Zusammenfassung
Der Artikel befasst sich mit der systematischen, Gemeinde übergreifenden Auswertung von Bebauungsplänen, die aufgrund heterogener Formate und fehlender Digitalisierung bisher erschwert ist. Ziel der im Rahmen des Projektes »GreenDIA« entwickelten Arbeit ist die KI-gestützte Extraktion textlicher Informationen aus bayerischen Bebauungsplänen zur Erzeugung strukturierter, maschinenlesbarer Daten. Die Methodik kombiniert Webscraping zur Dokumentenerfassung, optische Zeichenerkennung (OCR) zur Textextraktion und große Sprachmodelle (LLMs) zur inhaltlichen Analyse. Inhaltlich fokussiert sich die automatisierte Extraktion auf klar definierte planungsrechtliche Festsetzungen zu den Themen Klimaanpassung, Flächenverbrauch und Hochwasserschutz. Zur Qualitätssicherung und systematischen LLM-Validierung wurde ein von menschlichen Annotator:innen erstellter Goldstandard-Datensatz entwickelt. Dieser Benchmarking-Datensatz dient dazu, die Leistung verschiedener Modell- und Pipeline-Kombinationen hinsichtlich ihrer Fehlerquoten zu messen und Prompts empirisch zu optimieren. Als zentrales Ergebnis der Arbeit entstanden vier Datensätze, darunter ein Metadatensatz öffentlich zugänglicher Pläne in Bayern sowie eine stratifizierte Stichprobe nach Region, Alter und Dokumentenlänge. Die extrahierten Zielinformationen und räumlichen Daten werden anschließend auf einem interaktiven Web-Portal als durchsuchbare Bayern-Karte visualisiert. Als Limitationen der Studie werden unter anderem Herausforderungen bei der Georeferenzierung sowie die fehleranfällige Informationsextraktion bei älteren und stark verdichteten Plänen benannt. Abschließend skizziert der Beitrag konkrete Anwendungsfälle der generierten Datenbasis für das kommunale Monitoring, die Infrastrukturplanung und die empirische Raumforschung.
Summary
This article presents a methodology for the AI-supported analysis of Bavarian development plans. Since these documents are highly heterogeneous and poorly standardized, the authors combine web scraping, optical character recognition (OCR), and Large Language Models (LLMs) to automatically extract regulatory text on topics like climate adaptation, land take and flood protection. To ensure data quality, a human-validated gold-standard dataset was developed to benchmark the accuracy of various AI model pipelines. The result is an interactive map of Bavaria that visualizes spatial control patterns of municipalities. Despite technical limitations with older plans, this approach opens up valuable data-driven opportunities for strategic urban development, infrastructure planning, and evidence-based spatial research.
Die PDF wird etwa 2 bis 3 Wochen nach Erscheinen der zfv zum Download zur Verfügung gestellt.