Geodatenshop
Kollektion SOLANLOF_COL
Neu
Solaranlagen aus Luftbildern
Solaranlagen auf Hausdächern detektiert aus den verfügbaren kantonalen Luftbildern seit 2014 mit Hilfe von Deep Learning.
Detektierte Solaranlagen können im Modell zwischen Photovoltaik- und Solarthermieanlagen unterschieden werden.
Das Modell gibt auch eine gewichtete Sicherheit an, wie wahrscheinlich es ist, dass die Solaranlage korrekt erkannt wurde.
Detection Metrics body { font-family: system-ui, -apple-system, "Segoe UI", Roboto, Arial; padding: 16px; } table { border-collapse: collapse; width: 420px; max-width: 100%; box-shadow: 0 2px 6px rgba(0,0,0,0.08); } caption { font-weight: 600; margin-bottom: 8px; text-align: left; } th, td { padding: 10px 12px; border-bottom: 1px solid #e6e6e6; text-align: left; } th { background: #f7f7f8; font-weight: 700; } td.value { text-align: left; font-feature-settings: "tnum"; } .pct { font-weight: 600; } Messgrösse 2014 2017 2020 2023 False positive 20.7% 11.4% 6.9% 10.0% False negative 11.1% 2.9% 4.2% 2.6% Intersect over Union (IoU) 68.3% 85.7% 88.9% 87.4%
Diese Kollektion enthält folgende Datensätze:
Solaranlagen auf Hausdächern detektiert aus dem Luftbild 2014 mit Hilfe von Deep Learning.
Detektierte Solaranlagen können im Modell zwischen Photovoltaik- und Thermalanlagen unterschieden werden. Das Modell gibt auch eine gewichtete Sicherheit an, wie wahrscheinlich es ist, dass die Solaranlage korrekt erkannt wurde.
Im Datensatz werden nur Solaranlagen mit einer Sicherheit von mindestens 0.90 geführt. Dies führt auf unserem Testset zu folgenden Qualitätswerten:
| Metric | Value |
|---|---|
| False positive | 20.7% |
| False negative | 11.1% |
| Intersect over Union (IoU) | 68.3% |
| Zugangsberechtigung: | A: öffentlich |
| Nutzungsbedingungen: | Open-By |
| zuletzt aktualisiert: | 24.10.2025 (Version 1, Revision 1) |
Dieser Flächen-Datensatz enthält 3'546 Objekte und wird in einer Datei (SOLANL14_V1_PY) ausgeliefert
| Dateiname: | SOLANL14_V1_PY |
| Inhalt: |  Flächen,
3'546 Objekte
|
| Attribut | Alias (Typ) / Beschreibung |
|---|---|
SICHERHEIT |
Wahrscheinlichkeit (Gleitkommazahl)
1. Berechnung überlappender Teilstücke aller Modelle, 2. Mittelwert pro Modell pro Teilstück, 3. Ensemble Median pro Teilstück, 4. Flächengewichtetes Mittel des Panels
|
TYP |
Solaranlagentyp (Text)
pv oder thermal
|
Solaranlagen auf Hausdächern detektiert aus dem Luftbild 2017 mit Hilfe von Deep Learning.
Detektierte Solaranlagen können im Modell zwischen Photovoltaik- und Thermalanlagen unterschieden werden. Das Modell gibt auch eine gewichtete Sicherheit an, wie wahrscheinlich es ist, dass die Solaranlage korrekt erkannt wurde.
Im Datensatz werden nur Solaranlagen mit einer Sicherheit von 0.89 geführt. Dies führt auf unserem Testset zu folgenden Qualitätswerten:
| Metric | Value |
|---|---|
| False positive | 11.4% |
| False negative | 2.9% |
| Intersect over Union (IoU) | 85.7% |
| Zugangsberechtigung: | A: öffentlich |
| Nutzungsbedingungen: | Open-By |
| zuletzt aktualisiert: | 24.10.2025 (Version 1, Revision 1) |
Dieser Flächen-Datensatz enthält 11'915 Objekte und wird in einer Datei (SOLANL17_V1_PY) ausgeliefert
| Dateiname: | SOLANL17_V1_PY |
| Inhalt: | Flächen,
11'915 Objekte
|
| Attribut | Alias (Typ) / Beschreibung |
|---|---|
SICHERHEIT |
Wahrscheinlichkeit (Gleitkommazahl)
1. Berechnung überlappender Teilstücke aller Modelle, 2. Mittelwert pro Modell pro Teilstück, 3. Ensemble Median pro Teilstück, 4. Flächengewichtetes Mittel des Panels
|
TYP |
Solaranlagentyp (Text)
pv oder thermal
|
Solaranlagen auf Hausdächern detektiert aus dem Luftbild 2020 mit Hilfe von Deep Learning.
Detektierte Solaranlagen können im Modell zwischen Photovoltaik- und Thermalanlagen unterschieden werden. Das Modell gibt auch eine gewichtete Sicherheit an, wie wahrscheinlich es ist, dass die Solaranlage korrekt erkannt wurde.
Im Datensatz werden nur Solaranlagen mit einer Sicherheit von mindestens 0.92 geführt. Dies führt auf unserem Testset zu folgenden Qualitätswerten:
| Metric | Value |
|---|---|
| False positive | 6.9% |
| False negative | 4.2% |
| Intersect over Union (IoU) | 88.9% |
| Zugangsberechtigung: | A: öffentlich |
| Nutzungsbedingungen: | Open-By |
| zuletzt aktualisiert: | 24.10.2025 (Version 1, Revision 1) |
Dieser Flächen-Datensatz enthält 16'092 Objekte und wird in einer Datei (SOLANL20_V1_PY) ausgeliefert
| Dateiname: | SOLANL20_V1_PY |
| Inhalt: | Flächen,
16'092 Objekte
|
| Attribut | Alias (Typ) / Beschreibung |
|---|---|
SICHERHEIT |
Wahrscheinlichkeit (Gleitkommazahl)
1. Berechnung überlappender Teilstücke aller Modelle, 2. Mittelwert pro Modell pro Teilstück, 3. Ensemble Median pro Teilstück, 4. Flächengewichtetes Mittel des Panels
|
TYP |
Solaranlagentyp (Text)
pv oder thermal
|
Solaranlagen auf Hausdächern detektiert aus dem Luftbild 2023 mit Hilfe von Deep Learning.
Detektierte Solaranlagen können im Modell zwischen Photovoltaik- und Thermalanlagen unterschieden werden. Das Modell gibt auch eine gewichtete Sicherheit an, wie wahrscheinlich es ist, dass die Solaranlage korrekt erkannt wurde.
Im Datensatz werden nur Solaranlagen mit einer Sicherheit von 0.92 geführt. Dies führt auf unserem Testset zu folgenden Qualitätswerten:
| Metric | Value |
|---|---|
| False positive | 10.0% |
| False negative | 2.6% |
| Intersect over Union (IoU) | 87.4% |
| Zugangsberechtigung: | A: öffentlich |
| Nutzungsbedingungen: | Open-By |
| zuletzt aktualisiert: | 24.10.2025 (Version 1, Revision 1) |
Dieser Flächen-Datensatz enthält 27'197 Objekte und wird in einer Datei (SOLANL23_V1_PY) ausgeliefert
| Dateiname: | SOLANL23_V1_PY |
| Inhalt: | Flächen,
27'197 Objekte
|
| Attribut | Alias (Typ) / Beschreibung |
|---|---|
SICHERHEIT |
Wahrscheinlichkeit (Gleitkommazahl)
|
TYP |
Solaranlagentyp (Text)
|
letzte Aktualisierung dieser Seite (Stand der Metadaten): 02.12.2025