantische Interoperabilität zu „Vorhandensein einer Altlast“ ist in diesem Bei-
spiel nicht gegeben. Dies betrifft sogar zwei Aspekte: Mehrdeutigkeit des Begriffes
„Altlast“ und mehrere Formen der Nachweisführung.
Zur Lösung dieser Probleme können eindeutige Terminologien und Metadaten
verwendet sowie Ontologien aufgebaut werden, die der Repräsentation von Wissen
dienen. In der Informatik ist eine Ontologie ein formales, maschinenverstehbares
Modell von Wissen, das für ein Thema oder Wissensgebiet Begrifflichkeiten bzw.
Informationen zu den Begriffen systematisiert und die miteinander in Beziehung
stehenden Begriffe semantisch verknüpft. Vor allem werden die zwischen den Be-
griffen bestehenden Beziehungen formalisiert. Erst wenn Faktoren wie z.B. Relief,
Fließgeschwindigkeit, Niederschlag oder Verdunstung systematisiert bzw. operati-
onalisiert und die Beziehungen dargestellt sind, kann aus der Variablen Pegelstand
automatisch ein mögliches Überschwemmungsrisiko abgeleitet werden.
Ontologien kommen u.a. in der automatisierten Wissensverarbeitung (z.B. in Ex-
pertensystemen) und generell in Anwendungssystemen der Künstlichen Intelligenz
zum Einsatz. Das World Wide Web Consortium (W3C) hat die Web Ontology Lan-
guage (OWL) spezifiziert, um Ontologien anhand einer formalen Beschreibungs-
sprache zu beschreiben und zu verbreiten. Ontologien wie OWL sind Bausteine zum
Aufbau des Semantic Web, das eine Erweiterung des World Wide Web darstellt, um
Webinhalte in einer maschinenverständlichen Form anzubieten und sie zwischen
verschiedenen Rechner einfacher bzw. automatisiert auszutauschen und zu verwer-
ten (zum Einstieg vgl. Hitzler u.a. 2008).
6.2 Standardisierungsinstitutionen
6.2.1 Standard und Norm
Standards in der Geoinformatik bzw. bezüglich Geodaten betreffen etablierte For-

mate von Geoinformationssystemen wie z.B. das Drawing Exchange Format (DXF)
der Firma Autodesk oder das Shape-Datenformat des Softwareunternehmens Firma
ESRI (vgl. Kap. 9.3.3). Diese Industriestandards oder De-facto-Standards ergeben
sich durch die Dominanz und Bedeutung von Software einzelner Unternehmen ähn-
lich zu den Datenformaten von Microsoft Office oder dem PDF-Format. Standards
kennzeichnen breit anerkannte und benutzte Formate und Regeln, die sich am Markt
durchgesetzt haben. Mit Industriestandards bzw. proprietären Datenformaten sind
stets herstellerspezifische, d.h. wirtschaftliche Vorteile verbunden.
Standards können durch Normungsinstitute zu einer anerkannten, nicht herstel-
lerspezifischen Norm genormt werden. Eine Norm kennzeichnet ein technisches
Regelwerk, d.h. einen De-jure-Standard. Durch die Normierung durch eine herstel-
lerunabhängige Behörde soll gewährleistet werden, dass die Inhalte der Normen
allgemein anerkannt sind. Das Deutsche Institut für Normung e. V. definiert in der
DIN 820-1 von 1994: „Normung ist die planmäßige, durch die interessierten Kreise
gemeinschaftlich durchgeführte Tätigkeit zur Vereinheitlichung von materiellen
und immateriellen Gegenständen zum Nutzen der Allgemeinheit.“ Auch der Nor-
mungsprozess selbst wird detailliert in der DIN 820 geregelt, soweit er innerhalb
des Deutschen Instituts für Normung stattfindet.
Tabelle 6.1: International bedeutende Normierungsorganisationen

Name Einstiegs-URL
AFNOR Association Française de Normalisation www.afnor.org

ANSI American National Standards Institute www.ansi.org
BSI British Standards Institution www.bsigroup.com
CEN Comité Européen de Normalisation www.cenorm.be
CENELEC Europ. Committee for Electrotechnical Standard. www.cenelec.eu
DIN Deutsches Institut für Normung www.din.de
ETSI Europäisches Institut für Telekommunikationsnormen www.etsi.org
FGDC Federal Geographic Data Committee www.fgdc.gov
IEC International Engineering Consortium www.iec.org
International Electrotechnical Commission www.iec.ch
ISO International Standard Organisation www.iso.org
OASIS Org. for the Advancement of Struct. Inform. Standards www.oasis-open.org
OMG Object Management Group www.omg.org/
Open Geospatial Consortium (OGC) www.opengeospatial.org
World Wide Web Consortium (W3C) www.w3.org
Standardisierungsinstitutionen 243
6.2.2 Normierungsinstitutionen
Mit Normungsarbeiten befassen sich mehrere internationale und nationale Organi-

sationen (vgl. Auswahl in Tab. 6.1). Die Internetadressen bieten eine Fülle von Hin-
weisen und Normungskriterien. Stellenweise ist aber bei den Institutionen eine Au-
torisierung notwendig, um die Normen einzusehen. Dies muss allerdings als kont-
raproduktiv zu dem Ziel angesehen werden, eine möglichst rasche Verbreitung von
Normen und Standards zu erreichen. Die Suche mit dem Stichwort „Geoinforma-
tion“ ergab im Frühjahr 2019 auf der Seite des Deutschen Instituts für Normung
über 630 Treffer. Für die Geoinformatik sind im Deutschen Institut für Normung
der Normenausschuss Bauwesen und darin im Fachbereich Geodäsie und Geoinfor-
mation die Arbeitsausschüsse Geodäsie, Photogrammetrie u. Fernerkundung und
Geoinformation sowie Geodätische Instrumente und Geräte von Belang. In der In-
ternational Organization for Standardization (ISO) ist das Technical Committee211
(Geographic Information/Geomatics) von zentraler Bedeutung.
6.2.3 International Organization for Standardization (ISO)
Die Internationale Normierungsorganisation ISO mit Sitz in Genf ist die internatio-
nale Vereinigung von Normungsorganisationen, wobei sich das Akronym nicht als
Abkürzung des Unternehmens versteht, sondern sich von dem griechischen Wort
„isos“ (dt. gleich) ableitet. Die ISO erarbeitet internationale Normen in allen Berei-
chen außerhalb von Elektrik, Elektronik und der Telekommunikation. Die Organi-
sation gliedert sich in Technische Komitees, Subkomitees und Arbeitsgruppen. Die
ISO hat über 22.000 internationale Standards entwickelt, mehr als 1.000 neue Stan-
dards werden in jedem Jahr veröffentlicht. Die ISO-Standards werden durch einen
präzise festgelegten Arbeitsprozess entwickelt, der mehrere klar definierte Schritte
und Phasen umfasst, um einen möglichst breiten Konsens unter Herstellern, Anbie-
tern, Konsumentengruppen, Behörden und Forschungseinrichtungen zu erreichen
(vgl. ISO 2019a). Allgemein ist eine Hinwendung von nationalen hin zu internatio-
nalen Normen zu erkennen.
Das Technical Committee TC 211 Geographic Information/Geomatics in der ISO
beschäftigt sich in mehreren Arbeits- und Spezialgruppen mit der Entwicklung von
Normen zur Geoinformatik (Normfamilie 191xx,). Sehr viele Normen haben inter-
nationalen Standard erreicht, die meisten befinden sich bereits in einer erneuten
Phase der Überarbeitung. Der Katalog an Standards deckt sehr viele Belange der
Geoinformatik ab wie z.B. „Geography Markup Language“, „Web Feature Ser-
vice“, „Data quality“, „Addressing“ oder „Calibration and validation of remote
sensing imagery sensors and data“ (vgl. ISO2019b).
Das TC 211 verfolgt neben dem generellen Ziel der Nachhaltigkeit weitere Leit-
linien, von denen als herausragende zu nennen sind: Unabhängigkeit von Software
und Hardware, Entwicklung von (Schnittstellen- und Daten-)Modellen auf der kon-
zeptionellen Ebene anstelle von Datenformaten, Kommunikationsdienste (z.B. Da-
tentransfer) auf der Basis von normierten Schnittstellen.
6.2.4 Open Geospatial Consortium
Das Open Geospatial Consortium (OGC, vor 2004 Open GIS Consortium Inc.)
stellt eine 1994 gegründete Non-Profit-Standardisierungsorganisation dar, in der in-
zwischen über 520 Unternehmen, Behörden und Forschungseinrichtungen freiwil-
lig zusammenarbeiten, um in einem konsensualen Prozess allgemein verfügbare
Schnittstellenstandards zu entwickeln. Schlagwortartig kann das Ziel des OGC um-
schrieben werden durch: „geo-enable the Web by geospatial standards“:
„Mission:
To serve as the global forum for making location Findable, Accessible, Interopera-
ble, and Reusable (FAIR) via a proven consensus-based collaborative and agile pro-
cess combining standards, innovation, and partnerships.” (OGC 2019a).
Das OGC erarbeitet mehrere Arten von Dokumenten, unter denen (neben OGC Ref-
erence Model (ORM) Best Practices Documents, Engineering Reports, Discussion
papers, White papers) die OGC-Implementation-Standards und die OGC Abstract
Specifications die wichtigsten sind. Die OGC Abstract Specifications bieten die
konzeptionelle Basis für die meisten OGC-Entwicklungen und liefern ein Referenz-
modell für die Entwicklung der Implementation-Spezifikationen (vgl. OGC 2019b).
Die Implementation-Standards richten sich an eine technische Zielgruppe und
beschreiben ausführlich die Schnittstellenstrukturen zwischen Softwarekomponen-
ten (vgl. OGC 2019c:). So stellt z.B. das Feature-Geometry-Model eine abstrakte
Spezifikation des OGC dar, die einen implementierungsunabhängigen Rahmen bil-
det, an dem sich Implementierungs-Spezifikationen ausrichten sollen (vgl. Kap.
6.3.1). Auf dem Feature-Geometry-Model bzw. auf Untermengen davon bauen die
OGC-Spezifikationen (bzw. inzwischen auch ISO-Normen) auf:
- das Simple-Feature-Geometry-Object-Model (zur Beschreibung zweidimensio-
naler Vektorgeometrien in zwei ISO-Normen Simple Feature Access ISO 19125-
1 u. 19125-2),
- die Geography Markup Language (GML, zur XML-basierten Repräsentation von
Geodaten, ISO 19136).
Unter den OGC-Implementation-Standards definieren die Webservices (konkreter
bzw. ausführlicher benannt: die OGC-konformen Geodatendienste, vgl. Kap. 6.4)
die Interoperabilität im Web, d.h. vor allem der Web Map Service (WMS, gekachelt
(tile) als Web Map Tile Service WMTS), der Web Feature Service (WFS) und der
Web Coverage Service (WCS). Der wichtige Catalogue Service for the Web (CSW,
auch Web Catalogue Service) wird innerhalb der Catalogue Service Implementation
Specifications definiert.
Seit 1997 besteht eine enge Zusammenarbeit zwischen dem OGC und dem
ISO/TC211 (vgl. ISOTC211 2019). So werden z.B. die Implementierungsspezifi-
kationen des OGC bei der ISO als Normvorschlag eingereicht.
Die Einhaltung von OGC-Standards ist inzwischen das entscheidende Kriterium
für die Interoperabilität von Geodaten und von Softwaresystemen (vgl. Kap. 6.4.2).
OGC-Konformität ist nicht nur ein allgemeines Gütemerkmal, sondern auch ein
Kaufkriterium von Software und Grundlage von Geodateninfrastrukturen. Falls die
Standards zur Modellierung von Geodaten 245
OGC-Standards in Software oder Online-Services zweier unabhängig voneinander

arbeitender, d.h. auch konkurrierender Softwarehersteller implementiert sind, ist
eine Interoperabilität zwischen den resultierenden Komponenten über diese Schnitt-
stelle gegeben („plug and play“).
6.3 Standards zur Modellierung von Geodaten
6.3.1 Das Feature-Geometry-Modell
Eine wichtige Voraussetzung für Interoperabilität zwischen Geoinformationssyste-

men betreffen neben Standards zum Datenaustausch insbesondere die Modellierung
und Speicherung von Geodaten. Das OGC hat mit der abstrakten Spezifikation des
Feature-Geometry-Modells, die inzwischen der ISO-Norm 19107 (2003) „Geogra-
phic Information Spatial Schema“ entspricht, ein konzeptionelles Datenmodell ent-
wickelt, das räumliche Eigenschaften von maximal zweidimensionalen Geoobjek-
ten beschreibt (Vektor-Geometrie und Topologie). Hierdurch werden räumliche
Standardoperationen für Zugriff, Anfrage, Verwaltung und Austausch von Geoob-
jekten definiert (vgl. Brinkhoff 2013 S. 67 ff.).
Abb. 6.1: Die Hauptpakete für das Feature-Geometry-Modell (nach Brinkhoff 2013 S. 67)
Das Feature Geometry Model besteht aus den beiden Hauptpaketen „Geometry“
und „Topology“, die selbst wieder aus fünf bzw. drei Unterpaketen bestehen (vgl.
Abb. 6.1). So gehören zum Paket Geometry das Teilpaket „Geometry Root“ mit der
Geometrie-Oberklasse „GM_Object“, das Teilpaket „Geometry Primitive“ mit De-
finition der geometrischen Primitiven (Punkte, Linien, Flächen, Körper) und das
Teilpaket „Coordinate Geometry“ mit Klassen zur Beschreibung der Geometrien
durch Koordinaten, das Teilpaket „Geometry Aggregate“ zur Zusammenfassung
von mehreren Geoobjekten zu losen Geometriesammlungen und das Teilpaket „Ge-
ometry Complex“ zur Zusammenfassung von mehreren geometrischen Primitiven,
die ein komplexes Geoobjekt beschreiben (vgl. eingehender Brinkhoff 2013 S. 68
ff.). Ferner werden das Paket „Coordinates“ aus der ISO-Norm 19111 „Spatial Re-
ferencing by Coordinates“ und das Paket „Basic Types“ aus der ISO-Norm 19103
„Conceptional Schema Language“ verwendet.
6.3.2 Das Simple-Feature-Geometry-Object-Model
Innerhalb der OGC hat das Feature Geometry Object Model, das als ein abstraktes,
implementierungsunabhängiges, konzeptionelles Datenmodell die räumlichen Ei-
genschaften von Geoobjekten beschreibt, eine zentrale Bedeutung. Aktuell ist die
Korrekturversion 1.2.1 von 2011, die gegenüber der ISO-Norm 19125 etwas erwei-
tert ist (vgl. OGC 2019d). In der ISO-Norm 19125-1 Simple Feature Access – Com-
mon Architecture werden die technologieunabhängigen Eigenschaften des Daten-
modells festgelegt, in der ISO-Norm 19125-2 (ebenfalls von 2004) wird die Umset-
zung in ein SQL-Datenbankschema beschrieben. Die übrigen beiden von der OGC
erarbeiteten Ausprägungen für Simple Features, d.h. für die Common Object Requ-
est Broker Architecture (CORBA) und für das Object Linking and Embed-
ding/Component Object Model (OLE/COM) zum Datenaustausch in einem
Windows-Netzwerk, haben technologisch an Bedeutung verloren.
Das Simple-Feature-Geometry-Object-Model soll hier zur beispielhaften Veran-
schaulichung von Modellierungsprinzipien dienen und in das Vorgehen bei der Mo-
dellierung von einfachen Geometriestrukturen und Objektbildung für Vektordaten
einführen (vgl. Kap. 9.3.2). Als Simple Features sind maximal zweidimensionale
Geoobjekte definiert, deren Stützpunkte gradlinig miteinander verbunden sind. So-
mit sind Kurven und Kreise keine Simple Features, sondern nur Punkte, Linien,
Streckenzüge und Flächen. Tabelle 6.2 verdeutlicht die Implementierung des
Simple-Feature-Geometry-Object-Models in der Geodatenbank PostgreSQL/Post-
GIS (vgl. Kap. 8.7.3). Mit Point, Linestring und Polygon sind drei Basis-Geomet-
rietypen vorhanden, von denen vier weitere Geometrietypen abgeleitet sind.
Tabelle 6.2: Geometrietypen des OGC-Simple-Feature-Geometry-Object-Models (nach ISO 19125-

1 Simple Feature Access Tab. 2 „Example Well-kown Text Representation of Geometry“)
Typ Beispiel
Point POINT (10 12)

LineString LINESTRING (10 12, 20 20, 30 40)
Polygon POLYGON (10 12, 20 20, 30 40, 10 12)
Multipoint MULTIPOINT (10 10, 20 20)
MultiLineString MULTILINESTRING ((10 10, 20 20), (15 15, 30 25))
MultiPolygon MULTIPOLYGON ( ((10 10, 10 20, 20 20, 20 15, 10 10)), ((40 40,
60 60, 70 40, 40 40)) )
GeometryCollection GEOMETRYCOLLECTION (POINT (100 100), POINT (200 200),
LINESTRING (150 150, 200 200, 300 300))
Von der Oberklasse „Geometry“, die auf ein räumliches Bezugssystem (Klasse
„SpatialReferenceSystem“) verweist, werden spezifischere Klassen für geometri-
sche Basisobjekte (sog. geometrische Primitive) und für Geometriesammlungen ab-
geleitet (vgl. Abb. 6.2). Im Hinblick auf eine Beispielanwendung (vgl. Abb. 6.3)
soll hier lediglich auf Linien näher eingegangen werden. Linien werden beim
Simple-Feature-Geometry-Object-Model durch die abstrakte Klasse „Curve“ mo-
delliert, die nur eine einzige Unterklasse „LineString“ zur Speicherung von Stre-
ckenzügen aus einer (geordneten) Folge von (Strecken-)Punkten hat. „LineString“
besitzt die Unterklasse „Line“ (Strecken, engl. line segments, mit genau zwei Stre-
ckenpunkten) und die Unterklasse „LinearRing“ für geschlossene einfache Stre-
ckenzüge (Ringe).
Abb. 6.2: Klassenhierarchie des Simple-Feature-Geometry-Object-Models (2D)
Das Simple-Feature-Geometry-Object-Model definiert Methoden, die von den

Klassen zur Verfügung zu stellen sind. Beispiele von Methoden, die von allen Ge-
ometrieklassen bereitgestellt werden müssen, sind „IsEmpty(..)“ (Prüfung, ob die
Geometrie leer ist) oder „Point.X(..)“ (Rückgabe der x-Koordinate eines Punktes.
Ferner stellt das Simple-Feature-Geometry-Object-Model eine Reihe von Metho-
den zur Verfügung, die räumliche Beziehungen zwischen geometrischen Objekten
ausdrücken und räumliche Analysen ermöglichen (Abstand, Puffer, konvexe Hülle,
Verschneidungsoperationen wie Intersection oder Union, vgl. Kap. 9.4.4). Das
Simple-Feature-Geometry-Object-Model wird zum Beispiel in Geodatenbanksys-
temen wie Oracle Spatial oder PostGIS auf Basis von PostgreSQL eingesetzt oder
in Programmbibliotheken wie der JTS Topology Suite verwendet, die z.B. als Basis
der Programmbibliothek GeoTools dient.
6.3.3 Geography Markup Language
Die Geography Markup Language (GML), die auf dem Feature Geometry Model
beruht, stellt eine XML-basierte Beschreibung von Geodaten dar (vgl. OGC 2019e).
Seit 2012 ist die GML-Version 3.3 verfügbar, die die Vorgängerversion 3.2.1 er-
gänzt. GML beschreibt die geometrischen, topologischen und temporalen Merk-
male von bis zu dreidimensionalen Geoobjekten.
<?xml version="1.0" encoding="utf-8" ?>

<ogr:FeatureCollection
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation=""
xmlns:ogr="http://ogr.maptools.org/"
xmlns:gml="http://www.opengis.net/gml">
<gml:boundedBy>
<gml:Box>
<gml:coord>
<gml:X>434046.472</gml:X><gml:Y>5733655.540</gml:Y>
</gml:coord>
<gml:coord>
<gml:X>434234.540</gml:X><gml:Y>5733770.769</gml:Y>
</gml:coord>
</gml:Box>
</gml:boundedBy>
<gml:featureMember>
<ogr:GML3_UTM_2019 fid="GML3_UTM_2019.0">
<ogr:geometryProperty>
<gml:LineString srsName="EPSG:25832">
<gml:coordinates>
434230.018,5733742.126 434207.881,5733746.490
434184.157,5733750.299 434193.679,5733770.769
434234.540,5733762.597 434232.716,5733757.519
434230.018,5733742.126
</gml:coordinates>
</gml:LineString>
</ogr:geometryProperty>
<ogr:Id>0</ogr:Id>
<ogr:F_ID>5926918</ogr:F_ID>
<ogr:Name>Gisbert Block</ogr:Name>
</ogr:GML3_UTM_2019>
</gml:featureMember>
<gml:featureMember>
<ogr:GML3_UTM_2019 fid="GML3_UTM_2019.1">
<ogr:geometryProperty>
<gml:LineString srsName="EPSG:25832">
<gml:coordinates>
434046.472,5733660.831 434059.802,5733739.539
434105.715,5733751.599 434099.156,5733703.993
434115.236,5733700.607 434108.465,5733655.540
434046.472,5733660.831
</gml:coordinates>
</gml:LineString>
</ogr:geometryProperty>
<ogr:Id>0</ogr:Id>
<ogr:F_ID>5926977</ogr:F_ID>
<ogr:Name>Gisela Polygon</ogr:Name>
</ogr:GML3_UTM_2019>
</gml:featureMember>
</ogr:FeatureCollection>
Abb. 6.3: Modellierung von Objekten eines Gewerbeflächeninformationssystems in GML
Seit 2005 werden GML-Profile eingeführt, die Untermengen von GML für be-
stimmte Anwendungsbereiche festlegen (z.B. GML Simple Features Profile). GML
ist mit Version 3.2.1 ISO-konform (ISO 19136:2007). Das bedeutet insbesondere,
dass GML nunmehr auch eine Implementierung von ISO 19107 darstellt (vgl. Kap.
6.3.1).
Das OGC beschreibt Geoobjekte als sog. Features mit den Bestandteilen „Ele-
ment Property“, die allgemeine Informationen zum Geoobjekt enthalten, und mit
den Bestandteilen „Geometric Property“, modelliert durch geometrische Basistypen
(Geometrische Primitive) „Point“, „LineString“, „LinearRing“ oder „Polygon“ so-
wie durch komplexere, aggregierte Mengen dieser Objekte (Geometriesammlun-
gen, MultiCurve und MultiSurface) (zu Klassendiagrammen vgl. Brinkhoff 2013 S.
339 ff.).
In einem kleinen Beispiel wird ein Ausschnitt eines Gewerbeflächeninformati-
onssystems modelliert, das aus einzelnen Gewerbeflächen mit Attributen besteht
(vgl. Abb. 6.3). Als geometrischer Basistyp soll nur der einfache „Line String“ vor-
gestellt werden, der eine Folge von Punkten ist, die durch gerade Liniensegmente
verbunden sind (vgl. weitere Arten von Line-Strings wie z.B. mit Überschneidun-
gen oder geschlossene Line-Strings). Ein Geographic Feature wird als Liste mit Na-
men modelliert, die geographische und nichtgeographische Eigenschaften aufweist.
Die geographischen Eigenschaften werden dabei durch die bereits definierten Geo-
metrie-Typen kodiert.
Das XML-Dokument ist auch ohne breite Erläuterungen und tiefe Kenntnisse
von GML leicht nachvollziehbar. Jede Fläche hat eine eindeutige Flächennummer,
die Zugehörigkeit zu einer Verwaltungseinheit, einen Besitzer und eine Grenze.
Durch „geometryProperty“ werden die geometrischen Eigenschaften des Features
bezeichnet. Eine Sammlung von Feature-Elementen stellt eine FeatureCollection
dar. Für die Geometriedaten muss das räumliche Bezugssystem spezifiziert sein
(srsName, srs abgekürzt nach spatial reference system). Benutzt werden sog. EPSG-
Codes (vgl. Kap. 4.5.7).
6.3.4 GeoPackage
Zur Speicherung und zum Übertragen von Geodaten hat das OGC 2014 einen offe-
nen, nicht proprietären und plattformunabhängigen Standard entwickelt. Dadurch
soll insbesondere eine Unabhängigkeit gegenüber Industriestandards erreicht wer-
den (vgl. die proprietären Shape- bzw. Geodatabase-Datenformate der Firma ESRI,
vgl. Kap. 9.3.3). Der OGC-GeoPackage-Standard beschreibt Konventionen, um
Geodaten in einer SQLite-Datenbank zu speichern: Vektordaten, Bild- und Raster-
karten, Attribute (nichträumliche Daten) und Erweiterungen. Ein GeoPackage ist
der SQLite-Container, während der GeoPackage Encoding Standard die Regeln und
Anforderungen definiert, wie Inhalte in einem GeoPackage-Container gespeichert
sind (vgl. OGC 2019f).
Die gesamte Datenbank, die mehrere verschiedene Themen und Feature-Klassen
umfassen kann, befindet sich in einer einzigen, sehr kompakten, d.h. platzsparenden
Datei. Die Daten in einem GeoPackage können in einem „nativen“ Speicherformat
ohne Transformation in Zwischenformate abgerufen und aktualisiert werden. Ge-

rade hierdurch eignet sich das Format insbesondere für mobile Anwendungen auf
Smartphones oder Tabletcomputern (Einsatz von Geoinformationssystemen auf
mobilen Endgeräten).
6.4 Geodatendienste
6.4.1 Interoperabilität durch standardisierte Geodatendienste
Ein Datenaustausch ist grundsätzlich nicht neu, er war bis in die späten 90er Jahre
zumeist durch umständliche und aufwendige Arbeitsschritte gekennzeichnet. Ein
Nachfrager wie z.B. ein Energieversorgungsunternehmen richtet seine Anfrage z.B.
zu aktuellen Flurstücksgeometrien über ein Bestellformular (oder per E-Mail) an
eine Katasterbehörde. Die gewünschten Daten werden dort aus dem Datenbestand
der Behörde bzw. aus dem Format des dort eingesetzten Informationssystems in ein
standardisiertes Datenformat konvertiert (vgl. EDBS bzw. NAS in Kap. 5.5.2. bzw.
5.5.4.1), auf einer DVD oder per E-Mail (zusammen mit einem Kostenbescheid)
zurückgeschickt. Das Unternehmen konvertiert die Daten und fügt sie in den eige-
nen Datenbestand ein, d.h. in das Datenformat des unternehmensinternen Informa-
tionssystems (vgl. Abb. 6.4). Der Datenaustausch war gekennzeichnet durch
Konvertierung zwischen proprietären Datenformaten verschiedener Softwareher-
steller. Dabei konnten durchaus Datenverluste auftreten. Der Prozess wurde etwas
vereinfacht, wenn der Datenaustausch über ein einheitliches Datenformat erfolgte
oder das Informationssystem beim nachfragenden Unternehmen über entspre-
chende Datenimportstellen verfügte.
Inzwischen vollzieht sich der Datenaustausch weitgehend automatisiert über das
Internet über vereinheitlichte, normierte Daten(austausch)schnittstellen und auf der
Basis von OGC-konformen Geodatendiensten.
Abb. 6.4: Datenaustausch unter Nutzung standardisierter Schnittstellen
6.4.2 OGC-konforme Geodatendienste
Geodatendienste sind in ihrer allgemeinen Form Webdienste oder Webservices, die

verteilte Geodaten über das WWW zugänglich machen. Dabei ist ein Webservice
eine Softwareanwendung, die entwickelt wurde, um eine Interoperabilität zwischen
(verschiedenen) Rechnern im World Wide Web zu unterstützen. Beim Aufbau einer
Geodateninfrastruktur (vgl. Kap. 6.7) besitzen standardisierte Geodatendienste eine
Geodatendienste 251
große Bedeutung, da letztlich erst sie eine Interoperabilität zwischen verteilten

Rechnern im WWW und deren Datenbeständen ermöglichen, die in unterschiedli-
chen Datenmodellen und Datenformaten vorliegen.
Anhand der Abbildung 2.15 können grundsätzlich Zugriff und Übertragung von
Geodaten im Internet durch Geodatendienste verdeutlicht werden (vgl. Kap. 2.8.3),
für die im Sprachgebrauch vereinfacht nur noch die Bezeichnung Webservices üb-
lich ist. Ein Webbrowser startet eine Anfrage an einen Webserver, der sie an einen
sog. Mapserver weiterleitet, der auf die Geodaten zugreift. Der Webserver über-
nimmt hierbei die reine Kommunikation im WWW. Die Logikschicht des Mapser-
vers zeichnet sich jetzt durch besondere Funktionalitäten aus. Der Mapserver führt
die Webservices aus, er bereitet die Geodaten auf und schickt sie über den Webser-
ver wieder zurück an den aufrufenden Client. Hierbei bezeichnen Webserver und
Mapserver Softwaresysteme, die in der Regel auf ein und demselben physischen
Server (Hardware) laufen. Die Bezeichnungen Webserver und Mapserver sollen
hier der Unterscheidung der beiden Systeme mit unterschiedlicher Funktionalität
dienen.
Das OGC hat zur Interoperabilität mehrere Standards für Geodatendienste erar-
beitet. Der Web Map Service (WMS) besitzt derzeit die größte Bedeutung und Ver-
breitung. Er liefert die Geodaten in Form einer (einzigen) Rasterkarte an den aufru-
fenden Client zurück (bzw. der Web Map Tile Service (WMTS), der mehrere geo-
referenzierte Kartenkacheln zurückliefert). In der Bedeutung folgen der Web Ca-
talogue Service (CSW) und der Web Feature Service (WFS), der beschreibende
Metadaten bzw. Vektordaten als GML-Datei zurückgibt (vgl. Kap. 6.4.6).
Grundsätzlich ist der Aufruf eines OGC-Webservices auf dem Mapserver zwei-
stufig. Zunächst wird mit der Anweisung „GetCapabilities“ das Leistungsvermögen
ermittelt. Danach folgen dienstespezifische Anfragen (z.B. GetMap). Die Webser-
vices greifen im Standardfall direkt auf eine Datenbasis zu. Allerdings sind auch
mehrstufige Varianten möglich. So kann ein WMS einen WFS oder WCS oder
beide Services parallel aufrufen und die Vektordaten zurückliefern, die dann vom
WMS als Rasterkarte aufbereitet und an den aufrufenden Client zurückgeschickt
wird (kaskadierender Dienst).
6.4.3 Arbeitsweise eines OGC-konformen WMS am Beispiel des

UMN-MapServers
Der MapServer ist (inzwischen) ein Softwareprojekt der Open Source Geospatial
Foundation (OSGeo), das auf eine Entwicklung der University of Minnesota
(UMN) zurückgeht und daher häufig weiterhin mit dem Namen UMN-Mapserver
oder UMN-MapServer bezeichnet wird. Die Freie Software stellt Webservices ent-
sprechend den Spezifikationen des Open Geospatial Consortium bereit (WMS,
WFS, WCS). Verwirrend ist eine häufig vereinfachende Formulierung. So wird von
einem WMS-Server gesprochen, wenn auf einem Server (Hardware) ein Web Map
Service implementiert ist (vgl. Abb. 2.15), der nicht zwingend auf der UMN-
MapServer-Software basieren muss. Bei dieser Sprechweise vermengen sich zudem
Hard- und Softwaresicht mit OGC-Konformität.
MAP
NAME OS_Freiflaechen
IMAGETYPE PNG
EXTENT 3427000 5787000 3445000 5805000
SIZE 800 800
SHAPEPATH 'C:/osdaten/fnutzung/'
IMAGECOLOR 255 255 255 # Hintergrundfarbe weiss
WEB
METADATA
'WMS_TITLE' 'Sportanlagen Osnabrück WMS'
'WMS_ONLINERESOURCE' 'http://localhost/cgi-bin/mapserv.exe?map=
C:/ms4w/Apache/htdocs/os_fnutzung/freiflaechen_wms.map'
'WMS_CRS' 'EPSG:31467'
END
END
PROJECTION
"init=epsg:31467"
END
# Start der LAYER DEFINITION -----------------------
LAYER # Beschreibung Layer EINS
NAME 'Stadtgrenze'
DATA 'grenzen.shp'
STATUS ON
TYPE LINE
METADATA
'WMS_Title' 'Stadtgrenze'
'WMS_SRS' 'EPSG:31467'
END
CLASS
STYLE COLOR 0 0 0 END
END #class
END # Beschreibung Layer EINS
LAYER # Beschreibung Layer ZWEI
NAME 'Siedlungsfreiflaechen'
DATA 'freiflaechen.shp'
STATUS DEFAULT
TYPE POLYGON
METADATA
'WMS_Title' 'Siedlungsfreiflaechen'
'WMS_SRS' 'EPSG:31467'
END
CLASSITEM 'nutzcode'
CLASS
EXPRESSION '10'
END
CLASS
EXPRESSION '20'
END
END # Beschreibung Layer ZWEI
END # Ende des Mapfiles
Abb. 6.5: Auszug aus einem Mapfile einer UNM-MapServer-Anwendung
Geodatendienste 253
Eine UMN-MapServer-Anwendung besitzt neben den Daten ein sog. Mapfile, das
als zentrale Layout- und Konfigurationsdatei dient (Textdatei mit der Endung
.map). Dieses Mapfile (vgl. Abb. 6.5, freiflaechen_wms.map) liegt in einem Ver-
zeichnis auf einem Server (hier im Ordner C:/ms4w/Apache/htdocs/os_fnutzung)
und enthält Parameter zur Steuerung des WMS (d.h. zur kartographischen Darstel-
lung, Informationen zum Maßstab, zur Legende oder zur Kartenprojektion). In einer
sehr häufigen Standardkonfiguration wird auf diese Datei über den Apache-HTTP-
Server als Webserver zugegriffen. Der WMS-Request „GetMap“ liefert eine Ras-
tergraphik an den Browser (vgl. Kap. 6.4.4). Dies kann nur der erste Schritt beim
Aufbau eines sog. Web-GIS sein, da in einem Browser zunächst derartig einfache
Werkzeuge wie z.B. zum Verschieben der Karte fehlen (Einbinden von Web-Map-
ping-Bibliotheken, vgl. Kap. 7.2.3).
Ein Mapfile ist in mehrere Abschnitte organisiert. Die Themenlayer spezifizieren
Geodaten, die in diesem Beispiel auf einem Server im Ordner C:/osdaten/fnutzung
liegen (zum Layerprinzip vgl. Kap. 4.1.4). Hierdurch werden die Stadtgrenze und
Siedlungsfreiflächen für Sportanlagen und Campingplätze im Stadtgebiet von Osn-
abrück definiert. Die Geodaten liegen im proprietären Shape-Datenformat (vgl.
Kap. 9.3.3, Endung shp) vor.
6.4.4 Zugriff auf Geodaten über einen Web Map Service
Ein OGC-konformer Web Map Service kann Rasterdaten (d.h. Graphiken) und
Vektordaten aufbereiten, d.h. vor allem Vektordaten in proprietären Datenformaten
z.B. der Softwareunternehmen Oracle, AutoDesk und ESRI, die zum großen Teil
Industriestandards darstellen. Ein WMS ermöglicht somit den einfachen, standardi-
sierten Zugriff auf (beinahe beliebige) Geodaten im WWW über das Hypertext
Transfer Protocol (HTTP). Zurückgegeben wird ein georeferenziertes Kartenbild in
der Regel in einem einfachen Raster-Graphikformat (z.B. in den Formaten JPEG
oder PNG). Somit kann ein Anwender einen Web Map Service über seinen
Webbrowser aufrufen, in dem dann auch nach erfolgreicher Ausführung die ange-
forderte Karte angezeigt wird.
Ein WMS bereitet zusammenfassend Vektordaten und Rasterbilder in einer stan-
dardisierten Form primär zu reinen Darstellungszwecken auf. Darüber hinaus kann
dieser Webservice Auskunft geben über Metainformationen der Geodaten und all-
gemeine Abfragen der zugrunde liegenden Sachdaten zulassen.
Ein OGC-konformer WMS besitzt drei Funktionen, die am Beispiel des MapSer-
vers und des Mapfiles aus Abbildung 6.5 verdeutlicht werden sollen.
GetCapabilities
http://localhost/cgi-bin/mapserv.exe?map=C:/ms4w/Apache/htdocs/os_fnutzung/
freiflaechen_wms.map&service=wms&version=1.3&request=GetCapabilities
Hierdurch werden die Fähigkeiten des WMS erfragt. Zurückgeschickt wird eine
XML-Datei mit Metainformationen u.a. mit Angaben zum Datenanbieter, zu unter-
stützten Ausgabeformaten (z.B. PNG) sowie vor allem zu den abfragbaren Daten-
ebenen (Layern).
GetMap
freiflaechen_wms.map&service=wms&version=1.1&request=GetMap&layers=
Siedlungsfreiflaechen&BBOX=3427066,5787000,3445000,5805000&
SRS=epsg:31467&Format=image/png&width=600&height=600
Hierdurch wird eine georeferenzierte Rastergraphik (Karte) vom WMS zurückge-
liefert. In der Anfrage werden u.a. die gewünschte Dateneben (Layer, hier: Sied-
lungsfreiflaechen referenziert auf den Layer freiflaechen.shp im Mapfile), die
Größe der Kartenausgabe (hier 600 x 600 Pixel), das Ausgabeformat (hier PNG),
das zugrunde liegende Koordinatensystem (hier: EPSG-Code 31467, d.h. dritter
Gauß-Krüger-Meridianstreifen) sowie die Größe des Daten- bzw. Kartenausschnitts
angefordert. Die zurückgegebene PNG-Datei kann in einem Browser dargestellt
werden. Die Flächen erscheinen für den Nutzungscode 10 in der Farbe Grün (vgl.
RGB-Code 0 200 0 zu den Darstellungsvorgaben im Mapfile) und für den Nut-
zungscode 20 in der Farbe Rot. Der Nutzungscode bezeichnet hierbei ein Attribut
in den Originaldaten, d.h. in dem Shape „freiflaechen.shp“.
GetFeatureInfo
freiflaechen_wms.map&service=wms&version=1.3&request=GetFeatureInfo&layers=
Siedlungsfreilaechen&CRS=EPSG:31467&BBOX=3427000,5787000,3444200,
5801000&width=800&height=800&INFO_FORMAT=text/plain&QUERY_LAYERS=Siedl
ungsfreiflaechen
Durch diese optionale Funktion kann ein Web Map Service Informationen zu einer
Position im Kartenausschnitt zurückgeben, die mit dem Mauszeiger angeklickt
wird. Die zugrunde liegenden, thematischen Informationen werden im XML-
Format zurückgeliefert. Sie können z.B. durch JavaScript im Browser aufbereitet
werden.
Deutlich herauszustellen ist, dass in diesem Beispiel auf Geodaten in einem
proprietären Vektordatenformat (Shape-Datenformat) zugegriffen wird (vgl. Kap.
9.3.3) und diese Daten von irgendwo über einen beliebigen Browser abgefragt und
angezeigt werden können. Ferner ist mit Nachdruck darauf hinzuweisen, dass nur
eine Graphik, d.h. eine starre Karte zurückgeliefert wird. Der Anwender und Nach-
frager kann diese Information kaum nutzen. Zur effizienten Visualisierung der zu-
rückgelieferten Graphik werden für den Browser noch spezielle Softwarekompo-
nenten benötigt (vgl. Ka. 7.2.3).
6.4.5 Zugriff auf Geodaten über einen Web Feature Service
Ein OGC-konformer Web Feature Service dient zur standardisierten Übertragung

von georeferenzierten Vektordaten im WWW, die als XML-Datei im GML-Format
zurückgeliefert werden (vgl. Abb. 6.3). Somit wird im Unterschied zu einem WMS
keine Rasterdatei zurückgeschickt. Im anfordernden Browser kann diese XML-
Datei zunächst nur als Textdatei betrachtet werden. Zur Visualisierung dieser Vek-
tordaten z.B. als Linien werden auf dem Client noch spezielle Softwarekomponen-
Geodatendienste 255
ten wie z.B. sog. Geoviewer benötigt. Ein WFS kann auch in einem Geoinformati-
onssystem eingebunden werden, das dann die graphische Darstellung der Vektor-
daten übernimmt. So kann z.B. das freie Geoinformationssystem QGIS Vektordaten
im GML-Format direkt verarbeiten.
Ein OGC-konformer WFS besitzt drei obligatorische Funktionen (sog. Basic
WFS), die als HTTP-Anfragen an den WFS geschickt werden können. Die Funk-
tionen, die das Mapfile aus Abbildung 6.5 auswerten, sollen am Beispiel des Map-
Servers verdeutlicht werden.
GetCapabilities
http://localhost/cgi-bin/mapserv.exe?map=C:/ms4w/Apache/htdocs/os_fnutzung/ frei-
flaechen_ wfs.map&service=wfs&version=1.1&request=GetCapabilities
Hierdurch werden die Fähigkeiten des WFS erfragt. Zurückgeschickt wird eine
XML-Datei mit Metainformationen: u.a. Angaben zum Datenanbieter, zu abzufra-
genden Feature Types und zu möglichen Operationen.
DescribeFeatureType
flaechen_wfs.map&service=wfs&version=1.1.0&request= DescribeFeatureType
Hierdurch werden Informationen zur Struktur der einzelnen Feature Types der
Geoobjekte erfragt, die über den WFS übermittelt werden können.
GetFeature
flaechen_wfs.map&service=wfs&version=1.1.0&request=GetFeature&
typename=Siedlungsfreiflaechen
Hierdurch werden Vektordaten im GML-Format zurückgeliefert. Durch weitere
Anfragen können Geoobjekte erzeugt, geändert oder gelöscht werden (Transaction),
Geoobjekte zur Bearbeitung gesperrt werden (LockFeature) oder z.B. einzelne Ele-
mente aus der GML-Datei abgefragt werden (GetGmlObject). Der Basic WFS bie-
tet somit einen nur lesenden Zugriff an. Der Transaction WFS mit den obligatori-
schen Funktionen Transaction und LockFeature ermöglicht zusätzlich einen schrei-
benden Zugriff auf die Daten.
6.4.6 Zugriff auf Geodaten über weitere Geodatendienste
Das Open Geospatial Consortium entwickelt neben WMS und WFS weitere Stan-
dards zum Austausch von Geodaten im Web:
Der Web Map Tile Service (WMTS), der konzeptionelle Ähnlichkeiten zum Web
Map Service besitzt, dient dazu, standardisiert digitale Kartenkacheln (map tiles)
anzubieten und abzurufen (vgl. OGC 2019g). Diese Kartenkacheln können in einem
Browser angezeigt werden, in dem viele einzeln über das Web angeforderte Bild-
dateien nahtlos verbunden werden (vgl. z.B. Laden von OSM-Tiles in einer Web-
Mapping-Anwendung, vgl. Abb. 5.28). Demgegenüber zeigt ein WMS normaler-
weise ein einzelnes großes Bild an.
Der Web Coverage Service (WCS) definiert eine standardisierte Schnittstelle und
Operationen zum interoperablen Zugriff auf sog. Coverages. Der Begriff
„coverage“ oder „grid coverage“ bezieht sich auf Rasterdaten wie z.B. digitale Luft-
bilder, Satellitenbilder oder sonstige digitale Rasterdaten, bei denen jeder Raster-
zelle keine Graustufen wie einem Photo, sondern Datenwerte zugeordnet sind (z.B.
Höhenangaben in einem sog. Elevation Grid). Ein WCS liefert die angeforderten
Rasterdaten mit den zugehörigen ausführlichen Beschreibungen zurück. Wie ein
WFS ermöglicht ein WCS die Weiterverarbeitung der Daten auf der Clientseite.
Der Web Catalogue Service (CSW, Catalogue Service for the Web) ermöglicht
eine standardisierte Recherche nach Geodaten und Geodatendiensten auf der Basis
von Metadaten.
6.4.7 Verarbeitung von Geodaten durch standardisierte Web Proces-

sing Services
Ein Web Processing Service (WPS) bietet eine Standardschnittstelle, die die Auf-
gabe vereinfacht, Berechnungsdienste über Webdienste zugänglich zu machen. Zu
diesen Diensten gehören Verarbeitungsprozesse, die standardmäßig in GIS-
Software verfügbar sind, wie z.B. Pufferbildung oder Verschneidungen, sowie spe-
zialisierte Prozesse für die räumlich-zeitliche Modellierung und Simulation (vgl.
OGC 2019h). Festgelegt werden Verfahrensregeln für die Datenein- und Datenaus-
gabe für Funktionen wie z.B. Pufferbildung oder Verschneidungen. Der Standard
legt ferner fest, wie ein Client die Ausführung eines (Geoverarbeitungs-) Prozesses
anfordern kann und wie die Ergebnisse des Prozesses verarbeitet werden. Er defi-
niert eine Schnittstelle, die die Veröffentlichung von räumlichen Analyseprozessen
ermöglicht und das Auffinden und die Anbindung von Clients an derartige Prozesse
unterstützt. Dabei kann ein WPS sowohl Vektor- als auch Rasterdaten verarbeiten.
Ein WPS bietet drei verschiedene Funktionen, die von einem Client angefordert
werden können:
- Durch „GetCapabilities“ werden dem Client Metadaten geliefert, die die Fähig-
keiten des verfügbaren Dienstes beschreiben (u.a. Metadaten über den Anbieter,
eine Liste der verfügbaren Operationen oder der angebotenen Prozesse).
- Durch „DescribeProcess“ wird eine detaillierte Prozessbeschreibung geliefert, die
auch die Aufstellung der benötigten Input-Parameter (mit den zulässigen Daten-
formaten) sowie des erwarteten Daten-Outputs enthält.
- Durch „Execute“ wird ein Prozess des WPS angestoßen, der durch entsprechende
Aufrufparameter näher bestimmt werden muss. So müssen z.B. die benötigten
Eingangsdaten, sofern vom Prozess vorgegeben, über den Parameter „DataIn-
puts“ spezifiziert werden. Die Ausgabe kann über „ResponseDocument“ festge-
legt werden.
Ein typischer Beispielaufruf hat die Form:
http://pfad?request=Execute&service=WPS&version=1.0.0&language=de-
DE&Identifier=Buffer&DataInputs=Object=freiflaechen.shp;BufferDistance=10&Respons
eDocument=BufferedPolygon
Der Platzhalter „pfad“ kennzeichnet den Pfad zum Aufruf des Dienstes auf einem
Server. Durch „Identifier“ wird der gewünschte Prozess spezifiziert (hier: Bilden
Geodatendienste 257
eines Puffers). DataInputs legt die benötigten Eingabedaten fest (hier das zu puf-
fernde Shapefile und die Breite des Puffers). Die Rückgabe der Ergebnisse dieser
Operation hängt von der festgelegten Rückgabeform ab. Im einfachsten Fall von
„RawDataOutput“ werden die Ergebnisse direkt zum Client zurückgeliefert (z.B.
als GML-Datei). Die GML-Datei kann aber auch zunächst auf dem Server zwi-
schengespeichert werden. Dann wird nur der Pfad zu dieser Datei zurückgegeben.
Der Client wie z.B. das Geoinformationssystem QGIS kann dann zum passenden
Zeitpunkt die Datei abrufen.
Die Web Processing Services bieten ein großes Potenzial für die Verarbeitung
von Geodaten. Da lediglich auf der Clientseite ein Browser oder ein kleines Java-
Programm benötigt wird, können mit diesem neuen Standard Geodaten systemüber-
greifend analysiert werden, d.h. auf verschiedenen Betriebssystemen und Hard-
wareplattformen (z.B. Desktop, Tablet-PC oder Smartphone). Die Funktionen sind
über das Web überall und zumeist kostenfrei verfügbar. Bislang waren die Analy-
sefunktionen, die ein Geoinformationssystem erst auszeichnen und gegenüber an-
deren Softwaresystemen abgrenzen, den Geoinformationssystemen auf Desktops
vorbehalten (GIS als umfangreiches Softwaresystem, vgl. Kap. 9.3.4). Mit einem
WPS kann ein Anwender ubiquitär und nur auf die Funktionen zurückgreifen, die
er tatsächlich benötigt. Dieser Ansatz ist grundsätzlich benutzerfreundlicher gegen-
über kostenintensiven, häufig überfrachteten und dadurch unübersichtlichen Desk-
top-Geoinformationssystemen. Allerdings steckt die Implementierung von Web
Processing Services noch in den Anfängen. So muss für jede konkrete Analyse der
Aufruf recht umständlich spezifiziert werden, so dass die Handhabung selbst noch
nicht benutzerfreundlich ist. Jedoch unterstützen einige Geoinformationssysteme
den WPS.
6.4.8 Verarbeitung von Geodaten durch standardisierte Webser-

vices in einem Geoinformationssystem
Die Möglichkeit, mit Hilfe eines WMS auf Geodaten zuzugreifen, besitzt in einem
Geoinformationssystem eine hohe praktische Relevanz. Vielfach besteht die Auf-
gabe, eigene Geodaten wie z.B. ein kommunales Biotopkataster oder Darstellung
von Freizeiteinrichtungen vor dem Hintergrund weiterer Daten wie z.B. Grundkar-
ten der öffentlichen Verwaltung zu präsentieren. Diese Hintergrundinformationen
können benutzereigene Karten wie z.B. der Stadtplan Ruhr für die Städte und Ge-
meinden des Ruhrgebiets, nur lokal verfügbare Karten mit Radwegen, amtliche Ge-
obasisdaten wie die Digitale Topographische Karte 1 : 25.000 oder digitale amtliche
Liegenschaftskarten sein.
Gerade viele amtliche Geobasisdaten sind über einen WMS direkt verfügbar und
müssen nicht umständlich beschafft und installiert werden. Die Daten haben auf
dem Client stets die größtmögliche Aktualität. Sie liegen zudem blattschnittfrei vor.
Über eine Authentifizierung kann erreicht werden, dass nur ein spezieller Nutzer-
kreis mit besonderen Zugriffsrechten auf die Geodaten zugreifen kann (u.a. auf-
grund von Vorgaben zum Datenschutz z.B. bei der Darstellung von sensiblen Daten
wie Altlastenverdachtsflächen oder Besitzerinformationen). Natürlich sind hierüber
auch eine Lizensierung und ein kostenpflichtiger Zugriff auf Geodaten zu realisie-
ren. Die Landesvermessungsämter stellen viele, Berlin, Hamburg, Nordrhein-West-
falen und Thüringen sowie das Bundesamt für Kartographie und Geodäsie sämtli-
che Geobasisdaten u.a. als WMS zur Verfügung.
Abb. 6.6: Aufruf eines WMS und Einbindung der DTK25 in QGIS
Metadaten 259
Abbildung 6.6 verdeutlicht am Beispiel Nordrhein-Westfalen, wie die digitale To-

pographische Karte 1 : 25.000 in das Geoinformationssystem QGIS eingebunden
werden kann. Die digitalen Geobasisdaten stehen für dieses Bundesland im Rahmen
von „Open Data – Digitale Geobasisdaten NRW“ zur Verfügung (vgl. GeoBa-
sis.NRW 2019a, vgl. Kap. 6.7.5). Ebenso kann mit Hilfe geeigneter Software für
den eigenen Arbeitsbereich in einem Unternehmen oder einer Behörden ein eigener
WMS eingerichtet werden (vgl. eine Realisierung mit dem Geoserver in Kap. 7.2.2).
6.5 Metadaten
6.5.1 Von Daten zur Information durch Metadaten
Geodaten dienen der Lösung einer raumbezogenen Fragestellung. Dabei können

diese Daten nicht nur die verschiedensten fachlichen Bedeutungen tragen und für
unterschiedliche Raumausschnitte vorliegen, sondern auch in einer Vielzahl von
Formaten gespeichert sein und stark differierende Qualitäten aufweisen. Umfang
und Heterogenität der vorgehaltenen Daten erreichen sehr schnell eine Größenord-
nung, die eine effektive Datenhandhabung ohne zusätzliche Informationen unmög-
lich macht. Erst zusätzliche datenbeschreibende Informationen, Daten über Daten
oder sog. Metadaten, können dann den Informationsgehalt von Geodaten erschlie-
ßen. Die Verfügbarkeit von Daten allein ist völlig unzureichend, wenn nicht aus-
führliche Beschreibungen vorliegen, nach welchen Verfahren oder Genauigkeits-
vorgaben, aus welchem Anlass, zu welchem Zeitpunkt und von welchem Bearbeiter
diese erstellt wurden. Unter dem Begriff Metadaten werden solche Angaben ver-
standen, die zum Nachweis und Zugriff auf Datenbestände erforderlich sind bzw.
in formalisierter Form die Beschreibung komplexer Informationen erlauben. Be-
schreibende Metadaten sollen
- über Daten und Datenquellen informieren,
- Datenalternativen aufzeigen,
- Datenredundanzen aufzeigen bzw. vermeiden,
- Datenlücken aufzeigen bzw. vermeiden,
- einen Datenaustausch ermöglichen bzw. erleichtern.
Dabei können mehrere Begriffsebenen von Metadaten unterschieden werden:
Semantische Metadaten beschreiben die Daten nach fachlichen Bedeutungsin-
halten. Sie geben u.a. Maßeinheit, verwendete Messgeräte, die Messfehler, Ortsbe-
zug und numerische Erfassungsgenauigkeit wieder. Ferner gehören hierzu auch In-
formationen zum Erhebungszweck oder zu Urhebern der Daten. Diese Informatio-
nen werden vor allem von den Anwendern benötigt, um Verwendungsmöglichkei-
ten der Daten beurteilen zu können. Diese Merkmale enthalten insbesondere we-
sentliche Aussagen zur Datenqualität.
Syntaktische Metadaten beschreiben die Daten nach strukturell-formalen Ge-

sichtspunkten wie z.B. Datentyp, Wertebereich oder Datenstruktur. Diese Informa-
tionen werden vor allem bei einem konkreten Datenaustausch benötigt.
Pragmatische Metadaten beschreiben die Daten nach ihrer Nutzbarkeit und nach
(rechtlichen) Voraussetzungen der Datenverfügbarkeit sowie Kosten der Datenbe-
schaffung. Hierzu gehören auch sog. navigatorische Metadaten, die Zugriffsmög-
lichkeiten benennen (z.B. Zugriffspfade, Hypertextinformationen).
Insgesamt helfen somit Metadaten, die Daten bzw. den Datengehalt und die Da-
tenqualität transparent zu machen. Derartige Metadaten werden auch beim Aufbau
komplexer Umweltinformationssysteme notwendig, wobei häufig weniger neue
Daten erhoben als vielmehr Datensammlungen aus den vergangenen Jahren aufbe-
reitet und in eine gemeinsame Struktur überführt werden. Dabei liegen mehrere ty-
pische Organisationsmerkmale vor:
- Die Erhebungen der Originaldaten wurden von unterschiedlichen Stellen durch-
geführt, d.h. von anderen Ämtern oder Abteilungen in einer Kommune, von Ein-
richtungen einer Landesbehörde oder von privaten Einrichtungen.
- Die Datenerhebungen erfolgten jeweils unabhängig voneinander mit unterschied-
licher Zielsetzung und differierender Informationstiefe.
- Die Daten wurden erhoben, ohne eine spätere Integration der Daten in ein Um-
weltinformationssystem zu beabsichtigen.
Eine Mehrfachnutzung und Weiterverarbeitung dieser Daten kann recht kritisch
sein, wenn unzureichende Kenntnisse über die Methodik und die Anlässe der Erhe-
bungen vorliegen oder die Daten unvollständig sind. Ohne Metadaten können der-
artige Fachdaten rasch wertlos werden. Erst durch Metadaten werden letztlich aus
Geodaten Geoinformationen. Insgesamt ist das gleichzeitige Führen von Metadaten
zusammen mit den (Geo-)Daten beim Aufbau von Datenbeständen unumstritten.
Hingegen ist nicht eindeutig zwingend vorzugeben, welche und wie viele Metada-
ten erfasst werden sollen. Einerseits sind zur Beschreibung von Daten bzw. von
Datenressourcen hunderte Merkmale möglich. Andererseits verhindert in der Praxis
gerade die Vorgabe, viele Metadaten zu erheben, genau deren Erfassung. Häufige
Argumente sind z.B. ein zu großer Zeitaufwand bei der Erhebung, ein nicht sofort
erkennbarer Nutzen, ein Missverhältnis im Umfang zwischen Metadaten und den
eigentlichen Daten. Hinzu kommen divergierende Vorstellungen, welche Metada-
ten zur Beschreibung ausreichen. Insbesondere vor dem Hintergrund der Interope-
rabilität von (Geo-)Daten ist die Festlegung von (internationalen) Standards sinn-
voll:
- Abschätzen der Einsatzmöglichkeit von (Geo-)Daten durch verschiedene Anwen-
der und für unterschiedliche Aufgaben
- Auffinden und Beschaffen von (Geo-)Daten durch verschiedene Anwender
Die Mehrfachnutzung und der Austausch der Daten sind in der Praxis nur dann ge-
geben, wenn sich die Datenproduzenten an einen relativ kleinen, aber verbindlichen
Standard halten.
Metadaten 261
6.5.2 Standards für räumliche Metadaten
6.5.2.1 Dublin Core Metadata Initiative
Einen allgemeinen Standard von Metadaten bildet die Metadatenmenge der Dublin
Core Metadata Initiative (DCMI). Er umfasst ein Vokabular von 15 Eigenschaften,
die zur Beschreibung von allgemeinen Ressourcen verwendet werden können. Der
Name „Dublin“ geht auf einen Workshop im Jahre 1995 in Dublin, Ohio zurück.
Die Bezeichnungen „core“, „core elements“ bzw. „Kernfelder“ machen deutlich,
dass die Elemente breit, umfassend und generisch zu verstehen sind, um eine große
Spannweite von Ressourcen beschreiben zu können. Dieser allgemeine Standard ist
nicht auf Geodaten eingeschränkt. Allerdings können durch das DCMI-Element
„coverage“ räumliche und zeitliche Merkmale angegeben werden. Die ISO
15386:2017 enthält die 15 Kernmetadatenelemente der Tabelle 6.3 (vgl. ISO
2019c).
Tabelle 6.3: Metadatenmenge der Dublin Core Metadata Initiative (nach Dublin Core Metadata Ini-
tiative 2012)
TermName Definition
Contributor An entity responsible for making contributions to the resource.

Coverage The spatial or temporal topic of the resource, the spatial applicability of the re-
source, or the jurisdiction under which the resource is relevant.
Creator An entity primarily responsible for making the resource.
Date A point or period of time associated with an event in the lifecycle of the resource.
Description An account of the resource.
Format The file format, physical medium, or dimensions of the resource.
Identifier An unambiguous reference to the resource within a given context.
Language A language of the resource.
Publisher An entity responsible for making the resource available.
Relation A related resource.
Rights Information about rights held in and over the resource.
Source A related resource from which the described resource is derived.
Subject The topic of the resource.
Title A name given to the resource.
Type The nature or genre of the resource.
6.5.2.2 Content Standard for Digital Geospatial Metadata
Ein Vorbild für den Aufbau von Metainformationen bildete der Content Standard
for Digital Geospatial Metadata (CSDGM), der vom US-Federal Geographic Data
Committee (FGDC) entwickelt wurde (vgl. Tab. 6.4). Anhand von zehn Kategorien
und insgesamt durch mehr als 200 Attribute werden Inhalt und Entstehungskontext
raumbezogener Daten beschrieben sowie Regeln zur Dokumentation aufgestellt.
Seit 1995 musste jede US-Behörde sämtliche neuen raumbezogenen Daten, die von
ihr erhoben oder direkt bzw. indirekt produziert werden, nach diesem Standard do-
kumentieren (vgl. Federal Geographic Data Committee 1998 S. V). Inzwischen
werden US-Bundesbehörden angehalten, internationale Standards zu nutzen. Das
FGDC befürwortet die Anwendungen von ISO-Metadatenstandards. US-
Bundesbehörden und Akteure beim Aufbau einer nationalen Geodateninfrastruktur
(National Spatial Data Infrastructure NSDI) werden aufgefordert, auf ISO-
Metadaten umzusteigen (vgl. Federal Geographic Data Committee 2019a).
Tabelle 6.4: Content Standard for Digital Geospatial Metadata der FGDC von 1998 (vgl. Federal
Geographic, Data Committee 2019b)
Gruppen ausgewählte Attribute
identification infor- u.a. citation, description, time period of content, status, access con-
mation straints, keywords
data quality informa- u.a. attribute accuracy, positional accuracy, logical consistency report,
tion completeness report
spatial data organiza- u.a. point and vector object information (u.a. types and numbers of vector
tion information objects), raster object information (u.a. row count)
spatial reference in- horizontal_and_vertical_coordinate_system definition (u.a. map projec-
formation tion)
entity and attribute detailed_description u.a. entity_type, attribute_definition, attribute_do-
information main values
distribution infor- u.a. distributor, digital_transfer_option, available_time_period
mation
metadata reference metadata_date, metadata_use_constraints, metadata_security_infor-
information mation
citation information publication_date, title, series_information, publications_information
time period infor- single_date/time, range_of_dates/times
mation
contact information contact_person_primaty, contact_position, contact_electronic_mail-ad-
dress
6.5.2.3 ISO 19115
Der Standard der International Organization for Standardization (ISO), ISO 19115
„Geographic Information – Metadata“, ist der international bedeutendste Metada-
tenstandard. Er definierte eine umfassende Menge von über 400 Metadatenelemen-
ten. Der Kerndatensatz der ISO 19115:2003 (Core Metadata Elements), der zur
Identifizierung eines Datensatzes benötigt wird, bestand aus lediglich 22 Elemen-
ten, die zudem nicht alle als verpflichtend vorgegeben werden. Die überarbeitete
Norm ISO 19115-1: 2014 definiert das Schema, das für die Beschreibung geogra-
phischer Informationen und Dienste mit Hilfe von Metadaten erforderlich ist (vgl.
ISO 2019d, auch 2018 als DIN veröffentlicht). Es liefert Informationen über die
Identifizierung, den Umfang, die Qualität, die räumlichen und zeitlichen Aspekte,
den Inhalt, den räumlichen Bezug, die Darstellung, die Verteilung und andere Ei-
genschaften digitaler geographischer Daten und Dienste. Die Norm berücksichtig
inzwischen die zunehmende Nutzung des Web für das Metadaten-Management
Metadaten 263
(Katalogisierung aller Typen von Ressourcen). Kernmetadaten (Core Metadata)

werden nicht mehr bestimmt.
Die ISO 19115-1: 2014 definiert:
- Metadatenabschnitte, -entitäten und -elemente
- einen Mindestsatz an Metadaten, der für die meisten Metadatenanwendungen er-
forderlich ist
- optionale Metadatenelemente, um bei Bedarf eine umfassendere Standardbe-
schreibung der Ressourcen zu ermöglichen
- eine Methode zum Erweitern von Metadaten für spezielle Bedürfnisse.
Die ältere Zusammenstellung der Kernmetadatenfelder der ISO 19115-2003 liegt
insbesondere der Zusammenstellung von Metadaten beim Aufbau der deutschen
Geodateninfrastrukturen zugrunde (vgl. Tab. 6.5).
Tabelle 6.5: ISO 19115:2003 Core Metadata for Geographic Datasets der ISO 19115
(Koordinierungsstelle GDI-DE 2008)
Dataset title (M)
Dataset reference date (M)
Abstract describing the dataset (M)
Dataset topic category (M)
Dataset language (M)
Metadata point of contact (M)
Metadata date stamp (M)
Geographic location of the dataset (by four coordinates or by geographic identifier) (C)
Dataset character set (C)
Metadata language (C)
Metadata character set (C)
Dataset responsible party (O)
Spatial resolution of the dataset (O)
Distribution Format (O)
Spatial representation type (O)
Reference system (O)
Lineage statement (O)
On-line resource (O)
Metadata file identifier (O)
Metadata standard name (O)
Metadata standard version (O)
Additional extent information for the dataset (vertical and temporal) (O)
M – verpflichtend (engl. mandatory), O – optional
C – unter bestimmten Bedingungen verpflichtend (engl. mandatory under certain conditions)
6.5.3 Beispiele aus der Praxis
6.5.3.1 Metadaten in der Geodateninfrastruktur Deutschland
Im Rahmen des Aufbaus der Geodateninfrastruktur Deutschland sind alle geoda-

tenhaltende Stellen, die INSPIRE-relevante Geodatensätze und -dienste bereitstel-
len, verpflichtet, diese mit Metadaten zu beschreiben. Seit Ende 2013 müssen alle
INSPIRE-relevanten Geodatensätze und –dienste mit Metadaten beschrieben sein.

Dabei müssen die Anforderungen aus der Verordnung der EU-Kommission von De-
zember 2008 zur Umsetzung der INSPIRE-Richtlinie hinsichtlich Metadaten erfüllt
werden. Die INSPIRE-Richtlinie hinsichtlich Metadaten und vor allem die Doku-
mente zur technischen Umsetzung der Verordnung beziehen sich aber noch auf ISO
19115:2003 (Stand Frühsommer 2019, zum Einstieg vgl. GDI-DE 2019a).
6.5.3.2 Metadaten im Geoportal.de
Die Website Geoportal.de, die ein gemeinsames Projekt von Bund und Ländern
darstellt, eröffnet den Blick auf die Inhalte der Geodateninfrastruktur Deutschland
(GDI-DE). Das Geoportal.de ist somit die zentrale Geodatensuchplattform für
Deutschland (vgl. Geoportal.de 2019a,). Über den angebundenen Geodatenkatalog-
DE lassen sich Datenbestände, die entsprechend den Standards vorgehalten werden,
durchsuchen sowie weiterführende Informationen und Metadaten anzeigen. Die
Geodatensuchmaschine erlaubt, dezentral gehaltene Geodaten aus unterschiedli-
chen öffentlichen Quellen zu recherchieren. Über die Unterseiten „Service“ und
weiter „Viewer und Portale“ gelangt man zu einer Vielzahl von Geodatenportalen,
die umfangreiche Informationen zu Datenbeständen und Datenangeboten bereithal-
ten.
Die technische Umsetzung des Geodatenkatalog-DE basiert auf einer Vernet-
zung der Metadatenkataloge innerhalb der Geodateninfrastruktur Deutschland
(GDI-DE). Im Frühsommer 2019 waren ca. 35 Katalogdienste mit ca. 135.000 Me-
tadatensätzen eingebunden (vgl. Geoportal.de 2019b).
6.5.3.3 Metadaten im Geodatenportal Niedersachsen
Im Zusammenhang mit dem Aufbau von Geodateninfrastrukturen auf Länderebene

in Deutschland haben die einzelnen Bundesländern sowie Berlin, Bremen und Ham-
burg eigene Geodatenportale aufgebaut, die einen zentralen Zugang zu Karten und
anderen raumbezogenen Daten, Diensten und Anwendungen ermöglichen. So bietet
z.B. das Geodatenportal Niedersachsen neben Informationen zu Metadaten weitere
Informationen zu INSPIRE, zum Aufbau der Geodateninfrastruktur Niedersachsen
oder zu Viewer und Diensten an (vgl. GDI-NI 2019a). Insbesondere finden sich im
Menü „Metadaten“ vielfältige Hinweise u.a. zu Rahmenbedingungen von Metada-
ten, zum Aufbau und Erstellen eigener Metadaten und umfangreiche Informationen
zum Aufbau von Metadatenbeständen. So wird die Bedeutung von Metadaten als
integraler Bestandteil einer Geodateninfrastruktur erläutert. Ferner sind vielfältige
Dokumente digital verfügbar wie z.B. die deutsche Übersetzung der Metadatenfel-
der des ISO 19115 – 2008, der Leitfaden zum Aufbau und zur Pflege von Metada-
ten, Handlungsempfehlungen für geodatenhaltende Stellen und Katalogbetreiber,
die zusätzlich zu den Anforderungen der GDI-DE Besonderheiten des Landes Nie-
dersachsen berücksichtigen und die Metadatenerfassung und -bereitstellung unter-
stützen (vgl. GDI-NI 2019b).
Metadaten 265
Insbesondere ist ein Leitfaden vorhanden, mit dem ein ISO-konformer Metada-
tensatz erzeugt werden kann, der zudem die Anforderungen erfüllt, die sich aus der
INSPIRE-Durchführungsbestimmung zu Metadaten ergeben (vgl. GDI-NI 2019c).
Dieser Leitfaden wird unterstützt durch eine Excel-Tabelle, deren Felder die Meta-
daten der GDI-NI beschreiben. Die Tabelle 6.6 fasst diese Vorlage zusammen, wo-
bei nur Pflichtfelder wiedergegeben sind. Deutlich werden soll beispielhaft, welche
Arten von Informationen überhaupt erfasst werden. Somit ist herauszustellen, dass
die in der Tabelle 6.6 aufgelisteten Merkmale nicht das vollständige Metadatenpro-
fil der GDI-NI ausmachen.
Tabelle 6.6: Metadatenelemente zur Übernahme in die GDI-NI (ohne optionale Angaben, nach Me-
tadatenprofil GDI-NI 2.1.1“
Titel Müllabfuhrbezirke 1:5000 (Umringe) x
Kurzbeschreibung Die Müllabfuhrbezirke zeigen … x
Eindeutiger Identifikator x
INSPIRE-Annex-Thema* Versorgungswirtschaft und staatliche Dienste x
Schlagwort 1 (GEMET) Abfall y
Schlagwort 2 (GEMET) Verwaltungsgrenze y
ISO-Schlagwort Grenzen x
Bearbeitungsstatus abgeschlossen y
Datum 05.11.2009 x
Art des Datums Publikation x
Maßstabszahl 5000 y
Räumliche Darstellungsart Vektor y
Sprache deutsch x
Zeichensatz utf8 x
Dienststelle (a) Stadt Musterort x
Funktion der Dienststelle (a) Eigentümer x
Person (a) Mitarbeiter Geodaten y
Funktion der Person (a) Sachbearbeiter y
Straße (a) Beispielstraße 23a y
PLZ (a) D-30659 y
Ort (a) Hannover y
E-Mail (a) [email protected] x
URL (a) http://www.beispielstadt.de/ x
Telefonnummer (a) +49 511 / 6 46 09 - 0 y
West (b) 6.76 x
Ost (b) 11.66 x
Süd (b) 51.08 x
Nord (b) 54.06 x
Koordinatenreferenzsystem (b) EPSG:31467 (Gauß-Krüger, 3. Meridianstreifen) x
Anfangsdatum (b) 31.01.2008 y
Enddatum (b) 31.12.2012 y
Art der Daten (b) Datenserie (oder Datenbestand oder Software) x
Basis der Datenerstellung (b) aus Grundkarte 1:5000 und eigener Erhebung x
Datenformat (c) Shape y
Medium (c) CD-ROM y
Kosten (c) kostenfrei y
URL (c) http://www.beispielstadt.de/muell/downloads/ x
Anwendungseinschränkung (c) Bekannter Datenfehler in … x
Zugriffseinschränkungen (c) andere Beschränkungen x

Andere Einschränkungen (c) Allgemeine Nutzungsbedingungen sind … y
Sicherheitseinstufung (c) beschränkt y
Dienststelle (c) Beispielstadt, Hauptamt x
Funktion der Dienststelle (c) Anbieter x
Person (c) Mitarbeiter Geodaten y
Funktion der Person (c) Sachbearbeiter y
Straße (c) Beispielstraße 23a y
PLZ (c) D-30659 y
Ort (c) Hannover y
Verwaltungseinheit (c) Niedersachsen y
Staat (c) Deutschland y
E-Mail (c) [email protected] x
URL (c) http://www.beispielstadt.de/muell/downloads/ x
Telefonnummer (c) +49 511 / 6 46 09 - 0 y
Dienststelle (d) Beispielstadt, Hauptamt x
Funktion der Dienststelle (d) Ansprechpartner x
Person (d) Mitarbeiter Geodaten y
Funktion der Person (d) Sachbearbeiter y
Straße (d) Beispielstraße 23a y
PLZ (d) D-30659 y
Ort (d) Hannover y
Bundesland (d) Niedersachsen y
E-Mail (d) [email protected] x
URL (d) http://www.geodaten.niedersachsen.de/csw x
Telefonnummer (d) +49 511 / 6 46 09 - 0 y
x = Pflichtfelder sind laut Profil der GDI-NI zwingend auszufüllen.
y = Pflichtfeld, um eine ausreichende inhaltliche Erklärung zu gewährleisten. Ohne diese Information
ist die Beschreibung unvollständig und für Dritte unverständlich.
*soweit Zuordnung möglich
(a) fachlich verantwortlich für die Geodatenressource
(b) Ausdehnung und Datenqualität
(c) Bereitstellung des Datensatzes
(d) verantwortliche Stelle für die Metadaten
Originaltabelle verfügbar unter GDI-NI 2019f
Über das Geodatenportal Niedersachsen ist für die Geodaten führenden Stellen eine
Erfassung von Metadaten zu niedersächsischen Geodaten, Geodatendiensten und
Fachinformationssystemen möglich. Zur Verfügung gestellt wird eine Weboberflä-
che, die die Vorgaben für das Metadatenprofil der GDI-NI erfüllt. Mit ihr können
z.B. INSPIRE-konforme Metadaten erzeugt werden. Die Datensätze werden auto-
matisiert in die zentrale Geodatensuche Niedersachsen übernommen und stehen so-
mit für die von INSPIRE geforderte öffentliche Recherche innerhalb Europas zur
Verfügung (vgl. GDI-NI 2019d). Darüber hinaus bestehen (kostenpflichtige) Soft-
wareprogramme unterschiedlicher Anbieter, die aber in der Regel nicht von Kom-
munen eingesetzt werden, die über wenige eigene Geodaten verfügen oder die sich
z.B. aus Kostengründen keine eigene Metadatenhaltungskomponente anschaffen
möchten.
Qualität von Daten und Geodaten 267
Durch die Erfassungskomponente im Geodatenportal wird ausschließlich das

vorgeschriebene Mindestmaß an Informationen für die Metadatenhaltung im Sinne
des Aufbaus einer Geodateninfrastruktur in Niedersachsen und im Sinne von
INSPIRE erfüllt (vgl. GDI-NI 2019e).
6.6 Qualität von Daten und Geodaten
6.6.1 Qualitätsmerkmale
Metadaten dienen vor allem der inhaltlichen Beschreibung von Daten. Hierdurch
werden auch Qualitätsmerkmale erfasst und beschrieben, aber weniger die Qualität
von Daten. Diese kann nur auf der Basis dieser Qualitätsmerkmale im Hinblick auf
eine konkrete Fragestellung oder Eignung für einen klar definierten Zweck beurteilt
werden. Zwar ist die geometrische Auflösung von Rasterdaten (weitaus) geringer
als die von Vektordaten, Rasterdaten sind deswegen aber nicht „schlechter“ als
Vektordaten. Rasterdaten eignen sich zwar nicht zum Aufbau von z.B. Liegen-
schafts- oder Leitungskatastern, sind aber das gängige Datenmodell z.B. bei einem
Emissionskataster oder bei Luftreinhalteplänen.
Allgemein kann mit Qualität die Gesamtheit aller charakteristischen Eigenschaf-
ten eines Produktes bezeichnet werden. Als Datenqualität kann die Menge von Da-
tenmerkmalen umschrieben werden, die den Einsatz der Daten für eine konkrete
Aufgabe ermöglichen („quality = fitness for use“). Metadaten liefern Bewertungs-
merkmale und ermöglichen somit letztlich die Mehrfachnutzung von Daten (vgl.
Data quality information als Teil von ISO 19115-1:2014).
Qualitätsangaben können quantitativ durch geeignete Maßzahlen oder Parameter
wie Standardabweichung, RMS-Fehler (vgl. Kap. 4.2.5.5), Konfidenzintervalle o-
der Wahrscheinlichkeiten angegeben oder durch qualitative, rein textliche Beschrei-
bungen benannt werden. Tabelle 6.7 listet die Qualitätsparameter nach der im Jahre
2002 verabschiedeten ISO-Norm ISO 19113 auf. Sie können nach quantitativen und
nichtquantitativen Merkmalen unterschieden werden. Inzwischen ist diese alte
durch die neue Norm ISO 19157:2013 ersetzt worden, die die Prinzipien für die
Beschreibung der Qualität von geographischen Daten festlegt. Die Norm
- definiert Komponenten zur Beschreibung der Datenqualität;
- legt Komponenten und Inhaltsstruktur eines Registers für Datenqualitätsmessun-
gen fest;
- beschreibt allgemeine Verfahren zur Bewertung der Qualität geographischer Da-
ten;
- legt Grundsätze für die Berichterstattung über die Datenqualität fest.
Insbesondere werden Datenqualitätskennzahlen zur Verwendung bei der Bewer-
tung und Berichterstattung der Datenqualität definiert (vgl. ISO 2019e).
Tabelle 6.7: Qualitätsmerkmale nach der ISO 19113:2002 (inzwischen überarbeitet)

Nicht quantitative Qualitätsmerkmale
Zweck (purpose) Beschreibung der Gründe der Datenerhebung, u.a. Angabe zum ge-
planten Datennutzen
Verwendung (usage) Verwendung der Daten
Herkunft (lineage) Entstehungsgeschichte der Datenmenge, Lebenszyklus der Daten
Quantitative Qualitätsmerkmale
Vollständigkeit (com- Datenausschuss (zu viele Daten), Datenausfall (fehlende Daten)
pleteness)
Logische Konsistenz Konsistenz und Widerspruchsfreiheit auf der konzeptionellen, logi-
(logical consistency) schen und physikalischen Datenstruktur, Einhaltung von Wertebe-
reichen, topologische Konsistenz
Lagegenauigkeit (po- absolute (oder externe), relative (oder interne) Genauigkeit, Genau-
sitional accuracy) igkeit von Gitter- und Rasterdaten
Zeitliche Genauigkeit Genauigkeit einer Zeitmessung, Gültigkeit von zeitlichen Angaben
(temporal accuracy) von Daten und zeitlichen Beziehungen, Konsistenz der Chronologie
Thematische Genau- korrekte Klassifizierung der Geoobjekte, korrekte Erfassung von
igkeit (thematic ac- nichtquantitativen und Genauigkeit von quantitativen Attributen)
curacy)
6.6.2 Räumliche Auflösung, Generalisierung und Lagegenauigkeit
Von besonderer Bedeutung zur Qualitätsbeurteilung von Geodaten sind räumliche

Auflösung und Lagegenauigkeit. Die räumliche Auflösung kann die Differenzie-
rung von Vektor- und Rasterdaten und bei letzteren vor allem die Auflösung des
Rasterbildes in Pixel, also die Größe eines Pixels in einer realen Größenangabe wie
z.B. 30 x 30 m, beinhalten. Sie kann aber auch das Ausmaß einer geometrischen
Datengeneralisierung benennen, wobei die Übergänge zur Lagegenauigkeit flie-
ßend sind. Die digitale Darstellung eines Verkehrsnetzes durch manuelle Erfassung
von Straßenmittellinien auf der Basis einer Deutschen Grundkarte im Maßstab
1 : 5.000 wie bei ATKIS (vgl. Kap. 5.5.3) führt zwangsläufig zu einer anderen Auf-
lösung als die entsprechende Datenerfassung auf der Basis einer analogen Topogra-
phischen Karte 1 : 50.000. Ursächlich hierfür ist die mit kleiner werdendem Maß-
stab größer werdende geometrische wie auch thematische Generalisierung der Er-
fassungsgrundlage.
Die Erfassung und Präsentation von Geoobjekten sowie damit zusammenhän-
gende Fragen der Generalisierung haben in der Praxis eine hohe Relevanz, wenn
wie im Regelfall in einem Geoinformationssystem mehrere Datenschichten ver-
schiedener Maßstabsbereiche bzw. Generalisierungen übereinanderliegen. So kön-
nen z.B. in der Kommunalplanung Lagegenauigkeiten von Geoobjekten bezüglich
eines Regionalplans (in Niedersachsen das Regionale Raumordnungsprogramm
(RROP) im Maßstab 1 : 50.000) und bezüglich einer Liegenschaftskarte (Maßstab
1 : 1.000) nicht miteinander verglichen werden. Die Frage in einem Abbauantrag
an eine Gemeinde, ob ein Flurstück einer Ziegelei noch in einem Gebiet liegt, das
nach dem RROP für den Abbau von Ton vorgesehen ist (sog. Vorsorgegebiet bzw.
Qualität von Daten und Geodaten 269
Vorbehaltsgebiet für Rohstoffversorgung), kann im Grenzbereich der Flächen nicht

zweifelsfrei geklärt werden. Eine technische Überlagerung von digitaler Liegen-
schaftskarte und RROP ist zwar in einem Geoinformationssystem problemlos mög-
lich, die Datenschichten sind leicht auf einen einheitlichen Maßstab zu bringen. Die
unterschiedlichen Generalisierungsgrade in den Ausgangsmaßstäben erschweren
bzw. verhindern jedoch präzise Aussagen zur Lage (auch Widersprüche zur logi-
schen Konsistenz). So kann der exakte Verlauf einer Grenze durch Weglassen von
einzelnen Zwischenpunkten in der räumlich gröberen Kartenvorlage vereinfacht
sein. Zu beachten sind ferner einfache Vergrößerungs- bzw. Verkleinerungseffekte.
Die Grenze, die im RROP durch eine Linienbreite von 0,1 mm dargestellt ist, füllt
im Maßstab 1 : 1.000 eine Breite von 5 m aus. Daher ist z.B. in der digitalen Version
des Regionalplans Westmünsterland ein Zoomen bis in den Maßstabsbereich einer
Liegenschaftskarte nicht möglich.
Die Lagegenauigkeit quantifiziert die Genauigkeit von Koordinatenangaben der
Lage von Geoobjekten, die wesentlich von der Erfassungsmethode abhängt. So wer-
den Ingenieurvermessungen von Flurstücken mit Theodolit und Bandmaß bzw.
hochpräzisem DGPS (vgl. Kap. 5.3.5) zwangsläufig zu genaueren Ergebnissen füh-
ren als eine Lageerfassung von Geoobjekten mit dem GPS-Sensor eines Smartpho-
nes oder aus einer georeferenzierten Papierkarte. Generalisierung und geometrische
Auflösung einer Karte sowie Verzerrungen aufgrund des Alterns einer Karte kön-
nen zu Lageabweichungen führen.
Die Fragestellung bzw. die Verwendung der Daten bestimmt, bis zu welcher
Größe ein Lagefehler zu tolerieren ist. Während z.B. bei der Erfassung von Bioto-
pen oder Grünflächen beim Aufbau eines Biotop- oder Grünflächenkatasters ein
Lagefehler von 50 cm hinzunehmen ist, verlangt ein Liegenschaftskataster oder ein
Leitungskataster von Gas- und Stromleitungen höhere Genauigkeiten. Nicht zuletzt
spielen die Kosten der Datenerfassung, die in der Regel mit höheren Genauigkeits-
anforderungen steigen, gerade bei Wirtschaftlichkeitsüberlegungen eine wesentli-
che Rolle. Zu fragen ist häufig, ob der Mehrnutzen den Mehraufwand rechtfertigt.
Neben den reinen Erfassungskosten sind dabei auch Kosten zu berücksichtigen, die
aufgrund einer umfangreicheren und somit zeitaufwendigeren Datennachbearbei-
tung, Datenhaltung und Datenfortführung entstehen. Mehrkosten aufgrund eines
größer werdenden Speicheraufwands sind gegenüber den Personalkosten zu ver-
nachlässigen.
Insgesamt können keine allgemeinen Hinweise zur Lagegenauigkeit gegeben
werden. Mit Hilfe von Metadaten kann über Einsatzmöglichkeiten entschieden wer-
den. Allerdings ist ein sorgfältiger Umgang mit Lagegenauigkeiten ratsam. So
pflanzen sich Fehler durch ungenaue Punktbestimmungen bei der Distanzberech-
nung sowie bei der Flächenberechnung fort.
6.7 Aufbau von Geodateninfrastrukturen
6.7.1 Begriff und Ziele von Geodateninfrastrukturen
Eine Geodateninfrastruktur (GDI, engl. Spatial Data Infrastructure, SDI) ist durch
eine (daten-)technische und eine organisatorische Sichtweise gekennzeichnet. Zum
einen umfasst eine GDI zumeist über das Internet vernetzte Geodatenbanken, die
Geobasisdaten und Geofachdaten enthalten, sowie Funktionalitäten zum Austausch
dieser Daten. Zum anderen gehören zu einer GDI rechtliche, organisatorische und
fachliche Regelungen, die den Auf- und Ausbau sowie die Pflege vorantreiben und
sichern. Das bundesdeutsche Geodatenzugangsgesetz definiert: „Geodateninfra-
struktur ist eine Infrastruktur bestehend aus Geodaten, Metadaten und Geodaten-
diensten, Netzdiensten und -technologien, Vereinbarungen über gemeinsame Nut-
zung, über Zugang und Verwendung sowie Koordinierungs- und Überwachungs-
mechanismen, -prozesse und -verfahren mit dem Ziel, Geodaten verschiedener Her-
kunft interoperabel verfügbar zu machen.“ (§ 3 Abs. 5 Gesetz über den Zugang zu
digitalen Geodaten von 2009, vgl. Kap. 6.7.3). Generell ist die Optimierung von
Zugang und Austausch von Geodaten das Kernziel zum Aufbau und Betreiben einer
Geodateninfrastruktur. Hierdurch soll eine bessere, d.h. zuverlässigere, schnellere,
barrierefreie Informationsgewinnung erreicht werden.
Inzwischen ist der Aufbau von Geodateninfrastrukturen ein Anliegen in vielen
Ländern wie in der Europäischen Gemeinschaft, in den USA (National Spatial Data
Infrastructure NSDI) oder Kanada (Canadian Geospatial Data Infrastructure
CGDI). In Deutschland wie in den anderen Ländern der EU ist der Aufbau einer
nationalen Geodateninfrastruktur eng verbunden mit europäischen Initiativen (vgl.
Kap. 6.7.2). Ebenso ist eine grundlegende Voraussetzung für das Funktionieren von
Geodateninfrastrukturen die Beachtung von internationalen Normen und Standards.
Erst dadurch wird die reibungslose Zusammenarbeit einzelner unabhängiger und
durchaus heterogener Bestandteile möglich (vgl. vor allem verteilte Datenangebote
in proprietären Formaten).
6.7.2 INSPIRE
Die ersten Aktivitäten zum Aufbau einer europäischen Geodateninfrastruktur gehen

bis ins Jahr 2001 zurück, als die erste INSPIRE- bzw. damals noch E-ESDI- Exper-
tengruppe einberufen (E-ESDI für European Environmental European Spatial Data
Infrastructure) und ein erster Action Plan veröffentlicht wurden (vgl. INSPIRE
2012a). Ein wesentliches Ziel war, die Umweltpolitik der EU mit notwendigen In-
formationen aus den Mitgliedstaaten zu versorgen.
Wegweisend für den Aufbau einer europäischen Geodatenbasis und die Bedeu-
tung der Geoinformationen in den EU-Staaten weitreichend beeinflussend war die
Richtlinie 2007/2/EG des Europäischen Parlaments und des Rates vom 14. März
2007 zur Schaffung einer Geodateninfrastruktur in der Europäischen Gemeinschaft
(INSPIRE, Infrastructure for Spatial Information in the European Community), die
am 15. Mai 2007 in Kraft getreten ist. Das Ziel der Richtlinie ist, aufbauend auf den
Aufbau von Geodateninfrastrukturen 271
nationalen Geodateninfrastrukturen die grenzübergreifende Nutzung von Daten in

Europa zu erleichtern und somit eine europäische GDI aufzubauen. Insbesondere
verpflichtet die INSPIRE-Richtlinie alle Mitgliedstaaten der Europäischen Union,
standardisierte Dienste für die Suche, die Visualisierung und den Bezug von Daten
bereitzustellen (vgl. INSPIRE 2007a, zum Einstieg in gesetzliche Grundlagen von
INSPIRE vgl. INSPIRE 2019a).
Durch Schaffung einer Europäischen Geodateninfrastruktur, die sich auf die na-
tional aufzubauenden Geodateninfrastrukturen (GDI) stützt, soll die Verwendung
interoperabler Geodaten und Geodienste über die verschiedenen Verwaltungsebe-
nen hinweg ermöglicht werden. Mittels sog. Durchführungsbestimmungen soll si-
chergestellt werden, dass die Geodateninfrastrukturen der Mitgliedstaaten zueinan-
der kompatibel sind und gemeinschaftsweit sowie grenzüberschreitend genutzt wer-
den können. Dadurch unterstützt INSPIRE die Entscheidungsfindung in Bezug auf
politische Konzepte und Maßnahmen, die direkte oder indirekte Auswirkungen auf
die Umwelt haben können (vgl. Einstieg in Themen zu INSPIRE z.B. über das Geo-
datenportal Niedersachsen, vgl. GDI-NI 2019a).
Die INSPIRE-Richtlinie richtet sich an Behörden, d.h. genauer an die geodaten-
haltenden Stellen, die öffentliche Aufgaben wahrnehmen (vgl. Art. 3 Abs. 9), und
bezieht sich auf Geodaten, die in elektronischer Form vorliegen und die sich auf ein
oder mehrere der in den Anhängen zur Richtlinie genannten Themen beziehen (vgl.
Abb. 6.7).
Themen Anhang I Themen Anhang III

Koordinatenreferenzsysteme Statistische Einheiten
Geographische Gittersysteme Gebäude
Geographische Bezeichnungen Boden
Verwaltungseinheiten Bodennutzung
Adressen Gesundheit und Sicherheit
Flurstücke/Grundstücke (Katasterparzel- Versorgungswirtschaft und staatl.
len) Dienste
Verkehrsnetze Umweltüberwachung
Gewässernetz Produktions- und Industrieanlagen
Schutzgebiete Landwirtsch. Anlagen und Aquakulturan-
lagen
Verteilung Bevölkerung – Demographie
Themen Anhang II Bewirtschaftungsgebiete/Schutzgebiete/
Höhe geregelte Gebiete und Berichter-
Bodenbedeckung stattungseinheiten
Orthophotographie Gebiete mit naturbedingten Risiken
Geologie Atmosphärische Bedingungen
Meteorologisch-geogr. Kennwerte
Ozeanografisch-geogr. Kennwerte
Meeresregionen
Biographische Regionen
Lebensräume und Biotope
Verteilung der Arten
Energiequellen
Mineralische Bodenschätze
Abb. 6.7: INSPIRE-Themenfelder in den Anhängen I bis III der Richtlinie (nach INSPIRE 2007b)
Kernvorgaben der Initiative betreffen:

- das Erzeugen und die regelmäßige Aktualisierung von Metainformationen zu den
Geodaten und Geodiensten
- das Bereitstellen von Geodiensten u. a. zur Recherche mit Hilfe von Metadaten
(Suchdienste), zur Anzeige von Geodaten (Darstellungsdienste), zum Herunter-
laden von Geodaten (Downloaddienste) und Transformationsdienste zum Um-
wandeln von Geodatensätzen, um Interoperabilität zu erreichen.
Dabei sind der Öffentlichkeit Suchdienste und Darstellungsdienste kostenlos zur
Verfügung zu stellen. Im Rahmen von INSPIRE wird die Erfassung und Sammlung
neuer Geodaten explizit nicht vorgeschrieben.
Die Richtlinie musste von den Mitgliedstaaten innerhalb von zwei Jahren in na-
tionales Recht umgesetzt werden (d.h. bis zum 15.05.2009). Ferner ist in der Richt-
linie ein Zeitplan festgeschrieben, der einen stufenweisen Aufbau der europäischen
Geodateninfrastruktur vorsieht (vgl. INSPIRE 2019b, zum Zeitplan für die Umset-
zung von INSPIRE vgl. auch: GDI-DE 2019b).
Die Koordinierungsstelle GDI-DE hat für die durchzuführende Prüfung zur ein-
heitlichen Identifizierung INSPIRE relevanter Geodaten eine Handlungsempfeh-
lung herausgegeben, mit der jede geodatenhaltende Stelle Schritt für Schritt ihre
eigenen Daten überprüfen und für INSPIRE melden kann.
Neben der rahmengebenden INSPIRE-Richtlinie bilden vor allem die 37 Imple-
menting Rules (IR) die Grundlage für den Aufbau einer EU-weiten Geodateninfra-
struktur. Sie sollen sicherstellen, dass die einzelnen nationalen GDIs der EU zuei-
nander kompatibel und gemeinsam nutzbar sind. Insgesamt sind für INSPIRE fünf
Bereiche definiert worden (vgl. INSPIRE 2019c).
- Metadata (Beschreiben der Daten und Dienste),
- Data Specification (Festlegen der Datenspezifikationen der im Anhang aufgelis-
teten Themen, notwendig für die Interoperabilität),
- Network Services (Vorgaben über das Leistungsvermögen der Dienste),
- Data and Service Sharing (Entwicklung u.a. von Lizenzen oder Copyrights),
- Monitoring and Reporting (Festlegen von Indikatoren für ein Qualitätsmanage-
ment von Geodaten und Geodatendiensten und Definieren von Berichtspflichten).
Über das Geoportal von INSPIRE sind inzwischen viele Geodaten abrufbar wie z.B.
die aktuellen Verwaltungsgrenzen Nordportugals, die als GML-Daten herunterge-
laden werden können (vgl. INSPIRE 2019d).
6.7.3 GDI-DE – Geodateninfrastruktur Deutschland
Die rechtliche Umsetzung der INSPIRE-Richtlinie in Deutschland bedeutete auf-

grund des föderalen Aufbaus eine Kodifizierung sowohl auf Ebene des Bundes als
auch innerhalb der Bundesländer. Für die Ebene des Bundes wurde das Gesetz über
den Zugang zu digitalen Geodaten (Geodatenzugangsgesetz, GeoZG, vom
10.2.2009) erlassen, das den rechtlichen Rahmen für den Aufbau einer nationalen
Geodateninfrastruktur schafft. Neben Begriffsbestimmungen z.B. von Geodaten-

diensten oder Geoportal sowie der Festlegung von Zuständigkeiten und Themen
(entsprechend den Anhängen der INSPIRE-Richtlinie) werden u.a. Bereitstellung
von Geodaten, Geodatendiensten und Netzwerken und vor allem die Einrichtung
eines Geoportals auf der Ebene des Bundes geregelt. Nach § 6 des Geodatenzu-
gangsgesetzes sind Daten, die sich auf Themen im Anhang I bis III der INSPIRE-
Richtlinie beziehen, als Dienste bereitzustellen (u.a. Suchdienste, Darstellungs-
dienste, Downloaddienste und Transformationsdienste). Dabei sind die Geodaten
vorhaltenden Stellen verpflichtet, die Vorgaben für alle INSPIRE-Darstellungs-
dienste verbindlich einzuhalten (zum Einstieg vgl. GDI-DE 2019c).
„Der Auftrag der GDI-DE zielt auf eine effiziente und innovative Bereitstellung
öffentlicher Geodaten im Rahmen einer webbasierten, vernetzten und auf Standards
beruhenden Geodateninfrastruktur ab“ (GDI-DE2019d). Zum Erreichen dieses
Ziels wurde das Lenkungsgremium GDI-DE und seine Koordinierungsstelle beim
Bundesamt für Kartographie und Geodäsie eingerichtet. Inzwischen leiten sich die
aktuellen Aufträge und Maßnahmen der GDI-DE aus den Beschlüssen des Len-
kungsgremiums GDI-DE auf der Basis der Nationalen Geoinformationsstrategie
(NGIS) ab. Darüber hinaus nimmt die GDI-DE die Aufgabe der nationalen Anlauf-
stelle der Europäischen Kommission für die Umsetzung der Richtlinie 2007/2/EG
(INSPIRE) wahr. In dieser wichtigen und rechtsverbindlichen Funktion formuliert
sie die Pflichtaufgabe an alle geodatenhaltenden Stellen: Die INSPIRE-relevanten
Geodatensätze und -dienste sind, nachdem sie mit Metadaten beschrieben und diese
über Netzdienste zugänglich gemacht worden sind, in einem letzten Schritt in-
teroperabel bereitzustellen. Sie müssen dabei die Anforderungen aus der Verord-
nung zur Umsetzung der INSPIRE-Richtlinie hinsichtlich der Interoperabilität von
Geodatensätzen und -diensten erfüllen. Unter anderem sind dabei die Geodatensätze
in das durch die Verordnung vorgegebene Format für die 34 INSPIRE-Themen zu
transformieren. Bis Ende 2020 müssen alle Geodatensätze interoperabel bereitge-
stellt werden. Je nachdem, welchem INSPIRE-Thema der Geodatensatz zuzuordnen
ist und ob es sich um einen bereits vorhandenen oder neu erhobenen Geodatensatz
handelt, gelten unterschiedliche Fristen (vgl. GDI-DE 2019e).
Zur Identifizierung INPIRE-relevanter Geodaten hat die Koordinierungsstelle
GDI-DE 2018 Handlungsempfehlungen für geodatenhaltende Stellen erarbeitet
(vgl. GDI-DE Koordinierungsstelle 2018) und zur Qualitätssicherung für Geodaten
und Geodatendienste eine sog. GDI-Testsuite entwickelt (vgl. GDI-DE 2019f). Dar-
über hinaus stellen die Vermessungsverwaltungen der Bundesländer umfangreiche
Dokumente und Hilfen zur Verfügung (für Niedersachsen vgl. z.B. GDI-NI 2019b
u. 2019c).
Kernstück der GDI-DE ist das Geoportal.de, das den Blick auf die Inhalte der
GDI-DE eröffnet und den zentralen Zugang zu den Daten und Diensten der GDI-
DE liefert (vgl. Geoportal 2019a). An das Geoportal.DE ist der Geodatenkatalog-
DE angebunden, der ein leistungsfähiges Metadaten-Auskunftssystem über die
Geodaten und Geodienste darstellt (vgl. Kap. 6.5.3.2).
Der Bund setzt in vorbildlicher Weise den Grundgedanken von INSPIRE sowie
der Schaffung einer (nationalen) Geodateninfrastruktur um. Dies ist insbesondere
vor dem Hintergrund zu beachten, dass zur Beschaffung oder Entstehung der Daten
in der Regel Steuermittel verwandt wurden und die Daten somit einen Teil der all-
gemein vorhandenen Infrastruktur darstellen (sollten). In Deutschland wurde hierzu
das Kunstwort „geldleistungsfrei“ geschaffen.
Mit der Novellierung des Geodatenzugangsgesetzes des Bundes vom 07.11.2012
wurde die Grundlage geschaffen, Geodaten und Geodatendienste einschließlich zu-
gehöriger Metadaten nach dem GeoZG grundsätzlich geldleistungsfrei für die kom-
merzielle und nichtkommerzielle Nutzung zur Verfügung zu stellen. Diese Ände-
rung betrifft allerdings nur die Geodaten und Geodatendienste des Bundes. Sie dient
dem Abbau von Bürokratie, indem die Nutzungsbedingungen einheitlich und ver-
bindlich geregelt werden. Hierdurch soll das in den Geodaten des Bundes liegende
Wertschöpfungspotenzial aktiviert werden. Allerdings betrifft diese Freigabe nur
Datenbestände in der Zuständigkeit des Bundes. Im Rahmen des Open-Data-Ange-
bots des Bundesamtes für Kartographie und Geodäsie (BKG) werden Karten und
Daten, die ab einem Maßstab 1 : 250.000 und kleiner durch das BKG selbst erzeugt
und gepflegt werden, gemäß Geodatenzugangsgesetz kostenfrei zur Verfügung ge-
stellt (vgl. BKG 2019).
Der Grundgedanke von INSPIRE ist in anderen Ländern schon länger umgesetzt.
In den Niederlanden sind Katasterdaten frei verfügbar. In Österreich steht für nicht-
kommerzielle Nutzung ein hochauflösender kostenfreier Orthophoto-WMS-Dienst
zur Verfügung. In Großbritannien bieten der British Geological Service mit dem
Vorhaben OpenGeoscience und der Ordnance Survey mit dem Projekt OS Open-
Data neben freien Daten auch Dienste und Schnittstellen für die freie Integration in
eigene Anwendungen an.
6.7.4 Nationale Geoinformations-Strategie (NGIS)
Im Lenkungsgremium GDI-DE wurde 2015 die Nationale Geoinformations-Strate-

gie beschlossen. Die Politik hat erkannt, dass eine breite strategische Herangehens-
weise notwendig ist, um die deutsche Geoinformationspolitik nachhaltig und zu-
kunftsweisend zu gestalten und die gesamte Komplexität des Themas in den Blick
zu nehmen: Geoinformationen als wesentlicher Rohstoff einer digitalen Gesell-
schaft (vgl. GDI-DE 2019g). Diese politische Absichtserklärung wird inzwischen
eindeutig durch den Aufbau einer europäischen Geodateninfrastruktur überlagert.
6.7.5 GDI der Länder
Die rechtliche Umsetzung der INSPIRE-Richtlinie in Landesrecht bedeutete die Er-

arbeitung von 16 Landesgesetzen. In Niedersachsen wurde z.B. das Niedersächsi-
sche Geodateninfrastrukturgesetz (NGDIG 2010) oder in Nordrhein-Westfalen das
Geodatenzugangsgesetz NRW (GeoZG-NRW 2009) erarbeitet. Für Mecklenburg-
Vorpommern wurden die INSPIRE-Vorgaben in das Gesetz über das amtliche
Geoinformations- und Vermessungswesen (Geoinformations- und Vermessungsge-
setz – GeoVermG M-V 2010) integriert. Die Inhalte der einzelnen Gesetze lehnen
sich trotz unterschiedlicher Bezeichnungen und räumlicher Fokussierung stark an
das Geodatenzugangsgesetz des Bundes an (d.h. an die INSPIRE-Vorgaben). Das

Niedersächsische Geodateninfrastrukturgesetz bezieht sich (logischerweise) auf
Geodaten für das Hoheitsgebiet des Landes Niedersachsen, die noch in Verwen-
dung stehen sowie digital vorliegen (zum Einstieg in die GDI-NI vgl. GDI-NI
2019g).
Zentraler Baustein der GDI-NI ist wie auch für andere Bundesländer ein Geoda-
tenportal, wobei sich sämtliche 16 Geoportale zwar in Aufbau und Übersichtlich-
keit, aber letztlich nicht stark in den Angeboten unterscheiden (zur Übersicht der
Geodatenportale der Länder vgl. GDI-NI 2019h). Vorhanden sind Optionen wie
„Datenangebot“, „Metadaten“, „Viewer und Dienste“, „GDI-Standards“, „GDI-
NI“, „INSPIRE“ und „Allgemeine Informationen“ (vgl. GDI-NI 2019a). So sind
Recherchen nach Geodaten, Geodatendiensten und Fachinformationssystemen über
Metadaten sowie die Visualisierung der Geodaten für die Öffentlichkeit möglich.
Üblicherweise werden Geodaten-Viewer angeboten, die eine Visualisierung von
Geodaten, d.h. vereinfacht die Darstellung von Karten in einem Web-Browser, er-
möglichen. Allerdings unterscheiden sich die Geodaten-Viewer erheblich im Lay-
out sowie in der Übersichtlichkeit, aber vor allem in der Tiefe des Datenangebots
und in den vorhandenen Funktionalitäten (vgl. z.B. den BayernAtlas, den Karten-
viewer im GeoPortal.rlp oder den Sachsen-Anhalt-Viewer).
Als weiteres Beispiel sollen die Komponenten der GDI-NRW angeführt werden:
- Das GEOportal.NRW ist die zentrale Informationsplattform und Vermittlungs-
stelle zwischen Nutzern und Anbietern von Geodaten in NRW (vgl. GEOpor-
tal.NRW 2019a).
- Der GEOviewer als Kartenviewer bietet umfangreiche Funktionen und Werk-
zeuge für die Recherche und Visualisierung von Geodaten (vgl. GEOportal.NRW
2019b). Er ist die Darstellungskomponente des GEOportal.NRW.
- Der GEOkatalog.NRW stellt mit dem Metadateninformationssystem des Landes
NRW den zentralen Bestandteil des GEOportal.NRW dar (vgl. GEOportal.NRW
2019c).
Vorbildlich sind die im GEOviewer verfügbaren Geodaten, die nach mehreren
Fachkategorien systematisiert sind. Er ermöglicht z.B. in der Kategorie Geobasis-
daten die Visualisierung umfangreicher Datenbestände bis zur Liegenschaftskarte.
Diese Daten sind vor allem direkt frei herunterladbar.
Besonders herauszustellen ist die im Rahmen der Initiative „Offene Geodaten
der GDI-NRW“ bestehende Möglichkeit, umfangreiche Datenbestände herunterzu-
laden (vgl. OpenGeodataNRW). In der Kategorie Geobasisdaten NRW sind unter
Lizenzangabe u.a. verfügbar
- 3D-Gebäudemodelle im LoD1 und LoD2
- 3d-gm Digitale Geländemodelle
- Digitale Landschaftsmodelle
- Digitale Oberflächenmodelle
- Digitale Orthophotos
- Digitale Topographische Karten
- Liegenschaftskataster NRW
- Topographische Sonderkarten
Ferner findet man im GEOviewer einen Open Data Downloadclient. Darüber hinaus
bestehen vielfältige Webdienste, die im GEOkatalog.NRW und angeschlossenen
Katalogen mit Metadaten beschrieben sind.
Besonders ist auf die umfangreichen standardisierten Geodatendienste der Be-
zirksregierung Köln, Geobasis NRW, hinzuweisen, die eine hersteller- und platt-
formneutrale Nutzung der Geobasisdaten der Landesvermessung und des Liegen-
schaftskatasters NRW webbasiert ermöglichen (WMS/WMTS, WFS u. WCS, vgl.
Geobasis.NRW 2019b).
Eine weitere Visualisierungskomponente für NRW stellt TIM-online dar (vgl.
TIM-online 2019). TIM-online ist eine Internet-Anwendung des Landes Nordrhein-
Westfalen zur Darstellung der Geobasisdaten der Vermessungs- und Katasterver-
waltung NRW. Der Dienst bietet in Abhängigkeit der Zoomstufe sämtliche Topo-
graphische Karten von der Übersichtskarte 1:500.000 bis zur DTK 25 und DTK 10
sowie zur Deutschen Grundkarte 1:5.000, ferner die Liegenschaftskarte mit der Ab-
fragemöglichkeit nach Flurnummer sowie Orthophotos (d.h. Senkrechtluftbilder).
Zudem bestehen Druck- und Downloadmöglichkeiten.
Literatur
BayernAtlas (2019): BayernAtlas. https://geoportal.bayern.de (17.11.2019)

Brinkhoff, T. (2013): Geodatenbanksysteme in Theorie und Praxis. Einführung in objektrelationale
Geodatenbanken unter besonderer Berücksichtigung von Oracle Spatial. Heidelberg: Wich-
mann. 3. Aufl.
Dublin Core Metadata Initiative (2012): Dublin Core Metadata Element Set.
https://www.dublincore.org/specifications/dublin-core/dces/ (17.11.2019)
BKG, Bundesamt für Kartographie und Geodäsie (2019): Open Data. https://gdz.bkg.bund.de/in-
dex.php/default/open-data.html (17.11.2019)
Federal Geographic Data Committee (1998): FGDC-STD-001-1998. Content standard for digital
geospatialmetadata (revised June 1998).
https://www.fgdc.gov/standards/projects/metadata/base-metadata/v2_0698.pdf
Federal Geographic Data Committee, FGDC (2019a): Geospatial Metadata Standards and Guide-
lines. https://www.fgdc.gov/metadata/geospatial-metadata-standards (17.11.2019)
Federal Geographic Data Committee, FGDC (2019b): Content Standard for Digital Geospatial
Metadata. https://www.fgdc.gov/metadata/csdgm/ (17.11.2019)
GDI-DE (2019a): Metadaten. https://www.geoportal.de/DE/GDI-
DE/INSPIRE/Metadaten/metadaten_artikel.html?lang=de (17.11.2019)
GDI-DE (2019b): Zeitplan für die Umsetzung von INSPIRE. https://www.geoportal.de/DE/GDI-
DE/INSPIRE/Zeitplan/zeitplan.html?lang=de (17.11.2019)
GDI-DE (2019c): Einstiegsseite zu INSPIRE. https://www.geoportal.de/DE/GDI-
DE/INSPIRE/Hintergrund/hintergrund.html?lang=de (17.11.2019)
GDI-DE (2019d): Auftrag GDI-DE. https://www.geoportal.de/DE/GDI-
DE/Organisation/Auftrag_GDI-DE/auftrag_gdi_de.html?lang=de (17.11.2019)
GDI-DE (2019e): Interoperabilität. https://www.geoportal.de/DE/GDI-
DE/INSPIRE/Interoperabilitaet/interoperabilitaet.html?lang=de (17.11.2019)
GDI-DE (2019f): GDI-DE Testsuite. https://www.geoportal.de/DE/GDI-DE/Komponenten/GDI-
DE-Testsuite/gdi-de-testsuite.html?lang=de%20 (17.11.2019)
GDI-DE 2019g: Strategien. https://www.geoportal.de/DE/GDI-
DE/Strategien/strategien.html?lang=de (17.11.2019)
Literatur 277
GDI-DE Koordinierungsstelle (2018): Handlungsempfehlung zur Identifizierung INSPIRE -rele-

vanter Geodaten für geodatenhaltende Stellen. https://www.geoportal.de/SharedDocs/Down-
loads/DE/GDI-
DE/Handlungsempfehlung_v2_0_2_Identifizierung_relevanter_Geodaten.pdf?__blob=publicati
onFile (17.11.2019)
GDI-NI (2019a): Einstiegsseite zum Geodatenportal Niedersachsen. http://www.geodaten.nieder-
sachsen.de/ (17.11.2019)
GDI-NI (2019b): Metadaten im Geodatenportal Niedersachsen. http://www.geodaten.niedersach-
sen.de/metadaten/metadaten--integraler-bestandteil-einer-geodateninfrastruktur-25492.html
(17.11.2019)
GDI-NI (2019c): Schritt für Schritt zu perfekten Metadaten. http://www.geodaten.niedersach-
sen.de/download/26323/Schritt_fuer_Schritt_zu_perfekten_Metadaten.pdf (17.11.2019)
GDI-NI (2019d): Metadatenerfassung im Geodatenportal Niedersachsen. http://geoportal.geoda-
ten.niedersachsen.de/mdm/srv/de/main.home (17.11.2019)
GDI-NI (2019e): Metadatenerfassung. https://www.geodaten.niedersachsen.de/metadaten/metada-
tenerfassung/%20metadatenerfassung-88675.html (17.11.2019)
GDI-NI (2019f): Geodateninfrastruktur Niedersachsen Metadatenvorlage. http://www.geodaten.nie-
dersachsen.de/download/26315/Metadaten-Vorlage.xls (17.11.2019)
GDI-NI (2019g): Geodateninfrastruktur Niedersachsen. http://www.geodaten.niedersach-
sen.de/gdini (17.11.2019)
GDI-NI (2019h): Die Geodatenportale der Länder. http://www.geodaten.niedersach-
sen.de/gdini/geodatenportale_laender/die-geodatenportale-der-laender-25533.html (17.11.2019)
Geobasis.NRW (2019a): Digitale Topographische Karten. https://www.bezreg-
koeln.nrw.de/brk_internet/geobasis/topographie/ (17.11.2019)
Geobasis.NRW (2019b): Geodatendienste NRW. https://www.bezreg-koeln.nrw.de/brk_internet/ge-
obasis/webdienste/geodatendienste/ (17.11.2019)
Geoportal.de (2019a): Geoportal.de, suchen finden, verbinden. https://www.geopor-
tal.de/DE/Geoportal/geoportal.html?lang=de (17.11.2019)
Geoportal.de (2019b): Geodatenkatalog. (17.11.2019)
https://www.geoportal.de/DE/GDI-DE/Komponenten/Geodatenkatalog-DE/geodatenkatalog-
de.html?lang=de (17.11.2019)
GEOportal.NRW (2019a): GEOportal.NRW. https://www.geoportal.nrw/gdi-nw (17.11.2019)
GEOportal.NRW (2019b): GEOviewer. https://www.geoportal.nrw/geoviewer (17.11.2019)
GEOportal.NRW (2019c): GEOkatalog.NRW. https://www.geoportal.nrw/metadaten (17.11.2019)
GeoPortal.rlp (2019): Kartenviewer im GeoPortal Rheinland-Pfalz. http://www.geopor-
tal.rlp.de/portal/karten.html (17.11.2019)
Hitzler, P., Krötzsch, M. Rudolph, S. u. Y. Sure (2008): Semantic Web – Grundlagen. Berlin/Hei-
delberg: Springer.
INSPIRE (2012a): INSPIRE Expert Group and Working Groups. http://inspire.jrc.ec.europa.eu/in-
dex.cfm/pageid/4 (18.11.2012)
INSPIRE (2007a): INSPIRE Directive 2007/2.
https://inspire.ec.europa.eu/documents/directive-20072ec-european-parliament-and-council-14-
march-2007-establishing (17.11.2019)
INSPIRE (2007b): Deutsche Fassung der Richtlinie 2007/2 EG INSPIRE. http://www.geodaten.nie-
dersachsen.de/down-
load/26285/RICHTLINIE_2007_2_EG_INSPIRE_deutsche_Fassung_vom_14.03.2007.pdf
(17.11.2019)
INSPIRE (2019a): INSPIRE Legislation. https://inspire.ec.europa.eu/inspire-legislation/26
https://inspire.ec.europa.eu/inspire-legislation/26 (17.11.2019)
INSPIRE (2019b): INSPIRE Roadmap. https://inspire.ec.europa.eu/inspire-roadmap/61
https://inspire.ec.europa.eu/inspire-roadmap/61 (17.11.2019)
INSPIRE (2019c): INSPIRE Implementing Rules. https://inspire.ec.europa.eu/inspire-implement-
ing-rules/51763 (17.11.2019)
INSPIRE (2019d): INSPIRE Geoportal. https://inspire-geoportal.ec.europa.eu/results.html?coun-

try=pt&view=details&legislation=all%20 (17.11.2019)
Interministerieller Ausschuss für Geoinformationswesen (2019): Aufgaben und Struktur des
IMAGI. https://www.imagi.de/Webs/IMAGI/DE/organisation/aufgaben-und-struktur/aufgaben-
und-struktur-node.html (17.11.2019)
ISO (2019a): Developing Standards. https://www.iso.org/developing-standards.html 17.11.2019)
ISO (2019b): Standards by ISO/TC 211. https://www.iso.org/committee/54904/x/ca-
talogue/p/1/u/0/w/0/d/0 (17.11.2019)
ISO (2019c): ISO 15836-1:2017. Information and documentation -- The Dublin Core metadata ele-
ment set -- Part 1: Core elements. https://www.iso.org/standard/71339.html (17.11.2019)
ISO (2019d): ISO 19115:2014 Geographic information -- Metadata -- Part 1: Fundamentals.
https://www.iso.org/standard/53798.html (17.11.2019)
ISO (2019e): ISO 19157:2013 Geographic Information – Data quality. https://www.iso.org/stand-
ard/32575.html (17.11.2019)
ISOTC211 (2019): ISO/TC 211 and OGC collaborate on geoprocessing standards.
https://www.isotc211.org/press/1997/05/14/tc211-ogc-collaborate-on-standards.html (17.11.2019)
Koordinierungsstelle GDI-DE (2008): Deutsche Übersetzung der Metadatenfelder des ISO 19115
Geographic Information – Metadata. https://www.geoportal.de/SharedDocs/Down-
loads/DE/GDI-DE/Deutsche_Uebersetzung_der_ISO-Felder.pdf?__blob=publicationFile
(17.11.2019)
OGC (2019a): About OGC. https://www.opengeospatial.org/about (17.11.2019)
OGC (2019b): OGC Abstract Specifications. https://www.opengeospatial.org/docs/as (17.11.2019)
OGC (2019c): OGC Implementation Standards. https://www.opengeospatial.org/docs/is
(17.11.2019)
OGC (2019d): OGC Simple Feature Access – Part 1: Common Architecture. https://www.opengeo-
spatial.org/standards/sfa (17.11.2019)
OGC (2019e): OGC Geography Markup Language (GML): https://www.opengeospatial.org/stand-
ards/gml (17.11.2019)
OGC (2019f): OGC Geopackage.
https://www.geopackage.org/ (17.11.2019)
OGC (2019g): OpenGIS Web Map Tile Service Implementation Standard. https://www.opengeo-
spatial.org/standards/wmts (17.11.2019)
OGC (2019h): OGC WPS 2.0.2 Interface Standard Corrigendum 2. http://docs.opengeospa-
tial.org/is/14-065/14-065.html (17.11.2019)
OpenGeodataNRW (2019) Datenangebot OpenGeodata.NRW. https://www.opengeo-
data.nrw.de/produkte/ (17.11.2019)
Sachsen-Anhalt-Viewer (2019): Sachsen-Anhalt-Viewer. https://www.lvermgeo.sachsen-an-
halt.de/de/startseite_viewer.html (17.11.2019)
TIM-online (2019): TIM-online 2.0. https://www.tim-online.nrw.de/tim-online2/ (17.11.2019)
7 Visualisierung raumbezogener Informationen
7.1 Die interdisziplinäre Sicht auf die Kartographie
7.1.1 Digitale graphische Darstellung von Informationen
Die graphische Informationsverarbeitung bezeichnet zusammenfassend sämtliche

graphische, d.h. nicht alphanumerische Darstellungen von Informationen mit Hilfe
eines Computers und spezieller graphikfähiger Ein- und Ausgabegeräte. Der Begriff
graphische Darstellung von Informationen kennzeichnet dabei sehr umfassend so-
wohl die Erfassung als auch die Präsentation. Insbesondere schließt er die digitalen,
graphikorientierten Informationstechnologien und Kommunikationsformen wie
2D- und 3D-Computergraphik, Computeranimation, multimediale Techniken und
Augmented Reality sowie Virtual Reality mit ein.
In der graphischen Informationsverarbeitung werden häufig auch Informationen
ohne Raumbezug graphisch dargestellt wie z.B. reine Zahlenbestände, die in Form
von Säulendiagrammen bildhaft zu präsentieren sind, oder z.B. Photos oder Bilder,
die zu Werbezwecken aufbereitet werden sollen. Derartige Formen der graphischen
Präsentation, wozu u.a. die sog. Business-Graphik gehört, sind nicht kennzeichnend
für die Geoinformatik. Stattdessen sind hier graphische Darstellungsformen von
Geoobjekten von Belang.
7.1.2 Computergestützte wissenschaftliche Visualisierung
Die computergestützte wissenschaftliche Visualisierung ist ein relativ neues, seit

etwa Ende der 80er Jahren bestehendes Forschungsgebiet, an dem sich Informatik,
Kognitionswissenschaften, Psychologie und Kommunikationsforschung beteiligen
und das als Visualization in Scientific Computing (ViSC) bezeichnet werden kann.
Die Anfänge werden häufig auf McCormick u.a. (1987) zurückgeführt (zu einem
knappen Überblick vgl. Wood u. Brodlie 1994). Hierdurch werden Forschungsme-
thoden der Informatik bezeichnet, die die interaktive visuelle Exploration umfang-
reicher wissenschaftlicher Datenbestände zum Ziel haben, um das visuelle Denken
von Fachleuten zu stimulieren. Die Datensätze werden graphisch präsentiert, um
ihre Lesbarkeit zu verbessern oder um Strukturen oder Regelhaftigkeiten offenzu-
legen. Die computergestützte wissenschaftliche Visualisierung zielt dabei (primär)
nicht auf Verfahren ab, wie vorhandenes Fachwissen „anschaulich” durch graphi-

https://doi.org/10.1007/978-3-662-60709-1_7
sche Methoden und Darstellungen umgesetzt werden kann (explanative Kommuni-

kation). Im Mittelpunkt steht vielmehr der eigentliche Erkenntnisprozess (explora-
tive Kommunikation).
Grundlegend für dieses Verständnis von Visualisierung als ein Werkzeug wis-
senschaftlicher Forschung ist das Modell von DiBiase, das die verschiedenen Funk-
tionen der (computergestützten) Visualisierung im Forschungsprozess verdeutlicht,
wobei grundsätzlich zwischen zwei Bereichen unterschieden wird. Im internen Be-
reich findet nur eine Kommunikation des Wissenschaftlers mit sich selbst statt. Vi-
sualisierung bedeutet hier „visuelles Denken”, das der Exploration und Strukturie-
rung von Daten sowie der Findung und Überprüfung von Hypothesen (aufgrund der
Datenanalyse) dient. Im externen Bereich findet eine Kommunikation des Wissen-
schaftlers mit anderen statt. Visualisierung bedeutet hier „visuelle Kommunika-
tion“. Die Erkenntnisse werden in einer Synthese zusammengefasst und anschlie-
ßend präsentiert (vgl. Abb. 7.1).
Abb. 7.1: Visualisierung als ein Werkzeug wissenschaftlicher Forschung nach DiBiase 1990 (zi-
tiert nach MacEachren 1994 S. 3)
Zum Beleg, dass erst eine graphische Präsentation Strukturen in Datenbeständen

offenlegt, wird häufig das sog. Anscombe-Quartett herangezogen. Auszuwerten ist
ein noch sehr kleiner und übersichtlicher Datensatz von vier Merkmalspaaren für
11 Einheiten (vgl. Tab. 7.1). Die Daten sind in der Originalform abstrakt und in-
haltsleer. Man kann allerdings durchaus einen Realitätsbezug herstellen, um den
Argumenten entgegenzutreten, dass diese Zahlenreihen nur erdacht sind und in die-
ser Form überhaupt nicht vorkommen können. Die Daten könnten für 11 Klimasta-
tionen die Höhe (in 100 m) über dem Meeresspiegel (Merkmale x1, x2, x3), die Mo-
natsmitteltemperaturen im April, Mai und Oktober (Merkmale y1, y2, y3) sowie die
Zahl der Frosttage im Januar (x4) und die Schneehöhe in mm (Merkmal y4) wieder-
geben.
Die interdisziplinäre Sicht auf die Kartographie 281
Tabelle 7.1: Das Anscombe-Quartett (Quelle: Anscombe 1973)

I II III IV
X1 Y1 X2 Y2 X3 Y3 X4 Y4
10,0 8,04 10,0 9,14 10,0 7,46 8,0 6,58

8,0 6,95 8,0 8,14 8,0 6,77 8,0 5,76
13,0 7,58 13,0 8,74 13,0 12,74 8,0 7,74
9,0 8,81 9,0 8,77 9,0 7,11 8,0 8,84
11,0 8,33 11,0 9,26 11,0 7,81 8,0 8,47
14,0 9,96 14,0 8,10 14,0 8,84 8,0 7,04
6,0 7,24 6,0 6,13 6,0 6,08 8,0 5,25
4,0 4,26 4,0 3,10 4,0 5,39 19,0 12,50
12,0 10,84 12,0 9,13 12,0 8,15 8,0 5,56
7,0 4,82 7,0 7,26 7,0 6,42 8,0 7,91
5,0 5,68 5,0 4,74 5,0 5,73 8,0 6,89
Für diese Daten gilt jeweils:

Arithmetische Mittelwerte der xi =9
Varianzen der xi = 11
Arithmetische Mittelwerte der yi = 7.5
Varianzen der yi = 4.12
Korrelation von xi und yi = 0.816
lineare Regression yi = 3.0 + 0.5 xi
Eine Auswertung mit Methoden der deskriptiven Statistik liefert das fälschliche
Bild von Gleichheit bzw. Homogenität der Verteilungen jeweils der xi und yi sowie
der Zusammenhänge zwischen xi und yi. Auch ein Betrachten der Daten in Tabelle
7.1 führt zu keinem (großen) Erkenntnisgewinn. Man wird erkennen, dass x1 = x2 =
x3 und dass die Werte der Variablen x4 fast konstant sind, aber einen sog. Ausreißer
aufweisen. Dann ist eine Auswertung mit Hilfe von Parametern der statistischen
Methodenlehre am Ende. In der Regel wird ein Bearbeiter gar nicht auf die Idee
kommen, dieses Resultat zu hinterfragen, sondern genau dieses mit Hilfe objektiver
statistischer Parameter gewonnene Bild von Homogenität als Endergebnis präsen-
tieren. Erst die Darstellung der Merkmalspaare in einem Diagramm, also die Visu-
alisierung, bricht dieses Vorgehen auf. Die vier Merkmalspaare zeigen nämlich sehr
unterschiedliche Zusammenhangsstrukturen, die durch die statistischen Parameter
nicht aufgelöst werden. Diese Auswertung einer noch sehr überschaubaren Daten-
menge muss Wissenschaftler in eine tiefe Depression verfallen lassen. Wie sieht die
Situation bei großen Datenbeständen aus? Können parametergestützte statistische
Auswertungen „richtige“ Ergebnisse liefern? Besteht eine Gefahr, dass diese als
objektiv eingeschätzten Methoden Sachverhalte verschleiern?
Häufig reicht die Berechnung von statistischen Parametern allein nicht aus. Da-
her sollen in der Korrelations- und Regressionsrechnung bei quantitativen Merkma-
len stets Streuungsdiagramme (sog. Korrelogramme, Scatterplots) erstellt werden
(vgl. de Lange u. Nipper 2018 S. 127). Allerdings garantieren graphische Präsenta-
tionsformen keineswegs den gewünschten Erkenntnisgewinn. So können vor allem
unterschiedlich skalierte Diagrammachsen zu Fehlinterpretationen führen. Bei „ge-

schickter“ Wahl der Achseneinteilung des Merkmals x2 würde sich statt eines bo-
genförmigen ein linearer Verlauf der Punkte ergeben (vgl. Abb. 7.2). Aus diesem
Grund ist bei derartigen vergleichenden Darstellungen eine Normierung oder Stan-
dardisierung der Diagrammachsen zu fordern (vgl. de Lange u. Nipper 2018 S. 161
ff.).
Abb. 7.2: Visualisierung des Anscombe-Quartetts (vgl. Anscombe 1973 S. 19)
7.1.3 Geovisualisierung
Die Geovisualisierung kann als eine besondere Form der computergestützten wis-
senschaftlichen Visualisierung verstanden werden. Der Begriff „Geographic Visu-
alization (GVIS)“ geht auf MacEachren u. Ganter (1990) zurück und wurde später
auf „Geovisalization“ verkürzt (vgl. MacEachren u.a. 1999). Die Definition von
2001 hebt die visuelle Exploration anstelle von Visualisierung heraus: „Geovisual-
ization integrates approaches from visualization in scientific computing (ViSC),
cartography, image analysis, information visualization, exploratory data analysis
(EDA), and geographic information systems (GISystem) to provide theory, meth-
ods, and tools for visual exploration, analysis, synthesis, and presentation of geo-
spatial data (with data having geospatial referencing).“ (MacEachren u. Kraak 2001
S. 3).
Grundlage der konzeptionellen Entwicklung bildete das Modell des Map Use Cubes
nach MacEachren (1994), das vier verschiedene Funktionen der Kartennutzung her-
ausstellt (Präsentation, Synthese, Analyse, Exploration, vgl. Abb. 7.3, zur Entwick-
lung vgl. Kraak u. MacEachren 2005 sowie Schiewe 2013). Die Geovisualisierung
verfolgt somit einen integrativen bzw. interdisziplinären Ansatz, bei dem die Kar-
tographie eine bedeutende Funktion besitzt. Die Geovisualisierung findet ihre Fort-
setzung im jüngeren interdisziplinären Forschungsbereich „Geovisuelle Analytik“
(Geovisual Analytics oder Geospatial Visual Analytics, zum Einstieg vgl. Meng
2011 S. 252 – 253, vgl. G. u. N. Andrienko 2005 u. G. Andrienko u.a. 2007 u. 2010).
Abb. 7.3: Map Use Cube nach MacEachren 1994 in der Darstellung von Schiewe 2013
Der Ausdruck Visualisierung schafft somit eine neue Begrifflichkeit, die zweiseitig
zu verstehen ist (vgl. Schiewe 2013). Einerseits steht das sichtbare Produkt im Mit-
telpunkt, also die Generierung von Karten, um räumliche Daten und Informationen
zu veranschaulichen und sichtbar zu machen (d.h. klassisches Anliegen der Karto-
graphie). Andererseits wird die Kartennutzung herausgestellt, die zur Generierung
von Hypothesen und Wissen durch den Nutzer und durch das Nutzen einer interak-
tiven Umgebung (z.B. ein Geoinformationssystem) führt. Die interaktive Visuali-
sierung wird als explorativer Forschungsansatz verstanden, um komplexe und große
Datenmengen im wissenschaftlichen Erkenntnisprozess zu verarbeiten.
7.1.4 Digitale graphische Darstellung von Geoobjekten – Paradig-

menwechsel der Kartographie
Das neue Verständnis von Visualisierung bzw. Geovisualisierung spiegelt sich in

der jüngeren konzeptionellen Ausrichtung von Kartographie und Karte wider. Die
traditionelle Sicht, für die statische und interaktionsfreie Methoden zentral sind,
wird durch eine neue Sichtweise abgelöst, die stärker explorative und interaktive
Verfahren betont.
Graphische Darstellungsformen von Geoobjekten haben in der Kartographie eine
lange Tradition, die noch heute gültige Darstellungsprinzipien von raumbezogenen
Informationen entwickelt hat: „Cartography is the discipline dealing with the art,
science and technology of making and using maps“ (International Cartographic
Association 2019a). Gegenüber dieser umfassenden und in ihrer Klarheit eleganten
Begriffsbestimmung der Internationalen Kartographischen Vereinigung zielten äl-
tere Begriffsbestimmungen primär noch auf die Technik und Kunst der Herstellung
von Karten ab.
Zu Beginn der Digitalisierung der Kartographie wurde noch der Dualismus zwi-
schen analoger Karte in Papierform einerseits und dem Modell digitaler Daten an-
dererseits betont, das z.B. in einem Informationssystem dauerhaft gespeichert ist
und je nach Bedarf unterschiedlich präsentiert werden kann. Demgegenüber ist die
jüngste Begriffsbestimmung einer Karte von der Internationalen Kartographischen
Vereinigung wesentlich allgemeingültiger und bezieht sich ausdrücklich nicht mehr
auf technische Umsetzungsformen:
„A map is a symbolised representation of geographical reality, representing selected
features or characteristics, resulting from the creative effort of its author‘s execution
of choices, and is designed for use when spatial relationships are of primary
relevance.“ (International Cartographic Association 2019a).
Die Bedeutung des Begriffs „Karte“ hat sich vor allem im multimedialen Umfeld
in den letzten zwanzig Jahren erheblich verändert. Inzwischen steht die graphische
Präsentation am Monitor, auf dem Tablet oder auf dem Smartphone im Mittelpunkt.
Allerdings ist für diese Darstellungsform kein anderer, kurzer oder prägnanter Be-
griff vorhanden, so dass an dieser traditionellen Bezeichnung festgehalten wird. Pa-
pierkarten wie digitale Präsentationen in einem Geoinformationssystem auf einem
Monitor, auf einem Tablet oder Smartphone haben die Funktion einer Schnittstelle
zwischen Datenbestand und Nutzer. Diese Darstellungsformen besitzen eine klare
Überlegenheit in der Vermittlung raumbezogener Informationen, was auf die einer
Karte bzw. zweidimensionalen Darstellung immanenten chorographischen Eigen-
schaften zurückzuführen ist, visuell ganzheitliche und kontextuelle räumliche Zu-
sammenhänge zu erfassen und wahrzunehmen (vgl. Kap. 7.3). Gegenüber der „Pa-
pier-Ära“ mit unveränderlichen Inhalten ist neu, dass die (digitale) Darstellung auch
als interaktive Schnittstelle zu verstehen ist, die durch Interaktionsfunktionen einen
tieferen Zugang zu verschiedenen Informationen ermöglicht und die weitere Kom-
munikationsvorgänge auslöst. Insbesondere sind die Veränderungen herauszustel-
len, die die Rolle der Akteure betreffen. „In der offenen Informationsgesellschaft
werden die ehemaligen Kartennutzer zur selbstständigen Kartengenerierung aus ih-
ren eigenen Geodaten ermächtigt.“ (Meng 2011 S. 250). Gerade dadurch ist der
wirkliche Paradigmenwechsel in der Kartographie zu kennzeichnen. Karten werden

nicht mehr als unveränderte Darstellungen nur passiv genutzt, sondern interaktiv
„gelesen“. Die Erstellung von (digitalen) Präsentationen raumbezogener Informati-
onen ist zudem nicht mehr allein Sache von Kartographiefachleuten (zur Standort-
bestimmung vgl. International Cartographic Association 2019a, 2019b u. Virran-
taus u.a. 2009).
Die digitale Präsentation von Geoobjekten als interaktive Kommunikations-
schnittstelle kann (bisher) nach drei Entwicklungsstufen differenziert werden:
In der ersten Stufe nahm die Entwicklung ihren Ausgang vor allem durch die
zunehmende Verbreitung von Geoinformationssystemen. So ist die Präsentation
von Geodaten ein konstituierendes Merkmal eines Geoinformationssystems (vgl.
Kap. 9.1.2). Die räumliche Orientierung in einem GIS erfolgt über digitale karto-
graphische Darstellungen am Monitor. Die Visualisierung wird benutzt, um den in
das Geoinformationssystem abgebildeten oder modellierten Ausschnitt der Erd-
oberfläche graphisch aufzubereiten. Die Funktion einer digitalen Karte als interak-
tive Kommunikationsschnittstelle zwischen den Daten bzw. dem digitalen Primär-
modell (vgl. Kap. 7.3) und dem Nutzer wird hier bereits sehr früh deutlich. Der GIS-
Fachmann oder der GIS-Anwender, der nicht zwingend über Kenntnisse der Karto-
graphie verfügen musste, wurde bereits früh auch Produzent von Karten.
Abb. 7.4: Verdeutlichung des Hypermap-Konzepts
In der zweiten Stufe entstanden im Zuge der beinahe explodierenden Internetappli-

kationen Kartenanwendungen und Kartendienste im Internet, die den Präsentations-
möglichkeiten eines Desktop-GIS somit zeitlich nachfolgten. Hierfür steht der Be-
griff Web-Mapping, der das Erzeugen und Bereitstellen von Karten im Internet-
dienst World Wide Web umschreibt (vgl. Behncke u.a. 2009, vgl. Kap. 2.8.3 und
zur technischen Realisation eines Beispiels Kap. 7.2.3). Zunächst wurden im Web
interaktive Kartenanwendungen als fertige Produkte angeboten. Der Nutzer konnte
die Darstellungen durch Navigations- und Abfragefunktionen (u.a. mit Funktionen
zum Vergrößern und Verschieben der Kartenausschnitte) interaktiv betrachten, aber
noch keine eigenen Daten hinzufügen. Bereits auf dieser Stufe waren multimediale
Karten bzw. Präsentationen von zentraler Bedeutung, bei denen über sog. Hyper-
links Graphiken, Bilder, Photos, Luftbilder, Texte oder Ton aufzurufen sind. Grund-
legend ist hierfür das sog. Hypermap-Konzept, das analog zu dem Hypermedia-
Konzept aufgebaut ist (vgl. Abb. 7.4).
Ausgehend von einer digitalen Übersichtskarte am Monitor, die von einer CD
oder aus dem Internet abgerufen wird, erschließen sich nacheinander vielfältige In-
formationen, die nach inhaltlichen Zusammenhängen durch Verweise miteinander
verbunden sind. Der Benutzer steuert selbstständig in Abhängigkeit seiner Frage-
stellung und seines Vorwissens durch das Informationsangebot. Das kontextabhän-
gige Navigieren durch einen Datenbestand und die Datenexploration mit einem di-
gitalen Informationssystem wird durch einen Rückkopplungsprozess charakteri-
siert, der in einem Dialog immer fortschreitende Spezifizierungen der Fragestellung
ermöglicht und jeweils neue, das Problem genauer kennzeichnende Antworten an-
bietet (vgl. Abb. 7.5). Diese Datenexploration schafft gegenüber der klassischen
Nutzung analoger Karten den entscheidenden Qualitätssprung! Anzumerken ist,
dass auch ein Geoinformationssystem multimediale Präsentation und Datenexplo-
ration bietet, dass aber erst das Web diesen Darstellungsmöglichkeiten aufgrund der
freien Verfügbarkeit von Anwendungen und Daten sowie einer einfachen Handha-
bung den Durchbruch verschaffte.
Abb. 7.5: Datenexploration und Visualisierung als Prozess
In der dritten Entwicklungsstufe ergeben sich über den multimedialen Ansatz und
Datenexploration hinaus, die bereits gegenüber analogen Karten „revolutionär“
sind, noch weiter reichende Möglichkeiten:
Im Web 2.0 werden Nutzer nicht nur zum Konsumenten, sondern auch zum Pro-
duzenten eigener graphischer Darstellungen.
Die rasante Verbreitung von mobilen Endgeräten führt zu einem enormen und
stetig wachsenden Angebot von Apps, die Graphik- oder Kartenanwendungen wie
selbstverständlich nutzen und die zumeist mit dem Web verbunden sind.
Mit zunehmendem Grad der Interaktionen von Nutzer und digitaler Präsentation
eröffnen sich mit Anwendungen zur Augmented und Virtual Reality völlig neue
Darstellungsmöglichkeiten.
7.1.5 Präsentationen in der Geoinformatik
Während die Geovisualisierung den wissenschaftlichen Rahmen der Präsentation

und Exploration von Geodaten liefert, sind in der Geoinformatik und beim (tägli-
chen) Einsatz eines Geoinformationssystems weitaus praktischere bzw. anwen-
dungsbezogene Aufgaben zu lösen. Gegenüber der Visualisierung von Daten ohne
Raumbezug steht die Präsentation von Geoobjekten vor besonderen Herausforde-
rungen, da nicht nur die Thematik, d.h. die Attributwerte, dargestellt werden müs-
sen, sondern die Geoobjekte eine individuelle Lage, eine Nachbarschaft zu anderen
Geoobjekten aufweisen, wobei eine dynamische Präsentation erst einmal ausge-
klammert sein soll. Vor allem Geoinformationssysteme ermöglichen eine leichte
und schnelle Präsentation von Geoobjekten.
In der Geoinformatik besteht das zum Anscombe-Quartett, das vier Reihen von
Datenpaaren mit gleichen statistischen Kennwerten aufweist, umgekehrte Problem:
Eine einzige Datenreihe kann zu sehr unterschiedlichen Präsentationen mit differie-
renden Aussagen umgesetzt werden (vgl. Abb. 7.6–7.9). Zu fragen ist, wie wird die
Thematik der Geoobjekte „richtig“ wiedergegeben?
Abb. 7.6: Wohnfläche pro Einwohner in m2 in deutschen Bundesländern 2011 (vereinfachter

Screenshot ohne Kartenrandangaben), Entwurf 1


Die drei Screenshots zeigen für die deutschen Bundesländer den für die Raumpla-
nung wichtigen Indikator „Wohnfläche pro Einwohner in m2“. Somit ist jeweils ein
identisches Merkmal dargestellt. Abbildung 7.6 verdeutlicht einen stärkeren West-

Ost-Unterschied (Sachsen-Anhalt ausgenommen), der Anlass zum Auflegen von
Wohnungsbauförderungsprogrammen in den sog. neuen Bundesländern geben
könnte. Abbildung 7.7 zeigt diesen „Gegensatz“ nicht, Abbildung 7.8 gibt schließ-
lich sogar ein „ausgewogenes“ Bild wieder. Alle drei Abbildungen basieren auf dem
gleichen Datensatz, die Präsentationen sind aber sehr unterschiedlich. Abschließend
ist die Frage zu stellen: Was ist „wahr“ oder „richtig“?
Derartige Darstellungen kennzeichnen beinahe die Standardsituation in der
Geoinformatik, wobei die drei Abbildungen sogar das Gestaltungsmittel Farbe
„richtig“ einsetzen. Viel häufiger sind Präsentationen wie Abbildung 7.9 anzutref-
fen, die die beiden Kardinalfehler der Kartographie bzw. der graphischen Semiolo-
gie enthält. Fälschlicherweise wird zum einen das Absolutwertmerkmal „Wohnflä-
che pro Bundesland in m2“ durch eine Flächensignatur wiedergegeben (hier Farbe)
und zum anderen eine Quantität durch eine Farbe darstellt. Eine graphisch korrekte
Präsentation würde die absoluten Zahlen durch verschieden große Symbole umset-
zen wie z.B. Kreise oder Säulen, wobei der Radius bzw. die Säulenhöhe proportio-
nal zum darzustellenden Wert ist (vgl. Kap. 7.5.2). Eine Farbe kann keine Wertig-
keit ausdrücken. Die Kreissymbole wären in einer Farbe gestuft nach der Helligkeit
wiederzugeben. Diese Darstellungsprinzipien gehören in der Thematischen Karto-
graphie zum Standardwissen. Sie fußen auf Erkenntnissen der Semiologie und der
Theorie der graphischen Variablen nach Bertin (vgl. Kap. 7.4). Diese Prinzipien
werden von Geoinformationssystemen leider nicht standardmäßig umgesetzt. Der
Bearbeiter muss gezielt eingreifen, um graphisch korrekte bzw. aussagekräftige
Darstellungen zu erzeugen.

Grundlegend ist somit die Forderung nach einer korrekten, unverzerrten, nicht ma-
nipulierten und objektiven Wiedergabe von Informationen. Dies ist leider eine Illu-
sion, da eine graphische Präsentation immer von den Anstrengungen und Fertigkei-
ten des Verfassers abhängig ist, graphische Stilmittel adäquat einzusetzen, und stets
der graphische Kommunikationsprozess (vgl. Kap. 7.3) mit seinen vielfältigen Fil-
tern einen objektiven Erkenntnisprozess erschwert. So unterliegen kartographische
Darstellungen der Gefahr der Manipulation oder Fehleinschätzung der Inhalte. Ge-
rade ein „ungeübter“ Kartenleser wird die aufgezeigten Grenzen der Interpretation
von Karten nicht kennen. Die langjährig bewährten Darstellungsprinzipien der The-
matischen Kartographie bzw. der graphischen Semiologie helfen, die graphischen
Stilmittel auch in der Geoinformatik adäquat einzusetzen.
7.1.6 Augmented Reality – Virtual Reality
In der Geoinformatik finden sich im Zuge der starken Verbreitung von Smartphones
immer mehr Anwendungen von Augmented Reality. Unter Augmented Reality
(AR) oder erweiterte Realität ist zunächst allgemein die computergestützte Erwei-
terung der Realitätswahrnehmung zu verstehen, die alle menschlichen Sinneswahr-
nehmungen umfassen kann. Zumeist beschränken sich Anwendungen der AR auf
visuelle Informationen, die die Realität durch computergenerierte Zusatzinformati-
onen wie Texte, Bilder oder Videos ergänzen. Fast alltägliche Beispiele finden sich
bei Fernsehübertragungen von Fußballspielen, wenn z.B. eine Linie oder ein Kreis
eingeblendet werden, die eine Abseitssituation oder einen von gegnerischen Spie-
lern bei Freistößen freizuhaltenden Bereich markieren.
Für die Geoinformatik bedeutender sind Ansätze, bei denen in Echtzeit in einer di-
gitalen Aufnahme der realen Umgebung im Display eines Smartphones oder Tab-
letcomputers Zusatzinformationen in einer Überlagerung des Kamerabildes einge-
blendet werden. Diese Technik hat in dem Spiel Pokémon Go für Handheld-Mobil-
geräte wie Smartphones und Tabletcomputern große Verbreitung gefunden. Benö-
tigt werden verschiedene Sensoren, die inzwischen auf modernen Mobilgeräten
standardmäßig vorhanden sind. Die Sensoren für das Satellitennavigationssignal
und das Gyroskop (Lage- und Drehratensensor) dienen dazu, den Anwender exakt
zu positionieren und die eingeblendeten Informationen lagerichtig im Vollbild dar-
zustellen. Dies kann wie im Spiel eine virtuelle Figur oder auch erklärender Text
sein (zum Einstieg vgl. Broll 2013).
Eine Umsetzung dieser Spielidee kann zur Dokumentation von Landschaftsverän-
derungen durch eine breite Öffentlichkeit eingesetzt werden (Sammlung von Photos
durch crowd sourcing). Zu gewährleisten ist, dass die Photos von einem Objekt
(z.B. ein Uferabschnitt) von einem fast identischen Aufnahmestandort und aus fast
identischen Aufnahmewinkeln von unterschiedlichen Nutzern aufgenommen wer-
den können. Der Nutzer wird zu einem Aufnahmestandort navigiert, an dem die
Kamerasicht des Smartphones zu einer Augmented Reality Ansicht wechselt. An-
schließend wird der Nutzer angeleitet, die Kamera auf eine eingeblendete Zielmar-
kierung auszurichten und anschließend ein Photo zu erstellen (vgl. Albers u.a. 2017,
vgl. Kreuziger 2014).
Zukunftsträchtig ist der Einsatz von Augmented Reality in der Navigation. Im Ge-
gensatz zur bekannten Turn-by-Turn-Navigation gängiger Navigationssysteme
kann die Routenfindung durch eine Abfolge von markanten Landmarken (z.B.
Kirchtürme, Gebäude) auf dem Weg zum Ziel erreicht werden. In der Kamera des
Smartphones werden durch Pfeile die Richtung zum nächsten Wegpunkt sowie das
Bild (ggf. mit Text) angezeigt, das das nächste Zwischenziel wiedergibt (vgl. den
Prototypen GuidAR in Schofeld u.a. 2017). Diese Navigation entspricht eher einer
intuitiven Wegführung („von der Kreuzung geradeaus weiter bis zum weißen Denk-
mal“), sie ist aber extrem aufwendig, da die Erfassung der Landmarken vorausge-
setzt wird. Weitere vielfältige Anwendungsmöglichkeiten sind fast nicht zu überse-
hen: Darstellung von Gebäudeentwürfen vor dem Hintergrund von Baulücken, Ein-
blenden von Daten zur Tragfähigkeit von Böden und Brücken, von Gebäudeinfor-
mationen im Katastropheneinsatz oder die Projektion von Navigationshinweisen
auf die Windschutzscheibe. Als eine besonders innovative, raumbezogene Variante
zur Navigation ist die fühlbare Orientierungshilfe für Blinde und Sehbehinderte mit-
tels Vibrationen über den sog. Navigürtel zu sehen (vgl. feelspace 2019).
Gegenüber Anwendungen von AR-Verfahren können Umsetzungen mit Techniken
der Virtuellen Realität (VR) viel (geräte-)aufwendiger sein, wenn der Nutzer in
Echtzeit in einer computergenerierten virtuellen Welt eingebunden wird und in ihr
agieren bzw. sich in ihr bewegen will. Während AR die Visualisierung der realen
Welt unterstützt bzw. überlagert, gehen die Möglichkeiten von virtueller Realität
einen Schritt weiter. Die reale Welt wird mit dem Nutzer in eine virtuelle Welt ab-
gebildet. Hierzu sind spezielle Ausgabegeräte notwendig (VR-Headsets, Shutter-
brillen), die den Augen direkt virtuelle Bilder der Umgebung übermitteln. Der Nut-
zer sieht nicht mehr die reale Umgebung, sondern nur Bilder der Umgebung oder
einer virtuellen Umgebung. Der Nutzer wird in die virtuelle Welt eingebettet (sog.
Immersion) und agiert z.B. über einen Datenhandschuh mit ihr. Dieses Eintauchen
kann so weit gehen, dass die virtuelle Welt als real angesehen wird. Fahrzeugsimu-
latoren wie z.B. zur Ausbildung von Piloten stellen sicher das bekannteste Anwen-
dungsgebiet dar (zum Einstieg vgl. Dörner u.a. 2013).
7.1.7 Virtuelle Realität in der Geoinformatik: 3D-Stadtmodelle
In der Geoinformatik sind Anwendungen der virtuellen Realität mit einem hohen
Immersionsgrad nicht verbreitet. Demgegenüber besteht eine Fülle von virtuellen
Darstellungen der Umwelt, die der Nutzer am Monitor betrachten kann. Mit Google
Earth und Google Street View kann man sehr viele Städte und Regionen virtuell am
Monitor in einem Browser „durchwandern“. Vor allem werden virtuelle 3D-Stadt-
modelle zunehmend zur Lösung von raumbezogenen Aufgabenstellungen in der
Stadt- und Raumplanung eingesetzt (vgl. die grundlegende Einführung von Coors
u.a. 2016 sowie Dickmann u. Dunker 2014, Edler u.a. 2018a, Edler u.a. 2018b).
Nach dem Detaillierungsgrad, dem Level of Detail (LoD), werden die 3D-Stadt-
oder Gebäudemodelle unterschieden. Der Level of Detail 1 (LoD1) stellt die Ge-
bäude einheitlich als einfache 3D-Blöcke mit einem Flachdach dar (sog. „Klötz-
chenmodell“). Die nächste Detailstufe wird mit Level of Detail 2 (LoD2) bezeich-
net, auf der die Gebäude mit den Standarddachformen wie z.B. Flachdach, Pultdach
oder Satteldach sowie die Außenhülle mit einfachen Texturen präsentiert werden.
Der Level of Detail 3 (LoD3) kennzeichnet ein Architekturmodell, das den opti-
schen Eindruck der Originalgebäude am besten wiedergibt (photorealistische Tex-
tur). Aufgrund des hohen Aufwands werden zumeist nur einzelne Gebäude im
LoD3 dargestellt. Noch vereinzelter finden sich Gebäude im Level of Detail 4
(LoD4), die ein Innenraummodell des Gebäudes mit Etagen zeigen.
3D-Stadtmodelle sind für fast jede deutsche Großstadt vorhanden. So wurde z.B. in
Sachsen ein landesweites Digitales 3D-Stadtmodell aufgebaut. Flächendeckend
sind die Gebäude als LoD1 bzw. LoD2 verfügbar (vgl. Landesvermessung Sachsen
2019). Besonders herausragende Beispiele liegen für Karlsruhe und Helsinki vor
(vgl. Karlsruhe 2019, Helsinki 2019, vgl. auch Deutsche Gesellschaft für Kartogra-
phie 2019). Für Rheinland-Pfalz wurde ein landesweites LoD2-Modell erarbeitet
und online zur Verfügung gestellt (vgl. Hilling u. Greuler 2015).
7.2 Graphische Präsentationen im Web
7.2.1 Web-Mapping
Web-Mapping-Anwendungen arbeiten in Form einer Client-Server-Architektur,

wobei der Webbrowser als Client dient. Der Nutzer fordert interaktiv Funktionen
auf, die von einem Mapserver bearbeitet werden (vgl. Abb. 7.10). Die Karte als
Ergebnis wird dann an den Client zurückgesendet. Vielfach sind die Funktionen des
Client auf die Visualisierung und einfache Funktionen wie Zoomen, Verschieben
des Karteninhalts oder Distanzmessungen eingeschränkt (zum Unterschied zu Web-
GIS vgl. Kap. 9.2).
Abb. 7.10: Funktionsprinzip einer typischen Web-Mapping-Anwendung
Unterschieden werden können statische und dynamische Anwendungen, wobei

diese aber zunächst nicht auf statische und dynamische Karten abzielen. Bei einer
statischen Mapserver-Anwendung wird vom Server eine (unveränderbare) Karte als
Rasterbild an den Client zurückgeschickt (static map) wie z.B. ein (statischer) Über-
Graphische Präsentationen im Web 293
sichts- oder Anfahrtsplan. Der Nutzer kann z.B. die Karte verschieben oder vergrö-
ßern. Die Karte selbst bleibt unverändert, sofern keine neuen Kartenausschnitte vom
Server angefordert werden. Bei einer dynamischen Mapserver-Anwendung wird
vom Server eine Karte aufgrund der spezifischen Anfrage des Client dynamisch
erzeugt und an ihn zurückgegeben. Häufig anzutreffende Beispiele im Web sind
Karten, die je nach Zoomstufe ihr Erscheinungsbild verändern und z.B. bei zuneh-
mender Vergrößerung die Symbole differenzierter darstellen (statt eines großen
Symbols für eine Stadt mehrere Symbole räumlich aufgelöst für einzelne Stadtteile
wie z.B. in Google Maps). Weitere Beispiele sind themenbezogene Auswahlmög-
lichkeiten, bei denen der Nutzer unter verschiedenen Datenebenen (Layern) aus-
wählen kann (einfaches Web-Auskunftssystem).
7.2.2 Anwendungsbeispiel eines Mapservers
In der Praxis besteht eine häufige Aufgabe darin, Geodaten eines Unternehmens
oder einer Behörde, wie z.B. Anfahrtskarten, ein Baulandkataster oder eine Karte
der Bodenrichtwerte, Mitarbeitern oder einer größeren Öffentlichkeit zur Verfü-
gung zu stellen. Dies setzt die Bereitstellung eines geeigneten Serversystems und
einer Mapping-Software auf dem Client voraus (vgl. Kap. 7.1.3 und zu Web-Map-
ping als WebGIS Ersatz Kapitel 9.2.3). Das Beispiel der freien Mapserver-Software
„GeoServer“ zeigt, wie Geodaten serverseitig zur Verfügung gestellt werden (vgl.
Abb. 7.11). In der Standardkonfiguration, die im Download der Software enthalten
ist, kommt der Apache Tomcat Webserver zum Einsatz. Der Administrator des
GeoServer macht durch Setzen von Pfaden zu Datenverzeichnissen die Geodaten
verfügbar, wobei die Daten in unterschiedlichen Formaten vorliegen können. Ferner
wird das Layout festgelegt. Durch den GeoServer wird z.B. ein Web Map Service
bereitgestellt, der einen WMS-Layer über das Web anbietet, der anschließend mit
einer Mapping-Software in einem Browser präsentiert werden kann (vgl. Kap.
7.2.3).
Der GeoServer ist auch direkt als Client einzusetzen (d.h. nicht im Administrator-
modus). Die (freie) Software kann beliebig häufig in einer Behörde oder einem Un-
ternehmen installiert sein, wobei die Geräte einen Webzugang haben müssen. Dann
besteht die Möglichkeit, verschiedene Datenebenen (Layer) auszuwählen, sie z.B.
in Google Earth oder in einem Client mit z.B. OpenLayers in beliebigen Zoomstu-
fen darzustellen. Durch Klicken auf ein Objekt können zudem die Attribute abge-
fragt werden.
Mit freien wie auch proprietären Softwarelösungen ähnlich zum GeoServer können
interaktive Web-Karten und Anwendungen erstellt und im Web geteilt werden. Da-
bei kann unabhängig von der Hardware-Plattform, d.h. Desktop, im Browser, mit
Smartphone oder Tabletcomputer, auf die erstellten Inhalte zugegriffen werden.
Derartige Anwendungen haben für Behörden und Unternehmen, die neueste Karten
und Daten mit unterschiedlichen Endgeräten in verschiedenen Projektgruppen tei-
len wollen, besondere Relevanz. So sind z.B. die proprietären Angebote ArcGIS
Online oder GeoMedia WebMap umfassende, cloudbasierte GIS-Mapping-
Software Systeme (Software as a Service, vgl. Kap. 2.8.5), die Personen, Standorte
und Daten mit Hilfe interaktiver Karten verbinden (vgl. ESRI 2019 u. Hexagon
2019). Dies ist insbesondere für Aufgaben wesentlich, die auf mobilen Endgeräten
im Außendienst zu erledigen sind (z.B. Datenaufnahmen oder Vermessungsaufga-
ben). Ebenso ist die freie QGIS Cloud eine leistungsfähige Plattform zur Publika-
tion von Karten, Daten und Diensten im Web (vgl. QGIS Cloud 2019a). Mit weni-
gen Anweisungen können eigene Karten im Web über qgiscloud.com einer breiten
Öffentlichkeit vorgestellt werden. So wird in QGIS ein Plug-in für QGIS Cloud
angeboten, welches das Onlinestellen der QGIS-Karte vereinfacht (vgl. QGIS
Cloud 2019b). Ähnliche Leistungen bestehen z.B. von Nextgis und Gisquick (vgl.
NextGIS 2019 u. GISQUICK 2019).
Abb. 7.11: Administratoransicht des Geoservers
7.2.3 Anwendungsbeispiel einer Mapping-Software
Während ein Mapserver die Web-Map zur Verfügung stellt, muss auf dem Client
eine Mapping-Software vorhanden sein, die die Web-Map präsentiert. Der WMS-
Layer, angeboten von einer freien Software wie Geoserver oder einer proprietären
Software wird in einer HTML-Seite mit Javascript eingebunden, die von einem Ser-
ver abgerufen wird. Abbildung 7.12 zeigt in sehr einfacher Weise die Umsetzung
mit der freien Javascript-Bibliothek Leaflet, mit der Web-Mapping-Anwendungen
erstellt werden können.
Von Leaflet unterstützt werden u.a. Web Map Service (WMS), Web Map Tile Ser-
vice (WMTS) und das GeoJSON-Format zur Darstellung von Geodaten. Auch mit
der ebenfalls weit verbreiteten JavaScript-Bibliothek OpenLayers können Geodaten
im Webbrowser unabhängig von der eingesetzten Serversoftware angezeigt werden.
OpenLayers stellt wie Leaflet typische Web-Mapping-Elemente bereit, wie zum
Beispiel eine Skala zum Verändern des dargestellten Maßstabs.
<html>
<head>
<meta charset="utf-8">
<link rel="stylesheet" href="https://unpkg.com/[email protected]/dist/leaflet.css"/>
<script src="https://unpkg.com/[email protected]/dist/leaflet.js"></script>
<script src="jquery-3.3.1.min.js"></script>
<title>Leaflet WMS Example</title>
<script>
// Geprüft wird das Laden der Seiten
$(document).ready(function(){
var map_variable = L.map("my_map", {
center: [52.049598, 8.032763],
zoom: 13
});
// Da Leaflet den Aufruf „getCapabilites“ nicht verarbeiten kann, muss ein
// Umweg ueber ein Javascript-Object gewaehlt werden.
var wmsLayer = L.tileLayer.wms("http://131.173.22.70:8080/geoserver/ows?", {
// Spezifizierung leaflet wms options, mindestens property "layers"
// Suchen nach verfuegbaren Layern in getCapabilites xml file
layers : "GISdorf:siedlungUTM32,GISdorf:umgehungostUTM32, GISdorf:
umgehungostUTM32"
});
map_variable.addLayer(wmsLayer);
});
</script>
</head>
<body>
<div id="my_map" style="height:600px"></div>
</body>
</html>
Abb. 7.12: Präsentation einer Web-Map mit der Javascript-Bibliothek Leaflet
7.2.4 Graphische Präsentationen in Applikationen
Viele Internetdienste stellen Programmierschnittstellen (sog. APIs, vgl. Kap. 2.8.4)

zur Programmierung von Kartenanwendungen zur Verfügung (vgl. Tab. 7.2). Häu-
fig werden Kartengrundlagen wie z.B. Straßenkarten und Satellitenbilder direkt mit
angeboten oder können von Kartendienstanbietern herangezogen werden. So liegen
verschiedene Kartendienste vor, die als Basiskarten für anwenderspezifische Karten
verwendet werden können (vgl. Tab. 7.3).
Tabelle 7.2: Ausgewählte Web-Mapping-Programmierschnittstellen

API Eigenschaften
Google Maps u.a. JavaScript, Static-Maps, Places, Directions und Street-View

Bing Maps Heatmaps, Spatial Math, Geocoding und Routing
MapQuest u.a. JavaScript, basiert teilweise auf Open Street Map - Daten (u.a. Di-
rections, Traffic und Geocoding)
ViaMichelin kostenpflichtig, JavaScript (u.a. Geocoding, Routing, Echtzeit-Verkehr-
slage)
Map Channels einfach zu nutzende APIs, die auf andere Kartenanbieter zugreifen (v.a.
Feed Maps Google Maps, Mapbox)
Mapstraction Freie Software, JavaScript für den Zugriff auf andere Web-Mapping
APIs wie z.B. MapQuest
Mapbox u.a. Zugang zu kartenbezogenen Tools und Diensten von Mapbox (u.a.
Vector Tiles API), u.a. Geocoding, Navigation
OpenLayers / JavaScript-Bibliotheken zur Einbindung und Darstellung von Geodaten
Leaflet und Karten in einer Web-Map
Tabelle 7.3: Ausgewählte Basiskartendienste

Basiskartendienst Merkmale
Google Maps verschiedene kartographische Darstellungen (Straßenkarte, Gelände-

karte, Luft- bzw. Satellitenbilder, Hybridansicht, StreetView), mit eige-
nen APIs (Google Maps APIs)
Bing Maps verschiedene kartographische Darstellungen (Straßenkarte, Luft- bzw.
Satellitenbilder, Hybridansicht, Vogelperspektive), mit eigenen APIs
(Bing Maps SDK)
MapQuest verschiedene kartographische Darstellungen (Karte, Satellit), mit eige-
nen APIs (MapQuest APIs)
Open Street Map VGI-Projekt, verschiedene vorgefertigte Kartenstile verfügbar oder eige-
ner Kartenstil möglich, nutzbar z.B. mit OpenLayers, MapQuest Open
Maps API, Mapstraction
HERE hervorgegangen aus Smart2Go, Map24, Navteq, Ovi Maps und Nokia
Maps, Online-Karten-Navigation
Apple Maps Kartendienst für IOS-Anwendungen
geo.okapi frei verfügbare JavaScript-Bibliothek zur Erstellung interaktiver Karten-
anwendungen für Karten des Bundesamtes für Kartographie und Geodä-
sie
Diese Technik wird vielfältig verwendet, indem z.B. auf der Homepage eines Un-
ternehmens der Standort in einer Karte visualisiert und häufig mit einem Routen-
planer verknüpft wird. Der Webdesigner oder Informatiker wählt die Daten und Ba-
siskarten aus und ergänzt sie bei Bedarf mit weiteren Informationen. Dies können
eigene Daten oder auch Verweise auf weitere Internetquellen sein. Für diese Kom-
bination von Daten wie z.B. Texte, Bilder, Töne und Videos aus verschiedenen
Quellen im Internet wird der Begriff Mashup benutzt. Somit entstehen Mashup-
Karten durch das Darstellen von raumbezogenen Daten auf bereits bestehenden
Grundlagenkarten (vgl. Hoffmann 2011). Mashup-Karten sind digital, multimedial
und interaktiv. Sie stellen dadurch die umfassende theoretische Konzeption einer
Karte dar.
7.2.5 Kartographie im Web 2.0: Web-Mapping 2.0
Das Web 2.0 wird durch interaktive und kollaborative Merkmale beschrieben (vgl.
Kap. 2.8.4). Dementsprechend bezeichnet der Begriff Web-Mapping 2.0 die inter-
aktive Erstellung von Karten im Internet durch den Endnutzer, dem die bedeutende
Rolle als Mapdesigner zukommt. Er stützt sich nun nicht mehr allein in einer passi-
ven Rolle auf fertige Karten, sondern kann selbst zum aktiven Produzenten werden,
indem er eigene Karten aus verschiedenen Datenquellen mit Hilfe webgestützter
Werkzeuge erzeugt. Er ist somit gleichzeitig Produzent und Konsument, d.h. „Pro-
sument“ nach Toffler (1980, vgl. auch Hoffmann 2011). Der Endnutzer steuert je-
weils wesentlich den kartographischen Darstellungsprozess. Allerdings ist häufig in
der Software nur ein rudimentäres kartographisches Fachwissen implementiert. Die
Web-Mapping-Software gibt die kartographischen Gestaltungsmöglichkeiten vor
und schränkt sie häufig stark ein.
Tabelle 7.4: Ausgewählte Web-Mapping-Anwendungen zur Erzeugung von Karten im Web

Web-Mapping-Dienste Merkmale
Google My Maps Einzeichnen von Points of Interest auf Google-Maps-Karten

GeoCommons Auswahl verschiedener Basiskarten verschiedener Anbieter, umfang-
reiche Gestaltungsmöglichkeiten zur Darstellung statistischer Daten
(für thematische Karten), verschiedenen Datenimporte und -exporte
Scribble Maps Auswahl verschiedener Basiskarten unterschiedlicher Anbieter, viel-
fältige Gestaltungsfunktionen sowie Datenimporte und -exporte
Mapbox Anbieter benutzerdefinierter Online-Karten für Web-Präsentationen
und Applikationen
StepMap Basiskarte Open Street Map oder eigene Basiskarten in verschiede-
nen Stilen, einfache Zeichenfunktionen
TargetMap Darstellung statistischer Daten in thematischen Karten
Inzwischen müssen die Ersteller eigener (Thematischer) Karten im Web nicht mehr
zwingend über Programmierkenntnisse verfügen. Sie müssen nicht über eine Pro-
grammierschnittstelle eine eigene Kartenanwendung programmieren. Vielmehr er-

möglichen relativ einfach zu bedienende Software direkt die Erstellung von Karten
mit Hilfe einer graphischen Benutzeroberfläche in einem Webbrowser (vgl. Tab.
7.4). Allerdings ist das Erstellen eigener Thematischer Karten weniger bedeutend
als gedacht. So bestehen relativ geringe Nachfragen von Nutzern und entsprechend
relativ wenige Softwareangebote, mit denen eigene Karten erzeugt werden. Offen-
bar möchten aber viele Anwender mit Google My Maps an für sie interessanten
Orten eigene Photos verlinken und Punktsymbole setzen.
7.3 Graphische Kommunikation
Kartographische Darstellungen, d.h. allgemein graphische Präsentationen von Geo-

daten, zeichnen sich als die besten Möglichkeiten der Kommunikation über raum-
bezogene Information aus. Dieser Grundsatz bleibt auch durch den Einsatz der
neuen Informations- und Kommunikationstechnologien bestehen. Wesentliche
Vorteile sind vor allem die immanenten chorographischen Eigenschaften:
- Lagebeziehungen werden direkt und intuitiv erfasst, die sonst umständlich in
textlicher Form beschrieben werden müssen. Nachbarschaften und Distanzen
können schnell visuell wahrgenommen werden.
- Räumliche Strukturen, d.h. die räumliche Verteilung von Daten, sind „mit einem
Blick“ zu erkennen. Vergleiche mit Verbreitungsmustern anderer räumlicher Er-
scheinungsformen und Prozesse sind einfacher.
Beim Herausstellen derartiger Vorteile wird aber häufig verkannt, dass ein Bild,
eine Graphik, eine Karte oder eine graphische Präsentation eines Geoinformations-
systems auf einem Computer oder einem mobilen Endgerät ein Medium zur Über-
tragung von Informationen ist, durch das wie bei jeder anderen Informationsver-
mittlung auch Verzerrungen, Dämpfungen oder Verluste von Informationen entste-
hen können. Derartige Übertragungsprobleme werden selten beachtet. So wird fast
immer angenommen, dass die graphische Präsentation „wahr“ ist bzw. die in den
Daten abgebildete Wirklichkeit „richtig“ wiedergibt und dass der Betrachter die
graphische Präsentation lesen und „richtig“ verstehen kann. Angenommen wird,
dass der (karto-)graphische Kommunikationsprozess (vgl. Abb. 7.13) störungsfrei
verläuft. Abbildungen 7.6 bis 7.9 belegen aber bereits, dass beide Grundannahmen
nicht gegeben sein müssen. Der Titel der englischsprachigen Originalausgabe des
Standardwerks zu Methoden der Kartenmanipulation von Monmonier lautet ent-
sprechend provokant „How to lie with Maps.“ (vgl. Monmonier 1996). So muss
sowohl beim Produzenten als auch beim Leser der graphischen Darstellung ein
Grundwissen vorhanden sein, um die graphische Darstellung korrekt erstellen sowie
auch lesen und Inhalte verstehen zu können. Dieses allgemeine Grundwissen steuert
den Erkenntnisprozess. Hinzu kommt das fachliche Wissen des Senders wie auch
des Empfängers. Daneben werden Art und Umfang der Wahrnehmung und Spei-
cherung der Informationen auch durch den allgemeinen Kontext sowie die (spätere)
Verwendung der Informationen bestimmt.
Graphische Kommunikation 299
Vielfach liefern Geoinformationssysteme graphische Präsentationen, die gerade

nicht die tradierten und bewährten Gestaltungsprinzipien der Kartographie umset-
zen (vgl. Abb. 7.9). Dass dann der Betrachter der Präsentation die Aussagen und
Informationen nur unvollständig oder verzerrt wahrnimmt und insbesondere die
Botschaft des Erstellers verfälscht übermittelt wird, ist nicht verwunderlich.
Abb. 7.13: Modell der (Karto-)Graphische Kommunikation
Abbildung 7.13 schematisiert den (karto-)graphischen Kommunikationsprozess,

der auf Belange der Geoinformatik zu übertragen ist:
Ausgehend von der Umwelt wird ein Primärmodell der Wirklichkeit erstellt.
Hierbei treten vielfältige Formen von Vereinfachungen oder Generalisierungen der
Realität auf: Filtern von Informationen durch Weglassen „unwichtiger“ Informati-
onen, Abstraktion von komplexen Sachverhalten. Die Straße mit beidseitiger
Baumreihe zwischen zwei Ortskernen wird z.B. zur geraden Verbindung verein-
facht. So entsteht ein abstraktes Primärmodell der Realität, das im Allgemeinen
fachbezogen ist. Ein derartiges Primärmodell liegt virtuell im Gedächtnis des Fach-
mannes vor, der Informationen aufnimmt und speichert. Diese Abbildung der Rea-
lität ins Primärmodell erfolgt hierbei subjektiv, sie kann lückenhaft, verzerrend oder
sogar fehlerhaft sein.
Inzwischen wird sehr häufig der Ausschnitt der realen Welt als digitales Modell
in einem Geoinformationssystem repräsentiert. Die reine Abstraktion in Form eines
Datenmodells noch ohne graphische Veranschaulichung kann dann ebenfalls als ein
Primärmodell verstanden werden. Der Abbildungsvorgang ist hierbei einfacher, die
Abbildungsvorschriften sind transparent, da die Datenaufnahme strenger operatio-
nalisiert ist (z.B. Geometrien im Primärmodell des Geoinformationssystems auf
Grundlage amtlicher Vermessungen).
Im Hinblick auf eine graphische Präsentation besteht der nächste Schritt der In-
formationsverarbeitung in der Umsetzung des Primärmodells in eine bildhafte Dar-
stellung. Die graphische Präsentation, d.h. die analoge oder auch digitale Darstel-
lung, ist als Sekundärmodell der Realität zu verstehen. Die Informationsverarbei-
tung geschah traditionell häufig dadurch, dass der Kartograph Vorgaben erhält, das
Primärmodell des Fachwissenschaftlers (z.B. verbale Erläuterungen oder eine
Handskizze) graphisch umzusetzen. Inzwischen werden in digitalen Graphiksyste-
men oder Geoinformationssystemen Symbolbibliotheken benutzt, um z.B. die
Kennzeichnung „1100“ einer Fläche (nach dem Signaturenkatalog von ATKIS-
SK25) als Laubholz darzustellen. Bei diesen Umsetzungen sind mehrschichtige
Kommunikationsprobleme möglich. So ist denkbar, dass der Kartograph den Fach-
wissenschaftler bzw. sein Anliegen nicht in vollem Umfang versteht. Die im Geoin-
formationssystem (oder in der API) vorhandenen graphischen Gestaltungsmittel
lassen keine adäquate Umsetzung des Primärmodells zu, da z.B. das Geoinformati-
onssystem nicht über eine Laubwaldsignatur verfügt, wie sie in deutschen Topogra-
phischen Karten üblich ist. Auch hier können Abbildungsfehler auftreten, wenn z.B.
Farben oder Signaturen falsche Assoziationen hervorrufen (z.B. Einsatz der Farbe
Blau, die Gewässerflächen vorbehalten sein sollte, für Gewerbeflächen).
In einem dritten Kommunikationsprozess werden die Informationen, d.h. eigent-
lich die in der Graphik codierten Nachrichten, vom Benutzer empfangen und zu
einem (neuen) Modell der Umwelt (Tertiärmodell) verarbeitet. Aufgrund des man-
gelnden Vorwissens des Benutzers oder seines Unvermögens, graphische Darstel-
lungen zu lesen und zu verstehen, sowie der Mehrdeutigkeit oder fehlenden Genau-
igkeit der graphischen Präsentation können auch hier Abbildungs- oder Lesefehler
auftreten. Die gerade Verbindungslinie zwischen zwei Städten, dargestellt durch
eine Autobahnsignatur, soll z.B. nicht den tatsächlichen Straßenverlauf verdeutli-
chen, sondern eine Verkehrsanbindung. Die exakte Entfernung wird durch eine Ki-
lometerzahl angegeben, die in die Karte eingezeichnet ist, oder durch Anklicken des
Objekts in einem sich am Monitor öffnenden Fenster angezeigt. Während diese Ent-
fernungen in der Regel erst später „gelesen“ werden, wird auf den ersten Blick deut-
lich, welche Städte an das Autobahnnetz angebunden sind.
Hieraus lassen sich zwei Grundprobleme der graphischen Kommunikation ablei-
ten:
Zum einen muss Information, die in Form von Texten, numerischen Daten,
Zeichnungen und Bildern oder auch von Gedanken vorliegt, vom Sender in eine
bildhafte Darstellung transformiert oder übersetzt werden. Diese Aufgabe gilt auch
beim Einsatz der neuen Technologien weiterhin, wobei jetzt diese Umsetzung in ein
Sekundärmodell, d.h. u.a. in eine digitale Präsentation am Monitor, häufig durch
einen Nutzer geschieht, der zumeist nicht über das Fachwissen zum richtigen Ein-
satz (karto-)graphischer Darstellungsmittel verfügt!
Zum anderen muss vom Empfänger die bildhafte Information „richtig“, d.h. im
Sinne des Senders der Informationen verstanden werden. Durch die räumliche
Wahrnehmung einer Graphik, eines Bildes oder einer Karte, durch das Erkennen
von Zusammenhängen, durch Strukturieren des Karteninhalts oder durch Verglei-
che der Strukturen werden aber individuelle Interpretationsmöglichkeiten geschaf-
fen. Durch den falschen Einsatz kartographischer Darstellungsmittel sind leicht
Fehleinschätzungen möglich. Das Tertiärmodell stimmt dann nicht mehr mit dem
Primärmodell überein.
Graphische Kommunikation 301
Diese Probleme der (karto-)graphischen Kommunikation – unabhängig davon,

ob in analoger oder digitaler Form – erhalten ein besonderes Gewicht, da von einer
graphischen oder bildhaften Darstellung eine hohe Anziehungskraft ausgeht und
mögliche Störquellen nicht erkannt oder hinterfragt werden. Der häufig zu findende,
stets positiv besetzte Satz „Ein Bild sagt mehr als tausend Worte.“ ist somit deutlich
zu problematisieren.
Vor dem Hintergrund der veränderten Rollen von Nutzer und Produzent von gra-
phischen Präsentationen mit einem Geoinformationssystem oder im Web 2.0 muss
der klassische Kommunikationsprozess, bei dem der Nutzer bzw. Konsument erst
beim Übergang vom Sekundär- zum Tertiärmodell auftritt, wesentlich erweitert
werden (vgl. eingehender Hoffmann 2011). Der Nutzer hat jetzt erheblichen Ein-
fluss auf die Entstehung aller drei Modelle, er ist insbesondere an der Erstellung des
Primärmodells (Geodaten) und des Sekundärmodells (kartographische Darstellung)
beteiligt. Die Modellebenen sind jetzt nicht mehr exakt voneinander zu trennen, die
Übergänge somit fließend.
Beim Web-Mapping 2.0 (vgl. Kap. 7.2.5) kann die Basiskarte (z.B. Open Street
Map), die durchaus die Funktion eines Primärmodells hat, auch als Sekundärmodell
angesehen werden, da sie bereits eine kartographische Darstellung besitzt. Die Nut-
zer sind ferner in der Lage, mit Hilfe geeigneter Kartenservices (vgl. z.B. Step
Maps) die Basiskarten zu verändern und mit eigenen Signaturen zu ergänzen, um
dadurch neue Sekundärmodelle zu erstellen. An der Erstellung des Primärmodells
können die Nutzer ebenfalls aktiv mitarbeiten, indem sie nutzergenerierte Daten wie
z.B. GPS-Tracks von Straßen und Wegen wie beim Open Street Map-Projekt oder
Informationen über sog. Points of Interest erarbeiten und dem Basisservice zur Ver-
fügung stellen. Dies gilt in ähnlicher Form auch für ein Geoinformationssystem, bei
dem der Geoinformatiker oder Anwender den Datenbestand ergänzt und das Sekun-
därmodell erstellt.
Das Betrachten der graphischen Präsentation führt wie früher zum Tertiärmodell
und erzeugt somit das Vorstellungsbild des Nutzers. Das Tertiärmodell des Nutzers
spielt aber jetzt, d.h. bei GIS-Anwendungen oder beim Web-Mapping 2.0, eine neue
Rolle. Bereits zu Beginn des Arbeitsprozesses besitzt der Nutzer bestimmte eigene
Umweltvorstellungen, die ihn veranlassen, (Basis-)Daten zu ergänzen oder zu be-
arbeiten (d.h. beim Primärmodell), und die ihn bei der Erarbeitung der Präsentation
(d.h. beim Sekundärmodell) beeinflussen. Das daraus entstehende Tertiärmodell
beim Nutzer kann zu einem Rückkopplungsprozess und dann auch zu Veränderun-
gen des Primär- und Sekundärmodells führen. So kann der Nutzer die Basiskarte
aktualisieren, indem z.B. Daten ergänzt werden, oder die graphische Darstellung
durch Auswahl anderer Signaturen verändern. Dies wiederum kann Einfluss auf das
Tertiärmodell haben.
Der Nutzer, d.h. der GIS-Fachmann oder Geoinformatiker, der neuerdings
gleichzeitig auch Produzent von Karten bzw. graphischen Präsentationen ist, steht
häufig einer großen Herausforderung beim graphischen bzw. kartographischen Dar-
stellungs- bzw. Kommunikationsprozess gegenüber. Diese ist dem Nutzer häufig
gar nicht bewusst. Auch hieraus ergibt sich, dass Grundkenntnisse der graphischen
Semiologie und Gestaltungsmittel in der Geoinformatik unerlässlich sind (vgl. Kap.
7.4).
7.4 Graphische Semiologie
7.4.1 Die Theorie der Graphischen Semiologie nach Bertin
Digitale graphische Präsentation und Kartographie haben auf die Entstehung des
Primärmodells der Wirklichkeit keinen Einfluss. Sie steuern hingegen entscheidend
die Entstehung des Sekundär- und Tertiärmodells (vgl. Abb. 7.13). Von großer Be-
deutung sind dabei die Zeichen als Träger der Informationen, mit denen sich die
Semiotik in mehr erkenntnistheoretischer Weise befasst. So sind in der (graphi-
schen) Zeichentheorie folgende Dimensionen zu unterscheiden:
Die syntaktische Dimension bezieht sich auf die formale Bildung der Zeichen
und auf ihre Beziehungen zueinander. Eine graphische Darstellung ist syntaktisch
einwandfrei, wenn die Zeichnung in ihrer Struktur richtig erkannt wird (vgl. z.B.
Größe, Abstand, Kontrast der Zeichen).
Die semantische Dimension beschreibt die Zeichenbedeutung. So muss die Be-
deutung der Zeichen beim Sender (z.B. Kartenhersteller) mit der beim Empfänger
(z.B. Kartenleser) identisch sein (z.B. Erkennen einer Eisenbahnsignatur).
Die pragmatische Dimension zielt auf den Zweck der Zeichen ab. Die Zeichen
können Einfluss auf Änderung von Verhaltensweisen haben (z.B. Einsatz von Rot
zur Kennzeichnung von Gefahr).
Über diese grundsätzliche Differenzierung hinaus hat Bertin die graphische Se-
miologie entwickelt, die als Theorie der graphischen Darstellung von Informationen
verstanden werden kann (vgl. Bertin 1974). Dieses System wurde von Bertin fort-
geführt, ohne aber wesentliche Veränderungen vorzunehmen (vgl. Bertin 1982).
Bertin unterscheidet analog zu den geometrischen Grundformen in einem Geoin-
formationssystem nur drei graphische Grundelemente: Punkt, Linie und Fläche. In
einer Erweiterung sollen hier die alphanumerischen Zeichen, d.h. Buchstaben, Zif-
fern und Sonderzeichen, ebenfalls als graphische Grundelemente verstanden wer-
den (vgl. Abb. 7.14).
Diese Grundelemente können sehr unterschiedlich gestaltet oder verändert wer-
den. Bertin nennt diese graphischen Variationsmöglichkeiten graphische Variablen
und unterscheidet Größe, Helligkeit, Muster, Farbe, Richtung und Form (neben den
beiden Dimensionen der Ebene, d.h. X- und Y-Wert als Koordinaten). Die Theorie
zielt darauf ab, die Geoobjekte mit ihren Merkmalen, die auf verschiedenen Skalie-
rungsniveaus vorliegen können, durch graphische Variablen mit ihren Eigenschaf-
ten abzubilden bzw. zueinander in Beziehung zu setzen. Mit diesen graphischen
Mitteln können Signaturen in Abhängigkeit der Skalierungsniveaus der Daten vari-
iert werden. So eignet sich z.B. die graphische Variable Größe mit ihrer quantitati-
ven Eigenschaft gut, metrisch skalierte Daten darzustellen. Ordinalskalierte Daten
werden am besten durch die graphischen Variablen Helligkeit oder Muster abgebil-
det, da sie eine ordnende Eigenschaft besitzen.
Graphische Semiologie 303
Abb. 7.14: Graphische Variablen nach Bertin 1974 mit Erweiterung alphanumerischer Zeichen
Abbildung 7.14 zeigt idealtypisch Gestaltungsmöglichkeiten auf. Demgegenüber

haben sich in der Kartographie Konventionen oder Standards zum Einsatz dieser
Grundelemente entwickelt, die auch auf graphische Präsentation in einem GIS oder
auf Smartphones zu übertragen sind. Nicht jede Variable ist somit für punkt-, linien-
und flächenhafte Objekte gleichermaßen anwendbar. So wird die Gestaltung von
Linien sehr selten hinsichtlich der Richtung oder des Helligkeitswertes variiert. Bei
einer flächigen Gestaltung wird die Größe der Signatur fast nie verändert. Abbil-
dung 7.14 stellt zudem nur einzeln Gestaltungsvarianten dar. In einer Karte werden
aber zumeist mehrere graphische Variablen umgesetzt wie z.B. bei unterschiedlich
farbigen und breiten Linien, die verschiedene Straßentypen darstellen sollen.
Diese Systematisierung bietet die Möglichkeit, die sehr unterschiedlichen Eigen-
schaften und Ausdrucksmöglichkeiten der graphischen Variablen präzise zu analy-
sieren. Nach Bertin können nur vier spezielle Fähigkeiten bzw. Eigenschaften un-
terschieden werden, die nicht bei allen Variablen gleichermaßen ausgeprägt sind:
- Assoziation (assoziativ = verbindend, gleichmäßige Sichtbarkeit; dissoziativ =
auflösend, unterschiedliche Sichtbarkeit):
- Hierdurch wird die gleichartige Wahrnehmung und Sichtbarkeit gekennzeichnet.
Somit wird die Fähigkeit thematisiert, Zusammenhänge und verbindende Struk-
turen unter den Objekten zu erkennen. Die variierten Zeichen werden als homo-
gen wahrgenommen.
- Selektivität:
- Diese Fähigkeit drückt die Eigenschaft aus, dass Signaturen mehr oder weniger
deutlich unterschiedlich erkannt werden. Die Variablen ermöglichen eine selek-
tive und trennende Wahrnehmung der Objekte.
- Ordnung:
- Diese Fähigkeit zielt auf die (unterschiedliche) Leistung der einzelnen Variablen
ab, eine Rangordnung zwischen den Objekten auszudrücken.
- Quantität:
- Hierdurch wird die Fähigkeit einer Variablen gekennzeichnet, dass mengenmä-
ßige, über eine reine Ordnung hinausgehende Beziehungen wahrgenommen wer-
den können.
7.4.2 Gestaltungsregeln basierend auf der graphischen Semiologie

nach Bertin
Abbildung 7.15 systematisiert grundlegende Regeln oder Prinzipien, die auf den
genannten Eigenschaften der graphischen Variablen beruhen. Diese Grundprinzi-
pien haben nichts an Bedeutung verloren. Sie sind auch weiterhin für kartographi-
sche Darstellungen in Geoinformationssystemen und im Web-Mapping gültig (vgl.
eingehender Bertin 1974 S. 73 ff.):
- Die Größe der Zeichen gibt proportional ein quantitatives Attribut wieder (z.B.
absolute Einwohnerzahl). Somit können die Objekte anhand eines Attributs quan-
titativ in der Karte verglichen werden.
- Muster und Helligkeit haben ähnliche Fähigkeiten, wobei die Bildung von Rang-
folgen durch Helligkeitsunterschiede herauszustellen ist (ordnende Wirkung).
- Größe und Helligkeit sind von unterschiedlicher Sichtbarkeit. Sie sind nach Ber-
tin dissoziativ. Mehrere Punktverteilungen in einer Graphik, die sich nur durch
Größe (oder Helligkeit) der Punktsymbole unterscheiden, sind nicht gleichmäßig
sichtbar, somit löst sich ab einer zu geringen Punktgröße (oder Helligkeit) die
Verteilung auf. Demgegenüber sind die übrigen Variablen gleichmäßig sichtbar
(vgl. z.B. Variation einer Punktverteilung allein nach der Form der Symbole).
Allerdings lösen Größe und Helligkeitswert auch jede andere Variable auf, mit
der sie kombiniert werden. So verringert sich z.B. die Anzahl der unterscheidba-
ren Farben für Punktsymbole, die zusätzlich nach Größe und Helligkeitswert va-
riiert werden. Größe und Helligkeitswert dominieren über die anderen Variablen.
- Mit der Form (z.B. Kreis oder Quadrat als Punktsymbol) ist nur eine (Lage-)Ken-
nung von Objekten möglich. Die Form ist (schon) nicht mehr selektiv. Zum Er-
fassen räumlicher Zusammenhänge (Regionalisierung) ist diese Variable kaum
geeignet (vgl. Verteilungen von Punktsymbolen, die sich allein aufgrund der
Form, aber nicht nach z.B. der Größe oder Helligkeit unterscheiden).
- Die Richtung besitzt kaum mehr Fähigkeiten als die Form. Sie bietet nur bei
punkthafter und linienhafter Umsetzung eine Selektivität.
- Mit Hilfe von Farbe ergibt sich eine hohe assoziative Wirkung der Objekte. Das
Wiedererkennen und Strukturieren der Graphik wird erleichtert.
- Farben besitzen zudem gute trennende und selektive Eigenschaften.
- Farben haben streng genommen keine ordnende Wirkung, es sei denn, es liegt
eine Abstufung z.B. von einem dunklen Rot über Rot und Gelb zu einem hellen
Gelb vor, wobei dann eigentlich die Helligkeit die Rangfolge bewirkt. Somit sind
z.B. gleichmäßig abgestufte Grautöne besser geeignet, eine Ordnung anzugeben.
- Mit Farben können keine Quantitäten ausgedrückt werden!
- Durch Form, Richtung oder Farbe lassen sich am besten qualitative Eigenschaften
ausdrücken.
- Zur Wiedergabe von Intensitäten werden Veränderungen der Helligkeit benutzt.
- Bei Punktsignaturen werden zumeist qualitative Unterschiede durch Variation der
Form und quantitative Unterschiede durch Variation der Größe ausgedrückt.
- Die Bedeutung von Linien in einem Netzwerk wird oft durch die Größe bzw.
Breite der Linien wiedergegeben.
- Manche graphische Variablen sind nur für bestimmte graphische Grundelemente
geeignet. So haben bei kleinen Punkten und dünnen Linien, die sich kaum vom
Hintergrund abheben, Farbe oder Helligkeitswert keine visuelle Wirkung. Flä-
chenhafte Darstellungen, soweit die Flächen groß genug sind, lassen Unter-
schiede in Farbe, Helligkeitswert oder Muster eher erkennen.
In seiner graphischen Semiologie gibt Bertin an, wie viele Variationen einer gra-
phischen Variablen unterschieden werden können, wenn die selektive Eigenschaft
im Vordergrund steht. Die menschliche Wahrnehmung ist nur eingeschränkt in der
Lage, in einer graphischen Präsentation wie einer Karte mit vielen nur in der Größe
variierten Punktsymbolen gleiche Objekte allein über die Größe zu erkennen. Wenn
die Darstellung das Ziel hat, verschiedene Objektgruppen erkennbar zu unterschei-
den (selektive Wahrnehmung), so können bei Veränderung (nur) der Größe höchs-
tens vier Punktgrößen deutlich unterschieden werden. Falls weitere Differenzierun-
gen notwendig sein sollten, müssen mehrere Variablen kombiniert werden.
Abb. 7.15: Fähigkeiten der graphischen Variablen nach Bertin 1974
Beim praktischen Einsatz der graphischen Gestaltungsmittel wird zumeist eine

Kombination der graphischen Variablen benutzt. So sind für die Gestaltung von
Flächen vor allem Schraffuren und Raster von Bedeutung, die eine Kombination
von Helligkeit, Form, Muster und Richtung darstellen. Zur Gestaltung von Linien
wird zumeist eine Kombination aus Größe (d.h. Breite), Form und Muster herange-
zogen. Für die Kennzeichnung von punkthaften Objekten sind vor allem Symbole
(d.h. Kombinationen von Form und Muster) relevant. Sämtliche Signaturen können
nach der Farbe differenziert werden.
Oft werden nur wenige Variablen benutzt bzw. variiert. Durch die Kombination
mehrerer Variablen in einer Signatur können mehrere Attribute gleichzeitig darge-
stellt und variiert werden. So können z.B. mit der Kreisgröße die absoluten Einwoh-
nerzahlen und mit der Helligkeit für die Kreisfüllung der prozentuale Anteil der
Ausländer wiedergegeben werden. Häufig werden mehrere Variablen auch mitei-
nander kombiniert, ohne dass sie jeweils ein anderes Attribut darstellen. So werden
in Darstellungen der Bevölkerungsdichten die Dichtewerte oftmals durch eine
Kombination der Variablen Helligkeit und Farbe wiedergegeben (z.B. von Hellgelb
über Orange nach Dunkelrot). Dies sorgt für eine Verstärkung der visuellen Wir-
kung (bei Redundanz der Gestaltungsmittel) und erhöht die selektive Lesbarkeit. Zu
beachten ist dabei, dass die Variable dominiert, die ein höheres Skalenniveau wie-
dergeben kann (also: Quantität vor Ordnung vor Qualität). In diesem Fall ist also
die Helligkeit das entscheidende Mittel zur Unterscheidung zwischen hoher oder
niedriger Bevölkerungsdichte, da sie im Gegensatz zur Farbe eine ordnende Eigen-
schaft besitzt. Neben der höheren Sicherheit bei der Informationsübermittlung kön-
nen jedoch die Komplexität der Signaturen und die graphische Belastung der Prä-
sentation zunehmen.
Grundsätzlich sind graphische Gestaltungsmittel sparsam einzusetzen. Auch die-
ser Grundsatz ist für Präsentationen von Geoinformationssystemen gültig, selbst
wenn die leicht verfügbaren Gestaltungsmittel zum Einsatz anregen (vgl. die vielen
Darstellungsvarianten des Nordpfeils oder Einsatz von Farbe). Eine vielfältige Mi-
schung sprechender und abstrakter Signaturen in bunten Farben, verspielte Linien-
signaturen oder Flächenmuster führen nicht zur besseren Lesbarkeit. Vielmehr ist
durch geschickte Kombination weniger graphischer Variablen ein klares Erschei-
nungsbild zu erreichen, das entscheidend zur schnellen Strukturierung der Inhalte
beitragen kann. So sollte z.B. zur Kennzeichnung des Grads der Schädigung von
Bäumen in einem Baumkataster nicht die Form der Punktsignatur verändert werden:
Die Farbe oder Füllung z.B. des Kreissymbols verdeutlicht den Grad der Schädi-
gung (z.B. von Grün zu Rot). Die Größe des Punktsymbols soll allenfalls noch va-
riiert werden, um die Größe des Baumes umzusetzen. Die anderen graphischen Va-
riablen wie Form, Helligkeit werden nicht berücksichtigt.
Insbesondere muss die inhaltliche Hierarchie der darzustellenden Objekte in eine
adäquate graphische Hierarchie der graphischen Zeichen transformiert werden (z.B.
Erhalt von Größenunterschieden durch entsprechend große und gestufte Punktsig-
naturen). Stets müssen der Adressatenkreis und der Verwendungszweck von gra-
phischen Präsentationen beachtet werden, die wesentlich über die Gestaltung der
Graphik (u.a. Größe und Art der Signaturen) sowie die Inhaltsdichte mitentscheiden
(vgl. Einflussfaktoren der graphischen Kommunikation).
7.4.3 Weiterentwicklungen im Hinblick auf digitale Umsetzungen
Der Ansatz von Bertin ist in mehrere Richtungen vielfältig weiterentwickelt wor-
den. In den 1970er Jahren standen die Kombinationsmöglichkeiten der Variablen,
in den 1980er Jahren weitere Differenzierungen und neue Variablen sowie in den
1990er Jahren Untersuchungen im Rahmen der Multimedia-Kartographie im Mit-
telpunkt (vgl. zusammenfassend Koch 2000). Die Theorie von Bertin wurde zwei-
dimensional im Hinblick auf Darstellungen in (analogen) Karten ausgerichtet.
MacEachren hat sich als einer der Ersten mit der digitalen Umsetzung beschäftigt.
Er hat im Hinblick auf digitale Darstellungen, d.h. Visualisierungen am Monitor,
die graphische Variable „clarity“ definiert, die sich aus den (neuen) Variablen „cris-
pness“ (Schärfe), „resolution“ (Auflösung) und „transparency“ (Tranparenz, Klar-
heit) zusammensetzt (vgl. MacEachren 1995 S. 276 u. Koch 2000 S. 76).
Die von Bertin definierten Variablen schließen Bewegung und Zeit aus. Multi-
mediale Kartographie erfordert allerdings Erweiterungen um dynamische Variab-
len. Anfang der 1990er Jahre schienen noch drei weitere fundamentale Variablen
ausreichend (vgl. Koch 2000 S. 78): „duration“ (Dauer eines angezeigten Ereignis-
ses), „rate of change“ (Veränderungsrate, Charakter der Veränderung nach Lage
und/oder Merkmal) und „order“ (Reihenfolge, zeitlich und/oder sachlich).
MacEachren (1995 S. 281 ff.) hat ein sechsteiliges System „syntaktisch-dynami-
scher Variablen“ vorgeschlagen: „display date“ (Zeitpunkt der Anzeige der Verän-
derung eines Objekts oder Sachverhalts), „duration“, „rate of change“, „order“ so-
wie „frequency“ (Häufigkeit, z.B. Blinkfrequenz eines angezeigten Zeichens) und
„synchronization“ (Übereinstimmung von Ereignissen/Sachverhalten). Schließlich
muss darauf hingewiesen werden, dass multimediale Darstellungen am Monitor
nicht nur visuelle, sondern auch auditive Wahrnehmung einschließt.
Die graphische Semiologie hat ihre Anfänge weit vor der Digitalisierung der
Kartographie. Inzwischen nehmen multimediale graphische Darstellungen an einem
Monitor immer stärker zu bzw. dominieren bereits. Der Betrachter wird gegenüber
analogen Karten einer anderen Wahrnehmungs- und Interpretationssituation ausge-
setzt. Jedoch ist die von Bertin begründete graphische Semiologie grundsätzlich ge-
eignet, als Grammatik der graphischen Sprache, als Systematisierung der graphi-
schen Transkriptionsmöglichkeiten von Informationen zu dienen.
7.5 Graphische Gestaltungsmittel
7.5.1 Signaturen
Signaturen sind neben Diagrammen, Helligkeitsabstufungen einer Farbe (Halbtö-

nen) und der Schrift die wichtigsten Gestaltungsmittel in graphischen Präsentatio-
nen und Karten. Die geometrischen Grundelemente Punkt, Linie und Fläche werden
erst durch Signaturen gestaltet. So wird z.B. in einem Kartenprint eine Straße durch
eine Doppellinie, d.h. durch eine spezielle Straßensignatur dargestellt, die somit
eine Umrechnung in die tatsächliche Breite der Straße nicht zulässt. Als Signatur,
Graphische Gestaltungsmittel 309
d.h. (Karten-)Zeichen, werden abstrahierte Objektbilder (vgl. die Skizze eines Ge-
weihes zur Kennzeichnung eines Forsthauses) oder konventionelle Zeichen verstan-
den, die man in sehr vielfältiger Weise verändern kann. Eine Signatur ist somit eine
abstrakte bis bildhafte Kurzschrift, die im Vergleich zu einer textlichen Erläuterung
in der Graphik weniger (Karten-)Fläche benötigt und insbesondere bei bildhaften
Signaturen unmittelbar das Vorstellungsvermögen anspricht (vgl. Abb. 7.16). Al-
lerdings sind Signaturen nicht immer selbsterklärend, so dass der Gebrauch dieses
Gestaltungsmittels eine besondere Zeichenerklärung (Legende) erfordert.
Abb. 7.16: Systematisierung von Signaturen nach Form und Dimension
Abbildung 7.16 systematisiert Formen von Signaturen und zeigt Beispiele. Geoin-
formationssysteme besitzen im Standardfall nur eine geringe Auswahl dieser Dar-
stellungsmöglichkeiten. Signaturenkataloge zur Gestaltung von ansprechenden
Graphiken fehlen zumeist in den Basisversionen, die aber häufig um spezielle Sym-
bolbibliotheken für Fachanwendungen ergänzt werden können:
- Bildhafte (d.h. sprechende) und abstrakte Signaturen besitzen individuelle Ge-
staltungsmöglichkeiten, wobei gerade die geometrischen Signaturen die größten
Variationsmöglichkeiten bieten. Insbesondere haben einzelne Disziplinen oder
Fachanwendungen eindeutig definierte, vielfältige Signaturenkataloge entwickelt
(vgl. Signaturen der amtlichen Topographischen und Geologischen Karten, die
sog. Planzeichenverordnung als Zeichenschlüssel für Bauleitpläne).
- Mit Hilfe von Buchstaben- oder Ziffernsignaturen können umfangreiche Infor-
mationen codiert und sehr platzsparend visualisiert werden (vgl. z.B. Hydrogra-
phische Karten und Wetterkarten). Derartige Darstellungen sind allerdings u.U.
sehr komplex oder zumindest nicht intuitiv lesbar.
Regeln für graphische Mindestgrößen der Signaturen sind schwierig aufzustel-
len. Das menschliche Sehvermögen zeigt absolute Grenzen auf, die nicht unter-
schritten werden dürfen. Da aber das Sehvermögen individuell recht verschieden
sein kann, können nur grobe, allgemeingültige Richtlinien gegeben werden. Dar-
über hinaus begrenzen vor allem die technischen Möglichkeiten der Ausgabegeräte
die kleinste Schriftgröße oder den feinsten Punktraster.
Tabelle 7.5: Mindestgrößen von Signaturen für Papierkarten (nach Hake u.a. 2002 S. 110).
Mindestgröße Signatur für Papierkarten
0,05 mm Breite einer schwarzen Linie auf weißem Grund = Maximalkontrast

0,08 mm Breite einer farbigen Linie auf farbigem Grund = Minimalkontrast
0,15 – 0,25 mm Linienzwischenraum (bei dicken bzw. feinen Linien) bei Maximalkontrast
0,30 – 0,20 mm Linienzwischenraum (bei dicken bzw. feinen Linien) bei Minimalkontrast
0,3 mm Breite von Flächen bzw. Flächenvorsprüngen bei Maximalkontrast
0,4 mm Breite von Flächen bzw. Flächenvorsprüngen bei Minimalkontrast
0,15 – 0,20 mm Flächenzwischenraum (große bzw. kleine Fläche) bei Maximalkontrast
0,20 – 0,25 Flächenzwischenraum (große bzw. kleine Fläche) bei Minimalkontrast
0,25 mm Punktdurchmesser bei Maximalkontrast
0,45 mm Punktdurchmesser bei Minimalkontrast
0,5 – 0,6 mm Größe eines Kreises/Quadrates (voll bzw. hohl) bei Maximalkontrast
0,7 – 1,0 mm Größe eines Kreises/Quadrates (voll bzw. hohl) bei Minimalkontrast
0,6 mm Höhe von Buchstaben und Ziffern bei Maximalkontrast
1,0 mm Höhe von Buchstaben und Ziffern bei Minimalkontrast
Bei diesen Mindestwerten ist eine Graphik gerade noch von einem Betrachter zu
lesen und auszuwerten, der sich allein und von Nahem auf die Darstellungen kon-
zentrieren kann (vgl. Tab. 7.5). Diese Werte sind zudem als Anhaltspunkte zu se-
hen. So wird die Lesbarkeit neben der Größe von weiteren Faktoren wie Helligkeit
oder Kontrast und Form gekennzeichnet. Eine verschnörkelte Schrifttype kann
schon auf einer Verkleinerungsstufe verlaufen, auf der eine serifenlose, schlanke
Schrifttype noch lesbar ist. Gegenüber einer filigranen Atlaskarte in einer wissen-
schaftlichen Landeskunde muss aber eine Graphik, die z.B. als Poster während einer
Bürgeranhörung erläutert werden soll, plakativer sein.
Tabelle 7.6: Mindestgrößen von Kartenelementen für die Bildschirmanzeige (nach Brunner 2001 S.
9 u. Brunner 2000 S. 56 ff.)
Mindestgröße Signatur für Kartenelemente am Monitor
3,0 mm Punkt (Durchmesser)

0,4 mm Linienbreite
1,5 mm Quadrat (Seitenlänge)
10 mm² Farbfläche
0,5 mm Abstand zweier Linien
10 pt (ca. 3,6 mm) Schrift
Neben den Mindestdimensionen und Gestaltungsrichtlinien für Papierkarten gelten

für andere Medien unterschiedliche Richtlinien. Vor allem bei graphischen Darstel-
lungen auf Bildschirmen, Smartphones oder Tabletcomputern sind die Gegebenhei-
ten des Mediums und die Restriktionen, die sich durch die Pixelmatrix der Displays
ergeben, zu beachten. Verschiedene Bildschirmauflösungen und die ständigen tech-
nischen Entwicklung machen eine exakte und dauerhafte Definition von Mindest-
größen für Bildschirmdarstellungen unmöglich. Einige grundlegende Richtwerte
wurden z.B. von Brunner (2000 und 2001) erarbeitet (vgl. Tab. 7.6).
Die angeführten Gestaltungsmittel sind grundsätzlich auch für digitale graphi-
sche Darstellungen anwendbar, wobei insbesondere die technischen Möglichkeiten
der Monitore (d.h. vor allem die Pixelzahl) die Signaturen und Darstellungsformen
einschränken. Die neuen Informations- und Kommunikationstechnologien bieten
darüber hinaus weitergehende Möglichkeiten, wobei hier nicht auf die Kopplung
mit weiteren Informationen abgezielt wird (vgl. Hypermap-Konzept in Kap. 7.1.4).
So besteht jetzt die Möglichkeit, die Detailfülle einer Präsentation zu reduzieren
und somit eine Darstellung „auf den ersten Blick“ leichter lesbar zu machen und zu
strukturieren. Im Anschluss an einen ersten Überblick kann der Nutzer tiefer in die
digitale Karte bzw. das Informationsangebot eindringen, wobei sich in Abhängig-
keit der sog. Zoomstufe bzw. des Maßstabs die Inhalte, die Detailfülle, die Gestal-
tung und auch die Signaturen ändern können.
Diese Darstellungstechnik ist bei Google Maps wie auch z.B. bei der Software
Mapnik zur Präsentation von Open Street Map - Daten das bekannte Standardprin-
zip. Diese Web-Mapping-Anwendungen erzeugen aus den Einträgen in einer Da-
tenbank Karten (sog. Rendern), wobei die Gestaltung von der Zoomstufe abhängig
ist. Indem der Nutzer den Ausschnitt der Präsentation vergrößert, also stärker in die
Abbildung hineinzoomt, verändern sich die Detailfülle und die Gestaltung, dann
erscheinen z.B. Stadtteilnamen und bei weiterer Vergrößerung Straßennamen,
schließlich werden Symbole z.B. für Restaurants oder Bushaltestellen angezeigt.
7.5.2 Darstellung von Quantitäten
Nach Bertin eignet sich nur die graphische Variable Größe zur Darstellung von
Quantitäten. In der weiteren Differenzierung nach Relativwerten und Absolutzahlen
haben sich in der kartographischen Praxis in Verbindung mit der graphischen Vari-
ablen Helligkeit eindeutige Konventionen zur Umsetzung quantitativer Sachver-
halte herausgebildet, die auch weiterhin bei digitalen Präsentationen gültig sein sol-
len. Dabei kann für punkthafte, linienhafte und flächenhafte Signaturen die Angabe
von Quantitäten jeweils auf mehrere Arten erfolgen (vgl. Abb. 7.17):
- Bei einer stetigen Wiedergabe eines quantitativen Merkmals werden Größe der
Punktsignatur (z.B. Größe des Kreissymbols) oder die Breite einer Linie stetig,
d.h. stufenlos variiert (vgl. Abb. 7.15, vgl. Kap. 7.4.2). Hierbei ist zu beachten,
dass Punktsignaturen wie z.B. Kreissignaturen flächig wahrgenommen werden.
Sollen zwei Werte dargestellt werden, von denen der eine doppelt so groß wie
der andere Wert ist, so muss die Signaturfläche doppelt so groß gezeichnet wer-
den. Dies bedeutet, dass der Radius nicht mit dem Faktor 2, sondern mit dem
Faktor 2 multipliziert werden muss (vgl. Abb. 7.17):
F1 = S • r12 und F2 = 2 • F1 dann F2 = S • r22 = S • (2 • r1)2 = 2 •S • r12 = 2 • F1
- Das Nichtbeachten dieses Prinzips führt dazu, dass größere Objekte überpropor-
tional betont werden. Selbstverständlich müssen die durch die Signaturen darge-
stellten Werte in einer Legende erläutert werden.
- Bei einer gestuften Wiedergabe eines quantitativen Merkmals werden ebenfalls
Größe der Punkt- bzw. Breite der Liniensignatur verändert. Bei Flächensignatu-
ren wird die graphische Variable Helligkeit eingesetzt. Eine gestufte Differenzie-
rung setzt zuvor eine Klassenbildung des darzustellenden Merkmals voraus. Dazu
muss bei einem stetigen Merkmal eine sinnvolle Klasseneinteilung gefunden wer-
den (vgl. Kap. 7.5.3).
- Flächensignaturen dienen nur zur Umsetzung von Anteilswerten (Relativwerte),
wenn z.B. der Anteil der Waldfläche in einer Gemeinde durch einen entsprechen-
den Helligkeitswert umgesetzt werden soll.
- Eine besondere graphische Herausforderung ist die Wiedergabe eines Absolut-
wertmerkmals. Leider stellt häufig automatisch das Präsentationswerkzeug eines
Geoinformationssystems ein Merkmal aus absoluten Zahlen (z.B. Einwohnerzahl
einer Gemeinde) durch eine flächenhafte Ausfüllung der Gemeindefläche und zu-
dem durch bunte Farben dar. Abbildung 7.9, die das Absolutwertmerkmal
„Wohnfläche in m2“ zeigt, ist ein typisches Beispiel. Diese Abbildung ist aus kar-
tographischer Sicht „doppelt“ falsch. Zum einen werden absolute Zahlen durch
Flächensignaturen wiedergegeben. Zum anderen werden Farben zur Umsetzung
von Größenverhältnissen benutzt. Hingegen drückt eine Flächensignatur über den
Flächenbezug, d.h. über die flächige Wahrnehmung, entweder eine reine Verbrei-
tung (z.B. räumliche Verteilung von Biotoptypen) oder eine Dichte (z.B. Bevöl-
kerungsdichte, d.h. ein Relativwertmerkmal) aus. Erst eine nach Helligkeit abge-
stufte Flächensignatur impliziert Intensität.
- Sollen Absolutwerte bezogen auf eine Flächeneinheit dargestellt werden, z.B.
Zahl der Einwohner oder der zugelassenen Elektroautos in einer Gemeinde, dann
bieten sich vor allem in einem Geoinformationssystem mehrere Möglichkeiten
an:
- In der jeweiligen Fläche wird die Zahl wie ein Name angezeigt. Diese Vari-
ante ist aber nur bedingt geeignet, Strukturen schnell zu erfassen.
- Der Zahlenwert wird durch eine punkthafte, in der Größe zu variierende Sig-
natur oder durch ein Säulendiagramm wiedergegeben, wobei die Größe der
Punktsignatur bzw. die säulenhöhe proportional zum Wert ist.
- Die klassische Kartographie kennt darüber hinaus die Möglichkeit, ein Abso-
lutwertmerkmal durch sog. Werteinheitsignaturen wiederzugeben. Die Zahl
70 wird z.B. durch sieben gleichgroße Punktsymbole oder durch ein größeres
und zwei kleinere Punktsymbole dargestellt. Die zweite Variante wird an-
schaulich auch als Kleingeldmethode zur Präsentation von Absolutwertmerk-
malen bezeichnet. Geoinformationssysteme bieten in der Regel aber keine
derartigen Präsentationsformen.
Abb. 7.17: Angabe von Quantitäten in einer graphischen Präsentation
7.5.3 Klasseneinteilungen
Vor einer graphischen Präsentation muss in der Regel ein stetiges Merkmal klassi-
fiziert und dadurch diskretisiert werden. Dies kennzeichnet den Regelfall in einem
Geoinformationssystem. Erst nach einer Klassifizierung, die eine endliche Zahl von
Signaturen impliziert, kann eine einzelne Signatur einer Klasse zugeordnet werden.
Während ein qualitatives Merkmal (z.B. Bodentypen) klar definierte Kategorien be-
sitzt, müssen zur Klasseneinteilung eines stetigen Merkmals mehrere Festlegungen
getroffen werden: Klassenzahl, Klassenbreite und Anfang einer, zumeist der ersten
Klasse. Die statistische und kartographische Methodenlehre liefert hierfür erste An-
haltspunkte (vgl. Kessler - de Vivie 1993, de Lange u. Nipper 2018 S. 341 ff.). An-
gegeben werden drei Formeln zur Abschätzung der Klassenzahl, wobei sich die Re-
gel nach Sturges in der Praxis als Näherung bewährt hat, und zwei Varianten zur
Bestimmung der Klasseneinteilungen:
Maximale Klassenzahl ݇ = ξ݊ (n = Anzahl der Objekte, Formel nach Witt)
Maximale Klassenzahl ݇ = 5 ή log ݊ (n = Anzahl der Objekte, Regel nach Davis)
Klassenzahl ݇ = 1 + 3,32 ή log ݊ (n = Anzahl der Objekte, Regel von Sturges)
Klassenbreite ܾ = (‫ݔ‬௠௔௫ െ ‫ݔ‬௠௜௡ ) / ݇
Klassengrenzen ݃ଵ = ‫ݔ‬௠௜௡ (erste Klassenuntergrenze)
݃௜ = ݃௜ିଵ + ܾ ݂ü‫ = ݅ ݎ‬2, … , ݇ + 1 (Klassenobergrenzen)
Neben dieser ersten Variante besteht mindestens eine weitere Möglichkeit, bei vor-
gegebener Klassenzahl eine Einteilung in äquidistante Klassenintervalle vorzuneh-
men (vgl. Tab. 7.7):
Klassenbreite ܾ = (‫ݔ‬௠௔௫ െ ‫ݔ‬௠௜௡ ) / (݇ െ 1)
Klassengrenzen ݃ଵ = ‫ݔ‬௠௜௡ െ ܾ / 2 (erste Klassenuntergrenze)
݃௜ = ݃௜ିଵ + ܾ ݂ü‫ = ݅ ݎ‬2, … , ݇ + 1 (Klassenobergrenzen)
Neben einer Stufung mit gleichen Klassenbreiten, die die häufigste Klassifizie-
rungsform ausmachen, findet man noch Stufungen, bei denen sich die Klassenbrei-
ten fortschreitend vergrößern. Bei der arithmetischen Progression nimmt die Klas-
senbreite um einen konstanten Wert zu (vgl. Tab. 7.7 Spalte 3, Klassenbreite wird
jeweils um 7,5 größer).
Klassenbreiten ܾ௜ = ܾ௜ିଵ + ‫ݍ‬ q = konstanter Faktor (Klassenobergrenzen)
Bei der geometrischen Progression ist der Quotient zweier aufeinanderfolgender
Klassengrenzen konstant (vgl. Tab. 7.7 Spalte 4, Quotient zweier aufeinanderfol-
gender Klassengrenzen ist 2,5, nur falls xmin > 0):
Klassengrenzen ݃௜ = ݃௜ିଵ ή ‫ݍ‬ q = konstanter Faktor (Klassenobergrenzen)
Tabelle 7.7: Klassengrenzen bei unterschiedlichen Klassifizierungen in fünf Klassen

Variante 1 Variante 2
konstante konstante arithmetische geometrische
Klassenbreite 20 Klassenbreite 25 Progression Progression x
0 –12,5 0 1
20 12,5 7,5 2,5
40 37,5 22,5 6,25
60 62,5 55 15,625
80 87,5 85 39,06
100 112,5 122,5 97,6
xmin = 0, xmax = 100, bei geometrischer Progression xmin > 0
Zumeist wird in Geoinformationssystemen auch eine Klassifizierung nach sog.

Quantilen angeboten. Die Klassengrenzen werden so gewählt, dass jeweils gleiche
Klassenhäufigkeiten auftreten. Dieses Einteilungsprinzip kann bei sehr streuenden
Werten sinnvoll sein, dieser mögliche Vorteil wird jedoch durch unterschiedliche
Klassenbreiten und Interpretationsschwierigkeiten erkauft.
Eine weitere Methode zielt darauf ab, „natürliche“ Klassen bzw. „natürliche“
Klassengrenzen (sog. natural breaks) zu bestimmen. Sie geht von der Verteilung der
Datenwerte aus und versucht, Datenlücken bzw. zusammenhängende Cluster von
Daten auszumachen. Bei diesem Verfahren ergeben sich zumeist verschieden breite
Klassen, weitere Werte können rasch die Einteilung ändern.
Gegen ein zu starres, schematisches Vorgehen können inhaltliche Bedenken
sprechen. Eine Klassenbildung kann sich auch aufgrund sachlogischer Aspekte er-
geben und sich z.B. an Grenzwerten orientieren. Die Klassifizierung ist dann weit-
gehend unabhängig von der Verteilung der Daten. Zuweilen wird man aussagekräf-
tige Klassengrenzen oder einfache Klassenbreiten nehmen (z.B. in Schritten von 10,
100 oder 1000 Werteinheiten). Dies ist vor allem bei einem zeitlichen Vergleich
notwendig, wenn zwei Klassifizierungen gegenübergestellt werden sollen. Im Ide-
alfall sind die Klassengrenzen so zu wählen, dass die wesentlichen Eigenschaften
des darzustellenden Sachverhalts und die charakteristische Verteilung der Daten er-
halten bleiben. Insbesondere ist eine sinnvolle Klassenzahl nicht nur nach formalen
oder inhaltlichen Gesichtspunkten festzulegen, sondern auch im Hinblick auf die
Zahl der maximal wahrnehmbaren Unterschiede einer graphischen Variablen. Ber-

tin hat hierzu Anhaltspunkte erarbeitet (vgl. Abb. 7.15). Die Klassifizierung ist ins-
besondere als Mittel der inhaltlichen Generalisierung einzusetzen. Im Allgemeinen
hängt das zu wählende Verfahren nicht zuletzt vom Zweck der Darstellung ab.
Eine Klasseneinteilung erfordert somit viele subjektive Entscheidungen. Allein
bei gleicher Klassenzahl sind durch Veränderung von Klassenbreite und einer Klas-
sengrenze viele Variationen möglich. Insbesondere können bei gleichen Daten, aber
verschiedenen Klassifizierungen recht unterschiedliche Aussagen erzielt werden, so
dass sich ein weites Feld für bewusste und unbewusste Manipulationen öffnen kann
(vgl. insb. zu Beispielen de Lange u. Nipper 2018 S. 342 - 351). Geoinformations-
systeme bieten vielfältige Varianten zur Klasseneinteilung und eröffnen viele Mög-
lichkeiten zum Ausprobieren. Leider fehlen in diesen Systemen Hinweise und Hil-
festellungen zur Klassifizierung.
7.5.4 Diagrammdarstellungen
Die Kartographie hat ein breites Spektrum von Diagrammformen zum Teil für sehr
spezielle Aussagezwecke entwickelt (vgl. z.B. Bevölkerungspyramiden, Polardia-
gramme zur Darstellung von Windrichtungen, Klimadiagramme, Strukturdreiecke,
Konzentrationskurven vgl. Arnberger 1997 S. 109). Derartige Diagrammformen
sind standardmäßig kaum in Geoinformationssystemen integriert. Zumeist sind nur
einfache Balkendiagramme (Histogramme) oder Kreissektorendiagramme reali-
siert.
7.5.5 Kartenähnliche Darstellungen
Numerische Werte von Geoobjekten wie Bevölkerungsdichten oder Arbeitslosen-

raten werden fast immer in ihren administrativen Bezugseinheiten umgesetzt. Eine
Darstellung der Bevölkerungsdichte für Gemeinden Nordrhein-Westfalens verdeut-
licht diese Daten dann auch in einer Karte mit Gemeindegrenzen. Ein Cartogram
hingegen bezeichnet eine absichtlich verzerrte Karte, deren Größe und Ausdehnung
nicht mit administrativen Grenzen übereinstimmt, sondern vielmehr mit dem Wert
einer numerischen Variablen korreliert, wobei Nachbarschaften und in etwa die
Form der Bezugsflächen bestehen bleiben. Allerdings steht die deutsche Überset-
zung von Cartogram, d.h. Kartogramm, davon abweichend in Lehrbüchern der Kar-
tographie für vielfältige Sonderformen thematischer Karten.
Geoinformationssysteme bieten einfache Werkzeuge, um Cartograms herzustel-
len. Den Darstellungen ist gemeinsam, dass sie Gebiete mit hohen Werten ballon-
artig aufblähen. Abbildung 7.18 ist mit einem QGIS-Plug-in erstellt worden (vgl.
Kap. 3.1.5), das den Algorithmus von Dougenik umsetzt (vgl. Dougenik u.a. 1985).
Den Karten im Projekt Worldmapper mit fast 600 Cartograms liegt der Algorithmus
von Gastner u. Newman (2004) zugrunde (vgl. Worldmapper 2019, zu weiteren Al-
gorithmen vgl. Burgdorf 2008, vgl. auch Rase 2016).
In der Abbildung 7.18 sind die Länder Afrikas entsprechend ihrer (absoluten)
Bevölkerungszahl dargestellt. Die drei bevölkerungsreichsten Länder Afrikas Ni-
geria, Äthiopien und Ägypten dominieren. Die Farbabstufung verdeutlicht das jähr-
liche natürliche Bevölkerungswachstum in Prozent. Erst in der Kombination der
verzerrten Flächengröße und des zweiten Merkmals, das üblicherweise zur statisti-
schen Bezugsfläche flächentreu dargestellt wird, ist die Entwicklungsdynamik der
Bevölkerung Afrikas sichtbar. Die bevölkerungsreichsten Länder besitzen nicht
mehr die höchsten natürlichen Wachstumsraten (pro Jahr) in Prozent, was auch auf
einen statistischen Effekt bei großen Bezugsgrößen zurückzuführen ist (Zunahme
von 1.000 zu Basis von 10.000 entspricht 10%, Zunahme von 1.000 zu Basis von
100.000 entspricht 1%). Gleichwohl werden sie größte absolute Zunahmen aufwei-
sen. So wird die höchste jährliche natürliche Wachstumsrate von 3.8% für das rela-
tiv kleine Land Niger nicht zu vergleichbar großen Zuwächsen führen. Somit kön-
nen derartige Cartograms als Ergänzung zu traditionellen Karten und Tabellen viel-
fältige Erkenntnisgewinne und Mehrwerte liefern.
Abb. 7.18: Isodemographische Karte von Afrika: Größe der Bevölkerung und natürliche Wachs-
tumsrate 2018 (Datenquelle: World Population Datasheet 2018)
7.6 Gestaltungsmerkmale von Kartenprints
7.6.1 Inhalte und formale Gestaltung von Kartenprints
Präsentationen in einem Geoinformationssystem müssen nicht den tradierten Dar-

stellungsprinzipien der Kartographie folgen. Zumeist werden durch Verwendung
von Koordinatenangaben Größenangaben wie Verkleinerungsfaktoren auf jeder
Zoomstufe selbstständig errechnet und zumeist am unteren Bildrand angezeigt. Eine
Gestaltungsmerkmale von Kartenprints 317
Maßstabsleiste darf fehlen, eine separate Legende ist nicht notwendig, da sich not-
wendige Informationen mit Hilfe der Werkzeuge eines Geoinformationssystems (Ex-
ploration der zugehörigen Attributtabellen und von Menüoptionen zu Datei- und Kar-
teneigenschaften) ergeben. Soll ein Papierausdruck erzeugt werden (z.B. ein großfor-
matiges Poster), ergeben sich klare und zwingende Gestaltungshinweise:
Eine gedruckte Karte, die „allein“ ohne weiteren Erläuterungstext steht, muss
einen aussagekräftigen Titel und eine Legende aufweisen, die sämtliche verwendete
Signaturen und Symbole erläutert sowie Größenrelationen anführt und ggf. den
Aufbau von Diagrammen erklärt. Zur Legende gehören auch Angaben zum Verfas-
ser und somit zum Verantwortlichen für den Karteninhalt sowie zum Kartographen
oder Ersteller der Graphik. Insbesondere sind Quellenverweise der benutzten Kar-
tengrundlage und der verwendeten Daten anzuführen (vor allem zum Bezugszeit-
punkt der Daten).
Auf die Angabe eines Nordpfeils kann verzichtet werden, falls die Karte nach
Norden ausgerichtet ist. Dieser Regelfall sollte immer angestrebt werden, so dass
die zuweilen in Geoinformationssystemen angebotene Palette von (verspielten und
verschnörkelten) Nordpfeilen fast überflüssig ist.
Unverzichtbar ist die Angabe eines Maßstabs, wobei weniger das Nennen des
Reduktionsmaßstabs in Form eines mathematischen Bruches (z.B. 1:12.375) sinn-
voll ist. Demgegenüber ist eine Maßstabsleiste, die beispielhaft eine Länge wieder-
gibt, wesentlich anschaulicher.
Abb. 7.19: Äußere Gestaltung eines Kartenprints
Abbildung 7.19 zeigt Beispiele der äußeren Gestaltung einer Karte, d.h. der Blatt-
aufteilung und der Anordnung von Titel und Legende. Grundsätzlich gilt, dass ein
möglichst ruhiges, klar gegliedertes Erscheinungsbild der gedruckten Karte oder
des Posters zu erreichen ist. Dabei sollte der Blick des Betrachters relativ wenig
zwischen den einzelnen Erläuterungen und dem Karteninhalt hin- und herspringen.
Eine einzige Legende sollte die Erläuterungen strukturieren. Vor dem Hintergrund
dieser Regeln stellen die Karten 1 und 2 optimale Beispiele für Blattaufteilungen
dar. Die Variante 3, d.h. die Aufteilung einer Legende, ist nur bei einer sachlichen
Trennung sinnvoll. Das vierte Beispiel zeigt eine empfehlenswerte Gestaltung für
eine Inselkarte, bei der die Randbereiche bestmöglich auszunutzen sind. Die weite-
ren Beispiele stellen unausgewogene und nicht sinnvolle Aufteilungen dar.
7.6.2 Texte und Beschriftungen in Kartenprints
Präsentationen im Web oder in einem Geoinformationssystem benutzen in der Re-

gel nur eine einzige Schriftart, die nach Größe, Farbe und Schriftstil (z.B. kursiv)
verändert wird. Demgegenüber ergeben sich bei der Erstellung von Kartenprints
oder Postern eine inzwischen fast nicht mehr zu übersehende Vielfalt an Schriften,
die z.B. nach Schriftart, Schriftgröße, Schriftstärke, Schriftbreite (sog. Lauflänge)
und Schriftfarbe je nach Leistungsfähigkeit des Graphiksystems variiert werden
können. Jedoch bestehen klare Empfehlungen:
- Die Schrift sollte möglichst sparsam eingesetzt werden und auf das notwendige
Maß beschränkt bleiben.
- Die Graphik sollte durch die graphischen Gestaltungsmittel visuell erfasst, aber
weniger durch Beschriftungen gelesen werden.
- Da Text in reinen Großbuchstaben schwerer lesbar ist, sollte auch in Überschrif-
ten Groß- und Kleinschreibung verwendet werden.
- In einer Karte sind maximal zwei Schriftarten zu verwenden. Exotische Schrift-
arten sind zu vermeiden. Zu empfehlen sind gerade im Hinblick auf die Schrift-
größe klare, einfache, serifenlose Schriften wie z.B. Helvetica oder ähnliche
Schriften (vgl. Abb. 7.20). Zumeist ist eine einzige Schriftart völlig ausreichend,
die weiter nach Größe und Schriftstärke zu variieren ist.
Die automatische Schriftplatzierung sowie das Freistellen von Schrift und Punkt-
bzw. Liniensignaturen gegeneinander und gegenüber dem Hintergrund ist (noch)
ein Problem in den bestehenden Geoinformationssystemen oder Graphiksystemen,
das noch nicht zufriedenstellend gelöst ist. Die Beschriftungen überdecken sich in
der Regel. Manuelle Nacharbeiten und Verschiebungen werden notwendig.
Abb. 7.20: Variationsmöglichkeit eines Schriftstils

Einsatz von Farbe 319
7.7 Einsatz von Farbe
7.7.1 Farbe als einfaches und kritisches Ausdrucksmittel
In der Geoinformatik spielt Farbe bei der Präsentation in einem (Geo-)Informati-

onssystem am Monitor, Tablet oder Smartphone eine sehr bedeutende Rolle. Die
Softwaresysteme zur digitalen Bildverarbeitung wie auch Geoinformationssysteme
benötigen Farben als unverzichtbare Ausdrucksmittel. Die Vorteile der Farbe und
die sich daraus ergebende Beliebtheit des Farbeinsatzes sind vor allem auf zwei
Faktoren zurückzuführen:
- Farbe ist selbst Träger einer Information.
- Farbe vereinfacht und beschleunigt die Übertragung von Informationen.
Hinzu kommt, dass von einer farblichen Präsentation eine besondere ästhetische
Wirkung ausgehen kann. Eine farbliche ist im Allgemeinen ansprechender als eine
schwarz-weiß-Darstellung. Für (karto-)graphische Belange ist ferner kennzeich-
nend, dass Farbe eine besonders gute selektive Variable ist (vgl. Kap. 7.4). Sie be-
sitzt eine deutliche Reizwirkung und übt eine starke psychologische Anziehungs-
kraft aus. Die Aufmerksamkeit wird geweckt. Farben prägen sich sehr gut ein. Das
Erinnerungsvermögen wird gesteigert.
Trotz vieler Vorteile des Farbeinsatzes darf nicht übersehen werden, dass die
Farbgestaltung nicht trivial ist und viele Fehlerquellen beinhalten kann. Die Farb-
gestaltung darf keineswegs unüberlegt oder zufällig erfolgen. So ist es mit einem
Geoinformationssystem inzwischen recht leicht geworden, Farben einzusetzen.
Häufig wird standardmäßig irgendeine zufallsgesteuerte Farbauswahl vorgegeben,
um z.B. unterschiedliche Linien und Flächen zu kennzeichnen. Wasserflächen er-
scheinen dann z.B. in der Farbe Grün, Freiflächen in der Farbe Blau, eine hohe Be-
völkerungsdichte wird durch die Farbe Rot, eine niedrige Bevölkerungsdichte durch
die Farbe Blau wiedergegeben (vgl. als Negativbeispiel Abb. 7.6). Die Geoobjekte
sind zwar eindeutig zu erkennen. Die Darstellung ist aber nur „bunt“, die assoziative
Wirkung von Farben wurde nicht ausgenutzt (vgl. Abb. 7.15).
Neben den vielen Vorteilen beim Farbeinsatz darf nicht vergessen werden, dass
bei manchen Menschen Anomalien bei der Farbwahrnehmung (Daltonismus) vor-
liegen. Zumeist sucht der Farbenfehlsichtige nach Ersatzzeichen oder Regelhaftig-
keiten der Farbanordnung (vgl. z.B. Anordnung der Farben an einer Ampel). Gra-
phische Darstellungen in Farbe sollten diesen Personen Hilfen anbieten, den Kar-
teninhalt zu erfassen, und daher z.B. nicht ausschließlich Farben verwenden, son-
dern Farbe in Kombination mit Rastern oder Mustern einsetzen.
7.7.2 Farbwirkung und Farbwahrnehmung
Die Beliebtheit der Farben erklärt sich neben der besonderen ästhetischen Erschei-
nung vor allem aufgrund der Farbwirkung. Über die Bedeutung einzelner Farben
wird auf einzelne Sachverhalte geschlossen. Das „richtige“ Erkennen erfolgt zu-
meist intuitiv. Der Farbwirkung liegen dabei zumeist allgemeine Farbempfindun-
gen und -wahrnehmungen zugrunde. Allerdings sind Farbkonventionen durchaus
nicht eindeutig. So bestehen zum Teil divergierende Interpretationen von Farben in
verschiedenen Kulturkreisen (vgl. Schoppmeyer 1993 S. 33).
Hinsichtlich der Farbwirkung wird häufig der naturnahen Farbenwahl eine große
Bedeutung zugemessen, die die Erfahrungen und Anschauungen von realen Objek-
ten umsetzt. Das Wiedererkennen kann das Lesen und Verstehen der Karte verein-
fachen (z.B. Blau für Gewässer, Karminrot für Siedlungen in Anlehnung an rote
Ziegeldächer, Gelbgrün für Wiesen und Grünland, Blaugrün für Wald, Grau für
Schutt oder weitere aus der Naturanschauung abgeleitete Bodenbedeckungsfarben).
Dabei wird aber vorausgesetzt, dass beim Betrachter gleiche Farbempfindungen
vorliegen und ähnliche Erfahrungswerte bestehen. Fehleinschätzungen sind daher
nicht auszuschließen.
Ein treffendes Beispiel für vermeintliche Farbkonventionen und intuitive Wir-
kungen von Farben stellen Höhenschichtenkarten dar, bei denen zumeist ein dunk-
les Grün für Tiefland und Brauntöne für Mittelgebirge bis Hochgebirge verwendet
werden. Diese Farbabstufung ist aber nicht allgemeingültig und standardisiert. So
werden zuweilen Höhenschichtenkarten nicht als solche erkannt, bei denen die Hö-
henabstufungen durch eine mehrstufige Farbskala von einem kräftigen Grün für
Tiefland, helleren Grüntönen für geringe Höhen bis zu Gelb oder Weiß für die
höchsten Erhebungen veranschaulicht werden. Durch diese fehlende Vereinheitli-
chung wird eine Übertragung von Erfahrungswerten erschwert. Problematischer ist
hingegen, dass der Betrachter häufig Weiß mit Schnee, Gelb oder Braun mit Wüsten
oder Grün mit reicher Vegetation verbindet. Vor dem Hintergrund, dass sich Wüs-
ten auch in Flachländern (in einer Höhenschichtenkarte zumeist durch einen Grün-
ton dargestellt) erstrecken oder Weideland in Hochgebieten auftritt, würde von der
Farbe irrtümlich auf die Landnutzung geschlossen werden.
Die Bedeutung der Ampelfarben Rot-Gelb-Grün hat sich eingeprägt: Rot ver-
deutlicht Gefahr, Gelb wird mit Achtung und Grün mit Gefahrlosigkeit verbunden.
Üblich ist die Unterscheidung von warmen und kalten Farben, um z.B. Wärme oder
Kälte oder um z.B. Abstoßung auszudrücken.
7.7.3 Farbabstufungen
Quantitäten und Ordnungen lassen sich streng genommen nicht durch Farben ver-
deutlichen (vgl. Abb. 7.15)! Gelb drückt nicht „weniger“ aus als die Farbe Rot. Eine
Umsetzung einer Klasseneinteilung von Bevölkerungsdichten durch Farben ist auf-
grund der Darstellungsprinzipien der graphischen Semiologie nicht möglich (vgl.
Kap. 7.4.2). Stattdessen wird dann zumeist die Helligkeit variiert (einpolige Skala
von Hell nach Dunkel) oder auch ein Farbtonübergang gewählt (z.B. von Hellgrün-
zu Dunkelblautönen). Von Brewer (1994) wurden an einzelnen Farbbeispielen Vor-
schläge von Farbabstufungen in Abhängigkeit der Skalenniveaus (qualitative, bi-
näre oder sequentielle Stufung eines Merkmals) und der Zahl der Merkmale erar-
beitet. Allerdings gibt es keine einfache, einprägsame oder leicht zu benutzende
Stufung von Farbtönen. Stets ist die Legende zum Farbabgleich heranzuziehen. Al-
lerdings können wenige einfache Regeln genannt werden, die bei der Umsetzung
von Quantitäten oder Ordnungen zu beachten sind und die auch für Präsentationen
in Geoinformationssystemen gelten:
- Eine Stufung nach den Spektralfarben, deren Helligkeit gerade nicht sequentiell
steigt, ist generell nicht geeignet.
- Gute Resultate verspricht im Allgemeinen eine Helligkeitsstufung eines einzel-
nen Farbtons, die der graphischen Variablen Helligkeit entspricht.
- Für einzelne Fragestellungen ist eine Helligkeitsabstufung mit einem Farbton-
übergang durchaus sinnvoll zu kombinieren (z.B. von tiefen Temperaturen in der
Farbe Blau zu hohen Temperaturen in der Farbe Rot). Häufig wird die Nutzung
einer Helligkeitsabstufung in Kombination mit einem Fartonübergang, z.B. von
Hellgelb über Orange nach Dunkelrot, angewandt.
7.7.4 Farbmischung und Farbmodelle
Bei der technischen Darstellung und Wiedergabe von Farben werden additive und
subtraktive Farbmischung unterschieden. Mit nur jeweils drei Grundfarben können
sämtliche andere Farben dargestellt bzw. zusammengemischt werden (vgl. Abb.
7.21). Die Informatik nutzt die hieraus resultierenden Farbmodelle.
Die additive Farbmischung beruht auf einer Mischung der Farben einer roten,
einer grünen und einer blauen Lichtquelle. Durch die Übereinanderprojektion und
die dabei auftretende additive Mischung dreier Lichtquellen in den drei (additiven)
Grundfarben Rot, Grün und Blau entstehen weitere Farben: Gelb = Rot + Grün,
Purpurrot (d.h. Magenta) = Rot + Blau, Blaugrün (d.h. Cyan) = Grün + Blau. Weiß
entsteht durch Addition der drei Farben, Schwarz durch Fehlen sämtlicher Farben.
Durch entsprechende Tonwertvariation (Helligkeit) der einzelnen Lichtquellen
kann jede bunte Farbe dargestellt werden. Farbbilder können also durch genaue
Überlagerung dreier Bilder aus drei Projektoren erzeugt werden, die jeweils ein Bild
in einer additiven Primärfarbe entwerfen.
Additive Farbmischung Subtraktive Farbmischung

Abb. 7.21: Additive und subtraktive Farbmischung
Verschiedenfarbiges Licht kann auch dadurch gemischt werden, dass mehrere

kleine Lichtquellen getrennt, aber unmittelbar nebeneinandergestellt werden. Falls
sie vom Auge nicht mehr als getrennte Lichtquellen wahrgenommen werden, mi-
schen sich die Farben additiv (im Auge). Dieses Prinzip liegt den Farbmonitoren
zugrunde, bei denen Farben von (leuchtenden) roten, grünen und blauen Phosphor-
punkten gebildet werden.
Abb. 7.22: RGB- und CMY-Farbmodelle bzw. -Farbwürfel
Während die additive Farbmischung auf Überlagerung von Lichtstrahlen (Selbst-

leuchtern) der drei Grundfarben Rot, Grün und Blau beruht, können auch durch Mi-
schung von Farbstoffen neue Farbtöne erzeugt werden. Farbeindrücke entstehen
hierbei durch reflektiertes Licht. Das Grundprinzip beruht darauf, dass dem weißen
Licht, das eine Farbfläche beleuchtet, bestimmte Farbanteile entzogen, d.h. „subtra-
hiert“ werden (subtraktive Farbmischung). Die übrigen nicht absorbierten Farban-
teile werden dann reflektiert und als Farbe wahrgenommen. Wird z.B. der Blauan-
teil durch ein Farbfilter oder Pigmente absorbiert, so dass nur der Rot- und der
Grünanteil reflektiert werden, wird Gelb wahrgenommen (subtraktive Farbmi-
schung als physikalischer Vorgang, additive Farbmischung der reflektierten Farb-
anteile als physiologischer Vorgang im Auge). Für die Drucktechnik von Bedeu-
tung ist die Verwendung von Filtern bzw. Farbstoffen, die die Komplementärfarben
der additiven Grundfarben durchlassen bzw. reflektieren. Farbe und Komplemen-
tärfarbe ergeben additiv zusammengemischt die Farbe Weiß. So ist Gelb das Kom-
plement von Blau, Cyan das von Rot und Magenta das von Grün (vgl. Abb. 7.21).
Hierbei werden englische Farbbezeichnungen benutzt, da deren Anfangsbuchstaben
eine gegenüber der deutschen Benennung eindeutige Kennzeichnung zulassen
(CMY für Cyan, Magenta und Yellow).
Falls eine Fläche allein durch Cyan ausgefüllt wurde, wird kein rotes Licht von
der Oberfläche reflektiert, Cyan „subtrahiert“ Rot vom reflektierten Licht (also
Cyan = Grün + Blau). Entsprechend: Magenta absorbiert Grün (also Magenta = Rot
+ Blau), Gelb absorbiert Blau (also Gelb = Rot + Grün). Verschiedene Farbtöne
entstehen durch subtraktive Farbmischung der (subtraktiven) Druckfarben Cyan,
Magenta und Yellow. Eine mit Cyan und Gelb ausgefüllte Fläche absorbiert Rot
und Blau und lässt nur die Farbe Grün reflektieren. Eine Fläche in Cyan und Ma-
genta absorbiert Rot und Grün und ist somit blau (vgl. Abb. 7.21).
Durch additive bzw. subtraktive Farbmischung der additiven bzw. subtraktiven
Grundfarben kann jeder Farbton erzeugt werden. Somit ist jeder Farbton als Vektor
in einem dreidimensionalen Farbraum formal eindeutig darzustellen (vgl. Farbwür-
fel in Abb. 7.22). Das RGB-Farbmodell benutzt ein dreidimensionales kartesisches
Koordinatensystem, dessen Achsen die Primärfarben Rot, Grün und Blau darstellen.
Farben werden jeweils als Punkte im Farbwürfel codiert. Die Hauptdiagonale prä-
sentiert die Graustufen von Schwarz (0,0,0) zu Weiß (255,255,255). Das RGB-
Farbmodell beruht auf der additiven Farbmischung. Mit den Farben Cyan, Magenta
und Yellow, den Komplementärfarben von Rot, Grün und Blau, kann entsprechend
das CMY-Farbmodell als Farbwürfel dargestellt werden. Das CMY-Farbmodell
liegt der subtraktiven Farbmischung zugrunde.
Die Zusammenhänge zwischen beiden Farbmodellen bzw. den Darstellungen als
Punkte bzw. Vektoren in beiden Farbwürfeln verdeutlichen zwei einfache Glei-
chungen, also z.B. für Cyan: [(255,255,255) – (0,255,255)]RGB = (255,0,0)CMY bzw.
[(255,255,255) – (255,0,0)]CMY = (0,255,255)RGB :
‫ܥ‬ 255 ܴ ܴ 255 ‫ܥ‬
൭‫ܯ‬൱ = ൭255൱ െ ൭‫ ܩ‬൱ und ൭‫ ܩ‬൱ = ൭255൱ െ ൭‫ܯ‬൱
ܻ 255 ‫ܤ‬ ‫ܤ‬ 255 ܻ
Gegenüber dem RGB- und dem CMY-Farbmodell, die auf die technischen Mög-
lichkeiten der Farbwiedergabe ausgerichtet sind, geht das sog. IHS-Modell (oder
HSV- oder HSI-Modell) von der Farbwahrnehmung aus. So werden nicht Rot-,
Grün- oder Blauanteile wahrgenommen, sondern Farben. Unterschieden werden da-
bei Farben nach dem Farbton (Hue), nach ihrer Sättigung (Saturation) und nach
ihrer Helligkeit (Value oder Intensity). Abbildung 7.23 veranschaulicht das Modell
als sechsseitige Pyramide mit einer üblichen Farbanordnung:
- Beginnend mit der Farbe Rot bei 0° wird der Farbton als Winkel angegeben.
- Das Verhältnis der Reinheit einer Farbe zu ihrer maximalen Reinheit kennzeich-
net die Sättigung S. Sie variiert zwischen S = 0 (an der Pyramidenachse) bis S =
1 (maximale Reinheit).
- Die Helligkeit der Farbe variiert mit der Pyramidenachse. An der Spitze der Py-
ramide ist sie am geringsten (I = 0) und an der Basis am höchsten (I = 1).
- Die reinsten Farben differieren nur im Farbwinkel, für sie gilt I = S = 1. Bei der
Farbwahl wird von den reinen Farben ausgegangen. Anschließend wird Weiß o-
der Schwarz hinzugemischt.
Abb. 7.23: Das IHS-Farbmodell: Darstellung in Farbe und der Variablen IHS
Zur Transformation des RGB-Modells in das IHS- bzw. HSI-Modell (und umge-
kehrt) bestehen mehrere Ansätze, da IHS- bzw. HSI-Modelle nicht allgemeingültig
definiert sind (vgl. Farbanordnungen, Darstellung auch als Kegel). Ausgehend da-
von, dass das IHS- bzw. HSI-Modell auf einer Drehung des RGB-
Koordinatensystems und der Darstellung mit Zylinderkoordinaten beruht, ergeben
sich nachstehende Transformationen, die insbesondere in der digitalen Bildverar-

beitung eine größere Bedeutung haben (vgl. z.B. Abmayr 1994 S. 177 ff. u. Kap.
10.6.5.3). Für das reine Rot gilt aber H = 90°, ferner ist hier 0 ൑ ܵ ൑ ඥ2/3.
Für die Transformation vom RGB-Farbsystem in das IHS- bzw. HSI-Farbsystem
gilt (jeweils bzgl. des Einheitswürfels):
ଶ ିଵ ିଵ
ܴ ‫ܪ‬ ‫ = ܪ‬arctan(‫ܯ‬ଵ /‫ܯ‬ଶ ) ‫ܯ‬ଵ ξ଺ ξ଺ ξ଺ ܴ

‫ۇ‬ ଵ ିଵ‫ۊ‬
൭‫ ܩ‬൱ nach ൭ ܵ ൱ mit ܵ = ඥ‫ܯ‬ଵଶ + ‫ܯ‬ଶଶ aus ൭‫ܯ‬ଶ ൱ = ‫ ۈ‬0 ή ൭‫ ܩ‬൱
ξଶ ξଶ ‫ۋ‬
‫ܤ‬ ‫ܫ‬ ‫ܫ = ܫ‬ଵ ή ξ3 ‫ܫ‬ଵ ଵ ଵ ଵ ‫ܤ‬
‫ ۉ‬ξଷ ξଷ ξଷ ‫ی‬
Für die Transformation vom IHS- bzw. HSI-Farbsystem in das RGB-Farbsystem

gilt (jeweils bzgl. des Einheitswürfels):
ଶ ଵ
0
‫ܪ‬ ܴ ܴ ξ଺ ξଷ ‫ܯ‬ଵ ‫ܯ‬ଵ = ܵ ή sin ‫ܪ‬
‫ି ۇ‬ଵ ଵ ଵ‫ۊ‬
൭ ܵ ൱ nach ൭‫ ܩ‬൱ mit ൭‫ ܩ‬൱ = ‫ ۈ‬ξ଺ ή ൭ ‫ܯ‬ଶ ൱ und ‫ܯ‬ଶ = ܵ ή cos ‫ܪ‬
ξଶ ξଷ ‫ۋ‬
‫ܫ‬ ‫ܤ‬ ‫ܤ‬ ିଵ ିଵ ଵ ‫ܫ‬ଵ ‫ܫ‬ଵ = ‫ ܫ‬ή ξ3
‫ ۉ‬ξ଺ ξଶ ξଷ‫ی‬
Neben diesen klassischen Farbmodellen sind international mehrere Farbsysteme in

Gebrauch, die u.a. für das Druckgewerbe relevant sind. Zu den wichtigsten Model-
len gehören das Munsell-System in den USA und das DIN-Farbensystem in
Deutschland (vgl. Lang 1993 S. 741 ff. u. Pérez 1996 S. 624 ff.). Die Commission
Internationale de l'Eclairage (CIE) hat zur Bewertung und Einordnung der Farben
ein international gültiges Normfarbsystem entwickelt. Hiermit können die in den
unterschiedlichen technischen Systemen realisierten Farbräume ineinander umge-
rechnet werden (vgl. Abmayr 1994 S. 173 ff. u. Schoppmeyer 1993 S. 32 ff.).
Literatur
Abmayr, W. (1994): Einführung in die digitale Bildverarbeitung. Stuttgart: Teubner.

Albers, B. u.a. (2017):. Das PAN Projekt – Umweltmonitoring mit Smartphones und Augmented
Reality. In: AGIT Journal für Angewandte Geoinformatik, 3-2017, S. 190–199.
Andrienko, G. u. N. Andrienko (2005): Exploratory Analysis of Spatial and Temporal Data A Sys-
tematic Approach. Berlin: Springer.
Andrienko, G., u.a. (2010): Space, time and visual analytics. In: International Journal of Geograph-
ical Information Science, 24(10), S. 1577–1600.
Andrienko, G. u.a. (2007): Geovisual analytics for spatial decision support: Setting the research
agenda. In: International Journal of Geographical Information Science, 21(8), S. 839–857.
Anscombe, F.-J. (1973): Graphs in Statistical Analysis. In: The American Statistician. 27, S. 17–21.
Arnberger, E. (1997): Thematische Kartographie. Braunschweig: Westermann. 4. Aufl.
Behncke, K., Hoffmann, K., de Lange, N. u. C. Plass (2009): Web-Mapping, Web-GIS und Inter-
net-GIS – ein Ansatz zur Begriffsklärung. In: Kartogr. Nachrichten H. 6 2009, S. 303–308.
Bertin, J. (1974): Graphische Semiologie. Diagramme, Netze, Karten. Übersetzt nach der 2. franzö-
sischen Auflage. Berlin: de Gruyter.
Bertin, J. (1982): Graphische Darstellungen und die graphische Weitergabe von Informationen. Ber-
lin: de Gruyter.
Literatur 325
Brewer, C.Y. (1994): Color Use Guidelines for Mapping and Visualization. In: MacEachran, A.M.
u. D.R. Taylor (Hrsg.): Visualization in modern Cartography. Modern Cartography, Vol. 2. S.
123–147. Oxford: Pergamon.
Broll, W. (2013): Augmentierte Realität. In: Dörner, R. u.a. (Hrsg.) Virtual and Augmented Reality.
Grundlagen und Methoden der Virtuellen und Augmentierten Realität. Wiesbaden: Springer
Vieweg 2013, S. 241–294.
Brunner, K., (2000): Neue Gestaltungs- und Modellierungsaufgaben für den Kartographen. In:
Kelnhofer, F. u. M. Lechtthaler (Hrsg.): Interaktive Karten (Atlanten) und Multimediaapplikati-
onen. Wien. (= Geowissenschaftliche Mitteilungen, H. 53).
Brunner, K. (2001): Kartengestaltung für elektronische Bildanzeigen. In: Kartographische Bau-
steine, Bd. 19, TU Dresden.
BKG, Bundesamt für Kartographie und Geodäsie (2019): Online Karte API geo.akapi.
http://sgx.geodatenzentrum.de/geo.okapi/ (18.11.2019)
Burgdorf, M.: Verzerrungen von Raum und Wirklichkeit in der Bevölkerungsgeogrphie. In: Karto-
graphische Nachrichten, Heft 5 /08, Kirschbaum Verlag, Bonn 2008, S. 234–242
Coors, C. u.a. (2016): 3D-Stadtmodelle. Konzepte und Anwendungen mit CityGML. Berlin: Wich-
mann.
de Lange, N. u. J. Nipper (2018): Quantitative Methoden in der Geographie. Grundriss Allgemeine
Deutsche Gesellschaft für Kartographie (2019): Kommission und Arbeitskreis 3D-Stadtmodelle.
https://www.3d-stadtmodelle.org/index.php?do=rue (18.11.2019)
DiBiase, D. (1990): Visualization in the Earth Sciences. In: Earth and Mineral Sciences, Bulletin of
the College of Earth and Mineral Sciences. Vol 59, No. 2, S. 13–18.
Dickmann, F. u. S. Dunker (2014): Visualisierung von 3D-Gebäudemodellen – Welche Ansprüche
stellt die Planung an dreidimensionale Stadtansichten? In: Kartographische Nachrichten 1/2014,
S. 10–16.
Dörner, R. u.a. (2013): Einleitung. In: Dörner, R. u.a. (Hrsg.) Virtual and Augmented Reality.
Grundlagen und Methoden der VR und AR. Wiesbaden: Springer Vieweg 2013 S. 1–31.
Dougenik, J.A. u.a. (1985): An Algorithm to construct continuous area cartograms. In: Professional
Geographer, 37(1), S. 75–81.
Edler, D. u.a. (2018a): Virtual Reality (VR) and Open Source Software. In: Kartographische Nach-
richten 1/2018 S. 5–13.
Edler, D. u.a. (2018b): Potenziale der Raumvisualisierung in Virtual Reality (VR) für die sozialkon-
struktivistische Landschaftsforschung. In: Kartographische Nachrichten 5/2018 S. 245–254.
ESRI (2019): ArcGIS. https://www.esri.de/produkte/arcgis-online (18.11.2019)
feelSpace (2019): feelSpace. Taktile Information. https://www.feelspace.de/naviguertel-blinde
(18.11.2019)
Gastner, M.T. und M.E.J. Newman (2004): Diffusion-based method for producing density equaliz-
ing maps. In: Proceedings of the NAS, 101(20), S. 7499–7504.
GISQUICK (2019): Let’s share GIS much quicker. http://gisquick.org/ (18.11.2019)
ter, 8. Aufl.
Helsinki (2019): Helsinki 3D+. https://kartta.hel.fi/3d/#/ (18.11.2019)
Hexagon (2019): GeoMedia WebMap. https://www.hexagongeospatial.com/products/power-portfo-
lio/geomedia-webmap (18.11.2019)
Hilling F. u. H. Greuler (2015): 3D-Web-GIS: Online-Darstellung eines landesweiten LOD2-
Modells für Rheinland-3IDO],Q$*,7௅-RXUQDOIU$QJ*HRLQIRUPDWLN-2015, S. 322–327
Hoffmann, K. (2011): Nutzergenerierte Karten und kartographische Kommunikation im Web 2.0.
In: Kartographische Nachrichten, Jg. 61, H. 2, S. 72–78.
International Cartographic Association (2019a): Mission. https://icaci.org/mission/ (18.11.2019)
International Cartographic Association (2019b): Research Agenda. https://icaci.org/research-
agenda/introduction/ (18.11.2019)
Karlsruhe (2019): 3d-Stadtmodell. https://www.karlsruhe.de/b3/bauen/geodaten/3dgis.de

(18.11.2019)
Kessler - de Vivie, C. (1993): Ein Verfahren zur Steuerung der numerischen Klassenbildung in der
thematischen Kartographie. Beiträge zur kartogr. Informationsverarbeitung Bd. 6. Trier.
Koch, W.G. (2000): Kartengestaltende Variablen – Entwicklungslinien und ihre Ergänzung im mul-
timedialen Umfeld. In: Lechthaler, M. u. G. Gartner (Hrsg.): Per aspera ad astra. Festschrift für
Fritz Kelnhofer. Wien. (= Geowissenschaftliche Mitteilungen, Nr. 52), S. 72–82.
Kraak, M. -J., a. A. M. MacEachren (2005): Geovisualization and GIScience. Cartography and Ge-
ographic Information Science 32 (2), S. 67–68.
Kreuziger, U. (2014): Augmented Reality – Geodaten, fast zum Anfassen. In: Vermessung Bran-
denburg 1/2014, S. 31–36. https://www.geobasis-bb.de/verm_bb/pdf/1_14_Kreuziger_31-36.pdf
(18.11.2019)
Landesvermessung Sachsen (2019): Digitales 3D-Stadtmodell. https://www.landesvermes-
sung.sachsen.de/3d-stadtmodell-4090.html (18.11.2019)
Lang, H. (1993): Farbmetrik. In: Niedrig, H. (Hrsg.): Optik. Bergmann Schaefer Lehrbuch der Ex-
perimentalphysik Bd. 3. Berlin: de Gruyter. 9. Aufl.
MacEachran, A.M. (1994): Visualization in modern cartography: Setting the agenda. In:
MacEachran, A.M. u. D.R. Taylor (Hrsg.): Visualization in modern cartography. Modern Car-
tography, Vol. 2. S. 1 - 12. Oxford: Pergamon.
MacEachren, A.M. (1995): How maps work. New York: Guilford Press.
MacEachren, A.M. u.a. (1999): Virtual Environments for Geographic Visualisation. Potential and
Challenges. Workshop on New Paradigms in Information Visualisation and Manipulation. S.
35-40.
MacEachran, A.M. u. J. H. Ganter (1990): A pattern identification approach to cartographic visuali-
sation. In: Cartographica 27(2) S. 64–81.
MacEachren, A.M. u. Kraak, M.J. (2001): Research challenges in geovisualization. In: Cartography
and geographic information science 28-1, S. 3–12.
McCormick, B.H. u.a.(1987): Visualization in Scientific Computing. New York: ACM Press.
Meng, L. (2011): Kartographie für Jedermann und Jedermann für Kartographie – Warum und Wie?
In: Kartographische Nachrichten, Jg. 61, H. 5, S. 246–253.
Monmonier, M. (1996): Eins zu einer Million: die Tricks und Lügen der Kartographen. Basel:
Birkhäuser.
NextGIS (2019): Web GIS made easy. http://nextgis.com/ (18.11.2019)
Pérez, J.P. (1996): Optik. Heidelberg: Spektrum Akademischer Verlag.
QGIS Cloud (2019a): QGIS Cloud Hosting. https://qgiscloud.com/ (18.11.2019)
QGIS Cloud (2019b): QGIS Dokumentation. https://qgiscloud.com/de/pages/quickstart (1.11.2019)
Rase, W.-D. (2016): Kartographische Oberflächen. Interpolation, Analyse, Visualisierung. Februar
2016. Norderstedt: BoD – Books on Demand.
Schiewe, J. (2013): Geovisualisation and Geovisual Analytics: The Interdisciplinary Perspective on
Cartography. In: Kartographische Nachrichten. Special Issue. S. 122–126.
Schofeld, J., F. Hillen u. N. de Lange (2017): GuidAR – Augmented Reality in der Fußgängernavi-
gation. In: AGIT Journal für Angewandte Geoinformatik, 3-2017, S. 217–222.
Schoppmeyer, J. (1993): Farbgestaltung und Farbbehandlung vor dem Hintergrund der digitalen
Kartographie. Kartographische Schriften 1. S. 32–38. Bonn: Kirschbaum.
Toffler, A. (1980): The Third Wave: The Classic Study of Tomorrow. New York: Bantam Books.
Virrantaus, K., Fairbairn, D. U. M.-J. Kraak (2009): ICA Research Agenda on Cartography and
GIScience. In: TheCartographic Journal Vol. 46 No. 2 S. 63–75 Mai 2009 Cartography and Ge-
ographic Information Science 36/2, S. 209–222.
Wood, M. u. K. Brodlie (1994): ViSC and GIS: Some fundamental considerations. In: Hearnshaw,
H. u. D. Unwin (Hrsg.): Visualization in Geographic Information Systems. S. 3–8. Chichester:
John Wiley u. Sons.
Worldmapper (2019): Rediscover the World as you’ve never seen it before https://worldmap-
per.org/maps/ (18.11.2019)
8 Datenorganisation und Datenbanksysteme
8.1 Datenorganisation
8.1.1 Grundbegriffe der Datenorganisation
Die Speicherung, Verwaltung und Verarbeitung umfangreicher Datenbestände be-

sitzen für sämtliche Anwendungsbereiche und somit auch für die Geoinformatik
eine große Bedeutung. Die gestiegenen Anforderungen an die Verarbeitung von
Daten, die z.B. einen interaktiven Zugriff, einen Mehrfachzugriff, die Benutzer-
freundlichkeit, die Datensicherheit oder den Datenschutz betreffen, gehen weit über
die Leistungsfähigkeit von Dateisystemen hinaus (vgl. Kap. 3.2.5 u. Kap. 8.1.2).
Diese Anforderungen haben zur Entwicklung komplexer Datenbanksysteme ge-
führt. Derartige Systeme haben in der Geoinformatik eine große Bedeutung. Zum
einen dienen sie der Verwaltung von Sachdaten, d.h. der Attribute von Geoobjekten.
Zum anderen übernehmen sie in Form von sog. Geodatenbanken viele Aufgaben
von Geoinformationssystemen, indem sie auch Geometriedaten verwalten und ver-
arbeiten sowie darüber hinaus viele Funktionen zur räumlichen Analyse von Geoob-
jekten wie z.B. räumliche Überlagerungen bereitstellen. Diese Geodatenbanken
könnten auch der Softwaregruppe der Geoinformationssysteme zugeordnet werden.
Sie werden aber eingehender hier im Zusammenhang mit Datenbanken vorgestellt,
da sie von Datenbankkonzepten ausgehen, die erheblich erweitert werden.
In vielen Anwendungsfällen werden umfangreiche Datenmengen gesammelt, die
optimal zu speichern, zu pflegen und auszuwerten sind. Die Speicherung betrifft
zum einen die physikalische Speicherungsform und zum anderen die (wichtigere)
logische Organisation der Daten. Mit der Datenpflege wird die Aktualisierung der
Datenbestände gekennzeichnet, die vor allem das Löschen, Ändern und Ergänzen
einzelner Daten oder umfangreicher Datensätze sowie das Anlegen völlig neuer Da-
tenbestände mit neuen logischen Strukturen umfasst. Die Auswertung der Daten je
nach Fragestellung hinsichtlich unterschiedlicher Kriterien zielt vor allem auf die
Hauptaufgaben Sortieren und Suchen ab, wobei hiermit eine Einzelauswertung nach
einer Zeitangabe, eine Gruppenauswertung nach einer komplexen Abfragebedin-
gung mit Aufbereitung in Tabellenform oder eine statistische Auswertung verbun-
den sein können.
Grundlage der Darstellung von Daten in der Informatik ist die Kodierung einer
Zahl oder von Buchstaben sowie multimedialer Informationen durch Bitfolgen (vgl.
Kap. 2.5). Auf einer weiteren Stufe der Abstraktion ermöglicht das Datentypkon-
zept die relativ elegante Bearbeitung unterschiedlicher Daten wie z.B. INTEGER-

https://doi.org/10.1007/978-3-662-60709-1_8
Zahlen oder CHARACTER-Zeichen (vgl. Kap. 3.2.2). Die weitere logische Daten-
organisation ist hierarchisch aufgebaut (vgl. Abb. 8.1 u. Kap. 3.2.5). Einzelne Da-
tenfelder (engl. items), die jeweils Attributwerte enthalten, bauen einen Datensatz
(engl. record) auf. Mehrere logisch zusammengehörige Datenfelder innerhalb eines
Datensatzes werden häufig auch Datensegment (Datengruppe) genannt. Gleichar-
tige und aufgrund inhaltlicher Kriterien zusammengehörige Datensätze werden zu-
sammengestellt als Datei (engl. file) bezeichnet. Mehrere Dateien, zwischen denen
logische Abhängigkeiten oder Beziehungen bestehen, bilden ein Dateisystem oder
sogar eine Datenbank (vgl. Kap. 8.1.3).
Die logische Datenorganisation lässt sich einfach anhand von Tabellen verdeut-
lichen, die zusammen eine Datenbank ausmachen, wobei eine einzelne Tabelle ei-
ner Datei, ein einzelner Datensatz einer Tabellenzeile, ein einzelnes Datenfeld einer
Tabellenspalte und ein einzelner Attributwert einem Datum in der Tabelle entspre-
chen. Die Datenfelder können unterschiedliche Datentypen darstellen, wobei in Da-
tenbanken weitere Datentypen auftreten, die über die klassischen Datentypen der
Informatik (vgl. Kap. 3.2.2) hinausgehen (vgl. Uhrzeit, Währung oder spezielle
Feldtypen zur Einbindung von Objekten wie z.B. Grafiken oder Klänge).
Abb. 8.1: Grundbegriffe der Datenorganisation
Gegenüber technischen Zugriffs- und Speicherungsmechanismen ist von der inhalt-

lichen, konzeptionellen Seite die logische Identifizierung von Daten und Datensät-
zen durch (logische) Schlüssel bedeutender. Hierunter werden das Attribut oder die
Attributkombination verstanden, die einen einzelnen Datensatz eindeutig kenn-
zeichnet. Allerdings ist eine Attributkombination nur dann ein Schlüssel, wenn
sämtliche Attribute zur Kennzeichnung hinreichend und notwendig sind, wenn also
nach Ausschluss eines dieser Attribute die Schlüsseleigenschaft verloren geht (sog.
Minimaleigenschaft eines Schlüssels). Dabei können durchaus mehrere Schlüssel
existieren. So ist z.B. bei einem Baumkataster jeder Datensatz eindeutig durch die
x- und y-Koordinate (zusammengesetzter Schlüssel) festgelegt (vgl. Abb. 8.1). Der
letztlich zur Identifikation eines Datensatzes ausgewählte Schlüssel (in Abb. 8.1 das
Datenfeld ID-Nr.) wird als Primärschlüssel bezeichnet. Sämtliche Felder, die sich
als Schlüsselfelder eignen, werden Schlüsselkandidaten genannt. Eine Datei kann
ferner Datenfelder enthalten, die Schlüsselfelder in anderen Dateien sind. So kann
Datenorganisation 329
z.B. das Datenfeld „Kostenstelle“ in Abbildung 8.1 ein Schlüsselfeld einer anderen
Datei mit Abrechnungsdaten sein. Derartige Felder werden als Fremdschlüssel be-
zeichnet.
Als Schlüsselfelder werden zumeist eigene numerische Attribute verwendet, die
als Identifikationsnummern (Identifikationsschlüssel) z.B. Artikel- oder Kunden-
nummern darstellen. Derartige Nummern (sog. „IDs“) werden den aufgrund der
Fragestellung vorgegebenen Attributen vorangestellt. Die Verwendung numeri-
scher Schlüssel ist jedoch nicht zwangsläufig (vgl. Autokennzeichen als Buchsta-
ben- und Ziffernkombination). So können aus den inhaltlich vorgegebenen Daten-
feldern Schlüsselfelder gebildet werden (z.B. aus Name und Geburtsdatum), jedoch
sind in der Regel eigene numerische Schlüsselfelder übersichtlicher und ermögli-
chen einen schnelleren Datenzugriff. So kann eine Sortierung nach einem numeri-
schen Feld schneller als nach einem (längeren) Textfeld erfolgen, ebenso ist eine
Verknüpfung zweier Tabellen aufgrund identischer Werte in einem numerischen
Datenfeld schneller.
8.1.2 Dateisysteme
Dateisysteme stellen Vorläufer der Datenbanksysteme dar. Zumeist reichte aber zur
Auswertung der Datenbestände in den Dateien das Dateiverwaltungssystem des Be-
triebssystems nicht aus. Daher wurden eigene Programme in einer (höheren) Pro-
grammiersprache zur Analyse der Daten entwickelt, die auf die Dateien zugriffen
und die Informationsverarbeitung leisteten. Das wesentliche Kennzeichen derarti-
ger Dateisysteme, die durch Nutzerprogramme ausgewertet werden müssen, ist die
statische Zuordnung von Verarbeitungsprogrammen zu den Daten. Jedes dieser
Nutzerprogramme enthält eine eigene Beschreibung der Datei, die ausschließlich
durch die Verarbeitung der Daten in dem jeweiligen Programm bestimmt wird. Die
enge Bindung ermöglicht sehr individuelle und effiziente Auswerteprogramme. Die
Programme sind aber nur für diese Daten und für genau diesen Einsatz geeignet.
Die Programmpflege bei geänderten Anforderungen ist aufwendig.
Anhand einer Pflichtaufgabe in einer Umweltbehörde, die auf viele ähnliche
Problemstellungen zu übertragen ist, soll deutlich werden, dass Dateisysteme letzt-
lich kaum geeignet sind, fachlich differenzierte Datenbestände zu verwalten, zu be-
arbeiten und auszuwerten (vgl. Abb. 8.2). In einer Kommune sollen in einem Ka-
taster u.a. Anlagen zum Lagern, Abfüllen, Herstellen und Behandeln wassergefähr-
dender Stoffe geführt und kontrolliert werden (z.B. Tankstellen oder Heizölbehäl-
teranlagen). Der Betreiber ist verpflichtet, z.B. einen Lagerbehälter mit wasserge-
fährdenden Stoffen spätestens alle fünf Jahre – bzw. bei unterirdischer Lagerung in
Schutzgebieten alle zweieinhalb Jahre – durch einen Sachverständigen auf den ord-
nungsgemäßen Zustand hin überprüfen zu lassen (nach Anlagen 5/6 zum Umgang
mit wassergefährdenden Stoffen zu § 46 der Bundesrechtsverordnung über Anlagen
zum Umgang mit wassergefährdenden Stoffen von 2017 nach § 62 Wasserhaus-
haltsgesetz). Die untere Wasserbehörde führt die Daten der einzelnen prüfpflichti-
gen Lagerbehälter, die Daten der Untersuchungsergebnisse sowie die relevanten
Untersuchungstermine. Die Kontrollen der ordnungsgemäßen Ermittlung der Prü-

fergebnisse und der gegebenenfalls notwendigen Maßnahmen werden ebenso über-
wacht wie Terminüberschreitungen oder nicht erfolgte Mängelbeseitigungen. Zur
Bearbeitung dieser Verwaltungsaufgabe soll ein Dateisystem aufgebaut sein, das
mehrere typische Strukturmerkmale aufzeigt (vgl. Abb. 8.2):
Abb. 8.2: Dateisystem in einer Umweltbehörde
Die Dateien 1 und 2 werden in diesem Beispiel als Stammdateien geführt, die nur
selten verändert werden müssen (vgl. Abb. 8.3). Die Angaben zu den Anlagen und
den Betreibern werden dabei in getrennten Dateien gehalten. Hierdurch sind bereits
einige Forderungen an höhere Datenbanksysteme erfüllt. So werden nur einmal in
der Datei 2 der (ausführliche) Name und die Adresse der Betreiber gespeichert, was
eine größere Redundanzfreiheit des Systems bedeutet. Falls ein Betreiber für meh-
rere Anlagen verantwortlich ist, kann somit eine leichtere Aktualisierung von Be-
treiberdaten erfolgen. Die dritte Datei enthält die wesentlichen Bewegungsdaten. So
werden hier u.a. die Angaben gespeichert, welche Anlagen zu einer Überprüfung
anstehen (z.B. nach Ablauf des fälligen Untersuchungstermins) und welche Ergeb-
nisse vorliegen.
Die Bearbeitung dieses Dateisystems erfolgt durch Programme einer höheren
Programmiersprache. Die Programme 1 und 2 aktualisieren die Stammdaten. Das
Programm 3 errechnet aus dem Datum der letzten Überprüfung in Datei 1, wann
eine erneute Kontrolle notwendig ist. Die Daten werden dann in die Datei 3 ge-
schrieben (vgl. Abb. 8.3), die u.a. auch den Stand der Überprüfung vermerkt. Das
Programm 4 kontrolliert den Stand der Überprüfung und der ggf. notwendigen Män-
gelbeseitigung. So werden z.B. dem Betreiber der ordnungsgemäße Abschluss der
Kontrolle oder eine Mahnung mit erneuter Fristsetzung mitgeteilt. Nach Abschluss
der Überprüfung der Anlage wird das neue Prüfdatum in die Datei 1 geschrieben.
Erweiterungen dieses Ansatzes sind denkbar: Datei 1 könnte einen Verweis auf eine
Prüfakte mit dem analogen Prüfbericht aufnehmen. In einem späteren Entwick-
lungsstadium des Systems könnte eine Verbindung zu dem digitalen Prüfbericht
vorliegen. So entsteht ein zeitlich mit den Aufgaben gewachsenes Dateisystem mit
einem gekoppelten Programmsystem.
Abb. 8.3: Dateistruktur zur Beispielanwendung des Dateisystems in einer Umweltbehörde
Zwar liegt in Teilen ein durchaus sinnvoller Ansatz vor, allerdings enthält das Ge-
samtsystem Schwachstellen. So kann sich die Wartung und Mängelbeseitigung ei-
ner Anlage über einen längeren Zeitraum erstrecken, während dem sich der Betrei-
ber oder auch nur seine Anschrift verändert hat. Dann kann in der Wartungsdatei
noch auf den alten Betreiber einer Anlage verwiesen werden, während das Pro-
gramm 2 schon den Neubetreiber erfasst und den Altbetreiber gelöscht hat. Derar-
tige Probleme sind durch geschickte Programmierung bzw. Aufnahme weiterer Be-
treibercodes in der Datei 1 zu lösen. Größere Probleme können sich dadurch erge-
ben, dass die Programme zu unterschiedlichen Zeiten und von verschiedenen Pro-
grammierern erstellt wurden (mit hoffentlich ausreichender Dokumentation). Beim
Aufbau der einzelnen Datenbestände wurde bzw. konnte nicht unbedingt auf eine
einheitliche Formatierung geachtet werden. Jeder Programmierer wird die für ihn
geeignete Formatierung gewählt haben. Eine hinreichende Abstimmung konnte
nicht erfolgen.
Aus einer derartigen Organisationsform ergeben sich mehrere Probleme, die für
ein Dateisystem charakteristisch sind (vgl. Vossen 2008 S. 9):
- Zwischen den einzelnen Dateien kann sich eine hohe Redundanz ergeben, die sich
aus der Mehrfachspeicherung gleicher Daten ergibt (parallele Datenbestände). Im
obigen Beispiel ist der Standort der Anlagen sowohl in Datei 1 als auch in Datei
3 gespeichert.
- Da kein Vielfach- bzw. Mehrbenutzerzugriff auf eine einzelne Datei möglich ist,
besteht die Gefahr der Inkonsistenz bei der Verarbeitung „gleicher“ Datenbe-
stände. So können einzelne Programme Dateien verändern, ohne dass diese Ver-
änderungen von allen Programmen berücksichtigt werden. In dem obigen Bei-
spiel verändert bei einem Betreiberwechsel einer Anlage das Programm 2 die Da-
tei 1. Die Veränderungen werden aber nicht in die Wartungsdatei übernommen.
Der ehemalige und nicht der aktuelle Betreiber erhält ggf. eine Mahnung. Das
Arbeiten mit Duplikaten bedingt häufig, dass nicht immer aktuelle Dateien aus-
gewertet werden. Falls hingegen nur auf eine Datei zugegriffen wird, können bei
gleichzeitiger Bearbeitung die Änderungen des ersten Benutzers vom zweiten Be-
nutzer überschrieben werden, der zuletzt die Daten eingibt.
- Der Verbund von Programm- und Dateisystem besitzt gegenüber veränderten An-
forderungen und Anwendungen eine relativ große Inflexibilität. Hieraus resultie-
ren recht hohe Entwicklungskosten. So sind neue Anforderungen, wie z.B. im
obigen Beispiel die Umsetzung neuer Verwaltungsvorschriften, nur mit recht gro-
ßem Aufwand zu realisieren. Häufig ist selbst bei geringfügigen Unterschieden
ein neues Programm mit neuer Datei zu entwickeln, das nicht unbedingt direkt
aus dem alten Programm abzuleiten ist.
- Die geringe Strukturflexibilität zeigt sich auch in einer aufwendigen Programm-
wartung. So müssen bei Veränderungen an den bestehenden Dateien alle betref-
fenden Anwenderprogramme geändert werden (vgl. Umstellung von vier- auf
fünfstellige Postleitzahlen, sonstige Veränderungen von Namen oder Formaten).
Neben einer ausführlichen Softwaredokumentation wird eine höhere Einarbei-
tungszeit der Programmierer notwendig.
- Der Zugriff auf die einzelnen Dateien kann nicht adäquat überwacht werden. So
können sich gerade im Umgang mit sensiblen Daten (erhebliche) Datenschutz-
probleme ergeben. Abgestufte Zugriffsrechte können nur schwer und aufwendig
implementiert werden.
- Eine besondere Bedeutung spielt die Datensicherheit. Dateisysteme bieten allen-
falls die Möglichkeit, in mehr oder weniger regelmäßigen Abständen die gesam-
ten Daten zu archivieren. Im Fehlerfall kann dann eine Situation wiederhergestellt
werden, die einen zurückliegenden Zustand rekonstruiert. Veränderungen, die seit
der letzten Sicherung eingetreten sind, werden somit nicht berücksichtigt. Daher
können Datenverluste nicht ausgeschlossen werden.
- Letztlich stellt sich die Frage der Durchsetzung und Einhaltung von Standards.
So sind einheitliche Datenformate gerade für den Datenaustausch z.B. zwischen
verschiedenen Behörden und Rechnersystemen wesentlich.
Die Dateistruktur und die zugehörigen Programme sind in einem Anwendungsfall
sicher noch zu optimieren. Aufgezeigt wurden hier grundsätzliche Probleme, die
fast zwangsläufig zur Entwicklung von Datenbanksystemen führten.
8.1.3 Datenbanksysteme
Ein Datenbanksystem (DBS) besteht aus dem Datenbankverwaltungssystem oder

Datenbankmanagementsystem (DBMS) und (mehreren) Datenbanken (DB, auch
Datenbasen). Das Datenbankmanagementsystem dient als Schnittstelle zwischen
Datenbank und den Benutzern und gewährleistet, dass man in effizienter Weise und
unter zentralisierter Kontrolle auf die Daten zugreifen kann. Eine Datensicherheit
ist damit bestmöglich gegeben, die Sicherheit gegenüber Hard- und Softwarefehlern
bietet und einzelnen Anwendern unterschiedliche Zugriffsberechtigungen ermög-
licht. So werden (nur) individuelle Sichten auf die Datenbestände freigegeben. An-
wenderprogramme, die u.a. mit Hilfe von Werkzeugen des Datenbankmanagement-
systems (z.B. Eingabeeditor, Abfragemakros, Formularassistent) entwickelt wer-
den, erlauben einen effizienten Zugriff auf die Daten, ohne dass deren eigentliche
Realisation (interne Datenstruktur) bekannt ist. Allerdings ergibt sich hieraus der
Nachteil, dass der Export von Daten vom Hersteller der Software bzw. von Daten-
schnittstellen abhängig ist. Insgesamt stellt jedoch das Datenbankmanagementsys-
tem eine Vielzahl von effizienten Möglichkeiten für die Verwaltung, Bearbeitung
und Auswertung von Datenbeständen der Datenbank bereit.
Abb. 8.4: Datenbank und Datenbankmanagementsystem
Eine Datenbank ist eine strukturierte Sammlung von Daten, die einen speziellen
Ausschnitt der realen Welt vereinfacht und schematisiert repräsentiert. Die Daten
stehen dabei unter logischen Gesichtspunkten miteinander in Beziehung. Zumeist
umfasst die Datenbank (Datenbasis) daher mehrere miteinander verknüpfte Da-
teien.
Aus den Unzulänglichkeiten der Dateisysteme ergeben sich fast direkt die Ziel-
vorgaben für die zu fordernden Eigenschaften von Datenbanksystemen. Generell
müssen sämtliche Daten nach beliebigen Merkmalen oder Merkmalskombinationen
ausgewertet werden können, wobei relativ einfache Abfragemöglichkeiten mit
günstigen Auswertezeiten bestehen sollten. Ebenso gilt grundsätzlich, dass einzel-
nen Benutzergruppen unterschiedliche Nutzungsrechte eingeräumt werden können,
so dass einzelne Datenbestände nicht sämtlichen Nutzern zugänglich sein müssen.
Die weiteren Anforderungen an ein Datenbanksystem sind im Einzelnen:
- Unabhängigkeit der Daten: In einem Datenbanksystem muss die enge Verknüp-
fung und Abhängigkeit zwischen den Daten und den Anwenderprogrammen auf-
gelöst werden. Dies ist ein wesentlicher Unterschied zu einem Dateisystem. Fer-
ner ist die logische von der physischen Datenorganisation zu trennen. Dem An-
wender müssen lediglich die logischen Datenstrukturen bekannt sein. Das Ver-
waltungssystem organisiert das Hinzufügen, das Löschen, das Ändern oder das
Suchen von Datensätzen. Schließlich muss eine Unabhängigkeit von den Daten
bzw. Informationen auf der Ebene des Computersystems bestehen. So muss das
Verwaltungssystem zusammen mit dem Betriebssystem vor allem die Verwal-
tung der Peripheriegeräte und der physischen Speicher steuern.
- Redundanzfreiheit der Daten: Sämtliche Informationen sollten möglichst nur ein-
mal gespeichert werden. So wird ein optimaler Einsatz der Hardwareressourcen
gewährleistet. Vor allem wird aber die Datenpflege erleichtert, so dass die Gefahr
von Dateninkonsistenzen verringert wird.
- Optimierung der Benutzerschnittstelle: Eine leistungsfähige Benutzerschnittstelle
und optimale Werkzeuge sollen eine einfache, aber auch umfassende Handha-
bung der Datenbestände und deren Auswertung ermöglichen. Dies beinhaltet vor
allem die Benutzung im interaktiven Betrieb auf der Basis einer einfachen Pro-
grammsteuerung (z.B. Menüsteuerung, Dateneingabe über Masken mit Überprü-
fung von Eingabefehlern, Assistenten zur Erstellung von Eingabemasken und
Auswerteprogrammen). Ferner sind leistungsfähige Auswertewerkzeuge (z.B.
Such- und Sortierverfahren) zu fordern.
- Datenintegrität: Bei der Konzeption des Datenmodells müssen Inkonsistenzen in

den Daten vermieden werden. So müssen die z.B. in einem relationalen Daten-
banksystem in mehreren Tabellen gespeicherten Daten vollständig, korrekt und
somit insgesamt widerspruchsfrei sein (vgl. Kap. 8.5). Veränderungen der Daten
müssen bei Integritätsverletzungen abgelehnt werden.
- Datensicherheit: Das Datenbankmanagementsystem sollte einen Schutz vor al-
lem gegenüber Hardwareausfällen bieten. So sollte nach einem Störfall der (kor-
rekte) Anfangszustand wiederhergestellt werden können (sog. Recovery-Funkti-
onen). Ferner sollte ein Datenbankmanagementsystem Schutz vor Fehlern von
Anwenderprogrammen bieten (z.B. Programmabsturz aufgrund fehlender oder
fehlerhafter Daten).
- Datenschutz: Die in den Datenbasen gespeicherten Informationen müssen gegen-
über einem unbefugten Zugriff geschützt werden. Einzelnen Benutzergruppen
müssen unterschiedliche Nutzungsrechte auf Teilmengen der Daten eingeräumt
werden können. So können gegenüber einem Vollzugriff mit Änderungs- und
Löschmöglichkeiten auch Nur-Lese-Optionen eingerichtet werden, die nur eine
Abfrage gestatten.
- Flexibilität: Hinsichtlich Modifikation und Pflege der Daten sowie der Auswer-
teprogramme sollte eine größtmögliche Flexibilität bestehen. Die Anwenderpro-
gramme sollten neuen Anforderungen rasch angepasst werden können.
- Vielfach- bzw. Mehrbenutzerzugriff: Das Datenbankverwaltungsprogramm sollte
einen mehrfachen, d.h. gleichzeitigen Zugriff auf die Daten und die Anwender-
programme zulassen (unter Beachtung der jeweiligen Zugriffsrechte).
- Gutes Antwortzeitverhalten: Das Datenbankverwaltungsprogramm sollte die Da-
ten rasch bereitstellen, d.h. Abfragen sowie Änderungen des Datenbestands
schnell durchführen.
- Einhaltung von Standards: Die Standards betreffen vor allem den Datenaustausch
über standardisierte Datenschnittstellen. Ferner sollten die Auswertewerkzeuge
einem einheitlichen Standard entsprechen. So sollte eine standardisierte Daten-
banksprache implementiert sein.
Viele dieser Anforderungen und insbesondere die technischen Bedingungen werden
inzwischen durch leistungsfähige Datenbankmanagementsysteme erfüllt. Aller-
dings sind bei einer konkreten Anwendung nicht sämtliche Anforderungen gleich-
ermaßen zu gewährleisten. Zumeist muss ein angemessener Kompromiss gefunden
werden. Am häufigsten stehen Datenredundanz und Flexibilität oder Effizienz in
Konflikt. So ist ein vollständig normalisiertes relationales Datenbanksystem redun-
danzfrei, aber u.U. komplex oder hinsichtlich der Verknüpfungsstrukturen unüber-
sichtlich (vgl. Kap. 8.3.2). Daher ist in der Realität nur eine redundanzarme und
nicht (zwingend) redundanzfreie Speicherung anzustreben.
8.1.4 Datensichten in einem Datenbanksystem
Die Daten in einem Datenbanksystem spiegeln vereinfacht oder schematisiert einen

Ausschnitt der realen Welt wider. Ausgehend von der Realität ist vor allem zu fra-
gen, wie ein Abbild auf die Datenbasis erfolgt und wie die Fragestellungen durch
die Auswertemöglichkeiten des Datenbankverwaltungssystems bearbeitet werden

können. Je nach Standpunkt und Aufgabe eines Bearbeiters bestehen drei unter-
schiedliche Sichtweisen auf die Daten und Abstraktionsebenen der Abbildung bzw.
Modellierung. So werden nach dem in den 1970er Jahren vom ANSI eingeführten
Architekturmodell drei Sichten auf den Datenbestand unterschieden (sog. ANSI-
SPARC-Architektur, SPARC = Standards Planning and Requirements Committee
des ANSI, vgl. Saake u.a. 2018 S. 47 ff.). Den Datensichten entsprechen die drei
Ebenen oder Schichten des Datenbankentwurfs (vgl. Abb. 8.5):
- die externe Datensicht (-ebene),
- die konzeptuelle Datensicht (-ebene),
- die interne Datensicht (-ebene).
Das zugehörige Datenbankschema legt die Struktur der zu speichernden Objekte
fest. Zur Beschreibung der drei unterschiedlichen Sichtweisen oder Abstraktionse-
benen bestehen jeweils verschiedene Formalismen. Während für ein Datenbanksys-
tem jeweils nur ein internes und nur ein konzeptuelles Schema vorliegen, können
sehr verschiedene Benutzersichten auf einen einzigen Datenbestand existieren.
Abb. 8.5: Datensichten in einem Datenbanksystem
Die externe Ebene bzw. Sicht (Benutzersicht) umfasst sämtliche individuelle Sich-
ten der Anwender auf die Daten. Dabei werden diese Sichten jeweils durch eine
eigene Datenstruktur (externes Datenschema) beschrieben, die genau den Teil der
(Gesamt-)Sicht umfasst, den ein Anwender benötigt oder auf den er einen Zugriff
haben soll. Das Datenbankmanagementsystem stellt Funktionen zur Auswertung
dieses Ausschnitts aus dem Gesamtdatenbestand bereit. Die Anwender kennen in
der Regel weder die logische Struktur des Datenbestandes noch die technische Re-
alisation der Datenspeicherung. Die Benutzersicht muss dabei zwei Blickrichtungen
berücksichtigen. Zum einen ist festzulegen, welche Daten in welcher Skalierung
und Genauigkeit für eine fachliche Fragestellung benötigt werden. Zum anderen
benötigt der Anwender je nach Fragestellung und Anwendung spezifische Zugangs-
berechtigungen und Auswertemöglichkeiten.
Die konzeptuelle Ebene bzw. Sicht entwickelt für den betrachteten Ausschnitt der
realen Welt und für die zu lösende Fragestellung eine logische Datenorganisation,
die unabhängig von Hard- und Software und insbesondere von physikalischen Spei-
chermethoden ist. Die Hauptaufgabe ist, den Datenbestand zu strukturieren und zu
organisieren. Im konzeptuellen Schema wird die logische Gesamtsicht aller Daten

in der Datenbank und ihrer Beziehungen untereinander dargestellt. Auf dieser
Ebene sind auch die fachlichen Algorithmen oder Methoden festzulegen, die zur
Lösung der durch die externe Sicht vorgegebenen Aufgabenstellung benötigt wer-
den.
Die interne Ebene bzw. Sicht befasst sich u.a. mit Art und Aufbau der Daten-
strukturen (insbesondere deren Definition durch Datentypen), mit speziellen Zu-
griffsmechanismen oder mit der Anordnung der Datensätze auf den Datenträgern
(physische Datenorganisation). Somit liegt diese Ebene am nächsten zum physika-
lischen Speicher.
8.1.5 Datenmodelle
Für den Entwurf eines Datenbanksystems sind die konzeptuelle Ebene und die Ent-
wicklung eines konzeptuellen Datenschemas wesentlich. Hierdurch werden je nach
Fragestellung die benötigte Informationsmenge des betrachteten Ausschnitts der re-
alen Welt sowie die logische Datenstruktur des Datenbanksystems beschrieben. Zur
Umsetzung des konzeptuellen Schemas bestehen mehrere konkrete Datenmodelle,
für die Datenbanksysteme, d.h. Softwarelösungen, verfügbar sind:
Das hierarchische Datenmodell (z.B. IMS/DB von IBM) und das Netzwerkda-
tenmodell (z.B. UDS (Universal Datenbank System) von Siemens) werden auch als
datensatzorientierte (Record-orientierte) Datenmodelle bezeichnet. Sie haben allge-
mein nur historische und in der Geoinformatik keine Bedeutung und bleiben hier
unberücksichtigt, wohingegen relationale Datenmodelle derzeit die wichtigste
Form in kommerziellen und auch freien Datenbanksystemen (z.B. Access von
Microsoft, DB2 und Informix von IBM, Oracle Database von Oracle Corporation
bzw. Ingres, MariaDB bzw. MySQL oder SQLite) bilden.
Objektorientierte bzw. objektrelationale Datenmodelle haben in der Geoinfor-
matik vielfältige Bedeutung, da sie Geometrie- wie auch Sachdaten speichern und
insbesondere verarbeiten können. Sie erweitern sachdatenbezogene Datenbanksys-
teme durch ihre Analysefunktionen von Geometriedaten hin zu Geoinformations-
systemen (vgl. Oracle Spatial von Oracle Corporation bzw. als freie Systeme die
objektrelationale Datenbank PostgreSQL mit der Erweiterung PostGIS zur Verwal-
tung und Analyse von Geodaten, vgl. Kap. 8.7).
8.2 Datenbankentwurf mit ER-Modellierung
8.2.1 Modellierungskonzepte
Der Erarbeitung eines Anforderungsprofils einer Datenbankanwendung schließt

sich der konzeptuelle Entwurf an. In dieser gerade für die Anwender wichtigen
Phase wird die Informationsstruktur auf einer konzeptuellen, d.h. anwenderorien-
tierten Ebene definiert. Am häufigsten wird zur Modellierung auf der konzeptuellen
Datenbankentwurf mit ER-Modellierung 337
Ebene das sog. Entity-Relationship-Modell (ER-Modell) verwendet, das als abstrak-

tes Modell eines Ausschnitts der realen Welt zu verstehen ist. Ein ER-Modell ist
dabei aus (mindestens) drei unterschiedlichen Elementen aufgebaut (vgl. eingehen-
der Kap. 8.2.4): aus den sog. Entities (d.h. den Gegenständen), den Attributen und
den sog. Relationships (d.h. den Beziehungen zwischen den Gegenständen). Hier-
durch und insbesondere durch die graphische Veranschaulichung in Form sog. En-
tity-Relationship-Diagramme (ER-Diagramme) wird ein Datenmodell entwickelt,
das vor der technischen Umsetzung zunächst alle wichtigen Datenstrukturen offen-
legt, die bei einer schnellen und eher unbedarften Datenbankprogrammierung häu-
fig vernachlässigt werden. Somit wird unterstützt, dass die angeführten Zielvorga-
ben für Datenbanksysteme erreicht werden.
Häufig wird betont, dass der Entwurfsschritt mittels ER-Modellierung unabhän-
gig vom eingesetzten Datenbanksystem erfolgt. Erst im nachfolgenden Implemen-
tierungsschritt wird das Datenmodell des konkreten Datenbankmanagementsystems
berücksichtigt. So gehört die ER-Modellierung (auch) zu den allgemeinen Metho-
den der Systemanalyse (vgl. Kap. 3.5.2). Allerdings wird in der Praxis durch eine
ER-Modellierung das spätere Datenmodell faktisch vorgegeben, da Entity-Relati-
onship-Modelle sich hervorragend zur Umsetzung in relationale Datenmodelle und
relationale Datenbanksysteme eignen.
Anhand eines Anwendungsbeispiels aus einer Umweltbehörde können die Be-
griffe und Konzepte verdeutlicht werden: Ein Brunnenkataster, das zur Überwa-
chung von Trinkwasserbrunnen und insbesondere von privaten Hausbrunnen einer
Gemeinde dient und deren Wasserproben von verschiedenen Laboren untersucht
werden, soll mit Hilfe eines Datenbanksystems modelliert werden (vgl. Kap. 8.2.5).
8.2.2 Entities und Attribute
Entities (engl. Wesen, Ding) sind wohlunterscheidbare Objekte der realen Welt
(z.B. Geoobjekte wie ein konkreter Trinkwasserbrunnen oder die Messstation So-
estwarte, aber auch z.B. die Person Herr Müller). Die einzelnen Entities, die ähnlich,
vergleichbar oder zusammengehörig sind (z.B. alle Trinkwasserbrunnen einer Ge-
meinde), werden zu einem Entity-Typ (auch Entity-Set) zusammengefasst.
Entities besitzen Eigenschaften oder Attribute (z.B. Name eines Gewerbegebie-
tes, Nitratgehalt einer Wasserprobe), wobei die konkreten Merkmalsausprägungen
als Attributwerte (kurz Werte, engl. values) bezeichnet werden. Der Wertebereich
oder die Domäne (engl. domain oder value-set) umfasst sämtliche mögliche oder
zugelassene Merkmalsausprägungen.
Die Gegenstände der Beispielaufgabe lassen sich dann mit Hilfe der Datenbank-
terminologie beschreiben:
Entity-Typ Trinkwasserbrunnen der Gemeinde A
Entities Brunnen im Geisterholz, Brunnen von Landwirt L
Attribute BrunnenName, x-Koordinate, Nitratgehalt in mg
Domain Integerzahlen der Länge 5, String der Länge 20
Attributwerte 12345, Geisterholzbrunnen
Der Name eines Entity-Typs sowie die zugehörigen Attribute sind zeitinvariant.
Demgegenüber sind der Inhalt eines Entity-Typs und die einzelnen Attributwerte
zeitabhängig. Attribute können einwertig, mehrwertig sowie zusammengesetzt sein.
Anstelle von einwertigen spricht man auch von atomaren Attributen, die nicht wei-
ter zerlegbare Werte besitzen. So kann im vorliegenden Beispiel ein Brunnen meh-
rere Besitzer aufweisen (mehrwertiges Attribut). Auch die Adresse ist im Normal-
fall ein zusammengesetztes Attribut aus z.B. dem Namen der Stadt, der Straße, der
Hausnummer sowie der Postleitzahl.
Abb. 8.6: Entity-Typ mit Attributen (Chen-Notation)
8.2.3 Relationships
Verschiedene Entities können untereinander Beziehungen (engl. relationships) auf-

weisen. In dem im Kapitel 8.2.1 angerissenen Anwendungsbeispiel besteht z.B. eine
Beziehung zwischen den Brunnen und den Analysewerten: Die Brunnen besitzen
spezielle Analysewerte. Von Interesse sind beim konzeptuellen Datenbankentwurf
weniger die Beziehungen zwischen den Attributen einzelner Entities als vielmehr
diejenigen zwischen Entity-Typen. So wird die Menge der Beziehungen zwischen
Entity-Typen als Relationship-Typ bezeichnet. Analog zu den Überlegungen hin-
sichtlich Entities und deren Attributen sind der Name einer Beziehung sowie deren
Beschreibung zeitinvariant, während deren konkreter Inhalt (z.B. „Wasserprobe
von Brunnen 3 weist 50 mg Nitrat auf“) zeitabhängig ist.
Abb. 8.7: Darstellung einer Beziehung in einem Entity-Relationship-Diagramm (CHEN-Notation)
Eine konkrete Beziehung kann jeweils einem Relationship-Typ oder Beziehungstyp

zugeordnet werden. Seien A und B Entity-Typen und R eine Relation R(a,b), dann
gilt (vgl. Abb. 8.8 u. Anwendungsbeispiele in Kap. 8.2.5):
1:1–Typ: one-to-one-Relationship
Zu jedem a aus A gibt es genau ein b aus B mit R(a,b) (und umgekehrt).
Beispiel: Flurstücke in einem Gewerbeflächenkataster (Entity-Typ A)
und Bewertungen Merkmale (Entity-Typ B), jedes Flurstück hat einer-
seits Angaben zur Flur wie Flurname, Größe und Umfang sowie ande-
rerseits Angaben wie Grundsteuer oder Pachtzins. Beide Entity-Typen
könnten redundanzfrei zusammengefasst werden.
n:1–Typ: many-to-one-Relationship
Zu jedem b aus B gibt es ein oder mehrere ai aus A mit R(ai,b).
Beispiel: n verschiedene Flurstücke (Entity-Typ A) und Ausweisung
nach der Baunutzungsverordnung (BauNVO) im Flächennutzungsplan
(Entity-Typ B), jedes Flurstück ist nur genau einer Kategorie der
BauNVO als z.B. GE- oder SO-Gebiet zugeordnet. Der Entity-Typ B
„erläutert“ einige Attributwerte des Entity-Typen A. Diese Relation kann
als Bildung einer Legende verstanden werden.
n:m–Typ: many-to-many-Relationship
Zu jedem a aus A gibt es ein oder mehrere bi aus B mit R(a,bi) und
zu jedem b aus B gibt es ein oder mehrere aj aus B mit R(aj,b).
Beispiel: Flurstücke (Entity-Typ A) und Besitzer (Entity-Typ B), jedes
Flurstück kann einem oder mehreren Besitzern gehören, ein Besitzer
kann eines oder mehrere Flurstücke besitzen.
Der Beziehungstyp bzw. die Komplexität oder Kardinalität der Beziehung gibt an,
wie viele Entities des zweiten Entity-Sets mit einer bestimmten Entity des ersten
Entity-Sets in Beziehung stehen können (bzw. dürfen oder müssen).
Abb. 8.8: Beziehungstypen (Relationship-Typen)
Beziehungen können auch eigene Attribute besitzen, die Eigenschaften der Bezie-
hung ausdrücken. In dem Anwendungsbeispiel (vgl. Kap. 8.2.5 u. Abb. 8.10) sollen
die Brunnen von Laboren überprüft werden, wobei die Beziehung „prüfen“ z.B.
durch den Zeitraum der Zuständigkeit näher beschrieben werden kann. Beziehun-
gen können mehr als zweistellig sein. So wäre z.B. die dreistellige Beziehung „lie-
fern“ zwischen Probennehmer, Proben und Labor denkbar. Probennehmer nehmen
Proben von einem Brunnen und liefern sie an ein Labor. Zugelassen werden müsste,
dass ein Probennehmer mehrere Proben (eines Brunnens) an verschiedene Labore
ausliefert, die sich auf besondere Analyseverfahren spezialisiert haben. Dieser kom-
plexere Fall bleibt aber zumeist aus Vereinfachungsgründen ausgeklammert. Somit
erfolgt in der Regel eine Beschränkung auf die besonders wichtigen zweistelligen
Beziehungen, mit denen sich im Übrigen mehrstellige Beziehungen auflösen lassen.
8.2.4 Entity-Relationship-Diagramme
Zur graphischen Umsetzung von Entity-Typen und vor allem der zugehörigen Be-
ziehungstypen werden besondere Diagrammtypen verwendet. Diese Entity-Relati-
onship-Diagramme (ER-Diagramme) sind die graphische Darstellung der konzep-
tuellen Datenmodellierung. Sie beschreiben einen Ausschnitt der realen Welt. Der-
zeit bestehen verschiedene Darstellungsformen, wobei trotz einzelner graphischer
Unterschiede die Kernaussagen fast identisch sind. Abbildung 8.9 modelliert bzw.
veranschaulicht graphisch die Situation, dass ein Flurstück in genau einer Gemeinde
liegt, wobei eine Gemeinde mehrere Flurstücke besitzt.
Abb. 8.9: Notationsformen in ER-Diagrammen
Sehr häufig ist die sog. Chen-Notation (benannt nach dem Entwickler der ER-
Diagramme) bzw. die Modifizierte Chen-Notation (Erweiterung um die Darstellung
von Attributen) anzutreffen. In dieser Darstellungsvariante werden der Name eines
Entity-Typs als Rechteck sowie die Attribute als Kreise oder Ellipsen dargestellt,
die durch ungerichtete Kanten mit dem zugehörigen Rechteck verbunden werden.
Doppelkreise bzw. Doppelellipsen kennzeichnen mehrwertige Attribute, ungerich-
tete Kanten verbinden zusammengesetzte Attribute mit ihren Komponenten. Eine
Beziehung wird durch eine Raute dargestellt, die durch Kanten mit den zugehörigen
Entity-Typen verbunden ist (vgl. Abb. 8.7 u. 8.9). Entsprechende Beschriftungen
verdeutlichen den Beziehungstyp.
Die IDEF1X-Notation kennzeichnet einen langjährigen Standard der US-
Behörden. Die Bachman-Notation geht auf einen Pionier von Datenbanksystemen
zurück, d.h. vor allem des Netzwerkdatenmodells. Verfügbar sind viele graphische
Werkzeuge (d.h. Programme) zur Erstellung von ER-Diagrammen, die häufig in
Programmsystemen zur Entwicklung von Datenbanken integriert sind (vgl. z.B. die
Freie Software MySQL-Workbench vgl. Abb. 8.11). Inzwischen hat sich UML
(Unified Modeling Language) zu einem Standard für die Modellierung von Soft-
waresystemen, d.h. zur objektorientierten Modellierung, entwickelt. Hierbei umfas-
sen die sog. Klassen den eigentlichen Kern der Modellierungssprache. Dementspre-
chend werden Datenbankmodelle durch Klassendiagramme dargestellt, wobei wei-
tergehende Konzepte der Datenmodellierung bestehen (vgl. z.B. Spezialisierung).
Im Unterschied zu den anderen Formen werden Attribute (und Methoden, hier Ope-
rationen genannt) innerhalb des Klassenkastens angefügt (vgl. Abb. 8.9 ohne Me-
thoden, zu UML vgl. Gumm u. Sommer 2013 S. 840 ff.).
8.2.5 Konzeptueller Datenbankentwurf an einem Beispiel
Anhand eines Anwendungsbeispiels soll der konzeptuelle Datenbankentwurf mit

Hilfe von Entity-Relationship-Diagrammen aufgezeigt werden. In einer Gemeinde
wird ein Kataster der im Gemeindegebiet vorhandenen Brunnen aufgebaut, in das
neue, aber auch vorhandene Daten übernommen werden sollen. In regelmäßigen,
aber von Brunnen zu Brunnen unterschiedlichen zeitlichen Abständen werden Was-
serproben entnommen, die in Laboren ausgewertet werden. Die Wasserprobe eines
Brunnens wird (nur) von einem Labor analysiert. Die einzelnen Brunnen werden
jeweils auf unterschiedliche Parameter wie z.B. Nitrat- oder Cadmiumgehalt unter-
sucht. Der Analyseumfang, d.h. die Zahl der für eine Wasserprobe durchzuführen-
den Analysen, und damit die Zahl der ermittelten Werte können für die Brunnen
jeweils durchaus unterschiedlich groß sein. Seit Bestehen des Katasters können die
Brunnen nacheinander von mehreren Laboren betreut worden sein. Die Zuständig-
keit einzelner Labore könnte somit gewechselt haben. Ferner sind einzelne Labore
erst zwischenzeitlich entstanden, manche sind mittlerweile geschlossen worden.
Obschon eine sehr realitätsnahe Aufgabenstellung vorliegt, sind (hier) Vereinfa-
chungen vorgenommen worden. So werden nicht sämtliche denkbare Strukturen
dargestellt: Für die Analytik eines Brunnens ist jeweils nur ein Labor zuständig.
Mehr als zweistellige Beziehungen bestehen nicht. Teilmengenbeziehungen werden
nicht berücksichtigt. Ebenfalls bleiben Konzepte, die sich mit den Begriffen Nor-
malformen oder Schlüsselattribute verbinden, noch ausgeklammert (vgl. Kap.
8.3.2). Trotz dieser Vereinfachungen liegen hier Grundelemente eines Datenbank-

entwurfs vor, die (beliebig) auf andere Fragestellungen übertragen und dann ausge-
weitet werden können (z.B. Altlastenkataster, Biotopkataster).
Der Entwurf des Entity-Relationship-Diagramms geht schrittweise vor, wobei
das Prinzip der schrittweisen Verfeinerung umgesetzt wird (vgl. Kap. 3.5.2, zum
Ergebnis vgl. Abb. 8.10):
Im ersten Schritt erfolgt die Definition der Entity-Typen. Das Diagramm besteht
nur aus Rechtecken für die Entity-Typen „Brunnen“, „Labore“, „Analysewerte“
und „Parameter“. Dies erscheint auf den ersten Blick etwas unverständlich. So sol-
len mit einem Analysewert nur eine Kurzbezeichnung des erhobenen Merkmals und
das Analysedatum gespeichert werden. Die Kurzbezeichnung des Parameters wie
z.B. „Nitrat1“ wird im Entity-Typ „Parameter“ ausführlich beschrieben, d.h. mit
Angabe der Messeinheit, des Grenzwertes, weiteren Beschreibungen und Kenn-
zeichnung, welches Analyseverfahren angewandt wird. Falls im Laufe des Einsat-
zes ein neues Verfahren zum Einsatz kommt, wird z.B. der Parameter „Nitrat2“
eingeführt. Somit werden Redundanzen vermieden. Zwar werden erst im nächsten
Schritt die Attribute dem Diagramm zugefügt, jedoch sind wesentliche konzeptio-
nelle Überlegungen bereits jetzt schon zu treffen.
Im zweiten Schritt kommen die Attribute der Entity-Typen hinzu. Jetzt werden
dem Diagramm die Ellipsen mit den Attributnamen hinzugefügt. Aus Vereinfa-
chungsgründen werden allerdings in der Abbildung 8.10 die Attribute nur unvoll-
ständig bzw. nach Datensegmenten gruppiert aufgeführt. So gehören z.B. zum En-
tity-Typ „Brunnen“ die Attribute BrunnenID (eindeutiger Identifikator), Brunnen-
Name, Name der zugehörigen TK25, x-Koordinate des Standorts, y-Koordinate des
Standorts, Stadt, PLZ oder auch der Rohr-/Schachtdurchmesser des Brunnens.
Der dritte Schritt führt Beziehungen ein. In das Diagramm werden Verbindungs-
linien zwischen den entsprechenden Entity-Typen eingezeichnet.
Im vierten Schritt werden Attribute an die Beziehungen angefügt. Im vorliegen-
den Beispiel ist nur die Beziehung zwischen „Brunnen“ und „Laboren“ mit Attri-
buten zu versehen, die vor allem die zeitliche Betreuung modellieren.
Im fünften und letzten Schritt werden lediglich noch die Mengenbeziehungen,
d.h. die Kardinalitäten der Beziehungen, eingefügt.
Das Entity-Relationship-Modell zeigt für die Beispielaufgabe:
- Zwischen den Entity-Typen „Brunnen“ und „Analysewerte“ besteht eine 1:n-Be-
ziehung. Ein Brunnen besitzt n Analysewerte, aber ein Analysewert gehört zu
genau einem Brunnen.
- Die n:m-Beziehung zwischen den Entity-Typen „Brunnen“ und „Labore“ defi-
niert die Zuständigkeiten, welches Labor für welchen Brunnen die Analysever-
fahren durchführt. Hierbei wird angenommen, dass ein Labor mehrere Brunnen
überprüft und dass mehrere Labore einem Brunnen zugeordnet sind (zeitlich
wechselnde Zuständigkeiten).
- Die 1:n-Beziehung zwischen den Entity-Typen „Parameter“ und „Analysewerte“
erläutert die Parameternamen und somit die Analysewerte. Zu einem Parameter
kann noch der zugehörige Grenzwert abgespeichert werden, so dass eine genaue
Bewertung eines einzelnen Analysewertes erfolgen kann.
Das relationale Datenmodell 343
Abb. 8.10: Entity-Relationship-Diagramm der Beispielaufgabe
8.3 Das relationale Datenmodell
8.3.1 Aufbau einer relationalen Datenbasis
Das relationale Datenmodell, das auf einem theoretischen Fundament von Codd
(vgl. Codd 1970, 1990) aufbaut, ist seit Mitte der 80er Jahre zum Standard kom-
merzieller Datenbankverwaltungssysteme geworden. Grundlegend ist die Umset-
zung einer Relation, die hier die einzig mögliche Datenstruktur liefert. Formal ist
eine n-stellige Relation R eine Teilmenge der Produktmenge A1 x A2 x ... x An (hier:
A1, ..., An Attribute). Dabei wird einem Datenbanksystem nur die Produktmenge
der Wertebereiche der n verschiedenen Attribute zugrunde gelegt:
R = { (a1,a2, ..., an) | a1 A1, a2 A2, ..., an An} A1 x A2 x A3 x ... x An
Ein Tupel (b1,b2, ..., bn) von n Attributwerten beschreibt genau ein Entity.
Eine derartige Relation kann anschaulich durch eine zweidimensionale Tabelle dar-
gestellt werden. Beim relationalen Datenmodell wird also der gesamte Datenbe-
stand durch einfache Tabellen verwaltet. Hierbei entspricht eine Relation bzw. eine
Tabelle einem Entity-Typ, eine Spalte einer Tabelle definiert ein Attribut, eine Zeile
einer Tabelle beschreibt ein Entity und entspricht einem logischen Datensatz. Ein
Attribut oder eine Attributkombination dient zur eindeutigen Identifizierung eines
Entities, so dass niemals zwei identische Reihen bestehen können. Die Reihenfolge
der Zeilen und Spalten ist beliebig.
Die Tabellen 8.1 und 8.2 verdeutlichen die Prinzipien. Die Tabellen beschreiben
die Lage und Anschrift der Brunnen und der Labore. Ferner enthält die Tabelle 8.1
Informationen, welches der Labore für die Brunnen zuständig ist. Allerdings muss
schon jetzt darauf hingewiesen werden, dass der Aufbau der Tabelle 8.1. nicht op-
timal ist (vgl. Wiederholungen der Labornamen und Telefonnummern in Abhän-
gigkeit der Labornummer, zur Bewertung von Optimalität vgl. Kap. 8.3.2).
Die Beispieltabellen benötigen Schlüsselfelder (vgl. Kap. 8.1.1). So müssen sich
unter den Attributen besondere Merkmale befinden, die einzeln oder in Kombina-
tion miteinander eindeutig genau ein Entity, d.h. beim relationalen Datenmodell
eine Tabellenzeile kennzeichnen. Identifikationsschlüssel sind das Attribut „B-Nr.“
in Tabelle 8.1 sowie das Attribut „L-ID“ in Tabelle 8.2. Das Attribut „Labor-Nr.“
ist ein Fremdschlüssel in Tabelle 8.1 (zugehörig zum Identifikationsschlüssel in
Tab. 8.2).
Tabelle 8.1: Entity-Typ Brunnen der Beispielaufgabe aus Kapitel 8.2.5

B-Nr. Lage B-Adresse B-Name Labor-Nr. L-Name Telefon
... ... ... ... ...
33 10,44 Astadt, Xstrasse Geisterholz 10 Aqua-pro 0123-7711
2 12,43 Astadt Faulwasser 28 Wassermann 0123-4567
4 14,33 Blautobel 29 R-Tec 0321-8899
1314 13,35 10 Aqua-pro 0123-7711
1315 13,36 10 Aqua-pro 0123-7711
2903 11,42 Fuchs 28 Wassermann 0123-4567
Tabelle 8.2: Entity-Typ Labore der Beispielaufgabe aus Kapitel 8.2.5

L-ID L-Name L-Adresse Telefon
10 Aqua-pro Astadt Zweg 3 0123-7711

28 Wassermann Astadt Astrasse 27 0123-4567
29 R-Tec Bstadt Xweg 19 0321-8899
Die Identifikationsschlüssel mehrerer Tabellen in einer relationalen Datenbank ha-

ben neben der eindeutigen Zugriffsmöglichkeit auf ein Entity, d.h. auf eine Tabel-
lenzeile, eine weitere wichtige Funktion. Durch Schlüssel werden verschiedene Ta-
bellen verknüpft, also letztlich die Beziehungen zwischen den Entity-Typen des
ER-Diagramms dargestellt. Die Realisation der Verknüpfungen erfolgt somit soft-
waretechnisch bzw. datentechnisch und nicht durch Angabe bzw. Verwaltung ab-
soluter Speicheradressen. Hierdurch ergeben sich erhebliche Vorteile. Das Daten-
modell ist somit invariant gegenüber Veränderungen der Systemumgebung (d.h.
Veränderung der physikalischen Speicherstruktur, Betriebssystemwechsel). Unter
Ausnutzung derartiger Verknüpfungen sind ein (gleichzeitiger) Zugriff auf mehrere
Relationen (Tabellen) und somit eine sehr effiziente Auswertung der Daten mög-
lich.
Das relationale Datenmodell ist aus Anwendersicht erheblich einfacher und an-
schaulicher sowie flexibler als das hierarchische Modell oder das Netzwerkmodell.
Die Verwendung von Tabellen oder das Denken in Tabellen ist die weitgehend üb-
liche Form des Arbeitens mit Daten. Die Verknüpfung von Tabellen über Schlüs-
selfelder sowie auch das Einhalten von Normalformen (vgl. Kap. 8.3.2) erfolgen
fast intuitiv oder sind rasch erlernbar. Insbesondere kann ein Entity-Relationship-
Diagramm direkt in das Relationenmodell transformiert werden (vgl. Kap. 8.3.3).
Somit besteht eine enge Verzahnung zwischen dem konzeptuellen Datenbankent-
wurf und der programmtechnischen Umsetzung. Ferner hat sich für relationale Da-
tenbankverwaltungssysteme eine Standarddatenbanksprache etabliert (SQL =
Structured Query Language, vgl. Kap. 8.4.3). Insbesondere liegen für verschiedene
Hardwareplattformen sehr viele kommerzielle und auch proprietäre Datenbanksys-
teme vor, die sämtlich als technisch ausgereift gelten können.
8.3.2 Normalformen
Die Tabellen 8.1 und 8.2 verdeutlichen zwar schon Relationen und zeigen das Prin-
zip, wie Verknüpfungen zwischen Tabellen dargestellt werden können. Allerdings
ist die Tabellenstruktur noch nicht optimal. Im Anwendungsfall ist eine Vermeidung
von Datenredundanzen anzustreben. So entstehen durch mehrfache Speicherung oder
suboptimale Strukturierung ein hoher Speicherbedarf sowie ein langsamerer Zugriff
auf die Daten oder Auswertemöglichkeiten. Insbesondere können Probleme bei der
Datenpflege auftreten (mehrfaches Update, Konsistenthalten der Daten). Da in beiden
Tabellen die Namen der Labore und die Telefonnummern vorgehalten werden, tre-
ten Redundanzen auf. Kritisch ist vor allem der Aufbau der Tabelle 8.1. Die Angabe
der Anschlussnummer muss für ein Labor jeweils identisch sein. Bei einer Ände-
rung der Telefonverbindung eines Labors müsste die Aktualisierung mehrmals
durchgeführt werden. In beiden Fällen bestehen erhebliche Fehlerquellen. Dabei
sind in der Tabelle 8.1 der Laborname und die Telefonnummer überflüssig, die über
eine Verknüpfung mit der Tabelle 8.2 zu erhalten sind. Häufig sind aber viel mehr
Merkmale redundant vorhanden. Vor dem Hintergrund derartiger Strukturierungs-
probleme wurde das Konzept der Normalformen entwickelt, die als Optimierungs-
kriterien für relationale Datenbanken zu benutzen sind. Ein Hauptanliegen beim
Entwurf einer relationalen Datenbank ist, die Tabellen zu normalisieren und
dadurch Redundanzen zu verringern.
Tabelle 8.3 verdeutlicht eine Relation, wie sie leider häufig anzutreffen ist, die
aber aus der Sicht der Datenmodellierung von relationalen Datenbanken völlig un-
sinnig ist! Sie zeigt die Analysewerte für die verschiedenen Brunnen, jede Analyse
wird durch ein Attribut wiedergegeben. Hierbei bleiben manche Zellen in der Ta-
belle leer, da nicht immer sämtliche Analyseverfahren durchgeführt werden und für
verschiedene Brunnen der jeweilige Untersuchungsumfang recht unterschiedlich
ist. Ferner sind nur wenige Attribute zur Speicherung der Analysewerte vorgesehen.
Sind an einem Brunnen weitere Parameter zu analysieren, muss das Datenmodell
geändert werden. Auch wird Speicherplatz verschenkt, wenn für viele Brunnen nur
wenige Parameter zu messen sind. Die Probleme vervielfachen sich, wenn Analy-
sewerte aus mehreren Analysekampagnen zu speichern sind. Die unterschiedlichen
Messreihen durch Datumsangaben in den Attributnamen zu verdeutlichen, stellt
keine Lösung dar (Verquickung von Datenstruktur und Inhalt). Vor allem kann eine
Tabelle in Datenbankmanagementsystemen nicht um beliebig viele Attribute nach
rechts erweitert werden. Zudem sind Datenbankabfragen umständlich zu realisie-
ren. Falls z.B. ermittelt werden soll, ob an einem bestimmten Brunnen ein Parameter
erhoben wird, müssen jeweils sämtliche (Attribut-)Felder der Datenbank nach Wer-
ten durchsucht werden.
Tabelle 8.3: Beispiel einer ungünstig strukturierten Relation bzw. Tabelle

B-Nr. Nitrat_ Nitrit_ Cad- PAK_ Nitrat_ Nitrit_
01.07.96 01.07.96 mium_ 01.07.96 03.07.97 03.07.97
01.07.96
1 52 0,05 0,006 0,00017 54 0,05
2 50 0,051 0,00012 49 0,05
3 51 0,001 0,00009 55
4 50 49
5 52 0,00015
6 49 0,00017
7 52
Eine derartige Tabelle ist in der Regel nicht das Ergebnis einer konzeptuellen Da-
tenmodellierung mit einem Entity-Relationship-Diagramm. Das Konzept der Nor-
malformen hilft, derartige Fehler auszuschließen.
Eine Relation befindet sich in erster Normalform, wenn jedes Attribut elementar
oder atomar, d.h. unzerlegbar ist. Die Relationen bzw. Tabellen 8.1 und 8.2 befin-
den sich nicht in der ersten Normalform. Die Attribute „Lage“ und „B-Adresse“
sowie „L-Adresse“ sind nicht atomar. Stattdessen liegen Wertelisten vor, die z.B.
aus den Bestandteilen „Geogr. Länge“ und „Geogr. Breite“ bestehen. Sinnvoller-
weise werden die Attribute atomisiert, so dass dann z.B. eine Sortierung nach der
Geographischen Länge möglich ist (vgl. Tab. 8.4).
Eine Relation befindet sich in zweiter Normalform, wenn sie die erste Normal-
form besitzt und zusätzlich jedes Attribut, das nicht selbst zum Identifikations-
schlüssel gehört, voll funktional vom gesamten Identifikationsschlüssel abhängig
ist. Tabelle 8.5, die die Analysewerte der Brunnen mit den zugehörigen Erläuterun-
gen der Werte enthält, befindet sich zwar in erster, aber nicht in zweiter Normal-
form. Hier liegt ein zusammengesetzter Identifikationsschlüssel vor, der aus den
Attributen „B-Nr.“, „Datum“ und „ParameterName“ besteht. In dieser Relation sind
die Attribute „Messeinheit“ (Maßeinheit des gemessenen Parameters) und „Grenz-
wert“ jeweils Nicht-Schlüsselattribute, die aber nur von dem Attribut „Parameter-
Name“ abhängen. Diese Attribute sind somit nicht voll funktional abhängig vom
(gesamten) Identifikationsschlüssel. Um die zweite Normalform zu erreichen, muss
die Tabelle weiter zerlegt werden (vgl. Tab 8.6 u. 8.7).
Tabelle 8.4: Beispiel einer Relation in erster Normalform

B-Nr. X-Koord. Y-Koord. PLZ Stadt Strasse Nr.
1 10 44 311 Astadt X-Weg 1

2 12 43 12312 Astadt Y-Strasse 33
... ... ... ... ... ... ...
Tabelle 8.5: Beispiel einer Relation in erster, aber nicht in zweiter Normalform
B-Nr. Datum Wert ParameterName Analyseverfahren Messeinheit Grenzwert
... ... ...

2 1.6.2000 52 Nitrat A-NO3-1 mg/l 50
2 1.6.2000 0,05 Nitrit A-NO2-1 mg/l 0,1
2 1.6.2000 0,006 Cadmium A-Cd-1 mg/l 0,005
... ... ...
2 2.5.2001 0,00017 PAK A-PAK-1 mg/l 0,0002
2 2.5.2001 54 Nitrat A-NO3-1 mg/l 50
Tabelle 8.6: Zerlegung von Tabelle 8.5 in „Analysewerte“ (Vorliegen 2. Normalform)

B-Nr. Datum Wert ParameterName
... ... ...
2 1.6.2000 52 Nitrat
2 1.6.2000 0,05 Nitrit
2 1.6.2000 0,006 Cadmium
... ... ...
2 2.5.2001 0,00017 PAK
2 2.5.2001 54 Nitrat
Tabelle 8.7: Zerlegung von Tabelle 8.5 in „Parameterbeschreibungen“ (Vorliegen 2. Normalform)

Parameter- Mess- Parameter- Grenz- Anmerkung
Name einheit beschreibung wert
Nitrat mg/l 50
Nitrit mg/l 0,1
Cadmium mg/l 0,005
CKW mg/l Organische 0,01 Grenzwert für sämtliche Verbindungen,
Chlorverbindungen Tetrachlormethan max. 0,003 mg/l
PAK mg/l Polycycl. aromatische 0,0002
Kohlenwasserstoffe
Eine Relation befindet sich in dritter Normalform, wenn sie die zweite Normalform
besitzt und zusätzlich kein Attribut (außerhalb des Identifikationsschlüssels) transi-
tiv von einem Identifikationsschlüssel abhängig ist. Hierdurch wird nicht zugelas-
sen, dass lediglich indirekte oder übertragene (d.h. transitive) Abhängigkeiten eines
Attributs vom Primärschlüssel bestehen. So befindet sich die Tabelle 8.1 nicht in
der 3. Normalform. Das Attribut „L-Name“ gehört nicht zum Identifikationsschlüs-
sel der Relation. Der Laborname ist nur von dem Attribut „Labor-Nr.“ abhängig,
erst dieses Attribut ist vom Identifikationsschlüssel (B-Nr.) abhängig. Somit liegt
eine transitive Abhängigkeit von einem Identifikationsschlüssel vor. Bei gleicher
Zugehörigkeit mehrerer Brunnen zu einem Labor werden die Bezeichnungen wie-
derholt. Die transitive Abhängigkeit weist also auf Redundanzen hin. Um die Tabelle
8.1 zu optimieren und die dritte Normalform zu erreichen, muss sie neben der Atomi-
sierung der Attribute weiter zerlegt werden. Die Lösung liefert bereits die Tabelle 8.2
(bis auf die Atomisierung der Adresse), wobei aus der Tabelle 8.1 die Attribute „L-
Name“ und „Telefon“ herausgenommen werden. Tabellen 8.6 und 8.7 normalisieren
Tabelle 8.5.
Über die dritte Normalform, deren Vorliegen anzustreben ist (vgl. Saake u.a.
2018 S. 179 ff.), bestehen weitere Normalformen. Zusammenfassend gilt eine Kette
von Inklusionen, wobei mit BCNF die Boyce-Codd-Normalform bezeichnet wird.
5. NF 4. NF BCNF 3. NF 2. NF 1. NF
Hohe praktische Bedeutung hat die Bedingung, die das Vorliegen der 5. Normal-
form garantiert (vgl. Vossen 2008 S. 274): Ist eine Relation in der 3. Normalform
und ist jeder Schlüssel einfach (d.h. er besteht nur aus einem Attribut), dann befindet
sich diese Relation in der 5. Normalform. Somit werden in der Praxis bei einfachen
numerischen IDs nur die ersten drei Normalformen beachtet.
Insgesamt stellen die Normalformen Kriterien dar, die zur Beurteilung eines re-
lationalen Datenbanksystems herangezogen werden können. Allerdings entstehen
durch die Auftrennungen viele kleine Tabellen, so dass letztlich das Datenmodell
recht unübersichtlich werden kann. Der Anwender sollte aber gar nicht auf die Ta-
belle selbst schauen müssen. Ein Zugriff bzw. eine Auswertung sollte mit Hilfe ei-
ner komfortablen Abfragesprache erfolgen, so dass die Art der Speicherung für den
Anwender unerheblich sein sollte (vgl. Kap. 8.4.3).
8.3.3 Transformation eines ER-Diagramms in das Relationenmodell
Das Entity-Relationship-Diagramm zum Brunnenkataster (vgl. Abb. 8.10) soll (in

Teilen) in ein relationales Datenbanksystem transformiert werden. Dabei werden
jeder Entity-Typ und jede Beziehung in eine Tabelle transformiert, da im Relatio-
nenmodell grundsätzlich nur das Konzept der Tabellen zur Verfügung steht. Wäh-
rend die Umsetzung der Entity-Typen in Tabellen bereits mehrfach erläutert wurde
(vgl. Kap. 8.3.1 u. 8.3.2), steht jetzt die Transformation der Beziehungs-Typen im
Mittelpunkt:
Eine 1:1-Beziehung ist einfach zu realisieren. In dem vorliegenden Anwen-
dungsbeispiel könnte nachträglich eine 1:1-Beziehung zwischen dem Entity-Typ
„Brunnen“ und einem neuen Entity-Typ „Brunneneigenschaften“ mit den Attribu-
ten „Art der Entnahmestelle“ oder „Mächtigkeit der Filterlage“ eingefügt werden.
Jede Zeile in der Tabelle „Brunnen“ (vgl. Tab. 8.1) entspricht dann genau einer
Zeile in der neuen Tabelle „Brunneneigenschaften“, die Verknüpfung vollzieht sich
über das Attribut „B-Nr.“. Zwar könnte das Ziel auch dadurch erreicht werden, dass
die Tabelle „Brunnen“ direkt um zusätzliche Attribute ergänzt wird. Auf der kon-
zeptuellen Seite des Datenbankentwurfs ist aber zu überlegen, ob zeitabhängige von
den zeitunabhängigen Merkmalen wie z.B. der Standortdefinition zu trennen und in
verschiedenen Tabellen vorzuhalten sind.
Im vorliegenden Anwendungsbeispiel kommt der 1:n-Beziehung „besitzen“ zwi-
schen den Entity-Typen „Brunnen“ und „Analysewerte“ eine zentrale Bedeutung
zu. Jeder Brunnen hat eine unterschiedliche Anzahl von Analyseergebnissen. Eine
Umsetzung, bei der genau eine Zeile für jeden Brunnen steht und bei der die Spalten
die Analysewerte aufnehmen, stellt keine Lösung dar (vgl. Tab. 8.3). Dies ist vor
allem darauf zurückzuführen, dass völlig unklar ist, wie viele Analyseereignisse er-
wartet werden. Daher wird im vorliegenden Anwendungsbeispiel der Entity-Typ
„Analysewerte“ einzig sinnvoll in eine Tabelle umgesetzt, die nach „unten“ unbe-
grenzt ist (vgl. Tab. 8.8)! Durch das Attribut „B-Nr.“ wird die Beziehung „besitzen“
zwischen den Entity-Typen „Brunnen“ und „Analysewerte“ realisiert (Verknüpfung
zwischen Tab. 8.1 bzw. deren normalisierte Form u. 8.8). Durch die zusätzliche Ein-
führung des eindeutigen Attributs „Kennnummer“ besitzt Tabelle 8.8 einen eigenen
Primärschlüssel.
Tabelle 8.8: Darstellung einer 1:n-Relation in dritter Normalform für den Entity-Typ Analysewerte
der Beispielaufgabe aus Kapitel 8.2.5
Kennnummer B-Nr. Datum ParameterName Wert
... ... ... ... ...
51 2 27.01.96 Nitrat 52
52 2 27.01.96 Nitrit 0,05
53 2 27.01.96 Cadmium 0,006
... ... ... ... ...
70 2 10.10.96 PAK 0,00017
71 2 08.12.96 Nitrat 54
Die n:1-Beziehung „gehören“ zwischen den Entity-Typen „Analysewerte“ und „Pa-

rameter“ dient dazu, die Analysewerte zu definieren. So sind laut Aufgabenstellung
mit einem Parameternamen mehrere Angaben eindeutig verbunden, die den zu ana-
lysierenden Inhaltsstoff der Wasserprobe, seine Messeinheit oder auch seinen zu-
gehörigen Grenzwert bezeichnen (vgl. Tab. 8.9). Diese Angaben müssten sonst in
der Tabelle „Analysewerte“ mehrfach, d.h. redundant, aufgeführt werden. Der Pri-
märschlüssel der Tabelle „Parameter“ wird als Fremdschlüssel in der Tabelle „Ana-
lysewerte“ aufgeführt. Tabelle 8.9 („Parameter“) kann als Legende der Tabelle 8.8
(„Analysewerte“) verstanden werden.
Die Beziehung „betreuen“ (Zuständigkeit) zwischen den Entity-Typen „Brun-
nen“ und „Labore“ erfordert besondere Aufmerksamkeit, da hier eine n:m-Bezie-
hung vorliegt. Ein Brunnen kann im Laufe der Zeit nacheinander von mehreren La-
boren betreut werden. Ein Labor ist für mehrere Brunnen zuständig. Im Relationen-
modell wird eine derartige n:m-Beziehung nicht aus zwei Tabellen, sondern aus drei
Tabellen dargestellt. Hinzukommt eine Matching-Tabelle, die die Verknüpfung
über Schlüsselattribute regelt. Manche Software unterstützt diese Modellierung wie

z.B. das zur freien Datenbanksoftware MySQL zugehörige Werkzeug MySQL-
Workbench, mit dem eine MySQL-Datenbank recht einfach verwaltet werden kann.
Nach der Definition der Tabelle, d.h. der Entities, erwartet das Modellierungswerk-
zeug MySQL-Workbench die Angabe der Beziehung mit ihren Kardinalitäten. So-
bald eine n:m-Beziehung spezifiziert wird, wird sofort automatisch eine Matching-
tabelle eingefügt. Im vorliegenden Anwendungsbeispiel beschreibt diese Tabelle
genau die Zuständigkeiten, wobei zusätzlich durch Attribute die Beziehung zwi-
schen Brunnen und Laboren näher gekennzeichnet werden (vgl. Abb. 8.10 u. Tab.
8.10, vgl. Entity-Typ PSQL_Betreuung mit den für eine Anwendung in MySQL
leicht veränderten Attributnamen in Abb. 8.11).
Tabelle 8.9: Darstellung einer 1:n-Relation in dritter Normalform für den Entity-Typ Parameter der
Beispielaufgabe aus Kapitel 8.2.5
B-Nr. ParameterName Messeinheit Bezeichnung Grenzwert
1 Cadmium mg/l 0.005

1 CKW mg/l Organische 0.01
Chlorverbindun-
gen
1 Nitrat mg/l 50
1 Nitrit mg/l 0.1
1 PAK mg/l Polycyclische 0.0002
aromatische Koh-
lenwasserstoffe
Tabelle 8.10: Darstellung einer Matching-Tabelle zur Umsetzung einer n:m-Beziehung (Entity-Typ
prüfen der Beispielaufgabe aus Kapitel 8.2.5)
B-Nr. LaborID von bis
1 10 01.01.96 31.12.97
2 10 01.01.96 31.12.96
2 30 01.01.97 31.12.97
3 30 01.01.96 31.12.97
4 20 01.01.96 31.12.97
5 20 01.01.96 31.12.96
6 10 01.01.96 31.12.96
6 20 01.01.97 31.12.97
7 30 01.01.96 31.12.97
Insgesamt kann ein ER-Diagramm einfach in eine relationale Datenstruktur umge-

setzt werden, die letztlich mehrere miteinander verknüpfte Tabellen darstellt.
Zwischen den verknüpften Dateien und insbesondere zwischen den die Verknüp-
fung realisierenden Schlüsselfeldern muss eine logische Datenkonsistenz bestehen!
So muss verhindert werden, dass z.B. in Tabelle 8.2 das Labor mit der ID 10 ge-
löscht wird, solange noch in Tabelle 8.10 der Zuständigkeiten auf dieses Labor ver-
wiesen wird. Diese Eigenschaft wird als referentielle Integrität bezeichnet (vgl.
Kap. 8.5.2).
Die vorliegende Modellierung (vgl. Abb. 8.10 u. 8.11) ist hinreichend. Eine Aus-
wertung vieler Fragestellungen ist mit der Datenbankabfragesprache SQL möglich
(vgl. Beispiele in Kap. 8.4.4). Die Modellierung ist hier aber bewusst minimalistisch
angelegt, um die Leistungsfähigkeit der Modellierung und Auswertung zu zeigen.
So sind über den „Umweg“ der Relation, die die Zuständigkeiten modelliert, die
Informationen enthalten, welches Labor einen bestimmten Analysewert eines Brun-
nens bestimmt hat (zur Umsetzung in der Praxis und Ergänzung des Analysewertes
um die ID des zugöhrigen Labores vgl. Kap. 8.4.4).
Abb. 8.11: Modellierung eines ER-Diagramms mit MySQL-Workbench

8.4 Anwendungen mit relationalen Datenbanksystemen
8.4.1 Datendefinition und Verwaltungsfunktionen
Neben den Auswertefunktionen besitzen relationale Datenbankmanagementsys-

teme umfangreiche Werkzeuge zur Definition von Tabellen bzw. zum Verändern
einer Tabellenstruktur oder zum Löschen von Tabellen. Diese Datendefinitions-
funktionen setzen auf einer höheren konzeptuellen Ebene der Arbeit mit Datenbank-
systemen an und erfordern besondere Zugriffsrechte. So besitzen Datenbankverwal-
tungsprogramme Kontrollfunktionen, mit denen Benutzersichten und Zugriffs-
rechte festgelegt und verwaltet werden können. Standardisierte Datenschnittstellen
ermöglichen einen leichten Datenaustausch. Vor allem im Bereich kommerzieller
Datenbanksoftware für Personal Computer bieten Datenbankverwaltungssysteme
häufig benutzerfreundliche Benutzerumgebungen, die eine relativ einfache Hand-
habung gestatten. Softwareassistenten unterstützen das Erstellen von Formularen,
Berichten oder Abfragen.
8.4.2 Datenmanipulation und Datenauswertung
Zur Datenmanipulation gehören vor allem Funktionen zum Einfügen, Verändern

oder Löschen bestehender (Einzel-)Daten und Datensätze, wobei dem Anwender
zur Datenmanipulation entsprechende Zugriffsrechte erteilt sein müssen. Auch zum
einfachen Sichten bzw. zur Visualisierung der Datenbestände, d.h. zum Nur-Lese-
Zugriff, müssen Zugriffsrechte eingeräumt sein. Von zentraler Bedeutung sind die
Funktionen, die eine gezielte Abfrage auf einzelne Daten oder Datensätze des ge-
samten Datenbestands ermöglichen. Jede Auswertung des Datenbestands einer rela-
tionalen Datenbank führt zu einer Teilmenge des Datenbestandes, so dass das Ergeb-
nis wieder eine Relation ist. Im Extremfall ergibt sich eine Tabelle mit genau einer
Spalte und einer Zeile. Relationale Datenbanksysteme verfügen hierzu über drei
Standardfunktionen:
Die Projektion (engl. projection) liefert nur ausgewählte Spalten (d.h. Attribute)
einer Tabelle bzw. von Tabellen, die aber hinsichtlich der Zeilen vollständig sind.
So werden z.B. nur die gerade interessierenden Attribute ausgewählt (z.B. nur La-
borname und Telefonnummer sämtlicher Labore).
Die Selektion (engl. selection) liefert nur ausgewählte Zeilen (d.h. Entities) einer
Tabelle, die aber hinsichtlich der Attribute vollständig ist. Der Anwender definiert
bestimmte Auswahlkriterien (z.B. sämtliche Brunnen einer bestimmten Stadt). Vom
Datenbankmanagementsystem wird dann eine Teilmenge der Zeilen der Tabelle ge-
bildet.
Durch die Verknüpfung (engl. join) werden die Relationen über geeignete
Schlüsselfelder miteinander verbunden. Die Optimierung einer Datenbasis (vgl.
Normalformen) führt in der Regel zu mehreren Relationen (Tabellen). Dies sollte
allerdings keine Auswirkungen auf die Handlichkeit einer relationalen Datenbasis
haben, deren Effizienz gerade hierdurch gesteigert wird. Die Tabellen werden zu-
meist nur temporär miteinander verknüpft.
Anwendungen mit relationalen Datenbanksystemen 353
Am häufigsten ist eine gleichzeitige Durchführung von Projektion und Selektion

oder eine Verknüpfung mit Selektion und Projektion aufgrund von Bedingungen an
die Attribute mehrerer Tabellen. Gesucht werden z.B. die Adressen sämtlicher
Brunnen, deren Wasserproben zwischen dem 1.3.1996 und dem 28.2.1997 einen
Nitratgehalt oberhalb des Grenzwerts von 50 mg/l aufwiesen. Derartig recht kom-
plex anmutende Abfragen lassen sich mit geeigneten Abfragesprachen relativ ein-
fach realisieren (vgl. Beispiele in Kap. 8.4.3). Bei der Auswertung von Tabellen
stehen ferner Funktionen wie z.B. Rechenoperationen (z.B. Bilden von Summen)
oder komplexe Sortiermöglichkeiten zur Verfügung.
8.4.3 Der Sprachstandard SQL einer Datenmanipulationssprache für

relationale Datenbanksysteme
Mit Hilfe einer Datenmanipulationssprache eines Datenbankmanagementsystems

können Daten einer Datenbank vereinfacht eingegeben, ergänzt, geändert oder ab-
gefragt werden. Den Sprachstandard für relationale Datenbanksysteme stellt die Da-
tenbanksprache Structured Query Language (SQL) dar. Diese standardisierte Da-
tenbanksprache wurde in viele Datenbankmanagementsysteme implementiert und
wird daher vielfach benutzt. Die Entwicklung wurde zunächst ausschließlich von
IBM bereits seit Beginn der 70er Jahre betrieben. In den 80er Jahren erfolgte eine
allgemeine Standardisierung dieser Sprache. Inzwischen ist mit SQL:2016
(ISO/IEC 9075:2016) die jüngste Version verfügbar.
Der Sprachstandard SQL besteht aus nur relativ wenigen Befehlen, die interaktiv
bzw. dialogorientiert eingegeben werden können. SQL-Befehle können auch in in-
tegrierter Form, d.h. als Teil einer Programmiersprache auftreten. Somit können
SQL-Abfragen auch innerhalb von komplexen Anwenderprogrammen verwendet
werden. Generell bezieht sich der SQL-Standard auf drei Ebenen:
Zur Ebene der Datenbeschreibung (DDL, Data Definition Language) gehören
vor allem Sprachelemente zur Definition von Tabellen, von Attributen (mit Festle-
gen von Schlüsseln) oder von Verknüpfungen. Die zugehörigen zentralen SQL-
Befehle sind: CREATE, ALTER, DROP und JOIN.
Die Ebene der Datenmanipulation (DML, Data Manipulation Language) umfasst
sowohl die Verwaltung als auch die Abfrage von Daten. Hierzu gehören vor allem
Sprachelemente zum Einfügen oder Löschen von Daten sowie zur Aktualisierung
von Tabellen (d.h. Löschen und Ändern). Die zugehörigen wichtigsten SQL-
Befehle sind: INSERT, DELETE, UPDATE. Von zentraler Bedeutung sind ferner
Datenbankabfragen, wobei SQL mit dem SELECT-Befehl nur ein einziges, aber
sehr mächtiges Kommando zur Formulierung von Abfragen besitzt.
Die Ebene der Programmiersprachen-Einbettung bezieht sich auf Programmier-
sprachen, die SQL-Befehle integrieren.
Sämtliche SQL-Befehle zur Datenmanipulation haben folgende Grundstruktur:
<Operation> Bezeichnet die Art der vorzunehmenden Manipulation (z.B. SELECT).
FROM Bezeichnet die betroffenen Relationen.
WHERE Bezeichnet die betroffenen Attribute der angegebenen Relation.
Zur Auswertung einer Datenbank ist der mächtige SELECT-Befehl von Bedeu-
tung, der mit bis zu sechs Komponenten angegeben werden kann. Die allgemeine
Syntax lautet:
SELECT [ALL | DISTINCT] {spalten | *}
FROM tabelle [alias] [tabelle [alias]] ...
WHERE {bedingung | unterabfrage}
GROUP BY spalten [HAVING {bedingung | unterabfrage}]
ORDER BY spalten [ASC | DESC]...;
Kapitel 8.4.4 zeigt anhand des bereits erarbeiteten relationalen Datenbanksys-
tems eines Brunnenkatasters (vgl. Abb. 8.10 bzw. 8.11) mehrere Auswertungsbei-
spiele zum SELECT-Befehl.
8.4.4 Auswertungsbeispiele einer Datenbank mit SQL
Die für das vorliegende Anwendungsbeispiel aufgebaute Datenbank soll im Hin-

blick auf typische Fragestellungen mit der Open-Source-Datenbank PostgreSQL
ausgewertet werden. Gegenüber der proprietären Datenbanksoftware Access von
Microsoft besitzt PostgreSQL in der Geoinformatik eine größere Bedeutung, da mit
dem PostGIS-Aufsatz eine mächtige Erweiterung im Hinblick auf räumliche Daten
besteht. PostgreSQL ist ein objektrelationales Datenbankmanagementsystem, das
den SQL92 und SQL99-Standard unterstützt und durch umfangreiche Leistungs-
merkmale beeindruckt. Die Version 11 von Oktober 2018 entspricht wenigstens 160
der 179 obligatorischen Features für SQL: 2011 (zum Einstieg vgl. PostgreSGL
2019a und PostgreSGL 2019b, vgl. Laube 2019).
Der Anwendung PostgreSQL liegt ein Client-Server-Modell zugrunde. Ein Ser-
ver übernimmt die Verwaltung der Datenbankdateien und regelt die Verbindungen
und Anfragen vom Client zum Server. Bei der Installation als Paket werden Server
und Administrationswerkzeuge gleichzeitig installiert. Häufig wird die Open-
Source-Software „pgAdmin“ mit einer graphischen Benutzeroberfläche zur Admi-
nistration benutzt (vgl. pgAdmin 2019, vgl. Abb. 8.18 u. 8.19).
Die beispielhaften Fragestellungen und die entsprechenden Auswertungen basie-
ren auf dem in Abbildung 8.11 wiedergegebenen ER-Modell. Benutzt werden meh-
rere Tabellen, mit eindeutigen Attributnamen:
PSQL_Brunnen PSQL_Werte PSQL_Labore PSQL_Parameter PSQL_Betreuung
P_BrunnenID Werte_ID LLabor_ID ParameterName BBrunnen_ID
P_BrunnenName Brunnen_ID LaborName Messeinheit BLabor_ID
P_TK Datum LTelefon P_Beschreibung von
P_X_Koordinate Parameter LStadt Grenzwert bis
P_Y_Koordinate Werte LPLZ Anmerkung
P_Stadt LStrasse
P_PLZ LHausNr
P_Querschnitt
Die SQL-Anweisungen sind beinahe direkt lesbar. Zwischen den Tabellen

„PSQL_Brunnen“ und „PSQL_Werte“ wird eine Verknüpfung aufgebaut, die über
die Attribute „P_BrunnenID“ bzw. „Brunnen_ID“ geht, wobei dieses Attribut in der
einen Tabelle einen Primär- und in der anderen Tabelle einen Fremdschlüssel dar-
stellt. Somit kann in der Tabelle „Analysewerte“ die Auswertung der Bedingung
erfolgen. Für die derart ausgewählten Wasserproben liegen in der Tabelle
„PSQL_Werte“ zwar keine Brunnennamen vor, die sich aber sofort aufgrund der
Verknüpfung mit der Tabelle „PSQL_Brunnen“ ergeben. Für diese Aufgabe beste-
hen (wie üblich) verschiedene Realisierungsmöglichkeiten. So ist mit SQL auch
eine geschachtelte Abfrage möglich.
Suche alle Brunnen in „A-Stadt“:

SELECT *
FROM public."PSQL_Brunnen"
WHERE "P_Stadt" = 'Astadt';
Suche alle Brunnen mit einer TK größer 3000:

SELECT *
WHERE "P_TK" > 3000;
Suche alle Brunnen in einem bestimmten Raumausschnitt (Selektion):

SELECT *
WHERE (("P_X_Koordinate" > 9) AND ("P_X_Koordinate" <12));
Suche alle Brunnen, deren Wasserproben einen Nitratgehalt > 50 mg/l aufweisen.
SELECT "P_BrunnenID","P_BrunnenName","Werte_ID","Werte"
Inner Join public."PSQL_Werte" on "P_BrunnenID" = "Brunnen_ID"
WHERE (("Parameter" = 'Nitrat') AND ("Werte" > 50))
Suche alle Brunnen, deren Wasserproben einen Nitratgehalt > 50 mg/l aufweisen
und die zwischen 3.1.1996 und 28.2.1997 erhoben worden sind:
SELECT "P_BrunnenID","P_BrunnenName","Werte_ID","Werte","Datum"
Inner Join public."PSQL_Werte" on "P_BrunnenID" = "Brunnen_ID"
WHERE ("Datum" > '3.1.1996' ) AND ("Datum" < '28.2.1997') AND("Parameter" =
'Nitrat') AND ("Werte" > 50)
Suche alle Brunnen, deren Wasserproben einen Nitratgehalt > 50 mg/l aufweisen
und die zwischen 3.1.1996 und 28.2.1997 erhoben worden sind, mit den
zugehörigen Laboren:
SELECT "P_BrunnenID", "P_BrunnenName", "LaborName",
"Parameter","Werte","von","bis"
FROM (public."PSQL_Brunnen" Inner Join public."PSQL_Werte" on
"P_BrunnenID" = "Brunnen_ID")
Inner Join (public."PSQL_Labore" inner Join "PSQL_Betreuung" on
"LLabor_ID" = "BLabor_ID") on "P_BrunnenID"="BBrunnen_ID"
WHERE ("Datum" > '3.1.1996' ) AND ("Datum" < '28.2.1997') AND ("Parameter" =
'Nitrat') AND ("Werte" > 50)
Das letzte Beispiel zeigt, wie komplexe Abfragen über mehrere Relationen durch
die Datenmanipulationssprache SQL gestaltet werden können. Notwendig wird eine
Abfrage über mehrere Relationen (Verknüpfung mit JOIN und anschließender Se-
lektion). Etwas überraschend mag das Ergebnis sein, dass Abfragen z.B. zwischen
Laboren und Analysewerten möglich sind, obschon keine direkte Beziehung zwi-
schen diesen Entities aufgebaut wurde. Dies zeigt die Leistungsfähigkeit von SQL.
In der Praxis wird man aus Vereinfachungsgründen aber zusätzlich zu den Angaben
in der Tabelle der Analysewerte auch die Identifikationsnummer des zugehörigen
Labores angeben (vgl. Kap. 8.3.3).
8.4.5 Relationale Datenstrukturen in Geoinformationssystemen
In Geoinformationssystemen ist zumeist eine relationale Datenbank integriert, in

der die Attributdaten zu den Geoobjekten gespeichert werden. Zwar bleibt die Funk-
tionsvielfalt hinter der von selbstständigen Datenbanksystemen zurück, häufig be-
stehen herstellertypische Formen der Datenverwaltung und Datenabfrage, eine nor-
mierte Datenbanksprache ist zumeist nicht vorhanden. Jedoch sind die allgemeinen
Konzepte relationaler Datenbanksysteme umgesetzt. So werden insbesondere die
Sachdaten zu den Geoobjekten standardmäßig in Form von Tabellen vorgehalten.
Ohne auf die spezifischen Funktionen eines Geoinformationssystems einzugehen
(vgl. Kap. 9), sollen typische Fragestellungen der Modellierung von Attributdaten
erläutert werden.
Ausgegangen wird von einem Gewerbeflächenkataster einer Gemeinde, das für
Belange der Wirtschaftsförderung aufgebaut werden soll. Die Flächen setzen sich
aus einzelnen Flurstücken zusammen, die die kleinste Katasterflächeneinheit bil-
den:
- Das Gebiet setzt sich aus mehreren Nutzungsparzellen zusammen, zu denen steu-
erliche Merkmale eindeutig zugeordnet sind.
- Für ein Flurstück besteht durch den Bebauungsplan eine Ausweisung nach der
zulässigen Art der Nutzung. So sind z.B. auf einer Fläche, die als Wohngebiet
ausgewiesen ist, keine störenden Gewerbebetriebe erlaubt.
- Eine Nutzungsparzelle kann sich aus einem einzelnen oder aus mehreren Flurstü-
cken zusammensetzen
- Auf den Nutzungsparzellen können mehrere Unternehmen tätig sein. Ein einzel-
nes Unternehmen kann auch auf mehreren Parzellen vertreten sein. So können
Produktionsbetrieb und Verwaltung räumlich (weit) getrennt sein.
Aus Vereinfachungsgründen werden Unternehmensangaben wie z.B. Besitzverhält-
nisse, Umsatz und Beschäftigtenstruktur oder Ansprechpartner für Belange der
Wirtschaftsförderung nicht weiter differenziert. Ebenso erfolgt eine Beschränkung
auf nur ein Gewerbegebiet.
Zur Modellierung der Beziehungen stellt das Geoinformationssystem in der Re-
gel zwei Funktionen zur Verfügung. Mit dem Join-Operator werden 1:1- und n:1-
Relationen, mit dem Relate-Operator werden 1:n- und n:m-Relationen umgesetzt.
In dem zugehörigen Geoinformationssystem wird jede Parzelle als Geoobjekt

mit den Attributen „P_ID“, „P_Groesse“ und „P_Umfang“ in einer Attributtabelle
dargestellt, die hier mit „Basisdaten“ bezeichnet werden soll. Zu jeder Parzelle ge-
hören ferner steuerliche Merkmale, die auf der Grundlage des Grundsteuergesetzes
und der Gemeindesatzung wie Grundsteuer, Straßenreinigungs-, Schmutzwasser-
oder Niederschlagswasser festgelegt und in einer separaten Tabelle „Steuermerk-
male“ gespeichert werden. Zwischen beiden Tabellen liegt somit eine 1:1-Bezie-
hung vor. Sie können mit dem Join-Operator zu einer einzigen Tabelle vereinigt
werden, die nur temporär während der Bearbeitung vorliegt.
Basisdaten Steuermerkmale
P_ID P_Groesse … S_ID P_ID …
… …
113 3.000 03409 113
… …
184 4.000 03333 184
… … …
221 5.000 03127 221

222 1.000 03128 222
… …
Abb. 8.12: Beispiel einer 1:1 Relation
Zu jeder Parzelle gehört die Ausweisung nach der Baunutzungsverordnung, die z.B.
die Kennzeichnung M für Mischgebiet, GE für Gewerbegebiet und GI für Indust-
riegebiet vorsieht. Dann liegt zwischen den Geoobjekten und der Tabelle BauNVO
eine n:1-Relation vor, die vereinfacht gesprochen die Abkürzungen erklärt (sog.
Legendentyp, vgl. Abb. 8.13).
Basisdaten BauNVO
P_ID P_Groesse P_B B_ID P_B B_Name
… …
113 3.000 GE 11 GE Gewerbegebiet
127 5.000 GE 12 GI Industriegebiet
184 4.000 GE 20 MI Mischgebiet
155 2.500 MI 30 WA Allg. Wohngeb.
221 5.000 MI 40 SO Sondergebiet
222 1.000 WA 50
… …
Abb. 8.13: Beispiel einer n:1 Relation
Beide Tabellen können mit dem Join-Operator zu einer einzigen Tabelle vereinigt
werden, die nur während der Bearbeitung vorliegt. Das Geoinformationssystem ver-
vielfacht (temporär) die Einträge (vgl. Abb. 8.14).
Basisdaten_BauNVO
P_ID P_Groesse P_B B_Name
…
113 3.000 GE Gewerbegebiet
155 2.500 MI Mischgebiet
221 5.000 MI Mischgebiet
222 1.000 WA Allg. Wohngebiet
Abb. 8.14: Beispiel einer durch den Join-Operator aufgelösten n:1 Relation
Zwischen den Flurstücken und den Parzellen liegt eine 1:n Beziehung vor (vgl. Abb.
8.15). Jedes Flurstück gehört zu genau einer Nutzungsparzelle, wobei eine Parzelle
sich aus mehreren Flurstücken zusammensetzen kann. Somit könnte mit dem Join-
Operator eine Relation aufgebaut werden. Mit jedem Flurstück wird die zugehörige
Tabelle der Nutzungsparzellen verbunden (sog. Legendentyp).
Basisdaten Flurstücke
P_ID P_Groesse … F_ID F_Groesse …
… …
113 3.000 03119 3.000
03127 2.000
184 4.000 03028 1.500
… 03029 500
221 5.000 03050 2.000
222 1.000 03051 3.000
375 2.500 03965 2.500
… … … …
Abb. 8.15: Beispiel einer 1:n Relation
Diese Sichtweise ist in einem Gewerbeflächenkataster, in dem die Nutzungsparzel-

len im Mittelpunkt stehen, nicht sinnvoll. Vielmehr will der Anwender durch Aus-
wahl einer Parzelle (d.h. durch Anklicken der Fläche im graphischen Editor des
Geoinformationssystems) die zugehörigen Flurstücke angezeigt bekommen (und
nicht umgekehrt). Bei dieser Richtung der Beziehung, also zwischen Parzellen und
Flurstücken, liegt eine 1:n-Beziehung vor. Beide Tabellen können nicht mehr zu
einer einzigen, wenn auch nur temporär vorhandenen Tabelle zusammengebaut
werden. Zu einer einzelnen Parzelle, d.h. zu einer Zeile der Tabelle Basisdaten, kön-
nen nicht einmal drei und dann zwei Flurstücke, d.h. drei bzw. zwei Zeilen der Ta-
belle Flurstücke, hinzugefügt werden. In dieser Problemstellung wird der sog. Re-
late-Operator des Geoinformationssystems eingesetzt, der beide Tabellen ver-
knüpft. Anschließend können durch Anklicken einer Parzelle die n-Flurstücke an-
gezeigt werden.
Noch etwas komplexer ist die Modellierung der n:m-Beziehung zwischen den
Nutzungsparzellen und den Unternehmen. Beide Tabellen können im Relationen-
modell nicht direkt, sondern nur über eine sog. Matchingtabelle aufeinander bezo-
gen werden. Auch hier kommt in einem Geoinformationssystem der Relate-Opera-
tor zum Einsatz (vgl. Abb. 8.16).
Abb. 8.16: Beispiel einer n:m Relation
Ein einzelnes Geoobjekt wird mit genau einer Zeile einer derartigen Attributtabelle
referenziert. Das Geoobjekt wird über ein Schlüsselattribut bzw. einen Schlüssel-
attributwert identifiziert.
Die aufgezeigten relationalen Datenstrukturen, die über Verknüpfungen mehre-
rer Tabellen realisiert werden, sind auch in Geoinformationssystemen darzustellen.
Dieses Vorgehen scheint auf den ersten Blick umständlich zu sein. Der Aufbau re-
lationaler Datenstrukturen dient aber der effizienten Verwaltung der zu den Geoob-
jekten zugehörigen Datenstrukturen, vermeidet Redundanzen und Dateninkonsis-
tenzen (vgl. Kap. 8.5).
8.5 Datenkonsistenzen
8.5.1 Begriff und Bedeutung von Datenkonsistenzen
Ein Datenbankmanagementsystem hat neben der Speicherung, Verwaltung und

Verarbeitung von Daten die wichtige Aufgabe, die Konsistenz der Daten zu gewähr-
leisten. Diese sehr vielschichtige Aufgabe umfasst (vgl. Kemper u. Eickler 2015
Kap. 5 u. 9 und Saake u.a. 2018 Kap. 13):
- Zugriffskontrollen,
- Erhaltung der physischen Datenintegrität,
- Erhaltung der logischen oder semantischen Datenintegrität.
Die Zugriffskontrollen, die einzeln für ein Datenobjekt oder für verschiedene Zu-
griffsarten vergeben werden können, betreffen den Datenschutz vor unbefugtem
Einsehen oder Manipulationen. Demgegenüber bezeichnen Integritätsbedingungen
allgemein Bedingungen für die Zulässigkeit oder Korrektheit von Datenbankzustän-
den (sog. statische Integritätsbedingungen) und von Zustandsübergängen (sog. dy-
namische Integritätsbedingungen z.B. bei Veränderungen des Datenbestandes). In
dem Beispiel des Brunnenkatasters liegen entweder Rohrbrunnen oder Schacht-
brunnen vor (statische Bedingung). Die Wasserproben eines Brunnens dürfen von
einem neuen Labor übernommen werden, der Brunnen darf aber nicht aus der Be-
treuung der Labore herausfallen (dynamische Bedingung bei Änderung der Relation
„Betreuung“). Im Relationenmodell sind bereits implizit mehrere Integritätsbedin-
gungen enthalten (statische Integrität):
- Die Definition von Schlüsseln verhindert, dass zwei Entities gleiche Werte in ih-
ren Schlüsselattributen besitzen.
- Die Festlegung der Kardinalität der Beziehungen verhindert unzulässige Bezie-
hungen. Im Beispiel des Brunnenkatasters wird durch die 1:n-Beziehung zwi-
schen den Relationen (Tabellen) „Brunnen“ und „Labore“ gewährleistet, dass ein
Brunnen nicht von zwei Laboren untersucht wird.
- Durch Vorgabe einer Domäne (eines Wertebereiches) für ein Attribut wird ver-
hindert, dass unzulässige Attributwerte aufgenommen werden. So müssen z.B.
für eine Postleitzahl in Deutschland fünf Ziffern bestimmt werden.
Mit der Datenintegrität bei Systemfehlern und im Mehrbenutzerbetrieb ist das
Transaktionenkonzept verbunden, das Grundlage für die Fehlertoleranz und für die
parallele Verarbeitung in Datenbankmanagementsystemen ist (vgl. Kap. 8.5.4).
Semantische Integritätsbedingungen lassen sich aus den Eigenschaften der mo-
dellierten Welt ableiten. Derartige Bedingungen werden auch durch die Festlegung
von Bereichsbeschränkungen für Attribute, die Einhaltung der referentiellen Integ-
rität (vgl. Kap. 8.5.2) sowie durch Trigger gesichert (vgl. Kap. 8.5.3).
Datenkonsistenzen 361
8.5.2 Referentielle Integrität
Die referentielle Integrität stellt sicher, dass eine Datenkonsistenz zwischen zwei
verknüpften, d.h. referenzierten Relationen (Tabellen) besteht und beim Einfügen,
Löschen oder Verändern erhalten bleibt. Die referentielle Integrität kennzeichnet
eine Eigenschaft der Beziehung zwischen dem Primärschlüssel einer Relation (Ta-
belle) R1 und dem Fremdschlüssel in einer weiteren Relation (Tabelle) R2. Der
Fremdschlüssel von R2 besitzt die gleiche Anzahl von Attributen wie der Primär-
schlüssel der Relation R1, auf die der Fremdschlüssel verweist. Im Beispiel des
Brunnenkatasters besteht zwischen der Tabelle „Analysewerte“ mit dem Fremd-
schlüssel „Laborkennung“ und der Tabelle „Labore“ mit dem Primärschlüssel „La-
borID“ referentielle Integrität, wenn sämtliche Attributwerte des Fremdschlüssels
der Tabelle „Analysewerte“ als Primärschlüssel in der Tabelle „Labore“ vorkom-
men. Durch Beachtung der referentiellen Integrität wird hier gewährleistet, dass
beim Einfügen einer neuen oder beim Ändern einer bestehenden Zeile in der Tabelle
„Analysewerte“ der Fremdschlüssel auf eine existierende Laborkennung in der Ta-
belle „Labore“ verweisen muss. Eine Änderung eines Primärschlüssels ist nur zu-
lässig, falls kein Fremdschlüssel auf ihn verwiesen hat. Hierzu gehört auch ein Lö-
schen einer Zeile in der Tabelle „Labore“.
8.5.3 Trigger
Ein Trigger ist eine Prozedur (d.h. ein Programm), die vom Anwender definiert und
entwickelt und die automatisch vom Datenbankmanagementsystem gestartet wird,
falls eine bestimmte Bedingung erfüllt ist. Trigger werden vor allem dann sinnvoll
eingesetzt, wenn bereits gespeicherte Daten nachträglich verändert werden sollen.
So kann im Beispiel des Brunnenkatasters verhindert werden, dass bei Änderung
des Analyseumfangs für einen Brunnen die Bestimmung des pH-Wertes (versehent-
lich) herausgenommen wird, wenn gerade die pH-Bestimmung des Wassers für alle
Brunnen zwingend vorgeschrieben ist. Durch einen Trigger wäre auch zu gewähr-
leisten, dass Eintragungen in die Tabelle „Analysewerte“ nur mit Datumsangaben
möglich sind, die aktueller als die bisher gespeicherten Werte bzw. deren Datums-
angaben sind. Hierdurch könnte verhindert werden, dass zwar ein allgemein gülti-
ges Datum wie z.B. 25.06.2010 eingegeben wird, das aber (wahrscheinlich) falsch
ist, da auch schon Analysewerte für 2012 abgespeichert sind. Dieses Problem
könnte durch Einschränkung des Wertebereichs, der bei jeder Eingabe neu zu defi-
nieren wäre, nicht gelöst werden.
8.5.4 Transaktionen
Unter einer Transaktion wird eine Zusammenfassung von mehreren Datenbanko-

perationen zu einer Gruppe verstanden, die hinsichtlich der Integritätsüberwachung
eine Einheit bildet und geschlossen fehlerfrei ausgeführt werden muss. Ein Daten-
banksystem muss durch eine Transaktion von einem konsistenten wieder in einen
konsistenten Zustand überführt werden. Transaktionen setzen sich aus einer Folge
von elementaren Operationen zusammen. Falls sich im Beispiel des Brunnenkatas-

ters die Betreuungen durch die Labore ändern, darf für einen Brunnen die Betreuung
durch ein Labor nicht gelöscht werden (Befehl 1), ohne dass für diesen Brunnen
eine neue Betreuung definiert wird (Befehl 2). Ebenso darf bei einer Umbuchung
kein Betrag einer Kostenstelle gutgeschrieben werden (Befehl 1), ohne dass eine
andere Kostenstelle um den gleichen Betrag belastet wird (Befehl 2). Beide Befehle
bilden hierbei eine Transaktion, die (als Einheit) vier Eigenschaften erfüllen muss
(sog. ACID-Prinzip):
- Atomarität (atomicity): Eine Transaktion wird entweder vollständig oder gar
nicht ausgeführt. Nach einem vorzeitigen Abbruch bestehen keine Zwischener-
gebnisse von teilweise ausgeführten Transaktionen.
- Konsistenz (consistency): Eine Transaktion führt von einem konsistenten Daten-
bankzustand zu einem anderen konsistenten Datenbankzustand. Die Transaktion
wird abgebrochen und die Datenbank im Anfangszustand belassen, falls durch
eine Transaktion Integritätsbedingungen verletzt werden.
- Isolation (isolation): Parallel ausgeführte Transaktionen sind voneinander isoliert
und beeinflussen sich nicht. Jede Transaktion hat den Effekt, den sie verursacht
hätte, als wäre sie allein im System.
- Dauerhaftigkeit (durability): Der von einer Transaktion bewirkte (neue) Zustand
des Datenbanksystems ist dauerhaft und nur durch eine neue Transaktion mit ge-
genteiliger Wirkung rückgängig zu machen („Rückbuchung“).
Die Transaktionsverwaltung besteht aus zwei zentralen Komponenten:
- Behebung von Fehlersituationen: Diese sog. Recovery-Funktion muss Atomarität
und Dauerhaftigkeit gewährleisten. Falls z.B. ein Systemabsturz eintritt, obschon
die Transaktion noch nicht abgeschlossen ist, müssen nach Wiedereinsetzen des
Systems der Anfangszustand der Transaktion wiederhergestellt und Wirkungen
der teilweisen Ausführung vollständig entfernt sein.
- Koordination von mehreren gleichzeitigen Benutzerprozessen bzw. Transaktio-
nen: Diese sog. Mehrbenutzersynchronisation muss die Isolation von parallel ab-
laufenden Transaktionen gewährleisten.
8.6 Erweiterungen
8.6.1 Abhängige Entity-Typen
Das einfache Entity-Relationship-Modell geht davon aus, dass die Entities selbst-
ständig sind, zwar in Beziehung stehen, aber nicht voneinander abhängig und in der
Entitymenge über Schlüsselattribute eindeutig identifizierbar sind. Die Modellie-
rung der Realität und insbesondere vieler Geoobjekte zeigt aber, dass abhängige
oder schwache Entities vorliegen können, deren Bestehen von einem anderen, über-
geordneten Entity abhängig ist und die nur in Kombination mit dem Schlüssel des
übergeordneten Entities eindeutig identifizierbar sind. Das klassische Beispiel sind
Räume in Gebäuden. So liegen in der Regel gleiche Raumnummern in mehreren
Erweiterungen 363
Gebäuden vor, die eindeutige Identifizierung ist nur durch Kombination von Ge-
bäude und Raumnummer möglich wie z.B. in der Universität Osnabrück, wo durch
die Kennung 11/E04 die Aula gekennzeichnet ist. Falls ein Gebäude abgerissen
wird, verschwinden die Räume ebenfalls. Ein Beispiel aus einem Anwendungsbe-
reich der Geoinformatik verdeutlicht die abstrakte Formulierung. So sollen schüt-
zenswerte Biotope ausgewiesen werden, die in größeren Einheiten, d.h. in Land-
schaftsschutzgebieten vorliegen. Innerhalb dieser Landschaftsschutzgebiete haben
die Biotope eine eindeutige Kennung, verschiedene Landschaftsschutzgebiete kön-
nen aber durchaus mehrere Biotope mit derselben Kennung aufweisen. Falls ein
Landschaftsschutzgebiet planerisch umgewidmet wird, verschwinden die Biotope.
Die Biotope treten in diesem Beispiel in ihrer Existenz nur abhängig von einem
übergeordneten Landschaftsschutzgebiet (LSG) auf. Global ist ein einzelnes Biotop
nur durch die Schlüsselnummer des LSG und des Schlüssels des Biotops identifi-
zierbar.
Abhängige Entities werden im ER-Diagramm durch doppelt umrandete Recht-
ecke markiert. Durch eine doppelt umrandete Raute wird die Beziehung dargestellt.
Die Attribute werden gestrichelt unterstrichen.
Das Konzept der abhängigen Entity-Typen verfeinert und präzisiert die ER-
Modellierung. Die Umsetzung erfolgt wie üblich durch Tabellen und durch zusam-
mengesetzte Schlüssel (bzw. durch neue Schlüssel, die eine Kombination beider
Schlüsselfelder darstellen).
8.6.2 Die Ist-Beziehung
Mit den bisherigen Konstrukten des einfachen Entity-Relationship-Modells lässt

sich eine besondere Beziehung noch nicht modellieren, die man mit Spezialisierung
(bzw. in umgekehrter Sicht mit Generalisierung) umschreiben könnte und die als
Ist-Beziehung oder is-a-relationship bezeichnet wird (zu weiteren Konzepten vgl.
Saake u.a. 2010 S. 78 ff.). In dem vorliegenden Beispiel ist der Entity-Typ „Brun-
nen“ durch mehrere Attribute definiert:
Brunnen = {Name, Lagekoordinaten, Adresse}
Daneben sind für einzelne Brunnen noch weitere zusätzliche Angaben notwendig.
So könnten z.B. städtische und private Brunnen mit zusätzlichen Attributen unter-
schieden werden. Für die städtischen Brunnen sind verschiedene Wartungsteams
zuständig, für die unterschiedliche Verwaltungsschlüssel (Kostenstellen) vorliegen.
Die privaten Brunnen sind einem Besitzer (mit Adresse) zugeordnet und weisen
eine Lizenznummer des Wasserversorgungsunternehmens auf. Daher ist es sinn-
voll, eigene Entity-Typen zu bilden:
städtische Brunnen = {Kostenstelle, VerwaltungsKennziffer}
private Brunnen = {Besitzer, LizenzNr.}
Beide Entity-Typen sind Spezialisierungen des Entity-Typs „Brunnen“, der Ober-
typ ist eine Generalisierung der Untertypen. Die Attribute von „Brunnen“ haben
auch für die städtischen und privaten Brunnen Gültigkeit, sie werden an die Spezi-
alisierungen vererbt (vererbte Attribute).
In der graphischen Darstellung werden Ist-Beziehungen wie die (sonstigen) Be-

ziehungen durch eine Raute veranschaulicht, in die die Bezeichnung „ist“ eingetra-
gen wird (vgl. Abb. 8.17). Die Ist-Beziehung ist total (Gegenteil: partiell), wenn
neben der Zerlegung in die angegebenen Entity-Typen keine weiteren Entity-Typen
bestehen. Im vorliegenden Fall soll die Ist-Beziehung total sein, was bedeutet, dass
es keine weiteren Brunnen gibt, die z.B. im Besitz einer Versorgungsgesellschaft
sind und die gesondert mit eigenen Attributen zu modellieren sind. Diese Beziehung
soll zudem disjunkt (Gegenteil: nicht disjunkt) sein, da entweder städtische oder
private Brunnen bestehen und kein Brunnen sowohl im städtischen als auch im pri-
vaten Besitz sein soll.
Die Umsetzung der Ist-Beziehung in eine relationale Datenbank erfolgt nicht
durch eine eigene Tabelle wie bei der Beziehung „prüfen“ in Abbildung 8.10. Viel-
mehr wird in die Tabelle des spezielleren Entity-Typs zusätzlich der Primärschlüs-
sel des allgemeineren Entity-Typs aufgenommen. Im vorliegenden Brunnenbeispiel
besitzt der Entity-Typ Brunnen den Primärschlüssel B-Nr. (vgl. Tab. 8.1). Die Re-
lation „Städtischer Brunnen“ erhält einen eigenen Schlüssel sowie den geerbten
Schlüssel B-Nr. Der Schlüssel B-Nr. in der Relation „Städtischer Brunnen“ ist
Fremdschlüssel bezüglich der Relation „Brunnen“.
Koordinaten
Name Adresse
Brunnen
ist
Städtischer Privater
Brunnen Brunnen
KO-Stelle VerwID Besitzer LizenzID
Abb. 8.17: ER-Diagramm mit Entities, Attributen und einer Ist-Beziehung
8.6.3 Das EER-Modell
Das klassische Entity-Relationship-Modell kann zum erweiterten ER-Modell

(EER-Modell) ausgebaut werden. Das allgemeinere Konzept des sog. Typkonstruk-
tors ersetzt die Ist-Beziehung. Erweiterte Schlüsselkonzepte sowie objektwertige
Attribute modellieren abhängige Entity-Typen. Auch benutzerdefinierte Datenty-
pen erweitern die Standarddatentypen. Somit können diese konzeptionellen Erwei-
terungen als Brücke im Hinblick auf die Objektorientierung bei Datenbanken ver-
standen werden. Inzwischen wurde die EER-Modellierung durch Konzepte der ob-
jektrelationalen Datenbanken überholt.
Erweiterungen 365
8.6.4 Objektorientierte und objektrelationale Datenbanksysteme
Naheliegend ist, die Konzepte der Objektorientierung mit Datenbankkonzepten zu-

sammenzuführen und objektorientierte Datenmodelle und Datenbanksysteme zu
entwickeln. Die Bestrebungen werden häufig damit begründet, Defizite relationaler
Datenbanksysteme zu beheben, und um den Anforderungen komplexer Fragestel-
lungen besser zu begegnen. Die Schwächen relationaler Systeme sind vor allem
(vgl. im Hinblick auf Geodaten Kap. 8.7.1):
- begrenzte Zahl vorhandener Datentypen und begrenzte Möglichkeiten zur Mo-
dellierung komplexer Objekte,
- umständliche Aufteilung eines Objektes über mehrere Relationen (Segmentie-
rung) und rechenzeitintensives Zusammenführen,
- künstliche Schlüsselattribute,
- keine Modellierung von objekt- bzw. typspezifischen Operationen (Verhalten)
auf den Strukturen.
Allerdings kann das relationale Modell durchaus mit den Problemen umgehen, für
die von objektorientierten Datenmodellen Lösungen angeboten werden. Auch bie-
ten objektorientierte Datenbanksysteme nicht nur Vorteile. Im Gegensatz zu relati-
onalen Datenbanksystemen weisen objektorientierte Systeme verschiedener Her-
steller große Unterschiede auf. So hat sich kein einheitliches Objektmodell oder
eine Abfragesprache für objektorientierte Datenbanksysteme im Vergleich zu rela-
tionalen Datenbanksystemen mit SQL durchgesetzt.
Mit dem Ziel einer stärkeren Vereinheitlichung haben sich 1993 die wichtigen
kommerziellen Anbieter objektorientierter Datenbanksysteme zur Object Database
Management Group (ODMG) zusammengeschlossen. Nach Veröffentlichung der
Version 3 des Object Database Standards (ODMG 3.0) im Jahre 2000 wurde die
Arbeit eingestellt. Die Object Management Group arbeitet momentan an einem Ob-
jektdatenbankstandard der vierten Generation, um die jüngsten Änderungen in der
Objektdatenbanktechnologie einzubringen (vgl. ODMG 2019).
Die Standardisierungsbemühungen haben allerdings bisher nicht dazu geführt,
die Dominanz relationaler Datenbankmanagementsysteme zu verringern. Dies ist
auf die noch recht geringe Leistungsfähigkeit und schwache Verbreitung von aus-
gereiften objektorientierten Datenbankmanagementsystemen auf dem kommerziel-
len Markt zurückzuführen. Noch gewichtiger ist, dass ein erheblicher Aufwand für
einen Umstieg notwendig wird, der in der Regel betriebswirtschaftlich nicht zu
rechtfertigen ist. Hingegen wurde das klassische relationale Modell funktional zum
sog. objektrelationalen Modell erweitert, indem bestimmte Konzepte der Objekto-
rientierung in das relationale Modell integriert werden. Die Erweiterungen betreffen
u.a. mengenwertige Attribute, die Bildung anwendungsspezifischer Attribute, die
Objektidentität (künstlich erzeugte Objektidentifikatoren anstelle von aus Attribu-
ten erstellten Schlüsseln), Vererbung und Klassenhierarchie. Insbesondere können
komplexe Datentypen sowie benutzerdefinierte Klassen erstellt werden. Die Vor-
teile des relationalen und des objektorientierten Datenmodells werden zusammen-
gebracht. Zentrale Konzepte wie die Verwendung von Relationen und die Daten-
bankabfragesprache SQL bleiben erhalten (vgl. Kemper Eickler 2015 S. 401 ff. u.
S. 439 ff.).
Der SQL-Standard SQL:2016 dokumentiert diese Entwicklungen. Der Standard
besteht insgesamt aus neun Publikationen und wird durch ebenfalls standardisierte
SQL multimedia and application packages ergänzt. Für die Geoinformatik ist vor
allem der dritte Teil wichtig, häufig SQL-MM 3 abgekürzt, der benutzerdefinierte
räumliche Datentypen und die dazugehörigen Routinen definiert (vgl. ISO/IEC
9075-1:2016 u. ISO/IEC 13249-3:2016).
8.7 Geodatenbanken
8.7.1 Verwaltung und Verarbeitung von Geodaten in relationalen Da-

tenbanken
Eine zentrale Aufgabe der Geoinformatik besteht darin, dass neben nicht-geometri-
schen Attributen, die die Thematik eines Geoobjektes beschreiben, vor allem geo-
metrische Daten gespeichert, verwaltet, analysiert und präsentiert werden müssen.
Die Darstellung der zunächst sehr einfach klingenden Aufgabe, die Grenzen (und
Flächen) der Bundesrepublik Deutschland darzustellen, scheitert aber mit einem re-
lationalen Datenbanksystem, das u.a. atomare Attribute verlangt. Kein Attribut darf
eine Menge oder Liste von Daten enthalten. Die Geometrien von Geodaten, d.h.
z.B. die Grenzen des Bundeslands Brandenburg, bestehen aus vielen Attributen,
wobei die Grenzen des Bundeslands Hessen eine dazu unterschiedliche Anzahl auf-
weisen. Das Bundesland Brandenburg ist ein Polygon mit der Aussparung für Berlin
(sog. Donut). Das Bundesland Schleswig-Holstein ist ein mehrteiliges Polygon, das
Festland und Inseln beschreibt. Derartige Multipolygone können nur sehr umständ-
lich in einem relationalen Datenbanksystem gespeichert werden. So ist eine Auftei-
lung der Multipolygone auf mehrere Tabellen sehr ineffizient (zu einem Lösungs-
ansatz vgl. Brinkhoff 2013 S. 28).
Lange Zeit war die Norm, Geometrien und Sachdaten getrennt zu speichern (vgl.
den heute noch gültigen Industriestandard das Shape-Datenformat der Firma ESRI,
vgl. Kap. 9.3.3). Die Geometrien werden in einem (hersteller-)spezifischen Format
gespeichert. Für die Darstellung der Sachdaten wird zumeist eine kommerzielle re-
lationale Datenbank benutzt (vgl. z.B. das dBASE-Datenformat im proprietären
Shape-Datenformat, vgl. Kap. 9.3.3)). Eine Software, d.h. in der Regel ein Geoin-
formationssystem, führt beide Attributarten zusammen. Die Kopplung beider Da-
tenmengen erfolgt über gemeinsame Schlüssel. Dieses Vorgehen hat mehrere ge-
wichtige Nachteile. Das proprietäre Datenformat kann sich bei einem Versions-
wechsel ändern. Die Geometrien können in der Regel nicht ohne das Geoinforma-
tionssystem oder erst nach aufwendiger Erstellung von benutzereigenen Program-
men benutzt werden. Eine einfache Interoperabilität besteht nicht. Abgesehen von
herstellerdefinierten Industriestandards bestehen keine allgemeinen, offenen Stan-
dards.
Geodatenbanken 367
Inzwischen bieten relationale Datenbanksysteme die Möglichkeit, komplexe Da-

ten wie z.B. Rasterbilder, Audiodateien oder Videos oder sonstige beliebige Binär-
dateien als Binary Large Objects (BLOBs) zu speichern. Somit können auch belie-
big strukturierte Geometriedaten eines einzelnen Objektes binär in die Datenbank
aufgenommen werden (vgl. das proprietäre Personal-Geodatabase-Datenformat der
Firma ESRI, das Geometrie und Sachdaten in einer Access-Datenbankdatei spei-
cherte, das aber von der aktuellen Version ArcGIS Pro nicht mehr unterstützt wird,
vgl. Kap. 9.3.3). Zwar sind jetzt Geometrie- und Sachdaten in einer Datenbank(-
datei) gespeichert, jedoch bestehen weiter erhebliche Nachteile. So können die ab-
gespeicherten Binärdaten nicht durch Methoden des Datenbanksystems (unabhän-
gig vom Geoinformationssystem) interpretiert und effizient ausgewertet werden, da
ihre Bedeutung unbekannt ist (z.B. Punkte oder mehrteilige Polygone oder Audio-
informationen). So können vom relationalen Datenbankmanagementsystem keine
geometrischen Funktionen angestoßen werden. Sprachelemente einer Abfragespra-
che fehlen. Das Datenbankmanagementsystem kann (allein) nicht prüfen, ob kon-
sistente Geometriedaten vorliegen. Nicht beurteilt werden kann, ob Beziehungen
zwischen verschiedenen Geodaten, d.h. BLOBs, vorliegen. Hierzu werden Funkti-
onen des Geoinformationssystems benötigt (vgl. Werkzeuge zur Prüfung von To-
pologien von geometrischen Datenstrukturen in einer ESRI-File_Geodatabase, vgl.
Kap. 9.3.3). Schließlich sind derartige BLOBs in der Regel nicht für externe An-
wender direkt nutzbar. So werden spezielle Programme oder wiederum Geoinfor-
mationssysteme benötigt, um die Daten auszulesen.
8.7.2 Aufgaben von Geodatenbanken
Geodatenbanksysteme sind Datenbanksysteme, die neben der Speicherung nicht-

räumlicher Daten gerade auch die Speicherung von räumlichen Daten und ihre Aus-
wertung ermöglichen. Geodatenbanken entsprechen zunächst der allgemeinen De-
finition von Datenbanksystemen, die somit aus einer Datenbank, in der die Daten
gespeichert sind, und einem Datenbankmanagementsystem bestehen, mit dem die
Daten verwaltet werden können. Ein Geodatenbanksystem muss somit die üblichen
Anforderungen eines Datenbanksystems erfüllen, zu denen u.a. Redundanzfreiheit,
Datenintegrität/Datenkonsistenz und eine leistungsfähige Anfragebearbeitung so-
wie die Einhaltung von Standards gehören (vgl. Kap. 8.1.3). Jedoch ermöglicht eine
Geodatenbank zusätzlich die Speicherung und Verwaltung von Geodaten sowohl
von Raster- als auch Vektordaten sowie die Bearbeitung von räumlichen Anfragen
und Analysen.
Nach Brinkhoff (2013 S. 26 ff.) bestehen spezifische Anforderungen an ein Geo-
datenbanksystem, das:
- geometrische Datentypen anbieten muss,
- Methoden zur Ausführung geometrischer Funktionen besitzen muss,
- eine passende Absprache zur Verwendung der Methoden aufweisen muss,
- zur effizienten Ausführung der Methoden geeignete Algorithmen und Daten-
strukturen bereitstellen muss,
- die Daten im Sinne eines offenen Geoinformationssystem von externen Anwen-

dungen genutzt werden können
- zur Erreichung größtmöglicher Interoperabilität allgemeine Standards einhalten
muss.
Diese Anforderungen sind mit klassischen relationalen Datenbanksystemen nicht
zu erfüllen. Hingegen stellen objektrelationale Datenbanksysteme Erweiterungs-
komponenten zur Verwaltung insbesondere von Geodaten zur Verfügung. Von den
kommerziellen Anbietern ist vor allem Oracle Spatial and Graph (bis 2012 Oracle
Spatial) zu nennen, das eine separat lizenzierte Komponente der Oracle-Datenbank
darstellt (vgl. Oracle 2019). Für IBM Informix Dynamic Server sind dies das Modul
Informix Spatial DataBlade Module bzw. Geodetic DataBlade Module (vgl. IBM
Informix 2019a u.2019b) und für IBM DB 2 der IBM DB 2 Spatial Extender (vgl.
IBM DB 2 2004). Das Microsoft Datenbanksystem SQL-Server unterstützt eben-
falls die Speicherung und Auswertung geometrischer Datentypen. Auch das Daten-
banksystem HANA von SAP enthält eine räumliche Datenbank-Engine, die räum-
liche Datentypen und SQL-Erweiterungen für Operationen mit räumlichen Daten
ermöglicht (vgl. ESRI 2017). Daneben bestehen mehrere Open-Source-Datenbank-
systeme, die Geoobjekte speichern und verwalten können, die aber recht unter-
schiedliche bzw. eingeschränkte Funktionalitäten aufweisen, räumliche Daten aus-
zuwerten (vgl. z.B. MySQL und SpatialLite als Erweiterung von SQLite). Demge-
genüber steht die weit verbreitete Open-Source-Datenbank-Software PostgreSQL
mit der zugehörigen Erweiterung PostGIS für Geodaten (vgl. PostGIS 2019a), die
u.a. geometrische Datentypen sowie umfangreiche Funktionen für die Analyse und
Bearbeitung von Geoobjekten bereitstellen.
8.7.3 PostgreSQL/PostGIS
Die Erweiterung PostGIS des Open-Source-Datenbanksystems PostgreSQL stellt

mächtige Möglichkeiten zur effektiven Speicherung, Organisation und Abfrage von
großen Mengen von Geodaten zur Verfügung. Mit „Point“, „Linestring“ und „Po-
lygon“ sind drei Basis-Geometrietypen vorhanden, von denen vier weitere Geomet-
rietypen abgeleitet sind (vgl. Tab. 6.2 u. PostGIS 2019b Chapter 4). Während der
Standard-OGC-Datentyp „geometry“ nur 2D-Geometrien unterstützt, stehen inzwi-
schen in PostGIS auch erweiterte Formate als Obermenge der OGC Formate zur
Verfügung wie z.B. 3D- und 4D-Punktobjekte, Multicurve, Polyhedralsurface, Tri-
angle oder TIN. Der Datentyp „geometry“ basiert auf Angaben in einer Ebene, in
der die kürzeste Entfernung zwischen zwei Punkten eine Gerade darstellt. Entspre-
chend werden geometrische Berechnungen (wie Bestimmen von Flächeninhalten,
Längen oder von Schnittpunkten) in einem kartesischen Koordinatensystem ausge-
führt. Darüber hinaus ist in PostGIS der Datentyp „geography“ vorhanden, der ein
geodätisches Koordinatensystem benutzt, wodurch Geoobjekte unterstützt werden,
die durch geographische Koordinaten (geographische Länge und Breite) definiert
sind. Die kürzeste Verbindung zwischen zwei Punkten auf einer Kugeloberfläche
ist ein Bogenstück eines Großkreises. Berechnungen auf geographischen Datenty-
Geodatenbanken 369
pen (wie Bestimmen von Flächeninhalten, Längen oder von Schnittpunkten) erfol-
gen auf der Kugeloberfläche, wobei die Versionen PostGIS 2.2 und höher beliebig
definierte Ellipsoide unterstützen (vgl. PostGIS 2019b). Das neueste Mitglied der
räumlichen PostGIS-Typenfamilie ist „raster“ zum Speichern und Analysieren von
Rasterdaten (vgl. PostGIS 2019b Chapter 10).
In der Geoinformatik hat PostGIS als Erweiterung von PostgreSQL eine große
Bedeutung und entsprechend große Verbreitung. Die Datenbank PostgreSQL kann
zunächst nur als Datencontainer zur Speicherung von Geodaten dienen. Viele Open-
Source-Geoinformationssysteme können auf die Datenbank zugreifen. Auch Ar-
cGIS, das proprietäre Geoinformationssystem der Firma ESRI, bietet eine Anbin-
dung an PostgreSQL. Somit kann eine Datenhaltung in einem Geoinformationssys-
tem unabhängig von Vorgaben und proprietären Datenformaten von Softwareher-
stellern erfolgen. Darüber hinaus können mit Hilfe von PostgreSQL/PostGIS selbst
auf der Basis von SQL-Abfragen räumliche Analysen durchgeführt werden. Somit
können GIS-Operationen direkt aus der Datenbank erfolgen (vgl. Kap. 8.7.4). Mit
der Erweiterung „pgRouting“ sind zudem Routenberechnungen auf Netzwerken
möglich. Derartige Funktionen sind zumeist nur Geoinformationssystemen vorbe-
halten.
PostgreSQL ist eine Geodatenbank, die auch in ein Geoinformationssystem ein-
gebunden werden kann wie z.B. in QGIS und ArcGIS, wobei dies in QGIS recht
einfach möglich ist. Werden in QGIS Veränderungen an den Geodaten vorgenom-
men, wie z.B. ein Attribut hinzufügen oder zu ändern, und werden die Änderungen
gespeichert, dann werden die Daten in der PostgreSQL/PostGIS-Datenbank auch
übernommen. Auch der Mapserver kann direkt mit PostGIS zusammenarbeiten.
Ebenso bieten weitere OpenSource-Geoinformationssysteme (z.B. GRASS, Open-
JUMP, QGIS oder uDIG) in der Regel komfortable Schnittstellen, um eine Post-
greSQL/PostGIS-Datenbank einzubinden.
Insbesondere kann eine größere Unabhängigkeit von GIS-Software erreicht wer-
den. Allerdings ist eine völlige Selbstständigkeit nicht sinnvoll. Die geometrische
Erfassung von Geoobjekten sowie die Visualisierung der Geodaten und das Erstel-
len von Views am Monitor oder von Karten über ein graphisches Ausgabegerät sind
mit Hilfe von GIS-Software einfacher und häufig intuitiver möglich. Somit ist ein
Verbund einer PostgreSQL/PostGIS-Datenbank mit einem Geoinformationssystem
gerade bei größeren Projekten sehr sinnvoll.
8.7.4 Auswertung von Geodaten mit PostgreSQL/PostGIS
Anhand weniger Beispiele soll die große Leistungs- und Einsatzfähigkeit von Post-
greSQL/PostGIS in der Geoinformatik angerissen werden. Geodatenbanken sind
allerdings keine Geoinformationssysteme, da ihnen (effiziente) Werkzeuge zur Er-
fassung von Geodaten fehlen (zum EVAP-Modell vgl. Kap. 9.1.2 u. 9.1.4). Zu-
grunde liegt eine Standardanwendung aus Kapitel 9, die dort im Zusammenhang
mit Werkzeugen eines Geoinformationssystems gelöst wird. Hier wird ein Vorge-
hen vorgestellt, das unabhängig von einem Geoinformationssystem mit Methoden
einer Geodatenbank arbeitet. Die Befehlsfolgen beziehen sich auf pgAdmin4 und
postgreSQL 11.2-2, Grundlage ist SQL/MM 3: 6.1.8.
Im Mittelpunkt stehen wie bei jeder relationalen Datenbank Tabellen, die jetzt
Sachdaten und Geometriedaten enthalten können. Die Spalten für Sachdaten wer-
den mit SQL durch die übliche CREATE Anweisung definiert und erstellt. Aller-
dings besteht nur eine einzige Spalte pro Tabelle für die Geometriedaten:
CREATE TABLE public.strassenlaternen (id_lampe integer, lname character vary-
ing(10), geom geometry)
Das Einfügen der Geometriedaten kann mit folgenden Befehlen erfolgen:

INSERT INTO strassenlaternen
VALUES (177,'Bogenlampe', ST_geomFromText ('POINT(123.45 546.78)', -1))
Der Befehl ist fast selbsterklärend. Da keine Koordinatenangabe als EPSG-Code
erfolgt, wird stattdessen -1 gesetzt.
In der Regel wird man gegenüber diesem umständlichen Vorgehen aber Geometrien
und Sachdaten mit den Funktionen eines Geoinformationssystems erfasst haben,
das geeignete Funktionen zur Definition von Koordinatensystemen sowie zur Er-
fassung und zum Editieren von Geometrien sowie zur Aufnahme von Sachdaten
bereitstellt (vgl. Kap. 9.4.1). Spezielle Programme (vgl. z.B. das freie Programm
shp2pgsql-gui.exe mit einer graphischen Benutzerführung) ermöglichen eine einfa-
che Übernahme von Daten im proprietären Datenformat Shape (vgl. Kap. 9.3.3) in
eine PostgreSQL/PostGIS-Datenbank. Hierdurch wird jeder Datenebene, d.h.
Layer, eine eigene Tabelle zugewiesen (zum Layerprinzip vgl. Kap. 4.1.1 u. 9.3.6).
Vor dem Sichern muss der Spatial Reference System Identifier (SRID) zur Angabe
des Koordinatensystems gesetzt werden. Die zugehörige Tabelle der Identifier wird
automatisch bei der Übernahme von Shapes angelegt.
Im folgenden Beispiel wurden zwei Datenebenen aus der im Kapitel 9.4.4 näher
erläuterten Anwendung (vgl. auch Abb. 9.18) in zwei PostgreSQL/PostGIS-Tabel-
len überführt. Der Layer bzw. die Tabelle „biotopeutm32“ kennzeichnet landwirt-
schaftlich genutzte Flächen sowie Wälder. Der Layer bzw. die Tabelle „umgehung-
westutm32“ stellt die geplante Umgehungsstraße im Westen einer ländlichen Sied-
lung dar. Mehrere Befehlsfolgen zeigen prinzipielle Auswertungsmöglichkeiten:
Auswahl sämtlicher Flächen der Tabelle „biotopeutm32“, die größer als 200.000
m2 sind. Das Ergebnis zeigt Abbildung 8.18.
SELECT gid, b_code, ST_area(geom), geom
FROM public.biotopeutm32
WHERE st_area(geom) > 200000
Die Abfrageergebnisse werden zunächst nicht graphisch in einer Karte visualisiert.
Mit Hilfe des „Geometry Viewer“ ist aber eine sehr rudimentäre räumliche Veran-
schaulichung möglich (Button oberhalb der Spalte „geom“ in Abb. 8.18, vgl. Abb.
8.19).
Geodatenbanken 371
Erstellen einer Pufferzone mit Abstand von 200 m um die geplante Umgehungs-
straße, die als eine Belastungszone verstanden werden kann, und Erstellen einer
neuen Tabelle mit dem Ergebnis:
CREATE TABLE bufferwest200 AS SELECT ST_buffer (geom, 200)
FROM umgehungwestutm32
Erstellen des gemeinsamen räumlichen Durchschnitts der Biotopflächen und der

Belastungszone (vgl. Abb. 8.19):
SELECT ST_intersection (biotopeutm32.geom, bufferwest200.st_buffer)
FROM bufferwest200, biopeutm32
Abb. 8.18: Auswertung PostgreSQL-Datenbank: Ausführen eines SELECT-Befehls auf Geoob-

jekte
Abb. 8.19: Auswertung PostgreSQL/PostGIS-Datenbank: Ausführen eines SELECT-Befehls auf

Geoobjekte (räumlicher Durchschnitt der Biotopflächen und der Belastungszone)
Literatur
Brinkhoff, Th. (2013): Geodatenbanksysteme in Theorie und Praxis. Einführung in objektrelatio-

nale Geodatenbanken unter besonderer Berücksichtigung von Oracle Spatial. Heidelberg: Wich-
mann. 3. Aufl.
Codd, E. F. (1970): A relational model for large shared data banks. Communications of the ACM,
13-6, S. 377 - 387.
Codd, E.F. (1990): The Relational model for database Management, Version 2. Reading, Mass: Ad-
dison Wesley.
ESRI (2017): Does the ArcGIS platform support the SAP HANA database? https://sup-
port.esri.com/en/technical-article/000012246
IBM DB 2 (2004): IBM DB2 Spatial Extender and Geodetic Extener User’s Guide and Reference.
ftp://ftp.software.ibm.com/software/data/spatial/db2sb.pdf (19.11.2019)
IBM Informix (2019a): Geodetic DataBlade Module. Quick Start Guide. https://www.ibm.com/sup-
port/knowledgecenter/zh/SSGU8G_11.50.0/com.ibm.quicks_geod.doc/geod312_qsg_en.htm
(19.11.2019)
IBM Informix (2019b): Spatial DataBlade Module. Quick Start Guide.
https://www.ibm.com/support/knowledge-
center/zh/SSGU8G_11.50.0/com.ibm.quicks_spat.doc/spat8214_qsg_en.htm (19.11.2019)
ISO/IEC 9075-1:2016 (2016): Information technology -- Database languages -- SQL -- Part 1:
Framework (SQL/Framework) https://www.iso.org/standard/63555.html (19.11.2019)
ISO/IEC 13249-3:2016 (2016): Information technology -- Database languages -- SQL multimedia
and application packages -- Part 3: Spatial. https://www.iso.org/standard/60343.html?browse=tc
(19.11.2019) (Verweis auf das SQL_Spatial package)
Kemper, A. u. A. Eickler (2015): Datenbanksysteme. Eine Einführung. München: Oldenbourg Ver-
lag, 10. Aufl.
Laube, M. (2019): Einstieg in SQL: Für alle wichtigen Datenbanksysteme: MySQL, PostgreSQL,
MariaDB, MS SQL. Bonn: Rheinwerk 2. Aufl.
Object Data Management Group (ODMG) (2019): Standard for Storing Objects. http://www.od-
bms.org/odmg-standard/ (19.11.2019)
Oracle (2019): Oracle Spatial and graph.
https://www.oracle.com/database/technologies/spatialandgraph.html (19.11.2019)
PostGIS (2019a): What is PostGIS? http://www.postgis.org/ (19.11.2019)
PostGIS (2019b): PostGIS 2.4.3 Handbuch. https://postgis.net/docs/manual-2.4/postgis-de.html
(19.11.2019)
pgAdmin (2019): PostgreSQL Tools. https://www.pgadmin.org/ (19.11.2019)
PostgreSGL (2019a): Das freie objektrelationale Open Source Datenbanksystem. http://www.post-
gresql.de/ (19.11.2019)
PostgreSQL (2019b): About. What is PostgreSQL? https://www.postgresql.org/about/ (19.11.2019)
Saake, G., Sattler, K.-U. u. A. Heuer (2018): Datenbanken: Konzepte und Sprachen. Bonn: mitp-
Verlag, 6. Aufl.
Vossen, G. (2008): Datenmodelle, Datenbanksprachen und Datenbank-Management-Systeme.
München: Oldenbourg, 5. Aufl.
9 Geoinformationssysteme
9.1 Konzepte digitaler Informationssysteme und Geoin-

formationssysteme
9.1.1 Informationssysteme
Ein System, das auf einen Datenbestand zurückgreift und Auswertungen dieser Da-
ten zulässt, so dass Informationen abgeleitet und wiedergegeben werden können,
kann allgemein als ein Informationssystem bezeichnet werden. In dieser ersten De-
finition kommt zwar schon die Gesamtheit von Daten und Verarbeitung der Daten
zum Ausdruck, allerdings werden Datenspeicherung und vor allem Datenerfassung
noch nicht näher thematisiert bzw. eingeschlossen. So werden reine Auskunftssys-
teme, die nur eine (u.U. auch komplexe) Verarbeitung von bereits vorhandenen Da-
ten zulassen, hier nicht zu den Informationssystemen gerechnet, die auch eine Da-
tenaufnahme, d.h. Neuaufnahme und Aktualisierung, gestatten müssen. Somit ge-
hören zu einem Informationssystem Aufnahme, Speicherung, Aktualisierung, Ver-
arbeitung und Auswertung von Informationen sowie deren Wiedergabe.
Diese sehr umfassende Begriffsbildung schließt auch analoge Informationssys-
teme ein. Nach der Art der (irgendwie) gespeicherten Informationen, die dann auch
spezielle Verarbeitungsmethoden bedingen, können Informationssysteme (al-
pha-)numerischer, textlicher, bildhafter oder multimedialer Art unterschieden wer-
den. Hierfür lassen sich vielfältige Beispiele angeben: Informationssysteme in Ban-
ken (u.a. Verwaltung von Kundenstamm und Kontenführung), in Reisebüros (u.a. In-
formationen über Verkehrsverbindungen, Hotelbelegungen, Buchungen) oder in Bib-
liotheken (u.a. Verwaltung von Benutzerdaten, Buchreservierungen, Suchoptionen im
Bibliotheksbestand).
Im Mittelpunkt der Geoinformatik stehen mit den Geoinformationssystemen
raumbezogene Informationssysteme, die im Gegensatz zu den übrigen Informati-
onssystemen Geoobjekte der realen Welt modellieren und diese in ein digitales In-
formationssystem abbilden (vgl. Kap. 9.3). Die Gegenstände eines Geoinformati-
onssystems besitzen wie auch bei allen anderen Informationssystemen eine Thema-
tik (und Dynamik). Das Besondere bei Geoinformationssystemen ist, dass Geoob-
jekte darüber hinaus Geometrie und Topologie als implizite Bestandteile aufweisen!
Die Verarbeitung derartiger raumbezogener Informationen erfordert spezielle
Werkzeuge bzw. Funktionen, die von den übrigen Informationssystemen nicht be-
reitgestellt werden (vgl. Kap. 9.4 u. 9.5).

https://doi.org/10.1007/978-3-662-60709-1_9
9.1.2 Vier-Komponenten-Modelle eines Informationssystems
Bereits die sehr allgemeine Begriffsbildung enthält die beiden fundamentalen Sicht-
weisen, nach denen ein Informationssystem unter strukturellen und unter funktio-
nalen Gesichtspunkten zu betrachten ist. Nach strukturellen Aspekten sind die Art
und (physikalische) Beschaffenheit des Systems und der Speichermedien, die Ver-
arbeitungsmöglichkeiten, die vorhandenen und in irgendeiner Form gespeicherten
Informationen oder Daten sowie die Anwendungen, Einsatzbereiche und die Nutzer
zu unterscheiden. Werden diese Sichtweisen auf digitale Informationssysteme ein-
geengt, so ergeben sich vier strukturelle Komponenten:
Hardware – Computersystem einschl. Prozessor, Speichermedien, Peripherie-
geräte und Vernetzung
Software – Programmsysteme einschl. Softwarewerkzeuge zur Erfassung,
Verwaltung, Analyse und Präsentation der Informationen
Daten – quantitative und qualitative Informationen, die zusammen einen
(fachbezogenen) Ausschnitt der realen Welt darstellen
Anwender – Benutzer mit ihren Anforderungen und Fragestellungen bzw. An-
wendungen und Einsatzmöglichkeiten
Nach funktionalen Aspekten sind vier Funktionen zu unterscheiden:
Erfassung – Daten- oder Informationserfassung und -speicherung (d.h. Input)
Verwaltung – Datenverwaltung (d.h. Management)
Analyse – Datenauswertung und Datenanalyse (d.h. Analysis)
Präsentation – Wiedergabe der Information (d.h. Output bzw. Presentation)
Dabei sind einzelne Funktionsgruppen verschieden umfangreich ausgeprägt und vor
allem nicht scharf voneinander zu trennen. So kann die Datenverwaltung auch eine
Aktualisierung u.a. mit einer Ergänzung oder Neuerfassung von Daten bedeuten.
Das Sortieren oder Selektieren von Datensätzen kann als Verwaltungsfunktion, aber
auch schon als Auswertefunktion gesehen werden, die eigentlich erst mit der Aus-
wertung bzw. mit der Analyse der Informationen einsetzt.
Die vier strukturellen bzw. die vier funktionalen Komponenten definieren das
HSDA- bzw. das EVAP-Modell. Dabei bestimmt vor allem die Software den Funk-
tionsumfang, d.h. sämtliche EVAP-Komponenten. In dieser strengen Definition, die
beim Begriff Geoinformationssystem angewendet wird, ist die Analyse der Daten
ein unverzichtbares, konstituierendes Merkmal eines Informationssystems. Viele
Datenportale und Systeme im Internet, die Daten bzw. Informationen anbieten und
die häufig als Informationssysteme bezeichnet werden, sind in diesem strengen Sinn
nur Auskunftssysteme, da zumeist die Erfassung und Speicherung eigener benut-
zerspezifischer Daten oder die Analyse der Daten fehlen.
Konzepte digitaler Informationssysteme und Geoinformationssysteme 375
9.1.3 Begriff Geoinformationssystem
Geoinformationssysteme gehören zu den raumbezogenen, digitalen Informations-

systemen. Die zentralen Gegenstände dieser Informationssysteme sind Informatio-
nen über Geoobjekte (zum Begriff Geoobjekt vgl. Kap. 4.1):
Ein Geoinformationssystem ist ein rechnergestütztes System, das aus Hardware,
Software, Daten und den Anwendungen besteht. Mit ihm können raumbezogene Da-
ten digital erfasst, gespeichert, verwaltet, aktualisiert, analysiert und modelliert so-
wie alphanumerisch und graphisch präsentiert werden.
Diese Begriffsbestimmung erfolgt in Anlehnung an die nicht nur im deutschsprachi-
gen Raum etablierte Definition, die auf Bill u. Fritsch 1991 zurückgeht (vgl. Bill u.
Fritsch 1991 S. 4). Daneben bestehen vielfältige Definitionen mit häufig nur gering-
fügigen Unterschieden (vgl. z.B. Ehlers u. Schiewe 2012 S. 82). Im deutschen
Sprachraum werden die Bezeichnungen Geographisches Informationssystem,
Geoinformationssystem und GIS fast durchgängig synonym benutzt. Im englischen
Sprachraum sind die Bezeichnungen Geographic bzw. Geographical Information
System und GIS üblich.
Ein Geoinformationssystem wird (ebenfalls) durch ein HSDA- bzw. ein EVAP-
Modell definiert. Die vier strukturellen Komponenten liegen wie bei jedem digita-
len Informationssystem, hier aber spezifisch für Anwendungen der Geoinformatik,
inhärent vor. Daneben müssen auch bei einem Geoinformationssystem die vier
funktionellen Komponenten vorhanden sein. Fehlt eine Funktionsgruppe, dann be-
steht im strengen Sinn kein Geoinformationssystem, sondern z.B. nur ein Aus-
kunftssystem, Datenportal oder Konstruktionssystem.
Die Entstehungsgeschichte von Geoinformationssystemen setzte in den 1960er
Jahren ein (zum Überblick über die historische Entwicklung vgl. Goodchild u.
Kemp 1990 Unit 23 u. Dickmann u. Zehner 2001 S. 23 ff.). Das Canada Geographic
Information System (CGIS) aus der Mitte der 1960er Jahre, das am Department of
Forestry and Rural Development von Tomlinson, dem „Vater von GIS“, entwickelt
wurde, war eines der ersten Geoinformationssysteme. Das CGIS diente u.a. zur Auf-
bereitung und Analyse der umfangreichen Daten aus der Bestandsaufnahme des
ländlichen Kanada (Canada Land Inventory, CLI). Innovative Ideen wurden Ende
der 1960er und 1970er Jahre im Harvard Laboratory For Computer Graphics And
Spatial Analysis entwickelt. Zu den Pionieren sind sicher das Geoinformationssys-
tem Arc/Info des Softwareunternehmens Environmental Systems Research Institute
(ESRI) und das primär rasterbasierte GRASS GIS (Geographic Resources Analysis
Support System) zu zählen, das ursprünglich vom US Army Corps of Engineers
entwickelt wurde (vgl. Kap. 9.1.5). Die weitere Entwicklung wurde vor allem durch
vielfältige hardware- und softwaretechnische Verbesserungen in den 90er Jahren
begünstigt und beschleunigt. Inzwischen sind Geoinformationssysteme Standard-
werkzeuge für Anwender wie z.B. Kommunen (vor allem Kataster- und Planungs-
behörden), Planungs-, Versorgungs-, Verkehrs- und Telekommunikationsunterneh-
men.
9.1.4 Vier-Komponenten-Modell eines Geoinformationssystems
Aus struktureller Sicht besteht ein Geoinformationssystem wie jedes andere Infor-
mationssystem aus den vier Komponenten Hardware, Software, Daten und Anwen-
dern (HSDA-Modell):
An Hardwareausstattung sind keine besonderen Anforderungen mehr an die
Computersysteme zu stellen, die inzwischen allgemein eine hohe Leistung erreicht
haben, so dass ein Geoinformationssystem auch auf mobilen Endgeräten eingesetzt
werden kann. Jedoch kommt den graphischen Peripheriegeräten eine zentrale Be-
deutung zu. Hierzu zählen die graphischen Eingabegeräte wie Scanner und die gra-
phischen Ausgabegeräte wie vor allem großformatige Plotter. In einer längerfristi-
gen und umfassenden Bilanz, die sämtliche Komponenten berücksichtigt, ist die
Hardware der weniger kostenintensive Bestandteil eines Informationssystems.
Die Software muss als generelle Aufgabe gewährleisten, die Geoobjekte der re-
alen Welt in ein digitales Informationssystem abzubilden. Insbesondere muss die
Software die vier Funktionsbereiche Datenerfassung, Verwaltung, Analyse und Prä-
sentation von Geoobjekten abdecken. Insgesamt stellen Geoinformationssysteme
sehr komplexe Softwareprodukte dar, die inzwischen deutlich mehr als die Hardware
kosten. Allerdings liegen neben proprietärer Software inzwischen auch leistungsfä-
hige Open Source und Freie Software vor, die in einem Wettbewerb mit den etablier-
ten Marktführern stehen. Häufig wird durch Einführung einer Software eine langfris-
tige Systementscheidung getroffen.
Die digital erfassten und zu pflegenden Daten (Geometrie-, Topologie- und
Sachdaten) machen den eigentlich wertvollen Bestandteil eines Informationssys-
tems aus! Der Aufbau eines Informationssystems führt u.a. dazu, die bisher ver-
streut oder sogar nur unvollständig vorliegenden Daten zu systematisieren, zu ver-
vollständigen und sie einer größeren Zahl von Nutzern (erstmalig) zur Verfügung
zu stellen. Die Daten können mehrere Generationen von Software wie auch von
Mitarbeitern überdauern. Hieraus ergibt sich die zwingende, aber leider häufig nicht
umgesetzte Notwendigkeit, die Daten eindeutig zu dokumentieren und deren Qua-
lität und Einsatzmöglichkeiten zu beschreiben (vgl. Kap. 6.5 u. 6.6). Man kann sehr
hart formulieren, dass ohne ein Metainformationssystem die gespeicherten Daten
wertlos sind. Besondere Bedeutung kommt dem Datenaustausch und der Mehrfach-
nutzung der Daten zu (vgl. Kap. 6.1).
Die Software wie auch die Daten werden erst durch Anwender zur Lösung kon-
kreter Fragestellungen in Wert gesetzt. Anwender und Anwendungen sind untrenn-
bar verknüpft. Die Nutzer benötigen und verarbeiten die Daten im Hinblick auf spe-
zifische Einsatzbereiche und verwenden die vorhandenen, abgeleiteten oder neu ge-
wonnenen Informationen zur Lösung ihrer Aufgaben. Geoinformationssysteme
sind aber aufgrund ihrer Komplexität aufwendig zu handhaben. Von den Nutzern
werden umfangreiche Kenntnisse aus verschiedenen Bereichen der Geoinformatik
erwartet. Dies impliziert (ständige) Schulungs- und Weiterbildungsmaßnahmen.
Vor allem setzt ein erfolgreicher Einsatz neuer Technologien die Akzeptanz der
Mitarbeiter voraus.
Aus funktionaler Sicht besteht ein Geoinformationssystem wie jedes andere In-
formationssystem aus den vier Komponenten Erfassung, Verwaltung, Analyse und
Präsentation (EVAP-Modell). Die Abbildung der Geoobjekte der realen Welt in ein
digitales Informationssystem betrifft Geometrie, Topologie und Thematik von
Geoobjekten sowohl auf einer konzeptionellen Ebene als auch auf der praktischen
Ebene der Erfassung. Dabei gibt die Fragestellung die Art der Modellierung z.B.
als Vektor- oder Rastermodell, als Netzwerkmodell oder als 3D-Modell auf der Ba-
sis von Dreiecksvermaschungen vor. Ein Geoinformationssystem stellt vielfältige
Funktionen bereit, Geodaten zu erfassen (vgl. Kap. 9.4.1 u. 9.5.1).
Die Verwaltung betrifft zum einen Geometrie- und Topologiedaten und zum an-
deren Sachdaten. Geometriedaten und nachfolgend Topologiedaten müssen vor al-
lem editiert, d.h. verändert und ergänzt werden können. Diese Funktionen machen
spezifische Bestandteile von Geoinformationssystemen aus. Hierzu gehören Um-
rechnungen der Geometriedaten in ein neues Koordinatensystem (z.B. von Geogra-
phischen Koordinaten im WGS84 nach UTM) oder das Zusammenlegen zweier be-
nachbarter Flurstücke und Auflösen einer gemeinsamen Grenze. Die Kapitel 9.4
und 9.5 erläutern wesentliche Funktionen. Geometrie- und Sachdaten können ge-
trennt in mehreren Dateien, in einer einzigen Datenbank und auch in Geodatenban-
ken vorgehalten werden (vgl. Kap. 8.7 u. 9.3.3). Das zugrunde liegende Datenmo-
dell legt dabei fest, wie Topologien verwaltet werden.
Zur Verwaltung der Sachdaten ist ein Datenbankmanagementsystem notwendig
und in die GIS-Software integriert. Zu den vielfältigen Funktionen gehören einfache
Auswertefunktionen wie Suchoperationen im Sachdatenbestand, Umklassifizierun-
gen, Sortierungen, Errechnung neuer Attribute aus vorhandenen Attributen oder
Aufbereiten von Ergebnistabellen und Bestimmen von sog. Häufigkeitsauszählun-
gen. Somit bietet in der Regel ein Geoinformationssystem viele Funktionen eines
vollständigen Datenbankmanagementsystems zur Verwaltung der Sachdaten.
Die räumliche Analyse bildet den zentralen Bestandteil eines Geoinformations-
systems. Zu den wichtigsten Funktionen gehören die sog. Overlay- oder Verschnei-
dungsfunktionen. Die Kapitel 9.4.4 und 9.5.3 erläutern die zentralen Funktionen.
Ein Geoinformationssystem umfasst ferner vielfältige Funktionen zur Präsenta-
tion der Geoobjekte, wobei zunächst der Datenbestand am Monitor dargestellt wird:
Anzeigen, Verschieben, Vergrößern und Verkleinern von Kartenausschnitten, Ein-
und Ausschalten oder In-den-Vordergrund-Holen von verschiedenen thematischen
Ebenen, (visuelle) Überlagerung verschiedener thematischer Schichten, gemein-
same Darstellung von Vektor- und Rasterkarten und insbesondere von Luftbildern.
Dabei sind Darstellung und generell das Vorgehen mit einem GIS kartenorientiert.
Bei Bedarf werden zu einem Geoobjekt die zugehörigen Sachdaten angezeigt.
Ebenso werden am Monitor Tabellen oder Diagramme wie inzwischen auch Bilder,
Ton und Videosequenzen präsentiert. Neben der Präsentation in Form von zweidi-
mensionalen Darstellungen besitzt ein Geoinformationssystem im Allgemeinen
auch Funktionen, die perspektivische, pseudo-dreidimensionale Ansichten wie z.B.
Blockbilder (u.a. mit Veränderung der Beleuchtungs- bzw. Besonnungsrichtung)
ermöglichen und Drehungen des Gesamtbildes gestatten. Die Präsentation bedeutet
auch die Ausgabe auf einem analogen zweidimensionalen Datenträger, d.h. zumeist
die Erstellung einer (Papier-)Karte (mit automatisch generierter Legende und Maß-
stabsleiste) oder eines Posters, das Karten, Diagramme, Bilder, Tabellen und Texte
enthalten kann. Für die Präsentation am Monitor wie auch für die Erstellung einer
analogen Karte gelten die aufgezeigten graphischen Gestaltungsgrundsätze (vgl.
Kap. 7.5).
Herauszustellen ist, dass erst dann von einem Geoinformationssystem gespro-
chen werden darf, falls sämtliche Funktionen nach dem EVAP-Modell vorhanden
sind. An dieser fundamentalen Aussage müssen viele Softwareprodukte gemessen
werden. Viele derartige Systeme, die sich selbst zwar als Geoinformationssysteme
bezeichnen, aber z.B. über keine Erfassung von Geoobjekten oder über keine räum-
lichen Analysefunktionen verfügen, sind keine Geoinformationssysteme. Auch
Geodatenbanken, die viele Verwaltungs- und Analysefunktionen räumlicher Daten
besitzen, gehören streng genommen nicht zur Gruppe der Geoinformationssysteme.
Funktionen zur Erfassung von Geometrien sind nur rudimentär vorhanden, sie er-
bringen nicht die notwendigen Anforderungen. Graphischen Präsentationsfunktio-
nen sind kaum vorhanden.
9.1.5 GIS-Software
Inzwischen besteht eine sehr große Fülle an GIS-Software. Einerseits sind viele
Freie und Open-Source-Produkte verfügbar. Andererseits liefern viele Softwareun-
ternehmen proprietäre Geoinformationssysteme, die global, aber auch zumeist von
kleineren Unternehmen nur für ein räumlich kleineres Absatzgebiet angeboten wer-
den. Diese zuletzt genannte Gruppe ist unübersehbar. Häufig werden Speziallösun-
gen angeboten, die auf die spezifischen Bedürfnisse der Anwender zugeschnitten
sind. Dabei setzen diese Produkte häufig auf Open-Source-Software.
Von den weltweit angebotenen Geoinformationssystemen großer international
agierender Softwareunternehmen sollen die Big Six der durch US-amerikanische
Unternehmen dominierten Szene (in alphabetischer Reigenfolge) genannt werden.
Dabei sind die GIS-Produkte häufig in ein größeres Software-Portfolio der Anbieter
eingebunden. Die Namen sind Waren- und Produktbezeichnungen der Unterneh-
men:
- Bereits 1981 wurde international von ESRI mit Arc/Info eine Software auf den
Markt gebracht, die auf Personalcomputern lauffähig war (vgl. ESRI 1995). Die
ArcGIS Produktfamilie ist das derzeitige Flaggschiff von ESRI, das weltweit in
einer großen Verbreitung im Einsatz ist (vgl. ESRI 2019a). Mit ArcGIS Online
besteht auch ein cloudbasiertes Angebot (vgl. ESRI 2019b). Von ESRI wurden
zudem wichtige Datenformate entwickelt (vgl. Kap. 9.3.3).
- Mit AutoCAD Map 3D-Toolset, das im Leistungsumfang der CAD Software Au-
toCAD 2020 enthalten ist, können Daten aus Geoinformationssystemen und
CAD-Systemen (CAD, Computer Aided Design) zusammengebracht werden
(vgl. Autodesk 2019). Auch von Autodesk wurde mit dem DXF-Format ein wich-
tiges Datenformat entwickelt, das immer noch als Industriestandard für den Aus-
tausch von Geometrien zu verstehen ist.
- Das Geoinformationssystem Geomedia, ursprünglich Ende der 1990er Jahre von
Intergraph eingeführt und inzwischen von Hexagon Geospatial angeboten, ist
eine leistungsstarke, flexible GIS-Verwaltungsplattform, mit der Daten aus einer

Vielzahl von Quellen zusammengefasst und analysieren werden können (vgl. He-
xagon 2019a). GeoMedia WebMap ist eine Serverlösung zur webbasierten Visu-
alisierung und Analyse von Geodaten (vgl. Hexagon 2019b).
- Mit MapInfo Pro sind ein Desktop-GIS und eine GIS-Mapping-Software verfüg-
bar, die mit weiteren Produkten wie z.B. MapInfo Vertical Mapper ein umfassen-
des Angebot zur Analyse von Geodaten bieten (vgl. MapInfoPro 2019 ).
- OpenCities Map und OpenCities PowerView sind Softwareprodukte von Bentley,
die ingenieurtechnisch ausgerichtet sind und eine Bearbeitung, Analyse und Ver-
waltung sowie Anzeige und Bearbeitung von 2D/3D-Geodaten ermöglichen (u.a.
für die 3D-Gebäudeplanung, vgl. Bentley 2019).
- Mit Smallworld wird von General Electric (GE Energy) ein international verbrei-
tetes Geoinformationssystem vertrieben, das vor allem von Netzbetreibern in der
Energie- und Wasserwirtschaft eingesetzt wird (vgl. Grintec 2019).
Unter den freien bzw. Open-Source-Geoinformationssystemen sind von globaler
Bedeutung (in alphabetischer Reihenfolge):
- GRASS GIS (Geographic Resources Analysis Support System), ursprünglich ent-
wickelt von den US Army Construction Engineering Research Laboratories, ei-
nem Zweig des US Army Corps of Engineers, wird in vielen US-
Regierungsbehörden sowie weltweit in vielen akademischen und kommerziellen
Umgebungen eingesetzt. Das System umfasst über 350 Module zur Analyse von
Raster- und Vektordaten einschließlich Vektornetzwerken sowie von multispekt-
ralen Bilddaten (vgl. Grass GIS 2019).
- gvSIG (für Generalitat Valencia Sistema de Información Geográfica) kennzeich-
net eine umfangreiche Open-Source-Software-Familie (Desktop-, Online- und
Mobile-Versionen). Die Software ist plattformunabhängig und ist konform mit
den gängigen Standards (vgl. gvSIG 2019).
- OpenJUMP ist ein Open-Source-Geoinformationssystem, das in der Program-
miersprache Java geschrieben und das primär auf Vektordaten ausgerichtet ist
(vgl. OpenJUMP 2019).
- QGIS (ehemals Quantum GIS) ist ein sehr leistungsfähiges Softwareprodukt, für
das umfangreiche Dokumentationen, Schulungsmaterialien und Tutorials zur
Verfügung stehen. QGIS ist ein offizielles Mitglied der Open-Source-Geospatial-
Foundation (OSGeo) und läuft unter Linux, Unix, Mac OSX, Windows und And-
roid. Unterstützt wird eine Vielzahl von Vektor-, Raster- und Datenbankformaten
und -funktionen (vgl. QGIS 2019a). Ein sehr großes Angebot an Plug-ins, das von
einer weltweiten Anwendergemeinde zur Verfügung gestellt wird, erweitert die
Grundfunktionalitäten (vgl. QGIS 2019b).
- Spring GIS ist ein modernes Geoinformationssystem und Bildverarbeitungssys-
tem mit einem objektorientierten Datenmodell, das die Integration von Raster-
und Vektordatendarstellungen in einer einzigen Umgebung ermöglicht. Spring ist
ein Produkt des Nationalen Instituts für Weltraumforschung in Brasilien (vgl.
Spring GIS 2019).
Obschon kein global eingesetztes Geoinformationssystem, ist dennoch auf SAGA
(System for Automated Geoscientific Analyses) hinzuweisen, das ein ursprünglich
an der Universität Göttingen entwickeltes Geoinformationssystem darstellt, das sich

aufgrund der Implementierung von räumlichen Algorithmen u.a. zur hydrologi-
schen Modellierung und Analyse von Geländemodellen sowie von Methoden der
Geostatistik (u.a. Kriging) auszeichnet (vgl. SAGA 2019).
9.1.6 Geoinformationssysteme und ähnliche Systeme
Die allgemeine Definition eines Geoinformationssystems enthält bewusst keine ge-

nauen Aussagen hinsichtlich der Art der (raumbezogenen) Daten bzw. Geodaten.
Die weitere Festlegung der Aufgaben und Einsatzgebiete sowie die genauere Be-
stimmung der Dateninhalte führen zu weiteren Begriffen:
Die Fédération Internationale des Géomètres (1974) lieferte eine Definition für
ein Landinformationssystem (LIS): „Ein Landinformationssystem ist ein Instrument
zur Entscheidungsfindung in Recht, Verwaltung und Wirtschaft sowie ein Hilfsmit-
tel für Planung und Entwicklung. Es besteht einerseits aus einer Datensammlung,
welche auf Grund und Boden bezogene Daten einer bestimmten Region enthält,
andererseits aus Verfahren und Methoden für die systematische Erfassung, Aktua-
lisierung, Verarbeitung und Umsetzung dieser Daten. Die Grundlage eines LIS bil-
det ein einheitliches, räumliches Bezugssystem für die gespeicherten Daten, wel-
ches eine Verknüpfung der im System gespeicherten Daten mit anderen bodenbe-
zogenen Daten erleichtert.“ Diese alte Begriffsbestimmung kennzeichnet allerdings
eher ein Grundstücksinformationssystem.
Landinformationssysteme basieren auf einer rein vektororientierten Darstellung,
die eine hohe geometrische Genauigkeit der Geoobjekte zulässt, so dass ein Einsatz
im Vermessungs- und Katasterwesen möglich ist. Hierbei sind zumeist räumliche
Analysefunktionen gering ausgeprägt. Häufiger wird die Abkürzung LIS für Land-
schaftsinformationssysteme benutzt, die (primär) naturräumlich und nicht administ-
rativ abgegrenzte Raumeinheiten mit Informationen hauptsächlich zur naturräumli-
chen Ausstattung verwalten und die vornehmlich im Naturschutz und in der Land-
schaftsplanung eingesetzt werden.
Ein Umweltinformationssystem kann allgemein als eine Spezialform eines
Geoinformationssystems verstanden werden, in dem Umweltinformationen verar-
beitet werden (vgl. Zusammenstellung in Fürst u.a. 1996 S. 3).
Auf Basis der angeführten Begriffe und der dadurch verbundenen inhaltlichen
Festlegungen und Konzeptionen finden sich weitere Wortkonstruktionen und Be-
griffszusammensetzungen wie Kommunales oder Regionales Informationssystem
(KIS, RIS), Kommunales oder Regionales Rauminformationssystem (KRIS, RRIS),
Kommunales oder Regionales Umweltinformationssystem (KUIS, RUIS). Hier-
durch werden keine grundsätzlich neuen Begriffsinhalte ausgedrückt, sondern le-
diglich Einsatzgebiet und Zweckbestimmung eingeengt.
Unter den raumbezogen arbeitenden Fachdisziplinen werden weiter raumbezo-
gene Fachinformationssysteme wie z.B. Altlasten-, Leitungs- oder Verkehrsinfor-
mationssysteme unterschieden. Auch hier gilt, dass zumeist, aber nicht zwingend
ein Geoinformationssystem den Kern derartiger Fachinformationssysteme bildet.
Web-GIS 381
Neben den angeführten Geo- bzw. Umweltinformationssystemen arbeiten meh-

rere Typen von Softwaresystemen mit räumlichen Bezugseinheiten wie vor allem
Datenbanksysteme, Systeme zur Erstellung von Karten bzw. kartographischen Vi-
sualisierung und CAD-Systeme. Derartige Softwareprodukte stellen keine Geoin-
formationssysteme dar, da sie in der Regel keine topologischen Beziehungen und
damit keine Geoobjekte verwalten sowie keine oder nur (sehr) eingeschränkte Ana-
lysefunktionen besitzen. Allerdings muss deutlich herausgestellt werden, dass die
Grenzen z.B. zwischen Geoinformationssystemen und CAD-Systemen, die dem
rechnergestützten Entwerfen und dem interaktiven (technischen) Zeichnen und
Konstruieren in zwei- und dreidimensionaler Darstellung dienen und die u.a. von
Versorgungsunternehmen zur Planung und Verwaltung von Leitungskatastern nut-
zen, zunehmend durchlässiger werden.
9.2 Web-GIS
9.2.1 Begriff und Funktionsweise eines Web-GIS
Mit dem wachsenden Angebot von Geoinformationen und digitalen Karten im In-
ternet hat sich auch die Begrifflichkeit von Geoinformationssystemen auf das Inter-
net übertragen (vgl. Behncke u.a. 2009). Neben „Web-GIS“ werden die Begriffe
„Online-GIS“, „Internet-GIS“, „Web-Mapping“, „Internet-Mapping“, „Net-GIS“,
„Distributed GIS“ oder sogar „Mapserver“ mit häufig gleicher oder ähnlicher Be-
deutung benutzt. „Google Maps hat einen regelrechten Hype ausgelöst, der (…)
dazu geführt hat, dass der Begriff „GIS“ noch öfter missbraucht wird, als dies vor-
her schon der Fall war.“ (Rudert und Pundt 2008).
Die strenge Definition eines Geoinformationssystems, von dem erst dann gespro-
chen werden darf, falls sämtliche vier Komponenten des EVAP-Modells vorliegen,
muss auch für ein Web-GIS bzw. Internet-GIS gelten:
- Ein Web-GIS bezeichnet ein Geoinformationssystem, das den Dienst WWW nutzt
und alle vier Komponenten des EVAP-Modells umfasst,
- Ein Internet-GIS stellt ein Geoinformationssystem dar, das generell irgendeinen
Dienst des Internets nutzt.
Ein Web-GIS basiert ähnlich zu dem Web-Mapping technisch auf einer Client-Ser-
ver-Architektur (vgl. Kap. 7.2.1 u. Abb. 7.10). Der Webbrowser dient als Client,
statt eines Mapservers arbeitet ein GIS-Server, d.h. es wird die entsprechende Soft-
ware eingesetzt. Der Nutzer ruft interaktiv Funktionen auf, die auf einem oder meh-
reren Servern bearbeitet werden. Das Ergebnis wird dann an den Client zurückge-
sendet. Ein Web-GIS unterscheidet sich von Web-Mapping-Anwendungen
dadurch, dass erweiterte Interaktions- und Handlungsmöglichkeiten vorliegen und
der Umfang der spezifischen GIS-Funktionen größer ist. In der Regel ist über eine
Datenbank ein Zugriff auf Sachdaten möglich, der Nutzer kann themenbezogene
Anfragen stellen. Unterstützt werden Funktionen der Suche, Flächen- und Stre-
ckenermittlung. Zumindest ist eine weitere Funktion wie z.B. Overlay, Intersect,
Buffer, Umkreisselektion oder Routing vorhanden. Um dem Namen „GIS“ gerecht
zu werden, muss somit ein Web-GIS Funktionen zum Erfassen, zur Verwaltung und
zur räumlichen Analyse bereitstellen und dadurch das EVAP-Prinzip ausfüllen.
Bei einem typischen Web-GIS erfolgt die Geoprozessierung auf der Serverseite.
Bei Thin-Client-Architekturen dient der Client lediglich zur Kommunikation mit
dem Server und zur Darstellung von Ergebnissen. Bei einer Thick-Client-Architek-
tur kommuniziert der Client wie bei einer Thin-Client-Architektur mit dem Server,
zusätzlich stehen jedoch clientseitige Funktionalitäten zur Verfügung, die durch
entsprechende Erweiterungen (Plug-ins und JavaScript) realisiert werden können.
Die Geoprozessierung wurde auf den Client ausgedehnt. Bei Medium-Client-Ar-
chitekturen werden Erweiterungen sowohl client- als auch serverseitig eingesetzt.
Der Begriff Internet-GIS ist auf Geoinformationssysteme anzuwenden, die ge-
nerell irgendeinen Dienst des Internets nutzen und nicht zwingend die Nutzung ei-
nes Webbrowsers erfordern. Allerdings stellt die browserunabhängige Applikation
Google Earth, die zwar eine Datenerfassung, -verarbeitung und -präsentation er-
möglicht, bislang aber nur über eine geringe Anzahl von Analysefunktionen verfügt
und nicht mit einem GIS konkurrieren kann, kein Internet-GIS dar.
9.2.2 Web-GIS in der Praxis
Auf dem Softwaremarkt und in der Praxis liegen nur wenige Softwareangebote vor,
die den Namen Web-GIS in der strengen Begriffsauslegung verdienen. So ermög-
licht z.B. ArcGIS Online „on demand“ den kostenpflichtigen Abruf vielfältiger
GIS-Funktionen von einem zentralen Rechner über das Internet. Dabei werden „ser-
vice credits“ als Bezahlform eingesetzt, die vorher zu erwerben sind (vgl. ESRI
2019b u. ESRI 2019c, Software as a Service, vgl. Kap. 2.8.5). Ein derartiges Ge-
schäftsmodell ist relativ neu. Die Bereitstellung der Endprodukte, d.h. der Karten,
erfolgt cloudbasiert, so dass viele Nutzer, d.h. vor allem Mitarbeiter eines Unter-
nehmens oder einer Behörde, die Daten gleichzeitig nutzen können. Die Skalierung
auf unterschiedliche Geräte wie Tabletcomputer oder Desktop erfolgt automatisch.
Das Softwareunternehmen kümmert sich um die Software (d.h. Updates und War-
tung) und stellt die Server für Software und Daten bereit, wodurch allerdings die
Abhängigkeit von dem Softwareanbieter steigt.
Häufiger werden Server-Varianten angeboten, bei denen die GIS-Server-
Software auf einem Server in der Behörde oder im Unternehmen, d.h. beim Nutzer,
eingesetzt wird (vgl. z.B. ArcGIS Server, GeoMedia WebMap oder Smallworld Ge-
ospatial Server, vgl. Kap. 9.1.5, sowie viele Lösungen von lokal agierenden Soft-
waredienstleistern). Geodaten können für beliebige interne Anwender und optional
auch extern z.B. für Bürger über eine Internetverbindung verfügbar gemacht wer-
den. Einerseits können Geodaten über Web-Karten präsentiert werden (z.B. in ei-
nem unternehmenseigenen Web-Portal, über browserbasierte Web-Apps und native
Apps auf Mobilgeräten). Gegenüber dieser am weitaus häufigsten genutzten Form
können andererseits aber auch Analysen durchgeführt werden. Somit ist ein Web-
Web-GIS 383
GIS vorhanden, das häufig in der Praxis schwerpunktmäßig nur für Webdienste
(d.h. Präsentationen) eingesetzt wird.
Im Gegensatz zu derartigen Lösungen ist mit „Dropchop“ ein Ansatz zu finden,
der noch als „proof-of-concept“ formuliert ist (vgl. Dropchop 2019). Dropchop ist
ein browserbasiertes Geoinformationssystem, das modular aufgebaut ist und das
von einer im Web verteilten Entwicklergruppe erstellt wird. Verwendet wird u.a.
das mächtige, freie JavaScript-Framework Turf, das eine Sammlung kleiner Module
in JavaScript darstellt. Eigene Geodaten, die im Datenformat „GeoJSON“ vorlie-
gen, können im Web hochgeladen und prozessiert werden (z.B. Ausführen von
räumlichen Operationen wie Buffer- oder Overlayfunktionen). Dieser Ansatz zeigt
grundsätzliche Möglichkeiten auf. Noch offen sind Fragen, die den Datenschutz und
die dauerhafte Pflege des Web-Angebotes betreffen. Dies sind allerdings für den
operativen Betrieb in einem Unternehmen wesentliche Fragen. Abzuwarten ist, ob
sich ein derartiger Ansatz in der Praxis durchsetzen wird.
9.2.3 Web-Mapping als Web-GIS-Ersatz?
In der Praxis verschwimmen die Begriffe Web-GIS und Web-Mapping. Vielfach

wird ein System, mit dem Geodaten über das Web nur visualisiert und ggf. auch
ausgedruckt werden können, als Web-GIS bezeichnet (vgl. Kap. 9.2.1). In sehr vie-
len Fällen reicht diese Funktion völlig aus. So wird häufig nur ein einfach zu bedie-
nendes, kostengünstiges Auskunftssystem benötigt. Dazu ist nur eine Web-Map-
ping Lösung mit einem Mapserver, der keine GIS-Funktionen wie z.B. räumliche
Analysefunktionen bereitstellt, notwendig. Diese werden in der Projektbearbeitung
von den Power-Usern auf einem Desktop-GIS ausgeführt.
Die Vorteile einer Client-Server-Web-Mapping-Lösung sind vor allem:
- Anbindung einer großen Nutzeranzahl (einschl. Zugangsmöglichkeit nach
Vergabe spezifischer Zugangsrechte auch für eine breite Öffentlichkeit)
- Plattformunabhängigkeit und Nutzung von jedem internetfähigen Rechner
- sehr einfacher und intuitiver Zugang über einen Webbrowser
- geringe Anforderungen an Client und geringe Kosten
Gegenüber diesen Vorteilen bestehen Einschränkungen, die aber letztlich für die
Bedarfe des breiten Nutzerkreises, auf den abgezielt wird, nicht ins Gewicht fallen:
- Beschränkung des Nutzers auf die angebotenen Daten und Funktionen
- Zugriffsgeschwindigkeit abhängig vom Web-Zugang (Verfügbarkeit und Leis-
tungsfähigkeit) und der Anzahl der Zugriffe
- aufwendige Administration auf der Serverseite
Zum Aufbau derartiger Client-Server-Web-Mapping-Lösungen stehen proprietäre
und Freie Softwaresysteme zur Verfügung. In der Regel werden kostenaufwendige
Lizenzen nur von größeren Kommunen oder Unternehmen eingesetzt. Vielfach
werden von lokal bzw. regional tätigen kleineren Softwareunternehmen auf die je-
weiligen Anforderungen zugeschnittene, kundenspezifische Client-Server-Lösun-
gen erarbeitet und auch gewartet, die auf freier Software basieren. Gerade die räum-
liche Nähe und ein persönlicher bzw. unmittelbarer Kontakt zum Anbieter, mög-
licherweise ein Verbund gleicher Nachfrager (z.B. Gemeinden in einem Landkreis)
sowie Handbücher, Schulungsunterlagen und Support in deutscher Sprache sind
ihre Stärken.
9.3 Modellierung von Geoobjekten in einem Geoinforma-

tionssystem
9.3.1 Geoinformationssystem als Modell der realen Welt
Ein Geoinformationssystem ist als Modell der realen Welt zu sehen, das raumbezo-
gene Daten digital erfasst, speichert, verwaltet, aktualisiert, analysiert und model-
liert sowie alphanumerisch und graphisch präsentiert. Abbildung 9.1 zeigt ein
Geoinformationssystem.
Abb. 9.1: Ein Geoinformationssystem als Modell der realen Welt
Der Bildschirmausdruck verdeutlicht die Software, die die Präsentation am Monitor

und die Handhabung des Systems ermöglicht und die über die graphische Benut-
zeroberfläche vielfältige Funktionen zur Verfügung stellt. Mehrere Datenebenen
werden in einem Ausschnitt aus einem Umweltinformationssystem sichtbar. So sind
die schützenswerten Gewässer und Feuchtbereiche nach den alten Paragraphen 28a
und 28b des Niedersächsischen Naturschutzgesetzes, die Flurstückgrenzen der alten
ALK-Folie 1 und in der Farbe Rot die Gebäude der alten ALK-Folie 11 sowie die
Modellierung von Geoobjekten in einem Geoinformationssystem 385
Altlastenverdachtsflächen dargestellt, wobei Letztere hier nicht aktiviert und visu-

alisiert sind. Daneben ist für eine thematische Schicht die Attributtabelle dargestellt.
Das kleine Fenster zeigt die Attributdaten eines mit dem Zeigegerät (Maus) ausge-
wählten Geoobjektes. Mit Hilfe der Funktionen eines Geoinformationssystems sind
vielfältige Auswertungen möglich, wobei von den Attributdaten in den Tabellen
oder von der graphischen Präsentation der Geoobjekte ausgegangen werden kann.
Ein Geoinformationssystem ermöglicht verschiedene fachliche Sichten auf den
Datenbestand. So könnte Abbildung 9.1 die Sicht eines Mitarbeiters im Umweltamt
veranschaulichen, der eine Anfrage zur Ausweitung eines Gewerbegebietes beant-
worten muss. Hierzu ist weniger die derzeitige Nutzung der vorhandenen Gewerbe-
flächen von Interesse als vielmehr die Darstellung von möglichen Flächenkonflik-
ten. Ein Wirtschaftsförderer hingegen benötigt u.a. die Parzellierung der Gewerbe-
flächen nach Flurstücken, die Lage von Versorgungsleitungen, Angaben des Be-
bauungsplanes und vor allem Informationen über die derzeitige Nutzung sowie zur
leichteren Orientierung eine Stadtkarte im Hintergrund. Ein komplexes kommuna-
les Informationssystem integriert die verschiedenen Datenebenen wie z.B. ein Lie-
genschafts-, Leitungs-, Altlasten-, Grünflächen- und Baumkataster. Für unter-
schiedliche Anwender sind dabei vielschichtige Fragen von Interesse wie z.B.:
- Liegenschaftsverwaltung im Grundbuchamt, Erhebung von Grundsteuern, von
Straßenanliegerkosten und von sonstigen kommunalen Gebühren,
- Verwaltung von Stromkabeln und Stromanschlüssen der Versorgungswerke,
Wartung des Leitungsnetzes,
- Verwaltung schützenswerter Bäume durch das Umweltamt, Pflegemaßnahmen,
- Ausweisung von Flächennutzungskategorien für die vorbereitende Bauleitpla-
nung, Standortpflege und Standortvorsorge von Gewerbebetrieben.
Häufig ist ein derartiges Informationssystem durch mehrere digitale Fachkataster in
Form einzelner Geoinformationssysteme realisiert.
9.3.2 Geometrisch-topologische Modellierung von Geoobjekten im

Vektormodell
Im Vektormodell wird die Geometrie eines Geoobjektes durch Koordinaten auf der
Basis eines eindeutigen räumlichen Bezugssystems angegeben (Lagekoordinaten in
einem metrischen Bezugskoordinatensystem, vgl. Kap. 4.1.2 u. 4.2). Die Koordina-
ten kennzeichnen Einzelpunkte sowie Anfangs- und Endpunkte von gerichteten
Strecken, d.h. von Vektoren. Auch die Einzelpunkte sind als Vektoren zu verstehen,
deren Anfangspunkt im Ursprung des Koordinatensystems liegt (vgl. Abb. 4.1). Bei
Darstellung von Geoobjekten in diesem sog. Vektormodell werden letztlich nur
Punkte erfasst! Die gesamte geometrische Information basiert auf Vektoren bzw.
Koordinatenangaben in einem (kartesischen) Koordinatensystem. Linien- und flä-
chenhafte Strukturen müssen aus Punkten bzw. Vektoren aufgebaut werden. Hier-
durch werden sämtliche Geometrien diskretisiert (vgl. Kap. 5.2.1).
Ein Linienzug besteht im Vektormodell aus einer Folge von gerichteten Strecken
(d.h. von Vektoren). Dabei werden Linienbögen durch eine Folge von geraden Li-
nienstücken angenähert (vgl. Kap. 5.2.1 u. Abb. 5.3 bzw. 9.2). Flächen werden im
Vektormodell durch die sie begrenzenden Linien beschrieben.
Abbildung 9.2 zeigt wesentliche Prinzipien der geometrisch-topologischen Mo-
dellierung auf, wie sie in der Software ArcGIS umgesetzt wird. Die Modellierung
der Flächen erfolgt dabei nicht nach den Vorgaben des Open Geospatial Consortium
(OGC). Das Simple-Feature-Geometry-Object-Model der OGC beschreibt Flächen
durch eine vollständig geschlossene Folge von Koordinaten und speichert keine to-
pologischen Informationen (vgl. Kap. 6.3.2 u. Tab. 6.2).
Abb. 9.2: Geoobjekte der realen Welt: geometrische Modellierung im Vektormodell
Tabelle 9.1: Darstellung der Geometrie der Geoobjekte in Abbildung 9.2 durch Koordinatenfolgen
Punkt 1 (75,250)
Punkt 2 (50,200)
Punkt 3 (100,200)
Linie 1 (250,175) (300,175) (300,200) (350,200) (350,100)
Linie 2 (250,175) (200,175) (200,150) (100,150)
Linie 3 (100,150) (50,150) (50,50) (250,50)
Linie 4 (200,50) (250,50)
Linie 5 (250,50) (350,50) (350,100)
Linie 6 (250,125) (200,125) (200,100)
Linie 7 (100,150) (100,100) (200,100)
Linie 8 (250,50) (200,100)
Linie 9 (350,100) (300,100) (300,125) (250,125)
Linie 10 (250,50) (250,100) (200,100)
Linie 11 (250,175) (250,125)
Linie A (300,250) (300,225) (250,225)
Linie B (250,250) (250,225)
Linie C (250,225) (200,225) (200,200) (150,200)
Linie D (150,250) (150,200)
Linie E (150,200) (150,175)
Die Geometrie der in Abbildung 9.2 dargestellten Geoobjekte wird ausschließlich

durch die Koordinaten der Tabelle 9.1 dargestellt. Dies hat zur Konsequenz, dass
zur Darstellung von (linienhaften und flächenhaften) Geoobjekten im Vektormodell
explizit topologische Beziehungen der Koordinaten erfasst, modelliert und gespei-
chert werden müssen! So muss zusätzlich vorgehalten werden, welche Koordinaten
hintereinander folgen, also benachbart sind und eine bestimmte Linie definieren,
und welche Linien eine spezielle Fläche begrenzen. Erst die Tabellen 9.2 und 9.3
stellen das im Geoinformationssystem abgebildete und gespeicherte (topologische)
Modell der Ausgangssituation dar (vgl. Abb. 9.3). Die Außenfläche, d.h. die „un-
endliche“ Fläche außerhalb der zusammenhängenden Teilflächen, wird hierbei als
Fläche mit der Flächennummer „-1“ bezeichnet. Der Definition der Flächen liegt
die mathematisch positive Orientierung zugrunde. Man geht entlang einer Grenze,
so dass die zugehörige Fläche links liegt, und stellt die Kanten mit der Orientierung
entsprechend der Umrundung zusammen.
Abb. 9.3: Geometrisch-topologische Modellierung der Flächen aus Abb. 9.2
Bei dieser klassischen Knoten-Kanten-Knoten-Topologie wird also eine Fläche

(bzw. ein Polygon) durch die Folge ihrer Kanten definiert. Herauszustellen ist so-
mit, dass im Vektormodell die flächenhaften Geoobjekte als Substruktur modelliert
werden und nicht direkt wie im Rastermodell vorliegen. So ist eine Außenkante
dadurch definiert, dass in der Polygon-Kanten-Liste (vgl. Tab. 9.3) diese Kante nur
einmal vorkommt. Eine Innenkante muss genau zweimal mit entsprechend der Ori-
entierung jeweils anderem Vorzeichen auftreten. Vorab muss gewährleistet sein,
dass z.B. der Endknoten von Kante 2 numerisch exakt mit dem Anfangsknoten von
Kante 3 übereinstimmt. Diese Regeln, die bei einer genauen Modellierung der To-
pologie erfüllt sind, erlauben eine Konsistenzprüfung. Hierzu stellt die Graphenthe-
orie geeignete Instrumente bereit. Da in der Abbildung 9.3 gilt: Knotenzahl – Kan-
tenzahl + Polygonzahl = 2, liegt nach dem Satz von Euler ein zusammenhängender
planarer Graph, d.h. eine korrekte topologische Struktur vor (vgl. Kap. 3.4.2, die
unendliche Fläche –1 zählt mit!).
Tabelle 9.2: Knoten-Kanten-Knoten-Modellierung für die flächenhaften Geoobjekte in Abb. 9.3

Kante von Knoten zu Knoten Polygon links Polygon rechts
1 1 5 –1 1
2 1 2 2 –1
3 2 3 5 –1
4 3 4 4 –1
5 4 5 3 –1
6 6 7 3 2
7 2 7 2 5
8 3 7 5 4
9 5 6 3 1
10 4 7 4 3
11 1 6 1 2
Tabelle 9.3: Polygon-Kanten-Modellierung für die flächenhaften Geoobjekte in Abb. 9.3

Polygon Kanten
1 –1, 11, –9
2 2, 7, –6, –11
3 5, 9, 6, –10
4 4, 10, –8
5 3, 8, –7
Aus topologischer Sicht wird streng zwischen Knoten und Punkten, ferner zwischen
Kanten und Linien, Polygonen und Flächen sowie Polyeder und Körpern unter-
schieden, wobei die jeweilige topologische Entsprechung des geometrischen Be-
griffs benannt ist. Ein Knoten (engl. node) ist der Anfangs- oder der Endpunkt einer
Kante und somit der Treffpunkt mehrerer Kanten. Eine Kante (engl. arc) verbindet
zwei benachbarte Knoten, die geometrisch Anfangs- und Endpunkt eines Linien-
zugs sind. Für die Topologie ist der exakte Linienverlauf zwischen Anfangs- und
Endknoten ohne Bedeutung. Die zwischenliegenden Punkte, die den genauen Ver-
lauf der Linie oder des Bogens definieren, werden Stützstellen oder einfach Punkte
(engl. vertex, Plural vertices) genannt. Topologisch wird von der genauen geomet-
rischen Gestalt einer Fläche abstrahiert und ein Polygon (engl. polygon) betrachtet,
das durch Kanten definiert wird.
Das aufgezeigte relationale Datenmodell (d.h. die Tabellen 9.1 bis 9.3) ermög-
licht, allein durch numerische Auswertungen graphische bzw. topologische Eigen-
schaften der Geoobjekte abzulesen. Mit Hilfe der entwickelten Datenbasis können
topologische Fragen beantwortet werden:
- Welche Polygone grenzen an Polygon 3 an? Lösung: Suche die Kanten, die Po-
lygon 3 definieren (5, 9, 6, –10). Suche die Polygone, bei deren Bildung diese
Kanten mit hierzu inverser Orientierung beteiligt sind (Lösung: Polygone 1,2,4).
- Was ist der kürzeste Weg von Knoten 2 zu Knoten 4? Lösung: Bestimme die
Kantenlängen auf der Basis der definierenden Koordinatenfolgen und dann Auf-
bau einer bewerteten Adjazenzmatrix, Anwenden eines Wegealgorithmus (vgl.
Kap. 3.4.2).
- Welches Polygon grenzt direkt an Polygon 3 entlang der Kante 10? Lösung: Su-
che das Polygon, das u.a. durch die Kante +10 gebildet wird, da Polygon 3 u.a.
aus der Kante –10 gebildet wird (Lösung: Polygon 4).
Die letzte Abfrage bezieht sich auf Nachbarschaften. So sind allgemein zwei
Geoobjekte im Vektormodell benachbart, wenn sie mindestens einen gemeinsamen
Punkt haben (gilt für Punkte, Linien und Flächen) oder wenn sie mindestens eine
gemeinsame Kante (gilt für Flächen) besitzen. In der Abbildung 9.3 sind z.B. die
Flächen 2 und 3 benachbart. Falls zwei Flächen nur über einen gemeinsamen Punkt
bzw. Knoten und über keine gemeinsame Kante benachbart sind, müssen bei einem
planaren, zusammenhängenden Graphen zwei Kanten an einem Knoten zusammen-
treffen, die jeweils aus einer der beiden Flächen stammen (vgl. Knoten 7 in Abb.
9.3). In der Knoten-Kanten-Tabelle tritt dieser Knoten dann auch (mindestens) vier-
mal auf, so dass über diese Tabelle auch diese benachbarten Flächen ermittelt wer-
den können (vgl. Tab. 9.2). Von diesen Rechnungen sind Flächen ausgenommen,
die nur aus einer einzigen Kante bestehen (d.h. Inseln).
Zur Definition von korrekten geometrischen Strukturen, die eindeutige Zusam-
menhänge und Beziehungen der Geoobjekte wiedergeben, und von Topologien
können mehrere Regeln definiert werden wie z.B. (vgl. die Umsetzung im Geoin-
formationssystem ArcGIS in Abb. 9.5):
- Eine Linie darf (abgesehen vom Anfangs- und Endpunkt) keine zwei oder mehr
identische Koordinaten, d.h. keine Schleifen aufweisen.
- Benachbarte Flächen dürfen sich nicht überlappen.
- Zwischen benachbarten Flächenobjekten dürfen keine Leerräume auftreten.
- Flächen müssen durch eine Folge geschlossener Grenzlinien definiert sein, die
somit keine Lücken aufweisen dürfen.
- Bei der Definition von Flächen aus Linien dürfen keine Liniensegmente übrig-
bleiben, die nicht mit anderen Linien zu Flächen führen (sog. Dangles).
- Falls eine Fläche eine ringförmige Struktur besitzt, dürfen sich innere und äußere
Grenzlinie nicht kreuzen.
Abb. 9.4: Räumliche Überlagerungen bei topologisch fehlerhaft modellierten Flächen

Bei fehlerhafter Erfassung der Geometrien bestehen keine geometrisch wie auch
topologisch eindeutigen Strukturen. Abbildung 9.4 zeigt drei Flächen einer Daten-
ebene (Layer landwirtschaftliche Nutzflächen mit Wiese, Acker, Maisfeld), wobei
ein flächenhaft zusammenhängender Ausschnitt der Realität erfasst sein soll. Lü-
cken sind somit ausgeschlossen, ebenso kann eine Fläche nicht gleichzeitig als
Acker oder Wiese genutzt sein. Die in Abbildung 9.4 fehlerhaft dargestellten Poly-
gone überlappen sich aber teilweise, zwischen ihnen liegt auch ein „leerer“ Zwi-
schenraum. Wird dann der gemeinsame räumliche Durchschnitt dieser Nutzflächen
mit der Fläche auf einer weiteren Datenebene gebildet, die z.B. eine geplante Straße
darstellen soll (Funktion Intersect, vgl. Kap. 9.4.4), so entstehen Artefakte: Lücken
sowie Flächen allein durch Überlagerung der Flächen bereits in dem Eingangslayer
(vgl. graue Flächen im Ergebnis in Abbildung 9.4). Die in der Farbe Magenta ge-
kennzeichnete Fläche entstand durch Überlagerung von drei Flächen.
Die GIS-Software muss Werkzeuge bereitstellen, um nicht eindeutige geometri-
sche Strukturen und Topologiefehler zu erkennen und um sie zu beheben. Diese
Forderung ist unabhängig von dem zugrunde liegenden Datenmodell zu sehen.
Auch wenn das Datenmodell selbst keine topologischen Informationen speichert,
müssen die Geometrien eindeutig definiert sein.
9.3.3 Geometrisch-topologische Modellierung in der Praxis
Kapitel 9.3.2 thematisiert aus einer theoretischen Sicht die geometrisch-topologi-

sche Modellierung und verdeutlicht eine gewisse Strenge bei der Erfassung von Da-
ten und vor allem beim Erstellen von Polygonen. Das dargelegte Beispiel basiert
auf einem Datenmodell, das bereits in dem in den 1980er Jahren entwickelten,
proprietären Geoinformationssystem Arc/Info des Softwareunternehmens ESRI
(vgl. ESRI 1995) implementiert wurde. Die heute verfügbaren Geoinformationssys-
teme setzen die topologischen Anforderungen in der Praxis sehr unterschiedlich um,
was vor allem vom zugrunde liegenden Datenmodell abhängt. Aus Vereinfachungs-
gründen wird auf eine strenge topologische Modellierung verzichtet:
Das vom OGC (Open Geospatial Consortium) standardisierte Simple-Feature-
Geometry-Object-Model speichert keine topologischen Informationen. Polygone
werden als geschlossene Linienzüge modelliert, d.h. als geschlossene Punktfolge
mit identischem Anfangs- und Endknoten (vgl. Tab. 6.2). Gemeinsame Grenzen
benachbarter Flächen werden somit doppelt erfasst und gespeichert. Dadurch be-
steht die Gefahr von geometrisch-topologischen Inkonsistenzen.
Das proprietäre Shape-Datenformat des Softwareunternehmens ESRI muss in-
zwischen als Industriestandard angesehen werden, den alle Geoinformationssys-
teme verarbeiten müssen und das derzeit den De-facto-Standard zum Austausch von
Geodaten darstellt. Ein Shape bietet ein einfaches, nicht topologisches Format zum
Speichern von Geoobjekten, d.h. der geographischen Position von Punkten, Linien
oder Flächen und der Attributinformationen. Ein Shape besteht aus mindestens drei
Dateien: *.shp zur Speicherung der Geometriedaten, *.shx zur Verknüpfung von
Geometrien und Attributdaten, *.dbf zur Speicherung der Attributdaten im dBASE-
Format (vgl. ESRI 2019d).
Das nicht offene Datenformat einer Geodatabase der Firma ESRI ermöglicht die
Speicherung von geometrischen und topologischen Informationen. Eine Geodata-
base ist die native Datenstruktur des international sehr weit verbreiteten Geoinfor-
mationssystems ArcGIS. Unterschiedliche Datentypen können von ArcGIS in einer
Microsoft-Access-Datenbank (Support noch bis ca. 2025) bzw. längerfristig von
ArcGIS Pro in einem relationalen Mehrbenutzer-Datenbankmanagementsystem o-
der in einem Dateisystem (File Geodatabase) gespeichert werden. Topologische Be-
ziehungen können innerhalb einer oder zwischen mehreren Datenebenen (Layern)
bzw. Gruppen von Geoobjekten festgelegt werden (vgl. Abb. 9.5). Mit Hilfe geeig-
neter Werkzeuge in ArcGIS können diese Regeln überprüft und korrigiert werden
(vgl. ESRI 2019e).
Abbildung 9.5 zeigt den Softwareassistenten von ArcGIS Pro, mit dem Topolo-
gieregeln für einzelne Arten von Geometrien aufgestellt werden können (hier: De-
finition von Flächen aus Liniensegmenten).
Abb. 9.5: Ausgewählte Regeln zur Definition von Flächen in ArcGIS Pro
Vektordaten werden im Open-Source-Geoinformationssystem GRASS GIS stets in

topologischer Form vorgehalten. Vektordaten auch im Simple-Feature-Datenformat
können beim Import automatisch auf ihre topologische Konsistenz geprüft und falls
notwendig korrigiert werden. Beim Export kann das topologische Datenmodell wie-
der in OGC Simple Features zurück transformiert werden.
Viele Geoinformationssysteme wie z.B. QGIS, die nicht über ein eigenes topo-
logisches Datenmodell verfügen, besitzen Werkzeuge, um geometrische Daten auf
ihre topologischen Eigenschaften zu prüfen und teilweise sogar automatisiert zu
korrigieren. Bei der neuen Erfassung einer Grenzlinie zu einem benachbarten Poly-
gon können die Koordinaten der bereits erfassten Koordinaten der Grenzlinie ko-
piert werden (sog. Fangoption der Koordinatenerfassung).
9.3.4 Geometrisch-topologische Modellierung von Geoobjekten im

Rastermodell
Das Rastermodell ist gegenüber dem Vektormodell wesentlich einfacher aufgebaut

(vgl. Kap. 4.1.2 u. 5.2.2 u. Abb. 9.6 u. 9.7). Grundlage ist die Rasterung des Raumes
in ein regelmäßiges Raster fester Rasterweite (Maschengröße) sowie vereinbarter
Orientierung und Lage des Ursprungs. Geoobjekte werden hierbei durch Angabe
der sie ausfüllenden Maschen bzw. Pixel beschrieben, wobei ein Pixel durch Zeilen-
und Spaltenindex im Raster identifiziert wird. Durch diese Vereinfachungen und
insbesondere durch die starre Größe und Form der Maschen ergeben sich mehrere
Nachteile, die letztlich auf eine vergröbernde Auflösung der Geoobjekte und nicht
eindeutige Identifizierung von Punkt, Linie und Fläche hinausgehen (vgl. Kap.
4.1.2), aber auch Vorteile. So lassen sich Rechnungen mit ganzzahligen Indexwer-
ten wie beim Rastermodell einfacher durchführen als mit reellen Koordinatenwer-
ten wie beim Vektormodell (vgl. die Komplexität der Analysefunktionen in Kap.
9.4).
Im Rastermodell ist auf fast natürliche Weise die City-Block-Metrik oder Man-
hattan-Metrik vorgegeben (vgl. Kap. 4.2.1), die sich sehr leicht aus den Indizes der
Pixel ergibt. So haben die Pixel PA(i,j) und PB(m,n) die City-Block-Distanz
dAB = | i – m | + | j – n |,
die noch mit der Maschenweite zu multiplizieren wäre. Dies ist beinahe überflüssig,
da dann alle Distanzen diesen Faktor aufweisen. Auch hier kann die Euklidische
Metrik benutzt werden, wobei diese Metrik dann auf die Mittelpunkte der Raster-
zellen angewandt wird (vgl. Abb. 9.6).
Von großem Vorteil ist, dass bei der Darstellung von Geoobjekten im Rastermo-
dell die Topologie nicht eigens angegeben werden muss. Die Topologie ist bereits
direkt durch Angabe der Geometrie definiert. Nachbarschaften werden relativ ein-
fach auf der Basis eines regelmäßigen Rasters definiert (vgl. Abb. 9.4). So sind zwei
Rasterzellen benachbart, wenn sie eine gemeinsame Zellkante besitzen (Kanten-
Kanten-Topologie, sog. N.4-Nachbarn) oder wenn sie mindestens eine gemeinsame
Zellecke (Ecken-Kanten-Topologie, sog. N.8-Nachbarn) besitzen. Die Nachbar-
schaft errechnet sich dabei direkt aus den Pixelkoordinaten. So sind PA(i,j) und
PB(m,n) N.4-Nachbarn, falls (i = m und (j = n – 1 oder j = n oder j = n + 1)) oder
falls (j = n und (i = m – 1 oder i = m oder i = m + 1)) gilt.
Abb. 9.6: Metriken und Nachbarschaften im Rastermodell

9.3.5 Speicherung von Geometrien im Rastermodell
Das Rastermodell basiert im Normalfall auf regelmäßigen Quadrat-Maschen (vgl.

Abb. 9.7). Konsequent stellen dann Matrizen das Standard-Datenmodell für Raster-
daten dar. Der Vergleich der Tabelle 9.1 und der Abbildung 9.7, die mit der zuge-
hörigen Datentabelle im Prinzip identisch ist, zeigt einen erheblich höheren Spei-
cheraufwand (Vektormodell 51 Koordinatenpaare, Rastermodell 384 Pixel). Der
Speicherbedarf steigt bei zunehmender Auflösung erheblich an. Deshalb sind effi-
ziente Algorithmen entwickelt worden, um den Speicherplatzproblemen bei Raster-
daten zu begegnen. Sie reduzieren den Datenumfang immer dann, wenn die Raster-
matrizen größere homogene Bereiche mit gleichen Attributwerten besitzen.
Abb. 9.7: Geoobjekte in Rasterdarstellung und Angabe der Lauflängenkodierung (mit Thematik)
Bei der Lauflängenkodierung (engl. run length encoding) wird die Matrix zeilen-
weise nach gleichen, benachbarten Pixeln abgetastet. Dabei werden nur noch der
Pixelwert und die Zahl der gleichen Nachbarn als Wertepaar gespeichert (vgl. Abb.
9.7). Vorab muss die Reihenfolge der Zeilen festgelegt und somit eine eindimensi-
onale Ordnungsstruktur definiert werden. In der Abbildung 9.7, in der der Ursprung
in der linken oberen Ecke liegt, wird zeilenweise mit Zeilensprung vorgegangen
(sog. Standard Row Order).
Abb. 9.8: Linie in Kettenkodierung
Ähnlich geht die Kettenkodierung (engl. chain encoding) vor, die sich gerade für
die Speicherung von Linien im Rastermodell eignet. Eine Linie wird hierbei durch
Zeilen- und Spaltenindizes des Anfangspixels und dann weiter durch die Richtun-
gen R1 bis Rn zu den n Folgepixeln beschrieben (vgl. Abb. 9.8). Eine Kombination
beider Verfahren ist möglich. Effiziente Speicherungen ergeben sich vor allem für
lange Linien ohne große Richtungsänderungen.
Bei beiden Verfahren bleiben die originalen Werte erhalten (ebenso beim sog.
Quad-Tree, vgl. Abb. 9.9). Sie sind verlustfrei im Gegensatz zu den verlustbehafte-
ten Datenkompressionsverfahren wie z.B. JPEG.
Die Nachteile des Raster-Datenmodells bestehen vor allem in der geringen Flexibi-
lität der fest vorgegebenen Maschengröße, mit der Geoobjekte nur mangelhaft mit
einer hinreichenden Genauigkeit zu erfassen sind. Eine beliebige Feinkörnigkeit des
Rasters ist aufgrund des rasch ansteigenden Speicherbedarfs schwierig. Somit liegt
die Idee nahe, bei homogenen Flächenelementen relativ grobe Maschen zu verwen-
den und nur dort die Maschengröße zu verfeinern, wo es die geometrische Daten-
lage erfordert. Dieser Gedanke wird von dem Quad-Tree-Modell umgesetzt.
Abb. 9.9: Darstellung von Rasterdaten als Quad-Tree
Der Darstellung von Rasterdaten als Quad-Tree liegt eine rekursive Teilung eines
nichthomogenen Quadrats in vier gleich große Quadranten zugrunde. Jeder Quad-
rant hat also vier Söhne. Die Viertelung wird aber nur so lange fortgesetzt, bis ein
Quadrant homogen ist. Somit sind an der Darstellung eines Gebietes häufig Quad-
ranten unterschiedlicher Größe beteiligt. Abbildung 9.9 verdeutlicht diese sukzes-
sive Viertelung für den südwestlichen Quadranten. Bei dieser rekursiven Verfeine-
rung sind auch sehr kleinteilige Strukturen (praktisch beliebig) genau darstellbar,
wobei der Speicherbedarf gegenüber dem einfachen Raster-Datenmodell deutlich
geringer ist. Hinsichtlich der Genauigkeit kann das Quad-Tree-Modell an die Ge-
nauigkeit des Vektor-Modells heranreichen. Ein Quad-Tree kann rechentechnisch
optimal durch sog. Bäume umgesetzt werden (vgl. Kap. 3.2.4.4).
9.3.6 Thematik von Geoobjekten
Ein Geoobjekt besitzt immer eine Thematik, die im Allgemeinen durch mehrere
Attribute (Merkmale, Variablen) mit verschiedenen Skalenniveaus gekennzeichnet
wird. Die Beschreibung, Bearbeitung und Speicherung der verschiedenen Themati-
ken von Geoobjekten kann durch zwei grundlegende Prinzipien erfolgen: durch das
Ebenenprinzip und durch das Objektklassenprinzip (vgl. Abb. 9.10).
Die Geometriedaten der Objekte und deren Attribute werden beim Ebenen-prin-
zip streng nach den verschiedenen thematischen Bedeutungen getrennt und in ver-
schiedenen Ebenen vorgehalten (Layerprinzip, vgl. Kap. 4.1.4). Dieses älteste Prin-
zip der Darstellung von unterschiedlichen Thematiken leitet sich direkt aus dem
Folienprinzip der klassischen Kartographie ab. Verschiedene Folien mit unter-
schiedlichen thematischen Inhalten (z.B. Gewässerfolie bzw. Gewässerdecker,
Grünflächenfolie, Schriftfolie) werden während der Kartenerstellung „übereinan-
dergelegt“. Dabei müssen natürlich hinsichtlich der Gemeinsamkeiten identische
Geometrien vorliegen (z.B. die auf verschiedenen Ebenen liegenden Begrenzungen
von Bachläufen und angrenzenden Grünflächen). Zumeist erfolgt nicht nur eine
Trennung nach den verschiedenen Thematiken, sondern auch nach punkt-, linien-
und flächenhaften Geoobjekten. Die Modellierung nach dem Ebenen-prinzip besitzt
keine Hierarchisierung, sämtliche Ebenen sind formal gleichberechtigt.
Die Integration der Zeit in einem Geoinformationssystem erfolgt zumeist auch
nach dem Ebenenprinzip. Zeitliche Angaben können zwar auch durch Einführen
weiterer Attribute und Metadaten aufgenommen werden. Standardmäßig werden
zeitliche Prozesse aber durch Zeitschnitte diskretisiert, die einzelne Ebenen in ei-
nem Geoinformationssystem bilden. Dann können u.a. durch räumliche Überlage-
rungsfunktionen (vgl. Kap. 9.4.4 u. 9.5.3) zeitliche Veränderungen analysiert wer-
den.
Das Objektklassenprinzip geht von einer hierarchischen Anordnung verschiede-
ner Thematiken mit Teilmengenbeziehungen der Themen aus: z.B. Hyperklasse,
Superklasse, Klasse, Subklasse (vgl. Abb. 9.10 u. eingehender Kap. 4.1.1). Dabei
werden Geoobjekte mit gemeinsamer Thematik (und Methoden) im Allgemeinen
zu Objektklassen zusammengefasst.
Abb. 9.10: Darstellung von Geoobjekten: Vektor- u. Rasterprinzip und Layer- u. Objektprinzip
Die unterschiedlichen Konzepte des ebenen- und des objektorientierten Ansatzes

können sowohl in vektororientierten als auch in rasterorientierten Geoinformations-
systemen angewandt werden. Dabei ist die Darstellung von Geoobjekten nach dem
Ebenenprinzip leicht realisierbar. Sie ist die Standardform in einem Geoinformati-
onssystem.
9.3.7 Vergleich von Vektor- und Rastermodell
Eine knappe, vergleichende Gegenüberstellung von Vektor- und Rastermodell zeigt

keine eindeutigen Vor- und Nachteile (vgl. Tab. 9.4). Grundsätzlich können Frage-
stellungen sowohl mit dem Vektor- als auch mit dem Rastermodell bearbeitet wer-
den, wobei aber jeweils spezifische Vor- und Nachteile bestehen, die mit der Auf-
lösung der Objekte (vgl. kleinste Pixelgröße), mit dem Aufwand zur Datenspeiche-
rung oder mit dem Aufwand der Analysetechniken zusammenhängen. Herauszu-
stellen ist, dass sich beide Modelle nicht konträr gegenüberstehen, sondern dass
Vektor- und Rastermodell gleichermaßen benötigt werden.
Das Vektormodell eignet sich aufgrund der höheren Genauigkeit und Eindeutigkeit
für das Vermessungs- und Katasterwesen bzw. in der Infrastrukturplanung sowie
generell für großmaßstäbige Untersuchungen. Gerade in der Umweltplanung sind
Geoinformationssysteme (auf Vektorbasis) inzwischen Standardwerkzeuge gewor-
den (z.B. Altlasten- oder Biotopkataster).
Demgegenüber ist das Rastermodell zum Standard für kleinmaßstäbige Anwen-
dungen und für großräumige Überblicke sowie für Anwendungen der digitalen
Bildverarbeitung geworden, was sich aufgrund der Datenbasis in Form von Raster-
daten beinahe zwangsläufig ergibt. Das Rastermodell ist ferner besonders für Prob-
leme geeignet, die die Modellierung von räumlichen Ausbreitungsprozessen betref-
fen. Wichtige Anwendungsgebiete sind z.B. die Modellierung von Emissionen von
punktförmigen Emittenten (Punktquellen wie Schornsteine) oder die Modellierung
von Wasserabflüssen (auf einer Oberfläche), die Darstellung und Berechnung von
Erosionserscheinungen oder die Ausbreitungsmodellierung von Umweltgiften in
Boden oder Wasser. Aufgrund einer einheitlichen Raumbezugsbasis und leicht zu
handhabender Nachbarschaftsbeziehungen lassen sich Ausbreitungsrechnungen
leichter durchführen, bei denen sich ein Wert für eine Rasterzelle aus den Werten
der Nachbarzellen errechnet.
Eine Bewertung der beiden Modellvarianten ist somit nur vor dem Hintergrund
des jeweiligen Einsatzbereiches zu sehen, der die Eignung des einen oder des ande-
ren Modells bestimmt, sowie der im jeweiligen Modell bereitgestellten Funktionen.
Hybride Geoinformationssysteme stellen Methoden zur Datenerfassung, Datenver-
waltung, Datenanalyse und Visualisierung für beide Modelle zur Verfügung. Die
Geoinformatik stellt insbesondere Verfahren bereit, Geodaten zwischen beiden Mo-
dellen auszutauschen und zu transformieren:
- Konvertierung von Vektor- zu Rasterdaten (vgl. Kap. 9.5.2 und hinsichtlich der
räumlichen Interpolation von Sachdaten an einzelnen Punkten zu Informationen
in einem Raster vgl. Kap. 9.7.3)
- Konvertierung von Raster- zu Vektordaten (vgl. Kap. 5.2.3).
Bearbeitung und raumbezogene Analyse von Geoobjekten im Vektormodell 397
Tabelle 9.4: Vergleichende Gegenüberstellung von Vektor- und Rastermodell

Vektormodell Rastermodell
Vorteile x hohe geometrische Genauigkeit x einfache Datenstrukturen

x eindeutige Objektbeschreibung x geringer Aufwand bei Erfassung der
x geringe Datenmengen Geometrie und Topologie
x größere Ähnlichkeit der graphischen x kompatibel mit Fernerkundungs- und
Präsentation mit traditionellen Karten Scannerdaten
x einfaches Überlagern und Verschnei-
den von Geoobjekten
x einfache logische und algebraische
Operationen
Nachteile x komplexere Datenstrukturen x keine Form- und Lagetreue der
x aufwendige Erfassung von Geometrie Geoobjekte
und Topologie x höherer Speicheraufwand
x aufwendige und rechenintensive logi- x kleine Pixelgröße mit explodieren-
sche und algebraische Operationen den Datenmengen für höhere Genau-
(u.a. Überlagerung und Verschnei- igkeitsanforderungen
dung) x weniger zufriedenstellende graphi-
x parallele geometrische und topologische Präsentation (abhängig von der
sche Beschreibung der Geoobjekte Pixelgröße)
x aufwendige Koordinatentransfor-
mationen
9.4 Bearbeitung und raumbezogene Analyse von Geoob-

jekten im Vektormodell
Hier stehen Geoinformationssysteme und keine Geodatenbanken im Mittelpunkt,

mit denen auch Bearbeitung und Analyse von Geoobjekten möglich sind.
9.4.1 Erfassen und Editieren von Geoobjekten im Vektormodell
Für die Erfassung der Geometriedaten stehen verschiedene technische Geräte wie
stellenweise auch noch veraltet Digitalisiertabletts oder neuerdings zur mobilen Da-
tenaufnahme Smartphones, mobile Geoinformationssysteme oder GPS-Geräte zur
Verfügung. Von besonderer Bedeutung ist dabei die interaktive Datenerfassung von
Koordinaten mit Hilfe einer On-Screen-Datenerfassung (vgl. Abb. 5.4 u. Kap.
5.2.1). Das Geoinformationssystem verfügt über Funktionen zur Kalibrierung der
Digitalisiervorlage und zur Georeferenzierung von Geometrien. Dabei sind in der
Regel viele Kartennetzentwürfe implementiert, so dass die Datenerfassung von
Vorlagenkarten mit beinahe beliebigem Netzentwurf sowie auch eine Transforma-
tion in fast beliebige Koordinatensysteme möglich sind. Zum Verständnis sind so-
mit Grundkenntnisse von Koordinatensystemen und Netzentwürfen unerlässlich
(vgl. Kap. 4.2 - 4.5). Vor allem sind sehr vielfältige Funktionen zur Erfassung von
Geometrien vorhanden (z.B. Standardfunktionen wie Kopieren oder Löschen von
Geometrien sowie „Fangen“ von Koordinatenwerten, aber auch spezielle Funktionen

wie z.B. Erzeugen einer parallelen oder lotrechten Linie zu einer vorhandenen Linie).
Das Geoinformationssystem stellt Datenschnittstellen bereit, um externe Daten zu
übernehmen. Hierzu gehört auch die Übernahme von Vermessungsdaten oder von
Lagekoordinaten eines GPS-Gerätes. Besondere Bedeutung kommt dabei dem Da-
tenaustausch zu, also dem Vermögen der Software, Daten in unterschiedlichen For-
maten zu importieren oder eigene Daten in andere Datenformate zu transformieren
und auch zu exportieren.
Im Anschluss an die Datenerfassung der Geometrien erfolgt eine Aufbereitung
und Modellierung der raumbezogenen Daten. Das Geoinformationssystem muss bei
Vektordaten je nach Datenmodell in der Lage sein, topologische Informationen auf-
zubauen, aus den Koordinatenfolgen Linien zu definieren und aus geschlossenen
Linien Flächen zu generieren (Polygonisierung) oder die Geometrien auf topologi-
sche Inkonsistenzen zu prüfen, um sie anschließend zu beheben. Erfassungsfehler
müssen angezeigt und Funktionen zur Fehlerbehebung bereitgestellt werden.
Zu den Werkzeugen zum Editieren von Geometrien gehören vor allem:
- Entfernen überflüssiger oder Hinzufügen neuer Punkte, Linien oder Flächen (vgl.
Abb. 9.11)
- Ausdünnen und Glätten von Linien
- Auftrennen von Linien und Flächen,
- Geometrieausgleich wie z.B. Erstellen der Rechtwinkligkeit, Parallelität oder Ge-
radlinigkeit
- Auflösen einer Spaghettidigitalisierung (vgl. Kap. 5.2.1)
- Auflösen von Überständen (engl. Overshoots) und zu kurzen Linien (engl. Un-
dershoots) (vgl. Abb. 9.11)
- Verschieben und Kopieren von Objekten,
- Aufbau einer fehlerfreien Topologie (vgl. Kap. 9.3.3).
Abb. 9.11: Erfassungsfehler und bereinigte, topologisch konsistente Geometrien
Die Geoobjekte müssen nicht nur geometrisch, sondern auch durch Sachdaten defi-
niert werden. Zur Modellierung der Thematik nutzt das Geoinformationssystem
Funktionen eines Datenbankmanagementsystems. Die Kopplung mit Geoobjekten
erfolgt bei relationalen Datenstrukturen über Schlüsselattribute (vgl. Kap. 8.1.1).
Über das integrierte Datenbankmanagementsystem sind auch Änderungen von At-

tributstruktur sowie der Attributwerte selbst möglich: Löschen und Hinzufügen,
Kopieren, Umbenennen von Attributen wie auch von einzelnen Attributwerten,
Veränderung der Typdefinition von Attributen (z.B. Verringerung der Zahl der
Nachkommastellen), Zusammenfügen verschiedener Tabellen über gemeinsame
Schlüsselattribute.
9.4.2 Verwaltung von Geoobjekten im Vektormodell: Datenabfragen

und Suchoperationen
In einem Geoinformationssystem bestehen vielfältige Varianten, verschiedene

Sichten auf den Datenbestand zu geben und Abfragen zu formulieren. Dabei stellen
reine graphische Veranschaulichungen und einfache interaktive Abfragen durch
Anklicken der Geoobjekte am Monitor die häufigsten Formen von Datenabfragen
dar. Daneben können rein attributive Suchbedingungen gebildet werden. Ausge-
hend von den Abfrage- und Suchfunktionen des Datenbankmanagementsystems
werden über die Attributwerte auch von mehreren Datenebenen Geoobjekte identi-
fiziert und anschließend am Monitor z.B. durch eine auffällige Farbe markiert. Zu-
meist wird ein intuitiv zu bedienender Abfragemanager angeboten. Die Darstellung
der Objekte am Monitor ermöglicht eine erste räumliche Orientierung, an die sich
häufig ein gezieltes graphisch-interaktives Abfragen der Attributinformationen von
Einzelobjekten anschließt (Anklicken eines einzelnen Objektes mit der Maus und
Anzeigen der zugehörigen Attributwerte).
Geometrische Suchbedingungen können durch Angabe eines geometrischen
Suchbereichs formuliert werden. Der Suchbereich wird z.B. durch Angabe eines
Suchfensters, eines Suchkreises oder eines beliebigen Suchpolygons gebildet. Der
Suchbereich wird dabei nicht berechnet, sondern graphisch am Monitor mit der
Maus konstruiert (z.B. „Aufziehen“ eines Fensters).
Falls die Geometrie- wie auch die Attributdaten in einer Geodatenbank gespei-
chert sind, können Abfragen auch mit Werkzeugen der Geodatenbank erfolgen. Die
Auswertungen können anschließend mit Funktionen des Geoinformationssystems
visualisiert werden.
9.4.3 Fortführung und Aktualisierung von Geoobjekten im Vektor-

modell
Ein Geoinformationssystem besitzt zur Aktualisierung viele Möglichkeiten, ver-

schiedene Dateioperationen (u.a. Kopieren u. Löschen) auszuführen, Daten zu mo-
difizieren (u.a. Einfügen oder Löschen sowie vor allem Aktualisieren von Geomet-
rie und Attributwerten der Geoobjekte) sowie Daten zu im- oder exportieren. Diese
Aufgaben betreffen zum einen nur die Funktionen des integrierten Datenbankma-
nagementsystems. Zum anderen sind für ein Geoinformationssystem die Modifizie-
rungen typisch, die Veränderungen der Geometrien beinhalten, die nach Datenmo-
dell nur eine topologische Prüfung der Geometrien oder eine Aktualisierung der
Topologie nach sich ziehen. Hierzu gehören das einfache Hinzufügen einer Grenz-
linie, wodurch eine alte Fläche geteilt wird, oder das Löschen einer Grenzlinie,
wodurch zwei Flächen zusammengelegt werden. Aber auch schon einfache Verän-
derungen der Sachdaten können Veränderungen der Geometrien und dann weiter
eine Aktualisierung der Topologie erfordern. Hierzu gehören vor allem die Umklas-
sifizierungen von Geoobjekten (z.B. Zusammenfassen von feiner definierten und
dann zwangsläufig auch kleinräumig differenzierteren Untereinheiten zu gröberen
Haupteinheiten).
An dem einfachen Beispiel des Zusammenlegens benachbarter Flächen kann
sehr gut das Besondere der Verwaltung von Geoobjekten in einem Geoinformati-
onssystem verdeutlicht werden (vgl. Abb. 9.12). Durch das Zusammenlegen entfällt
die gemeinsame Grenzlinie. Eine neue Fläche mit vollständig neuer Form (d.h. Ge-
ometrie) entsteht. Je nach Datenmodell müssen neue topologische Beziehungen der
Grenzlinien aufgebaut werden. Die Sachdatensätze, die zu benachbarten Ursprungs-
flächen gehören, müssen, da nur noch eine Fläche vorliegt, zu einem Datensatz zu-
sammengefasst werden. Gerade diese Zusammenfassung und Aktualisierung ist
keineswegs trivial. Insbesondere muss vorab gewährleistet sein, dass eine inhaltli-
che, von einer Fragestellung vorbestimmte Ähnlichkeit vorliegt, die eine Zusam-
menlegung benachbarter Flächen gestattet.
Abb. 9.12: Zusammenlegen von Flächen
Besondere Bedeutung besitzen Funktionen zur Anpassung von Karten und zur Kar-
tenrandbehandlung. Nicht selten tritt die Aufgabe auf, dass zwei Datenbestände aus
benachbarten Kartenblättern zusammengeführt werden müssen. Falls die Daten in
unterschiedlichen Koordinatensystemen erfasst wurden, müssen vorher die Koordi-
naten transformiert werden, so dass beide Datenbestände in einem einheitlichen Be-
zugssystem zwar noch getrennt, aber schon „nebeneinander“ vorliegen. Beide Da-
tenbestände können dann sofort zusammengeführt werden, wenn jeweils exakte
Kartenvorlagen bestanden, die Datenerfassung mit dem Digitalisiertablett fehlerfrei
und die Transformationen in das gemeinsame Bezugssystem verzerrungsfrei erfolg-
ten. Falls allerdings ein Datensatz auf der Grundlage einer verzerrten Karte erfasst
wurde (z.B. aufgrund von Alterungsprozessen des Papiers), bestehen erhebliche
Probleme, da die benachbarten Datensätze nicht passgenau nebeneinanderliegen.

Zumeist besitzt ein Geoinformationssystem Funktionen, die Geometrien ähnlich
wie ein Gummituch zu „stauchen“ und zu „zerren“, um somit eine Anpassung zu
erreichen. Diese Leistung wird häufig mit dem Begriff „rubber sheeting“ umschrie-
ben. Zur Durchführung müssen in beiden Datenbeständen eindeutige Anknüpfungs-
bzw. Bezugspunkte vorhanden sein (vgl. Abb. 9.13).
In den nächsten Arbeitsschritten werden die beiden noch getrennten Datenbe-
stände zu einem einzigen Datenbestand zusammengeführt. Im Anschluss werden
die Teilungen, die zwischen gleichen Ausprägungen am ehemaligen Kartenrand be-
stehen, aufgehoben, so dass „durchgängige“ Flächen und ein blattschnittfreier Da-
tenbestand hinsichtlich der Geometrie- wie auch der Sachdaten vorliegen.
Abb. 9.13: Aneinanderfügen von Datensätzen aus benachbarten Kartenblättern mit Anpassung der
Geometrie
9.4.4 Räumliche Überlagerungen und geometrisch-topologische

Analysefunktionen von Geoobjekten im Vektormodell
Die räumlichen Analysefunktionen lassen sich in drei große Gruppen einteilen:

- Generierung von Zonen (sog. Buffer-Funktionen),
- räumliche Überlagerungen und Verschneidungen (sog. Overlay-Funktionen),
- Verarbeitung von Grenzen (sog. Boundary-Funktionen).
Bei der Generierung von Zonen wird um die ausgewählten Geoobjekte eine Fläche
generiert (vgl. Abb. 9.14). Die alte Datenebene bleibt unverändert, das Ergebnis des
Bufferns ist somit immer eine neue Fläche, die allerdings außer Flächengröße und
Umfang der Zone keine Attribute hat. Die Berechnung von Pufferzonen erfolgt
(starr) nach geometrischen Bedingungen. Für die Breite der Zonen um die ausge-
wählten Geoobjekte können ein konstanter Wert oder ein numerisches Attribut der
ausgewählten Geoobjekte bestimmt werden, das dann die Breite definiert.
Abb. 9.14: Generieren von Pufferzonen
Ein Anwendungsbeispiel liefert der sog. Abstandserlass im Rahmen der Bauleitpla-

nung (in Nordrhein-Westfalen), der u.a. bei Neuausweisung eines Gewerbe- bzw.
Industriegebietes einen Abstand von 200 m zwischen einer Möbelfabrik und einem
Wohngebiet vorschreibt. Ein Geoinformationssystem ist in der Lage, bei der Pla-
nung eines Gewerbegebiets eine Abstandszone darzustellen. Die als einfache Linien
modellierten Straßenobjekte in einem Geoinformationssystem sind ein weiteres An-
wendungsbeispiel. Über eine Zonengenerierung können Straßenflächen generiert
werden. Die Breite des Buffers wird für ein Linienstück durch den zugehörigen
Wert des Attributs „Breite des Verkehrsweges“ bestimmt.
Herauszustellen ist, dass die Zonengenerierung relativ starr ist und sich nicht auf-
grund einer Modellierung errechnet (wie z.B. bei der Berechnung der Lärmausbrei-
tung in Abhängigkeit der Topographie).
Abb. 9.15: Verarbeitung von Grenzen
Auch bei der Verarbeitung von Grenzen werden die Attribute und Attributwerte
nicht verändert. Diese Funktionen modifizieren ausschließlich die Geometrien einer
Datenebene, indem z.B. Teilbereiche aus dem Innern ausgestanzt werden (vgl. Abb.
9.15). Die zugehörigen Attributwerte bleiben erhalten. Lediglich Flächeninhalt und
Umfang der Teilflächen werden neu berechnet.
Im Gegensatz zu reinen graphischen sind die geometrisch-topologischen Über-

lagerungen von besonderer Bedeutung. Hierbei werden die Datensätze der Aus-
gangsdatenebenen miteinander verknüpft und bilden eine (neue) Datenebene mit
Geometrien und Sachdaten (vgl. Abb. 9.16). Die Attribute und Attributwerte dieser
neuen Datenschicht werden aus den beteiligten Ebenen übernommen, d.h. „ver-
erbt“. Lediglich der Flächeninhalt und der Flächenumfang der neuen flächenhaften
Geoobjekte werden neu berechnet.
Abb. 9.16: Räumliche Überlagerungs- oder Verschneidungsfunktionen
Abbildung 9.17 belegt die Art der „Vererbung“, wie sie in der GIS-Software Arc-
GIS realisiert ist. In diesem Beispiel sollen Nutzungsinformationen mit Besitzinfor-
mationen verschnitten werden. Hierbei wird generell von qualitativen Merkmalen
ausgegangen. Die Ergebnisfläche mit der Kennung 4 besitzt auch noch nach der
Verschneidung die Eigenschaften „WL“ und „X“ der beiden Ausgangsdatenebenen
(Biotoptyp WL und Besitzer X). In der Attributtabelle der Ergebnisdatenebene wer-
den einfach die Attribute der Eingangstabellen „angehängt“. Für eine neue, durch
die Verschneidung entstandene Fläche werden die Attributwerte aus den zugehöri-
gen Flächen der Eingangsdatenebenen übernommen.
Abb. 9.17: Verarbeitung der Attribute von Geoobjekten bei räumlichen Verschneidungen
Entsprechend werden auch die numerischen Attribute bzw. Attributwerte „vererbt“.

Die Zahlenangaben werden von der GIS-Software ebenfalls als qualitative Daten
interpretiert. Dieser Umstand führt leicht zu Irritationen: Die Ausgangsdatenschicht
weist für das Gebiet 20 insgesamt 100 Bäume aus. Nach der Verschneidung besitzt
die neue Attributtabelle ebenfalls das Attribut „Baumzahl“, das für die beiden Teil-
flächen in der linken Hälfte jeweils die Werte 100 ausweist. Zusammen würden im
ehemaligen Gebiet 20 jetzt 200 Bäume stehen. Der Attributwert „100“ wird weiter-
gegeben, als wäre er ein Name der Fläche. Absolute Werte werden also während
der Verschneidung nicht auf die Flächenanteile umgerechnet. Dieser Tatbestand ist
darauf zurückzuführen, dass die Bedingungen für eine derartige Umlegung nicht
bekannt sind. Erst wenn unterstellt wird, dass sich die absoluten Daten (z.B. die
Bäume) gleichmäßig auf die Fläche verteilen, kann eine elegante Lösungsstrategie
angegeben werden, die mit Hilfe der GIS-Funktionen automatisiert umgesetzt wer-
den kann. In den Ausgangsdaten wird nicht die absolute Zahl der Bäume, sondern
die „Baumdichte“ abgespeichert. Dieser numerische Dichtewert wird auf die zuge-
hörigen Teilflächen der Ergebnisdatenschicht richtig vererbt. Falls sich die Bäume
auf die Fläche gleich verteilen, liegt nach der Verschneidung in den Teilflächen
ebenfalls diese Baumdichte vor. Durch Multiplikation dieser Dichte mit der jewei-
ligen Flächengröße der Teilfläche, die von der Software automatisch neu berechnet
wird, kann die absolute Baumzahl für diese Teilfläche geschätzt werden.
Bei der Verschneidung nicht ganz deckungsgleicher Flächen, die z.B. aufgrund
ungenauer Erfassung der Geoobjekte oder aufgrund stärkerer Generalisierung von
Grenzlinien vorliegen, können kleine Restpolygone oder Schnipselflächen (engl.
sliver-polygons) entstehen. Ein Geoinformationssystem sollte Funktionen besitzen,
derartige Restflächen (automatisch) zu beseitigen. Sie können z.B. jeweils der Flä-
che zugeschlagen werden, mit der sie die größte gemeinsame Grenze besitzen.
Abbildung 9.18 zeigt einen typischen Anwendungsfall von geometrisch-topolo-
gischen Analysefunktionen auf. Für eine Ortsumgehung stehen zwei Trassenalter-
nativen zur Diskussion, die im Rahmen einer Voruntersuchung gegenübergestellt
werden sollen. Insbesondere sind der Landschaftsverbrauch und das Ausmaß an
Veränderungen von vorhandenen Nutzungen oder Biotopen zu ermitteln. Die Ab-
schätzung der Umweltauswirkungen erfordert, die möglichen Veränderungen in
mehreren Belastungszonen entlang der beiden Trassenalternativen zu bestimmen
und einander gegenüberzustellen. Hierzu werden Pufferzonen um die Trassen ge-
neriert, diese mit den vorliegenden Nutzungen verschnitten und abschließend Flä-
chenbilanzen aufgestellt. Dieses recht einfache, in vielen Schritten zu automatisie-
rende Vorgehen hat den Vorteil, relativ schnell und vor allem kostengünstig eine
Entscheidungshilfe zu liefern. Allerdings ist hierfür eine wesentliche Vorausset-
zung, dass geeignete Daten zur Verfügung stehen oder erhoben werden können.
Herauszustellen ist, dass in einem Geoinformationssystem nicht nur eine rein gra-
phische Überlagerung möglich ist. Erst durch Verschneiden wird eine neue Daten-
ebene erzeugt, die die Nutzungsdifferenzierung für Teilflächen nur in den Puffer-
zonen ausweist (vgl. Abb. 9.18), so dass Flächenbilanzen für diese Teilräume er-
rechnet werden können.
Bearbeitung und raumbezogene Analyse von Geoobjekten im Rastermodell 405
Abb. 9.18: Anwendung geometrisch-topologischer Analysefunktionen: Zonengenerierung und

Verschneidung (gemeinsamer räumlicher Durchschnitt)
9.5 Bearbeitung und raumbezogene Analyse von Geoob-

jekten im Rastermodell
Hier stehen Geoinformationssysteme und keine Geodatenbanken im Mittelpunkt,

mit denen auch Bearbeitung und Analyse von Geoobjekten möglich sind.
9.5.1 Aufbereiten von Rasterdaten
Die Erfassung von Rasterdaten kann direkt im Rasterformat über Scannersysteme

erfolgen (vgl. Kap. 5.2.2). Die Daten werden dabei aus externen Bild- oder Raster-
daten erzeugenden Systemen importiert:
- Aufnahme von Bildern mit einer Digitalkamera und Scannen von analogen Pa-
piervorlagen, Bildern oder Dias,
- Aufnahme von Fernerkundungsdaten mit Scannersystemen auf Drohnen, Flug-
zeugen oder Satelliten.
Eine häufige Anwendung ist, Rasterdaten wie z.B. einen gescannten Stadtplan oder
eine gescannte Anfahrtsskizze in einem Geoinformationssystem als Hintergrundin-
formation zur Orientierung vorzuhalten. Im Anschluss an die Erfassung von Ras-
terdaten stellt sich die Aufgabe, die Pixelkoordinaten (kartesisches Koordinatensys-
tem, Ursprungskoordinaten (0,0) in der linken oberen Ecke) auf ein allgemeines
Bezugssystem zu transformieren (sog. Georeferenzierung vgl. Kap. 4.2.5.1). Ge-

genüber der Einbindung benutzerspezifischer Hintergrundinformationen als Raster-
karten ist die Integration eines Web Map Service weitaus häufiger und eleganter
(vgl. Kap. 6.4.8 u. Abb. 6.6). Anwendungsfälle sind keineswegs selten. So ist z.B.
bei Fragestellungen der kommunalen Wirtschaftsförderung zur besseren Orientie-
rung eine Topographische Karte zu hinterlegen, wobei lediglich die Gewerbeflä-
chen als vektorielle Geoobjekte in UTM-Koordinaten der Landesvermessung er-
fasst werden. Somit ergibt sich ein reduzierter Aufwand der Datenerhebung bei den-
noch optimaler Visualisierung der Gesamtsituation.
Die Aufbereitung von Rasterdaten, die mit Methoden der Fernerkundung erho-
ben wurden, ist weitaus komplexer. So ist das Aufnahmebild z.B. aufgrund der
Schräglage des Flugzeuges verzerrt. Die gleich großen Pixel geben unterschiedlich
große Flächen wieder. Neben der Georeferenzierung wird eine Entzerrung notwen-
dig (vgl. Kap. 10.6.1.2).
Das Besondere der Rasterdatenerfassung mit Scannersystemen ist, dass die Pixel
Träger von geometrischen und topologischen Informationen sowie von Sachinfor-
mationen sind. Diese sog. Grauwerte werden mit spezifischen Methoden der digi-
talen Bildverarbeitung ausgewertet (u.a. Verfahren zur Mustererkennung und Klas-
sifikation, vgl. Kap. 10.7). Die Grauwerte eines Pixels liefern hierbei die entschei-
denden Ausgangsinformationen für weitergehende Analysen, wobei Satellitenbil-
der in der Regel pro Pixel mehrere Grau- bzw. Kanalwerte besitzen.
Gegenüber den Daten, die mit Scannern erfasst wurden und somit originär als
Rasterinformationen vorliegen, können auch Sachdaten einem räumlichen Bezugs-
raster zugeordnet oder für ein Raster berechnet werden. Zwei Beispiele verdeutli-
chen typische Anwendungsfälle der Verarbeitung von Sachdaten auf Rasterbasis:
In einem Emissionskataster liegen in der Regel die Geoobjekte, für die Emissi-
onsdaten vorhanden sind oder berechnet werden können, zunächst im originären
Raumbezug vor, d.h. als Punkt-, Linien- und Flächenobjekte. Für einzelne Emitten-
tengruppen wie z.B. Hausbrand, Kleingewerbe oder Kraftwerke können Emissions-
werte abgeschätzt werden, die dann mit sehr unterschiedlichen räumlichen Bezügen
in einem Geoinformationssystem auf Vektorbasis gespeichert sind. Die Umrech-
nung bzw. Konvertierung auf ein einheitliches Raumbezugssystem wird notwendig,
wenn die Verbreitung eines einzelnen Luftschadstoffes für alle Emittentengruppen
dargestellt werden muss. Die Aggregierung kann nur auf einer neuen, „neutralen“
Rasterbasis erfolgen. Auch die Modellierung von Schadstoffausbreitungen erfolgt
auf Rasterbasis. Immissionswerte werden nicht für einen einzelnen Punkt oder für
eine beliebige Fläche berechnet, sondern für ein Quadratraster (vgl. Berlekamp u.a.
2000 sowie das Partikelmodell AUSTAL 2000 für die Ausbreitungsrechnung von
staub- und gasförmigen Emissionen sowie Gerüchen, vgl. Umweltbundesamt
2019).
Zur Beurteilung der Grundwassersituation für Planungsvorhaben und zur Eig-
nung von Bauflächen ist für das Grundwasser eine sog. Flurabstandskarte zu erstel-
len, die den Abstand des Grundwassers zur Oberfläche wiedergibt. Hierbei werden
die Grundwasserfläche und die Oberfläche des Geländes durch Punktdaten diskre-
tisiert. Der Grundwasserstand liegt nur für ein unregelmäßiges Netz von einzelnen
Grundwassermessstellen vor. Die Höhendaten können für Raster unterschiedlicher
Maschenweiten von den Landesvermessungsbehörden bezogen werden. Somit ist

naheliegend, beide Oberflächen durch Rasterdaten zu modellieren. Das Raster lie-
fert die gemeinsame Raumbezugsbasis. Die Sachdaten für eine Rasterzelle sind zum
einen die Geländehöhen und zum anderen die Grundwasserstände. Mit Methoden
der Map Algebra (vgl. Kap. 9.5.3 u. 9.5.4) kann paarweise für jeweils zwei Raster-
zellen die Differenz aus Geländehöhe und Grundwasserstand (jeweils in m über
NN) berechnet werden, die dann den Flurabstand des Grundwassers (auf Rasterba-
sis) darstellt. Allerdings setzt dieses Vorgehen voraus, aus den Messdaten an weni-
gen Bohrpunkten Grundwasserstände für sämtliche Rasterzellen im Untersuchungs-
gebiet zu berechnen. Hierzu bieten Geoinformationssysteme verschiedene Metho-
den der räumlichen Interpolation (vgl. Kap. 9.7).
Beiden Beispielen ist gemeinsam, dass die Ausgangsinformationen als Vektor-
daten vorliegen und dass die Bearbeitung der Fragestellung nur mit Methoden auf
Rasterbasis möglich ist. Dabei ist aufgrund des einheitlichen, einfachen und starren
Rasters weniger die Aufbereitung und das Editieren der Geometrien relevant, die
bei einem vektorbasierten Geoinformationssystem große Bedeutung besitzen, als
vielmehr die Verwaltung der thematischen Daten auf Rasterbasis. Zunächst müssen
die zu Punkt-, Linien- oder Flächenobjekten vorhandenen Sachdaten einzelnen Ras-
terzellen zugeordnet werden. Die flächenhaft als unregelmäßige Polygone vorlie-
genden Daten werden in ein Raster „gedrückt“, wobei verschiedene Varianten be-
stehen, die unterschiedlichen großen Ausgangsflächen in ein gleichmäßiges Raster
zu konvertieren (vgl. Kap. 9.5.2). Ausgehend von nur vereinzelt vorliegenden
punkthaften Daten müssen die übrigen Rasterzellen gefüllt werden (zu räumlichen
Interpolationsverfahren vgl. Kap. 9.7.3).
9.5.2 Konvertieren von Sachdaten auf Rasterbasis
Bei der Konvertierung von (Flächen-)Informationen in ein regelmäßiges Raster tritt

das häufige Problem auf, dass auf eine Rasterzelle u.U. mehrere Ausgangsinforma-
tionen entfallen, da sich die allgemein unregelmäßigen Flächen nur schwer durch
ein Raster annähern lassen. Diese Zuordnungsprobleme sind bei einer gröberen
Zellstruktur im Allgemeinen größer, ein feineres Raster löst aber das prinzipielle
Problem nicht.
Abbildung 9.19 verdeutlicht eine Datenkonvertierung, die zeilenweise vorgeht
und bei der eine Zelle die Eigenschaft der Ausgangsdatenschicht erhält, die den
größten Teil der Zelle besetzt. Falls eine Zelle z.B. aus 35 % Ahorn- und 45 %
Nadelwald besteht, wird nach dieser Methode die Zelle dem Nadelwald zugeordnet.
Bei einer weiteren Methode kann die Eigenschaft bestimmt werden, die zuerst bzw.
mit einem höheren Gewicht einer Zelle zugeordnet werden soll. Wenn z.B. bei einer
Vegetationsaufnahme eine seltene Pflanzenart gefunden wurde, kann dieser Art bei
der Konvertierung zu Rasterdaten ein Vorrang gegenüber den anderen Pflanzenar-
ten gegeben werden.
Auch für den umgekehrten Fall, dass für Rasterzellen Sachdaten vorliegen, denen
Flächen im Vektorformat zugewiesen werden müssen, stellt ein Geoinformations-
system Funktionen zur Verfügung. So können z.B. mit einem Thermalscanner, der
in einem Flugzeug eingesetzt wird und der die Strahlungstemperatur von Oberflä-
chen misst, ein Thermalbild ermittelt und daraus für ein Stadtgebiet Oberflächen-
temperaturen auf Rasterbasis bestimmt werden. Diese Thermaldaten können Ge-
bäudeflächen zugewiesen werden, deren Umrisse aus einer digitalen Liegenschafts-
karte stammen. Zur Lösung dieser Konvertierungsaufgabe wird in der Praxis fast
ausschließlich die sog. Punktmethode angewandt, bei der die Geoobjekte mit den
Mittelpunkten der Rasterzellen verschnitten werden (vgl. Abb. 9.19). Falls die Mit-
telpunktkoordinate einer Rasterzelle innerhalb eines flächigen Geoobjektes liegt,
wird der Wert dieser Zelle zur Berechnung des Attributwertes für das Geoobjekt
herangezogen (z.B. zur Ermittlung einer durchschnittlichen Oberflächentemperatur
durch Mittelwertbildung der rasterbezogenen Sachdaten wie z.B. in Abb. 9.19, Mit-
telwert aus den Werten 2, 4, 5, 5 und 4).
Abb. 9.19: Sachdatenkonvertierung: Vektor-Raster- und Raster-Vektor-Konvertierung
9.5.3 Räumliche Analysen von Rasterdaten
Für die räumliche Analyse von Rasterdaten bestehen zum einen Methoden, die die
Rastergeometrie betreffen und die mit den im Kapitel 9.3.4 behandelten räumlichen
Analyseverfahren auf Vektorbasis vergleichbar sind (vgl. Abb. 9.14 - 9.16). Zum
anderen liegen Methoden vor, die sich nur auf die Attributwerte in Matrixform be-
ziehen und dabei von der konkreten Form und Größe einer Rasterzelle abstrahieren.
Herauszustellen ist, dass viele Funktionen für Rasterdaten aus der Bildverarbeitung
stammen, woraus sich häufig die Terminologie erklärt (vgl. Filteroperationen, Be-
zeichnung der Attributwerte als Grauwerte).
Hier stehen keine typischen Bildbearbeitungs- und Bildauswertungsfunktionen
im Mittelpunkt (vgl. Kap. 10.6) als vielmehr solche Funktionen, die Methoden der
räumlichen Analyse in vektorbasierten Geoinformationssystemen nachbilden. Al-
lerdings lassen sich hierbei einzelne Funktionen nicht eindeutig auf einen Bereich
beschränken. So ist z.B. die Schwellwertbildung (engl. thresholding) ein Verfahren
zur Bildverbesserung, bei der Grauwerte unterhalb einer Schranke den Wert null
erhalten und als Bildstörungen aufgefasst werden und oberhalb dieser Schranke ei-
nen anderen konstanten Wert zugewiesen bekommen. Die Anwendung derartiger
lokaler Operatoren dient aber auch dazu, um Rasterdaten wie z.B. die räumliche
Verteilung von Höhen- oder Niederschlagsdaten auf Rasterbasis zu klassifizieren.
Die Generierung von Zonen erfolgt durch Verdickung (oder Verdünnung) von
Rasterzellen. Entsprechend der Operation in einem vektorbasierten Geoinformati-
onssystem ist dies eine primär geometrisch-topologische Funktion, bei der die At-
tributwerte der Rasterzellen zwar u.U. zur Steuerung der Auswahl, aber sonst nicht
weiter beachtet werden. Ebenso sind räumliche Überlagerungen und Verschneidun-
gen sowie Grenzfunktionen durch einfache logische Operationen umzusetzen.
Zur Verdeutlichung dieser Funktionen sollen mehrere Vereinbarungen getroffen
werden: Die Nachbarschaft von Pixeln wird über gemeinsame Kanten definiert (vgl.
Kap. 9.3.4). Die Ausgangs- bzw. Ergebnisdatenschichten werden mit InGrid(i,j)
bzw. OutGrid(i,j) bezeichnet. Die Attributwerte einer Rasterzelle besitzen den Wert
0 bzw. einen Wert t 1, denen die logischen Werte „falsch“ bzw. „wahr“ zugeordnet
sind. Dann gelten:
Außenbuffer (Verdickung, engl. blow):
OutGrid(i,j) = InGrid(i,j) or InGrid(i +1,j) or InGrid(i-1,j)
or InGrid(i,j+1) or InGrid(i,j-1)
Innenbuffer (Verdünnung, engl. shrink):
OutGrid(i,j) = InGrid(i,j) and InGrid(i+1,j) and InGrid(i-1,j)
and InGrid(i,j+1) and InGrid(i,j-1)
Falls andere Nachbarschaften zugrunde gelegt werden, sind mit geringem Mehrauf-
wand weitere Verdickungs- und Verdünnungsoperationen zu definieren.
Abb. 9.20: Verdickung (blow) und Verdünnung (shrink)
Wie Abbildung 9.20 zeigt, haben diese Funktionen besondere Anwendungsmög-

lichkeiten in der Bildverarbeitung. So können durch Verdickung und anschließende
Verdünnung Lücken im Ausgangsbild geschlossen werden. Durch das umgekehrte
Vorgehen (erst Verdünnung, dann Verdickung) sind Generalisierungseffekte der

Geometrie zu erreichen. Hierbei sind allerdings durch geeignete Funktionen Attri-
butwerte neu zu berechnen.
Für räumliche Überlagerungen und Verschneidungen gelten:
Vereinigung:
OutGrid(i,j) = InGrid1(i,j) or InGrid2(i,j) or ...
Gemeinsamer Durchschnitt:
OutGrid(i,j) = InGrid1(i,j) and InGrid2(i,j) and ...
Abb. 9.21: Vereinigung und gemeinsamer Durchschnitt im Rastermodell
Das „Ausstanzen“ von Gebieten oder das „Abschneiden“ von thematischen Schich-
ten am Rand (zu ähnlichen Funktionen vgl. Abb. 9.15) erfolgt über lokale logische
Operatoren. Ein Raster, das als Attributwerte nur die logischen Werte „wahr“ oder
„falsch“ besitzt, dient als Maske, die das Eingaberaster überdeckt (sog. Maskieren,
vgl. Abb. 9.22):
Maskieren:
OutGrid(i,j) = InGrid(i,j) if Maske(i,j)
Abb. 9.22: Maskieren

Eine weitere wichtige Funktion der Verarbeitung von Rastergeometrien ist die Bil-
dung der Abstandstransformierten. Hierbei wird von (einer Gruppe zusammenhän-
gender) Rasterzellen ausgegangen, die einen gleichen Grauwert haben, also z.B.
eine gleiche Thematik besitzen. Entsprechend der zugrunde liegenden Metrik wird
für jede dieser Rasterzellen der Abstand zum Rand des Untersuchungsgebietes ge-
bildet. Diese Abstandswerte werden als Attributwerte in ein zweites Raster einge-
tragen. Sie bilden die Abstandstransformierte, deren Grauwerte als Abstände zu in-
terpretieren sind. Wird dieser Prozess fortgesetzt, entstehen Grauwerte, die von au-
ßen nach innen immer größer werden. Die maximalen Werte dieses Abstandsgebir-
ges werden auch als das Skelett der Rasterstruktur bezeichnet.
Abb. 9.23: Bilden der Abstandstransformierten
Die Abstandstransformierte kann sehr einfach durch mehrere nacheinander auszu-

führende logische Operationen ermittelt werden. Hierzu wird die Gruppe der Ras-
terzellen so lange schrittweise um jeweils eine Zellenbreite verringert, bis sie sich
auflöst. Durch die logische „oder“-Verknüpfung werden anschließend die einzelnen
Verdünnungen addiert. Abbildung 9.23 zeigt das Prinzip der Verdünnung und die
Addition der Verdünnungen.
9.5.4 Map Algebra
Die Verarbeitung der Rasterdaten, d.h. der Attributwerte auf Rasterbasis, zeichnet
sich dadurch aus, dass mehrere Datenschichten eine identische Raumbezugsbasis
besitzen. Beliebige Raumausschnitte und deren Attributwerte können jetzt einfach
miteinander verknüpft werden. Dabei ist ohne Bedeutung, ob Grauwerte einer Bild-
matrix oder thematisch vorgegebene Attributwerte auf Rasterbasis vorliegen. Letzt-
lich läuft die Verarbeitung dieser Rasterinformationen auf die Verarbeitung von
Matrizen mit Zahlen hinaus. Auf Zahlenmatrizen werden bestimmte Operatoren
(Verknüpfungen) ausgeführt, so dass als Ergebnis wieder eine Zahlenmatrix ent-
steht (vgl. Abb. 9.24).
Das Kalkül wird nach Tomlin (1990) in Analogie zur Zahlenalgebra Map Al-
gebra genannt. Herauszustellen ist, dass nur eine beschränkte Zahl von Operatoren
notwendig ist, um sämtliche Verarbeitungsmöglichkeiten von Rasterdaten abzude-
cken. Tomlin spricht von 64 Operatoren. Abbildung 9.24 verdeutlicht das zugrunde
liegende Prinzip, wobei zwei Datenebenen mit einem arithmetischen Operator ver-
knüpft sind. Ähnlich lassen sich auch logische Verknüpfungen darstellen, die z.B.
Verschneidungen mehrerer Datenebenen umsetzen (vgl. Abb. 9.21). Das im Kapitel
9.5.1 genannte Beispiel, das die Erstellung einer Flurabstandskarte für das Grund-
wasser erläutert, zeigt einen Anwendungsfall auf.
Abb. 9.24: Prinzip der Rasterdatenverarbeitung mit der Map Algebra
In der Originalversion thematisiert Tomlin (1990) vier Funktionsgruppen: Local,

Focal, Zonal und Incremental Functions:
- Lokale Operatoren betrachten jeweils genau eine Zelle u.U. in mehreren thema-
tischen Schichten an derselben Stelle. Die Werte von benachbarten Zellen haben
keinen Einfluss. Als Beispiele sind logische bzw. algebraische Operatoren wie
Vergleiche oder Addition der Attributwerte und Umkodierungen bzw. Reklassi-
fizierungen zu nennen (vgl. Abb. 9.24). So weist z.B. der Befehl „newlayer = Lo-
calRating of firstlayer with 0 for 5...“ allen Zellen im neuen Layer den Wert 0 zu, die
im Ausgangslayer einen Wert größer oder gleich 5 besitzen.
- Fokale Operatoren beziehen sich jeweils auf eine Umgebung einer Zelle. Einbe-
zogen werden z.B. die N.4-Nachbarn einer Zelle (vgl. Kap. 9.3.4). Nachbarschaf-
ten können die Form eines Kreises, Rechtecks, Rings oder Keils aufweisen. So
weist z.B. der Befehl „newlayer = FocalProximity of firstlayer“ allen Zellen im neuen
Layer die Distanz zu den Zellen zu, die im Ausgangslayer einen Wert besitzen,
d.h. einen Wert ungleich -0 („nodata“). Hierdurch lassen sich die Erreichbarkeit
einer Zelle von anderen Zellen und die Erzeugung von Pufferzonen umsetzen.
- Zonale Operatoren berechnen innerhalb eines vorher festgelegten Gebietes (d.h.
einer Zone) einer ersten thematischen Schicht Werte aus Zellen einer zweiten the-
matischen Schicht.
- Inkrementelle Operatoren gehen entlang von vorgegebenen ein-, zwei- oder drei-
dimensionalen Geoobjekten vor (z.B. entlang einer Kette von Zellen oder über
ein Gelände hinweg). Die Berechnungen von Hangneigung, Exposition, Abfluss-
richtungen und Abflusswegen auf der Basis von (Gelände-)Höhendaten in Ras-
terform sind wichtige Beispiele.
Die Umsetzung in vielen Geoinformationssystemen ist sehr unterschiedlich, wobei
die Originalbefehle nach Tomlin z.B. durch graphische Tools ersetzt sind.
Netzwerkanalysen 413
9.6 Netzwerkanalysen
9.6.1 Das Netzwerkdatenmodell
Die Analyse von Netzwerken gehört zu den zentralen Anwendungen von Geoinfor-
mationssystemen. Netzwerke spielen bei sehr vielen Aufgaben vor allem im Trans-
portwesen eine wichtige Rolle. Sie modellieren Verkehrssysteme wie Straßen- oder
Schienennetze, aber auch Leitungsnetze wie z.B. Rohrleitungsnetze von Ver- und
Entsorgungsunternehmen oder Telekommunikationsleitungsnetze.
Formal definiert sind Netzwerke als Mengen von Knoten und Kanten. Sie gehö-
ren zu den Graphen, wobei in der Praxis zumeist nur unsymmetrische und gewich-
tete (oder bewertete) Graphen vorkommen (vgl. Kap. 3.4.2). Die Modellierung und
Analyse von Netzwerken erfolgt auf Grundlage der Graphentheorie. Netzwerke be-
sitzen eine Knoten-Kanten-Knoten-Topologie (vgl. Kap. 9.3.2). Sie bauen somit auf
dem Vektormodell auf.
Die Netzwerkkanten repräsentieren miteinander verbundene, lineare Einheiten.
Sie können Straßen, Eisenbahn- oder Schifffahrtslinien für ein Transportnetzwerk
ebenso wie Leiterbahnen eines elektrischen Leitungsnetzes oder die Flüsse eines
Flussnetzes darstellen. Die Knoten des Netzwerkes sind z.B. Haltestellen oder all-
gemeine Verknüpfungsstellen wie z.B. Kreuzungen. Allen Elementen des Netzwer-
kes können Eigenschaften zugewiesen werden, die dann je nach Aufgabenstellung
in die Analyse mit einbezogen werden.
Die Bewertung der Kanten erfolgt in der Regel durch die Weglänge zwischen
zwei Knoten in einer Längeneinheit, sie kann aber auch z.B. Fahrtzeiten ausdrü-
cken. Hierdurch werden allgemein Widerstandswerte modelliert, die zwischen zwei
Knoten zu überwinden sind. Den Kanten eines Netzwerkes können für beide Rich-
tungen Widerstandswerte zugeordnet werden. Ein negativer Widerstandswert be-
deutet für die Netzwerkkanten, dass diese bzw. diese Richtungen nicht durchlaufen
werden dürfen (z.B. Straßensperren, Baustellen, Einbahnstraßen bzw. Modellierung
der Fließrichtung). Ebenso können die Knoten je nach Fragestellung unterschiedlich
modelliert werden. So können einzelne, aber nicht notwendig sämtliche Knoten als
Haltestellen definiert werden, die auf einem Weg besucht werden müssen. Ferner
kann wie z.B. bei Planung einer Buslinie vorgegeben werden, in welcher Reihen-
folge Stopps zu durchlaufen sind.
Allerdings reicht es nicht aus, ein Straßen- oder Flussnetz durch eine einfache
Knoten-Kanten-Knoten-Struktur zu modellieren, bei der lediglich die Kanten und
Knoten bewertet sind. Generell bestehen an jedem Netzwerkknoten Übergänge von
einer Netzwerkkante zu einer anderen, die ebenfalls zu modellieren sind. Heraus-
zustellen ist, dass gerade die Modellierung dieser Übergänge sehr aufwendig, aber
unabdingbar ist. So werden in einem realen Wegenetz Straßen (auch) über Brücken
geführt, so dass hier kein Abbiegen möglich ist. An anderen ebenen Kreuzungen
bestehen Abbiegeverbote. In einem Flussnetz treten abgesehen von Kanalüberfüh-
rungen Querungen über Brücken nicht auf. Bei einer Flussmündung ist die „Abbie-
gevorschrift“ durch die Fließrichtung des Wassers vorgegeben. Insbesondere kön-
nen den Übergangsmöglichkeiten zwischen den Netzwerkkanten sehr differenziert
Widerstandswerte zugewiesen werden. So geht im Straßenverkehr an jedem Kreu-

zungspunkt am wenigsten Zeit beim Überqueren einer Kreuzung mit gegebener
Vorfahrt, aber am meisten Zeit verloren, wenn eine Ampelanlage mit langer Rotzeit
das Weiterfahren verzögert. An jedem Knotenpunkt sind dann n² mögliche Über-
gangsmöglichkeiten zu quantifizieren, wobei n die Anzahl der an einem Knoten-
punkt miteinander verbundenen Netzwerkkanten darstellt (pro Kante n – 1 Abzwei-
gungen und einmal Umkehren). Insgesamt bestehen in Verkehrsnetzen häufig sehr
komplexe Situationen, die aufwendig zu modellieren sind: Einzelfahrbahnen von
Autobahnen, die jeweils nur eine Fahrtrichtung erlauben, Straßenüberführungen,
mehrspurige Straßen mit unterschiedlichen Abbiegeeigenschaften, Autobahn-
kreuze, Kreisverkehr.
9.6.2 Analyse optimaler Wege in einem Netzwerk
Zu den Standardaufgaben gehören die Ermittlung kürzester Wege zwischen zwei

Knoten in einem Netzwerk und die Lösung des sog. Rundreiseproblems, bei dem
eine optimale Route durch mehrere Orte bestimmt wird, die wieder zum Ausgangs-
punkt zurückführt. Derartige Aufgaben werden auf der Basis von Algorithmen zur
Wegewahl aus der Graphentheorie gelöst (vgl. Kap. 3.4.2).
Abb. 9.25: Kürzester Weg zwischen zwei Punkten
Abbildung 9.25 zeigt einen optimalen Weg zwischen zwei Punkten im Straßennetz
der Stadt Osnabrück, der nach Fahrtzeit und (lediglich) unter Berücksichtigung von
Abbiegevorschriften berechnet wurde. Grundlage der Modellierung bilden die frei
verfügbaren OSM-Daten (vgl. Kap. 5.6.2). Hierbei mussten nachträglich vor allem
die Brücken und Kreuzungen mit der Autobahn beachtet werden, die keine Straßen-
kreuzungen und Auffahrtmöglichkeiten darstellen. Darüber hinaus kann das Netz-
werkmodell noch weiter verfeinert werden. So können z.B. auch noch Einbahnstra-
ßen oder „Tempo-30-Zonen“ wie auch die Abbiegezeit modelliert werden. Auch
die Integration der aktuellen Verkehrslage ist möglich.
Netzwerkanalysen 415
9.6.3 Ermittlung von Einzugsgebieten
Mit Analysemethoden auf Netzwerken können sog. Allokationsaufgaben bearbeitet

werden, die einem Knoten bestimmte Netzwerkabschnitte zuordnen, die ausgehend
von diesem Knoten in einer festgelegten Distanz erreicht werden können. In einer
Anwendungsaufgabe soll die Erreichbarkeit von Grundversorgungseinrichtungen
mit Lebensmitteln analysiert werden.
Abb. 9.26: 500 m Einzugsbereich des Weidencarrées in Osnabrück
Zu bestimmen sind zunächst die Straßen und Wege, über die ein vorgegebener
Punkt im Netzwerk in weniger als 500 m Weglänge zu erreichen ist (als maximal
anzunehmende, fußläufige Distanz bei Vollversorgern der wohnungsnahen Grund-
versorgung, vgl. Abb. 9.26). Dabei soll kein einfacher Kreis mit einem Radius von
500 m um einen Standort gelegt werden. Stattdessen geht es hier um die Erreich-
barkeit entlang von Straßen und Wegen in einem konkreten Verkehrsnetz. Ermittelt
wird für jeden Standort die Erreichbarkeit auf den Kanten des Netzwerkes (sog.
Versorgungsnetz), wobei die zusammenhängenden Wege bzw. Kanten bestimmt
werden, die zusammen nicht weiter als 500 m von einem Punkt wegführen. Im ein-
fachsten Fall werden nur die Fußwege berücksichtigt, so dass die aufwendige Mo-
dellierung von Abzweigungen oder von Einbahnstraßen entfällt. Anschließend kann
der flächige Einzugsbereich durch ein Polygon bestimmt werden, das die errechne-
ten Zuwege umschließt. Hierzu können alle Endpunkte des Versorgungsnetzes
durch gerade Linien verbunden werden.
Nachdem ein Versorgungsbereich einer Grundversorgungseinrichtung bestimmt
worden ist, kann in einem weiteren Schritt berechnet werden, wie groß die dort an-
sässige Wohnbevölkerung ist. Hierzu wird der Versorgungsbereich mit der Daten-
ebene verschnitten, die Wohngebäude mit der zugehörigen Wohnbevölkerung aus-
weist. Diese Verschneidung und das Bilden eines gemeinsamen Durchschnitts bei-
der thematischen Schichten ist eine Standardaufgabe eines Geoinformationssys-
tems. Demgegenüber stellt die Zuweisung von Bevölkerungsdaten zu den Wohnge-
bäuden keine einfache Aufgabe dar, obschon sich in der Praxis vielfältige Anwen-
dungen ergeben und somit für viele Planungsaufgaben Standardlösungen vorliegen
müssten: Analyse des Versorgungsgrades der Bevölkerung oder Haushalte einer
Stadt bzw. deren Erreichbarkeit im Hinblick auf Anbieter von Lebensmitteln (vgl.
Hackmann u. de Lange 2001), Standorte von Hausärzten oder der Feuerwehr. In
einem Szenario könnte analysiert und quantifiziert werden, wie sich der Versor-
gungsgrad verändert, falls ein Akutkrankenhaus geschlossen wird. Zur Lösung der-
artiger Aufgaben müssten Daten des Einwohnermeldeamtes, im Idealfall differen-
ziert nach verschiedenen Bevölkerungsmerkmalen, digital zugänglich sein. Dem
steht der Datenschutz entgegen, so dass in der Regel nur in Notfällen auf diese sen-
siblen Daten zurückgegriffen werden kann (z.B. Evakuierung der Bevölkerung bei
einem Bombenfund und Abschätzung des Umfangs von Einsatzfahrzeugen). Man
kann versuchen, über die Zahl der Gebäude und eine angenommene durchschnittli-
che Haushaltszusammensetzung pro Gebäude einzelne Bevölkerungsdaten wie An-
zahl oder (grobe) Alterszusammensetzung zu schätzen. Häufig reichen diese Ab-
schätzungen zu Marketingzwecken aus.
9.6.4 Weitere Analysemöglichkeiten in einem Netzwerk
Geoinformationssysteme bieten weitere Funktionen zur Netzwerkanalyse. So kön-

nen entsprechend der Traversierung eines Baumes (vgl. Kap. 3.2.4.4) sämtliche zu-
sammenhängende Kantenfolgen bestimmt werden, die von einem Knoten ausgehen.
Eine Anwendung ergibt sich, wenn in einem Flussnetz nach Einleitung eines Schad-
stoffes sämtliche Flussabschnitte flussabwärts ermittelt werden sollen, in die der
Schadstoff gelangen könnte. Ferner kann nicht nur die optimale Route zwischen
zwei vorgegebenen Knoten errechnet werden. Mit ähnlicher Methodik kann darüber
hinaus zu einem einzelnen Knoten, der z.B. einen Unfallort darstellt, der Standort
eines Einsatzfahrzeugs bestimmt werden, der den Unfallort über die Netzkanten am
schnellsten erreichen kann.
Weitergehende Analysen sind möglich, wenn Bewertungen der Knoten berück-
sichtigt werden. Ein Anwendungsbeispiel ergibt sich, wenn mehrere Standorte mit
unterschiedlicher Nachfrage beliefert werden müssen und eine optimale Route eines
Transporters mit beschränkter Ladekapazität zu berechnen ist. In einem weiteren
Anwendungsbeispiel kann der Wert eines Knotens ein dort verfügbares Angebot
quantifizieren. Funktionen der Netzwerkanalyse weisen einem derartigen Knoten
fortlaufend Netzwerkkanten zu, die zusammenhängend sind und somit zum Knoten
führen. In jedem Schritt wird die Kante hinzugenommen, die den geringsten Dis-
tanzzuwachs vom Knoten bringt. Dieser Prozess wird so lange fortgesetzt, bis die
Nachfrage an den Kanten das Angebot erreicht. In einer Anwendung kann ein Kno-
ten eine Grundschule mit einem Angebot an Schulplätzen darstellen. Dieser Schule
werden Straßenabschnitte mit dort wohnenden Grundschülern zugewiesen, um
Neuabgrenzungen von Schulbezirken zu erarbeiten.
Räumliche Interpolation und Modellierung von Flächen 417
9.7 Räumliche Interpolation und Modellierung von Flä-

chen
9.7.1 Ausgangsfragestellungen
Zum Funktionsumfang eines komplexen Geoinformationssystems gehören Verfah-

ren zur räumlichen Interpolation und zur Modellierung von Flächen im Raum. Da-
bei zielen die zugehörigen Methoden im Prinzip auf ähnliche Fragestellungen ab:
Ausgehend von wenigen, im Raum verteilten Punkten (xi,yi) mit Attributwerten zi
(z.B. Niederschläge oder Höhenangaben) sollen für weitere, beliebige Punkte
(xk,yk) Attributwerte zk bestimmt werden. Die unbekannten zk-Werte an diesen
Punkten sollen aus den vorhandenen zi-Werten gewonnen werden.
Hierzu werden häufig Interpolationsverfahren eingesetzt, wobei als Grundvo-
raussetzung zumeist implizit angenommen wird, dass diejenigen Standorte (bzw.
die zugehörigen Werte) den gesuchten Wert an einem neuen Standort stärker beein-
flussen, die näher zu ihm liegen. Die Interpolationsverfahren laufen auf die Bestim-
mung gewichteter Mittelwerte hinaus.
Entsprechend diesen Ausgangsüberlegungen kommt den Interpolationsverfahren
eine wichtige Funktion im Zusammenhang mit der Rasterdatenverarbeitung zu.
Ausgehend von wenigen Werten für einzelne Rasterzellen müssen häufig Attribut-
werte für die übrigen Rasterzellen bestimmt werden. Diese Aufgabe stellt sich im-
mer dann, wenn nur wenige und somit diskrete Beobachtungswerte einer stetigen
räumlichen Werteverteilung vorliegen, deren Gesamtverteilung durch viele Raster-
werte bestimmt und letztlich dadurch diskretisiert werden muss. Häufige Anwen-
dungsbeispiele sind die Berechnungen einer räumlichen Niederschlags- oder Tem-
peraturverteilung, einer Gelände- oder Grundwasseroberfläche oder der räumlichen
Verteilung von Stoffkonzentrationen im Boden (jeweils auf Rasterbasis).
Diesen Beispielen ist gemeinsam, dass wenige räumliche Stichprobenwerte vor-
liegen, aus denen fehlende Werte errechnet werden sollen. Bei den hier vorgestell-
ten Interpolationsverfahren werden aber keine Annahmen über das zugrunde lie-
gende Verteilungsmodell der Daten, d.h. der zi-Werte, gemacht. Anstelle z.B. den
Grundwasserstand aus wenigen Messdaten zu interpolieren, wäre alternativ ein
räumliches Modell zu erarbeiten, mit dem der Grundwasserstand zu simulieren
wäre. Allerdings sind derartige Verfahren sehr komplex, so dass zumeist verein-
fachte Interpolationsverfahren eingesetzt werden. Die Betrachtung dieser speziellen
Ansätze, die auf bestimmten fachlichen Modellierungsannahmen basieren, ist nur
im jeweiligen fachlichen Kontext sinnvoll.
Gegenüber diesen Verfahren kann bei einem anderen Vorgehen angenommen
werden, dass sämtliche zi-Werte auf einer Fläche liegen. Dieser Ansatz liegt bei
Höhenangaben auf der Hand, aus denen ein Digitales Geländemodell (DGM bzw.
DTM für digital terrain modell bzw. auch DHM für Digitales Höhenmodell oder
DEM für digital elevation model) zu erarbeiten ist. Dieser Ansatz, eine dreidimen-
sionale Fläche im Raum zu modellieren, kann auf andere Daten mit xi,yi-Lagekoor-
dinaten mit zugehörigen Sachdaten zi und somit auf allgemeine Werteoberflächen
übertragen werden: räumliche Verteilung von z.B. Niederschlägen, Grundwasser-

ständen oder Bodenpreisen. Hierbei wird ein räumlicher Prozess zugrunde gelegt,
der zu kontinuierlichen bzw. stetigen Veränderungen der Werte führt.
9.7.2 Räumliche Approximation und Trendflächenanalyse
Die Trendflächenanalyse berechnet ein Polynom n-ter Ordnung, das die zi-Werte
der Beobachtungsstellen bestmöglich annähert:
݂(‫ݔ‬, ‫ܽ = )ݕ‬௢ + ܽଵ ‫ ݔ‬+ ܽଶ ‫ ݕ‬+ ܽଷ ‫ ݕݔ‬+ ܽସ ‫ ݔ‬ଶ + ܽହ ‫ ݕ‬ଶ + ܽ଺ ‫ ݔ‬ଶ ‫ ݕ‬+ ܽ଻ ‫ ݕݔ‬ଶ + ଼ܽ ‫ ݔ‬ଷ + ‫ڮ‬+
Ein derartiges Polynom stellt eine Fläche im Raum dar, so dass bei dreidimensio-
naler Betrachtung der Ansatz recht anschaulich ist. Versucht wird, die Beobach-
tungswerte zi an den Stellen (xi,yi) durch eine Fläche anzunähern. Die Koeffizienten
werden derart bestimmt, dass die Summe der Abweichungsquadrate zwischen den
Beobachtungs- und den Funktionswerten an den Beobachtungsstellen minimal wird
(zur Ausgleichsrechnung vgl. Kap. 4.2.5.5):
݂(‫ݔ‬௜ , ‫ݕ‬௜ ) = ‫ݖ‬Ƹ௜ ؆ ‫ݖ‬௜ wobei σ(‫ݖ‬Ƹ௜ െ ‫ݖ‬௜ )ଶ minimal
Der einfachste Fall einer linearen Trendfläche (vgl. Abb. 9.27), bei der anschaulich
beschrieben eine Ebene durch die Punkte gelegt wird, ist gleichbedeutend mit der
linearen Regression mit zwei Prädiktorvariablen (hier: x-, y-Koordinaten). Bei Po-
lynomen hoher Ordnung wird die Summe der Abweichungsquadrate zwar kleiner,
diese Polynome (bzw. die Flächen) neigen aber dazu, zwischen den Beobachtungs-
oder Messpunkten zu oszillieren. Somit werden zumeist nur Trendflächen bis zur
dritten Ordnung eingesetzt.
Abb. 9.27: Trendebene mit Gleichung für ein einfaches Beispiel
Die Trendflächenanalyse basiert auf der Annahme, dass bei Beobachtungswerten

zufallsbedingte Schwankungen oder Messfehler auftreten, die durch eine flächige
Annäherung ausgeglichen werden können. Durch Einsetzen von Koordinatenwer-

ten beliebiger Punkte (xk,yk) in die Gleichung können zwar zk-Werte errechnet wer-
den. Die Trendflächenanalyse dient aber weniger der Interpolation. Vielmehr soll
ein allgemeiner Zusammenhang zwischen der Lage und den Beobachtungswerten
bestimmt werden, um ähnlich zur Analyse der Residuen im Rahmen einer Regres-
sionsanalyse lokale Besonderheiten herauszuarbeiten (z.B. räumliche Nieder-
schlagsanomalien).
9.7.3 Räumliche Interpolation durch Mittelwertbildung
Große praktische Bedeutung haben die Interpolationsmethoden, die einen gesuch-

ten Wert für einen Punkt Pk durch einen gewichteten Mittelwert aus den Mess- oder
Beobachtungswerten an den nächstgelegenen Punkten Pi schätzen:
షഀ
σ೔ ௗబ,೔
σ೔ ௙൫ௗబ,೔ ൯ή ௭೔ ή ௭೔
‫ݖ‬଴ = σೖ ௙(ௗబ,ೖ )
vereinfachte Gewichtungsfunktion: ‫ݖ‬଴ = షഀ
σೖ ௗబ,ೖ
mit
z0 Wert für den Punkt P0(x0,y0)
zi Wert für den Beobachtungspunkt Pi(xi,yi)
d0,i Distanz zwischen P0(x0,y0) und Pi(xi,yi)
f Gewichtungsfunktion
Į vereinfachter Gewichtungsfaktor
Die räumlichen Interpolationsansätze durch Mittelwertbildung unterscheiden sich
hinsichtlich der Bestimmung der Gewichte und der Auswahl der benachbarten bzw.
zu berücksichtigenden Punkte. In der Regel werden zur Mittelwertbildung nicht
sämtliche Ausgangswerte hinzugezogen, sondern nur die Werte in einem vorab fest-
zulegenden Umkreis zum Punkt P0. Hierdurch können räumlich weit entfernte Aus-
reißer ausgeschlossen werden. Die Gewichte werden aus den Distanzen zu den
Mess- oder Beobachtungspunkten bestimmt. Die gebräuchlichsten Gewichtsfunkti-
onen sind:
f (d) = d–Į inverse Distanz
f (d) = e–Į• d • d Glockenkurve nach Gauß
'LH *HZLFKWVIXQNWLRQ VRZLH GLH :HUWH IU GHQ .RHIIL]LHQWHQ Į LP ([SRQHQWHQ
ebenso wie die Anzahl der Einflusswerte oder die Größe des Einzugsbereiches wer-
den geschätzt oder aufgrund der Fragestellung vorgegeben. Leicht einzusehen ist,
GDVVEHLJU|HUZHUGHQGHPĮGHU(LQIOXVVGHUZHLWHUHQWIHUQWOLHJHQGHQ3XQNWHJH
ringer und der benachbarten Punkte größer wird.
Im einfachsten Fall werden als Gewichte die inversen Distanzen der Beobachtungs-
oder Messpunkte zur Schätzstelle genommen (engl. inverse distance weighting,
idw-interpolation). Sehr gebräuchlich ist die inverse Distanz mit Į = 2, also die
inverse quadrierte Luftliniendistanz. Die weiter entfernt liegenden Punkte, also die
Punkte mit der größten Distanz, erhalten somit ein kleineres Gewicht. Die komplex
erscheinende Formel lässt sich für diesen Standardfall erheblich übersichtlicher
schreiben:
భ భ భ భ
ή௭భ ା మ ή௭మ ା మ ή௭య ା మ ή௭ర ା‫ڮ‬
೏మ
బ,భ ೏బ,మ ೏బ,య ೏బ,ర
‫ݖ‬଴ = భ భ భ భ
ା మ ା మ ା మ ା‫ڮ‬
೏మబ,భ ೏బ,మ ೏బ,య ೏బ,ర
Dabei wird davon ausgegangen, dass jeder Eingabepunkt einen lokalen Einfluss hat,
der sich mit zunehmender Entfernung verringert. Somit wird unterstellt, dass eine
Ähnlichkeit räumlich benachbarter Punkte besteht. Diese Verfahren sind daher nur
sinnvoll, falls dieser Basisannahme zugestimmt werden kann. Das Rechenbeispiel
zur Abbildung 9.28 verdeutlicht die Abschätzung der täglichen Fein-staubmenge an
einem nicht zugänglichen Standort in einer Großstadt auf der Basis von vier
Messstellen. Zur Einordnung der zi-Werte ist zu berücksichtigen, dass seit dem 1.
Januar 2005 (europaweit) an höchstens 35 Tagen im Jahr der Wert von 50
Mikrogramm Feinstaub pro Kubikmeter Luft überschritten werden darf.
Abb. 9.28: Räumliche Interpolation durch Gewichtung mit inversen (reziproken) Distanzen
Höchstwahrscheinlich kommt das gewichtete arithmetische Mittel dem unbekann-

ten Wert am nächsten, da der unbeprobte Standort den beiden Standorten P3 und P4
mit höheren Feinstaubwerten am nächsten liegt. Der Wert für das arithmetische Mit-
tel scheint aber gar kein so schlechter Schätzer zu sein, der in diesem Fall durch die
Mittelung den vermutlich wahren Wert nur wenig unterschätzt.
Bei diesen Interpolationsverfahren, denen keine geostatistischen Modelle zugrunde
liegen, erfolgt die Operationalisierung des räumlichen Zusammenhangs bzw. der
Ähnlichkeit in gewisser Weise unabhängig von den Daten, nämlich allein aus der
geometrischen Lage (Entfernung) der Punkte zueinander. Zwar wird die
Gewichtungsfunktion in Abhängigkeit der Fragestellung bestimmt, nicht weiter
wird aber der tatsächliche räumliche Zusammenhang der zi-Werte berücksichtigt,
der z.B. bei verschiedenen Niederschlagsereignissen unterschiedlich ausfallen
kann. Ferner wird im Standardfall angenommen, dass die Distanzabhängigkeit zu
allen Richtungen gleich ist. Demgegenüber stellt die Interpolation nach dem
Kriging-Konzept eine komplexe Weiterentwicklung dar. Auch hier werden
gewichtete arithmetische Mittelwerte berechnet, wobei aber die Gewichte für jeden
Interpolationspunkt neu mit Hilfe der zi-Werte bestimmt werden, so dass der
räumliche Zusammenhang der Daten berücksichtigt wird. Insbesondere sind hierbei
statistische Aussagen über den Schätzfehler möglich (vgl. Armstrong 1998,
Wackernagel 2003 und Burrough u. McDonell 1998 S. 133–161).
9.7.4 Thiessen-Polygone
Die Polygonmethode geht bei der Zuweisung von Werten an unbekannten Stellen
von einem grundsätzlich anderen Ansatz als die übrigen Interpolationsmethoden
aus. Hierbei werden aus vorhandenen Werten an wenigen Mess- oder Beobach-
tungspunkten keine neuen Schätzwerte für unbekannte Punkte errechnet. Falls n
Mess- oder Beobachtungsstellen vorliegen, wird vielmehr das Untersuchungsgebiet
auch in n Polygone aufgeteilt bzw. zerlegt, so dass jeder Punkt in einem Polygon
dem zugehörigen Mess- oder Beobachtungspunkt am nächsten liegt. Sämtliche
Punkte in diesem Polygon erhalten dessen Mess- oder Beobachtungswert. Hier-
durch entsteht innerhalb der Polygone eine homogene Werteverteilung, an den Kan-
ten liegen allerdings Sprungstellen vor, die sich allein aus dieser Rechenmethode
ergeben.
Abb. 9.29: Konstruktion von Thiessen-Polygonen
Zur Konstruktion werden die Mittelsenkrechten der Verbindungen zwischen den

benachbarten Punkten bestimmt. Aufgrund der Gesetze der ebenen Geometrie
schneiden sich diese Mittelsenkrechten im Umkreismittelpunkt des zugehörigen
Dreiecks. Diese eindeutig bestimmten Umkreismittelpunkte bilden die Ecken, und
die Mittelsenkrechten bilden die Kanten von sog. Voronoi- oder Thiessen-Polygo-
nen bzw. Dirichlet-Regionen.
Innerhalb eines Thiessen-Polygons sind sämtliche zi-Werte gleich. Unterschiede
bestehen (nur) zwischen den verschiedenen Polygonen. Dieser Ansatz unterstellt
somit keinen Zusammenhang zwischen den Werten aus verschiedenen Polygonen.
Allerdings sind die Sprungstellen der zi-Werte an den Kanten zumeist inhaltlich
nicht zu begründen, so dass der Einsatz dieser Technik zur Interpolation einge-
schränkt ist. Die Triangulation besitzt vor allem eine zentrale Bedeutung zur Be-
stimmung von Werteoberflächen (vgl. Kap. 9.7.5).
Das weit verbreitete Verfahren zur Ermittlung von Gebietsniederschlägen (N)
nutzt die Flächen der Thiessen-Polygone (Fi), die zu den Messstellen mit Nieder-
schlägen Ni gehören. Der Niederschlag wird stets mit einem Netz von Messstatio-
nen erfasst, so dass letztlich nur punktuelle Messungen an den Beobachtungsstatio-
nen vorliegen. Bei der Aufstellung von Wasserbilanzen z.B. in einem Flusseinzugs-
gebiet muss zur Bestimmung der Einnahmeseite aus den Niederschlägen an den
Stationen im Einzugsgebiet der Gebietsniederschlag berechnet werden. Dazu wird

das gewichtete arithmetische Mittel der Stationsniederschläge berechnet, indem die
Größe der Teilflächen als Gewichte genommen wird, d.h. die Größe der im jewei-
ligen Thiessen-Polygon liegenden Fläche des Einzugsgebiets (in Abb. 9.30: F1 =
108 km2, F2 = 74 km2, F3 = 25 km2, F6 = 36 km2). Diese Flächen werden in einem
Zwischenschritt mit Hilfe der Intersect-Funktion eines Geoinformationssystems be-
stimmt (vgl. Abb. 9.16). Für das in der Abbildung 9.30 dargestellte Beispiel ergibt
sich dann ein Gebietsniederschlag im Flusseinzugsgebiet durch:
ଵ଴଼ή଺ହ଻ ௠௠ା଻ସή଻ହ଻ ௠௠ାଶହήଽଶଽ ௠௠ାଷ଺ή଼ଶ଼ ௠௠
= 741 ݉݉
ଶସଷ
Berücksichtigt werden nur die Jahresniederschläge an den Stationen R1 (657 mm),

R2 (757 mm), R3 (929 mm) und R6 (828 mm) (vgl. Abb. 9.30).
Abb. 9.30: Berechnung des Gebietsniederschlags auf der Basis von Thiessen-Polygonen
9.7.5 Oberflächenmodelle als Netz unregelmäßiger Dreiecksflächen

(Triangulated Irregular Network)
9.7.5.1 Erstellen von 3D-Dreiecksflächen
Die Erstellung von Oberflächenmodellen kann auf der Basis eines regelmäßigen
Rasters mit gleichem Abstand der Punkte sowohl in x- wie auch in y-Richtung so-
wie von Höhenangaben erfolgen. Im einfachsten Fall entsteht ein Blockbild (vgl.
Abb. 9.31). Durch Verbindung der Höhen der Mittelpunkte der Blöcke entsteht eine
angenäherte Oberfläche. Das Bild erscheint durch die starren Vorgaben stark ver-
einfacht und in der Regel recht kantig und grob. Das Oberflächenmodell ist nicht
an die realen Höhenverhältnisse angepasst. Dort, wo ein starkes Relief viele Höhen-
punkte erfordert, werden zur Modellierung ebenso viele Höhenangaben verwendet
wie für Ebenen, die mit wenigen Höhenpunkten auskommen. Bessere Ergebnisse
werden erzielt, wenn die Oberfläche durch unregelmäßige Dreiecke modelliert
wird, die sich dem Relief anpassen (vgl. Abb. 9.32).
Abb. 9.31: Blockbild auf Basis eines regelmäßigen Höhenrasters
Abb. 9.32: Dreidimensionales Netz unregelmäßiger 3D-Dreiecksflächen (Geländemodell)
Die Erstellung eines Oberflächenmodells ähnlich zur Abbildung 9.32 erfolgt in

mehreren Schritten. Zunächst führt eine Triangulation der Koordinaten (xi,yi) in der
Ebene zu einem Netz aus Dreiecksflächen (d.h. in der xy-Ebene). Die Attributwerte
zi an den Stellen (xi,yi), also in den Ecken der ebenen Dreiecke, können dreidimen-
sional als Höhen dargestellt werden. Naheliegend ist dann, durch jeweils drei be-
nachbarte zi-Werte, d.h. durch die zi-Höhen in den Ecken eines Dreiecks, eine Flä-
che zu legen (vgl. Abb. 9.33). Hierdurch entsteht dann das dreidimensionale Netz
unregelmäßiger Dreiecksflächen (engl. triangulated irregular network, TIN, auch
Dreiecksvermaschung genannt). Bei entsprechender Darstellung am Monitor, bei
der vor allem der Ort des Betrachters und der Betrachtungswinkel festgelegt und
anschließend die verdeckten Linien unterdrückt werden, ergibt sich ein dreidimen-
sionaler Eindruck eines Höhenmodells oder einer Werteoberfläche.
Abb. 9.33: Konstruktion einer Dreiecksfläche in einem Oberflächenmodell

Die Konstruktion einer Fläche durch jeweils drei benachbarte zi-Werte bedeutet for-
mal, jeweils für ein Dreieck die exakt zu bestimmende (Flächen-)Gleichung z(x,y)
= a0 + a1 • x + a2 • y zu berechnen. Das Gleichungssystem zur Bestimmung der Ko-
effizienten ai und den Lösungsansatz zeigt Abbildung 9.33. Die zi-Werte innerhalb
des Dreiecks berechnen sich durch Einsetzen der (xi,yi)-Koordinaten in die Glei-
chung. Die Beobachtungs- oder Messwerte, also die zi-Werte der Ecken der Drei-
ecke, liegen hierbei exakt auf der Werteoberfläche und werden nicht wie bei den
anderen Verfahren approximiert.
9.7.5.2 Delauny-Triangulation
Die Darstellung des Geländemodells wird vor allem durch die Auswahl der Stütz-
stellen, d.h. der Mess- oder Beobachtungspunkte bzw. der Punkte mit Höhenanga-
ben, aber auch durch das rein formale, technische Vorgehen der Dreiecksverma-
schung in der Ebene erheblich bestimmt. Abbildung 9.34 zeigt, zu welchen Unter-
schieden alternative ebene Vermaschungen der gleichen Ausgangsdaten führen
können. Den Draufsichten werden jeweils die perspektivischen Sichten nebenge-
stellt. Die linke Variante ergibt eine spitze Pyramide, während die rechte Variante
ein Tal mit zwei Hängen darstellt. So ist die Zuordnung der Stützstellen zu Drei-
ecken in der Ebene nicht eindeutig.
Abb. 9.34: Unterschiedliche Oberflächenmodelle auf der Basis verschiedener Dreiecksverma-

schungen in der Ebene
Nebenbedingungen bei der Konstruktion der Dreiecke in der xy-Ebene führen zu

eindeutigen und reproduzierbaren Lösungen. Üblich ist die sog. Delaunay-Triangu-
lation, bei der jeweils drei Punkte ein Dreieck bilden, in dessen Umkreis kein wei-
terer Mess- oder Beobachtungspunkt liegt (sog. Kreiskriterium, vgl. Abb. 9.35).
Diese Modellierungsvorschrift führt zur Herausbildung kleiner breiter gegenüber
langen schmalen Dreiecken. Hierdurch sind Erhebungen oder Senken besser zu mo-
dellieren. Zudem ist die Wahrscheinlichkeit kleiner, dass diese kleinen Dreiecke
Geländekanten kreuzen. Die sich ergebende Dreiecksvermaschung ist eindeutig.
Unabhängig von der Abarbeitungsreihenfolge ergibt sich immer wieder dieselbe
Dreiecksvermaschung (zu Algorithmen vgl. Worboys u. Duckham 2004 S. 202 ff.).
Abb. 9.35: Delauny-Triangulation von vier Punkten
Bei der Konstruktion von Delaunay-Dreiecken wird sich zunutze gemacht, dass die
Delaunay-Triangulierung der duale Graph der Thiessen-Polygone darstellt. Die
Ecken der Thiessen-Polygone sind die Umkreismittelpunkte der Dreiecke der De-
launay-Triangulation. Daraus folgt unmittelbar die Zuordnung der Punkte zu den
Delaunay-Dreiecken. In der Abbildung 9.35 bilden somit die Punkte A, B und C ein
Delaunay-Dreieck und nicht z.B. die Punkte A, B und D.
Abb. 9.36: Konstruktion von Delaunay-Dreiecken über Thiessen-Polygone
Die Modellierung von Oberflächen durch ein dreidimensionales Netz unregelmäßi-

ger Dreiecksflächen, d.h. abgekürzt durch ein TIN, basiert in der Regel auf einer
ebenen Dreiecksvermaschung nach Delaunay. Allerdings kann aber hierdurch mög-
licherweise eine Oberfläche nicht originalgetreu wiedergegeben wird. So kann in
der Realität die rechte Variante aus Abbildung 9.34 vorliegen (Darstellung eines
Tals), die gerade nicht dem Delaunay-Kriterium entspricht. Diese Situation kann
bei einem Höhenmodell relativ schnell, allerdings z.B. bei einer Grundwasserober-
fläche schwieriger überprüft und häufig nur durch Plausibilitätsüberlegungen veri-
fiziert werden. Bei offensichtlichen Abweichungen müssen weitere Punkte mit At-
tributwerten in die ebene Dreiecksvermaschung einbezogen werden. Bei einem
Oberflächenmodell können bzw. müssen aussagekräftige Punkte wie Hoch- und

Tiefpunkte sowie Scheitelpunkte im Gelände (Wechsel von konkaven zu konvexen
Formen) gewählt werden, die als Wendepunkte von Neigung und Neigungsrichtung
eine bedeutende Rolle besitzen. Als vorteilhaft erweist sich die Möglichkeit, Punkt-
daten entsprechend dem Relief zu streuen. So können in stark reliefiertem Gelände
viele Punkte gewählt werden, während ebene Flächen durch wenige Punkte darge-
stellt werden. Die Datenmenge kann also dem Relief angepasst werden. Vor allem
müssen bei Geländemodellen sog. Bruch- und Gerippelinien erhalten und durch
Kanten dargestellt werden (z.B. Flüsse, Küstenlinien, Stufenränder, Grundwasser-
barrieren, Talsohlen). Derartige Bruchlinien können als Kanten in der Triangulation
(vor-) bestimmt werden, die unabhängig vom Delaunay-Kriterium immer beibehal-
ten werden und Dreieckskanten bilden.
Abb. 9.37: Plateaueffekte bei der Triangulation
Bei der Dreiecksvermaschung können manchmal unerwünschte Plateaueffekte auf-

treten. Falls Bergsporne vorliegen, können drei Punkte entlang einer Höhenlinie
einander näherliegen und dann ein Dreieck bilden, als dass ein dritter Punkt einer
benachbarten Höhenlinie in die Triangulation einbezogen wird. Hierdurch ent-
stehen ebene Flächen, wo ansteigendes Gelände vorliegt (vgl. Abb. 9.37). Ähnliche
kritische Situationen sind Gipfel, Senken, Mulden, Sättel, Kämme und Täler, bei
denen Dreiecke jeweils gleiche Höhen haben. Derartige Probleme können durch die
zusätzliche Eingabe von einzelnen Höhenpunkten an den kritischen Geländestellen
vermieden werden. Somit muss in der Regel das Modell schrittweise verbessert
werden.
9.7.6 Parametrisierungen von Oberflächen
Durch die einfache Betrachtung des Oberflächenmodells in einem 3D-Viewer erge-

ben sich Hinweise auf seine Genauigkeit und auf Konstruktionsfehler. Ferner lassen
sich auch erste Aussagen über oberflächenabhängige Parameter wie z.B. Einstrah-
lung oder Oberflächenabfluss abschätzen. Über derartige Visualisierungen hinaus
bestehen in einem Geoinformationssystem vielfältige Analysemöglichkeiten von
3D-Modellen:
- Schätzung von Werten, die als Punkte auf einer (Werte-)Oberfläche verstanden
werden,
- Generierung von Höhenlinien bzw. allgemein von Isolinien (z.B. Grundwasser-
gleichen oder Isohyeten),
- Berechnen eines Querprofils des Geländes,
- Durchführung von Sichtbarkeitsanalysen,
- Flächen- und Volumenberechnung sowie Abtragungsberechnungen.
Eine häufige Aufgabe in der Praxis ist die Berechnung von Gefälle und Exposition.
Unter den unendlich vielen, von einem Punkt in alle Richtungen ausgehenden An-
stiege wird mit Steigung bzw. Neigung (engl. slope) der Wert der größten Steigung
bzw. des größten Gefälles bezeichnet (vgl. Abb. 9.38). Die Exposition entspricht
dann der Richtung der größten Steigung bzw. des stärksten Gefälles, die die gegen-
über der Nordausrichtung in Grad bestimmt wird.
Abb. 9.38: Definition von Steigung und Exposition
Im dreidimensionalen Fall bzw. für einen Punkt (x,y,z) auf einer Geländeoberfläche
ist die Steigung definiert als die Norm („Länge“) des Gradientenvektors, der sich
relativ einfach berechnen lässt, falls die Oberfläche durch eine Funktion z = f(x,y)
der beiden Variablen x und y beschrieben werden kann. Hierbei sind dz/dx bzw.
dz/dy die partiellen Ableitungen von f(x,y), sofern diese existieren:
ௗ௭ ଶ
ௗ௭ ଶ
ܵ‫ = ݃݊ݑ݃݅݁ݐ‬ԡ݂ ᇱ (‫ݔ‬, ‫)ݕ‬ԡ = ටቀ ቁ + ቀ ቁ ݉݅‫ݔ(݂ = ݖ ݐ‬, ‫)ݕ‬
ௗ௫ ௗ௬
Allerdings wird nur in den seltensten Fällen eine Geländeoberfläche oder ein Hö-
henmodell durch eine mathematische Funktion beschrieben werden können, so dass
die angegebene Formel zunächst nur von theoretischem Interesse ist. Vielmehr ist
davon auszugehen, dass die Neigung aus einem regelmäßigen Raster von Höhen-
werten zu bestimmen ist. Hierbei werden die partiellen Ableitungen bzw. Differen-
zialquotienten dz/dx (Steigung in x-Richtung) und dz/dy (Steigung in y-Richtung)
geschätzt nach dem Algorithmus von Horn (vgl. Horn 1981, zu weiteren Ansätzen
der Parameterschätzung vgl. Burrough u. McDonell 1998 S. 190).
dz/dx = ((a + 2 • d +g) – (c + 2 • f + i)) / (8 • Rasterbreite)

dz/dy = ((a + 2 • b +c) – (g + 2 • h + i)) / (8 • Rasterbreite) und dann
ௗ௭ ଶ ௗ௭ ଶ
tan ߙ = ටቀௗ௫ቁ + ቀௗ௬ቁ
dz/dx = ((132 + 2 • 125 + 120) – (127 + 2 • 122 + 118)) / 8 = (502 – 489) / 8 = 13 / 8
dz/dy = ((132 + 2 • 128 + 127) – (120 + 2 • 119 + 118)) / 8 = (515 – 476) / 8 = 39 / 8
Steigung = t also
Steigung = t ͹ also
Abb. 9.39: Berechnung der Steigung in einem Höhenraster nach Horn 1981
Die Exposition kennzeichnet den Winkel der Richtung des Gradienten gegenüber
Nord. Sie wird als positive Gradangabe von 0° bis unter 360° angegeben, wobei im
Uhrzeigersinn von Norden aus gemessen wird. Aus den beiden Differenzialquoti-
enten dz/dx (Steigung in x-Richtung) und dz/dy (Steigung in y-Richtung) wird zu-
nächst H‘ bestimmt H‘ = arctan (dz/dy / dz/dx) (vgl. Abb. 9.38). Zur Berechnung der
Exposition müssen Fallunterscheidungen gemacht werden, da die Umkehrfunktion
des Tangens, d.h. der Arkustangens, nur zwischen -90° und +90° eindeutig ist. Ab-
bildung 9.38 zeigt einen nordöstlich exponierten Hang (H‘ 0) mit dz/dy > 0 und
dz/dx > 0 und H = 90°- H‘. Falls dz/dy < 0 würde der Gradientenvektor nach Südos-
ten zeigen, der Arkustangens wäre negativ und H > 90°.
90° – arctan (dz/dy / dz/dx) falls dz/dx > 0 (Gefälle nach Osten)
270° – arctan (dz/dy / dz/dx) falls dz/dx < 0 (Gefälle nach Westen)
Exposition 0° falls dz/dx = 0, dz/dy > 0
180° falls dz/dx = 0, dz/dy < 0
nicht definiert falls dz/dx = 0, dz/dy = 0
Die letzte Zeile verdeutlicht eine Ebene, bei der die Differenzialquotienten 0 sind.
Eine Exposition ist anschaulich nicht gegeben und formal nicht definiert.
Neigung und Exposition finden vielfältig Anwendung. So wird z.B. die Exposition
in vegetationsgeographischen Fragestellungen oder für Aufgaben der
Geomorphologie und Geländeanalyse u.a. zur Modellierung von potenziellem
alpinem Permafrost oder von Lawinengefahren herangezogen. Beim Aufbau von
Solardachkatastern, die die Eignung von Dachflächen für Photovoltaik darstellen,
werden Dachneigung und Ausmaß der Besonnung (d.h. Exposition) benötigt. Die
Parameter werden z.B. auf der Basis von LiDAR-Daten ermittelt (vgl. Kap. 5.4).
Literatur 429
Literatur
Armstrong, M. (1998): Basic Linear Geostatistics. Berlin: Springer.

Autodesk (2019): AutoCAD Map 3D-Toolset. https://www.autodesk.de/products/autocad/included-
toolsets/autocad-map-3d (21.11.2019)
Behncke, K., Hoffmann, K., de Lange, N. u. C. Plass (2009): Web-Mapping, Web-GIS und Inter-
net-GIS – ein Ansatz zur Begriffsklärung. In: Kartogr. Nachrichten H. 6 2009, S. 303–308.
Bentley (2019): GIS auf ingenieurtechnischem Niveau und Kartierungssoftware. https://www.bent-
ley.com/de/products/brands/opencities-map (21.11.2019)
Berlekamp, J., de Lange, N. u. M. Luberichs (2000): Emissions- und Immissionskataster für das
Stadtgebiet Münster als Komponente eines kommunalen Umweltinformationssystems. In:
Cremers, A. u. K. Greve (Hrsg.): Umweltinformatik 2000. Umweltinformation für Planung, Po-
litik und Öffentlichkeit. 12. Intern. Symposium "Informatik für den Umweltschutz". S. 703–
715. Marburg: Metropolis.
Bill, R. u. D. Fritsch (1991): Grundlagen der Geo-Informationssysteme. Bd. 1. Hardware, Software
und Daten. Heidelberg: Wichmann.
Bill, R. (2016): Grundlagen der Geo-Informationssysteme. Berlin: Wichmann. 6. Aufl.
Burrough, P.A. u. R.A. McDonell (1998): Principles of Geographical Information Systems. Oxford:
University Press.
Dickmann, F. u. K. Zehner (2001): Computerkartographie und GIS. Braunschweig: Westermann. 2.
Aufl.
Dropchop (2019): Dropchop. https://dropchop.io (21.11.2019)
Ehlers, M. u. J. Schiewe (2012): Geoinformatik. Darmstadt: Wiss. Buchgesellschaft.
ESRI (1995): Unterstanding GIS. The Arc/Info Method. Self Study Workbook. Version 7 for UNIX
and OpenVMS. New York: John Wiley.
ESRI (2019a): Einstiegsseite ArcGIS Pro. https://www.esri.com/de-de/arcgis/products/arcgis-
pro/overview (21.11.2019)
ESRI (2019b): ArcGIS Online Übersicht. https://www.esri.com/de-de/arcgis/products/arcgis-on-
line/overview (21.11.2019)
ESRI (2019c): ArcGIS Online. Use the analysis tools. https://doc.arcgis.com/en/arcgis-online/ana-
lyze/use-analysis-tools.htm (21.11.2019)
ESRI (2019d): Was ist ein Shapefile. http://desktop.arcgis.com/de/arcmap/10.3/manage-data/shape-
files/what-is-a-shapefile.htm (21.11.2019)
ESRI (2019e): Was ist eine Geodatabase. http://desktop.arcgis.com/de/arcmap/10.3/manage-
data/geodatabases/what-is-a-geodatabase.htm (21.11.2019)
Fürst, D., Roggendorf, W., Scholles, F. u. R. Stahl (1996): Umweltinformationssysteme – Prob-
lemlösungskapazitäten für den vorsorgenden Umweltschutz und politische Funktion. Hannover:
Inst. f. Landesplanung u. Raumforschung. = Beiträge zur Räumlichen Planung 46.
GI Geoinformatik GmbH (2019, Hrsg.): ArcGIS Pro. Das deutschsprachige Handbuch inklusive
Einstieg in ArcGIS Online. Berlin: Wichmann.
Goodchild, M. F. u. K. Kemp (1990) (Hrsg.): Introduction to GIS. NCGIA Core Curriculum. Santa
Barbara. Ein Zugang zur digitalen Version des Curriculum von 1990 findet man über die Ein-
stiegsseite: https://ibis.geog.ubc.ca/courses/klink/gis.notes/ncgia/toc.html (20.11.2019)
Grass GIS (2019): GRASS GIS. General overview. https://grass.osgeo.org/documentation/general-
overview/ (21.11.2019)
Grintec (2019): Smallworld GIS. https://www.grintec.com/Smallworld (21.11.2019)
gvSIG (2019): Einstiegsseite gvSIG Association. http://www.gvsig.com/en (21.11.2019)
Hackmann, R. u. N. de Lange (2001): Anwendung GIS-gestützter Verfahren in der Stadtentwick-
lungsplanung – Untersuchung von Versorgungsbereichen durch Netzwerkanalyse auf der
Grundlage amtlicher Geobasisdaten. In: Strobl, J. u.a. (Hrsg.): Angewandte Geographische In-
formationsverarbeitung XIII: Beiträge zum AGIT-Symposium 2001. S. 221 – 226. Heidelberg:
Wichmann.
Hennermann, K. (2014): Kartographie und GIS. Eine Einführung. Darmstadt: Wiss. Buchgesell-
schaft. 2. Aufl.
Hexagon (2019a): Hexagon Geospatial Portfolio. https://www.hexagongeospatial.com/
(21.11.2019)
Hexagon (2019b): GeoMedia WebMap2018.
https://download.hexagongeospatial.com/en/downloads/webgis/geomedia-webmap-2018
(21.11.2019)
Kappas, M. (2012): Geographische Informationssysteme. Braunschweig: Westermann = Das Geo-
graphische Seminar. 2. Aufl.
Horn, B. (1981): Hill shading and the reflectance map. In: Proceedings of the IEEE 69, S. 14–47.
mation Systems I. Principles and Technical Issues. New York: John Wiley. 2. Aufl.
mation Systems II. Management Issues and Applications. New York: John Wiley. 2. Aufl.
MapInfo Pro (2019): MapInfo Pro Desktop GIS. https://www.pitneybowes.com/de/location-intelli-
gence/geografische-informationssysteme/mapinfo-pro.html (21.11.2019)
NCGIA (1990): Core Curriculum-Geographic Information Systems (1990). Ein Zugang zur digita-
len Version des Curriculum von 1990 findet man über die Einstiegsseite: https://escholar-
ship.org/uc/spatial_ucsb_ncgia_cc (21.11.2019)
Penzkofer, M. (2017): Geoinformatik: Von den Grundlagen zum Fachwissen. München: C.H. Beck.
2. Aufl.
OpenJUMP (2019): OpenJump. http://www.openjump.org/ (21.11.2019)
QGIS (2019a): Ein freies Open-Source-Geographisches-Informationssystem.
https://www.qgis.org/de/site/ (21.11.2019)
QGIS (2019b): QGIS Python Plugins Repository. https://plugins.qgis.org/plugins/ (21.11.2019)
Rudert, F. u. H. Pundt (2008): Standardisierte Geodienste (WMS) auf mobilen Endgeräten – ein
Entwicklungsbeispiel aus dem Projekt „GeoToolsHarz“. In: Strobl, J. u.a. (Hrsg.): Angewandte
Geoinformatik 2008, S. 305–312. Heidelberg: Wichmann.
SAGA (2019): SAGA, System for Automated Geoscientific Analyses. http://saga-gis.source-
forge.net/en/ (21.11.2019)
Spring GIS (2019): Spring GIS. http://www.dpi.inpe.br/spring/english/index.html (21.11.2019)
Tomlin, C. D. (1990): Geographic Information Systems and Cartography Modeling. Englewood
Cliffs: Prentice Hall.
Umweltbundesamt (2019): Ausbreitungsmodelle für anlagenbezogene Immissionsprognosen.
https://www.umweltbundesamt.de/themen/luft/regelungen-strategien/ausbreitungsmodelle-fuer-
anlagenbezogene/uebersicht-kontakt#textpart-1 (21.11.2019)
Wackernagel, H. (2003): Multivariate geostatistics. An introduction with applications. Berlin:
Springer. 3. Aufl.
Worboys, M. u. M. Duckham (2004): GIS. A computing perspective. Boca Raton: CRC Press, 2.
Aufl.
10 Einführung in die Fernerkundung und digitale
Bildverarbeitung
10.1 Begriffsbestimmungen und Einsatzmöglichkeiten der

Fernerkundung
Die Gewinnung von Informationen mit Hilfe von Fernerkundungssystemen, die auf
Flugzeugen, auf Satelliten und zunehmend auch auf Drohnen (UAVs, Unmanned
Aerial Vehicles) eingesetzt werden, hat in den letzten Jahren erheblich an Bedeu-
tung gewonnen. Standen zunächst eindeutig militärische Anwendungen im Vorder-
grund, vor allem Spionagetätigkeiten, wurde bald das Potenzial dieser Systeme für
die wissenschaftliche und kommerzielle Beobachtung von Prozessen auf der Erd-
oberfläche und in der Atmosphäre erkannt (zur Entwicklung der Fernerkundung
vgl. Heipke 2017a S. 8 ff.). Zu den Einsatzbereichen, in denen die Fernerkundung
bereits als Standardverfahren eingesetzt wird, gehören vor allem die Wetterbe-
obachtung und das weite Feld des Umweltmonitoring. Ein weltweites Vertriebsnetz
sorgt heute für einen nahezu problemlosen Bezug der Daten unterschiedlicher Sen-
soren, deren Auswertung zunehmend in Verbindung mit weiteren digitalen Geoda-
ten innerhalb hybrider Geoinformationssysteme erfolgt.
Eine sehr breite Definition des Begriffs Fernerkundung (engl. remote sensing)
liefert Hildebrandt (1996 S. 1): „Fernerkundung im umfassenden Sinne ist die Auf-
nahme oder Messung von Objekten, ohne mit diesen in körperlichen Kontakt zu
treten, und die Auswertung dabei gewonnener Daten oder Bilder zur Gewinnung
quantitativer oder qualitativer Informationen über deren Vorkommen, Zustand oder
Zustandsänderung und ggf. deren natürliche oder soziale Beziehungen zueinander.“
Diese sehr weit gefasste Begriffsbildung schließt auch analoge Verfahren wie die
Erstellung von analogen Luftbildern, d.h. das Photographieren mit einer Kamera
auf Film, sowie auch die Messung der Strahlungstemperatur durch flugzeugge-
stützte Messgeräte oder sogar per Hand ein. Sämtliche Verfahren erfassen elektro-
magnetische Strahlung wie das sichtbare Licht, Wärmestrahlung und andere nicht
sichtbare Strahlung, die von den Untersuchungsobjekten auf der Erde (z.B. Grün-
flächen) oder in der Atmosphäre (z.B. Wolken) emittiert oder reflektiert werden,
wobei die Objekte je nach Art oder Beschaffenheit (z.B. Vegetation) und Zustand
(z.B. geschädigter Waldbestand oder abgeerntete Getreidefelder) auf unterschiedli-
che Weise emittieren oder reflektieren.
Hier werden nur solche Fernerkundungssysteme behandelt, die als Ergebnis ei-
nes Abtastprozesses der Erdoberfläche digitale Bilddaten liefern. Diese können mit

https://doi.org/10.1007/978-3-662-60709-1_10
432 Einführung in die Fernerkundung und digitale Bildverarbeitung
elektronischen Bildverarbeitungssystemen direkt verarbeitet und gut in Geoinfor-

mationssysteme integriert werden. Somit werden auch nur solche Methoden der
Bildaufbereitung und -analyse vorgestellt, die sich der digitalen Bildverarbeitung
bedienen. Analoge photographische Aufnahmesysteme, analoge Bildauswertung,
Verfahren der visuellen Bildinterpretation und der photogrammetrischen Auswer-
tung werden nicht behandelt.
Bilddaten von zivilen Erdbeobachtungssatelliten stellen eine allgemein leicht
verfügbare Informationsquelle dar, die ein großes Potenzial für eine großflächige
Überwachung von Prozessen in Geosphäre und Atmosphäre enthält (vgl.
Tab. 10.1). Inzwischen stehen neben kommerziellen Missionen auch viele Ferner-
kundungsdaten kostenfrei zur Verfügung (vgl. Kap. 10.5.3). Die Daten weisen Ei-
genschaften auf, die keine andere Datenquelle in dieser Form liefern kann:
- Durch unterschiedliche Sensoren erfolgt eine Aufzeichnung in verschiedenen
Wellenlängenbereichen des elektromagnetischen Spektrums. Dabei werden auch
solche Wellenlängenbereiche erfasst, die für das menschliche Auge nicht sichtbar
sind (z.B. Infrarot).
- Die Fernerkundung ermöglicht eine synoptische Aufnahme großer Flächen.
- Die erfassten Informationen besitzen eine hohe Aktualität (vgl. Wettersatelliten).
- Die Fernerkundung durch Satelliten gestattet eine regelmäßige Wiederholung der
Aufnahme eines Gebietes und liefert vergleichbare Daten in konstanter Qualität
über einen längeren Zeitraum.
- Die Integration in ein Geoinformationssystem ermöglicht eine vollständig digi-
tale Verarbeitungskette.
Tabelle 10.1: Einsatzmöglichkeiten der Fernerkundung (hier speziell von Satellitendaten)

Meteorologie und Wettervorhersage, Atmosphären- und Klimaforschung
Klimatologie
Geologie Geologische Kartierung, Prospektion, Lagerstättenerschließung, Photogeo-
logie (Schlussfolgerungen auf Gesteinstypen und tektonischen Aufbau)
Hydrologie Erfassen von Schneebedeckung und ihr Abschmelzen, Erfassung von Ein-
gangsparametern für hydrologische Modelle (z.B. aktuelle Landbedeckung,
Abschätzung der Evapotranspiration)
Forstwesen Waldklassifikation, Waldschadenserfassung, Ertragsschätzung, Waldbrand-
erfassung
Landwirtschaft Erfassung der Anbaukulturen sowie Ernteabschätzung auf regionaler Basis,
Precision Farming, Kontrolle der Vergabe von EU-Flächenprämien
Küstenwesen, Überwachung von Gewässergüte, Aufspüren von Einleitungen, Beobach-
Ozeanographie tung von Küstenveränderungen sowie (insb. mit Radarmethoden) Erfassung
von Wellengang und Windgeschwindigkeit
Archäologie Entdeckung historischer Stätten (insb. mit Radarmethoden)
Umweltplanung Erfassung der Oberflächenbedeckung, Umweltmonitoring, Wasser- und
Feuchtgebietsmanagement
Kartographie Erfassung und Aktualisierung kartographischer Basisinformationen
Medien Tourismusmarketing, Ausbildung, visuell ansprechender Hintergrund
Risikomanagement Vulkanbeobachtung, Hochwasserschutz
Ansatz von Fernerkundung und digitaler Bildverarbeitung 433
Fernerkundung ist eine Schlüsseltechnologie für Katastrophenmanagement, Res-

sourcenmanagement und Risikoforschung. Der Aufbau vernetzter Dienstleistungen
zur globalen Umweltbeobachtung sowie die Entwicklung von Systemen für Früh-
warnung und Katastrophenmanagement gewinnen gerade vor dem Hintergrund der
Klimaveränderung zunehmend an Bedeutung. Dieser Aufgabe widmet sich u.a. das
Deutsche Fernerkundungsdatenzentrum (DFD) im Deutschen Zentrum für Luft-
und Raumfahrt e.V. (DLR), das zusammen mit dem Institut für Methodik der Fer-
nerkundung (IMF) das Earth Observation Center EOC, d.h. das Kompetenzzentrum
für Erdbeobachtung, in Deutschland bildet (zu Anwendungen und Projekten vgl.
DLR 2019a).
Allerdings müssen auch einige Einschränkungen und Problemfelder im Hinblick
auf die Anwendbarkeit von Fernerkundungsdaten genannt werden:
- Einschränkungen sind mit der Wetterabhängigkeit optischer Systeme verbunden.
So kann sich aufgrund von Wolkenbedeckung, Dunst oder Aerosolgehalt der Luft
der Anteil des auswertbaren Datenmaterials beträchtlich verringern.
- Mit vielen operationellen Satellitensystemen war aufgrund ihrer geringen räum-
lichen Auflösung nur eine Bearbeitung auf Maßstabsebenen ab 1 : 25.000 und
kleiner möglich. Jüngere Satellitensysteme und Sensoren auf UAVs mit einer Bo-
denauflösung im Meter- und Submeterbereich erlauben inzwischen weitaus fei-
nere Auswertungen.
- Ein weiteres Problemfeld ist die Frage nach der Reproduzierbarkeit der Ergeb-
nisse, die z.B. bei der mehrfachen Analyse eines Raumes zu verschiedenen Zeit-
punkten im Verlauf eines Monitoringprozesses eine wichtige Rolle spielt.
Generell gilt, dass eine möglicherweise erhoffte, wirklich objektive Informations-
gewinnung auch mit Methoden der Fernerkundung und digitalen Bildverarbeitung
nicht möglich ist. Auch hier muss der Bearbeitende nach seinem Kenntnisstand in
einen komplexen Analyseprozess eingreifen und auf die jeweilige Datensituation
reagieren. Als Beispiel kann die Auswahl von repräsentativen Trainingsgebieten für
eine Klassifikation der Oberflächenbedeckung genannt werden (vgl. Kap.10.7.4).
10.2 Ansatz von Fernerkundung und digitaler Bildverar-

beitung
10.2.1 Grundprinzip der Fernerkundung
Der zentrale Ansatz der Fernerkundung beruht auf physikalischen Strahlungsvor-

gängen in der Atmosphäre (vgl. Abb. 10.1). Ausgegangen wird von einem passiven
Fernerkundungssystem, das selbst keine Laser- oder Radarstrahlen emittiert:
Abb. 10.1: Ansatz der Fernerkundung (passive Sensorsysteme)
- Von der Sonne wird Energie abgestrahlt, die überwiegend im Wellenlängenbe-

reich zwischen 0,1 Pm und 3,5 bis 5 Pm liegt. Hierbei handelt es sich somit haupt-
sächlich um kurzwellige Einstrahlung (ultraviolettes Licht, sichtbares Licht, na-
hes, kurzwelliges und mittleres Infrarot), die dann von den Objekten an der Erd-
oberfläche teilweise absorbiert und teilweise reflektiert wird.
- Durch die absorbierte Strahlung werden die Objekte an der Erdoberfläche er-
wärmt, so dass diese erwärmten Objekte langwellige Wärmestrahlung (thermales
oder fernes Infrarot) wieder zurück in die Atmosphäre emittieren (vgl. Kap.
10.3.2 u. 10.3.3).
- Von den Objekten an der Erdoberflächen wird die eintreffende Strahlung auf-
grund der Eigenschaften und Zustände der Objekte unterschiedlich reflektiert und
somit ebenfalls zurück in die Atmosphäre emittiert.
- Ein Sensor, der nicht in Kontakt mit den Objekten auf der Erde steht und auf einer
Drohne (UAV), einem Flugzeug oder einem Satelliten montiert ist, zeichnet die
reflektierte elektromagnetische Strahlung auf.
- Die Intensität der am Sensor eintreffenden Strahlung wird codiert und an eine
Empfangs- und Verarbeitungsstation gesendet, wo die Daten weiter verarbeitet
werden.
- Nach einer Aufbereitung der Daten werden die Bilder visuell interpretiert und
durch geeignete Methoden analysiert.
Dieses Grundprinzip beruht darauf, dass die Objekte ein für sie charakteristisches
Strahlungs- oder Reflexionsverhalten besitzen. Eine Wasseroberfläche reflektiert
z.B. die eintreffende Infrarotstrahlung im Wellenlängenbereich zwischen 0,7 und
0,9 µm völlig anders als eine trockene Weidefläche. Das spezifische Strahlungs-
oder Reflexionsverhalten unterschiedlicher Objekte ermöglicht letztlich ihre Iden-
tifikation. Anhand der durch die Fernerkundung erfassten elektromagnetischen
Strahlung kann auf die Objekte zurückgeschlossen werden (zur Bildanalyse vgl.
Kap. 10.6 u. 10.7). Die hier zu Anfang noch stark vereinfachte Darstellung berück-
sichtigt noch nicht die Einflüsse der Atmosphäre, geht noch nicht auf das differen-
zierte Reflexionsverhalten in unterschiedlichen Wellenlängenbereichen ein und be-
nutzt noch das Wort „Bild“.
Abb. 10.2: Sensor-, Boden- und Veredlungssegment in der Fernerkundung (nach Markwitz 1989
S. 3)
Fernerkundungssysteme können untergliedert werden in ein Sensorsegment, in ein

Bodensegment und in ein Veredlungssegment (vgl. Abb. 10.2):
- Ein Sensorsegment besteht allgemein aus der Plattform und dem eigentlichen
Sensor. Zumeist wird auf einer Drohne (UAV), auf einem Flugzeug oder auf ei-
nem Satelliten ein digitaler Multispektralabtaster (Scanner) geführt, der in ver-
schiedenen Bereichen des elektromagnetischen Spektrums die eintreffende Strah-
lung erfasst. Die Aufgaben eines digitalen, satellitengestützten Sensorsegments
sind somit die Abtastung eines Gebietes (Scannen) sowie u.a. die Digitalisierung
und Kodierung der Daten und die Zwischenspeicherung mit anschließender Über-
tragung zur Bodenstation.
- Die Aufgabe des Bodensegments besteht im Empfang und der Aufzeichnung (nur
bei Satelliten) sowie der Aufbereitung und der Vorverarbeitung der Daten. Dabei
gehören zur Aufbereitung u.a. Systemkorrekturen, das Hinzufügen von Zusatzin-
formationen (u.a. Aufnahmezeit) sowie geometrische oder radiometrische Kor-
rekturen. Als Ergebnis entstehen sog. systemkorrigierte Daten (vgl. Kap. 10.6.1).
- Im Veredlungssegment wird die eigentliche Umsetzung der erfassten Daten in in-
terpretierbare Ausgabebilder vorgenommen, wodurch die Auswertung und Nut-
zung von Fernerkundungsdaten erfolgt. Hierzu werden Methoden der visuellen
Interpretation und der digitalen Bildverarbeitung herangezogen.
10.2.2 Sensorsysteme und Plattformen
Zur Datenerfassung können primäre passive und aktive sowie sekundäre Aufnah-
mesysteme unterschieden werden (vgl. Abb. 10.3). Primäre passive Systeme kön-
nen nur von Objekten reflektierte oder emittierte Strahlung aufzeichnen (z.B. die
Multispektralscanner an Bord von Landsat). Demgegenüber senden primäre aktive

Systeme selber Strahlung aus und zeichnen die reflektierte Strahlung auf (z.B. das
C-Band Synthetic Aperture Radar an Bord von Sentinel-1 vgl. Kap. 10.4.9). Sekun-
däre Aufnahmesysteme sind hingegen Systeme, mit denen in analoger Form vorlie-
gende Daten (z.B. analoge Luftbilder) in digitale Rasterform transformiert werden.
Hierzu gehören vor allem spezielle Scanner, mit denen Luftbilder für die computer-
gestützte Weiterverarbeitung digitalisiert werden.
Abb. 10.3: Passive und aktive Aufnahmesysteme (nach Albertz 2009 S. 10)
In dieser Einführung werden nur die Systeme der Satelliten-Fernerkundung behan-

delt, die eine zentrale Rolle spielen und an denen grundlegende Prinzipien verdeut-
licht werden können. Seit den 70er Jahren gab es zunächst nur nationale oder inter-
nationale Betreiber von Satellitensystemen, d.h. mit eigenen Satelliten und zugehö-
rigen Sensoren, für meteorologische, ressourcenorientierte und kartographische An-
wendungen. Für viele Teile der Erde liegen Aufnahmen für längere Zeitreihen vor,
so dass zum Teil ein hervorragendes Datenmaterial zum Umweltmonitoring besteht.
Klassische Aufnahmesysteme wie z.B. Landsat und SPOT gehören immer noch zu
Standards der Fernerkundung und sind aufgrund der Datenkontinuität von unschätz-
barem Wert, obschon das Prinzip ihrer Aufnahmesysteme bereits vor Jahrzehnten
entwickelt wurde. Seit Ende der 90er Jahre erreichen mehrere rein kommerziell ori-
entierte Satellitenbetreiber große Bedeutung. Bedingt durch die hohe räumliche
Auflösung dieser neuen Systeme ist die Flächenabdeckung ihrer Aufzeichnungen
nicht sehr hoch. Die Stärken dieser Systeme liegen aber in der auftragsgebundenen,
zielgerichteten Aufnahme (vgl. Kap. 10.4.10).
Tabelle 10.2 systematisiert verschiedene Plattformen. In Abhängigkeit der Fra-
gestellungen, für die Fernerkundungsdaten benötigt werden, ergibt sich somit ein
Orientierungsraster. Für eine Klassifikation einer großräumigen Landbedeckung
wird man z.B. auf einen satellitengestützten digitalen Sensor zurückgreifen, der im
sichtbaren Licht und nahen Infrarot Daten erfasst.
Im Web liefert das Earth Observation Portal der ESA (European Space Agency)
eine sehr gute Zusammenstellung beinahe sämtlicher Satellitenmissionen mit brei-
ten Hintergrundinformationen u.a. zu vielen Sensoren (vgl. EoPortal 2019).
Tabelle 10.2: Typische Plattformen und Sensoren für die Fernerkundung und deren Geopositionie-
rung ohne terrestrische Systeme (nach Toth u. Jutzi 2017 Tab. 2.1)
Satellit Flugzeug UAV
Manövrierbarkeit keine/begrenzt mittel hoch

Beobachtungsraum weltweit regional lokal
Sensordiversität MS/HS/SAR MS/HS/LiDAR/SAR MS (LiDAR/HS)
Umgebung im Freien im Freien im Freien / Innenraum
Bodenabdeckung > 10 km ca. 1km ca. 100 m
Mögl. Wiederho- Tag(e) Stunden Minuten
lungsrate
Räuml. Auflösung 0,30 – 300 m 5 – 25 cm 1 – 5 cm
Räuml. Genauigkeit bis zu 1 – 3 m 5 – 10 cm 1 – 25 cm
Einsetzbarkeit schwierig komplex leicht
Beobachtbarkeit vertikal/schräg vertikal/schräg vertikal/ schräg/360°
Operation. Risiko mittel hoch gering
Kosten (Plattform €€€€€ €€€ €
einschl. Sensoren)
MS/HS: multi-/hyperspektral, LiDAR: Light Detection and Ranging,
SAR: Synthetic Apertur Radar
10.2.3 Digitale Bildverarbeitung
Allgemein kann definiert werden, dass die digitale Bildverarbeitung der Extraktion
von Informationen aus digitalen Bilddaten dient. Hierzu gehört u.a. das Erkennen
von Bildinhalten durch geeignete Klassifizierungsverfahren. Gegenüber dieser
recht globalen Begriffsbestimmung können (feingliedriger) Verfahren der Bildbe-
arbeitung unterschieden werden, die die Bilddaten durch Überführen in eine geeig-
netere Form auf eine Analyse vorbereiten (Gewinnung zweckgerichteter Bildda-
ten). Hierzu gehören Bildkorrekturen, Kontrastverstärkung, Filterung oder Manipu-
lation von Bildinhalten (vgl. Kap. 10.6). In einem konkreten Anwendungsfall müs-
sen allerdings nicht immer sämtliche Verfahren der Bildbearbeitung durchgeführt
werden. Die Auswahl der notwendigen Bildbearbeitungen ist immer von der vor-
liegenden Fragestellung abhängig. Demgegenüber sind Verfahren der Bildanalyse
zu unterscheiden, die eine Analyse der Bildinhalte vornehmen und dadurch der ei-
gentlichen Informationsgewinnung dienen. Die Grenzen zwischen diesen beiden
Methodengruppen sind jedoch in der Praxis fließend. Verfahren der Indexbildung,
die häufig der Bildbearbeitung zugerechnet werden, können in der Anwendung z.B.
durchaus Analysezwecke erfüllen, da aus ihnen Pflanzeneigenschaften (bzw. mit
Satellitendaten eher Eigenschaften von Pflanzenbeständen) abgeleitet werden kön-
nen (vgl. Kap. 10.6.3.1).
10.2.4 Photogrammetrie
Von dem Begriff der Fernerkundung wird zumeist der der Photogrammetrie abge-
grenzt, worunter die Bildmessung, d.h. die geometrische Auswertung von Bildern
zu verstehen ist mit dem Ziel, Lage, Größe und geometrische Gestalt von Objekten
im Raum zu bestimmen. Hierbei sind hochgenaue Aufnahmesysteme erforderlich,
die eine möglichst exakte Vermessung der aufgezeichneten Situation ermöglichen.
Haupteinsatzgebiet der Photogrammetrie ist die Erstellung Topographischer Kar-
ten. Der Anwendungsbereich erstreckt sich von der Geschwindigkeitsmessung be-
wegter Objekte bis zur automatisierten Erstellung digitaler Höhenmodelle mit mo-
dernen digitalen photogrammetrischen Arbeitsstationen (zu Grundlagen und An-
wendungen vgl. Kraus 2012 u. Heipke 2017b). Durch neue Entwicklungen der Sen-
sorik sowie von Auswertemöglichkeiten nähern sich Photogrammetrie und Ferner-
kundung zunehmend an (vgl. Lillesand u.a. 2008 Kap. 3).
10.3 Physikalische Grundlagen
10.3.1 Das elektromagnetische Spektrum
Die Basis der Fernerkundung bilden elektromagnetische Strahlungsvorgänge:

- Elektromagnetische Strahlung ist eine Energieabgabe von Materiekörpern.
- Ein Körper, d.h. ein Objekt, absorbiert und/oder reflektiert dabei in Abhängigkeit
von seinem Zustand (z.B. Erwärmung eines Körpers bzw. Wuchsstadium einer
Pflanze) elektromagnetische Strahlung. Ein Teil der absorbierten Strahlung wird
als Wärmestrahlung (Thermalstrahlung) emittiert.
- Elektromagnetische Strahlung transportiert elektrische und magnetische Energie
in Wellenform mit Lichtgeschwindigkeit. Dabei wird eine elektromagnetische
Welle durch die Wellenlänge O (in Meter) und Frequenz X (in Hertz) beschrieben,
die die physikalischen Eigenschaften der Strahlung bestimmen.
- Von besonderer Bedeutung für die Erdfernerkundung sind mehrere Spektralbe-
reiche des elektromagnetischen Spektrums im sichtbaren Licht, im Infrarot und
auch im Mikrowellenbereich. Das sichtbare Licht erstreckt sich im Wellenlän-
genbereich etwa zwischen 0,4 Pm bis 0,7 Pm, an das sich das Ultraviolett (kurz-
wellige Seite) und das Infrarot (längerwellige Seite) anschließen. Das Infrarot
wird weiter unterteilt in das nahe Infrarot (etwa zwischen 0,7 Pm bis 1,1 Pm), in
das kurzwellige Infrarot (etwa zwischen 1,1 Pm bis 3 Pm), in das mittlere Infrarot
(etwa zwischen 3 Pm bis 7 Pm) und in das ferne Infrarot (etwa ab 7 Pm), das auch
Thermalstrahlung genannt wird. Dabei sind die verschiedenen Bereiche nicht
scharf zu trennen, sie gehen ineinander über. Die Unterbereiche des Infrarots wer-
den von verschiedenen Autoren zuweilen auch anders definiert. Herauszustellen
ist, dass die Erdfernerkundung nur Teile dieser Spektralbereiche nutzen kann (vgl.
Abb. 10.4, zu den sog. atmosphärischen Fenstern vgl. Kap. 10.3.2).
Physikalische Grundlagen 439
10.3.2 Solare Einstrahlung und Einflüsse der Atmosphäre
Die Sonne ist die Energiequelle für die solare Strahlung, deren Wellenlängenbe-
reich aus Sicht der Fernerkundung zwischen O = 0,3 Pm und etwa O = 3,5 Pm zu
begrenzen ist (Wellenlängen vom ultravioletten über den sichtbaren bis zum infra-
roten Spektralbereich, vgl. Abb. 10.4). Die spektrale Zusammensetzung der Son-
nenstrahlung entspricht in etwa der eines sog. Schwarzkörpers mit einer Temperatur
von 5900 K. Ein Schwarzkörper, d.h. ein idealisierter Strahler, ist ein physikalisches
Modell, auf das sich die Gesetze der Thermodynamik anwenden und spektrale Be-
strahlungsstärken theoretisch ableiten lassen (zu physikalischen Grundlagen vgl.
Hildebrandt 1996 S. 14 ff., Mather u. Koch 2011 S. 4 ff. u. vor allem Jensen 2015
S. 185 ff.). Im Durchschnitt werden 35 % des auftreffenden Strahlungsflusses von
der Erde (einschließlich Wolken und Atmosphäre) reflektiert, 17 % werden von der
Atmosphäre und 47 % von Materialien an der Erdoberfläche absorbiert (vgl. Mather
u. Koch 2011 S. 13 - 14). Reflektierte Einstrahlung sowie von der Erdoberfläche
nach Absorption der Einstrahlung im Infrarot emittierte Wärmestrahlung sind die
Quellen der in der Fernerkundung auszuwertenden elektromagnetischen Strahlung.
Abb. 10.4: Solare Einstrahlungskurven und Absorption durch Gasanteile in der Erdatmosphäre
(DWD 2019)
Beim Durchgang durch die Atmosphäre verringert sich die direkte Sonnenstrah-
lung, so dass am Boden nur noch ein Teil der Strahlung ankommt. Dabei ist die
Durchlässigkeit der Atmosphäre für die elektromagnetische Strahlung stark vom
Zustand der Atmosphäre (Aerosolgehalt, Feuchtegehalt, Schichtung, Wetterlage),
vom zurückgelegten Weg der Strahlung durch die Atmosphäre und von der Wellen-
länge der Strahlung abhängig. Die unterschiedlichen physikalischen Eigenschaften
der in der Atmosphäre vorkommenden Gase sind für ein komplexes Zusammenspiel
von Streuung und Absorption verantwortlich. Durch Sauerstoff bzw. Ozon wird die
ultraviolette Strahlung unter 0,3 Pm fast vollständig absorbiert und zu einem grö-
ßeren Teil in Wärmeenergie umgewandelt. Im Spektralbereich zwischen 0,4 und
ȝPZLUGGLH6WUDKOXQJQXU]XHLQHPJHULQJHQ7HLOGXUFK2]RQ:DVVHUGDPSI
Aerosol- und Wolkenpartikel absorbiert, so dass sie zu einem großen Teil die Erd-
oberfläche erreichen kann. Auf diesen Spektralbereich hat sich in der Evolution das
menschliche Auge als Sensor elektromagnetischer Strahlung ausgerichtet, so dass
man vom (für den Menschen) sichtbaren Licht spricht. Hingegen können viele Wir-
EHOWLHUHDXFKLPQDKHQ8OWUDYLROHWWXQWHUKDOEYRQȝP)DUEHQHUNHQQHQ,PLQI
UDURWHQ 6SHNWUDOEHUHLFK ELV HWZD ȝP ZLUG GLH 6WUDKOXQJ GXUFK :DVVHU
dampf, Kohlendioxid und Ozon stark und in geringerem Maße auch durch andere
Spurengase absorbiert (vgl. Abb. 10.5).
Die Absorptions- und Streuungsvorgänge werden mit dem Begriff Extinktion zu-
sammengefasst. Die Absorption ist auf die speziellen Absorptionseigenschaften der
Gase, Aerosolteilchen und Wolkentropfen, die Streuung ist auf Wechselwirkungen
zwischen Wellenlänge und den Teilchengrößen von Aerosolen und Luftmolekülen
zurückzuführen (vgl. weiterführend Mather u. Koch 2011 S. 15 ff.).
Die Durchlässigkeit der Atmosphäre hat unmittelbaren Einfluss auf die Ferner-
kundung. Die Absorptionsbanden des Wasserdampfes bewirken z.B., dass diese Be-
reiche für die optische Fernerkundung der Erdoberfläche nicht genutzt werden kön-
nen. Dagegen gibt es Bereiche im elektromagnetischen Spektrum, für die die At-
mosphäre nahezu durchsichtig ist (sog. atmosphärische Fenster). Somit ist z.B.
nicht das gesamte kurzwellige Infrarot für die Fernerkundung geeignet. Die wich-
tigsten dieser Fenster liegen in mehreren Bereichen des elektromagnetischen Spekt-
rums (vgl. Abb. 10.5):
im sichtbaren Licht (Visible VIS) 0,4–0,7 µm
im nahen Infrarot (Near Infrared, NIR) 0,7–1,1 µm
im kurzwelligen Infrarot (Short Wave Infrared, SWIR) 1,1–1,35 µm
1,4–1,8 µm
2–2,5 µm
im mittleren Infrarot (Middle Infrared, MIR) 3–4 µm
4,5–5 µm
im fernen Infrarot (Thermal Infrared, THIR) 8–9,5 µm
10–14 µm
im Bereich der Mikrowellen >1 mm
Die diese atmosphärischen Fenster passierende Strahlung unterliegt komplexen
Streuungsvorgängen, die sich wiederum wellenlängenspezifisch auswirken. So
wird z.B. ein großer Teil der Strahlung des blauen Spektralbereiches bereits in der
Atmosphäre an den Luftmolekülen gestreut (sog. Rayleigh-Streuung) und zum Sa-
tellitensensor zurückgestrahlt. Dieser Teil überlagert dort als „Luftlicht“ (engl. path
radiance) das Bodensignal und führt zu Kontrastminderungen. Deshalb wird dieser
Bereich oft aus Untersuchungen herausgelassen oder erst gar nicht aufgezeichnet.
So verzichtet z.B. der ASTER-Sensor auf der Terra-Satellitenplattform der NASA
auf eine Aufnahme dieses Wellenlängenbereiches (vgl. Kap. 10.4.8).
Physikalische Grundlagen 441
Abb. 10.5: Spektrale Durchlässigkeit der Atmosphäre (SEOS 2019)
Abbildung 10.6 vermittelt einen Eindruck von der Komplexität der atmosphäri-
schen Vorgänge, die das am Fernerkundungssensor empfangene Signal beeinflus-
sen. So tragen sowohl die diffuse Reflexion als auch das Luftlicht von benachbarten
Pixeln (diffuse Beleuchtung 2. Komponente bzw. Luftlicht 2. Komponente) zu der
Reflexion des im Zentrum der Aufnahme befindlichen Pixels bei (vgl. eingehender
Richards 2013 S. 33 ff.).
Abb. 10.6: Einflüsse der Atmosphäre (nach Richards 2013 S. 34)
Die Durchlässigkeit der Atmosphäre hat in der Fernerkundung eine doppelte Rele-
vanz: zum einen für die Einstrahlung solarer Strahlung auf die Erdoberfläche und
zum anderen (wichtiger) im Hinblick auf die Empfangsmöglichkeiten der von der
Erdoberfläche reflektierten oder emittierten Strahlung an einem satellitengestützten
Sensor. Daher sind auf die Fenster höchster atmosphärischer Durchlässigkeit die
Sensoren derjenigen Satelliten ausgerichtet, deren Hauptaufgabe eine Aufzeich-
nung von Prozessen auf der Erdoberfläche ist.
Durch die jeweiligen Aufnahmesysteme (Sensoren) wird die eingehende Strah-
lung gemessen, wobei verschiedene Sensoren für spezielle Frequenzbereiche elekt-
romagnetischer Strahlung eingesetzt werden. Diese Frequenzbereiche, d.h. Inter-

valle aus dem elektromagnetischen Spektrum bestimmter Breite, werden in der Fer-
nerkundung als Kanäle bezeichnet. In der Regel sind die Kanäle auf die atmosphä-
rischen Fenster ausgerichtet. Allerdings tragen verschiedene Systeme auch solche
Instrumente, die innerhalb der Spektralbereiche bestimmter Absorptionsbanden
operieren und dadurch Vorgänge in der Atmosphäre sichtbar und erforschbar ma-
chen. So zeichnet z.B. der Wettersatellit Meteosat den Wasserdampfgehalt der At-
mosphäre auf (Kanal 6 des SEVIRI Sensors, vgl. Kap. 10.4.5).
10.3.3 Das Reflexionsverhalten der Erdoberfläche
Die Reflexion bzw. der Reflexionsgrad in Abhängigkeit von der Wellenlänge der
Strahlung, die von der Oberfläche von Körpern auf der Erde ausgeht, ist entschei-
dend für die Identifizierung dieser Objekte. Dieses Reflexionsverhalten wird in Re-
flexionskurven dargestellt, die auch als Signaturkurven bezeichnet werden und die
Bedeutung „spektraler Fingerabdrücke“ besitzen. Abbildung 10.7 zeigt ausge-
wählte Signaturkurven, an denen sich einige Reflexionsunterschiede verdeutlichen
lassen. Weitere Beispiele finden sich z.B. in Mather u. Koch 2011 S. 17 ff., Lille-
sand u.a. S. 13 ff. sowie vor allem in den Spektralbibliotheken des United States
Geological Survey (vgl. USGS 2019a und USGS2019b). Die ECOSTRESS-
Spektralbibliothek (ehemals ASTER-Spektralbibliothek) des Jet Propulsion Labo-
ratory enthält u.a. eine Suche nach Spektralsignaturen von über 3.400 Oberflächen-
materialien (vgl. NASA 2019a).
Die Spektralsignaturen gesunder grüner Vegetation weisen neben dem Chloro-
phyll-Reflexionsmaximum im grünen Spektralbereich einen besonders erwähnens-
werten steilen Anstieg der Reflexion im nahen Infrarot auf. Dieser „Red Edge“ ge-
nannte Gradient besitzt große Bedeutung bei der Auswertung von Bilddaten für eine
Vegetationsanalyse. Er kommt u.a. bei der Entwicklung von sog. Vegetationsindi-
zes zum Tragen, die z.B. zur Identifizierung des Vitalitätsgrades von Pflanzen aus-
genutzt werden (vgl. Kap. 10.6.3.1, zu Reflexionsverhalten von Pflanzenbeständen
vgl. eingehend Hildebrandt 1996 S. 39 ff.).
Abb. 10.7: Spektralsignaturen ausgewählter Oberflächen

Bedeutende satellitengestützte Aufnahmesysteme 443
Der Anwendung von Signaturkurven sind aber Grenzen gesetzt. So gibt es für eine
Oberflächenart keine allgemeingültigen Signaturkurven! Die Signaturkurven von
Objekten an der Erdoberfläche variieren vielmehr u.a. nach Beleuchtung, Jahres-
zeit, Beschaffenheit der Atmosphäre, Zustand des Oberflächenobjektes (z.B. Ge-
sundheitszustand, Aggregatzustand, Feuchtegehalt) und Konfiguration des Aufnah-
meinstrumentes. So verändert sich z.B. die Reflexion von Wasser u.a. mit dem
Trübstoffanteil. Daher sind in den jeweiligen Untersuchungsgebieten sog. Trai-
ningsgebiete notwendig, die eine aktuelle homogene Oberfläche aufweisen und eine
Ableitung bzw. Kalibrierung von Signaturkurven erlauben (vgl. Kap. 10.7.4). Ein
weiteres Problem stellen Mischformen dar. So lassen sich insbesondere Ausschnitte
einer Kulturlandschaft (u.a. Bebauung mit Straßen, Industrieanlagen, Einzelhäuser
in Gartenanlagen) nicht eindeutig aufgrund einer einzelnen Signaturkurve erfassen
(zum Problem der Mischpixel vgl. Kap. 10.7.7). Die Identifizierung ist vor allem
von der geometrischen und spektralen Auflösung des Aufnahmesystems abhängig
(vgl. Kap. 10.4.1).
10.4 Bedeutende satellitengestützte Aufnahmesysteme
10.4.1 Leistungsmerkmale abbildender Fernerkundungsinstrumente
Im Hinblick auf die Praxis der Bildauswertung sind vor allem vier Merkmale für
die Beurteilung der Leistungsfähigkeit eines Aufnahmesystems für eine bestimmte
Anwendung von großer Bedeutung:
- Die räumliche Auflösung: Hierdurch werden geometrische Eigenschaften des
Aufnahmesystems gekennzeichnet. Sie gibt die Größe eines Pixels in Meter an,
d.h. die Seitenlänge der Fläche des Bodenelements, die durch ein System bei einer
bestimmten Flughöhe erfasst wird. Dieser Wert wird durch den Öffnungswinkel
des Sensorsystems bestimmt (für ein Pixel: Instantaneous Field of View (IFoV)
JHPHVVHQ]XPHLVWLQ0LOOLUDGLDQWPUDGPLW ʌUDG
- Die spektrale Auflösung: Viele der eingesetzten Aufnahmesensoren sind multi-
spektral angelegt, sie zeichnen die Rückstrahlung von der Erdoberfläche oder At-
mosphäre in mehreren Spektralbereichen (Kanälen) auf. Die spektrale Auflösung
wird durch die Anzahl der Kanäle bestimmt. Die Lage dieser Kanäle im elektro-
magnetischen Spektrum und ihre Breite beeinflussen unmittelbar die Unter-
scheidbarkeit verschiedener Oberflächentypen im Satellitenbild. Von den multi-
spektralen sind die panchromatischen Sensoren zu unterscheiden, wobei panchro-
matisch die breitbandige spektrale Empfindlichkeit eines Sensors oder Filmmate-
rials kennzeichnet. Ein panchromatischer Sensor ist über den gesamten Bereich
des menschlichen Auges empfindlich. Die Abstufung der Grauwerte ist typischen
Schwarz-Weiß-Bildern vergleichbar. Ein hyperspektrales Sensorsystem zeichnet
Bilder von sehr vielen, eng beieinanderliegenden Wellenlängen auf. Derartige
Systeme können 20 bis 250 unterschiedliche Kanäle besitzen.
- Die radiometrische Auflösung: Die Erkennbarkeit von Objekten hängt auch von
der Fähigkeit eines Sensors ab, die empfangene Strahlung möglichst differenziert
aufzuzeichnen. Durch die Anzahl der sog. Grauwerte, die die Zahl der Intensitäts-
stufen kennzeichnet, die für die Wiedergabe dieser Rückstrahlung pro Kanal zur
Verfügung stehen, wird die radiometrische Auflösung bestimmt. Eine gebräuch-
liche Form ist die Wiedergabe in 256 Graustufen pro Kanal, zu deren Speicherung
8 Bit notwendig sind, so dass die radiometrische Auflösung mit 8 Bit angegeben
wird. Allerdings ist dies eine vereinfachte Darstellung. Zur Beschreibung der ra-
diometrischen Auflösung müsste man z.B. auch das Signal-Rausch-Verhältnis
hinzuziehen (vgl. Hildebrandt 1996 S. 429). Die reine Farbtiefe (Bitzahl) wird als
Signalquantität oder Grauwertauflösung bezeichnet.
- Die temporale Auflösung: Der zeitliche Abstand, innerhalb dessen ein Gebiet von
einem bestimmten Satellitensensor wiederholt aufgezeichnet werden kann, be-
stimmt seine temporale Auflösung (auch Repetitionsrate genannt). Diese verkürzt
sich, je breiter die Bodenspur ist und je weiter ein Gebiet in Richtung der Pole
liegt (Überlappung benachbarter Bodenspuren bei polaren Satellitenorbits).
10.4.2 Bahnparameter von Fernerkundungssatelliten
Die in der Erdfernerkundung gebräuchlichsten Orbitkonfigurationen sind der son-

nensynchrone und der geostationäre Orbit. Für einen sonnensynchronen Orbit wird
die Umlaufbahn so gewählt, dass der Satellit einen bestimmten Ort immer zur glei-
chen lokalen Uhrzeit überquert. Auf diese Weise können die Aufnahmen verschie-
dener Jahre besser miteinander verglichen werden (ähnliche Beleuchtungsbedin-
gungen). Zur Kennzeichnung eines sonnensynchronen Orbits wird daher immer der
Zeitpunkt der Äquatorüberquerung angegeben (bei Landsat 8 10 a.m. ± 15 Minu-
ten). Der Satellit befindet sich in einem gegen die Erddrehung gerichteten polnahen
Orbit, der um wenige Grad gegen die Erdachse gekippt ist. Dieser Winkel wird (üb-
licherweise) zwischen der aufsteigenden Bewegungsrichtung des Satelliten (sog.
ascending node) und der Äquatorebene entgegen dem Uhrzeigersinn gemessen und
als Inklinationswinkel bezeichnet (vgl. Abb. 10.8, dort als entsprechender Winkel
bei absteigender Bewegung dargestellt). Typische Werte liegen zwischen 96° und
102°. Durch die Rotation der Erde unter seiner Bahn tastet der Satellit bei jeder
Umlaufbahn eine neue Bodenspur ab, bis er nach einer bestimmten Zeit (Repetiti-
onsrate) eine Bodenspur wiederholt aufnimmt. Derartige Satelliten befinden sich in
Höhen zwischen 450 und 1.100 km und vollenden einen Orbit relativ schnell in et-
was mehr als 90 Minuten (d.h. 99 Minuten für Landsat 8).
Aufgrund der Erdrotation wandert die Erdkugel unter der Satellitenbahn hin-
durch, so dass die Bodenspuren zweier aufeinanderfolgender Umlaufbahnen gegen-
einander versetzt sind (vgl. Abb. 10.9). Für Landsat 8 verläuft am Tag M die (be-
nachbarte) Umlaufbahn N+1 2.100 km westlich der Umlaufbahn N. Am Tag M+1
verläuft die Umlaufbahn N 120 km westlich der Umlaufbahn N am Vortag. Hier-
durch entsteht eine Überlappung der Aufnahmebilder an beiden Tagen, die in hö-
heren Breiten größer ist. Diese Sequenz wiederholt sich alle 16 Tage.
Abb. 10.8: Polnaher, sonnensynchroner Orbit und geostationärer Orbit
Geostationäre Satelliten bzw. treffender geosynchrone Satelliten befinden sich da-

gegen immer an einer bestimmten Position über der Erde. Die Satellitenbahn wird
hierfür so gewählt, dass die Satellitenbewegung synchron zur Erddrehung erfolgt,
d.h. der Satellit sich mit exakter Erdrotationsgeschwindigkeit bewegt. Dazu sind
Orbithöhen um ca. 36.000 km notwendig. Derartige Satelliten sind in der Lage, eine
komplette Erdhemisphäre in geringen zeitlichen Intervallen abzubilden. Bekann-
teste Beispiele sind Wettersatelliten (vgl. Kap. 10.4.5).
Abb. 10.9: Bahnparameter von Landsat (verändert nach Drury 1990 S. 48)
10.4.3 Aufnahmeprinzipien von Scannern auf Satellitensystemen
Der Multispectral Scanner (MSS) und der Thematic Mapper (TM) wie auch der
neuere Enhanced Thematic Mapper Plus (ETM+) sind opto-mechanische Scanner,
bei denen eine Zeile durch einen hin- und herschwingenden Spiegel abgetastet wird
(vgl. Abb. 10.10). Beim Multispektralscanner (MSS) wurden mit einer Spiegelbe-
wegung sechs Zeilen in vier Spektralkanälen erfasst, was insgesamt 24 Detektoren
erfordert. Beim Thematic Mapper (TM) erfolgte die Aufnahme der Daten in jedem
Kanal außer dem Thermalkanal (4 Detektoren) mit 16 Detektoren. Da bei jeder
Spiegeldrehung 6300 Messungen erfolgen und am Boden 185 km abgetastet wer-
den, ergibt sich eine Ausdehnung von 30 m pro Pixel quer zur Flugrichtung. In
Flugrichtung tasten 16 Detektoren (pro Kanal und für eine von 6300 Messungen,
d.h. Spiegeleinstellungen) eine Länge von 480 m ab, so dass ebenfalls 30 m pro
Pixel erfasst werden.
Dieser Scannertyp des Thematic Mapper wird aufgrund der Ähnlichkeit des Auf-
nahmeprinzips mit einem Reisigbesen auch „Whisk Broom Scanner“ genannt (Fe-
gen durch Hin- und Herschwenken eines Besens). Demgegenüber steht das jüngere
Bauprinzip eines „Push Broom Scanners“ (Fegen durch Schieben eines Besens).
Abb. 10.10: Aufnahmeprinzipien von Whisk Broom (Landsat 1-7) und modernen Push Broom
Scannern (Landsat 8)
Beim älteren Arbeitsprinzip opto-mechanischer Scanner können aufgrund der grö-

ßeren und grundsätzlich störanfälligeren Mechanikanteile Aufnahmefehler auftre-
ten (vgl. Landsat 7). Bei einem rotierenden oder hin- und herschwingenden Spiegel
entsteht bei der Aufnahme u.a. eine sog. Panoramaverzerrung (vgl. Abb. 10.10).
Bei tief fliegenden, flugzeuggestützten Scannern ergeben sich deutlich sichtbare
Verzerrungen in den Randbereichen, da dort der Abstand zum Aufnahmesystem
wesentlich größer ist als senkrecht unter dem Aufnahmezentrum (d.h. im Nadir).
Dabei wird der Winkel zwischen der vom Projektionszentrum ausgehenden Senk-
rechten und der Aufnahmeachse als Nadirdistanz bzw. Nadirabweichung bezeich-
net. Der Betrag der Verzerrung ist vom Öffnungswinkel des Aufnahmesensors ab-
hängig, der bei Flugzeugscannern um Faktoren zwischen 3 und 10 größer ist als bei
Satelliten (vgl. Hildebrandt 1996 S. 424). Allerdings sind diese Verzerrungen bei
Satellitensystemen nicht grundsätzlich gering, sondern nur bei solchen mit gerin-
gem Öffnungswinkel (wie z.B. Landsat). So hat z.B. der AVHRR-Sensor einen re-
lativ großen Öffnungswinkel und dadurch bedingt eine relativ große Panoramaver-
zerrung. Die Auflösungen dieses Sensors betragen im Nadir 1,1 km und im Rand-
bereich in Flugrichtung 2,4 km bzw. 6,9 km quer zur Flugrichtung (vgl. Lillesand
u.a. 2008 S. 463). Dies hängt mit dem Ziel des Systems zusammen, während einer
Bodenspur (engl. swath) eine möglichst große Fläche zu erfassen (2.400 km2).
Demgegenüber sind die moderneren opto-elektronischen Scanner leistungsfähi-
ger. Bei einem Push-Broom-Scanner trifft entsprechend dem Arbeitsprinzip eines
Flachbettscanners die reflektierte Strahlung auf mehrere, in einer Zeile nebeneinan-

der angeordnete Photozellen (CCD-Elemente), die die Intensität der Signale in
Spannungswerte umsetzen (vgl. Abb. 10.10). Anschließend setzt ein Analog-Digi-
tal-Wandler diese Werte in Bitfolgen um. Dabei werden sämtliche Bildelemente
einer Zeile gleichzeitig aufgezeichnet. Derartige Sensoren erzeugen somit keine Pa-
noramaverzerrung. Insbesondere sind keine mechanischen Bewegungen notwen-
dig. Durch die gleichzeitige Aufnahme ganzer Zeilen kann im Gegensatz zum se-
quentiell arbeitenden opto-mechanischen Scanprinzip die empfangene Lichtenergie
länger auf ein CCD-Element einwirken. Durch die Installation vieler kleinerer
CCD-Elemente wird eine höhere geometrische Auflösung möglich. Allerdings kön-
nen die CCD-Elemente nicht beliebig verkleinert werden, da auf ein CCD-Element
eine bestimmte Lichtmenge einfallen muss (vgl. NASA 2019b).
Zur Identifizierung einzelner Landsat-Szenen wurde ein Referenzsystem entwi-
ckelt, das sich an der Systematik der Umlaufbahnen orientiert (vgl. NASA 2019c).
Osnabrück liegt z.B. in der Umlaufbahn (Path) 196 und der Zeile (Row) 24 (vgl.
Abb. 10.12).
Abb. 10.11: Ausschnitt aus dem World Reference System (WRS) von Landsat (Deutschland)
10.4.4 Aufnahmesysteme mit abbildendem Radar
Ein deutlicher Nachteil der passiven optischen Systeme ist deren Wetterabhängig-
keit, die eine Akquisition von brauchbaren Daten nur erlaubt, wenn die Atmosphäre
möglichst frei von Wolken, Dunst oder anderen Trübungen ist. Die relativ kurzen
Wellenlängen der mit optischen Systemen ausgewerteten Strahlung verhindern ein
Durchdringen solcher Trübungen (vgl. Kap. 10.3.2), während Wellenlängen im Be-
reich von 1 mm bis 1 m, die sog. Mikro- oder Radiowellen, durchgelassen werden.
Dies wird bei der Radar-Fernerkundung ausgenutzt (zum Einstieg vgl. Mather u.
Koch 2011 S. 58 ff.). Radar ist ein Akronym für Radio Detection and Ranging und
wurde ursprünglich entwickelt, um mit Radiowellen Objekte aufzuspüren (Detec-
tion) und deren Abstand (Range) bzw. Position zu bestimmen. Da Objekte Radio-
wellen nur in geringem Umfang auf natürliche Weise emittieren, werden in der Fer-
nerkundung meist aktive Systeme verwendet, die selbst Strahlungsimpulse aussen-
den und das reflektierte Radar-Echo wieder empfangen können. Ein solches System
ist demnach auch nicht auf eine natürliche Bestrahlung des Beobachtungsobjektes
angewiesen und somit auch zu Aufnahmen in der Nacht in der Lage.
Ein Radarsystem sendet kurze, energiereiche Mikrowellenpulse seitlich zur
Flugrichtung in einem bestimmten Winkel (Einfallswinkel) zum Boden. Die reflek-
tierten Signale werden anschließend vom Sensor auf dem Satelliten oder dem Flug-
zeug aufgezeichnet. Auch diesem Ansatz liegt das Grundprinzip der Fernerkundung
zugrunde. So bestimmen verschiedene Merkmale der Oberfläche wie Relief oder
Topographie, Mikroklima, Feuchte, Boden (u.a. Oberflächenrauigkeit, Textur und
Lagerungsdichte) oder Vegetationsbedeckung das Reflexionsverhalten im Mikro-
wellenbereich.
Die abgestrahlte elektromagnetische Energie kann in Wellenlänge und Polarisa-
tion variieren. Die Polarisation bezeichnet dabei die Fähigkeit, Radarstrahlen so zu
filtern, dass sie sich nur in bestimmte Richtungen senkrecht zur Wellenbewegung
ausbreiten. Verwendete Wellenlänge und Polarisation sowie der Einfallswinkel be-
stimmen aus der Perspektive des Sensors das Erscheinungsbild der reflektierten Sig-
nale und damit die Charakteristik von Oberflächenobjekten im Radarbild (vgl. Abb.
10.13). Ferner wird die räumliche Auflösung eines Radarsystems in Flugrichtung
(Azimuth) durch die Baulänge der verwendeten Antenne bestimmt. Die zeitliche
Dauer des Energiepulses beeinflusst die Auflösung quer zur Flugrichtung (Range).
So wird mit wachsender Antennengröße (Apertur) die Breite des Radarimpulses
geringer, wodurch eine stärkere Bündelung der Radarwellen und somit eine bessere
räumliche Auflösung hervorgerufen werden. Demgegenüber wächst mit zunehmen-
der Entfernung des Radars zum beobachteten Objekt die Breite des Radarimpulses.
Allerdings können Antennen nicht beliebig groß werden, um z.B. die Flughöhe sa-
tellitengestützter Systeme auszugleichen, so dass konventionelle Radarsysteme
(Real Apertur Radar (RAR) nach Hildebrandt 1996 S. 576) nur für geringe Flughö-
hen, die keine allzu große Entfernung zwischen Antenne und Bodenoberfläche auf-
weisen, geeignet sind.
Abb. 10.12: Aufnahmeprinzip von Radarsystemen (nach Albertz 2009 S. 57)
Bei Radarsystemen mit synthetischer Apertur (SAR = Synthetic Aperture Radar)

wird nur eine kurze Antenne eingesetzt, die aber in einer breiten Keule Mikrowellen
abstrahlt, so dass während des Fluges Geländepunkte wiederholt bestrahlt werden
(vgl. Lillesand u.a. 2008 S. 638 ff.). Je weiter ein Objekt entfernt ist, desto öfter
wird es erfasst. Die zur Nutzung der Mikrowellenfernerkundung aus großen Höhen
eigentlich notwendige lange Antenne wird somit durch verschiedene Positionen der
Antenne entlang des Flugweges simuliert. Das System synthetisiert hierdurch den
Effekt einer sehr langen Antenne. Durch die Aufzeichnung der reflektierten Signale
eines Objektes von verschiedenen Positionen aus entsteht für jedes Objekt eine Sig-
nalfolge, in der sich mit variierender Entfernung des Objektes von der Antenne die
Frequenz des zurückgestrahlten und an der Radarantenne aufgezeichneten Signals
systematisch ändert. Aus der in dieser Signalfolge aufgezeichneten Frequenzver-
schiebung zwischen ausgestrahlter und empfangener Strahlung (Dopplereffekt) las-
sen sich die Signale bei der Auswertung über komplexe mathematische Verfahren
wieder so rekonstruieren, als stammten sie von einer einzigen Antenne.
Durch die Schrägsicht des Radars und somit die Aufnahmetechnik bedingte Ef-
fekte bestimmen das Erscheinungsbild der Erdoberfläche im Radarbild und müssen
bei der Prozessierung der Daten berücksichtigt werden. Die elektrischen Eigen-
schaften der Materialien an der Erdoberfläche (ausgedrückt durch die sog. Dielekt-
rizitätskonstante) haben einen großen Einfluss auf die Reflexion und die Eindring-
tiefe von Mikrowellen. Insbesondere bestimmt die Wellenlänge die Eindringtiefe
der Strahlung in bestimmte Materialien. Hierbei gilt das Prinzip: je größer die Wel-
lenlänge, desto größer die Eindringtiefe. Dieser Zusammenhang kann benutzt wer-
den, bestimmte Frequenzbereiche für den gezielten Untersuchungseinsatz zu ver-
wenden. Insgesamt ist die Verarbeitung von Radardaten, die über Standardanwen-
dungen hinausgeht, sehr komplex und wird hier nicht näher thematisiert.
Während der Shuttle Radar Topography Mission (SRTM) im Februar 2000, bei
der zwei Radarinstrumente gleichzeitig im Einsatz waren, wurde beinahe die ge-
samte Erdoberfläche über Radarinterferometrie hochgenau dreidimensional ver-
messen. Im Jahre 2014 gab die US-Bundesregierung bekannt, dass die erzeugten
topographischen Daten mit der höchsten Auflösung bis Ende 2015 weltweit veröf-
fentlicht werden sollen, während sie vorher nur mit unterschiedlicher Auflösung
bereitgestellt wurden. Die neuen Daten werden mit einer Abtastrate von einer Bo-
gensekunde veröffentlicht, die die vollständige Auflösung der ursprünglichen Mes-
sungen wiedergibt (vgl. NASA 2019d, vgl. auch USGS 2019l). Die Daten dienen
zur Erstellung eines hochauflösenden digitalen Geländemodells der Erdoberfläche.
Jüngere Beispiele für satellitengestützte SAR-Systeme sind die deutschen Satel-
litensysteme TerraSAR-X und TanDEM-X (TerraSAR-X add-on for Digital Eleva-
tion Measurement), die 2007 bzw. 2010 gestartet wurden (vgl. DLR 2019b). Terra-
SAR-X ist der derzeit präziseste hochauflösende kommerzielle Radarsatellit im Or-
bit, der Datenservices mit einer einzigartigen Präzision, Qualität und Zuverlässig-
keit zur Verfügung stellt. TanDEM-X und TerraSAR-X fliegen dazu mit einem Ab-
stand von nur wenigen hundert Metern in enger Formation und bilden das erste sog.
SAR (Synthetic-Aperture-Radar-)Interferometer dieser Art (Parallelflug) im Welt-
raum (vgl. Zink u.a. 2017).
Das Standardprodukt des Höhenmodells (fertiggestellt 2016) hat eine räumliche
Auflösung von 12 m und 30 m mit einer absoluten vertikalen Genauigkeit besser
als 10 m und einer relativen vertikalen Genauigkeit von 2 m (vgl. DLR 2019c).
10.4.5 Wettersatelliten
Wettersatelliten gibt es sowohl in geosynchroner, d.h. geostationärer, als auch in

sonnensynchroner Ausführung. Ein internationaler Verbund geostationärer Wetter-
satelliten ermöglicht Aufnahmen der gesamten Erde fast zu jeder (Tages-)Zeit. Dies
bietet optimale Voraussetzungen zur Beobachtung der Wetterentwicklung. Die
hohe zeitliche Auflösung muss durch den hohen Orbit mit einer geringen räumli-
chen Auflösung erkauft werden.
Typische geostationäre Wettersatelliten sind die Plattformen der US National
Oceanic and Atmospheric Administration (NOAA), die sich in einer Bahn von ca.
35.800 km über der Erde befinden (vgl. NOAA 2019a, 2019b u. 2019c): GOES-16
(Geostationary Operational Environmental Satellite) über dem Westatlantik und
GOES-17 über dem Ostpazifik (Stand Frühjahr 2019). Diese Satelliten sind Träger
mehrerer Sensoren, von denen der Advanced Baseline Imager besonders zu erwäh-
nen ist, der in 16 Wellenlängenbereichen Strahlung aufzeichnet und in verschiede-
nen Scanmodes betrieben wird (bis zu alle 30 Sekunden für ein 1.000 x 1.000 km
großes Gebiet unterhalb des Satelliten, vgl. NOAA 2019d).
Auch EUMETSAT betreibt seit mehr als 30 Jahren mehrere geostationäre Satel-
liten zur Wetter- und Klimabeobachtung. Die Daten für Europa liefern die Mete-
osat-Satelliten, die von der European Space Agency (ESA bzw. der früheren Euro-
pean Space Research Organisation ESRO) entwickelt wurden (vgl. EUMETSAT
2019a). Zu den Satelliten der ersten Generation von Meteosat gehören Meteosat-1
(Start 1977, Außer-Dienststellung 1979) bis Meteosat-7 (Start 1997, Außer-Dienst-
stellung 2017, vgl. EUMETSAT 2019b). Die zweite Generation hat mit Meteosat-
8 (Start 2002) bis Meteosat-11 (Start 2015) derzeit vier Satelliten im Orbit (vgl.
EUMETSAT 2019c). Sie scannen Europa, Afrika und den Indischen Ozean. Zu den
wichtigsten Verbesserungen der zweiten Generation von Meteosat gehört ein neues
Hauptinstrument (Spinning Enhanced Visible and IR Imager, SEVIRI), das die Erde
in zwölf Kanälen beobachtet, von denen der High-Resolution-Visible-(HRV-)Kanal
eine räumliche Auflösung von 1 km im Nadir aufweist und der die Hälfte der Erde
abtastet. Meteosat-11 ist der wichtigste operationelle Satellit, der alle 15 Minuten
vollständige Bilddaten (full earth disc imagery) liefert. Meteosat-10 bietet den Ra-
pid Scanning Service, der sogar alle fünf Minuten das nördliche Drittel der Erde
scannt (vgl. EUMETSAT 2019d). Der Start der dritten Generation mit sechs neuen
geostationären Satelliten von Meteosat ist ab 2021 geplant. Mit EUMETView wird
ein Visualisierungsdienst angeboten, mit dem Benutzer EUMETSAT-Bilder inter-
aktiv über einen Online-Kartenviewer betrachten oder als Web Map Service nutzen
können (vgl. EUMETSAT 2019e).
Wettersatelliten in einer sonnensynchronen Umlaufbahn ermöglichen durch ihre
relativ hohe Auflösung auch die Beobachtung regionaler Prozesse wie z.B. Schnee-
und Eisschmelze oder Temperaturanomalien der Wasseroberfläche. Typische Wet-
tersatelliten in niedriger, sonnensynchroner polarer Umlaufbahn sind die POES-
(Polar-Orbiting Operational Environmental Satellites)- Plattformen der US Natio-
nal Oceanic and Atmospheric Administration (NOAA).
Diese Satelliten sind Träger mehrerer Sensoren, von denen das Advanced Very
High Resolution Radiometer (NOAA-AVHRR) für hydrologische, ozeanographische
und meteorologische Untersuchungen eine zentrale Bedeutung besitzt. Ab NOAA-

15 wird der Sensor AVHRR/3 eingesetzt, der sechs Kanäle besitzt (vgl. USGS
2019c).
Das Joint Polar Satellite System (JPSS) ist der Nachfolger des POES-
Programms. Mit dem am 2017 gestarteten Satellit NOAA-20 (ehemals JPSS-1) be-
gann die nächste Generation polar umlaufender NOAA-Satelliten (vgl. JPSS
2019a). Von den fünf Instrumenten an Bord erfasst das VIIRS-Instrument (Visible
Infrared Imaging Radiometer Suite) als Weiterentwicklung des AVHHR den sicht-
baren und infraroten Bereich zwischen 0,412 und 12 Pm in 22 Kanälen (max.
3.000 km breiter Aufnahmestreifen, Auflösung im Nadir 400 m, vgl. JPSS 2019b).
Die MetOp-Satelliten fliegen ebenfalls in einer sonnensynchronen Umlaufbahn. Sie
bilden eine Ergänzung zu den geostationären Wettersatelliten von Meteosat und ar-
beiten mit dem NOAA-Satellitensystem zusammen. Das Satellitenprogramm Me-
tOp (Meteorological Operational satellite programme) ist ein europäisches Unter-
nehmen, das Wetterdatendienste zur Überwachung des Klimas und zur Verbesse-
rung der Wettervorhersage anbietet (Start MetOp-A 2006, MetOp-B 2012, MetOp-
C 2018, vgl. ESA 2019a).
10.4.6 Landsat
10.4.6.1 Mission
Das Landsat-Programm wurde vom US Geological Survey (USGS) und der Natio-
nal Aeronautics and Space Administration (NASA) initiiert, um routinemäßig
Landbilder aus dem Weltraum zu sammeln. Die NASA entwickelt Fernerkundungs-
instrumente und Raumfahrzeuge, startet und validiert die Leistung der Instrumente
und Satelliten. Das USGS übernimmt Eigentum und Betrieb der Satelliten zusätz-
lich zur Verwaltung des gesamten Bodenempfangs, der Datenarchivierung, der Pro-
dukterzeugung und –verteilung (USGS 2019d).
Mit den Landsat-Bildern ist seit den ersten Aufnahmen aus dem Jahr 1972 eine
einzigartige Sammlung von Umweltbeobachtungen der Erde aus dem Weltraum er-
hältlich, die zudem kostenfrei verfügbar ist (vgl. Kap. 10.5.3). Somit liegen Daten
mit einer über Jahrzehnten konstanten Sensorik vor, die die Daten vergleichbar ma-
chen, und die die Erde räumlich vollständig abdecken. Dies macht den großen Wert
der Landsat-Mission aus, obschon jüngere Sensoren eine erheblich feinere Boden-
auflösung der Bilddaten besitzen, die aber nicht für einen derartigen langen Erhe-
bungszeitraum und großen räumlichen Umfang der Erhebung vorliegen (zu um-
fangreichen Informationen zum Landsat-Programm vgl. USGS 2019e). Tabelle
10.3 listet Anwendungsgebiete der Kanäle der Landsatsensoren auf. Hinzuweisen
ist darauf, dass ein einzelner Kanal selten zu einer inhaltlichen Aussage führt und
dass stattdessen wie bei den Klassifikationsverfahren immer mehrere Kanäle zu be-
trachten sind.
Tabelle 10.3: Anwendungsgebiete der Kanäle der Sensoren TM und ETM+

(nach USGS 2019d)
Kanal µm Einsatz
1 0,45-0,52 sichtbares bathymetrische Kartierung, nützlich zur Unterscheidung von Boden

Blau und Vegetation sowie von Laubwald und Nadelwald
2 0,52-0,60 sichtbares konstruiert zur Messung von Spitzenwerten reflektierter Strahlung
Grün im grünen Bereich des elektromagnetischen Spektrums (d.h. von
Vegetation)
3 0,63-0,69 sichtbares konstruiert zur Messung reflektierter Strahlung in einem Bereich des
Rot elektromagnetischen Spektrums, der für Chlorophyllabsorption cha-
rakteristisch ist, nützlich zur Unterscheidung von Pflanzenarten
4 0,76-0,90 nahes nützlich zur Biomassenkartierung, zur Unterscheidung von Vegeta-
Infrarot tionstypen, zum Herausstellen der Vegetationsgrenzen zwischen
Land und Wasser sowie Landformen und zum Erkennen von Vitali-
tät von Pflanzen (je „jugendlicher“, desto höhere IR-Reflektion)
5 1,55-1,75 mittleres nützlich zur Unterscheidung des Feuchtegehalts von Boden und Ve-
Infrarot getation (Indikator für Wassermangel), Trennung Wolken und-
Schnee, geologische und bodenkundliche Kartierungen, Durchdrin-
gung von Dunst
7 2,08-2,34 mittleres nützlich zu geologischen und bodenkundlichen Kartierungen, nütz-
Infrarot lich zur Kartierung hydrothermal veränderter Gesteine
6 10,4-12,5 thermal nützlich zur Thermalkartierung und Abschätzung der Bodenfeuchte
10.4.6.2 Aufnahmesysteme von Landsat 1 bis 7
Landsat 1 (ursprünglich Earth Resources Technology Satellite ERST) war der erste
Satellit des US-amerikanischen Landsat-Programms, der 1972 gestartet wurde. An
Instrumenten besaß er das Return Beam Vidicon System (RBV) und den Multispect-
ral Scanner (zu geometrischen, spektralen und radiometrischen Eigenschaften bei-
der Instrumente vgl. Tab. 10.4 u. 10.5). Da die geometrischen und radiometrischen
Eigenschaften des RBV-Systems, das aus drei Videokameras bestand, denen des
Multispectral Scanner (MSS) unterlegen waren, wurde das MSS-System das pri-
märe Aufnahmegerät an Bord von Landsat. Die Wahl der Spektralbereiche des MSS
hatte praktische Hintergründe: Hierdurch sollten Bildprodukte zur Verfügung ge-
stellt werden können, die Ähnlichkeit mit Falschfarb-Infrarot-Luftbildern haben, für
deren Interpretation und Analyse schon ein großer Erfahrungsschatz bestand. Land-
sat 3 erhielt einen zusätzlichen Thermalkanal mit einer geometrischen Auflösung
von 240 m, der sich als fehlerhaft herausstellte und daher kaum genutzt wurde.
Die Sensoren der nächsten Landsat-Generation wurden an die steigenden An-
sprüche und Bedürfnisse der verschiedenen geowissenschaftlichen Disziplinen an-
gepasst. Das Ergebnis war der Thematic Mapper (TM), benannt nach dem Ziel, an-
gepasste thematische Darstellungen für die verschiedenen geowissenschaftlichen
Bereiche zu liefern. Die räumliche, die spektrale und auch die radiometrische Auf-
lösung wurden stark verbessert (vgl. Tab. 10.4 u. 10.5). Im Gegensatz zum MSS-
System erfolgte die Wahl der abgebildeten Spektralbereiche des TM auf der Grund-
lage fundierter Untersuchungen zum Spektralverhalten verschiedener Oberflächen-
typen wie Vegetation und Gesteinsminerale. Außer Kanälen im sichtbaren Bereich
und im nahen Infrarot wurden auch solche im kurzwelligen und thermalen Infrarot
implementiert, letzterer jedoch in einer relativ geringen räumlichen Auflösung (120
m). Dieses System befand sich zusammen mit dem MSS-System an Bord von Land-
sat 4 und 5. Der TM lieferte beinahe ununterbrochen Bilder der Erde von Juli 1982
bis November 2011 mit einer 16-tägigen Wiederholung. Nach Abschalten des TM
wurde der MSS wieder kurzzeitig bis Januar 2013 aktiviert. Der Start von Landsat
6, der ein verbessertes TM-Instrument (Enhanced Thematic Mapper) und weiterhin
den MSS an Bord hatte, scheiterte 1993.
Tabelle 10.4: Übersicht über die Landsat-Missionen 1 – 7

Landsat 1 Landsat 2 Landsat 3 Landsat 4 Landsat 5 Landsat 7
Start 1972 1975 1978 1982 1984 1999

Außerdienststellung 1978 1983 1983 1993 2013
Flughöhe (km) 907 908 915 705 705 705
Bahn sonnen- sonnen- sonnen- sonnen- sonnen- sonnen-
synchron synchron synchron synchron synchron synchron
Inklination 99,9° 99,2° 99,1° 98,2° 98,2° 98,2°
Umlaufrate 103 min. 103 min. 103 min. 99 min. 99 min. 99 min.
Breite der Bodenspur 185 km 185 km 185 km 185 km 185 km 185 km
Repetitionsrate 18 Tage 18 Tage 18 Tage 16 Tage 16 Tage 16 Tage
Äquatorüberquerung 09:30 09:30 09:30 09:30 09:30 10:00
(absteigender Pfad)
Scanner RBV RBV RBV
MSS MSS MSS MSS MSS
TM TM ETM+
RBV Multispectral Return Beam Vidicon,
MSS Multispectral Scanner mit thermischem Kanal
TM Thematic Mapper
ETM+ Enhanced Thematic Mapper Plus
Die Spektralbereiche, die der RBV-Sensor auf Landsat 1 und 2 erfasste, wurden als
die Kanäle 1 bis 3 bezeichnet. Die Kanäle des Multispectral Scanner (MSS) wurden
in der ersten Generation von Landsat dann weiter beginnend mit 4 fortnummeriert.
Der TM-Kanal 7 ist nicht in der Reihenfolge, da er als Letzter hinzugenommen
wurde, nachdem die anderen sechs Kanäle bereits festlagen.
Nach dem Fehlschlag von Landsat 6 startete im April 1999 Landsat 7. Seine
Bahndaten entsprechen denen von Landsat 4 und 5. Das ETM-Instrument erfuhr
weitere Verbesserungen und Ergänzungen und wurde in Enhanced Thematic Map-
per Plus (ETM+) umbenannt. So sind ein panchromatischer Kanal mit einer räum-
lichen Auflösung von 15 m installiert und die räumliche Auflösung des Thermalka-
nals auf 60 m gesteigert worden. Eine weitere wichtige Verbesserung betrifft die
radiometrische Kalibrierung der Instrumente (direkt) an Bord des Satelliten. Diese
Maßnahmen erlauben im Rahmen der verschiedenen Levels der Systemkorrektur
eine radiometrische Korrektur mit einer absoluten Genauigkeit von 5 %.
Am 31.3.2003 ist das Scan-Line-Correction-(SLC)-Instrument ausgefallen, so
dass keine Kompensation der Vorwärtsbewegung des Satelliten mehr möglich ist.
Das SLC-Instrument erreicht, dass die quer zur Fluglinie des Satelliten aufgenom-
menen Zeilen (vgl. Abb. 10.10) sich aneinander anschließen und parallel zueinander
sind. Die Daten von Landsat 7 weisen Datenlücken auf (22 % fehlende Pixel). Der
United States Geological Survey stellt Informationen und Werkzeuge zur Verfü-
gung, die die Datenaufbereitung von Landsat 7 betreffen (vgl. USGS 2019f, aus-
führlich Mather u. Koch 2011 S. 89 ff., zu den Missionen insgesamt vgl. USGS
2019g).
Tabelle 10.5: Eigenschaften der Landsat-Instrumente

Instrument (Plattform) Geometrische Spektrale Radiometrische
Auflösung Auflösung Auflösung
Return Beam Vidicon RBV 80 m 1. 0,48–0,58 µm Grün

(Landsat 1, 2 und 3) 2. 0,58–0,68 µm Rot
3. 0,68–0,78 µm NIR
Multispectral Scanner MSS 79 m 1. 0,5 –0,6 µm Grün 6 Bit
(Landsat 1 bis 5) 2. 0,6 –0,7 µm Rot
3. 0,7 –0,8 µm NIR
4. 0,8 –1,1 µm NIR
Thematic Mapper TM 30 m 1. 0,45–0,52 µm Blau 8 Bit
Landsat 4 und 5 2. 0,52–0,60 µm Grün
3. 0,63–0,69 µm Rot
4. 0,76–0,90 µm NIR
5. 1,55–1,75 µm SWIR1
7. 2,08–2,35 µm SWIR2
120 m 6. 10,4–12,5 µm THIR
Enhanced Thematic Mapper Plus 30 m 1. 0,45–0,52 µm Blau 8 Bit
(ETM+) 2. 0,52–0,60 µm Grün
3. 0,63–0,69 µm Rot
4. 0,77–0,90 µm NIR
5. 1,55–1,75 µm SWIR1
7. 2,08–2,35 µm SWIR2
60 m 6. 10,4–12,5 µm THIR
15 m 0,52–0,90 µm PAN
10.4.6.3 Landsat 8 und 9
Mit der Landsat Data Continuity Mission (LDCM) wird unter einem neuen Namen
die 40-jährige Geschichte der Landsat-Missionen fortgesetzt. Die LDCM soll die
fortgesetzte Erfassung und Verfügbarkeit von Landsat-ähnlichen Daten jenseits der
Dauer der Landsat-5- und Landsat-7-Missionen sichern. Der Start der Landsat Data
Continuity Mission (d.h. in der fortgesetzten Zählung: Landsat 8) erfolgte am 11.
Februar 2013. Neu empfangene Daten von Landsat 7 ETM+ und Landsat 8
OLI/TIRS werden innerhalb von 12 Stunden zum Download angeboten. Alle
Szenen werden als Level-1-Produkte prozessiert. Als Zielsetzung wurde 2012 for-
muliert: „The mission objectives of the LDCM are to (1) collect and archive me-
dium resolution (30-meter spatial resolution) multispectral image data affording
seasonal coverage of the global landmasses for a period of no less than 5 years; (2)
ensure that LDCM data are sufficiently consistent with data from the earlier Landsat
missions in terms of acquisition geometry, calibration, coverage characteristics,

spectral characteristics, output product quality, and data availability to permit stud-
ies of land-cover and land-use change over time; and (3) distribute LDCM data
products to the general public on a nondiscriminatory basis at no cost to the user.”
(USGS 2012 S. 1).
Die Landsat Data Continuity Mission trägt zwei Pushbroom-Scanner, den Oper-
ational Land Imager (OLI) und den Thermal Infrared Sensor (TIRS). Der OLI sam-
melt Daten in neun kurzwelligen Spektralbereichen (vgl. Tab. 10.6). Verbesserte
(historische) Kanäle und die Hinzunahme eines neuen ersten Kanals zur Detektion
von Küstenlinien und Aerosolen wie ein neuer sog. Cirrus-Kanal liefern Daten mit
verbesserter radiometrischer Leistung bei 30 m Bodenauflösung im multispektralen
Bereich bzw. 15 m für panchromatische Aufnahmen. Der TIRS erfasst Daten in
zwei langwelligen Thermalkanälen mit einer Bodenauflösung von mindestens 100
m, die auf eine Auflösung von 30 m gebracht werden (sog. resampling), um zu den
Daten des OLI-Sensors zu passen.
Tabelle 10.6: Anwendungsgebiete der Kanäle der Sensoren OLI und TIRS von Landsat 8 (nach
USGS Geological Survey 2019j)
Ka- µm Einsatz
nal
1 0,43–0,45 coastal/ 30 m intensivierte Beobachtungen von Küstenzonen
aerosol
2 0,45–0,51 blue 30 m wie Kanal 1 TM/ETM+
3 0,53–0,59 green 30 m wie Kanal 2 TM/ETM+
4 0,64–0,67 red 30 m wie Kanal 3 TM/ETM+
5 0,85–0,88 near IR 30 m ähnlich zu Kanal 4 TM/ETM+
6 1,57–1,65 SWIR1 30 m ähnlich zu Kanal 5 TM/ETM+, nützlich zum Er-
kennen von Pflanzenstress durch Dürre, zur Ab-
grenzung von Brandrodungsflächen und durch
Feuer betroffene Vegetation sowie zum Erkennen
von Feuer
7 2,11–2,29 SWIR2 30 m wie Kanal 6
8 0,50–0,68 pan 15 m nützlich zur Schärfung von Multispektralbildern
9 1,36–1,38 cirrus 30 m nützlich zur besseren Erfassung von Cirruswolken
10 10,38–11,19 TIRS1 100 m zu nutzen für die Thermalkartierung
11 11,5–12,51 TIRS2 100 m wie Kanal 10
Landsat 9 wird die Erdbeobachtung durch Landsat über ein halbes Jahrhundert ver-
längern. Geplant ist die Fertigstellung von Raumsonde und Instrumenten im De-
zember 2020. Nach dem Start soll Landsat 9 in die Umlaufbahn von Landsat 7 ein-
schwenken. Der ältere Satellit soll bereits im Mai 2020 außer Dienst gestellt wer-
den. Landsat 9 wird jeden Punkt der Erde alle 16 Tage mit einem achttätigen Offset
gegenüber Landsat 8 überfliegen. Die Instrumente von Landsat 9 (Operational Land
Imager 2 (OLI-2) und Thermal Infrared Sensor 2 (TIRS-2)) sind Weiterentwicklun-
gen der Instrumente an Bord von Landsat 8 (vgl. USGS 2019k).
10.4.6.4 Datenaufbereitung
Die standardmäßige Datenaufbereitung der Landsat-Satellitendaten erfolgt in drei

Ausführungen (neben dem Rohformat): Level L1GS (Systematic Correction), Level
L1GT (Systematic Terrain Correction) und L1TP (Standard Terrain Correction).
Die Daten sind radiometrisch korrigiert. Die Aufbereitungsstufen unterscheiden
sich hinsichtlich der geometrischen Korrektur. Die Produkte L1TP und L1GT be-
rücksichtigen ein digitales Höhenmodell für die topografische Genauigkeit, L1TP
verwendet Bodenkontrollpunkte für zusätzliche geometrische Genauigkeit (vgl.
USGS 2019h u. USGS 2019i).
Die Bedeutung der radiometrischen Kalibrierung von Satellitendaten nimmt in
dem Maße zu, in dem Daten verschiedener Sensoren miteinander kombiniert
werden sollen wie z.B. innerhalb des Earth Observing System (EOS), das einen
Verbund aus mehreren Satellitensystemen mit polarer Umlaufbahn und geringer
Neigung für langfristige globale Beobachtungen der Landoberfläche, der
Biosphäre, der festen Erde, der Atmosphäre und der Ozeane darstellt und in dem
Zeitreihenbilder zur Analyse von Veränderungen benutzt werden (vgl. NASA
2019e).
10.4.7 SPOT und Pléiades
Die Satellitensysteme SPOT (Système Probatoire d´ Observation de la Terre, auch

bezeichnet als Satellite Pour lÓbservation de la Terre), die u.a. von der französi-
schen Weltraumagentur CNES entwickelt wurden, setzen seit Beginn opto-elektro-
nische Scanner (vgl. Abb. 10.10) ein. Aufgrund der hohen Bodenauflösung war die-
ses System dem älteren Landsat-System überlegen. SPOT 4 besaß z.B. für panchro-
matische Aufnahmen ein Array von 6.000 Detektoren pro Linie, so dass bei einer
Aufnahmebreite von 60 km im Nadir sich eine Bodenauflösung von 10 m ergab.
Die Sensoren von SPOT 1 bis 3 verfügten über einen multispektralen und einen
panchromatischen Aufnahmemodus. Die beiden HRVIR-(High Resolution Visible
and Infrared)Instrumente von SPOT 4, die jeweils auch einen Kanal für das mittlere
Infrarot besaßen, konnten vollkommen unabhängig voneinander betrieben werden,
so dass z.B. mit dem einen Instrument im Nadir aufgezeichnet wurde, während das
andere Instrument seine Möglichkeit zur Seitwärtsneigung nutzte, um auf aktuelle
Nutzeranfragen zu reagieren oder einen Teil einer Stereoszene aufzunehmen. Au-
ßerdem war auf SPOT 4 und 5 der Vegetationssensor VGT zur großräumigen Er-
fassung der Vegetation im Einsatz. Inzwischen haben die Systeme SPOT 1 bis 4
ihren Dienst eingestellt. Im SPOT-Archiv sind die Daten weiterhin verfügbar (vgl.
Airbus (2019a).
Die Verbesserungen für SPOT 5 betrafen hauptsächlich die geometrische Auflö-
sung. Ein zusätzlicher „Very High Resolution“-Modus war durch ein neues rechne-
risches Verfahren in der Lage, eine geometrische Auflösung bis 2,5 m zu erreichen.
Das „High Geometric Resolution Imaging Instrument (HRG)“ war zweifach vor-
handen. Ferner waren ein zum „Vegetation“-Instrument auf SPOT 4 baugleiches
„Vegetation 2“-Instrument (VGT) und das „High Resolution Stereoscopic Imaging
Instrument (HRS)“ an Bord, welches gleichzeitig mit den anderen Instrumenten be-
trieben wurde und panchromatische Stereobildpaare mit einer geometrischen Auf-
lösung von 10 m aufzeichnete (zu technischen Daten von SPOT 1 – 5 vgl. Airbus
2019b).
Das Sensorsystem von SPOT bietet aufgrund des schwenkbaren Umlenkspiegels
Vorteile (vgl. Abb. 10.13). So ist eine Aufnahme von Bildstreifen parallel und auch
seitwärts zur Flugrichtung möglich, wodurch auch die Aufnahme von Stereobildern
möglich ist. Während bei senkrechter Aufnahmerichtung das gleiche Gebiet erst in
26 Tagen erneut erfasst wird, kann bei seitwärts gerichteten Aufnahmen in Flug-
richtung die gleiche Szene wesentlich häufiger gescannt werden.
SPOT 6 bzw. SPOT 7 wurden 2012 bzw. 2014 gestartet (zu technischen Daten
vgl. Airbus 2019c). Durch eine große Streifenbreite, die der seiner Vorgänger-Sa-
telliten entspricht, eignet sich SPOT 6 zur Erfassung großflächiger Gebiete. Die hö-
here Auflösung von 1,5 m – im Vergleich zu 2,5 m bei SPOT 5 – ermöglicht die
Erkennung noch genauerer Details (mit dem New AstroSat Optical Modular Instru-
ment, NAOMI). SPOT 6 befindet sich in einer polarnahen, sonnensynchronen Bahn
in 694 km Höhe mit einer Umlaufperiodizität von 99 Minuten. Innerhalb gewisser
Grenzen sind die Aufnahmestreifen frei wählbar. Ein Sensor besitzt jeweils einen
Blickwinkel, der bis 30° (bzw. erweitert bis 45°) in Längsrichtung veränderbar ist.
Die Neuerfassungskapazität beträgt einen Tag bei gleichzeitigem Einsatz von SPOT
6 und SPOT 7 und zwischen einem und drei Tagen bei Einsatz von nur einem Sa-
telliten (je nach Längengrad des Interessengebietes). Die Sensoren können schnell
in alle Richtungen ausgerichtet werden, um verschiedene Interessengebiete bei ei-
nem Überflug erfassen zu können (30° in 14 Sekunden einschließlich Stabilisie-
rungszeit).
Abb. 10.13: Aufnahmemodi von SPOT 6/7 (vgl. Spot Image 2019b)
Mit Pléiades-HR ist eine hochauflösende optische Bildgebungskonstellation im Or-

bit, die das SPOT-Programm erweitert. Pléiades-HR 1A bzw. Pléiades-HR 1B wur-
den 2011 bzw. 2012 gestartet. Während SPOT 6 und SPOT 7 mit einer Wiederhol-
rate von einem Tag weite Gebiete großflächig abtasten, sind Pléiades 1A und Pléi-
ades 1B in der Lage, kleinere Ausschnitte mit höherer Bodenauflösung aufzuneh-
men. SPOT 6 und SPOT 7 operieren auf der gleichen Umlaufbahn wie Pléiades 1A
und Pléiades 1B und bilden eine um 90° versetze 4-Satelliten-Konstellation (vgl.
EOS 2019a). Pléiades liefert panchromatische Bilder mit 50-Zentimeterauflösung

und Vierkanal-Multispektralbilder mit 2-Meterauflösung (vier Multispektralkanäle,
fünf Kanäle für das nahe Infrarot, einen Panchromatischer Kanal, vgl. EOS 2019b).
Als Nachfolger sind ab 2020 vier Pléiades-Neo-Satelliten geplant, die in 620 km
Höhe die Erde in einem sonnensynchronen Orbit umkreisen sollen, um einen Über-
flug zweimal täglich an jedem Ort der Erde mit einer Auflösung von 30 cm (pan-
chromatisch) zu ermöglichen (vgl. Airbus 2019d zum Gesamtsystem vgl. Airbus
2019e).
10.4.8 ASTER auf Terra
Der Erdbeobachtungssatellit Terra (auch EOS-1 oder EOS-AM1 genannt) stellt das
Flaggschiff des 1999 gestarteten Earth Observing System (EOS) dar und bewegt
sich auf einer polaren, sonnensynchronen Erdumlaufbahn. „Terra explores the con-
nections between Earth’s atmosphere, land, snow and ice, ocean, and energy bal-
ance, to understand Earth’s climate and climate change and to map the impact of
human activity and natural disasters on communities and ecosystems“ (vgl. NASA
2019f). Terra ist eine internationale Mission und trägt fünf Systeme:
- CERES (Clouds and the Earth‘s Radiant Energy System, USA), Untersuchung
von Wärmeflüssen von und zur Erde (2 Instrumente),
- MISR (Multi-angle Imaging Spectro-Radiometer, USA), Untersuchung der
Streuung von Sonnenlicht, Wolken, Aerosolen und Vegetation (9 Kameras mit
unterschiedlicher Blickrichtung und mit je 4 Kanälen)
- MODIS (MODerate resolution Imaging Spectroradiometer, USA), Untersuchung
großräumiger Änderungen der Biosphäre (36 Kanäle)
- MOPITT (Measurements of Pollution in the Troposphere, Kanada), Untersu-
chung der Konzentration von Methan und Kohlenstoffmonoxid in der Troposhäre
(3 Kanäle)
- ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer,
Japan), Untersuchung der Erde zur Erstellung von detaillierten Karten u.a. zur
Landbedeckung und Oberflächentemperatur (3 unabhängige Sensoren mit 14 Ka-
nälen).
Die Kanäle 1 bis 3 von ASTER weisen hohe Ähnlichkeit zu den Kanälen 2 bis 4
des Thematic Mapper auf. Der Sensor ergänzt u.a. aufgrund der höheren Auflösung
bzw. ersetzt Landsat und sichert eine gewisse Kontinuität in Zeiten, in denen Land-
sat-Instrumente lückenhafte Daten liefern (Landsat 7 seit 2003). Der Kanal 3 ist
zweifach vorhanden. Er tastet im Nadir und rückwärtsgerichtet, so dass eine stere-
oskopische Auswertung und eine Erstellung kostengünstiger Höhenmodelle mög-
lich sind (zu den Eigenschaften von ASTER vgl. NASA 2019g).
10.4.9 Copernicus und Sentinel
Copernicus (ehemals Global Monitoring for Environment and Security-Pro-

gramme, GMES) ist ein jüngeres umfassendes Erdbeobachtungsprogramm, das von
der Europäischen Weltraumorganisation (ESA) koordiniert wird. Das Programm
zielt darauf ab, genaue, zeitnahe und leicht zugängliche Informationen zu liefern,
um das Umweltmanagement zu verbessern, die Auswirkungen des Klimawandels
zu verstehen und abzuschwächen und die zivile Sicherheit zu gewährleisten (vgl.
ESA 2019b). Die ESA entwickelt mit Sentinel 1 bis 6 eine neue Satellitenfamilie,
die speziell auf die operativen Anforderungen des Copernicus-Programms zuge-
schnitten ist und die jeweils aus zwei Satelliten besteht. Derzeit befinden sich drei
vollständige Zwei-Satelliten-Konstellationen in der Umlaufbahn sowie ein zusätz-
licher Einzelsatellit, der mit Sentinel-5P bezeichnet wurde.
Die Sentinel-2-Mission basiert auf einer Konstellation von zwei identischen Satel-
liten in derselben Umlaufbahn, die 180 ° voneinander entfernt sind, um eine opti-
male Abdeckung und Datenübertragung zu gewährleisten. Zusammen bedecken sie
alle fünf Tage (vgl. ESA 2019c)
- alle kontinentalen Landoberflächen (einschließlich Binnengewässer) zwischen
56 ° Süd und 84 ° Nord,
- alle bis zu 20 km vom Ufer entfernten Küstengewässer,
- alle Inseln größer als 100 km2,
- alle EU-Inseln,
- das Mittelmeer und alle Binnenmeere wie z.B. das Kaspische Meer.
Sentinel-1A (Start 2014) und Sentinel-1B (Start 2016) kennzeichnen eine polar um-
laufende Allwetter-Radar-Bildgebungsmission für Land- und Seedienste. Sentinel-
1 setzt die SAR-Erdbeobachtung (Synthetic Aperture Radar, vgl. Kap. 10.4.4) im
C-Band der ESA-Programme ERS-1, ERS-2 und ENVISAT sowie der kanadischen
Programme RADARSAT-1 und RADARSAT-2 fort (vgl. ESA 2019d).
Sentinel-2A (Start 2015) und Sentinel-2B (Start 2017) sind zwei optische Erdbe-
obachtungssatelliten in einer sonnensynchronen Erdumlaufbahn. Sie verfügen über
einen hochauflösenden Sensor (Multispectral imager MSI), der 13 Kanäle vom
sichtbaren Blau ȝP ELV]XPNXU]ZHOOLJHQ,QIUDURW ȝP HUIDVVWPLWHLQHU
Auflösung von 10 m (VIS) und 20 m (SWIR). Drei Spektralkanäle sind für eine
Atmosphärenkorrektur von Wolken-, Wasserdampf- und Aerosoleinfluss ausgelegt
und liefern Daten mit 60 m Bodenauflösung.
Sentinel-2 setzt mit nur 290 m Bodenspurbreite und häufigeren Wiederholzeiten
die französischen SPOT- und US-amerikanischen Landsat-Missionen mit großen
Verbesserungen fort. Die Mission liefert Datengrundlagen für die Landwirtschaft
(Landnutzung und -bedeckung, Ernteprognosen, Wasser- und Düngerbedarf), die
Forstwirtschaft (Bestandsdichte, Gesundheitszustand, Waldbrände), die Überwa-
chung von Gewässern, die Raumplanung und das Katastrophenmanagement. Zeit-
nahe Aufnahmen von Überschwemmungen, Vulkanausbrüchen und Erdrutschen
tragen zur Erstellung von aktuellen Karten bei Naturkatastrophen bei (vgl. ESA
2019e).
Sentinel-3A (Start 2016) und Sentinel-3B (Start 2018) ergänzen die Sentinel-2-
Mission. Einerseits werden die Temperatur, Farbe und Höhe der Meeresoberfläche
sowie die Dicke des Meereises erfasst (u.a. Beobachtung der Meeresspiegelschwan-
kungen, der Meeresverschmutzung und der biologischen Produktivität), anderer-
seits können detaillierte Informationen bereitgestellt werden bei der Überwachung
von Waldbränden, zur Kartierung der Landnutzung, zur Erstellung von Vegetation-
sindizes oder zur Messung der Höhe von Flüssen und Seen (vgl. ESA 2019f).
Die Sentinel-4- und Sentinel-5-Missionen haben zum Ziel, die Zusammenset-
zung der Atmosphäre zu überwachen. Die Sentinel-4-Mission soll auf den geosta-
tionären Satelliten der dritten Generation von Meteosat durchgeführt werden (u.a.
mit einem UVN-Ultraviolet-Visible-Near-Infrared-Spektrometer, erwarteter Start
2021) Die Sentinel-5-Mission soll auf dem polar umlaufenden Satelliten MetOp der
zweiten Generation durchgeführt werden (u.a. mit einem UVNS-Ultraviolet-
Visible-Near-Infrared-Shortwave-Spektrometer, vgl. ESA 2019g).
Sentinel-6 soll über einen Radarhöhenmesser zur Messung der globalen Meeres-
höhe verfügen und hauptsächlich der Ozeanographie und für Klimastudien dienen
(vgl. ESA 2019h).
Mit Sentinel-5 Precursor (Sentinel-5P) besteht die erste Copernicus-Mission, die
sich der Überwachung der Atmosphäre widmet (Start 2018). Der Satellit ist mit dem
Tropomi-Spektrometer ausgestattet, mit dem eine Vielzahl von Spurengasen wie
Stickstoffdioxid, Ozon, Formaldehyd, Schwefeldioxid, Methan, Kohlenmonoxid
und Aerosole erfasst werden können. Sentinel-5P wurde entwickelt, um die Daten-
lücken zwischen dem Envisat-Satelliten und dem Start von Sentinel-5 zu verringern
(vgl. ESA 2019i).
10.4.10 Jüngere kommerzielle hochauflösende Sensoren
Die Satellitenfernerkundung war bisher vor allem dadurch gekennzeichnet, dass

nach den militärischen Auftraggebern staatlich finanzierte (Forschungs-)Satelliten
zum Einsatz kamen. Derzeit sind demgegenüber mehrere privat finanzierte, d.h.
kommerziell ausgerichtete Missionen geplant bzw. aktiv, die für zivile Anwendun-
gen hohe räumliche Auflösungen liefern (zu einem Überblick verschiedener Platt-
formen und Sensoren der Fernerkundung, der u.a. auch Flugzeug- und UAV-
Plattformen einschließt, vgl. Toth u. Jutzi 2017). Beim Einsatz kommerzieller Sys-
teme ergibt sich aber die Frage, ob auch der Nutzer von dieser Entwicklung und der
neuen Breite der Anbieter angemessen profitiert. So haben bisher die Raumfahrt-
agenturen, die von staatlichen Organisationen finanziert wurden, zu wenig die Nut-
zerwünsche berücksichtigt. Insbesondere wurde die Datenveredlung zu gering un-
terstützt. Möglich ist, dass die privaten und kommerziellen Nutzer mehr Einfluss
auf die Entwicklung von Satellitensystemen nehmen wollen (und jetzt wohl auch
können), was durch die bisherige Orientierung auf Forschungsinstitutionen nicht im
Vordergrund stand. Somit sind von einer stärkeren kommerziellen Orientierung
neue Impulse zu erwarten.
Im Gegensatz zu den „klassischen“ Satellitensystemen wie z.B. Landsat können

die neuen hochauflösenden Satellitensysteme die Erdoberfläche nicht mehr flächen-
deckend abtasten (hier: geometrisch hochauflösend). Die geringe Größe einer Szene
bei hoher Auflösung verursacht große Datenmengen, so dass Aufnahmen „auf Vor-
rat“ nicht mehr möglich sind. Ein Nutzer muss die Aufnahme eines zu erfassenden
Gebietes vorher bestellen. Dies bedeutet, dass ein Rückgriff auf Szenen der Ver-
gangenheit nur noch in seltenen Fällen möglich ist.
Die älteren Missionen Early Bird 1, OrbView 2, OrbView, Ikonos und Quickbird
sind inzwischen beendet. WorldView-4 (Start 2016) liefert keine brauchbaren Bil-
der mehr (zu Datenblättern von WorldView-1 bis 4, GeoEye-1, Ikonos und Quick-
bird Data Sheets vgl. European Space Imaging 2019). Das Erdbeobachtungssystem
RapidEye umfasst fünf Satelliten, die mit optischen Kameras ausgestattet sind (Start
2008). Innerhalb eines Tages kann das System auf jeden Punkt der Erde ausgerichtet
werden (vgl. DLR 2019d).
Während z.B. die Landsat- oder Copernicusmissionen auf einzelnen, großen Sa-
telliten basieren, betreibt das US-amerikanische Unternehmen Planet Labs. eine
Vielzahl von größtenteils Kleinsatelliten:
Die PlanetScope-Satellitenkonstellation (sog. flock) besteht aus mehreren Starts
von Gruppen einzelner Satelliten (DOVEs). Jeder DOVE-Satellite ist ein Kleinsa-
tellit im Standardformat CubeSat 3U (10 cm x 10 cm x 30 cm). Die gesamte Pla-
netScope-Konstellation von mehr als 150 aktiven sonnensynchronen Satelliten (vier
Kanäle: Blau, Grün, Rot und nahes Infrarot bei 3 m Bodenauflösung und 12 Bit
radiometrische Auflösung) kann täglich die gesamte Landoberfläche der Erde ab-
bilden. Radiometrisch korrigierte Bilder sollen spätestens 48 Stunden nach ihrer
Aufnahme verfügbar sein (vgl. ESA 2019j u. Planet 2019a).
Die SkySat-Flotte, die derzeit aus 13 Satelliten (fünf Kanäle: Blau, Grün, Rot,
nahes Infrarot und Pan 8 Bit radiometrische Auflösung) besteht, kann jeden Punkt
der Erde mit einer Bodenauflösung von 72 cm zweimal täglich besuchen. Daneben
bietet SkySat eine einzigartige Erfassungsoption, hochaufgelöste Zeitraffer- und
Echtzeitvideos zu erstellen (vgl. Planet 2019b).
Einen kooperativen Ansatz verfolgt das Unternehmen UrtheCast, das ein welt-
raumgestütztes System zur Erfassung, Verarbeitung und Verwaltung von Geodaten
(Big Data Collection) anbietet (vgl. UrtheCast 2019). Es betreibt einerseits mit Dei-
mos 1 und 2 sowie Theia und Iris eigene Satelliten und andererseits mit UrtheDaily
eine Plattform, um qualitativ hochwertige, multispektrale Bilder mit einer hohen
Bodenauflösung bei täglicher Aufnahme (virtuelle Konstellation von mehr als 35
Satelliten strategischer Partnern) zur Verfügung zu stellen (vgl. Deimosimaging
2019).
10.5 Digitale Bilder
10.5.1 Aufnahme digitaler Bilder in der Fernerkundung
Durch die Sensorsysteme wird die Erdoberfläche in Flugrichtung zeilenförmig ab-

getastet, wobei jede Zeile in mehrere Rasterzellen aufgelöst wird. Die reflektierte
Strahlung als gemessene Strahldichte L am Sensor wird durch Analog-Digital-
Wandlung in einer bestimmten radiometrischen Auflösung (vgl. Kap. 10.4.1) als
sog. Grauwert (DN für engl. digital numbers) kodiert. Die Sensorsysteme liefern
somit für jeden Aufnahmekanal Zahlenmatrizen (Rasterdaten), deren Werte die In-
tensität der Reflexion oder der Strahlungsemission innerhalb eines bestimmten
Spektralbereiches (Kanal) repräsentieren (vgl. Abb. 10.14). Diese Werte liegen in
keiner Maßeinheit vor und sind von der Kalibrierung des Sensorsystems abhängig
(vgl. Kap. 10.6.1.1). Ein höherer Zahlenwert bedeutet eine höhere Einstrahlungsin-
tensität am Aufnahmesystem, d.h. höhere Reflexion bzw. Emission am Boden und
dann analog zur Belichtung eines Filmes einen höheren Helligkeitswert.
c,r = 0, 0 x,y = 270, 300

y
row (r) Zuordnung zu Grauwerten
Pixelgröße 30 x 30 0 Schwarz
1 ...
2 ...
Pixelmittelpunkt ... ...
255 Weiß
c,r = 8,9
x,y = 0,0 x
column (c)
Abb. 10.14: Aufbau und Inhalt einer Bildmatrix und Kodierung mit 8-Bit-Grauwerten
Der mögliche Bereich für die Werte einer Zahlenmatrix hängt vom Aufnahmesys-
tem sowie von der Fragestellung und der darzustellenden Thematik ab. In der Fer-
nerkundung werden für die Darstellung eines Pixels 6- bis 12-Bit-Datentypen ein-
gesetzt. Ein Kanal einer Szene des Landsat 8 OLI-Instruments hat z.B. eine radio-
metrische Auflösung bzw. Signalquantität (vgl. Kap.10.4.1) von 12 Bit, so dass zur
Speicherung der Einstrahlungsintensität am Aufnahmesystem für jeden Kanal und
für jedes Pixel 212 = 4096 Werte zur Verfügung stehen (Landsat 5 und 7 nur 28 =
256 Werte, 1 Byte). Bei einer Bildgröße von 6167 Zeilen und 5667 Spalten, die
einer vollen Landsat-Szene entspricht (185 km × 170 km, 30 m Auflösung), benö-
tigt dann ein Kanal von Landsat 8 ca. 50 MByte an Speicherplatz.
Digitale Bilder 463
10.5.2 Visualisierung digitaler Bilder in der Fernerkundung
In der Fernerkundung werden durch digitale Aufnahmesysteme keine „Bilder“ wie

in der analogen Photographie mit Kameras auf Film aufgenommen. Stattdessen
werden durch die Scannersysteme für jeden Aufnahmekanal getrennte Zahlenmat-
rizen erfasst (vgl. Kap. 10.5.1). Erst bei der Wiedergabe dieser Zahlenwerte über
ein Ausgabegerät entstehen Bilder. So wird bei der Umsetzung der Zahlenwerte nur
eines einzelnen Kanals ein Graustufenbild erzeugt, bei dem bei einer 8-Bit-Farbtiefe
der Wert 0 der Farbe Schwarz, der Wert 255 der Farbe Weiß zugeordnet wird und
die zwischenliegenden Werte entsprechend abgestufte Grautöne erhalten (vgl. Abb.
10.14). Hieraus leitet sich auch der Begriff Grauwerte für die Zahlenwerte eines
Kanals ab. Das entstehende Bild ist allerdings nicht mit einem Schwarz-Weiß-Bild
in der Photographie vergleichbar.
Farbbilder am Monitor bzw. auf einem Drucker entstehen durch additive bzw.
subtraktive Farbmischung von drei Grundfarben (vgl. Kap. 2.5.7 u. 7.7.4). Entspre-
chend können multispektrale Daten umgesetzt werden, indem die erfassten Spekt-
ralbereiche, d.h. die Grauwerte eines Kanals, jeweils einer Grundfarbe eines Moni-
tors bzw. eines Druckers zugeordnet werden, wobei aber nur Kombinationen von
drei Aufnahmekanälen bzw. Ausgabefarben möglich sind. Beim Aufnahmesystem
Thematic Mapper des Landsat 5 kann durch Zuordnung von Kanal 1 (sichtbares
Blau) zur Monitorfarbe Blau, von Kanal 2 (sichtbares Grün) zur Monitorfarbe Grün
und von Kanal 3 (sichtbares Rot) zur Monitorfarbe Rot ein angenähertes „Echtfar-
benbild“ erzeugt werden. Darüber hinaus sind andere Kanalkombinationen üblich,
so dass die besonderen Eigenschaften der erfassten Objekte sichtbar werden, die
sich in der Reflexion in unterschiedlichen Spektralbereichen widerspiegeln. Die für
das menschliche Auge nicht sichtbaren Spektralbereiche werden somit durch sog.
Falschfarben dargestellt. Falls beim Thematic Mapper die Zuordnung von Kanal 2
(sichtbares Grün) zur Monitorfarbe Blau, von Kanal 3 (sichtbares Rot) zur Moni-
torfarbe Grün und von Kanal 4 (nahes Infrarot) zur Monitorfarbe Rot gewählt wird,
entsteht die übliche Falschfarben-Infrarot-Darstellung.
Das Farbbild am Monitor ist somit nicht mit einer Farbphotographie zu verwech-
seln. So wird stattdessen hier der Begriff Farbkomposit benutzt. Zu beachten ist
insbesondere, dass jede Farbe Träger einer besonderen Information ist. So präsen-
tiert die Intensität einer Farbe die Einstrahlungsintensität eines Ausschnitts aus dem
elektromagnetischen Spektrum am Sensor. Die Farbe Rot kann dann z.B. die am
Sensor eintreffende Intensität des nicht sichtbaren Infrarots visualisieren.
10.5.3 Bezug von Fernerkundungsdaten
Fernerkundungsdaten sind über vielfältige Bezugsquellen zu erhalten. Bedeutende

Lieferanten waren bislang zumeist nationale Behörden wie z.B. die National Aero-
nautics and Space Administration (NASA) oder supranationale Behörden wie z.B.
die European Space Ageny (ESA) oder Großforschungseinrichtungen wie das
Deutsche Zentrum für Luft- und Raumfahrt (DLR). Ferner bestehen inzwischen
viele private Missionen und Anbieter. Herauszustellen ist, dass neben kommerziel-
len Datenangeboten vermehrt Fernerkundungsdaten frei verfügbar sind. Lieferanten
für die wohl am häufigsten genutzten Sensordaten der Landsat- und Sentinel-Mis-
sionen sind:
Das USGS Earth Resources Observation and Science Center (EROS), die Haupt-
quelle für Landsat-Satellitenbilder und -Datenprodukte, bietet riesige Datenmengen
an (vgl. USGS 2019m). Letztlich sind es von einer US-Bundesbehörde erstellte Da-
ten, sie sind daher Public Domain und dürfen ohne Copyright-Einschränkung ver-
wendet, übertragen und reproduziert werden.
Auf der Grundlage von Erdbeobachtungs- und Informationstechnologien wird
durch das Europäische Erdbeobachtungsprogramm Copernicus mit den Sentinel-
Satelliten ein unabhängiges europäisches Beobachtungssystem geschaffen (vgl.
Kap. 10.4.7). Die Daten stehen offen und frei jedermann zur Verfügung (vgl. Co-
pernicus 2019a).
Das Earth Observation Center des Deutschen Zentrums für Luft- und Raumfahrt
weist auf seiner Homepage umfangreiche Bezugsquellen nach (vgl. DLR 2019e):
- Links zu DFD-Datenservices (u.a. zu EOWEB, der Schnittstelle zum Deutschen
Satellitendatenarchiv des DFD),
- Links zu den Daten wichtiger Erdbeobachtungsmissionen, an denen das DLR be-
teiligt ist (u.a. TerraSAR-X, TanDEM-X, EnMap, SRTM und Envisat, der euro-
päische Umweltsatellit),
- Links zu den Archiven kommerzieller Satellitenbetreiber (wie z.B. Astrium
Geoservice, EUMETSAT),
- Links zu kostenfreien Daten, die von Raumfahrtorganisationen, Behörden und
Universitäten angeboten werden (wie NASA, ESA (Copernicus-Daten und Pro-
dukte), USGS oder Global Land Cover Facility der Universität Maryland).
Die Datenlieferanten liefern häufig nicht mehr nur die Rohdaten, sondern vorverar-
beitete Daten. Zumeist erfolgt bereits eine Korrektur systematischer Verzerrungen
der Aufnahmen. Darüber hinaus können die Daten schon auf weiteren Verarbei-
tungsstufen bezogen werden, die z.B. eine Georeferenzierung in ein gewünschtes
Koordinatensystem enthalten. Insbesondere besteht ein Trend zu weitgehend vor-
verarbeiteten Daten (sog. value added products), der vor allem durch die neuen
kommerziellen Systeme und Anbieter vorangetrieben wird, so dass die Daten vom
Anwender direkt zu nutzen sind (Schlagwort „GIS-ready“): Die Daten werden be-
reits hochgenau auf Basis eines digitalen Höhenmodells auf eine gewünschte Kar-
tenprojektion orthorektifiziert (vgl. Kap. 10.6.1.2) und können direkt als Daten-
ebene in ein Geoinformationssystem integriert werden.
Digitale Bildbearbeitung 465
10.6 Digitale Bildbearbeitung
10.6.1 Bildvorbearbeitung
Die vom Datenlieferanten gelieferten Rohdaten oder systemkorrigierten Daten sind

zumeist für eine Analyse und Auswertung noch nicht geeignet. In der Regel müssen
die Daten weiter aufbereitet und verbessert werden. So liegen die Daten noch nicht
in dem gewünschten räumlichen Bezugssystem vor oder die reinen Grauwerte müs-
sen erst in physikalische Einheiten konvertiert werden.
10.6.1.1 Radiometrische Korrekturen
Die am Sensor empfangene Strahlung wird durch verschiedene Faktoren wie Be-
leuchtungsunterschiede, atmosphärische Einflüsse, Blickwinkel oder Charakteris-
tika des Sensors selbst modifiziert. Ob radiometrische Korrekturen, d.h. Korrektu-
ren der empfangenen Reflexionswerte, vorgenommen werden müssen, hängt von
der Anwendung ab (zu radiometrischen Korrekturen vgl. Chavez 1996, Hildebrandt
1996 S. 486 ff., Richards 2013 S. 38 ff., Lillesand u.a. 2008 S. 490 ff., Mather u.
Koch 2011 S. 112 ff.):
- Eine multitemporale Auswertung der Daten, wie sie z.B. im Rahmen eines regel-
mäßigen Monitorings einer Region notwendig ist, erfordert die Minimierung ex-
terner Einflüsse, um die eigentlich interessierenden, zeitspezifischen Unter-
schiede zu erkennen.
- Bei einer Mosaikbildung aus mehreren Bilddatensätzen, die auch von verschie-
denen Sensoren stammen oder zu unterschiedlichen Zeitpunkten aufgenommen
sein können, ist es notwendig, die Grauwerte über die verschiedenen Teilbilder
hinweg homogen abzubilden, d.h. vergleichbar zu machen (sog. Histogram Mat-
ching, vgl. Kap. 10.6.5.2).
- Soll ein Vergleich mit am Boden durchgeführten Reflexionsmessungen durchge-
führt werden oder sind Aussagen über absolute Reflexionswerte gefragt, muss
zunächst eine Kalibrierung der Grauwerte in absolute Strahlungseinheiten erfol-
gen, wie sie am Sensor gemessen werden.
- Für eine Konvertierung der Grauwerte in absolute Reflexionsbeträge sind aktuelle
Kalibrierungsinformationen für jeden Kanal eines Sensors notwendig, da sich
diese Werte mit fortschreitender Alterung der Aufnahmeinstrumente ändern.
Diese Daten sollten dem Dateianfang des Bilddatensatzes (engl. header) oder bei-
liegenden Zusatzinformationen entnommen werden können.
- Erst durch eine sensorspezifische Kalibrierung ist der Vergleich von Aufnahmen
verschiedener Sensoren möglich.
Eine vollständige radiometrische Korrektur umfasst eine Umrechnung von Bild-
grauwerten zur (offensichtlichen) spektralen Strahlung am Sensor L (vgl. Kap.
10.5.1), Subtraktion des Einflusses der Atmosphäre, eine topographische Normali-
sierung und Sensorkalibrierung. Die Umrechnung der bildbezogenen Grauwerte
(DN, Digital Number) in Strahlungswerte, wie sie am Sensor gemessen werden

(engl. at-sensor radiance), erfolgt über (vgl. Richards 2013 S. 37):
௅೘ೌೣ,ഊ ି ௅೘೔೙,ഊ
‫ܮ‬௦௔௧,ఒ = ή ‫ ܰܦ‬+ ‫ܮ‬௠௜௡,ఒ mit:
ଶହହ
Lsat, O spektrale Strahlung am Sensor (in mW cm-2 str-1 µm-1)
LmaxO maximale vom Sensor erfassbare spektrale Strahlung (in mW cm-2 str-1 µm-1)
LminO minimale vom Sensor erfassbare spektrale Strahlung (in mW cm-2 str-1 µm-1)
DN Digital Number (Bild-Grauwert)
Die Kalibrierungsinformationen unterliegen Veränderungen zum einen durch die
altersbedingte Degradation des Instrumentes, zum anderen aber auch als Anpassung
an unterschiedliche Reflexionsgegebenheiten der aufgezeichneten Oberfläche. Die
aktuellen Parameter sind von den Betreibern der Missionen erhältlich. Allerdings
wird in der Regel die radiometrische Korrektur bereits während der Datenvorverar-
beitung vorgenommen. Die Fernerkundungsdaten liegen dem Kunden oder Anwen-
der somit (zumeist) radiometrisch systemkorrigiert vor.
Die Berücksichtigung des Zustandes der Atmosphäre während der Aufnahme
führt zur Notwendigkeit einer Atmosphärenkorrektur. Einfache Näherungsverfah-
ren schätzen Korrekturwerte aus den Bilddaten selbst (vgl. Richards 2013 S. 44 ff.,
Mather u. Koch 2006 S. 114). In einem sehr einfachen Ansatz wird für jeden Kanal
von den Grauwerten einer Szene ein Wert ai abgezogen, der als Trübung verstanden
wird (Haze Removal). Zur Bestimmung dieser Werte werden für jeden Kanal die
Histogramme der Grauwerte betrachtet. Für den nahen Infrarotkanal weisen Grau-
werte von 0 oder nahe 0 bereits nennenswerte Häufigkeiten auf, wobei klare, d.h.
vegetationsfreie oder von Pflanzenresten freie Wasserflächen oder Berg- und Wol-
kenschatten vorausgesetzt werden (d.h. Reflektanz nahe 0). Bei den anderen Kanä-
len kann eine Histogrammverschiebung um einen Wert ai bestehen, der den Unter-
schied zwischen dem dunkelsten Grauwert und 0 (bzw. dem dunkelsten Grauwert
des nahen Infrarotkanals) kennzeichnet und der als Einfluss der Atmosphäre inter-
pretiert werden kann (vgl. Abb. 10.15a).
In einem weiteren Näherungsverfahren werden die Korrekturwerte ai dadurch
bestimmt, indem für jeden Kanal Regressionsgleichungen mit Spektralwerten auf-
gestellt werden. Diese Methode (Empirical Line Method) erfordert Referenzobjekte
am Boden, für die aus den Grauwerten die Spektralwerte abgeleitet werden, und das
zugehörige, mit einem Spektrometer gemessene Reflexionsvermögen ohne Atmo-
sphäreneinfluss. Der Abstand zwischen dem Nullpunkt und dem Schnittpunkt der
Regressionsgerade mit der waagerechten Koordinatenachse liefert den Korrektur-
wert für den betreffenden Kanal (vgl. Abb. 10.15b).
Eine weitere Variante dieses Ansatzes stellt Regressionsgleichungen zwischen
den Grauwerten des nahen Infrarotkanals und eines anderen Kanals auf und be-
stimmt in ähnlicher Form die Korrekturgrößen ai (vgl. Abb. 10.15c).
Genauere Verfahren stützen sich auf die Ergebnisse von Strahlungsübertra-
gungs- und Aerosolmodellen und setzen die Kenntnis verschiedener Atmosphären-
daten wie z.B. zur vertikalen Schichtung und zur Sichtweite voraus (zur Integration
von physikalischen Modellen vgl. z.B. Richter 1996, Chavez 1996). Bei Sentinel-2
werden Korrekturinformationen mit erhoben und zur Verfügung gestellt, so dass
Nutzer selbstständig Korrekturrechnungen durchführen können (vgl. ESA 2019k u.

Louis 2016 u.a.).
Abb. 10.15: Näherungsverfahren zur Verminderung des Atmosphäreneinflusses (nach Hilde-

brandt 1996 S. 490 u. Richards 2013 S. 45 sowie Mather u. Koch 2011 S. 114)
Vereinfacht wird häufig angenommen, dass der durch die Satellitenszene erfasste
Bereich eine flache Oberfläche darstellt. Hingegen ist die Größe des an einem Sa-
tellitensensor empfangenen Signals auch abhängig vom Relief, d.h. von der Be-
leuchtung und dem Betrachtungswinkel. Die Korrektur von Geländebeleuchtungs-
effekten erfordert letztlich ein digitales Geländemodell, falls die Annahme, dass die
Oberfläche die eintreffende Strahlung in alle Richtungen gleichermaßen reflektiert,
nicht aufrechterhalten werden kann. Die sog. Cosinus-Korrektur multipliziert den
Strahlungswert mit dem Quotienten aus dem Cosinus des Zenitwinkels der Sonne
(gemessen von der Vertikalen) und dem Cosinus des Einstrahlungswinkels (gemes-
sen von der Oberflächennormalen, vgl. Mather u. Koch 2011 S. 117 u. 123 u. Hil-
debrandt 1996 S. 496).
10.6.1.2 Entzerrung, Georeferenzierung und Resampling
Bei der Verarbeitung von Fernerkundungsdaten kommt der Anpassung des digita-
len Bildes an eine analoge oder digitale Kartenvorlage mit einem definierten Be-
zugssystem z.B. der Landesvermessung eine sehr große Bedeutung zu. Je nach Auf-
nahmesystem sind die Bilddaten mehr oder weniger verzerrt. So liefern flugzeug-
gestützte Scanner aufgrund der relativ instabilen Fluglage (z.B. Schräglage, vgl.
Abb. 10.17) in der Regel stärker verzerrte Bilder als z.B. Satelliten. Mit der Entzer-
rung und geometrischen Korrektur werden gleichzeitig die einzelnen Bildpunkte
einem kartographischen oder geodätischen Koordinatensystem zugeordnet (Geore-
ferenzierung oder Geocodierung, vgl. Kap. 4.2.5 u. 4.6). So kann das Punktraster
des Ausgangsbildes, d.h. das ursprüngliche Koordinatensystem bzw. Aufnahmesys-

tem, aufgrund der Flugrichtung eine beliebige Orientierung besitzen. Hingegen liegt
dem Zielkoordinatensystem eine bestimmte Projektion zugrunde. Das Ausgangs-
bild muss in das neue Koordinatensystem „umgerechnet“ werden, wobei in der Re-
gel Drehungen und Dehnungen bzw. Stauchungen der alten Rasterzellen notwendig
sind (vgl. Abb. 10.16). Neben einer Transformation in ein neues Bezugssystem
müssen darüber hinaus die Grauwerte des Ausgangsbildes in Grauwerte des Ergeb-
nisbildes umgerechnet werden (engl. resampling). Dabei können an einem Wert für
ein einzelnes Pixel in der entzerrten Szene mehrere Pixelwerte des Ausgangsbildes
beteiligt sein. Zu fordern ist, dass sämtliche Bildpunkte des Ergebnisbildes auch
Grauwerte erhalten müssen.
Abb. 10.16: Entzerrung von Rasterbildern (nach Hildebrandt 1996 S. 480)
Zur Bildentzerrung bestehen in der digitalen Bildverarbeitung mehrere Methoden

(vgl. vor allem Mather u. Koch 2011 S. 94 ff., Richards 2013 S. 56 ff.). Das Kern-
problem bei der in der Praxis zumeist eingesetzten polynomischen Entzerrung ist,
dass ausgehend von wenigen Passpunkten die notwendigen Transformationsglei-
chungen aufzustellen sind. Parametrische Verfahren, die hier nicht näher themati-
siert werden, berücksichtigen die geometrischen Eigenschaften des Sensors, die bei
einem Luftbild als innere Orientierung bezeichnet werden, und die Raumlage bzw.
Raumbewegung des Sensors, die bei einem Luftbild äußere Orientierung genannt
wird.
Bei der polynomischen Entzerrung wird ein Polynom n-ter Ordnung bestimmt,
um das Ausgangsbild zu georeferenzieren (vgl. Kap. 4.2.5.4). Dafür werden Pass-
punkte im Ausgangsbild mit bekannten x- und y-Koordinaten im Zielkoordinaten-
system benötigt. Zumeist werden Polynome bis maximal dritter Ordnung benutzt.
Polynome höheren Grades erreichen in der Praxis kaum bessere Ergebnisse. Diese
Methode hat sich zur Entzerrung von Satellitendaten bewährt, bei denen eine gleich-
mäßige Verzerrung der Gesamtszene anzunehmen ist. Dabei erfolgt zumeist eine
Entzerrung auf der Basis von ebenen Passpunkten (ebene Entzerrung).
Allerdings zeigen Bodenobjekte auf unterschiedlicher Höhe bzw. auf unter-
schiedlichen Geländehöhen (erhebliche) Lageverschiebungen gegenüber einer or-
thogonalen Abbildung. Durch die Orthorektifizierung, für die ein digitales Höhen-
modell und Passpunkte mit x-, y- und z-Koordinaten erforderlich sind, werden die
topographischen Verzerrungen Pixel für Pixel korrigiert (zu den recht aufwendigen
Verfahren vgl. Lillesand u.a. 2008 S. 169 ff., Schowengerdt 2006 S. 363 ff.). Im
Ergebnisbild erscheint jedes Pixel, als wäre es im rechten Winkel von oben aufge-
nommen worden (orthographische Projektion).
Abb. 10.17: Aufnahmen eines Gewerbegebiets in Osnabrück mit einem flugzeuggestützten, opto-
mechanischen Scanner: nichtgeoreferenzierter (oben) und georeferenzierter Flugstreifen (unten),
Thermalkanal im Bereich von 8,5 bis 12,5 µm, Oberflächentemperaturen kurz nach Sonnenunter-
gang (nach Wessels 2002 S. 82)
Zur Umrechnung der Grauwerte aus der Originalszene in die (entzerrte) Ergeb-
nisszene (engl. resampling) werden in der digitalen Bildverarbeitung prinzipiell
zwei Methoden unterschieden (vgl. Abb. 10.18):
- Die direkte Entzerrung geht von einem Pixel im Eingabebild aus, für das die Lage
im Ausgabebild berechnet wird. Diesem Pixel wird der Grauwert aus dem Einga-
bebild zugewiesen. Hierbei werden zwar sämtliche Pixel des Eingabebildes trans-
formiert. Allerdings können in dem (wichtigeren) Ausgabebild durchaus einzelne
Pixel keinen Grauwert erhalten, während andere Pixel Mehrfachzuweisungen be-
sitzen. Daher werden Nachbearbeitungen notwendig.
- Bei der indirekten Entzerrung wird hingegen von der Lage eines Pixel im Ausga-
bebild ausgegangen, für das der naheliegendste Grauwert aus dem Eingabebild
bestimmt wird. Hierbei wird also vom Ausgabebild in das Eingabebild „zurück-
gerechnet“, so dass gewährleistet ist, dass sämtliche Rasterzellen im Ausgabebild
einen Grauwert haben und somit die entzerrte Bildmatrix ohne weitere Nachbe-
handlung vorliegt.
direkte Entzerrung indirekte Entzerrung

Input-to-Output (forward) Output-to-Input (inverse)
Mapping Logic Mapping Logic
original input image rectified output image original input image rectified output image
(x’,y’) x = a0 + a1x’ + a2y’ (x’,y’) x’ = a0 + a1x + a2y
Y = b0 + b1x’ + b2y’ y’ = b0 + b1x + b2y
Abb. 10.18: Prinzip der direkten und indirekten Entzerrung (nach Jensen 2015 S. 247)
Eine hohe praktische Bedeutung hat die polynomische Entzerrung mit anschließen-
der indirekter Transformation in einem dreistufigen Arbeitsablauf:
- Der erste Arbeitsschritt, die Auswahl geeigneter Passpunkte (engl. ground control
points, GCP), ist insgesamt sehr zeitaufwendig und mühselig. Als Passpunkte
werden im Bild gut erkennbare Punkte oder Bildelemente (z.B. Straßenkreuzun-
gen bei kleinen Bildmaßstäben) gewählt, die zeitlich unveränderlich sind (z.B.
keine Uferlinien). Die Passpunkte sollten möglichst gleichmäßig über das Bild
verteilt sein. Die Auswahl geeigneter Passpunkte ist von größter Bedeutung für
die Qualität der Entzerrung. Passpunktquellen können z.B. analoge Karten und
digitale, bereits im gewünschten Referenzsystem erfasste Vektor- oder Rasterkar-
ten sein. Ferner ist auch eine Bild- zu-Bild-Registrierung (Co-Registrierung) zu
anderen Bildern möglich, wobei die Bilder nicht zwingend auf eine Kartenpro-
jektion georeferenziert werden müssen.
- Im zweiten Arbeitsschritt erfolgt das Aufstellen der geometrischen Entzerrungs-

gleichung. Die Bestimmung der geeigneten Ordnung des Polynoms hängt ab vom
Grad der Verzerrung des Ausgangsbildes, der Zahl und Genauigkeit der zu ermit-
telnden Passpunkte sowie der Verteilung der Passpunkte. In der Praxis haben sich
für die Entzerrung von Satellitenaufzeichnungen Transformationen mit Polyno-
men bis zweiten Grades bewährt, falls das Relief nicht sehr stark ausgeprägt und
der Öffnungswinkel des Sensorsystems nicht allzu groß sind (vgl. Hildebrandt
1996 S. 477 u. Schowengerdt 2006 S. 287 ff. u. 298 ff.). In Abbildung 10.18 ist
eine einfachere, affine Transformation angegeben, die einer Empfehlung von Jen-
sen (2015 S. 244) folgt: „Generally, for moderate distortions in a relatively small
area of an image (e.g. quarter of a Landsat TM scene), a first-order, six-parame-
ters, affine (linear) transformation is sufficient to rectify the imagery to a geo-
graphic frame of reference.“
- Zur Beurteilung der Qualität der Entzerrung kann der sog. RMS-Fehler (vgl. Kap.
4.2.5.5) herangezogen werden. Ein Polynom höherer Ordnung reduziert in der
Regel den RMS-Fehler. Hierdurch wird allerdings keinesfalls auch automatisch
die Güte der Entzerrung verbessert. Vielmehr weisen Polynome höheren Grades
meist schlechtere Interpolationseigenschaften auf, da die Bildpunkte zwischen
den Passpunkten im Ergebnisbild erhebliche Lagefehler aufweisen können. Somit
sollte bei der Entzerrung möglichst nicht allein der RMS-Fehler beachtet werden,
da er sich nur auf die Abweichungen der Passpunkte bezieht. Durch die Berech-
nung von sog. Restfehlervektoren können systematische Fehler ermittelt werden
(vgl. Haberäcker 1991 S. 195). Restfehlervektoren stellen die unterschiedliche
Lage der gemessenen und der berechneten Passpunktkoordinaten oder (besser)
weiterer Kontrollpunkte (engl. test points, nicht zu verwechseln mit den sog.
ground control points) graphisch dar.
- Im dritten Arbeitsschritt erfolgt das Resampling, das die Neuberechnung des Aus-
gangsbildes in ein entzerrtes Ergebnisbild bedeutet, also die Neuberechnung der
Grauwerte in der für das Ergebnisbild gewählten Matrix.
Abb. 10.19: Varianten des Resampling (nach Hildebrandt 1996 S. 481)

Beim Resampling werden zumeist drei Verfahren unterschieden (vgl. Abb. 10.19,
zu umfangreichen Beispielrechnungen vgl. Jensen 2015 S. 246 ff.):
- Bei der Methode des nächsten Nachbarn wird dem gesuchten Grauwert im Er-
gebnisbild der Grauwert des nächstgelegenen Pixels im Ausgangsbild zugewie-
sen. Hierbei können im Ergebnisbild Lagefehler bis zur Hälfte der Pixelgröße
entstehen. Schräg verlaufende Grauwertkanten können im Ergebnisbild stufig er-
scheinen. Dieser Effekt kann durch eine hinreichend klein gewählte Pixelgröße
im Ergebnisbild verringert werden. Der Vorteil dieses Verfahrens ist, dass die
Originalwerte des Ausgangsbildes erhalten bleiben. Dies ist eine wichtige Vo-
raussetzung, wenn später eine Klassifikation der Pixelwerte erfolgen soll, um Ob-
jekte oder Eigenschaften wie z.B. Landbedeckungstypen zu erkennen. Hierzu
sind Originaldaten heranzuziehen.
- Bei der sog. bilinearen Interpolation wird der gesuchte Grauwert im Ergebnisbild
als gewichtetes Mittel der vier direkt benachbarten Pixel des Ausgangsbildes be-
rechnet. Hierbei wird angenommen, dass die vier Grauwerte (dargestellt als z-
Werte in einem dreidimensionalen Koordinatensystem mit den Pixelkoordinaten)
durch eine Ebene angenähert werden können, auf der auch der gesuchte Grauwert
liegt. Das Ergebnisbild besitzt dann keine Grauwerte des Ausgangsbildes. Hier-
durch werden also die Eingangsgrauwerte verändert, d.h. hier geglättet (Tiefpass-
Filterungseffekte vgl. Kap. 10.6.4.1). Insgesamt wird eine gute Bildqualität er-
zeugt, so dass dieses Verfahren zur Visualisierung bzw. zur bildhaften Veran-
schaulichung eingesetzt wird. Allerdings ist die Rechenzeit drei- bis viermal so
groß wie bei der Methode des nächsten Nachbarn.
- Entsprechend zur bilinearen Interpolation wird bei der sog. kubischen Interpola-
tion oder Faltung (engl. cubic convolution) der gesuchte Grauwert als gewichtetes
Mittel der Grauwerte der umliegenden 16 Pixel berechnet. Hierbei wird angenom-
men, dass die z-Werte durch eine gekrümmte Oberfläche angenähert werden kön-
nen (mathematisch beschrieben durch Polynome dritten Grades). Durch eine ent-
sprechende Wahl der Parameter kann hierbei der Tiefpass-Filtereffekt verringert
werden (vgl. Kap. 10.6.4.1). Auch hierbei werden die Eingangsgrauwerte verän-
dert. Dies ist das bevorzugte Verfahren bei der Herstellung von Satellitenbildkar-
ten, da es die visuell besten Ergebnisse liefert. Allerdings erfordert es auch den
höchsten Rechenaufwand.
10.6.2 Kontrastverbesserung
Bei einer Farbtiefe von 8 Bit stehen zwar insgesamt 256 verschiedene Werte zur
Kodierung der Strahlungsintensität pro Kanal zur Verfügung. Häufig wird dieser
Wertebereich aber nur teilweise genutzt, da die Instrumente so eingerichtet wurden,
dass auch extrem stark bzw. wenig reflektierende Oberflächen noch wiedergegeben
werden können. Die Fernerkundungsaufnahmen wirken dann oftmals recht kon-
trastarm. Zur Beseitigung dieser bei einer visuellen Auswertung der Bilddaten stö-
renden Unzulänglichkeit existieren mehrere Verfahren (zu weitergehenden Ausfüh-
rungen vgl. z.B. Jensen 2015 S. 282 ff., Mather u. Koch 2011 S. 128 ff. u. Richards
2013 S. 99 ff.).
10.6.2.1 Lineare Kontraststreckung
Ein Histogramm der Grauwerthäufigkeiten zeigt in der Regel in einem ersten Ver-
arbeitungsschritt die Besetzung nur weniger Grauwertstufen. Diese Verteilung kann
nun über den gesamten Wertebereich gestreckt werden, so dass eine Kontrastver-
besserung entsteht:
Grauwertneu = [ (Grauwertmax – Grauwertalt) / (Grauwertmax – Grauwertmin) ] • 256
Durch die lineare Kontraststreckung werden die Werte der einzelnen Pixel in der
Bildmatrix so reklassifiziert, dass den ehemaligen Minimal- bzw. Maximalgrauwer-
ten die Werte 0 bzw. 255 (bei einer Farbtiefe von 8 Bit) zugewiesen werden, wäh-
rend die dazwischenliegenden Grauwerte linear über die gesamte 256er-Skala ge-
streckt werden. Diese Reklassifizierung geschieht zumeist mit Hilfe einer sog.
Look-up Table, in der den ursprünglichen Grauwerten die neuen, kontrastverstärk-
ten Werte zugewiesen werden. Bei diesem Verfahrensschritt bleiben die Ursprungs-
daten unverändert, und für die Ansicht werden die veränderten Daten aus separaten
Look-up Tables geladen.
Abb. 10.20: Kontraststreckung und Histogrammangleichung: Ausschnitt aus einer Landsat-TM-

Szene von Osnabrück, Kanal 4 (NIR), mit zugehörigen Grauwerthistogrammen
Neben der Kontraststreckung zwischen den ehemaligen Minimal- und Maximal-

grauwerten kann auch (interaktiv) eine gezielte Streckung der besonders interessie-
renden Bereiche vorgenommen werden, um diese deutlich differenzieren und ana-
lysieren zu können. Hierzu müssen zunächst minimale und maximale Grauwerte
der interessierenden Oberflächen herausgefunden werden. Anschließend können
die dazwischenliegenden Grauwerte über den gesamten verfügbaren Grauwertbe-

reich (z.B. 256 Stufen) gestreckt werden, wobei die für die Untersuchung unwich-
tigen Werte ausgeblendet werden.
Das Verfahren der linearen Kontraststreckung eignet sich besonders zur Heraus-
stellung von Extremwerten oder zur genaueren Untersuchung von Teilbereichen.
Abbildung 10.20 zeigt, wie sich der Kontrast und dadurch die Erkennbarkeit von
Objekten im Bild verbessern. Besonders gering reflektierende Flächen wie die Was-
serfläche im nordwestlichen Bildbereich erhalten die geringsten Grauwerte, wäh-
rend stark reflektierende Flächen wie Wiesen und Weiden die höchsten Grauwerte
zugewiesen bekommen, so dass sie sehr hell wiedergegeben werden. Dazwischen
wird linear skaliert, so dass die relativen Grauwertunterschiede erhalten bleiben. Im
zugehörigen Histogramm, das die Häufigkeitsverteilung der Grauwerte wiedergibt,
wird deutlich, dass der gesamte Dynamikbereich genutzt wird und gleichzeitig die
grundlegende Verlaufsform des Histogramms erhalten bleibt.
10.6.2.2 Histogrammangleichung
Mit Hilfe einer Histogrammangleichung werden die Grauwerte in Abhängigkeit

von ihrer Häufigkeit gestreckt. Jeder Histogrammeinheit (zumeist 0–255) soll eine
annähernd gleiche Anzahl an Grauwerten zugewiesen werden, um ein ausgegliche-
nes Histogramm zu erhalten (nicht zu verwechseln mit dem Histogram Matching,
vgl. Kap. 10.6.5.2). Vormals gering besetzte Grauwertkategorien werden zusam-
mengefasst, während zahlreich besetzte stärker voneinander getrennt werden. Das
Verfahren eignet sich dadurch besonders zur Herausstellung häufiger Werte, die
nun besser differenziert werden können.
Abbildung 10.20 zeigt das Ergebnis der Histogrammangleichung mit zugehöri-
gem Histogramm. Im Bild wird der Effekt dieser Methode deutlich: Zwischen den
Flächen, die im Original extreme Grauwerte aufweisen (vgl. Flanken des Histo-
grammes), ist jetzt kaum noch eine Unterscheidung verschiedener Grauwerte mög-
lich. Hierzu gehören z.B. die versiegelten Bereiche mit geringer Reflexion im Osten
und die Vegetationsflächen mit hoher Reflexion im Westen des Bildes. Dagegen
können die Flächen im mittleren Bereich des Bildes nun weit besser differenziert
werden. Im zugehörigen Histogramm ist zu erkennen, dass die Grauwerte an den
Flanken zusammengefasst bzw. zusammengepresst werden, während zur Mitte des
Diagramms eine fortschreitende Auflockerung der Werte erscheint.
10.6.3 Bildtransformationen
10.6.3.1 Indexbildung
Zu den Verfahren der Bildtransformation, bei denen aus einem mehrkanaligen Bild-
datensatz zu einem oder zu verschiedenen Aufnahmezeitpunkten (mono- oder mul-
titemporal) neue Bilddaten entstehen können, zählt die Berechnung von Indizes.
Durch geschickte Kombination und Indexbildung können spezielle Informationen

deutlicher hervorgehoben werden. Differentielle Grauwertunterschiede der Ein-
gangsbilder werden verstärkt, wodurch sich die Interpretationsmöglichkeiten erheb-
lich erhöhen können. Bei diesen Operationen werden die Datenwerte zweier oder
mehrerer Ausgangskanäle pixelweise arithmetisch miteinander verknüpft (zu loka-
len Operatoren der Analyse von Rasterdaten vgl. Kap. 9.5.4). Schließlich wird ein
neues „künstliches“ Bild erstellt.
Große Bedeutung haben in der Praxis die Vegetationsindizes, die Vegetationsflä-
chen stärker hervortreten lassen (vgl. weiterführend Jensen 2015 S. 325 ff. u. Ma-
ther u. Koch 2011 S. 152 ff.). Der Vegetationsindex VI nutzt die Eigenschaft, dass
gesunde Vegetation im sichtbaren Rot nur schwach, aber im Infrarot stark reflektiert
(vgl. Abb. 10.7). Somit kann vitale Vegetation relativ leicht von anderen Bodenbe-
deckungen unterschieden werden:
ூோ ேூோିோ
ܸ‫= ܫ‬ ܰ‫= ܫܫܸܦ‬
ோ ேூோାோ
NIR = (naher) Infrarot-Kanal (z.B. Kanal 4 beim Thematic Mapper)
R = Rot-Kanal, z.B. Kanal 3 beim Thematic Mapper
Auch der weiterentwickelte Vegetationsindex NDVI (Normalized Difference Vege-
tation Index) basiert auf dem Unterschied zwischen den spektralen Signaturen von
unbewachsenen und mit grüner Vegetation bestandenen Flächen in den Kanälen des
sichtbaren Lichts (am besten im sichtbaren Rot) und des nahen Infrarots. Der NDVI
nimmt Werte zwischen –1 und +1 an, wobei deutlich von 0 verschiedene, positive
Werte auf die Existenz von grüner Biomasse hinweisen, aber der Übergang zwi-
schen belebt und unbelebt nicht durch 0 gekennzeichnet sein muss und jeweils neu
zu bestimmen ist. Je höher der Zahlenwert des NDVI ist, desto vitaler (d.h. wüch-
siger) ist die Vegetation. Der NDVI ist stark mit dem Leaf Area Index (LAI) korre-
liert, mit dem die Biomasse pro Pixel abgeschätzt werden kann (vgl. Löffler 1994
S. 71). Auch der Flächenanteil an Vegetation bzw. der Versiegelungsgrad pro Pixel
ist hoch mit dem NDVI korreliert, so dass sich Anteilswerte abschätzen lassen (vgl.
Achen 1993 S. 77 ff.). Cihlar u.a. (1991) weisen für Gebiete in Kanada einen starken
Zusammenhang zwischen dem NDVI und der Evapotranspiration nach, der jedoch
nicht unabhängig von anderen Wuchsparametern wie Verfügbarkeit von Energie
und Wasser oder Bodenart betrachtet werden darf.
Bannari u.a. (1995) und Baret (1995) weisen darauf hin, dass die Standard-Ve-
getationsindizes, die auf Basis linearer Funktionen errechnet werden, bei geringer
Vegetationsbedeckung vorsichtig ausgewertet werden sollten. Der NDVI neigt z.B.
zu Beginn und Ende der Vegetationsperiode dazu, den Anteil der vegetationsbe-
deckten Oberfläche falsch einzuschätzen (Überschätzung zu Beginn, Unterschät-
zung am Ende der Vegetationsperiode, vgl. Bannari u.a. 1995 S. 101). Dies führte
zur Entwicklung einer zweiten Generation von Vegetationsindizes, die die Wech-
selwirkungen zwischen der elektromagnetischen Strahlung, der Atmosphäre, der
Vegetationsdecke und dem Boden zu berücksichtigen versuchen. So entwickelten
Kauth u. Thomas (1976) auf Basis der vier Kanäle des Landsat-MSS-Sensors die
sog. „Tasseled Cap“-Transformation, deren Ergebnis vier Indizes waren: Soil
Brightness Index (SBI), Green Vegetation Index (GVI), Yellow Vegetation Index
(YVI) und Non Such Index (NSI). Eine Weiterentwicklung dieser Indizes auf Basis
der Landsat-Thematic-Mapper-Kanäle erfolgte durch Crist u. Cicone (1984). Diese

Indizes haben jedoch einen großen Nachteil: Da sie empirisch ermittelt wurden, las-
sen sie sich nicht ohne Weiteres, d.h. ohne neue Kalibrierung auf andere Sensorsys-
teme oder andere Regionen übertragen.
Für Vegetationsindizes gibt es vielfältige Anwendungen. So können sie aufgrund
ihrer relativ sicheren Aussagefähigkeit über das Vorhandensein von Vegetation für
eine Beobachtung von Vegetationsveränderungen benutzt werden. Auf globaler
Ebene geschieht dies seit vielen Jahren durch standardmäßige NDVI-Berechnung
aus AVHRR-Daten, die für eine Einschätzung der globalen Verteilung von Bio-
masse und ihrer Entwicklung genutzt werden. Mit ihrer Hilfe gelang es z.B., den
Trend der globalen Erwärmung mit einer Verschiebung der Vegetationsperiode in
den nördlichen Breiten zu untermauern (vgl. Shabanov u.a. 2001). Vegetationsindi-
zes erlauben z.B. auch die Einschätzung des Zustands von Kulturpflanzen (vgl. z.B.
Jürgens 1997 und Thenkabail u.a. 1994).
10.6.3.2 Hauptkomponententransformation
Benachbarte Spektralkanäle sind zumeist hoch miteinander korreliert. Die Haupt-

komponententransformation bietet generell eine Möglichkeit, derartige Redundan-
zen zu beseitigen (zum Ansatz der Hauptkomponentenanalyse vgl. z.B. de Lange u.
Nipper 2018 S. 198 ff. u. Bortz u. Schuster 2010 S. 385 ff., zur Anwendung in der
digitalen Bildverarbeitung vgl. Mather u. Koch 2011 S. 160 ff., Richards 2013 S.
163 ff.). Bei Reduktion der Zahl der Eingangsvariablen wird der größte Teil der
Eingangsinformationen, ausgedrückt durch die Summe der Varianz der Eingangs-
variablen, durch wenige Hauptkomponenten dargestellt. So lässt sich zumeist der
Informationsgehalt eines sechskanaligen Landsat-TM-Datensatzes auf drei Haupt-
komponenten reduzieren. Dann können durch Anzeige der drei Hauptkomponenten
als Farbkomposit wesentlich mehr Informationen dargestellt werden, als es mit je-
der der möglichen Komposite des Originaldatensatzes möglich wäre (jeweils auf
der Basis von drei Farben).
Dieses Verfahren kann auch in Klassifikationansätzen genutzt werden, wobei nur
die Hauptkomponenten mit den höchsten Eigenwerten in die Klassifikation einge-
hen. Aber auch in der Erfassung von Veränderungen kann das Verfahren eingesetzt
werden. Hierbei wird die Hauptkomponententransformation auf einen multitempo-
ralen Datensatz angewendet (vgl. z.B. Byrne u.a. 1980). Die verschiedenen Spekt-
ralkanäle werden dabei durch Bilder verschiedener Zeitpunkte ersetzt.
10.6.4 Räumliche Filteroperationen
Räumliche Filteroperationen dienen der Bildaufbereitung, um bestimmte räumlich-

strukturelle Eigenschaften des Bildinhaltes hervorzuheben oder zu unterdrücken
(vgl. Jähne 2005 S. 111 ff., Jensen 2015 S. 293 ff., Lillesand u.a. 2008 S. 509 ff.,
Richards 2013 S. 130 ff.). Bei diesen Filtertechniken handelt es sich um lokale Ope-
rationen, die die Eigenschaften der Umgebung eines Pixels bzw. die sog. Ortsfre-
quenz für dessen Manipulation nutzen. Dabei bezeichnet die Ortsfrequenz die Va-
riation der Grauwerte in einer Pixelumgebung. Niedrige Ortsfrequenzen liegen bei
geringen kleinräumigen Grauwertänderungen vor (relativ homogene Flächen), wäh-
rend hohe Ortsfrequenzen bei starken lokalen Grauwertvariationen als Ausdruck
ausgeprägter Oberflächenunterschiede (Inhomogenitäten) auftreten. Für die Fil-
teroperationen existieren zahlreiche unterschiedliche Algorithmen, die sich für ver-
schiedene Verarbeitungsziele eignen. Grundsätzlich können Tiefpassfilter und
Hochpassfilter unterschieden werden (zu Filtern zur Kantenverbesserung sowie zu
weiterführenden Verfahren der Bildverbesserung durch Fourier-Analysen vgl. Jen-
sen 2015 S. 302 ff.).
10.6.4.1 Tiefpassfilter
Der Tiefpassfilter hat die Aufgabe, die niedrigen Ortsfrequenzen herauszuarbeiten

und lokale Extrema zu unterdrücken. Ausprägungen dieses Filtertyps sind z.B. Mit-
telwertfilter, Medianfilter und Modalwertfilter. Allen diesen Bildfiltern ist gemein-
sam, dass sie eine Glättung des Bildes zur Folge haben, was z.B. erforderlich wer-
den kann, wenn Störeinflüsse des Sensors oder Datenübertragungsfehler zu lokalen
Fehlern in den Bilddaten geführt haben oder wenn das Ergebnis einer Multispekt-
ralklassifikation generalisiert werden muss (Vermindern des sog. „Salz- und-Pfef-
fer-Effektes“, vgl. Kap. 10.7.7). Tiefpassfilter betonen Trends in einem Bild. Die
dominierenden Bildstrukturen und typischen Charakteristika werden hervorgeho-
ben, während hochfrequente Ausprägungen der Pixelumgebung (große lokale Grau-
wertunterschiede) oder Ausreißer unterdrückt oder geglättet werden.
Abb. 10.21: Prinzip des Tiefpassfilters am Beispiel des Mittelwertfilters
In der Abbildung 10.21 wird ein Ausgangsbild in ein Ergebnisbild transformiert,

wobei jeweils das mittlere Pixel innerhalb einer Umgebung von 3 x 3 Pixeln durch
einen neuen Wert ersetzt wird, der sich aus den Werten dieser Umgebungspixel er-
rechnet. Anschaulich wird hierbei eine Koeffizienten- oder Filtermatrix mit den Ge-
wichten für die Umgebungspixel über das Bild bewegt (gleitende Filtermatrix). Im
Ergebnisbild bleiben die Randpixel unbesetzt, da im Ausgangsbild für ein Randpi-
xel keine 3 x 3-Umgebung hergestellt werden kann. Vergrößert man die Filter-
matrix, d.h. bezieht man eine größere Pixelnachbarschaft (z.B. 5 x 5 oder 7 x 7
Pixel) in die Filteroperation mit ein, tritt ein noch größerer glättender Effekt ein.
Beim Mittelwertfilter (engl. mean filter) wird der Wert des zentralen Pixels durch
den (einfachen arithmetischen) Mittelwert der umgebenden Pixelwerte ersetzt (vgl.
Abb. 10.21). Durch den Glättungseffekt wird ein „weicheres“ und „unschärferes“
Ergebnisbild erzielt. Die hohen Werte, d.h. hohe Einstrahlungswerte am Aufnah-
mesystem, werden (durch umgebende niedrige Werte) gedrückt. Beim Medianfilter
wird anstelle des arithmetischen Mittelwerts der Median der Pixelwerte genommen.
Beim Modalfilter wird der Wert des zentralen Pixels durch den häufigsten Wert der
umgebenden Pixelwerte ersetzt. Dieser Filter wird z.B. eingesetzt, um fehlende Pi-
xelwerte „aufzufüllen“ (vgl. entsprechend den sog. Majority-Filter, der einen häu-
figen – nicht zwingend den häufigsten – Wert benutzt). Er kann auch zur Nachbe-
arbeitung bereits klassifizierter Szenen eingesetzt werden, um einzelne fehlklassifi-
zierte Pixel zu eliminieren bzw. an die Umgebung anzugleichen.
Low Pass-Filter High Pass Filter

Low Pass Filter (7x7-Filtermatrix) High Pass Filter (5x5-Filtermatrix)
1 1 1 1 1 1 1 –1 –1 –1 –1 –1
1 1 1 1 1 1 1 –1 –1 –1 –1 –1
1 1 1 1 1 1 1 –1 –1 24 –1 –1
1 1 1 1 1 1 1 –1 –1 –1 –1 –1
1 1 1 1 1 1 1 –1 –1 –1 –1 –1
1 1 1 1 1 1 1
1 1 1 1 1 1 1
Abb. 10.22: Anwendung von Filtern
Ein Tiefpassfilter kann auch zum sog. Kontrastausgleich eingesetzt werden. Hierzu
wird eine Szene mit unerwünschten großflächigen Grauwertunterschieden zunächst
einer sehr starken Tiefpassfilterung unterzogen, so dass ein extrem unscharfes Bild
entsteht (vgl. Abb. 10.22). Dann wird die Grauwertdifferenz zwischen dem Original
und der „unscharfen“ Maske gebildet. Diese wird verstärkt, so dass bei geeigneter
Wahl der einzelnen Parameter ein in der Gesamthelligkeit ausgeglichenes Bild mit
guter Detailwiedergabe gewonnen werden kann.
10.6.4.2 Hochpassfilter
Hochpassfilter, die Bilddetails durch die Betonung der hohen Frequenzen hervor-
heben, kommen zur Anwendung, falls lokale Besonderheiten und Extrema aufge-
spürt werden sollen. Der Hochpassfilter hat den Effekt, dass niedrige Frequenzan-
teile unterdrückt werden. Umgekehrt können hohe Werte den Filter passieren. Hier-
durch werden Konturen und Kanten besonders hervorgehoben (engl. edge detec-
tion). Der Filter dient u.a. zur Abgrenzung von Gebieten mit abrupter Änderung
gegenüber solchen mit wenigen Änderungen.
Auch beim Hochpassfilter wird der Wert des zentralen Pixels durch einen ge-
wichteten Wert der umgebenden Pixel ersetzt, wobei diese Filtergewichte je nach
Einsatzziel des Filters stark variieren können (vgl. Abb. 10.22). So existieren Kan-
tenfilter, die die Bereiche starker Grauwertänderungen als Kanten hervorheben.
Diese können zusätzlich richtungsabhängig gestaltet werden, so dass Grauwertän-
derungen in bestimmten Richtungen betont werden, was besonders in der Geologie
zur Entdeckung geologischer Strukturen nützlich ist. Neben den Filtergewichten
beeinflusst hier ebenfalls die Größe der Filtermatrix das Ergebnis.
10.6.5 Kombination mehrerer Bilder
10.6.5.1 Geometrische Mosaikierung
Häufig stellt sich die Aufgabe, zur Abdeckung eines Untersuchungsgebietes meh-
rere Einzelbilder zu einem Gesamtbild zusammenzuführen. Für diesen Prozess der
Mosaikbildung oder Mosaikierung bestehen zwei grundsätzliche Ansätze:
- Die Einzelbilder werden einzeln entzerrt und anschließend zu einem Mosaik zu-
sammengeführt, wozu insgesamt sehr viele Passpunkte benötigt werden.
- Beim zweiten Verfahren werden die Einzelbilder gemeinsam entzerrt. Zur Be-
stimmung der Transformationsgleichungen werden hierbei vergleichsweise nur
wenige Passpunkte benötigt, die unregelmäßig über sämtliche Bilder verteilt sind.
Dieser Ansatz erfordert ferner Verknüpfungspunkte im Überlappungsbereich be-
nachbarter Einzelszenen, über die die Szenen vereinigt werden. Für diese Ver-
knüpfungspunkte, die nur in den beteiligten Szenen eindeutig zu identifizieren
sind, müssen keine Koordinaten vorliegen. Von Vorteil ist, dass nur für das ge-
samte Bild eine ausreichende Zahl an Passpunkten vorhanden sein muss, während
für ein Einzelbild möglicherweise nicht hinreichend viele Passpunkte bestimmt
werden können (vgl. Abb. 10.23).
Abb. 10.23: Prinzip der geometrischen Mosaikbildung
10.6.5.2 Radiometrische Mosaikierung
Nach der geometrischen Mosaikbildung kann es notwendig sein, Helligkeits-, Kon-

trast- oder Farbunterschiede der Bilder anzupassen, da sie in jedem Bild je nach
Aufnahmebedingungen und verwendetem Sensor unterschiedlich ausfallen. Ein
häufiges Verfahren, das zum Standardumfang von Softwaresystemen gehört, ist die
(iterative) Anpassung der Grauwerthistogramme der Überlappungsbereiche be-
nachbarter Einzelszenen. Hieraus können Korrekturwerte bestimmt werden, so dass
sich auch die übrigen Grauwerte angleichen lassen (sog. Histogram Matching, vgl.
Abb. 10.24).
Abb. 10.24: Mosaikbildung und Histogram Matching

10.6.5.3 Bildfusion
Gegenüber der Mosaikierung geht die Bildfusion noch einen Schritt weiter. Sie zielt
durch eine Verschmelzung von Bilddaten aus verschiedenen Quellen auf eine Stei-
gerung des Informationsgehaltes ab. Eine derartige Bildfusion kann aus verschie-
denen Datensatzkombinationen erzeugt werden, wobei der häufigste Anwendungs-
fall die Kombination multisensoraler Datensätze, also von Bilddaten verschiedener
Aufnahmeinstrumente, ist. Ferner ist die Verbindung multitemporaler Daten zu ei-
nem Datensatz oder die Integration von Zusatzdaten aus Topographischen Karten
in einen Bilddatensatz zur gemeinsamen Auswertung bedeutend. Generell kann eine
Bilddatenfusion verschiedene Zwecke haben (vgl. Pohl u. van Genderen 1998 S.
827 und zum Überblick Jensen 2015 S. 168 ff. u. Mather u. Koch 2011 S. 196–202):
- Bildschärfung,
- Verbesserung der geometrischen Korrektur,
- Schaffung von Stereoauswertungsfähigkeiten für photogrammetrische Zwecke,
- Hervorhebung bestimmter Merkmale, die auf keinem der beteiligten Einzelbilder
sichtbar waren,
- Verbesserung der Klassifikation, Herausstellen der Objektmerkmale,
- Aufdeckung von Veränderungen in multitemporalen Datensätzen,
- Ersatz fehlender Information eines Bildes durch Signale eines anderen Bildes,
- Ersetzen schadhafter Daten.
Diese Datenfusion wird jeweils auf Pixelbasis durchgeführt. Somit ist eine mög-
lichst exakte Georeferenzierung der beteiligten Datensätze in einem einzigen Koor-
dinatensystem zwingend notwendig. Allerdings können die zugehörigen Techniken
nicht in jedem Fall eingesetzt werden. So kann es problematisch werden, wenn die
erfassten Spektralbereiche der beteiligten Bilddaten zu stark voneinander abwei-
chen. Dann können störende Artefakte ins Bild kommen. Allgemein lassen sich die
Methoden der Bildfusion in zwei große Gruppen einteilen (vgl. Pohl u. van Gende-
ren 1999):
- farbraumbasierte Techniken,
- statistische und numerische Techniken.
Beispielhaft sollen hier zwei Methoden erläutert werden, die häufig zur Bildschär-
fung eingesetzt werden. Dabei zielt eine Bildschärfung auf die Fusion der hohen
geometrischen Auflösung eines panchromatischen Datensatzes mit der hohen spekt-
ralen Auflösung eines multispektralen Datensatzes ab (vgl. weitergehend Pohl u.
van Genderen 1998 und Vrabel 2000 oder zur Fusion von optischen Daten und Ra-
dardaten Pohl u. van Genderen 1999).
Zur Farbraumtransformation wird die sog. IHS- bzw. HSI-Transformation ein-
gesetzt, die räumliche (Intensität) und spektrale Informationen (Farbton, Sättigung)
trennt (vgl. Abb. 10.25). In einem ersten Schritt wird die RGB-Darstellung eines
Farbkomposites (z.B. aus den Kanälen 3, 2 und 1 des Landsat TM) in den IHS-
Farbraum überführt. Hier wird die Intensitätskomponente, die die räumlichen Ei-
genschaften des Multispektraldatensatzes wiedergibt, durch ein geometrisch höher
auflösendes Bild eines panchromatischen Sensors ersetzt. Dieses Bild wird meist
vorher weitergehenden Bildverbesserungsmaßnahmen (z.B. Kontraststreckung) un-

terzogen. Nach einer inversen IHS-Transformation liegt der Datensatz wieder im
RGB-Farbraum vor und kann als normales Farbkomposit mit verbesserter Detailer-
kennbarkeit betrachtet werden (zur Umrechnung der RGB-Darstellung in die IHS-
Darstellung vgl. Kap. 7.7.4, vgl. Mather u. Koch 2011 S. 172).
Abb. 10.25: Prinzip der IHS-Transformation
Zu der Gruppe der numerischen Methoden gehört die Fusion mittels Hochpassfil-
tern (vgl. Kap. 10.6.4.2). Hierbei wird zunächst der geometrisch hoch aufgelöste
panchromatische Datensatz einer Hochpassfilterung mit kleiner Filtermatrix unter-
zogen (3 x 3-Matrix), die die Bilddetails hervorhebt. Anschließend wird das Ergeb-
nis dieser Filterung jedem einzelnen Multispektralkanal hinzuaddiert, womit sich
dieses Verfahren auch für Multispektralbilder mit mehr als drei Kanälen eignet. Ins-
gesamt werden Details im multispektralen Datensatz besser erkennbar, wodurch
letztlich die Interpretierbarkeit erhöht wird.
10.7 Klassifikation
10.7.1 Prinzip pixelbasierter Klassifikationsverfahren
Das allgemeine Ziel der Fernerkundung ist, aus Fernerkundungsdaten Informatio-

nen zur Lösung von Fragestellungen z.B. aus den Bereichen Ökologie, Stadt- oder
Umweltplanung abzuleiten. Dies geschieht primär mit Hilfe der Bildauswertung o-
der Bildanalyse, zu der die klassischen, analogen Verfahren der Photogrammetrie
und der Photointerpretation gehören. Die visuelle Bildinterpretation identifiziert
räumliche Objekte aufgrund von Farbe, Helligkeit, Textur, Muster, Form, Größe,
Lage oder Schatten. Hierbei gehen vor allem Erfahrungswerte des Interpreten ein.
Die digitale Bildauswertung bietet im Anschluss an die digitale Bildaufbereitung
und Bildverbesserung ebenfalls die klassischen Interpretationsmöglichkeiten. Dazu
werden die Farbkomposite ausgedruckt oder am Monitor interpretiert. Darüber hin-
aus bestehen Verfahren, die die digitalen Bilder mit Hilfe numerischer oder statis-
tischer Verfahren auswerten. Dabei ist vor allem die rechnergestützte Klassifikation
Klassifikation 483
von Bedeutung, d.h. das Erkennen von Objekten oder Eigenschaften wie z.B. Land-
bedeckungstypen durch Auswertung mehrerer Kanäle.
Abb. 10.26: Signaturkurven dreier Oberflächen und Darstellung von Pixeln zu drei Landbede-
ckungstypen im dreidimensionalen Raum der Reflexionsgrade dreier Landsat-TM-Kanäle
Abbildung 10.26 veranschaulicht die Ausgangsüberlegungen pixelbasierter Klassi-

fikationsverfahren, die auf unterschiedlichem Reflexionsverhalten der Objekte und
Erfassung der Reflexionswerte in mehreren Kanälen beruhen. Im Idealfall liegen
die Pixel in verschiedenen, deutlich getrennten Bereichen des mehrdimensionalen
Merkmalsraumes, der durch die Reflexionswerte der beteiligten Aufnahmekanäle
definiert wird. Mit Hilfe von Klassifikationsverfahren sind diese Punktwolken oder
Cluster, d.h. Pixel mit ähnlichen Eigenschaften, zu identifizieren und z.B. Landbe-
deckungstypen zuzuordnen. Unterschieden werden zwei grundsätzlich verschie-
dene Klassifikationsstrategien.
Die unüberwachte Klassifikation setzt vorab keine Informationen über die zu er-
mittelnden Klassen voraus. Die Bestimmung der Cluster erfolgt automatisiert durch
Algorithmen ohne Einflussnahme des Bearbeiters, d.h. unüberwacht. Die errechne-
ten Cluster werden erst nach Abschluss der Rechnungen interpretiert.
Im Gegensatz dazu geht die überwachte Klassifikation davon aus, dass die im
Satellitenbild vorliegenden Landbedeckungsklassen bekannt sind. Der Bearbeiter
weiß, dass z.B. Wasserflächen vorhanden sind. Er kann vor allem einige Pixel ein-
deutig als Wasserflächen identifizieren. Die überwachte Klassifikation basiert somit
grundsätzlich auf derartigen, externen Kenntnissen, wozu auch die Anzahl der Klas-
sen gehört. Die Festlegung erfolgt „überwacht“, d.h. auf der Basis bekannter Ober-
flächentypen einzelner kleiner Testflächen, sog. Trainingsgebiete, innerhalb des ge-
samten digitalen Bildes. Ihnen werden in den nächsten Schritten des Klassifikati-
onsverfahrens die restlichen Pixel des Bildes automatisiert zugeordnet.
Hier muss auf eine sprachlich exakte Unterscheidung geachtet werden. Die Klas-
sifikationsverfahren können streng genommen nur Landbedeckungen ableiten. Wie
eine Wasser- bzw. Waldfläche z.B. als Wasserreservoir bzw. zur Anpflanzung von
Weihnachtsbäumen genutzt wird, kann in der Regel aus einem Satellitenbild nicht
zweifelsfrei erkannt werden. Häufig verschwimmen aber die (sprachlichen) Unter-
schiede zwischen Landbedeckung und Landnutzung, was u.a. auch von der Defini-
tion der Klassen abhängt. So ist z.B. von der Landbedeckung „versiegelte Sied-
lungsfläche“ recht eindeutig auf die Nutzung zu schließen.
10.7.2 Implizite Annahmen bei pixelbasierten Klassifikationsverfah-

ren
Klassifikationsverfahren beruhen auf kartesischen Koordinatensystemen und der

Distanz von Pixeln, die die Ähnlichkeit operationalisieren (vgl. Abb. 10.26). Der
Merkmalsraum wird durch die Grauwerte der Kanäle gebildet, wodurch bereits ge-
währleistet ist, dass die Größenordnung der zu klassifizierenden Objekte gleich ist.
Für Klassifikationsverfahren hat die Euklidische Distanz die mit Abstand größte
Bedeutung (vgl. Kap. 4.2.1). Dabei ist die Euklidische Distanz eine besondere Form
der allgemeineren Lr-Distanzen bzw. Lr-Normen (sog. Minkowski-r Distanzen bzw.
Minkowski-r Metriken):
ೝ ௥
݀௜௝ = ටσ௠
௦ୀଵห‫ݔ‬௜௦ െ ‫ݔ‬௝௦ ห
Für r = 1 ergibt sich die sog. City-Block- oder Manhattan-Metrik (sog. L1 -Norm),
die eine praktische Bedeutung hat. Diese Metrik misst die Distanz zwischen zwei
Objekten, indem parallel der rechtwinkligen Koordinatenachsen gemessen wird,
d.h. entsprechend dem Vorgehen in einem rechtwinkligen Straßenraster (vgl. Man-
hattan). Die City-Block-Metrik berücksichtigt nur die absoluten Differenzen, sie ist
somit unempfindlicher gegenüber Extremwerten. Für r = 2 ergibt sich die Euklidi-
sche Distanz (sog. L2-Norm), die im üblichen zweidimensionalen Anschauungs-
raum mit der Luftlinienentfernung identisch ist (Satz des Pythagoras):
ଶ ଶ ଶ
݀௜௝ = ටσଶ௦ୀଵ൫‫ݔ‬௜௦ െ ‫ݔ‬௝௦ ൯ = ට൫‫ݔ‬௜ଵ െ ‫ݔ‬௝ଵ ൯ + ൫‫ݔ‬௜ଶ െ ‫ݔ‬௝ଶ ൯
Häufig unterbleibt die Berechnung der Quadratwurzel, so dass quadrierte eukli-di-

sche Distanzen in die Klassifikationsverfahren eingehen. Werden Quadrate verwen-
det, dann werden bei der Bestimmung der Ähnlichkeit zweier Objekte große Unter-
schiede in den Merkmalsausprägungen noch stärker berücksichtigt.
Die Verwendung von Lr-Distanzen und daher auch der Euklidischen Distanz
setzt unkorrelierte Merkmale voraus, die den Merkmalsraum aufspannen und die
die Merkmalsachsen definieren. Man kann zeigeQGDVVGHU.RVLQXVGHV:LQNHOVȖ
zwischen zwei Koordinatenachsen, die zwei Merkmale darstellen, dem Korrelati-
onskoeffizienten dieser Variablen entspricht, also: rxy = FRV Ȗ. Für unkorrelierte
Merkmale gilt damit: rxy = 0 = cos 90°, was bedeutet, dass die Koordinatenachsen
X und Y rechtwinklig (orthogonal) zueinander stehen. Bei einem Korrelationskoef-
IL]LHQWHQUOLHJWVRPLWHLQVFKLHIZinkliger Merkmalsraum vor, die Lr-Metriken
lassen sich somit streng genommen nicht anwenden. Die Mahalanobis-Distanz lie-
fert eine Lösung, da sie den Abstand zweier Punkte unter Berücksichtigung der
Kovarianzen der Merkmale misst, dabei entsprechen die normierten Kovarianzen
den Korrelationen (vgl. eingehender Steinhausen u. Langer 1977 S. 59 ff. und Back-
haus u. a. 2016 S. 248 u. 511).
Klassifikation 485
Die Voraussetzung unkorrelierter Merkmale ist aber in der Digitalen Bildverar-

beitung (fast) nie gegeben. Benachbarte Spektralkanäle, die den Koordinatenachsen
entsprechen, sind zumeist hoch miteinander korreliert. Die Forderung, hochkorre-
lierte Kanäle auszuschließen, ist häufig nicht umzusetzen. Zuweilen wird eine
Hauptkomponentenanalyse vorgeschaltet, die unkorrelierte Hauptkomponenten lie-
fert, nach denen klassifiziert wird. Stattdessen ist zu fragen, welchen Einfluss kor-
relierte Merkmale (d.h. Kanäle) auf die Klassifizierung haben. Hilfreich ist ein
wichtiger Zusammenhang zwischen Cluster- und Hauptkomponentenanalyse. Man
erhält identische Euklidische Abstände und damit auch identische Analyseergeb-
nisse, falls auf der einen Seite der Euklidische Abstand auf der Basis z-standardi-
sierter (korrelierter) Originaldaten errechnet und auf der anderen Seite der Euklidi-
sche Abstand bestimmt wird auf der Basis der Hauptkomponenten, die mit der Wur-
zel der zugehörigen Eigenwerte gewichtet werden (zur Herleitung und zum Beweis
dieses Zusammenhangs vgl. de Lange 2008). Vor diesem Hintergrund ist eine Klas-
sifizierung von Pixelwerten aufgrund korrelierter Kanäle durchaus möglich, wenn
die interne Gewichtung der Merkmale erhalten bleiben soll und diese Gewichtung
durch eine Hauptkomponentenanalyse erkannt und als sinnvoll angesehen werden
kann.
10.7.3 Unüberwachte Klassifikation
Die multivariaten statistischen Verfahren der Clusteranalyse liefern Algorithmen

zur Durchführung einer unüberwachten Klassifikation. Jeweils werden die Cluster
(Klassen oder Gruppen) aufgrund der Ähnlichkeit der Objekte bzw. der Pixel gebil-
det, wobei Ähnlichkeit durch Nachbarschaft bzw. Distanz im Merkmalsraum ope-
rationalisiert wird. Unterschieden werden hierarchische Verfahren, die auf Auswer-
tung einer Ähnlichkeitsmatrix mit [n·(n-1)] / 2-Werten (n = Anzahl der Pixel) ba-
sieren (vgl. de Lange u. Nipper 2018), und iterative Verfahren. Hierarchische Ver-
fahren scheiden in der digitalen Bildverarbeitung aus, da z.B. bei einem Viertel ei-
ner Landsatszene fast 4 ή 10ଵସ Ähnlichkeiten zu analysieren wären. Vielmehr wird
ein iterativer Ansatz herangezogen.
Das iterierte Minimaldistanzverfahren ist grundlegend für Klassifikationsverfah-
ren. In der allgemeinen Formulierung wird von einer Anfangszerlegung der n Ob-
jekte in k Cluster mit jeweils ni L N 2EMHNWHQ XQG N ]XIlOOLJ EHVWLPPWHQ
Clusterkernen ausgegangen. Bezogen auf digitale Szenen sind „Objekte“ mit „Pi-
xeln“ gleichzusetzen. Abbildung 10.27 veranschaulicht das prinzipielle Vorgehen,
wobei vereinfacht nur 7 Objekte in einem euklidischen Koordinatensystem vorge-
geben sind. Zu Anfang werden die Objekte dem nächsten Kern zugeordnet (vgl. die
ersten drei Teilschritte in Abb. 10.27). Danach erfolgt die Neuberechnung sämtli-
cher Clusterkerne, d.h. Clusterschwerpunkte oder Clusterzentroide. Im Anschluss
an diesen ersten Schritt wird diese Anfangszerlegung überprüft. Das erste Objekt
wird aus seiner Anfangsgruppe herausgenommen und dem Cluster zugeordnet, zu
dessen Schwerpunkt dieses Objekt den geringsten Abstand hat (vgl. Teilschritt 5 in
Abb. 10.27). Dieser Teilschritt wird entsprechend mit dem zweiten und allen nach-
folgenden Objekten durchgeführt. Erst nachdem in einem Durchgang alle Objekte
geprüft und ggf. verschoben wurden, werden die Clusterzentroide neu berechnet
(vgl. Teilschritt 6 in Abb. 10.27). Dieser Vorgang wiederholt sich. Deutlich wird
die Abhängigkeit von der Reihenfolge der zu bearbeitenden Cluster und Objekte
sowie von den anfänglich gesetzten Clusterzentroiden.
Abb. 10.27: Arbeitsweise des Minimaldistanzverfahrens
Für dieses Verfahren muss eine Abbruchbedingung formuliert werden. So wird spä-
testens dann das Verfahren beendet, wenn mehrmals hintereinander kein Objekt ein
Cluster gewechselt hat. Man kann auch in der Iteration stets ein Homogenitätskri-
terium berechnen lassen und das Verfahren dann beenden, wenn sich zwischen zwei
Schritten der Wert dieses Kriteriums nicht wesentlich verändert hat.
Im Unterschied zu dem iterierten Minimaldistanzverfahren versucht der K-Me-
ans-Algorithmus, direkt die Summe der quadrierten Abstände aller Objekte in ei-
nem Cluster zum jeweiligen Schwerpunkt zu minimieren (d.h. die „Clustervarian-
zen“). Nachdem ein Pixel aus einem Cluster in ein anderes Cluster verschoben ist,
wird anschließend unmittelbar geprüft, ob sich die Abstandsquadratsumme verrin-
gert. Letztlich erfolgt eine Neuzuordnung zu dem Cluster, das die größte Verbesse-
rung liefert. Nach einer erfolgten Verlagerung werden sofort die Clusterzentroide
neu berechnet. Dies ist der wesentliche Unterschied zum Minimaldistanzverfahren,
bei dem eine Aktualisierung der Clusterzentroide in einem Teilschritt erst dann er-
folgt, wenn alle Objekte geprüft und ggf. neu zugeordnet wurden (vgl. de Lange u.
Nipper 2018 S. 371 ff.).
Derartige Verfahren sind relativ leicht zu implementieren und arbeiten relativ
schnell. Sie erfordern aber eine Anfangszerlegung, d.h. eine Festlegung auf eine
vorher zu bestimmende Zahl von Clustern, und eine erste vorläufige Bestimmung
Klassifikation 487
von Clusterkernen. Bei der unüberwachten Klassifikation werden in der Digitalen

Bildverarbeitung vorab keine Informationen über die zu ermittelnden Cluster und
Clusterkerne in einer Anfangszerlegung benötigt. Die Bestimmung der Cluster-
kerne bzw. der Anfangszerlegung erfolgt zufällig, d.h. unüberwacht, indem z.B. bei
n geordneten Objekten und k Klassen jedes k-te Objekt der k-ten Klasse zugeordnet
wird. Das Verfahren ist somit stark von der Reihenfolge der eingehenden Objekte
abhängig.
In der Digitalen Bildverarbeitung wird häufig das sog. Isodata-Verfahren (auch:
iterative optimization clustering oder migrating means clustering) eingesetzt, das
auf dem K-Means Algorithmus basiert. Allerdings ist der K-Means Algorithmus
nicht in der Lage, ein Cluster aufzulösen oder zwei Cluster zu vereinigen. Genau an
dieser Stelle geht das Isodata-Verfahren weiter. Berechnet werden für jedes Cluster
die Standardabweichungen der Klassifikationsvariablen (hier Kanäle) und die Euk-
lidischen Abstände zwischen den Clusterzentroiden. Falls ein Cluster eine oder
mehrere große Standardabweichungen aufweist, wird es hinsichtlich dieser Variab-
len geteilt (vgl. Abb. 10.28). Falls zwei Clusterzentroide nur einen geringen Ab-
stand aufweisen, werden die beiden Cluster zusammengelegt. Jeweils werden be-
nutzerspezifische Schwellwerte für die Standardabweichungen und Zentroiddistan-
zen vorgegeben, die diesen sog. Split- und Merge-Prozess steuern.
Der Ansatz des K-Means-Algorithmus, den quadrierten Abstand eines Objektes
in einem Cluster zum jeweiligen Schwerpunkt zu minimieren, ist auch im Mini-
mum-Distanz-Klassifikator bei der überwachten Klassifikation implementiert (vgl.
Kap. 10.7.5).
Abb. 10.28: Split und Merge beim Isodata-Verfahren
10.7.4 Bestimmung von Trainingsgebieten in der überwachten Klas-

sifikation
Die überwachte Klassifikation basiert auf bekannten Oberflächentypen einzelner

kleiner Testflächen, den sog. Trainingsgebieten, innerhalb des gesamten digitalen
Bildes. Die parametrischen Klassifikationsverfahren (vgl. Kap. 10.7.5) setzen zu-
dem Werte für einzelne statistische Parameter voraus, die letztlich die Klassen de-
finieren. So erfordert die einfache Parallelepiped-Methode Schätzungen der Ext-
remwerte für jedes Merkmal für jede Klasse, die Minimum-Distance-Methode be-
nötigt Schätzungen für die multivariaten Mittelwerte der Klassen, die als Klassen-
repräsentanten angesehen werden, die Maximum-Likelihood-Methode setzt Schät-
zungen für die multivariaten Mittelwerte und für die Varianz-Kovarianzen der Klas-
sen voraus. Auch die weiterführenden Methoden, wie der auf neuronalen Netzwer-
ken aufbauende Algorithmus, arbeiten direkt auf den Trainingsdaten, sie stellen
aber keine strikten Anforderungen an die Verteilungsform. Evident ist jedoch, dass
das Ergebnis einer überwachten Klassifikation von der Auswahl sowie der Eigen-
schaften der Trainingsgebiete abhängt. Somit müssen vorab eindeutige Gebiete
identifiziert werden.
Die Klassifikation geht generell davon aus, dass verschiedene Landbedeckungs-
arten ein jeweils eigenes, charakteristisches Reflexionsverhalten in den diversen
Kanälen besitzen. Anhand von statistischen Kennwerten dieser Musterklassen ist es
dann möglich, eine bestimmte Landbedeckung der übrigen Pixel zu identifizieren.
Allerdings können sich für eine Oberfläche je nach Jahreszeit oder Atmosphären-
zustand die Signaturkurven durchaus ändern, so dass man nicht von allgemeingül-
tigen, genormten Signaturkurven bzw. statistischen Kennwerten z.B. eines Acker-
pixels ausgehen kann. Bei der überwachten Klassifikation werden die statistischen
Kennwerte der einzelnen Klassen stets erneut bestimmt, d.h. für ein Untersuchungs-
gebiet kalibriert. Somit wird versucht, in der zu klassifizierenden Szene Trainings-
gebiete zu identifizieren, die hinsichtlich der Landbedeckung möglichst homogen
sind und für die eine Bestimmung der konkreten Landbedeckung am Boden vor-
liegt. Diese Kenntnisse können aus Ortskenntnissen z.B. durch eine Kartierung,
durch eine Luftbild- oder Karteninterpretation vorliegen.
Das Herausbilden der Trainingsgebiete (bzw. Mustergebiete) wird auch durch
sog. „Region Growing“-Algorithmen erreicht. Das Grundprinzip ist dadurch ge-
kennzeichnet, dass im ersten Schritt ein Startpixel, d.h. ein sog. „seed point“ auf ein
ausgewähltes Pixel des Eingabebildes gesetzt wird, dessen Bedeutung dem Anwen-
der bekannt ist (vgl. Abb. 10.29). In der Regel werden zuerst „seed points“ in Was-
serflächen gesetzt. Aus diesen einzelnen „seed points“ erwachsen dann größere Ge-
biete, die hinsichtlich der Spektralwerte sehr homogen sind. Überprüft wird, ob ein
angrenzendes Nachbarpixel ein vorgegebenes Homogenitätskriterium erfüllt. Die
Spektralwerte des neuen Pixels dürfen sich nicht sehr von denen des „seed point“
unterscheiden, um möglichst große Homogenität des Trainingsgebietes zu erzielen.
Das Ziel dieser Vorarbeiten ist nicht, das gesamte Untersuchungsgebiet abzude-
cken. Vielmehr sollen Pixel ausgewählt werden, deren Bedeutung zweifelsfrei be-
kannt ist. Die Bestimmung der Trainingsgebiete erfordert daher Geschick und
räumliche Vorkenntnisse des Bearbeiters. Am Ende dieser durchaus aufwendigen
Vorarbeiten steht in der Regel ein gutes Klassifikationsergebnis.
Klassifikation 489
Abb. 10.29: Erkennen von Trainingsgebieten: Salzwiese im Deichvorland und zwei Ackerflächen
(Landsat 5 1999, Westküste Schleswig-Holstein, Kanäle 4-3-2)
10.7.5 Klassifikation aufgrund statistischer Parameter
Im Anschluss an die Bestimmung von Trainingsgebieten bzw. von Landbedeckun-

gen mit den zugehörigen Spektraleigenschaften erfolgt im zweiten Schritt eine Zu-
ordnung der Pixel der Gesamtszene zu den ermittelten Musterklassen oder Reflexi-
onsklassen. Für diese Zuweisung bestehen mehrere Methoden, die auch bei der
Clusteranalyse gebräuchlich sind:
- Quader-Klassifikation (Parallelepiped Classification oder Box Classification),
- Minimum-Distanz-Klassifikation (Verfahren der nächsten Nachbarschaft),
- Maximum-Likelihood-Klassifikation (Verfahren der größten Wahrscheinlich-
keit).
Das einfachste Zuordnungsverfahren mit sehr geringem Rechenaufwand stellt die
Quader-Klassifikation dar. Jedes Trainingsgebiet definiert für n Kanäle einen n-di-
mensionalen Quader, der sich für jeden Kanal aus den Minimal- und Maximalwer-
ten der jeweiligen Grauwerte definiert. So werden z.B. durch ein Trainingsgebiet,
das eine Asphaltfläche darstellt, die Grauwertgrenzen der beteiligten Kanäle be-
stimmt, so dass der Landbedeckungstyp „Asphaltfläche“ durch einen Quader im n-
dimensionalen Datenquader definiert wird. Bei einer Klassifikation von nur zwei
Kanälen wie in Abbildung 10.30 entstehen dadurch im zweidimensionalen Merk-
malsraum rechteckige Bereiche (Musterklassen). Dabei kann allerdings das Prob-
lem entstehen, dass sich mehrere Musterklassen überschneiden. Die Pixel des ge-
samten Bildes, deren Grauwertkombinationen in diesen Quader (Musterklasse) fal-
len, werden als „Asphaltfläche“ klassifiziert.
Abb. 10.30: Clusterbildung und Zuordnungsprinzipien (nach Lillesand u.a. 2008 S. 550 ff.)
Bei der Minimum-Distanz-Klassifikation werden aufgrund der Trainingsgebiete für

jede Musterklasse und für jeden Kanal die Mittelwerte der Grauwerte berechnet.
Hierdurch werden im Merkmalsraum der beteiligten Kanäle für die Musterklassen
Gruppenschwerpunkte (Clusterzentroide) definiert. Die Pixel der Gesamtszene wer-
den anschließend diesen Kristallisationskernen zugeordnet, wobei die Zuordnung
zum nächstgelegenen Zentroiden erfolgt. Bei einer Klassifikation von nur zwei Ka-
nälen wie in Abbildung 10.30 wird der Merkmalsraum durch diese Zuordnungsvor-
schrift in Thiessen-Polygone zerlegt (vgl. Kap. 9.7.4). Diese strenge Zerlegung
durch einfache lineare Trennfunktionen berücksichtigt allerdings nicht die unter-
schiedlichen Streuungen der Grauwerte um die Mittelwerte einzelner Klassen. So
können durchaus Fehlzuordnungen entstehen.
Bei der Maximum-Likelihood-Klassifikation werden entsprechend der Mini-
mum-Distanz-Klassifikation für jede Musterklasse Clusterzentroide bestimmt. Die
Zuordnung der übrigen Pixel der Gesamtszene zu diesen Zentroiden erfolgt hierbei
allerdings komplexer. Es wird die Wahrscheinlichkeit berechnet, mit der ein Pixel
einer Klasse angehört. Dabei wird davon ausgegangen, dass die Pixelwerte jeder
Gruppe um den Clusterzentroid normalverteilt sind. Auch muss bekannt sein, wie
stark die einzelnen Klassen besetzt sind bzw. wie wahrscheinlich eine einzelne
Klasse ist. Fehlen diese A-priori-Wahrscheinlichkeiten für das Auftreten der einzel-
nen Klassen, werden sämtliche Klassen als gleich wahrscheinlich angenommen. Al-
lerdings kann aufgrund visueller Interpretation oder auf der Basis einer vorange-
gangenen Klassifikation in einem entsprechenden Untersuchungsgebiet mit ähnli-
chen Oberflächenklassen versucht werden, A-priori-Wahrscheinlichkeiten abzu-
schätzen. In die Bestimmung der Wahrscheinlichkeiten geht die unterschiedliche
Streuung der Clustermitglieder um den Clusterzentroiden ein, der ein Trainingsge-
biet repräsentiert. Insgesamt handelt es sich hierbei um ein rechenaufwendiges Ver-
fahren, das zumeist recht gute Klassifikationsergebnisse liefert.
Das Maximum-Likelihood-Verfahren setzt eine Gauß'sche Normalverteilung der
Reflexionswerte jeder einzelnen Klasse in allen Spektralkanälen voraus. Allerdings
hat auch eine nur näherungsweise vorhandene Normalverteilung kaum negative
Klassifikation 491
Auswirkungen auf das Klassifikationsergebnis. So ist der große Vorteil des Maxi-
mum-Likelihood-Klassifikationsalgorithmus seine relative Robustheit (zum mathe-
matischen Ansatz vgl. vor allem Jensen 2015 S. 398-402 u. Richards 2013 S. 250–
260).
Eine erfolgreiche Maximum-Likelihood-Klassifikation verlangt nach Dennert-
Möller (1983, zitiert in Schumacher 1992) bestimmte Eigenschaften der Trainings-
gebiete:
- Die Mindestzahl an Trainingspixeln, die zur Aufstellung der Gleichungen aus-
reicht, liegt bei n + 1 (vgl. Swain u. Davis 1978), wobei n die Anzahl der Spekt-
ralkanäle repräsentiert. Als Empfehlung nennen Swain u. Davis (1978) eine An-
zahl von 10 n bis 100 n Trainingspixeln, wobei sich diese Angaben in der Praxis
für geometrische Auflösungen wie bei Landsat bewährt haben (vgl. Jensen 2015
S. 378, Lillesand u.a. 2008 S. 559). Die Wahl mehrerer über das Bild verteilter
Trainingsgebiete für jede Klasse ist der Bildung eines einzigen großen Trainings-
gebietes vorzuziehen.
- In einem Trainingsgebiet sollten möglichst die Merkmalsausprägungen nur einer
Klasse erfasst sein.
- Die Trainingsgebiete sollten zwar homogen sein, aber dennoch die gesamte Va-
riabilität innerhalb des Spektralverhaltens einer thematischen Klasse widerspie-
geln (Repräsentativität).
- Die einzelnen Klassen sollten sich möglichst gut voneinander trennen lassen, um
den Umfang der Fehlklassifizierungen in Grenzen zu halten. Die Verteilungen um
die Clusterzentroide der verschiedenen Musterklassen sollten sich möglichst ge-
ring überlappen.
Eine Klassifikation kann nach verschiedenen Methoden erfolgen, wobei eine Kom-
bination von überwachter und unüberwachter Klassifikation sowie auch ein mehr-
stufiges Vorgehen möglich sind. Solch eine Strategie ist immer dann sinnvoll, wenn
verschiedene Klassen nur durch unterschiedliche Verfahren optimal identifiziert
werden können.
Bei einem klassischen, d.h. häufigen Vorgehen werden in einem iterativen Pro-
zess die verschiedenen Klassen nacheinander separiert. So können z.B. zunächst
relativ einfach über eine Quader-Klassifikation Wasser- und Landoberflächen ge-
trennt werden. Anschließend ist die Wasseroberfläche ausmaskierbar (zu Operatio-
nen auf Rasterdaten wie Maskieren vgl. Kap. 9.5.3). Die Klassifikation konzentriert
sich dann auf die Trennung verschiedener Landoberflächen. Über einen Vegetation-
sindex (vgl. Kap 10.6.3.1) ist danach z.B. die Trennung der vegetationsbedeckten
von vegetationsarmen Oberflächen möglich. Schließlich kann sich die Maximum-
Likelihood-Klassifikation voll auf die Unterscheidung verschiedener Vegetations-
formationen konzentrieren. Eine mehrstufige Klassifikationsstrategie bietet sich
auch bei Vorlage weiterer Ausgangsinformationen an. So können z.B. die Gebäu-
degrundflächen sowie die Verkehrs- und Wasserflächen, die aus der Automatisier-
ten Liegenschaftskarte abzuleiten sind, ausmaskiert werden, so dass die verbleiben-
den Pixel leichter im Hinblick auf Vegetationsdifferenzierungen klassifiziert wer-
den können.
10.7.6 Ermittlung der Klassifikationsgenauigkeit
Zur quantitativen Abschätzung der Klassifikation haben sich lagespezifische Ver-

fahren durchgesetzt, die nicht nur eine rein statistische Aussage über den Anteil
richtig klassifizierter Pixel ermöglichen, sondern auch Angaben über die gegensei-
tigen Abhängigkeiten von Fehlklassifikationen zwischen den verschiedenen Klas-
sen zulassen (vgl. Jensen 2015 S. 570 ff.). Derartige Verfahren basieren auf dem
Vergleich zwischen dem Klassifikationsergebnis und Referenzdaten, die aus als
korrekt angenommenen Quellen stammen (z.B. eigene Kartierung, digitaler
ATKIS-Datensatz, Biotoptypenkartierung, Topographische Karten). Der Vergleich
erfolgt anhand von Testgebieten, die nicht vorher bereits als Trainingsgebiete ge-
nutzt worden sein dürfen (zur Auswahl der Testgebiete vgl. Congalton u. Green
1999 S. 22 ff.). Bei einer Analyse auf der Basis einer geschichteten Zufallsstich-
probe wird z.B. für jede Klasse jeweils eine bestimmte Anzahl von Testpixeln zu-
fällig aus dem Klassifikationsergebnis ausgewählt. Dabei hängt die Anzahl der
Testpixel pro Klasse von ihrer flächenmäßigen Ausdehnung ab. Die Mindestanzahl
der ausgewählten Pixel pro Klasse sollte einen Wert von 50 nicht unterschreiten und
für stärker vertretene Klassen bei 75 bis 100 Pixeln liegen (vgl. Congalton 1991).
Herauszustellen ist, dass diese Angaben für typische Auflösungen wie bei Landsat
gelten, aber nicht mehr für hochauflösende Satellitendaten.
Das Ergebnis des Vergleiches der Testgebiete mit der Referenz wird in sog. Kon-
fusionstabellen (Konfusionsmatrizen) aufbereitet, in denen die Ergebnisse der Klas-
sifikation den Referenzinformationen gegenübergestellt werden (vgl. Tab. 10.7).
Eine Konfusionstabelle ermöglicht die Betrachtung der Klassifikationsgüte aus
mehreren Perspektiven. Die Gesamtgenauigkeit wird durch den Quotienten aus al-
len korrekt klassifizierten Pixeln (Summe der Zahlen in der Hauptdiagonalen der
Konfusionstabelle) und der Gesamtzahl der Testpixel abgeschätzt (hier 360 / 415 =
87 %). Durch Division der Anzahl der richtig klassifizierten Bildelemente durch die
Reihensumme wird die Genauigkeit aus Nutzersicht (sog. user's accuracy) errech-
net. Sie besagt, zu welchem Prozentanteil bzw. mit welcher Wahrscheinlichkeit ein
Benutzer des Klassifikationsergebnisses im Gelände tatsächlich auf die betreffende
Klasse trifft. In der Tabelle 10.7 liegt z.B. für Laubwald eine Genauigkeit aus Nut-
zersicht von 139 / 153 = 91 % vor. Durch Division der richtig klassifizierten Pixel
durch die Spaltensumme errechnet sich die Genauigkeit aus Herstellersicht (sog.
producer's accuracy). In der Tabelle 10.7 liegt z.B. für Laubwald eine Genauigkeit
aus Herstellersicht von 139 / 155 = 90 % vor. Die Konfusionstabelle gibt insgesamt
Auskunft, wo Schwierigkeiten in der eindeutigen Klassenzuteilung auftraten, und
weist damit auf Inhomogenitäten in den Trainingsgebieten oder gar in den Klas-
sendefinitionen hin.
Klassifikation 493
Tabelle 10.7: Beispiel einer Konfusionstabelle

Referenzdaten
Laubwald Nadelwald Acker Wiese gesamt User’s Accuracy
Laubwald 139 8 2 4 153 91%
klassi- Nadelwald 7 101 5 4 117 86%
fizierte Acker 5 4 75 2 86 87%
Daten Wiese 4 7 3 45 59 76%
gesamt 155 120 85 55 415
Producer’s 90% 84% 88% 82%
Accuracy
Die Übereinstimmung zwischen den klassifizierten Daten und den Referenzdaten

kann mit Hilfe von Kontingenzkoeffizienten quantifiziert werden. In der digitalen
Bildverarbeitung ist die Errechnung des Kappa-Koeffizienten üblich, der sowohl die
Auslassungen (sog. errors of omission, Zahl der fälschlicherweise einer Klasse nicht
zugeordneten Pixel) als auch die Zuschläge (errors of commission, Zahl der fälsch-
licherweise zu einer Klasse zugeschlagenen Pixel) in die Beurteilung der Klassifi-
kationsgüte einbezieht (vgl. Mather u. Koch 2011 S. 280 ff. u. Jensen 2015 S. 570):
ܰ ή σ௥௜ୀଵ ‫ݔ‬௜௜ െ σ௥௜ୀଵ ܼ݈݁݅݁݊‫݁݉݉ݑݏ‬௜ ή ܵ‫݁݉݉ݑݏ݊݁ݐ݈ܽ݌‬ଵ
ߢ=
ܰ ή ܰ െ σ௥௜ୀଵ ܼ݈݁݅݁݊‫݁݉݉ݑݏ‬௜ ή ܵ‫݁݉݉ݑݏ݊݁ݐ݈ܽ݌‬௜
ସଵହ ήଷ଺଴ିସ଼ଷଵ଴
Für die Werte der Tabelle 10.7 ergibt sich: ߢ = ସଵହ ήସଵହ
= 0.82
Werte des Kappa-Koeffizienten schwanken zwischen 0 und 1. Dabei kennzeichnet

ein Wert von 0 keine und ein Wert von 1 totale Übereinstimmung. Werte von Kappa
größer als 0.75 deuten eine sehr gute, Werte kleiner als 0.4 eine schlechte Klassifi-
zierungsgenauigkeit an, wobei aber zu einer derartigen Bewertung die Vorausset-
zungen an die Verteilungsform (Zufallsstichprobe aus einer multinomial verteilten
Grundgesamtheit) zu beachten sind. Viel wichtiger ist aber die Bewertung vor dem
Hintergrund des Klassifizierungsziels zu beurteilen. So kann eine Klassifizierung
mit einem Kappa-Koeffizient von 0.75 durchaus unbrauchbar sein. Hinzuweisen ist
auch darauf, dass die Referenzdaten fehlerhaft sein können.
Allerdings stellen mehrere Arbeiten heraus, dass der Kappa-Koeffizient nicht das
geeignetste Maß zur Beurteilung der Klassifizierungsgenauigkeit ist. Pontius u.
Millones legen nahe, dass die Kappa-Indizes für die praktische Anwendung irrefüh-
rend und/oder fehlerhaft sind, und schlagen vielmehr die Analyse der Konfusions-
matrix und die Betrachtung der beiden Parameter „quantity disagreement“ und „al-
location disagreement“ vor (vgl. Pontius u. Millones 2011 sowie Olofsson u.a.
2014, vgl. auch Stehman u. Foody 2019, die den aktuellen Stand aus fast 50 Jahren
Praxis referieren, entschieden gegen den Kappa-Koeffizienten argumentieren und
weitere Möglichkeiten diskutieren, vgl. auch die weiterführenden Parameter „quan-
tity“, „exchange“ und „shift“ in Pontius 2019).
10.7.7 Probleme pixelbasierter Klassifikationsverfahren
Die dargestellten Verfahrensstrategien gehen von einer eindeutigen Klassifikation

aus. Hierdurch werden aber die tatsächlichen Verhältnisse idealisiert. Dagegen kön-
nen häufig in der Praxis einige Pixel nicht eindeutig einer bestimmten Klasse zuge-
ordnet werden. Dies kann dann der Fall sein, wenn mehrere Klassen aufgrund ihrer
statistischen Kennwerte (Varianz der Grauwerte) relativ heterogen sind und ein Pi-
xel mehreren Gruppen zugewiesen werden kann. Insbesondere ist die Zerlegung des
Merkmalsraumes durch lineare Trennfunktionen wie bei der Quader- oder der Mi-
nimum-Distanz-Klassifikation sehr starr. So sind Gruppen zuweilen nicht derart
einfach oder regelhaft definiert und dann z.B. durch Thiessen-Polygone nicht ein-
deutig zu trennen. Das Maximum-Likelihood-Verfahren bringt zwar Verbesserun-
gen, aber keine prinzipielle Lösung, da es als parametrisches Verfahren eine be-
stimmte Verteilungsform impliziert.
Größere Probleme stellen Mischpixel dar, die aufgrund der geringen geometri-
schen Auflösung verschiedene Oberflächentypen in einem Aufnahmepixel reprä-
sentieren (insbesondere in Übergangsbereichen wie z.B. Grünflächen und Bebau-
ung am Rande von Städten oder bei Grünflächen und Wasserflächen an Uferzonen
von Flüssen und Seen). Demnach kann bei geringauflösenden Fernerkundungsdaten
wie z.B. Daten der Landsatsensoren ein Teilausschnitt einer Szene bzw. ein Pixel
nicht zwingend die räumlichen Details der Erdoberfläche wiedergeben. Die am Sen-
sor auftreffenden Strahlungswerte sind dann Mischwerte der emittierten bzw. re-
flektierten Strahlung am Boden. Die eindeutige Zuordnung zu einer Klasse ist dann
nicht mehr möglich, was zwangsläufig zu Fehlklassifizierungen führt. Als Lösungs-
hilfe bietet sich die Einbeziehung nichtspektraler Zusatzdaten wie z.B. ATKIS-
Daten an, die zu einer Vorauswahl der Bilddaten oder groben Trennung von Bild-
informationen (z.B. Ausmaskieren von Siedlungsbereichen) genutzt werden kön-
nen. Ferner können multitemporale Aufzeichnungen herangezogen werden, bei de-
nen z.B. die phänologische Entwicklung der Vegetation zur eindeutigen Unterschei-
dung ausgenutzt wird. Weitergehend bieten sich Verfahren der Subpixel-Analyse
(spektrale Mischungsanalyse) an wie lineare spektrale Entmischung (vgl. Jensen
2015 S. 480-484 u. Mather u. Koch 2011 S. 258-263).
Ein weiteres Problem der parametrischen Verfahren ist, dass zunächst jedes Pixel
einer Landbedeckungsklasse zugeordnet wird, unabhängig davon, wie gering die
Wahrscheinlichkeit einer wirklichen Klassenzugehörigkeit ist. So werden auch die
durch die zuvor definierten Trainingsgebiete nicht oder nur unzureichend erfassten
Pixel derjenigen Klasse zugeordnet, deren Eigenschaften sie am nächsten kommen.
Diesem Problem lässt sich durch die Definition eines Zurückweisungsschwellwer-
tes entgegenwirken, der nutzerabhängig definiert werden kann und die Pixel mit
geringen Zugehörigkeitswahrscheinlichkeiten als nicht klassifizierbar abweist (vgl.
Richards 2013 S. 253 ff.). Als Ergebnis bleiben solche Flächen unklassifiziert, für
die in der Trainingsphase unzureichende Musterklassen erfasst wurden. Dies kön-
nen z.B. auch Flächen einer Klasse sein, für die zwar Trainingsgebiete vorliegen,
die aber an der unklassifiziert gebliebenen Stelle aufgrund andersartiger topogra-
phischer Eigenschaften (Beleuchtung) andere Reflexionswerte aufweisen.
Klassifikation 495
Häufig kommt es bei parametrischen Verfahren und gerade bei wenig aufgelös-
ten Bildern zu einem sog. Salz-und-Pfeffer-Effekt in der graphischen Präsentation.
Das dargestellte Klassifikationsergebnis zeigt eine unruhige Struktur (Einsprengsel,
unlogische Pixelwerte), die die Auswertung erschwert. Die Anwendung eines Tief-
passfilters (vgl. Kap. 10.6.4.1) kann weiterhelfen, der diesen Effekt beseitigt. Hier-
für werden zumeist Median- oder Modalfilter eingesetzt.
Eine steigende Auflösung erschwert erheblich das Auffinden (größerer) homo-
gener Bildelemente, die eine bestimmte Oberfläche repräsentieren. Ein einzelnes
Pixel kann nicht mehr isoliert, sondern muss als Teil eines größeren Objektes be-
trachtet werden muss. So werden bei sehr hochauflösenden Sensoren in einem Pixel
nicht mehr Baublöcke erfasst, sondern einzelne Gebäudeteile. Ebenso können in
einem Waldbestand kleinste Lücken bzw. Waldlichtungen abgebildet werden, die
von einem Standardverfahren wie der Maximum-Likelihood-Klassifikation als Of-
fenbodenbereiche oder Ackerland klassifiziert werden. Erst die Betrachtung der
Umgebung, d.h. die Berücksichtigung von Nachbarschaftsinformationen, lässt die
Waldlichtung erkennen. Bei der Klassifikation, Mustererkennung und Objektbil-
dung wird jetzt insbesondere die Betrachtung der Pixelumgebung wesentlich. Ne-
ben der Nachbarschaft tragen auch Textur und Form sowie Farbinformation bei ei-
nem menschlichen Interpreten zum Erkenntnisvorgang bei.
10.7.8 Objektorientierte Bildsegmentierung und Klassifikation
Verfahren der Bildsegmentierung lösen sich von der rein pixelbasierten Sichtweise.
Bildsegmentierung, d.h. das Herausarbeiten von Segmenten oder einzelnen Berei-
chen eines Bildes, ist grundsätzlich nicht neu. Zu den einfachsten Ansätzen gehören
alle Verfahren mit Schwellwertbildungen, d.h. (sukzessives) Ausmaskieren von Pi-
xeln ab einem vorgegebenen Wert (z.B. NDVI > 0.5). Im Hinblick auf die Klassifi-
kation mehrerer unterschiedlicher Bereiche eines Bildes werden allerdings keine
zufriedenstellenden Ergebnisse erzielt.
In einem weiteren Vorgehen wird auf erhebliches Vorwissen zurückgegriffen.
So können Grenzen von Objekten wie z.B. landwirtschaftliche Nutzflächen heran-
gezogen werden. Die Pixel bzw. ihre Spektralwerte einer bestimmten Fläche kön-
nen herangezogen werden, um die Fläche zu beschreiben. Bei diesem Ansatz wer-
den aber primär die Flächen und weniger die Pixel klassifiziert (sog. per-field An-
satz gegenüber einem per pixel-Ansatz).
Die objektorientierte Bildsegmentierung ist dadurch gekennzeichnet, dass die
Algorithmen sowohl spektrale als auch räumliche Informationen einbeziehen (zu-
meist auf Grundlage der Software eCognition, vgl. Trimble 2019, zu Hinweisen zu
freier Software vgl. Jensen 2015 S. 421). Dadurch unterscheiden sie sich grundsätz-
lich von den pixelbasierten Verfahren (zu einem breiten Überblick der Entwicklung
objektbasierter Analysen vgl. Blaschke 2010). Der Ansatz kann generell als eine
Region-Growing-Technik beschrieben werden (vgl. Bestimmung von Trainingsge-
bieten in Kap. 10.7.3). Das Verfahren startet, indem jedes Pixel ein Objekt oder eine
Region bildet. Bei jedem Schritt werden Objekte paarweise zu einem größeren Ob-
jekt zusammengeführt. Die Entscheidung, ob zwei Objekte vereinigt werden, ba-

siert auf einem Homogenitätskriterium, das die Ähnlichkeit benachbarter Bildob-
jekte formalisiert. Hierbei geht in die Berechnung ein Parameter ein, der die spekt-
ralen Informationen beschreibt (basierend auf den Standardabweichungen der
Spektralwerte aller Kanäle der betrachteten Pixel), und ein weiterer Parameter, der
die Form operationalisiert (basierend auf der Beschreibung von Kompaktheit und
Glattheit der Pixelhaufen). Der Anwender spezifiziert diese und gewichtet die Pa-
rameter (zu einer Zusammenstellung vgl. Jensen 2015 Tab. 9.12). Er kann bestim-
men, ob der Klassifikationsprozess deutlicher durch z.B. spektrale Eigenschaften
beschrieben wird. Das Zusammenlegen zweier benachbarter Pixel oder Objekte er-
folgt erst dann, wenn das Ausmaß der Übereinstimmung kleiner als ein vorgegebe-
ner Wert ist. Ein kleinerer Wert für diesen Parameter „least degree of fitting“ führt
zu einer kleineren Anzahl von Zusammenlegungen und dadurch auch zu kleineren
Objekten. Das Verfahren endet, falls keine Zusammenführungen mehr möglich
sind. Der Nutzer muss ferner festlegen, wie sich die Nachbarschaft zweier Pixel
oder Objekte bestimmt (z.B. N.4-Nachbarschaften, vgl. Kap. 9.3.4).
Die Auswahl der Startpixel für die Bildung der Regionen und die Bestimmung
von Schwellwerten für das Homogenitätskriterium sind kritische Punkte des Ver-
fahrens. Die Operationalisierung der Nachbarschaft hat ebenfalls Einfluss auf die
Objektbildung.
10.7.9 Moderne weiterführende Klassifikationsansätze
Inzwischen sind schon länger bestehende Klassifikationsverfahren zum Standard

geworden, die in den Bereich des maschinellen Lernens gehören (zur Einführung in
die Denkweise maschinellen Lernens bei Klassifikationsverfahren in der Ferner-
kundung vgl. Hänsch u. Hellwich 2017 S. 604, 607). Diese neuen Klassifikatoren,
die zu den überwachten Klassifikationsansätzen gehören, erfordern keine Annah-
men bezüglich der Häufigkeitsverteilung der Trainingsdaten, wie sie z.B. die Ma-
ximum-Likelihood-Methode voraussetzt. Die daher als nicht-parametrische Ver-
fahren bezeichneten Methoden gehen nicht von statistischen Informationen der
Trainingsgebiete aus (z.B. Minimum, Maximum, Mittelwert, Varianz-Kovarianz
der Merkmale, d.h. Kanäle, in einem Cluster). Aufgrund dieser nicht notwendigen
Voraussetzungen sind diese Verfahren für die Klassifizierung immer beliebter ge-
worden. Hier kann jeweils nur die Klassifizierungsidee der recht komplexen Ver-
fahren wiedergegeben werden.
10.7.9.1 Klassifikation mit Hilfe künstlicher neuronaler Netze
Neuronale Netze verfolgen gegenüber den statistischen Verfahren einen grundsätz-

lich anderen Ansatz. Neuronale Klassifikationsverfahren gehen von der Arbeits-
weise des menschlichen Gehirns aus, in dem eine riesige Zahl von Nervenzellen,
Neuronen, miteinander verbunden sind (zu diesem neuen Arbeitsfeld der Informatik
vgl. Ertel 2016, Kruse u.a. 2015, Nielsen 2015)
Klassifikation 497
Abb. 10.31: Modell eines Neurons mit zwei Eingängen und einem Ausgang
Ein Neuron kann als eine Verarbeitungseinheit verstanden werden, die (gewichtete)
Eingaben von anderen Neuronen erhält, sie addiert und ein Signal an andere Neu-
ronen schickt, falls die Summe der Eingabewerte einen Schwellwert überschreitet.
Die Informationsverarbeitung erfolgt vorwärts gerichtet (feed-forward), ausgehend
von den ersten Eingaben zu der letzten Ausgabe (vgl. Abb. 10.31). Zu diesem sehr
einfachen Ausgangsmodell kommt die (maschinelle) Lernfähigkeit hinzu. Bevor
das Modell zuverlässig arbeitet, muss es anhand von Trainingsdaten trainiert wer-
den (supervised learning, überwachtes Lernen). Zu Anfang werden die Gewichte
zufällig bestimmt. Da die aus den Eingabedaten anhand der Gewichte und der
Schwellwerte bestimmten Ausgangsdaten zunächst nicht mit der zugehörigen Klas-
sifikation der Trainingsdaten übereinstimmen, müssen die Gewichte und der
Schwellenwert angepasst werden. Mather und Koch vergleichen dieses Vorgehen
mit dem Leselernen eines Kindes (vgl. Mather u. Koch 2011 S. 251). Durch wie-
derholte Korrektur von Fehlern und Identifikation von Buchstaben verbunden mit
der Aussprache entwickelt sich die Lesefähigkeit. Auf diese Weise könnte auch z.B.
die logische „and“-Schaltung erlernt werden, bei der beide Eingänge den Wert 1
haben müssen, bevor als Ausgang eine 1 erfolgt:
Summe = ½ · Input1 und ½ · Input 2 und Schwellwert = 1
Gegenüber diesem einfachen Modell, das als einschichtiges Perzeptron bezeichnet
wird, besteht ein komplexeres Modell aus einem mehrschichtigen Perzeptron, das
zudem von einer komplexeren Schwellwertfunktion (stetige Ausgangswerte zwi-
schen 0 und 1) und von einer mehrschichtigen Anordnung der Neuronen in Layern
ausgeht. Statt diskrete Eingabewerte zu fordern, können die Inputwerte normalisiert
(d.h. zwischen 0 und 1) vorliegen. Im Beispiel der Abbildung 10.32 liefern die vier
Neuronen des Outputlayers Ausgaben, die als Grundlage der Klassifikation dienen.
In der mittleren, nicht sichtbaren Ebene befinden sich in diesem Beispiel zwei Neu-
ronen, die mit allen Neuronen des Input- und Outputlayers verbunden und gewichtet
sind. Diese Neuronen des sog. Hidden Layers setzen die Summen der Eingangs-
werte und die Schwellwertbildung um.
Das Modell könnte verwendet werden, um ein Pixel zu klassifizieren, für das
jeweils drei Grauwerte des sichtbaren Lichts als Input vorliegen. Das neuronale
Netz könnte derart trainiert werden, dass, falls das erste Ausgangsneuron einen Wert
in der Nähe von 1 hat und die verbleibenden Ausgangsneuronen Werte in der Nähe
von Null haben, das Eingangspixel einer ersten Klasse zugeordnet wird. Die Mus-
tererkennung bzw. Klassifikation eines Eingabepixels geht somit von einem be-
kannten Trainingsmuster aus (training data pixel, z.B. Grauwerte 20, 12, 0 bzw.
normalisiert 0.08, 0.05, 0 für die ersten drei Kanäle von Landsat), von dem bekannt
ist, dass es zu einer bestimmte Klasse (hier Wasser) gehört. Das Verfahren liefert
für jeden Eingabevektor einen Wert für jedes Neutron des Outputlayers. Fast immer
besitzen sämtliche Neuronen des Outputlayers einen Wert 0. Nur für das bekannte
Trainingsmuster weist das Neuron, das die zugehörige Klasse bezeichnet, den Wert
1 auf. Das Lernen eines künstlichen neuronalen Netzes bedeutet hier, den Prozess
immer wieder für Eingabepixel zu wiederholen und die Gewichte bzw. Schwell-
werte derart zu justieren, dass Trainingspixel, d.h. Pixel mit einer bekannten Klas-
senzugehörigkeit, am Ende auch genau dieser Klasse zugewiesen werden.
Abb. 10.32: Mehrschichtiges Perzeptron
Das mehrschichtige Perzeptron wird mit einer komplexen Lernregel trainiert, die
als Backpropagation, Backpropagation of Error oder auch Fehlerrückführung be-
zeichnet wird. Für jedes neue Pixel, das in das Lernverfahren aufgenommen wird,
unterscheidet sich der Ausgabevektor von dem Ausgabevektor des eindeutig klas-
sifizierten Trainingspixels um einen Betrag, der als Fehler bezeichnet wird. Ausge-
hend von diesem Fehler wird versucht, die Gewichte neu einzustellen. Gesucht wird
also eine Abbildung, die Eingabevektoren auf vorgegebene Ausgabevektoren abbil-
det, wobei keine mathematische Funktion gesucht, sondern stattdessen die Abbil-
dung durch Gewichte und Schwellwerte operationalisiert wird. Die Abbildungsgüte
wird durch eine Fehlerfunktion beschrieben, die minimiert werden muss, wobei
aber im Allgemeinen lediglich ein lokales Minimum gefunden wird.
Der Backpropagation-Algorithmus geht vereinfacht in drei Schritten vor (zur
mathematischen Formulierung vgl. z.B. Nielsen 2015 Kap. 2):
- Die Eingabewerte eines Pixels werden dem Netzwerk am Inputlayer zur Verfü-
gung gestellt und durch das Neuronale Netzwerk vorwärts gerichtet verarbeitet
(feed forward, forward propagation).
- Der Ausgabevektor, der vom Neuronalen Netzwerk geliefert wird, wird mit der
geforderten Ausgabe verglichen, da die Klassenzugehörigkeit des Eingabepixels
und somit die Besetzung der Ausgabeneuronen bekannt sind.
- Die Differenz der beiden Vektoren, d.h. der Fehler des Netzes, wird nun wieder
über den Output- zum Inputlayer zurückgegeben (error back propagation, woraus
sich der Name des Verfahrens erklärt). Die Gewichtungen der Neuronenverbin-
dungen und die Schwellwerte werden hierbei in Abhängigkeit ihres Einflusses
auf den Fehler geändert.
Klassifikation 499
Ein vorwärts gerichtetes neuronales Netzwerk, das Backpropagation als Tranings-

methode benutzt, besitzt mehrere Vorteile (vgl. Mather u. Koch 2011 S. 252f.):
- Unabhängig von ihrer statistischen Häufigkeitsverteilung können verschiedene
Inputgrößen zum Training herangezogen werden.
- Neue noch nicht klassifizierte Inputgrößen müssen nur den Eingangsdaten äh-
neln, mit denen das Netzwerk trainiert wurde, um eine korrekte Klassifizierung
zu erbringen.
- Da ein neuronales Netzwerk in der Regel aus mehreren Layern mit Neuronen be-
steht, die über gewichtete Verbindungen verknüpft sind, ist es tolerant gegenüber
verrauschten Trainingsdaten. Das Gesamtergebnis wird nicht wesentlich durch
den Verlust von ein oder zwei Neuronen beeinträchtigt.
Den Vorteilen stehen aber auch klare Nachteile gegenüber (vgl. Mather u. Koch
2011 S. 253):
- Die Konzeption eines Netzwerks ist nicht eindeutig. Zumeist sind zwei Hidden
Layer ausreichend. Grundsätzlich ist aber zu fragen, wie viele Hidden Layer und
wie viele Neuronen jeweils benötigt werden. Nach einer häufig benutzten, aber
nur empirisch vorliegenden Regel sollen die Hidden Layer doppelt so viele Neu-
ronen wie Inputneuronen aufweisen. Werden sämtliche Verbindungen der Neu-
ronen untereinander benötigt?
- Die Trainingszeiten eines neuronalen Netzwerks sind lang und können auch meh-
rere Stunden dauern, da bei vielen Input- und Outputneuronen und einer gewis-
sen, vorzugebenden Zahl an Neuronen des Hidden Layers sehr viele Verbindun-
gen bestehen und extrem viele Gewichte getestet werden müssen.
- Der Backpropagation-Algorithmus kann möglicherweise nur ein lokales Mini-
mum der Fehlerfunktion erreichen oder sogar zyklisch schwingen.
- Die mit einem neuronalen Netzwerk zu erreichenden Klassifikationsergebnisse
hängen stark von den Gewichten ab, die anfänglich den Verbindungen zwischen
den Neuronen zugewiesenen wurden.
- Die Verallgemeinerungsfähigkeit von neuronalen Netzen hängt von einem kom-
plexen Zusammenspiel der Anzahl der Neuronen auf den Hidden Layern und der
Zahl der Iterationen während des Trainings ab. Dies kann zu einer Überanpas-
sung (sog. „Overfitting“) an die Trainingsdaten führen, da das Netzwerk zu stark
auf Eigenschaften der Trainingsdaten trainiert wurde. Das neuronale Netz wird
dann nur schwer Pixel einer Klasse zuweisen, die einem trainierten Muster ähn-
lich, aber nicht in den Trainingsdaten enthalten sind.
Das vorwärts gerichtete, Multilayer-Perceptron ist inzwischen in der Bildverarbei-
tung etabliert, wobei es nicht die einzige Form eines künstlichen neuronalen Netz-
werkes darstellt (vgl. die Sonderausgabe des International Journal of Remote Sen-
sing, die bereits 1997 verschiedenen Ansätze vorstellte). Gegenüber einem Simple
Neuronal Network mit nur einem Hidden Layer werden Deep Learning Neuronal
Networks unterschieden, die eine Vielzahl an Hidden Layers verwenden. Dadurch
werden auch komplexe Strukturen zwischen der Ein- und der gewünschten Ausgabe
modellierbar (vgl. eingehender: Zhu u.a. 2017).
Convolutional Neuronal Networks bilden die Weiterentwicklung von neuronalen

Netzen, die in der Bildverarbeitung an ihre Grenzen stoßen. So müssten genauso
viele Eingänge wie Pixel vorhanden sein mit einer riesigen Zahl an Verbindungen
der Neuronen auf den Hidden Layers. Convolutional Neural Networks sind als Op-
timierungen künstlicher neuronaler Netze zu verstehen, die zahlreiche Hidden Lay-
ers besitzen, die „tief“ strukturiert sind. Ein Convolutional Neural Network besteht
aus verschiedenen Schichten: aus der Convolutional-, der Pooling-Schicht und der
vollständig vermaschten Schicht. Von Vorteil ist, dass die Anzahl an Verbindungen
der Pooling- und der Convolutional-Schicht selbst bei großen Zahl an Inputwerten
begrenzt ist, da nur lokal vermaschte Teilnetze vorliegen. Die Folge ist ein geringe-
rer Speicherbedarf und eine weitaus geringere Trainingszeit des Netzwerkes (zum
Einstieg vgl. Goodfellow u.a. 2016 und dort insbesondere Kap. 9).
10.7.9.2 Klassifikation mit Support Vector Machine
Die Klassifizierung mit Hilfe einer Support Vector Machine stellt ein recht optima-
les Verfahren dar, da sie in der Regel genauere Klassifizierungsergebnisse als an-
dere Methoden liefert und mit recht wenigen Trainingsdaten auskommt (zu den An-
fängen in der Fernerkundung vgl. Huang u.a. 2002). Der Klassifikator Support Vec-
tor Machine stellt eine überwachte, nicht parametrisch-statistische Lernstrategie
dar, die keine Voraussetzung an die Verteilungsform der Daten stellt.
Abbildung 10.33 verdeutlicht das Grundprinzip für den einfachsten Fall einer
linearen, binären Klassifikation, die Pixel eines Trainingsgebietes in eine von zwei
möglichen Klassen einteilt. Grundlage ist somit wie bei allen überwachten Klassi-
fizierungsverfahren, dass die Klassenzugehörigkeit der Pixel des Trainingsgebietes
bekannt ist. Die Pixel stellen in Abbildung 10.33 Vektoren in einem zweidimensi-
onalen Vektorraum dar. Der Algorithmus versucht, eine Menge von Objekten derart
in Cluster zu zerlegen, dass zwischen den Objekten ein möglichst breiter Bereich
frei bleibt. Allgemein wird versucht, eine Hyperebene einzupassen, die die Trai-
ningsobjekte trennt. Dabei wird in der Mathematik als eine Hyperebene in Verall-
gemeinerung einer zweidimensionalen Ebene im dreidimensionalen Anschauungs-
raum ein (n-1-)dimensionaler Untervektorraum eines n-dimensionalen Raumes be-
zeichnet. Im Beispiel der Abbildung 10.33 ist im zweidimensionalen Vektorraum
eine Hyperebene dann eine eindimensionale Gerade.
In diesem Beispiel sind zwei mögliche Trenngeraden mit den jeweiligen Trenn-
bereichen eingezeichnet. Unter allen Trennbereichen besitzt einer eine Ausrichtung,
für die der Abstand zwischen den beiden am engsten zueinander liegenden Pixeln
(gleichbedeutend mit Vektoren) maximal wird. Diese Vektoren werden Stützvekto-
ren (support vectors, vgl. die orange markierten Symbole in Abb. 10.33) genannt.
Falls in diesem einfachen Fall nur eine Trenngerade bestimmt werden soll, müssen
mindestens zwei Stützvektoren vorhanden sein. Das Beispiel zeigt deutlich, dass
die Lage der Trenngeraden, nur von den Stützvektoren bestimmt wird. Die übrigen
Objekte, d.h. Vektoren, der Trainingsdaten werden nicht beachtet und beeinflussen
die Klassifizierung nicht. Daher bleibt die Klassifikation stabil, selbst wenn die
Trainingsdaten verändert werden, aber die Stützvektoren unverändert bleiben.
Klassifikation 501
Abb. 10.33: Das Konzept der Stützvektoren
Allerdings ist mit Hyperebenen nur eine lineare Trennung möglich. Zumeist sind
aber in der Realität die Klassen nicht einfach linear trennbar. Der Ansatz der Sup-
port Vector Machine löst dieses Problem dadurch, dass die Trainingsvektoren in
einen genügend höheren Vektorraum abgebildet werden, in dem eine trennende Hy-
perebene bestimmt werden kann. Dies ist möglich, da in einem Vektorraum ausrei-
chend hoher Dimension jede Vektormenge linear trennbar ist. Für diese Abbildung
stehen mehrere sog. Kernelfunktionen zur Verfügung, wobei die sog. radiale Basis-
funktion häufig benutzt wird. Allerdings sind die Parameter dieser Funktion daten-
spezifisch, so dass sie für jede Klassifikation neu bestimmt werden müssen.
Das Beispiel verdeutlicht nur die einfache Situation, dass Pixel genau einer von
zwei Klassen zugeordnet werden muss. In der Regel bestehen mehrere Klassen, so
dass modifiziert vorgegangen werden muss (vgl. Mather u. Koch 2011 S. 268).
- Das Vorgehen „eins gegen die anderen“ klassifiziert eine Klasse gegenüber allen
anderen Klassen, die zu einer Klasse zusammengefasst sind, wobei dieser Schritt
für alle Klassen wiederholt wird.
- Das Vorgehen „eins gegen eins“ vergleicht paarweise Klassen, wobei sich bei k
Klassen (k · (k-1))/2 Durchgänge ergeben.
- Für mehrere Klassen können auch mehrere, d.h. unterschiedliche Support Vector
Machines eingesetzt werden.
Support Vector Machines haben einen hohen mathematischen Anspruch. Sie sind
inzwischen aber Standardverfahren des maschinellen Lernens. Für die digitale Bild-
verarbeitung zeichnen sie sich dadurch aus, dass sie im Vergleich zu anderen Ver-
fahren keine großen Trainingsgebiete, d.h. Trainingspixel, benötigen und einfachere
Anforderungen an die Verteilungsform stellen (vgl. weitergehend Mountrakis u.a.
2011 u. Steinwart u. Christmann 2008). Sie sind somit insbesondere für die Klassi-
fikation hyperspektraler Daten geeignet, da zur Unterscheidung vieler Klassen na-
turgemäß nur relativ kleine Trainingsgebiete vorliegen. Allerdings bietet der Ran-
dom-Forest-Klassifikator mehr Vorteile, da er insbesondere weniger anfällig ist ge-
genüber Overfitting (d.h. Überanpassung an die Trainingsdaten).
10.7.9.3 Klassifikation mit Hilfe von Entscheidungsbäumen
Mehrstufige Klassifikationsansätze können in Form von Entscheidungsbäumen or-

ganisiert werden. Der Decision-Tree-Klassifikator ist ein hierarchisch organisierter,
mehrstufiger Klassifikationsansatz, der pixelbasiert von oben nach unten fortschrei-
tet. Ein Entscheidungsbaum, durch den Daten anhand ihrer Merkmale bzw. Merk-
malsausprägungen schrittweise in disjunkte und möglichst homogene Gruppen zer-
legt werden, dient allgemein als Werkzeug zur Entscheidungsunterstützung. Das
CART-Verfahren (Classification And Regression Tree) zählt hierbei zu einem der
gängigsten Implementierungen (von Breiman u.a. 1984 eingeführt, vgl. auch Friedl
u. Brodley 1997).
Ein Binärbaum stellt den einfachsten Entscheidungsbaum dar, bei dem auf jeder
Stufe eine Trennung der Daten in nur eine von zwei möglichen Klassen durchge-
führt wird. Die vollständige Klassifizierung erfolgt nicht auf einer Stufe, sondern
erst nach dem Durchlauf des vollständigen Entscheidungsbaumes. Abbildung 10.34
verdeutlicht das Prinzip anhand von drei Merkmalen für eine Szene im Raum Osn-
abrück. Der Datensatz (Sentinel 2) wird auf der Grundlage eines Aufteilungsme-
chanismus schrittweise zerlegt, der für jede Stufe nicht gleich sein muss.
Beim Entwurf eines Entscheidungsbaums müssen eine optimale Struktur (d.h.
Tiefe des Baumes), eine optimale Menge von Merkmalen an jedem Knoten, nach
denen der Baum weiter aufgeteilt wird, und die Entscheidungsregel für jeden Kno-
ten gefunden werden. Da die Anzahl möglicher Baumstrukturen selbst für eine
kleine Zahl von Klassen sehr groß werden kann, ist der Entwurf eines optimalen
Klassifikators nicht einfach. Unmittelbar einsichtig ist, dass die Klassifikations-
genauigkeit und Effizienz stark von der Baumstruktur abhängen. Daher wurden ver-
schiedene zufallsgesteuerte Methoden zur Entscheidungsbaumgestaltung entwi-
ckelt (vgl. Jensen 2015 S. 441 u. Hänsch u. Hellwich 2017 S. 610). Zusammenfas-
send kombinieren Entscheidungsbäume viele Vorteile:
- „Die meisten Ansätze machen keinerlei Annahmen über die statistische Vertei-
lung der Attribute oder der Zielvariablen.
- Sie können mit kategorischen, diskreten und kontinuierlichen Merkmalen und de-
ren Kombinationen umgehen.
- Fehlende Messwerte können behandelt werden.
- Sie sind robust gegenüber Ausreißern und Kollinearitäten in den Daten, welche
einen starken (negativen) Einfluss auf andere parametrische Methoden haben.
- Beziehungen zwischen Attributen können entdeckt werden.
- Monotone Transformationen der Attribute haben keine Auswirkung.
- Sie sind nicht anfällig für den Fluch der „Dimensionalität“ (Hänsch u. Hellwich
2017 S. 611).
Klassifikation 503
Abb. 10.34: Einfacher binärer Entscheidungsbaum
Eine Menge von vielen Entscheidungsbäumen, die unabhängig voneinander erzeugt

und trainiert werden, ist Grundlage für den Random-Forest-Klassifikator (vgl. Brei-
man 2001, vgl. auch Gislason u.a. 2006). Er wird vor allem aufgrund der hervorra-
genden Klassifizierungsergebnisse und Verarbeitungsgeschwindigkeit vielfach an-
JHZDQGW ]XHLQHPhEHUEOLFNYJO%HOJLXX'UăJXW
Nach der Trainingsphase des Random Forest, d.h. der verschiedenen Entschei-
dungsbäume für die Trainingspixel, durchläuft ein neues Pixel alle Entscheidungs-
bäume. Jeder Baum liefert für dieses Pixel eine Klassenzuordnung. Somit hat bei k
Bäumen jedes Pixel k Zuordnungen. Am Ende führt eine Auswertung dieser (vor-
läufigen) Zuordnungen zur endgültigen Klassifizierung. Dem Pixel wird die Klasse
zugewiesen, die am häufigsten gewählt wurde (Mehrheitskriterium, zu anderen Zu-
ordnungen vgl. Hänsch u. Hellwich 2017 S. 628 ff.).
Abb. 10.35: Prinzip des Random-Forest-Klassifikators

Der Random-Forest-Klassifikator wird durch eine Menge an Entscheidungsbäumen

mit Hilfe des Bagging-Algorithmus aufgebaut. Dabei ist „Bagging“ ein Kunstwort,
das sich aus den Worten „bootstrapping“ und „aggregating“ zusammensetzt. Die
Auswahl der einzelnen Bäume erfolgt zufällig nach einem Verfahren, das in der
statischen Methodenlehre unter „Bootstrapping“ bezeichnet wird. Dabei werden aus
der Menge aller Trainingspixel wiederholt Zufallsstichproben gezogen, wobei ein
Pixel in mehreren oder sogar in keiner Stichprobe auftreten kann. Dies entspricht
dem Ziehen von nummerierten Kugeln aus einer Urne, die nach der Ziehung wieder
zurückgelegt werden. Das weitere Vorgehen kann beschrieben werden durch (vgl.
%HOJLXX'UăJXW
- Etwa zwei Drittel der Trainingspixel (bezeichnet als „In-Bag-Proben“) werden
herangezogen, um die Bäume zu trainieren. Mit dem verbleibenden Drittel (be-
zeichnet als „Out-of-the-Bag-Proben“) wird abgeschätzt, wie gut das resultie-
rende Ergebnis ist. Diese Fehlerschätzung wird als OOB-Fehler (Out-of-Bag) be-
zeichnet.
- Jeder Entscheidungsbaum wird unabhängig erstellt. Jeder Knoten wird anhand
von mehreren, jeweils zufällig ausgewählten Merkmalen aufgeteilt, wobei die
Anzahl der Merkmale (Mtry) durch den Anwender bestimmt wird. Diese Me-
thode wird auch „feature bagging“ bezeichnet und dient dazu, vorhandene Korre-
lationen zwischen den Schätzern zu eliminieren.
- Die Anzahl der Bäume (Ntree) wird ebenfalls nutzerdefiniert bestimmt.
Der Algorithmus erzeugt nach Breimann (2001) Bäume, die eine hohe Varianz und
eine geringe Verzerrung aufweisen. Theoretische und empirische Untersuchungen
haben gezeigt, dass die Klassifikationsgenauigkeit weniger empfindlich für den Pa-
rameter Ntree als für Mtry ist (vgl. hierzu den LiteraturbeULFKWYRQ%HOJLXX'UăJXW
2016). Sehr häufig wird der Ntree-Wert mit 500 festgelegt, da sich offenbar die
Fehler stabilisieren, bevor diese Anzahl von Klassifikationsbäumen erreicht ist.
Dieser häufige Wert könnte auch dadurch begründet sein, dass dies der Standard-
wert im R-Paket ist. Als Wert für den Parameter Mtry wird zumeist die Wurzel aus
der Zahl der Merkmale genommen. Höhere Werte lassen die Rechenzeit erheblich
ansteigen.
Insgesamt liefert der Random-Forest-Klassifikator gute Ergebnisse (vgl. Belgiu
XQG'UăJXW (ULVWZHQLJHUHPSILQGOLFKLP+LQEOLFNDXIGLH4XDOLWlWGHU7UDL
ningsmuster und auf das Problem des Overfitting. Dies ist vor allem auf die große
Anzahl an Entscheidungsbäumen und deren Konstruktion zurückzuführen (zufäl-
lige Auswahlen der Teilmengen von Trainingsmustern und der Variablen zur Auf-
teilung der Knoten).
Literatur 505
Literatur
Achen, M. (1993): Untersuchungen über Nutzungsmöglichkeiten von Satellitenbilddaten für eine

ökologisch orientierte Stadtplanung am Beispiel Heidelberg. Heidelberg: Selbstverlag des geo-
graphischen Institutes Heidelberg.
Airbus (2019a): Satellite Data. https://www.intelligence-airbusds.com/geostore/ (29.11.2019)
Airbus (2019b): Spot satellite technical data. http://www.intelligence-air-
busds.com/files/pmedia/public/r329_9_spotsatellitetechnicaldata_en_sept2010.pdf (29.11.2019)
Airbus (2019c): Spot 6 / Spot 7 Technical Sheet. https://www.intelligence-airbusds.com/files/pme-
dia/public/r12317_9_spot6-7_technical_sheet.pdf (29.11.2019)
Airbus (2019d): Pleiades Neo Trusted Intelligence. https://www.intelligence-airbusds.com/en/8671-
pleiades-neo-trusted-intelligence (29.11.2019)
Airbus (2019e): Optical and Radar Data. https://www.intelligence-airbusds.com/optical-and-radar-
data/ (29.11.2019)
Albertz, J. (2009): Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft- und
Satellitenbildern. Darmstadt: Wiss. Buchgesellsch. 4. Aufl.
Bannari, A., Morin, D. u. F. Bonn (1995): A Review of Vegetation Indices. In: Remote Sensing Re-
views 13, S. 95–120.
Baret, F. (1995): Use of spectral reflectance variation to retrieve canopy biophysical characteristics.
In: Danson, F.M. u. S. E. Plummer (Hrsg.): Advances in environmental remote sensing. Chich-
ester: John Wiley.
%HOJLX0X/'UăJXW 5DQGRPIRUHst in remote sensing: A review of applications and fu-
ture directions. In: ISPRS Journal of Photogrammetry and Remote Sensing 114, S. 24–31.
Blaschke, T. (2010): Object based image analysis for remote sensing. In: ISPRS Journal of Photo-
grammetry and Remote Sensing 65 (1), S. 2–16.
Breiman, L. u.a (1984): CART: Classification and Regression Trees. Wadsworth: Belmont, CA,
1984.
Breiman, L. (2001): Random Forests. In: Mach. Learning 45 (1), S. 5–32.
Byrne, G.F. P.F. Crapper and K.K. Mayo (1980): Monitoring Land Cover Change by Principal
Component Analysis of Multitemporal Landsat Data. In: Remote Sensing of Environment 10, S.
175–184.
Chavez, P.S. (1996): Image-Based Atmospheric Corrections - Revisited and Improved. In: Photo-
grammetric Engineering and Remote Sensing 62, S. 1025 - 1036.
Cihlar, J., St.-Laurent, L. u. J.A. Dyer (1991): Relation between the Normalized Difference Vegeta-
tion Index and Ecological Variables. In: Remote Sensing of Environment 35, S. 279–298.
Congalton, R.G. (1991): A Review of Assessing the Accuracy of Classifications of Remotely
Sensed Data. In: Remote Sensing of Environment 37, S. 35 - 46.
Congalton, R.G. u. K. Green (1999): Assessing the Accuracy of Remotely Sensed Data. Principles
and Practices. Boca Raton, Fl.: Lewis Publishers.
Copernicus (2019a): Datenzugriff. https://www.copernicus.eu/de/datenzugriff (29.11.2019)
Deimosimaging (2019): https://www.deimos-imaging.com/app/up-
loads/2019/02/DEIMOS_IMAGING_Virtual-Constellation-digital.pdf (29.11.2019)
de Lange, N. u. J. Nipper (2018): Quantitatice Methodik in der Geographie. Grundriss Allgemeine
Dennert-Möller, E. (1983): Untersuchungen zur digitalen multispektralen Klassifizierung von Fern-
erkundungsaufnahmen mit Beispielen aus den Wattgebieten der deutschen Nordseeküste. Dis-
sertation an der Universität Hannover, Fachrichtung Vermessungswesen.
DLR (2019a): Earth Observation Center. https://www.dlr.de/eoc/de/desktopdefault.aspx/tabid-5355/
(29.11.2019)
DLR (2019b): TanDEM-X. http://www.dlr.de/rd/desktopdefault.aspx/tabid-2440/3586_read-16692/
(29.11.2019)
DLR (2019c): TanDEM-X Science Service System https://tandemx-science.dlr.de (29.11.2019)
DLR (2019d) RapidEye. https://www.dlr.de/rd/desktopdefault.aspx/tabid-2440/3586_read-5336

(29.11.2019)
DLR (2019e): Satellitendaten. https://www.dlr.de/eoc/desktopdefault.aspx/tabid-5356 /
(29.11.2019)
Drury, S.A. (1990): A Guide to Remote Sensing. Interpreting Images of the Earth. Oxford: Oxford
University Press.
DWD Deutscher Wetterdienst (2019): Wetterlexikon Stichwort Absorption
https://www.dwd.de/DE/service/lexikon/Functions/glossar.html?lv2=100072&lv3=100160
(29.11.2019)
eoPortal (2019): Sharing Earth Oberservation Resources. https://eoportal.org/web/eoportal/home
(29.11.2019)
EOS, Earth Observing System (2019a): Spot 6 & 7 https://eos.com/spot-6-and-7 (29.11.2019)
EOS, Earth Observing System (2019b): Pléiades1. https://eos.com/pleiades-1 (29.11.2019)
Ertel, W. (2016): Grundkurs Künstliche Intelligenz. Eine praxisorientierte Einführung. Springer
Vieweg 4. Auflage, Heidelberg.
ESA (2019a): MetOp. http://www.esa.int/Applications/Observing_the_Earth/Meteorological_missi-
ons/MetOp (29.11.2019)
ESA (2019b): Copernicus. Observing the earth. https://www.esa.int/Applications/Observ-
ing_the_Earth/Copernicus/Overview3 (29.11.2019)
ESA (2019c): Revisit and Coverage. https://sentinel.esa.int/web/sentinel/user-guides/sentinel-2-
msi/revisit-coverage (29.11.2019)
ESA (2019d): Sentinel 1 heritage. https://sentinel.esa.int/web/sentinel/missions/sentinel-1/heritage
(29.11.2019)
ESA (2019e): Sentinel-2 im Dienste der Ernährung. http://www.esa.int/Space_in_Member_Sta-
tes/Germany/Sentinel-2_im_Dienste_der_Ernaehrung (29.11.2019)
ESA (2019f): Introducing Sentinel-3. https://www.esa.int/Applications/Observing_the_Earth/Co-
pernicus/Sentinel-3/Introducing_Sentinel-3 (29.11.2019)
ESA (2019g): Sentinel-4 and -5. https://www.esa.int/Applications/Observing_the_Earth/Coperni-
cus/Sentinel-4_and_-5 (29.11.2019)
ESA (2019h): Sentinel-6. https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Senti-
nel-6 (29.11.2019)
ESA (2019i): Introducing Sentinel-5P. https://www.esa.int/Applications/Observing_the_Earth/Co-
pernicus/Sentinel-5P/Introducing_Sentinel-5P (29.11.2019)
ESA(2019j): PlanetScope. https://earth.esa.int/web/guest/missions/3rd-party-missions/current-mis-
sions/planetscope (29.11.2019)
ESA (2019k): Sen2Cor. https://step.esa.int/main/third-party-plugins-2/sen2cor/ (29.11.2019)
EUMETSAT (2019a). Satellites. https://www.eumetsat.int/website/home/Satellites/index.html
(29.11.2019)
EUMETSAT (2019b): Past Satellites. https://www.eumetsat.int/website/home/Satellites/PastSatel-
lites/index.html (29.11.2019)
EUMETSAT (2019c): Meteosat Second Generation (MSG). https://www.eumetsat.int/web-
site/home/Satellites/CurrentSatellites/Meteosat/index.html (29.11.2019)
EUMETSAT (2019d): Rapid Scanning Service. https://www.eumetsat.int/website/home/Data/Rap-
idScanningService/index.html (29.11.2019)
EUMETSAT (2019e): Eumetview. https://www.eumetsat.int/website/home/Images/EUMET-
View/index.html (29.11.2019)
European Space Imaging (2019): Data Sheets. https://www.euspaceimaging.com/data-sheets/
(29.11.2019)
Friedl, M.A. u. C. E. Brodley, “Decision tree classification of land cover from remotely sensed
data,” Remote Sens. Environ., Vol. 61, No. 3, S. 399–409, Sep. 1997
Gislason, P.O., Benediktsson, J.A., Sveinsson, J.R., 2006. Random forests for land cover classifica-
tion. Pattern Recognition Letters 27 (4), 294–300.
Literatur 507
Goodfellow I. u.a. (2016): Deep Learning. Cambridge, Mass.: MIT Press. http://www.deeplearn-
ingbook.org (29.11.2019)
Hänsch, R. u. O. Hellwich (2917): Random Forests. In: Heipke, C. (Hrsg.) Photogrammetrie und
Fernerkundung. S. 603-643. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Ber-
lin: Springer.
Heipke, C. (2017a): Photogrammetrie und Fernerkundung – eine Einführung. In: Heipke, C. (Hrsg.)
Photogrammetrie und Fernerkundung. S. 1–27. Handbuch der Geodäsie. (Hrsg. Freeden, W. u.
R. Rummel). Berlin: Springer.
Heipke, C. (2017b): Photogrammetrie und Fernerkundung. Handbuch der Geodäsie. (Hrsg. Free-
den, W. u. R. Rummel). Berlin: Springer.
Hildebrandt, G. (1996): Fernerkundung und Luftbildmessung für Forstwirtschaft, Vegetationskar-
tierung und Landschaftsökologie. Heidelberg: Wichmann.
Huang, C. u.a. (2002): An assessment of support vector machines for land cover classification, In:
Int. J. Remote Sensing vol. 23, No. 4, S. 725–749.
Jensen, J.R. (2015): Introductory Digital Image Processing. A Remote Sensing Perspective. 4. Aufl.
Glen View, Ill.: Pearson. Pearson series in geographic information science
JPSS, Joint Polar Satellite System (2019a): Mission and Instruments.
https://www.jpss.noaa.gov/mission_and_instruments.html (29.11.2019)
JPSS, Joint Polar Satellite System (2019b): Visible Infrared Imaging Radiometer Suite (VIIRS).
https://www.jpss.noaa.gov/viirs.html (29.11.2019)
Jürgens, C. (1997): The modified normalized difference vegetation index (mNDVI) – a new index
to determine frost damages in agriculture based on Landsat TM data. In: International Journal of
Remote Sensing 18, S. 3583 - 3594
Kauth, R.J. u. G.S. Thomas (1976): The tasseled cap -a graphic description of the spectral-temporal
development of agricultural crops as seen as in Landsat. In: Proceedings on the Symposium on
Machine Processing of Remotely Sensed Data, West Lafayette, Indiana, June 29 – July 1, 1976.
Kraus, K. (2012): Photogrammetrie: Geometrische Informationen aus Photographien und La-
serscanneraufnahmen. Berlin De Gruyter. 7. Aufl.
Kruse, R. u.a. M. (2015): Computational Intelligence. Eine methodische Einführung in Künstliche
Neuronale Netze, Evolutionäre Algorithmen, Fuzzy-Systeme und Bayes-Netze. Springer.
Lillesand, T. Kiefer R.W. u. J.W. Chipman (2008): Remote Sensing and Image Interpretation.
Chichester: John Wiley. 6. Aufl.
Löffler, E. (1994): Geographie und Fernerkundung - Eine Einführung in die geographische Interpre-
tation von Luftbildern und modernen Fernerkundungsdaten. Stuttgart: Teubner. 2. Aufl.
Louis, J. u.a. (2016): SENTINEL-2 SEN2COR: L2A Processor for users. In: Proceedings of the
Living Planet Symposium 2016. https://elib.dlr.de/107381/1/LPS2016_sm10_3louis.pdf
(29.11.2019)
Markwitz, W. (1989): Vom Satellitensignal zur Bildkarte. Einsatz von Daten- und Informations-
techniken zur Fernerkundung der Erde. In: Markwitz, W. u. R. Winter (Hrsg.): Fernerkundung:
Daten und Anwendungen, S. 1–10. Karlruhe = Beiträge der Interessengemeinschaft Fernerkun-
dung, Leitfaden 1.
Mather, P.M. u. M. Koch (2011): Computer Processing of Remotely Sensed Images – An Introduc-
tion. Chichester: Wiley-Blackwell . 4. Aufl.
Mountrakis, G., J. Im u. C. Ogole (2011): Support vector machines in re-mote sensing: A review.
ISPRS Journal of Photogrammetry and Remote Sensing 66, S. 247 – 259.
NASA (2019a): Jet Propulsion Laboratory. ECOSTRESS Spectral Library. https://spe-
clib.jpl.nasa.gov/library (29.11.2019)
NASA (2019b): Landsat Science. Landsat sensors: pushbroom vs whiskbroom
https://svs.gsfc.nasa.gov/12754 (29.11.2019)
NASA (2019c): Landsat Science .The Worldwide Reference System. https://land-
sat.gsfc.nasa.gov/the-worldwide-reference-system/ (29.11.2019)
NASA Jet Propulsion Laboratory (2019d): Shuttle Radar Topography Mission.
https://www2.jpl.nasa.gov/srtm/index.html (29.11.2019)
NASA (2019e): NASA’s Earth Observing System. https://eospso.nasa.gov/content/nasas-earth-ob-

serving-system-project-science-office (29.11.2019)
NASA (2019f): Terra. The EOS Flagship. https://terra.nasa.gov/ (29.11.2019)
NASA (2019g): Jet Propulsion Laboratory. Advanced Spaceborne Thermal Emission and Reflec-
tion Radiometer. http://asterweb.jpl.nasa.gov (29.11.2019)
Nielsen, M. A. (2015): Neural Networks and Deep Learning, Determination Press, 2015 (free
online book http://neuralnetworksanddeeplearning.com/)
NOAA (2019a): Satellites. https://www.noaa.gov/satellites (29.11.2019)
NOAA (2019b): Our Satellites https://www.nesdis.noaa.gov/content/our-satellites (29.11.2019)
NOAA (2019c): GOES-R Series. https://www.nesdis.noaa.gov/GOES-R-Series-Satellites
(29.11.2019)
NOAA (2019d): GOES-R Series Satellites Spacecraft and Instruments.
https://www.nesdis.noaa.gov/GOES-R-Spacecraft (29.11.2019)
Olofsson, P. u.a. (2014): Good practices for estimating area and assessing accuracy of land change.
Remote Sens. Environ. 148, 42–57.
Planet (2019a). Planet monitoring. https://www.planet.com/products/monitoring/ (29.11.2019)
Planet (2019b): Planet tasking. https://www.planet.com/products/hi-res-monitoring (29.11.2019)
Pohl, C. u. J.L. van Genderen (1998): Multisensor Image Fusion in Remote Sensing: Concepts,
Methods and Applications. In: International Journal of Remote Sensing 19, S. 823–854.
Pohl, C. u. J.L. van Genderen (1999): Multisensor Image Maps from SPOT, ERS und JERS. In:
Geocarto International 14, S. 35–41.
Pontius, R.G. u. M. Millones (2011): Death to Kappa: Birth of quantity disagreement and allocation
disagreement for accuracy assessment. In: Intern. Journ. of Remote Sensing 32(15):4407–4429.
Pontius, R.G. (2019): Component intensities to relate difference by categorie with difference over-
all. In. Int. Journal Appl. Earth Obs. Geoinformation 77, S. 94–99.
Quirk, B.K. (2011): Landsat Program Overview. https://landsat.usgs.gov/sites/default/files/docu-
ments/Quirk_LST_03-3-2011sh.pdf (29.11.2019)
Richards, J.A. (2013): Remote Sensing Digital Image Analysis. 5. Aufl. Berlin: Springer.
Richter, R. (1996): A spatially adaptive fast atmospheric correction algorithm. In: Intern. Journ. of
Remote Sensing 17, S. 1201–1214.
Schowengerdt, R. A. (2006): Remote Sensing - Models and Methods for Image Processing. San
Diego: Academic Press. 3. Aufl.
Schumacher, H. (1992): Überwachte Klassifikation von Fernerkundungsaufnahmen. Oberpfaffenh-
ofen. Forschungsbericht der DLR: DLR-FB 92 - 07.
SEOS (2019). Einführung in die Fernerkundung. eLearning Tutorial des Projektes „Science Educa-
tion through Earth Observation for High Schools“ in Kooperation mit der European Space
Agency. https://seos-project.eu/remotesensing/remotesensing-c01-p01.de.html (29.11.2019)
Shabanov, N. u.a.(2002): Analysis of Interannual Changes in Northern Vegetation Activity Ob-
served in AVHRR Data during 1981 to 1994. IEEE Transactions on Geoscience and Remote
Sensing (Download von http://cybele.bu.edu/download/manuscripts/shabanov02.pdf)
(29.11.2019)
Stehman, S.V. u. G.M. Foody (2019): Key issues in rigorous accuracy assessment of land cover
products. In: Remote Sensing of Environment 231, S.
Steinwart, I. u. A. Christmann (2008): Support Vector Machines Springer 2008
Swain, P.H. u. S.M. Davis (1978, Hrsg.): Remote Sensing: The Quantitative Approach. New York:
McGraw-Hill.
Thenkabail, P.S., A.D. Ward, J.G. Lyon u. C.J. Merry (1994): Thematic Mapper Vegetation for De-
termining Soybean and Corn Growth Parameters. In: Photogrammtric Engineering a. Remote
Sensing 60, S. 437 - 442.
Trimble (2019): Trimble eCognition Suite. http://www.ecognition.com/suite (29.11.2019)
Toth, C. u. B. Jutzi (2017): Plattformen und Sensoren für die Fernerkundung und deren Geopositio-
nierung. In: Heipke, C. (2017): Photogrammetrie und Fernerkundung. S. 29-64. Handbuch der
Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer
Literatur 509
UrtheCast (2019): Deimos-2. https://www.urthecast.com/sensors/#deimos-2 (29.11.2019)

USGS, US Geological Survey (2012): Data Continuity Mission.
https://pubs.usgs.gov/fs/2012/3066/fs2012-3066.pdf (29.11.2019)
USGS, US Geological Survey (2019a): Spectroscopy Lab. https://www.usgs.gov/labs/spec-lab
(29.11.2019)
USGS, US Geological Survey (2019b): Spectroscopy Lab. https://www.usgs.gov/labs/spec-lab/ca-
pabilities/spectral-library (29.11.2019)
USGS, US-Geological Survey (2019c): USGS EROS Archive - Advanced Very High Resolution
Radiometer – AVHRR. https://www.usgs.gov/centers/eros/science/usgs-eros-archive-advanced-
very-high-resolution-radiometer-avhrr (29.11.2019)
USGS, US Geological Survey (2019d): Landsat – a global land-imaging mission.
https://pubs.usgs.gov/fs/2012/3072/fs2012-3072.pdf (29.11.2019)
USGS, US Geological Survey (2019e): Landsat. https://www.usgs.gov/land-resources/nli/landsat
(29.11.2019)
USGS, US Geological Survey (2019f): Landsat 7. https://www.usgs.gov/land-resources/nli/land-
sat/landsat-7 (29.11.2019)
USGS, US Geological Survey (2019g): Landsat Missions. https://www.usgs.gov/land-re-
sources/nli/landsat/landsat-satellite-missions (29.11.2019)
USGS, US Geological Survey (2019h): Landsat Level-1 Processing Details.
https://www.usgs.gov/land-resources/nli/landsat/landsat-level-1-processing-details (29.11.2019)
USGS, US Geological Survey (2019i): Landsat Levels of Processing. https://www.usgs.gov/land-
resources/nli/landsat/landsat-levels-processing (29.11.2019)
USGS, US Geological Survey (2019j): Landsat 8. https://www.usgs.gov/land-resources/nli/land-
sat/landsat-8 (29.11.2019)
USGS, US Geological Survey (2019k): Landsat 9. https://www.usgs.gov/land-resources/nli/land-
sat/landsat-9 (29.11.2019)
USGS, US Geological Survey (2019l): USGS EROS Archive – Digital Elevation – Shuttle Radar
Topography Mission (SRTM) 1 Arc-Second Global. https://www.usgs.gov/centers/eros/sci-
ence/usgs-eros-archive-digital-elevation-shuttle-radar-topography-mission-srtm-1-arc
(29.11.2019)
USGS, US Geological Survey (2019m): Earth Resources Observation and Science (EROS) Center.
https://www.usgs.gov/centers/eros/data-tools (29.11.2019)
Vrabel, J. (2000): Multispectral Imagery Advanced Band Sharpening Study. In: Photogrammetric
Engineering and Remote Sensing 66, S. 73–79.
Zhu, X. X. u.a. (2017): Deep Learning in Remote Sensing: A comprehensive review and list of re-
sources. In: IEEE Geoscience and Remote Sensing Maga-zine 5; 4; S. 8–36.
Zink, M. u.a. (2017): TanDEM-X. In: Heipke, C. (Hrsg.) Photogrammetrie und Fernerkundung. S.
525-554. Handbuch der Geodäsie. (Hrsg. Freeden, W. u. R. Rummel). Berlin: Springer.
Sachverzeichnis
Abbildung Algorithmus, Beispiele

- affine Abbildung 142ff. - A*-Algorithmus 114
- azimutale Abbildung 153 - Alg. der Koordinatengeometrie 104ff.
- geodätische Abbildung 148,168ff. - Algorithmen auf Netzwerke 117
- kartographische Abbildung 148,149,151ff. - Algorithmen für Rasterdaten 115
- Kegelabbildung 153 - Bentley-Ottmann Algorithmus 107ff.
- Lage der Abbildungsfläche 152 - Binäre Suche 102
- Zylinderabbildung 154ff. - Branch and Bound – Technik 114
Abbildungseigenschaften 151ff.,174 - Bresenham Algorithmus 193
- flächentreu 151 - Bubble-Sort Algorithmus 96
- längentreu 151 - Dijkstra Algorithmus 112ff.
- winkeltreu (konform) 151 - Douglas-Peucker Algorithmus 1
Abstandstransformierte 411 - Flächeninhalt 94
Abstrakter Datentyp (ADT) 91 - Floyd Algorithmus 112
ACID-Prinzip 362 - Halbstrahlalgorithmus 104
ActiveX 80 - Heron Verfahren 98
Activity 82 - Lineare Suche 102
Adjazenz, Adjazenzmatrix 110,111,389 - Newton Verfahren 98
Adresse 53,56,89 - Parallelalgorithmen 97
AdV, Arbeitsgemeinschaft der - Plane-Sweep Verfahren 107ff.
Vermessungsverwaltungen der - Point in Polygon 104
Länder der Bundesrepublik - Quick-Sort Algorithmus 100
Deutschland 167,224 - Region Growing Algorithmus 488,495
Advanced Very High Resolution - Schnittaufgaben von Geraden 105ff.
Radiometer, AVHRR 451 - Schwerpunkt einer Fläche 94
AFIS. Amtlichen Festpunkt- - Skelletierung 115
Informationssystem 220ff.,225,226 - Strassen 97
AFIS-ALKIS-ATKIS, AAA-Modell 220ff. - Umfang einer Fläche 105
- Anwendungsschema 222,220ff. - Warshall Algorithmus 112
- Basisschema 221ff. - Wegealgorithmen 110ff.,115
- Fachschema 221 - Zhan-Suen-Algorithmus 116
- Lagebezug 224 ALK, Automatisiertes Liegenschafts-
- Referenzmodell 221 kataster 216ff.
Agile Development 124 - Folien 217
AJAX, Asynchronous Java Script and XML 47 - Objekte 216
ALB, Automatisiertes Liegenschaftsbuch 216 ALKIS, Amtliches Liegenschafts-
Algorithmus 8,18,54,94ff. kataster Informationssystem 217,220
- Effizienz von Algorithmen 101 - Datenmodellierung 226
- Komplexität von Algorithmen 101ff.,103 - im AAA-Modell 225ff.
- paralleler Algorithmus 97 - Lagegenauigkeit 228
- prozeduraler Algorithmus 95 - Objektartenkatalog 225
- sequentieller Algorithmus 96 - Präsentation 227
- Signaturenkatalog 226

https://doi.org/10.1007/978-3-662-60709-1
Sachverzeichnis 512
Allokation 415 - spektrale Aufl. 443

Almanach 200 - temporale Aufl. 444
Alphabet 14 - räumliche Aufl. 268,443
ALS, Airborne Laserscanning 212ff. - radiometrische Aufl. 444,462
Analog-Digital-Wandlung 31,187,462 - hochauflösende Systeme 461ff.
Analyse von Rasterdaten 405ff.,408ff. Aufnahmesysteme
- Abstandstransformierte 471 - aktive Aufnahmesysteme 436
- Aufbereiten/Editieren 405ff. - mit abbildendem Radar 447ff.
- gemeinsamer Durchschnitt 410 - passive Aufnahmesysteme 436
- Map Algebra 411ff. - Satellitensystem 433ff.
- Maskieren 410 - UAV 185,431,434,437
- räumliche Überlagerung 410 Augmented Reality 279,290ff.
- Sachdatenkonvertierung 407ff. Ausgleichsrechnung 145ff.
- Skelett 411 Auskunftssystem 273,373,374
- Verdickung (blow) 409 Ausrichtung gegen Nord, Exposition 428
- Verdünnung (shrink) 409 Automat 15,53
- Vereinigung 410 Azimutalprojektion 152,153
Analyse von Vektordaten 397,401ff. BaaS (Backend as a Service) 51
- Anwendung 404ff. Backpropagation 498ff.
- Editieren 398 Basiskartendienste 296
- Erfassen 397 Baum 92
- Generierung Pufferzonen (Buffer) 401,402 Befehle 56
- Kartenrandbehandlung 400 Befehlsvorrat 21
- Randanpassung 399 BeiDou 208
- räumliche Analyseverfahren 401ff. Betriebssysteme 35,36
- räumliche Überlagerungen 403ff. Beziehungen, Beziehungstypen in DBMS 318
- Verarbeitung von Grenzen 402 Bezugssysteme 148,156
Anscombe Quartet 281ff. Bildanalyse 437
Anwendungssoftware der Geoinformatik 16,38 Bildbearbeitung 437,465ff.
API (Application User Interface) Bilder in der Fernerkundung 462ff.
50,58,74,82,296 Bildfusion 481
Applets 47 Bildsegmentierung 495ff.
App-Programmierung 81ff. Bildtransformation 474ff.
App, Mobile App 2,7,10,36,37,52,81,383 Bildverarbeitung 437
Arbeitsspeicher 17,34, Bildvorverarbeitung 465
ARPAnet 43 Bit, Byte, Bitfolgen 23ff.,24,85
Array 90 BLOB Binary Large Object 367
Assembler, Assemblieren 53,54,59 Bodensegment in der Fernerkundung 435
ASTER, Advanced Spaceborne Thermal Breitenkreis 138
Emission and Reflection Radiometer 458 Browser 44,45,46
ATKIS, Amtliches Topographisch- Brute Force 107
Kartographische Inf.system 218ff.,220 Buffer (GIS). Buffer-Funktionen 371,401ff.
- Grundkonzeption Systemdesign 1989 218ff. Bus, Bussystem 34
- im AAA-Modell 228ff. Bustopologie 42
- Objektartenkatalog 218 Bytecode 54,55
- Signaturenkatalog 219 C/A-Code (GPS) 198
Atmosphäre 434,439,440,441 CAD, Computer Aided Design 378,381
- Atmosphärenkorrektur 459,466ff. CASE-Tools 120
- Durchlässigkeit der Atmosphäre 441,439 Central Processing Unit, CPU 17,34
- Einflüsse der Atmosphäre 439ff.,441,466 CH1903/LV95, CHTRS95 173
atmosphärisches Fenster 440 Client 251,254,257
Attribute 337,342 Client-Server-Netzwerk 42ff.,45,48
Auflösung 443ff.
Sachverzeichnis 513
Cloud, Cloud Computing 50ff. - hierarchisches Datenmodell. 312,321

- Service Modelle 51 - Netzwerk-Datenmodell 312
Code (GPS) 197ff. - objektorientiertes Datenmodell 365
- C/A-Code (GPS) 198,202,205 - Objektrelationales Datenmodell 336,365
- D-Code (GPS) 198 - relationales Datenmodell 336
- P-Code (GPS) 198 Datenpflege 327
Compiler, compilieren 22,54,55ff.,57 Datenqualität 185,235,267ff.
Computational Geometry 107 Datenrahmen (GPS) 199ff.
Computer, Computersystem 15,18,35,53 - Dataframe 199ff.
Computeranimation 279 - Subframe 199ff.
Computergraphik 279 Datensatz 89,94,328
Content Standard for Digital Datenschnittstellen 398
Geospatial Metadata 261ff. Datenschutz 10
Conventional Inertial System (CIS) 203 Datensegment 328
Conventional Terrestrial System (CTS) 203 Datensicherheit, Datenschutz 334
Copernicus 459ff. Datensicht (-ebene) in einem DBMS 334ff.
Cosinus-Korrektur 467 - Benutzersicht 335
Creative Commons 40 - externe Sicht (-ebene) 335
CSW, Catalogue Service for the Web 244,256 - interne Datensicht (-ebene) 336
Datei, Dateisystem 93ff.,328,329,330,331 - konzeptuelle Datensicht (-ebene) 335,341ff.
Daten 14 Datentyp, Datentypkonzept 14,26,60,62,84ff.
- aktive Daten 14 - abstrakter Datentyp 91ff.
- alphanumerische Daten 14 - Standarddatentyp 86ff.
- Ausgabedaten 14 - strukturierter Datentyp 89ff.
- Eingabedaten 14 Datenübertragung 239
- numerische Daten 14 Datumstransformation 182
- passive Daten 14 D-Code (GPS) 198
- Primärdaten 185 Decision Tree 502
- Sekundärdaten 185 Delaunay-Triangulation 424ff.
Datenaustausch 376 Deutsches Hauptdreiecksnetz, DHDN 158ff.
Datenbank, Datenbasis 93,94,328,333ff. Deutsch. Haupthöhennetz DHHN 166,167,168
Datenbankentwurf 341ff. DGM, Digitales Geländemodell 230,232,417
Datenbankmanagementsystem 327,332ff. DGPS, Differentielles GPS 208ff.
- Anforderungen an ein DBMS 353ff. DHDN9 160
- Objektorientiertes DBMS 336,354,365ff. DHHN 166ff.
- Objektrelationales DBMS 336,354,365ff. Diagrammdarstellung 315
- Relationale DBMS 336 Digital Earth 10
Datenebene (Layer) 6,253,384 Digitale Welt, Digitalisierung 22,397ff.
Datenerfassung 186ff.,188,397ff. Digitales Basis-Landschaftsmodell 230
- im Rasterformat 192 Digitales Geländemodell (DGM) 417
- im Vektorformat 188ff. Digitales Höhenmodell (DHM) 417
- On-Screen Digitalisierung 189ff. Digitalisiertablett, Digitizer 28,189
Datenexploration 286 Digitalisierung 189,397ff.
Datenfeld 94,328 - Knoten-Kanten-Knoten
Datenhaltungsschicht 48 Digitalisierung 191ff.
Datenintegrität 334 - on Screen Digitalisierung 189ff.
Datenkonsistenz 351,360ff. - Spaghettidigitalisierung 191
Datenmanipulation 352 Dilution of Precision (DOP) (GPS) 204ff.
Datenmodell 336ff. DIN, Deutsche Institut für Normung 242
- Entity-Relationship Modell ER- Diskretisierung 134
Modell 119,336ff. - zeitliche Diskretisierung 187
- erweitertes Entity-Relationship Distanzbestimmung (GPS) 199,201ff.
Modell, EER-Modell 364
Sachverzeichnis 514
DKM, Digitales Kartographische Ethernet 41

Modell 218,219 Europäischer Terrestrischer
DLM, Digitales Landschafts- Referenzrahmen, ETRF 160
modell 218,219,228,230 European Terrestrial Reference
DOM, Digitales Objekt Modell 213 System, ETRS89 160,161,167
Domäne 337 EVAP-Modell 374,377
DOP, Dilution of Precision (GPS) 204ff. EVA-Prinzip 15,17ff.,34
DOVE 461 Exposition, Ausrichtung gegen Nord 428
Drehung 143 Extinktion 440
Dreiecksvermaschung 422ff. Exzentritzität 162,176
- Delaunay-Triangulation 424ff. Fachliche Sichten 385
- Netz unregelmäßiger False Easting, False Northing 174
Dreiecksflächen (TIN) 423 Fangoption 391
- Plateaueffekte 426 Farbe, Farbinformation 29ff.,318ff.,495
- Probleme 424ff. - Einsatz von Farbe 318ff.
- Thiessen-Polygone 421,425 - Farbabstufungen 320ff.
DTK, Digitale Topographische Karte 230ff. - Farbwirkung, Farbwahrnehmnung 319
Dualzahlenarithmetik 31 Farbkomposit 463
Dublin Core Metadata Initiative, Farbmischung 29ff.,321ff.
DCMI 261 - additiv 29,321
Earth Centred Earth Fixed System, - subtraktiv 30,321ff.
ECEF 203 Farbmodell 321,322,323
Ebenenprinzip 133,395 - CMY 323
Echtzeit-Positionierungs-Service, EPS 206 - IHS, HSV, HSI 323
Eclipse 57 - RGB 30ff.,322
EDBS, Einheitliche Farbraumtransformation (IHS, HSI) 323ff.,481
Datenbankschnittstelle 216,223,250 Farbtiefe 30,31,444,463,472,473
Editor 57 Farbton, Hue 323
EGNOS, European Geostationary Feature Geometry Model 245ff.
Navigation Overlay Service 211ff. Fernerkundung 431ff.
Electronic Mail, E-Mail, Email 44 - Begriffsbestimmung 431ff.
elektromagnetisches Spektrum 438ff. - Bilder in der Fernerkundung 462ff.
Ellipsoide, WGS84,ETRS89, - Einsatzmöglichkeiten 432
GRS80 139f.,150,156,157 - Grundprinzip 433ff.,434
Ellipsoidische Breite, Länge 140 - Physikalische Grundlagen 438ff.
Empirical Line Method 466ff. Fernerkundungsdaten
Entity, Entity-Set, Entity-Typ 337ff.,338,362 - Bezug 464
Entity-Relationship-Diagramm 340ff.,351 - Datenaufbereitung 456
Entity-Relationship-Modell (ER- - systemkorrigierte Daten 435
Modell) 119,336,337ff. File Transfer 44
Entscheidungsbäume 502 Filtermethoden in der Fernerkundung 476ff.
Entzerrung (Rasterbilder) 142,145,467ff. - Hochpassfilter 478,479
- direkte E. 470 - Mittelwertfilter 478
- indirekte E. 470 - Tiefpassfilter 477ff.
- polynomische E. 468,471 Fingerabdruck 10
EPS, Echtzeit-Positionierungs-Service 206 Firmware 17
EPSG 177,178,181 Flussdiagramm 20
EPSG 248,252 Free Software Foundation 38,39
Erfassungsmethoden 185ff. Fundamentalpunkt siehe Zentralpunkt
-primäre E. 185 Galileo, Galileo Services 207ff., 208
-sekundäre E. 185,188 Gauß-Krüger-System 168,169ff.
Erweitertes Entity Relationship GCQ, German Combined Quasigeoid 167
Modell (EER-Modell) 364 GDI-NI 264ff.
Sachverzeichnis 515
- Metadatenprofil 265 - Probleme 389

GDOP, Geometrical Dilution of - in der Praxis 390ff.,404ff.
Precision 205 Geoobjekt 127ff.
Generalisierung 105,190,219,268ff.,299,410 - Dimensionen 134
Geobasisdaten 186,215ff. - Dynamik 134
- Bezug 232 - Geometrie 128ff.,134
Geocodierung 141 - Rasterdarstellung 130
Geodatabase 391 - Thematik 133
Geodaten 185 - Topologie 131ff.
- Knoten-Kanten-Knoten Geoobjekte 127ff.
Modellierung 191,387ff. - Aktualisieren von G. (Vektormodell) 399
- Modellierung von G. 192,245ff.,390 - Darstellung im Rastermodell 392
Geodaten in relationalen Daenbanken 366 - Darstellung im Vektormodell 385,386
Geodatenbanken 366ff. - Editieren von von G. (Vektormodell) 398
- Anforderungen 367ff. - Erfassen von G. (Vektormodell) 397
- Aufgaben 367 - Thematik 395
Geodatendienste 244,250ff. - Verwaltung von G. (Vektormodell) 399
Geodateninfrastruktur Deutschland GeoPackage 249ff.
(GDI-DE) 251,264,270ff.,272ff. Geoportal.DE 264,273
- der Länder 264,274ff. Georeferenzierung 141,150,178ff.,397,467
Geodatenzugangsgesetz 270,272 Geoslavery 10
Geodätische Abbildungen 149,168ff. Geovisualisierung, Geographic
Geodätisches Datum 158,159,160 Visualization (GVIS) 282ff.
- Potsdam-Rauenberg-Datum 159,168 Geovisuelle Analytik 283
- Pulkowo-St.Petersburg-Datum 159 GeoWeb 2.0 233
Geographic Information Science 2,4 Gestaltungsmerkmale von
Geographische Breite, Länge 138,139 Kartenprints 316ff.
Geographisches Gradnetz 138 - äußere Gestaltung 317
Geography Markup Language GML 244,247ff. - Texte und Beschriftungen 318
Geoid 164,165,167 GetCapabilities 251,253,255
Geoidundulation 165 GetFeature 255
Geoinformatik 1,4,6 GetFeatureInfo 253
- Definition 4 GetMap 251,254
- Ethische Herausforderungen 9,10 GI-Science 2,4
- Fragestellung 5 GIS-Mapping 52,293,379
- Meilensteine 2,3 GIS-Software 378ff.
- Themen 7 Glonass 207
Geoinformation 260 GNSS, Global Navigation Satellite
Geoinformationssystem (GIS) System 195
1,5314,319,356ff.,373ff. - A-GNSSE, Assisted GNSS 201
- Definition 375 GNU, GNU-Lizenzmodelle 39,40
- Gegenüberstellung Vektor- und GOES, Geostationary Operational
Rastermodell 396ff. Environmental Satellite 450ff.
- Modell der realen Welt 384ff. GPPS, Geodätischer-Postprocessing-
- Rastermodell 392ff. Positionierungs-Service 206
- Vektormodell 385ff. GPS, Global Positioning System
- Vierkomponentenmodell 376ff. - Bewertung 210
- Web-GIS 381,382,383 - Daten 209ff.
Geomatics, Geomatik 7 - Dilution of Precision“ (DOP) 204
Geometrisch-Topologische - Fehler (GPS) 203
Modellierung im Rastermodell 392ff. - Geometrical Dilution of Precision
Geometrisch-Topologische (GDOP) 205
Modellierung im Vektormodell 385ff. - Horizontal Dilution of Precision (HDOP) 205
Sachverzeichnis 516
- Modernisierung 206ff. Homogene Koordinaten 136,143

- NAVSTAR/GPS 195,106ff.,199ff. Horizontal Dilution of Precision
- Position Dilution of Precision (PDOP) 205 (HDOP) 205
- Standortbestimmung Prinzip 199ff. Hotstart (GPS) 200
- Time Dilution of Precision (TDOP) 205 HSDA-Modell 374,376
- Vertical Dilution of Precision (VDOP) 205 HTML Hypertext Markup Language
GPX 210 45,46,59,79
Gradnetz 138,148,149 HTTPS 45
Grain, Grainwert 190 Hyperlink 45,46,286
Graph, Typen von Graphen 110ff. Hypermap, Hypermedia 286
Graphik Hypertext 15
- Pixelgraphik 28 IaaS, Cloud Service Modell 51
- Rastergraphik 28,253 IDE 57,58
- Vektorgraphik 28,80 Identifikationsnummer 329
Graphiksprachen 75ff. IDW, Inverse Distance Weighting 419ff.
- Open Graphic Language, OpenGL 76 Indexbildung 474ff.
Graphiktablett 28 Informatik 1ff.,4,8,9
graphische Darstellungsformen von Information 13
Geoobjekten 279,284 Informationssystem 373
Graphische Gestaltungsmittel 308ff. - Kommunales Informationssystem 380
Graphische Semiologie 302ff. - Regionales Informationssystem 380
- pragmatische Dimension 302 - Vierkomponentenmodell 374
- semantische Dimension 302 INS, Inertial Navigation System 213
- syntaktische Dimension 302 INSPIRE, Infrastructure for Spatial
Graphische Variable 302,303ff.,305,306 Information in the European
Graphische Informationsverarbeitung 75 Community 270ff.
Grauwerte 462,463 - Themen Anhang 271
Großkreis 138 - Durchführungsbestimmungen 271
Hardware 16,34ff. - Richtlinie 2007/2/EG 270ff.
Hauptkomponententransformation 476 Instantaneous Field of View, IFoV 443
Hauptspeicher siehe Arbeitsspeicher 34 Integrierter geodätischer Raumbezug 167ff.
Haze Removal 466ff. International Organiszation für
Helligkeit, Value Intensity 323 Standardisation ISO 243ff.
Helmert-Transformation 161ff. Internationaler Terrestrischer
HEPS, Hochpräziser Echtzeit- Referenzrahmen ITRF 160
Positionierungs-Service 206 Internet, Internetdienste 43ff.
Heron Verfahren 18ff. Internet-GIS 381ff.
Hidden Layer 498 Interoperabilität 239ff.,244,250
Histogrammangleichung 474 - semantische 240ff.
Histogrammmatching 480 - syntaktische 240ff.
Hochwert 170,172,173,175ff. Interpolation
Höhe 165,167 - IDW Interpolation 419ff.
- ellipsoidische Höhe 164,165 - Kriging 420
- Höhe über dem Geoid/Quasigeoid 165,167 - Räumlichen Interpolation 417,419ff.
- Höhe über Höhennull 165 Interpolation, bilineare, kubische I. 472
- Höhe über NN 165 Interpreter 56
- Normalhöhe 164,165 Intervallskala 133
- normalorthometrische Höhe 164,165,166 Inzidenz 110
- orthometrische Höhe 164,165 ISO / OSI 49
Höhenbezugsflächen 164ff. ISO 19113 Geographic information -
-Geoid 164,165 Quality principles 267,268
-Quasigeoid 165 ISO 19115 Geographic Information –
Höhenfestpunktfeld 158,225 Metadata 262ff.
Sachverzeichnis 517
ISO International Standard Kommunikationsschnittstelle (Karte) 285

Organisation 242,243ff. Komplementärfarben 322,323
Item 94 Komplexität 339
Iteration 98 Konfusionsmatrizen,
Java, Java Virtual Machine 54,55,72ff.,76,80 Konfusionstabellen 492ff.
Java-Applets, JavaScripts 47,79,80,115 Kontraststreckung 473ff.
JPSS, Joint Polar Satellite System 451 Kontrastverbesserung 472ff.
Kaltstart (GPS) 201 Kontrollsegment (GPS) 195
Kanäle 452,453,454,455,458,459,476 Konvertierung 396ff.
Kante 388 - Raster-Vektor-K. 193ff.,408
Kappa-Koeffizient 493 - Vektor-Raster-K. 193,396
Kapselung 70 - von Sachdaten im Rastermodell 407ff.
Kardinalität 339 Koordinaten, Koordinatensystem 27,127
Karte - Geographische Koordinaten auf
150,151ff.,216,218,220,230ff.,284,292ff.,401 einem Ellipsoiden 139,140
- Begriff 284 - Geographische Koordinaten auf
- Gestaltungsmerkmale 316ff. einer Kugel 137ff.
Kartennetzentwürfe 150,152 - Homogene Koordinaten 136,143
Kartenprojektion 149 - kartesische Koordinaten 135ff.
Kartenrandbehandlung im GIS 400 - Polarkoordinaten 137ff.
Kartographie 283,284ff.,303,315 Koordinatentransformation 142
- Kardinalfehler der Kartographie 289ff. - affine Transformation 142ff.
- Multimedia Kartographie 308ff. - polynomische Transformation 145
- Paradigmenwechsel der K. 284 - projektive Transformation 144
Kegelprojektion 152 Kriging 420
Kettenkodierung 116,194,393ff. Lagegenauigkeit 268
Klasse, Klassenbibliotheken 69 Lambertprojektion 149
Klasseneinteilung 312ff. LAN, Local Area Network 41
Klassifikation, Klassifikator 482ff, Landinformationssystem 380
- Grundprinzip pixelbasierter K. 482 Landnutzung, Landbedeckung 484
- Isodata-Verfahren 487 Landsat 451ff.
- Klassifikationsgenauigkeit 492ff. - Aufnahmesysteme 452ff.
- Maximum-Likelihood-Klassifikator 490ff. - Landsat 1-7 452ff.
- Minimum-Distanz-Klassifikator 490 - Landsat 8,9 454ff.
- Mischpixelproblematik 494 Landschaftsinformationssysteme 380
- mit künstlichen neuronalen Netzen 497ff. Längenkreise 138
- nicht-parametrische Verf. 496 Lauflängencodierung 393
- parametrische Verf. 496ff. Layer 6,253,293,384
- Quader-Klassifikator 489ff. Layerprinzip 133,395ff.
- Random-Forest-K. 503ff. Light Detection and Ranging, LiDAR 212
- überwachte Klassifikation 483 Linken, Linker 56,57
- unüberwachte Klassifikation 483,485ff. Links 46
Kleingeldmethode 312 Liste, verkettete L. 92
Knoten 388 Loader 56,57
Knoten-Kanten-Knoten Erfassung 191ff. LoD, Level of Detail 291
Knoten-Kanten-Knoten Topologie 387,388 Logikschicht 48,49,251
Kodierung 26ff,77,85,88,133,435,462,472 Loxodrome 155
Kombination von Bildern 479ff. Map Algebra 411ff.
Kommunikation - Operatoren 412
- explorative K. 280 Map Matching 117
- graphische (kartographische) K. 298ff. Mapfile 252,253
- visuelle K. 280 Mapserver 48,293ff.
Kommunikationsprozess 280,299ff. MapServer, UMN-MapServer 251,252,253
Sachverzeichnis 518
MapUseCube 283 - Lernen 498

Masche 130 - Simple Neuronal Network 500
Maschinenprogramm 53,54 Newton Verfahren 18
Maschinensprache 21,53 NMEA 209
Mashup 297 NOAA, National Oceanic and
Matching Tabelle 350 Atmospheric Administration 451
Matrix, Matrixmultiplikation 90,97,142,143ff. Nominalskala 133
Mehrbenutzerzugriff (DBMS) 331 Nordwert 168,174,179
Mehrdeutigkeit 241 Norm, Normung 242
Mehrfachnutzung von Daten 239,260 Normalformen 345ff.
MER Minimum Enclosing Rectangle 108,109 Normalisieren von DB 348
Mercatorkarte 151,154,155 Normalized Difference Vegetation
Meridian 138 Index NDVI 475
Metadaten 185,239,259ff. Normbasierte Austauschschnittstelle
- der GDI-NI 265 NAS 221,223
- pragmatische Metadaten 260 Normierungsinstitutionen 242,243
- semantische Metatdaten 259 Nutzerbezogenen Bestands-
- Standards für räumliche Metadaten 261ff. datenaktualisierung (NBA) 223
- syntaktische Metadaten 260 Nutzersegment (GPS) 197
Metadatenprofil 265 Objekt Database Management Group
Meteosat 450ff. (ODMG) 365
Methode der Nächsten Nachbarn 472 Objektabbildungskatalog, OBAK 216
Metrik, metrische Räume 135 Objektartenkatalog 218,220,225
- City-Block-Metrik 392,484 Objektklassenprinzip 133
- Euklidische Metrik 138,484 Objektorientierung (Geoobjekte) 128
- Lr-M. 484 Objektprinzip 395ff.
- Minkowski r-M. 484 OGC, Open Geospatial Consortium 244ff.,390
Minimaldistanzverfahren 485ff. OGC-konforme Geodatendienste 250,251ff.
Mischpixel, Mischpixelproblematik 494 OGC-Standards 244ff.
Mittellinienextraktion zu Algorithmus 194 - Abstract Specifications 244ff.
Modellierung von Flächen 386ff. - Implementation Standards 244
Modellierungskonzepte 336 O-Notation 102ff.
Modulation (GPS) 197 Ontologie 241
Mosaikierung 479ff. Open Source Initiative, Definition 39
Motherboard 34 OpenGL, OpenGraphicLibrary 76
MySQL 341,351 Open Street Map 233ff.
Nachbarschaft im Rastermodell 392 Operatoren der Map Algebra 412
Nachricht 13 - fokale O. 412
NAS 250 - globale O. 412
Nassi-Shneiderman-Diagramm 21,64,119 - inkrementelle O. 412
NCGIA, National Center for - lokale O. 412
Geographic Information and - zonale O. 412
Analysis 2 Orbit 444ff.
Netz, Vernetzung 41ff. - geostationärer Orbit 445
Netztopologie 42 - sonnensynchroner Orbit 444
Netzwerkanalyse 413ff. Ordinalskala 133
- Allokationsaufgaben 415 Orthodrome 150
- Einzugsbereiche 415ff. Orthorektifizierung 468
- Kürzeste Wege 414 Österreichisches Bundesmeldenetz 171ff.
- Travelling Salesman Problem 414 Ostwert 168,174,175ff.
- Widerstandswerte 413 Overlay-Funktionen (GIS) 403ff.
Neuronale Netze 497ff. PaaS, Cloud Service Modell 51
- Deep Learning Neuronal Network 500 Panoramaverzerrung 446
Sachverzeichnis 519
Parallelkreis 138 Programmierumgebung 57,58

Passpunkte, Passpunktbestimmung 145ff.,470 Programmierung 21
P-Code (GPS) 198 Projektion (siehe Abbildung)
Peer-to-Peer Netzwerk 42 Projektion in DBMS 352
Perzeptron 497ff. Projektionsfläche, Lage der 152
- Multilayer P. 500 - normale P. 152
Phasenmodell 120ff. - schräge P. 152
Photogrammetrie 438 - transversale P. 152
Pixel, picture element 28,130 Prosument 297
Planet Scope 461 Prototyp, Prototyping 122
Pléiades 458 Prozedur 63
Plotter 34,35 Prozess 16
Plug-in 47,58,74 Prozessor 16ff.,,17,21ff.,34ff.37
Poes, Polar-Orbiting Operational Pseudoentfernung 201ff.
Environmental Satellites 450 Pufferzonen (GIS) 371,401ff.
Polygon 388 Pulkowo-St.Petersburg-Datum 159
- Thiessen-Polygone 421ff. Push Broom Scanner 446,447
- Voronoi-Polygone 421ff. Python, PyGIS 74ff.
Polymorphie, Polymorphismus 70 Quad-Tree-Modell 394
Position Dilution of Precision (PDOP) 205 Qualität von Geodaten 235,267,268
PostGIS 269ff.,336,368 - ISO 19113 Geographic information -
PostgreSQL 336,354,368ff. Quality principles 268
Potsdam-Rauenberg-Datum 159,168 - Qualitätsmerkmale 267,268ff.
Präsentation Quasigeoid 165,166,167
- graphische P. in Apps 296 - German Combined Quasigeoid 167
- in der Geoinformatik 284 - nach Modolenski 166
Präsentationsschicht 48 Quellcode,Quellprogramm 21,55
pragmatische Dimension (Semiologie) 302 Radarfernerkundung, Radarsysteme 447ff.
Precise Positioning Service (PPS) 198 - Real Aperture Radar, RAR 448
Primärmodell 285,299ff. - Synthetic Aperture Radar, SAR 449
Programm 15,21 radiometrische Korrektur 465ff.
Programmablaufpläne 21 Radix-Schreibweise 24
Programmausführung 54,55ff.,57 Raleigh-Streuung 440
Programmierebenen 53ff. Randanpassung 400
Programmierkonzepte 62ff. Randlinienextraktion 194
- imperative Programmierung 60 Random-Forest-Klassifikator 503ff.
- modulare Programmierung 60,67ff. Rapid Eye 461
- objektorientierte Programmierung 60,61ff. Rastermodell 28,130ff.,377,392ff.,396ff.
- strukturierte Programmierung 63ff.,66ff. - Analyse 405ff.
Programmiersprachen 54,58ff. - Modellierung 392ff.
- Assembler 53,54,59 - Nachbarschaft 392
- Funktionale (applikative) - Speicherung 393ff.
Programmiersprachen 61 Raster-Vektor-Konvertierung,
- Generationen 59 Rasterisierung 192,194ff.
- höhere Programmiersprachen 54 Ratioskala 133
- Imperative Programmiersprachen 60 Raumbezug
- in der Geoinformatik 61 - integrierter geodätischer R. 167
- Maschinensprache 53,54 Raumkoordinaten 148
- Objektorientierte Räumliche Bezugseinheiten, Objekte 127
Programmiersprachen 62,69ff.,70ff. Raumsegment 196
- Prädikative Programmiersprachen 60 Rechenanlage 15,16
- Problemorientierte Rechenwerk 33
Programmiersprachen 59 Rechtswert 170,171,172,173,177ff.
Sachverzeichnis 520
Recoveryfunktion 362 Server 251,253

Redundanzfreiheit 333 Shape-Datenformat 192,242,366,370,390ff.
referentielle Integrität 351,361ff. Shuttle Radar Topography Mission,
Reflexionskurven 442ff. SRTM 449,464,
Reflexionsverhalten 434,442 Sichten in einem GIS 385
Region Growing 495 Signal 13
Rekursion 99ff. Signatur 309,311
Relationale Datenstrukturen in GIS 356ff. - Angabe von Quantitäten 311,312
Relationship 338ff. - bildhafte (sprechende) Signaturen 309
- many to one Relationship 339 - geometrische (abstrakte) Signaturen 309
- many-to-many Relationship 339 - Größe 309,310
- one-to-one Relationship 339 - Werteinheitsignaturen 312
- Relationship-Typen 339ff. Signaturenkatalog 219,220,226,309
Rendern 311 Signaturkurven 442ff.
Resampling 471ff. Simple-Feature-Geometry-Object-
Ringtopologie 42 Model 129,192,244,246ff.,386,390,
RMS-Fehler 147,148,180,471 Skalenniveau 84,133
Rundreiseproblem 114 Skelett 411
SaaS, Cloud Service Modell 29,51 Skelettierung 194
Salz und Pfeffer-Effekt 477,495 Skysat 461
Satellitenpositionierungssystem Software Engineering 118ff.,120
SAPOS 205 Software 16,35ff.
Sättigung, Saturation 232 - Anwendungssoftware 16,36ff.
Satz von Euler 111,387 - Branchensoftware 36
Scalable Vector Graphics, SVG 80 - Freie Software 38ff.
Scanner in der Fernerkundung 435ff. - Individualsoftware 36
- opto-mechanische S. 446ff.,456ff,469 - Open-Source-Software 38ff.
- Push Broom S. 446,447 - proprietäre Software 38
- Whisk Broom S. 446 - Softwarequalität 38
Scanner 7,18,29,130,141,187,192 - Softwarerisiko 37-
Schlüssel 328ff.,344 - Standardsoftware 36ff
- Fremdschlüssel 329,34404 - Systemsoftware, systemnahe
- Identifikationsschlüssel 329,344 Software 16,35
- Primärschlüssel 329 Softwareentwicklung 117ff.
Schlüsselkandidaten 329 - Bottom-Up-Entwicklung 119
Schnittstelle 36,67 - Instrumente 118ff.
- Benutzerschnittstelle 48,75 - Methoden 119
- Programmierschnittstelle 50,58,77,296, - Modularisierung 119
Schriftgestaltung 318 - objektorientierte
Schweizer Koordinatensystem 172ff. Softwareentwicklung 122
Sekundärmodell 300,301 - schrittweise Verfeinerung 119
Selective Availability (GPS) 198 - Top-Down-Entwicklung 119
Selektion in DBMS 352 - Verfahren 119
Semantik 14,241 - Vorgehensmodelle 120ff.
semantische Dimension (Semiologie) 302 - Werkzeuge 120
Semiologie, graphische Semiologie 304ff. Software-Hardware-Hierarchie 17
Sensordaten 31,464 Source Code 21,55
Sensorsegment in der Fernerkundung 435 Spaghettidigitalisierung 191
Sensorsysteme Spatial Data Infrastructure SDI 270ff.
- aktive S. 436 Speicher
- passive S. 436 - Haupt-/Arbeitsspeicher 17,34ff.
- Systematisierung 437 - permanente Speicher 34ff.
Sentinel 459ff. Speicherung
Sachverzeichnis 521
- gestreute Speicherung 94 127,131,134,245,377,387ff., 388,392,398

- indizierte Speicherung 94 Topologieregeln 391
- sequenzielle Speicherung 94 Topologische Beziehungen 132
Speicherung in DBMS 327 TopPlusOpen 232
Spektralbibliothek 442 Trägheitsnavigationssystem 213
spektraler Fingerabdruck 442 Trainingsgebiet 483,488ff.,491
SPOT, Système Probatoire d´ Transaktion in DBMS 361
Observation de la Terre 456ff. Transformation 28,143,145,147,161,323
- Aufnahmemodi 457 Transformation ER-Modell 348
- Instrumente 456,457 Translation 179,143
SQL, Standard Query Language 353ff. Travelling Salesman Problem (TSP) 114
SQLite Datenbank 249ff. Traversierung 93,117,416
Stadtmodelle 291ff. Trendflächenanalyse 418
Stammdatei 330 Triangulation siehe
Standard Position Service (SPS) 198 Dreiecksvermaschung, TIN 422ff.
Standarddatentypen 85ff. Trigger in DBMS 361
- logischer Wert 89 True Color, Truecolor 31
- Ganzzahl 86 TTFF, Time To First Fix 200
- Gleitkomma 87 UAV, Unmanned Aerial Vehicle 431,435,437
- Zeichen 88 Übersetzungsprogramm 36
- Zeichenkette 89 UML Unified Modeling Language 122
Standardisierungsinstitutionen 242 UMN MapServer 251ff.
Standards, Standardisierung 239ff.,240,242 Umweltinformationssysteme (UIS) 380
Stapel (Stack) 91 Universal Character Set 26
Steigung, (engl. slope) 427ff. Universales Transversales Mercator
Stellenwertsystem 24 Koordinatensystem, UTM 168,179,
Sterntopologie 42 173ff.,175ff.
Strahlungsvorgänge, solare S. 433ff.,438ff., Unterprogramm 63
439ff. URL 45
Streuungsvorgänge 440,466ff. Usenet News 44
Struktogramm 20,21 Variabilität 134
Strukturblock Variablenkonzept 62
Stützstellen 388 Vegetationsindizes 475
Subframe (GPS) 199 Vektor, Vektormodell 27ff.,129ff.,191,
Support Vector Machine 500ff. 193,385ff.,396,397ff.
Symbol Vektor-Raster Konvertierung 192ff.
21,24,53,55,304ff., 307ff.,309,311ff.11ff. Veredlungssegment 435
syntaktische Dimension (Semiologie) 302 Vererbung 69
systemkorrigierte Daten 435 Verknüpfung in DBMS 352
TanDEM-X 449 Verschneidung, Overlay (in GIS)
TCP/IP 43 401ff.,403ff.,410ff.
Technical Committee TC 211 Vertical Dilution of Precision (VDOP) 205
Geographic Vielfach- (Mehr-)benutzerzugriff auf DB 331
Information/Geomatics 243 Virtuelle Realität, Virtual Reality,
Terminal Emulation, Telnet 44 VR 279,290ff.
TerraSAR 449 Visualisierung 279,280
Tertiärmodell 301 - computergestützte wissenschaftliche
Thematic Mapper (Landsat) 445,453,454,455 Visualisierung 279ff.
Thick-, Thin-Client-Architektur 382 Volunteered Geographic Information 233ff.
Thiessen-Polygone 421ff. von-Neumann-Rechner 54
Time Dilution of Precision (TDOP) 205 Vorgehensmodelle (Softwareentw.) 120ff.
TIN, Triangulated Irregular Network 423ff. - ER-Modell 119
Topologie - eXtreme Tailoring 123
Sachverzeichnis 522
- Phasenmodell 120ff. - Unicode 26

- Prototyping 122 - UTF-8 26
- Spiralmodell 121 Zeiger 67,89
- V-Modell 123 Zentraleinheit 17
- Wasserfallmodell 121 Zentralprojektion 144
Voronoi-Polygone 421ff. Zentralpunkt Fundamentalpunkt 158,159
Voxel 130 -Rauenberg 159
WAN, Wide Area Network 41 -Wien-Hermannskogel 171
Warmstart (GPS) 200 -Alte Sternwarte Bern 172
Warmstart 201 -Zimmerwald 173
Warteschlange 91 Zweifrequenzmessungen GNSS 198,206,207
Web 2.0 48ff.,49,23,286 Zylinderprojektion 152
Web Catalogue Service (WCS) 244,251,255
Web Feature Service (WFS) 244,251
Web Feature Service (WFS) 254
Web Map Service (WMS) 244,251,253ff.,258
Web Map Tile Service (WMTS) 244,251,255
Web Processing Service (WPS) 256ff.
Webservice 244, 257ff.
Web-Applets 47
Webdienst, Webservice 251
Web-GIS 381,382,383
Web-Map 295
Web-Mapping
285,292ff.,294ff.,297,301,381,383
Web-Mapping-Programmierschnittstellen 296
Web-Mercator Projektion 155ff.
Webserver 47,48,251
Webservice in GIS 257ff.
Wettersatelliten 450
WGS84 157,159,160
Whisk Broom Scanner 446
Wide Area Augmentation System,
WAAS 211ff.
WLAN, Wireless Local Area
Network 41
Workstation 15
World Wide Web (WWW) 44ff.,,46,49,79,233
XML 59,80,249
Zahlensystem 24ff.
- Dezimalsystem 24
- Dualzahlensystem 25ff.
- Hexadezimalsystem 25
Zeichen 14
- Alphanumerische Zeichen 14
- numerische Zeichen 14
Zeichensätze 26
- American National Standards
Institute, ANSI 26,27
- American Standard Code for
Information Interchange, ASCII 26,27
- Extended Binary Coded Decimal
Interchange, EBCDI 262

Eoinformatik-Kachelseite - (13-31) - Patrick 10.10.22

Hochgeladen von

Copyright:

Verfügbare Formate

Eoinformatik-Kachelseite - (13-31) - Patrick 10.10.22

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Eoinformatik-Kachelseite - (13-31) - Patrick 10.10.22

Hochgeladen von

Copyright:

Verfügbare Formate

Norbert de Lange

4., grundlegend überarbeitete und erweiterte Auflage

ISBN 978-3-662-60708-4 ISBN 978-3-662-60709-1 (eBook)

Die Deutsche Nationalbibliothek verzeichnet diese Publikation in der Deutschen Nationalbibliografie;

Osnabrück, Januar 2020 Norbert de Lange

Auszug aus dem Vorwort zur ersten Auflage

Osnabrück, Januar 2002 Norbert de Lange

Auszug aus dem Vorwort zur zweiten Auflage

Osnabrück, Juli 2005 Norbert de Lange

2 GRUNDBEGRIFFE UND ALLGEMEINE GRUNDLAGEN DER

3 GRUNDLAGEN AUS DER INFORMATIK 53

4 GEOOBJEKTE UND BEZUGSSYSTEME 127

5 DIGITALE RÄUMLICHE DATEN: DATENGEWINNUNG,

6 STANDARDS UND INTEROPERABILITÄT VON GEODATEN 239

7 VISUALISIERUNG RAUMBEZOGENER INFORMATIONEN 279

8 DATENORGANISATION UND DATENBANKSYSTEME 327

9.7 Räumliche Interpolation und Modellierung von Flächen .................... 417

10 EINFÜHRUNG IN DIE FERNERKUNDUNG UND DIGITALE

10.7 Klassifikation ....................................................................................... 482

1.1 Ansatz und Aufgaben der Geoinformatik

Abb. 1.1: Beziehungen der Geoinformatik zu anderen Disziplinen

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2020

schnell voranschreitende Softwareentwicklung von GIS-Technik und auf die sich

Tabelle 1.1: Meilensteine der Geoinformatik

Abb. 1.2: Einzugsbereiche von Bushaltestellen im Stadtgebiet von Osnabrück

Karte oder die graphische Präsentation in einem Geoinformationssystem veran-

Abb. 1.3: Aufbau und zentrale Teilbereiche der Geoinformatik

Geoinformatik ist insbesondere als Wissenschaft hinter den Technologien im Sinne

Entwicklung nicht linear verlaufen, sondern verzeichnet mehrere Innovations-

Inzwischen sind im deutschsprachigen Raum an Fachhochschulen und Universi-

1.2 Ethische Herausforderungen der Informatik und

Bartelme, N. (1989): GIS Technologie. Geoinformationssysteme, Landinformationssysteme und

2.1 Information, Nachricht, Signale, Daten

Abb. 2.1: Beispiele von Nachrichten

© Springer-Verlag GmbH Deutschland, ein Teil von Springer Nature 2020

2.2 Automat, Computer, Programm, Hard- und Software

Unter einem (technischen) Automaten versteht man im Allgemeinen eine Maschine

Abb. 2.2: Eintrittskartenautomat für ein Schwimmbad

2.3 EVA-Prinzip der Informationsverarbeitung

Ein Computer wandelt Eingabedaten nach bestimmten Regeln in Ausgabedaten um.

2.4 Algorithmen und Programme in Computersystemen

Algorithmen bilden zentrale Bestandteile von Computersystemen und der Informa-

matik die wichtige Aufgabe, optimale Algorithmen und zugehörige Bewertungsfor-

Das Heron-Verfahren bietet eine einfache geometrische Veranschaulichung (vgl.

Abb. 2.4: Geometrische Veranschaulichung des Heron-Verfahrens

Bei der Wiedergabe der Handlungsvorschriften des Heron-Verfahrens wird eine

Abb. 2.5: Heron-Verfahren als Struktogramm und Flussdiagramm

2.4.2 Programmablaufpläne und Struktogramme

2.4.3 Stufen der Algorithmusausführung in einem Computersystem

Nach der Formulierung des Algorithmus in einer möglichst formalen Schreibweise

2.5 Darstellung von Informationen in Computersystemen

2.5.1 Digitale Welt, Digitalisierung

Die automatisierte Verarbeitung von Informationen in einem Computersystem setzt

2.5.2 Bit und Bitfolgen

Mit 3 Bit können 23 = 8 Möglichkeiten kodiert werden. Derartige Kodierungen lie-

2.5.3 Logische Werte

Tabelle 2.1: Beispiele von Dualzahlen mit ihren Werten im Dezimalsystem

im Dokumentenkopf einer HTML-Seite spezifiziert (Angabe charset=iso-8859-1,

Tabelle 2.2: Kodierung ausgewählter Zeichen im ASCII- und ANSI-Code