Ziel des interdisziplinären Projektes WindGISKI ist es, Informationen für potentielle Windenergieflächen zentral in einem Geoinformationssystem (GIS) darzustellen.

(WK-intern) – Hierzu wird die Flächengüte ermittelt, welche Aussagen sowohl über die Eignung für einen Ausbau der Windenergie als auch über potentielle Konflikte gibt.

Somit können potentielle Hemmnisse, welche möglicherweise zu einer Verzögerung des Windparkprojekts führen, frühzeitig benannt und ebenso können Gunstfaktoren erkannt werden, welche sich förderlich auf eine Umsetzung auswirken.

Hierzu hat sich ein interdisziplinäres Team aus Ingenieur-, Umwelt-, Sozial- und Informatikwissenschaften in Zusammenarbeit mit der Wirtschaft gebildet. Durch diese Zusammenarbeit ist es möglich, die Themen Technik, Umwelt und Artenschutz, soziale Aspekte und Künstliche Intelligenz zu vereinen.

Eine der Hauptfragen, welche sich das Projekt WindGISKI stellt, besteht darin, mit welchen Informationen eine potenzielle Windenergiefläche beaufschlagt werden muss, um eine möglichst reibungsfreie Realisierung von Windenergieprojekten zu erzielen. In diesem Sinne handelt es sich bei dem zu entwickelnden KI-Tool um eine von Menschen geschaffene Anwendung bzw. Entscheidungshilfe, derer sich der Planungsträger zur Unterstützung bedient. Im besten Fall wird den Planenden jeweils eine Auswahl an geeigneten Flächen ausgegeben, aus denen nach sorgfältiger, fachgerechter Abwägung die, für den konkreten Planungsraum, am besten geeignete ausgewählt werden kann.

Die Grundlage für das Erheben großer Datenmengen und Ableitung von Flächenempfehlungen (Flächengüte) bilden Flächeninformationen (Merkmale). Diese flächenbezogenen Merkmale sind beispielsweise Auswirkungen von artenschutzrechtlichen Themen, es fließen aber auch infrastrukturelle, demografische und sozialwissenschaftliche Merkmale mit ein. Neben den Merkmalen werden potentielle Ziele zur Realisierung von Windparkprojekten für die Flächenentwicklung ermittelt. Das Ergebnis besteht darin, Muster und Zusammenhänge abzuleiten, um daraus eine Gewichtung der flächenbezogenen Merkmale für das jeweilige Ziel zu beschreiben.

Aufbauend auf diesen Ergebnissen wird u.a. ein Deep-Learning Modell entwickelt, um als Flächenscoringmodell Empfehlungen für potentielle Flächen auszusprechen. Dieses KIScoring dient der automatischen Identifikation und Auswahl zukünftiger Vorrangflächen für Windenergiestandorte und wird mit einem expertenbasierten Flächenscoring abschließend abgeglichen bzw. geprüft.

Zur Vorbereitung eines expertenbasierten Flächenscorings wurden Online-Interviews mit Experten*innengruppen zur Gewichtung der ermittelten Merkmale und Zielgrößen bzw. zur Bewertung ihrer Bedeutsamkeit für die Flächengüte, über die Gesetzeslage hinaus, durchgeführt. Hierbei steht die Erschließung möglichst geeigneter, konfliktarmer Standorte im Vordergrund. Dies lässt sich nicht allein aus dem gegenwärtigen Rechtsrahmen ableiten, da dieser, insbesondere aus politischen Beweggründen heraus, verändert werden kann.
In diesem Sinne werden, im Rahmen einer Auslegung der Ergebnisse der vorliegenden Online-Umfrage, Hemm- und Gunstkriterien kenntlich gemacht und schärfer voneinander abgegrenzt sowie auch vermeintliche Einflussgrößen erkannt, die tatsächlich über den gesetzlichen Rahmen hinaus gar keinen zusätzlichen Einfluss haben. Zusätzlich können Flächen durch die Kenntnis von Gewichtungen und der jeweiligen Hervorhebung als Hemmoder Gunstkriterium besser charakterisiert werden bzw. mit dem Prädikat „besonders schwierig für die Umsetzung“ oder „besonders konfliktarm“ oder sogar „besonders geeignet, begünstigt“ versehen werden. Zudem kann das Vorliegen von ähnlichen Bewertungen ein wertvoller Hinweis für eine Zusammenlegung von, zueinander örtlich nahe gelegenen, Flächen sein. Im Online-Interview wurden zunächst die übergeordneten Merkmalskategorien von den Teilnehmer*innen hinsichtlich ihrer Relevanz sortiert (siehe Abbildung 1), anhand einer Skala von 1 (geringste Relevanz) bis 10 (höchste Relevanz).

Es wird ersichtlich, dass die Merkmalskategorie „Siedlungsstrukturen“ mit der höchsten Relevanz eingestuft wird, gefolgt vom „Arten“- und „Natur-/Landschaftsschutz“. Die geringste Relevanz wird, in der betrachteten Gegenüberstellung, den soziologischen Faktoren zugesprochen. Einhergehend mit den Aussagen der befragten Experten*innen aus den semistrukturierten Interviews lassen sich die hohen Bedeutungen der Merkmalskategorien „Siedlungsstruktur“ und „Arten“- sowie „Natur-/Landschaftschutz“ durch die verhältnismäßig hohe Anzahl an Klagen aus der Bevölkerung erklären. Selbst wenn Klagen ungerechtfertigt sind, können diese z.B. den Genehmigungsprozess verzögern, weil sich gerichtliche Prüfungen und ggf. der Einbezug von Gutachten und Expertisen sowie Berufungsmöglichkeiten zu einem zeitaufwändigen Verfahren entwickeln können. Dies kann dazu führen, dass Finanzierungsentscheidungen verschoben oder zurückgehalten werden müssen. Die Merkmalskategorie „Soziologische Faktoren“ spielt, obwohl dieser die geringste Relevanz zugesprochen wurde, trotzdem eine nennenswerte Rolle, da sie im Rahmen der semistrukturierten Interviews per se als bedeutend benannt wurde. Dennoch wurden die „Soziologischen Faktoren“, einhergehend mit der entsprechenden Einstufung in der Online-
Umfrage, nicht an vorderer Stelle genannt. Die Experten*innen legen bei der Planung und Umsetzung von Windenergieprojekten ihr Hauptaugenmerk in erster Linie auf finanzielle und technische Aspekte, während soziologische Faktoren eher zweitrangig, aber dennoch mit Nachdruck, genannt werden.

Die KI bewertet die Flächen anhand bestimmter Merkmale hinsichtlich ihrer Eignung für Windenergie. Es wird ein Deep-Learning Modell entwickelt, um als Flächenscoringmodell (KI-Scoring) für das Raster 50m x 50m GIS-Karten Layer Empfehlungen für potentielle Flächen auszusprechen. Dieses KI-Scoring dient der automatischen Identifikation und Auswahl zukünftiger Vorrangflächen für Windenergiestandorte, welche Entscheidungsprozesse von Planungsträgern unterstützen können.

Autoren*innen:

Prof. Dr.-Ing. Carsten Fichter: Professur für Windenergietechnik, Speichertechnik und Energiewirtschaft und Leitung Forschungscluster Energie- und Meerestechnik, Bremerhaven University of Applied Science, Institute für Windenergie, An der Karlstadt 8, 27568 Bremerhaven, cfichter@hs-bremerhaven.de

Dr.-Ing. Sandra Peters – Erjawetz: Wissenschaftliche Mitarbeiterin, Bremerhaven University of Applied Science, Institute für Windenergie, An der Karlstadt 8, 27568 Bremerhaven, speters@hs-bremerhaven.de

M.Sc. Nele Uhlenwinkel: Wissenschaftliche Mitarbeiterin, Bremerhaven University of Applied Science, Institute für Windenergie, An der Karlstadt 8, 27568 Bremerhaven, nuhlenwinkel@hs-bremerhaven.de

Partner*innen des Projektes WindGISKI:

• Institut für Statik und Dynamik der Leibniz Universität Hannover
• Institut für Integrierte Produktion Hannover (IPH) gGmbH
• Nefino GmbH
• LEE Landesverband Erneuerbare Energien Niedersachsen | Bremen e.V.
• ARSU-Arbeitsgruppe für regionale Struktur-und Umweltforschung GmbH
• Institut für Informationsverarbeitung der Leibniz Universität Hannover
• fk-wind: Institut für Windenergie der Hochschule Bremerhaven
• Institut für Sozialwissenschaften (UOL) der Carl von Ossietzky Universtät Oldenburg

Projektträger und Projektförderer:

• Zukunft – Umwelt – Gesellschaft (ZUG)
• Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz

PM: Hochschule Bremerhaven – F&E-Projekt „WindGISKI“

PB: WindGISKI – Entwicklung eines KI-basierten Geoinformationssystems zur Unterstützung für die Windenergieflächenbewertung / ©:Hochschule Bremerhaven / Foto: Sandra Peters-Erjawetz