# Solarpotenzial von Dachflächen per Satellit und Befliegung Ein Dach eignet sich für Solarmodule, wenn Fläche, Neigung, Ausrichtung und Verschattung passen und genug Sonnenstrahlung darauf trifft. Datenbanken wie PVGIS leiten diese Strahlung aus Satellitenbildern ab. Eine KI-gestützte Auswertung von Satellitenbildern kann bestehende Anlagen erkennen, und maschinelles Lernen kann Dachflächen in großem Maßstab abschätzen. In Solarkatastern wie dem der Steiermark stammt die Dachgeometrie aus Laserscanning-Befliegungen. ## So funktioniert eine Solarpotenzialanalyse für Dächer Ein Dach eignet sich für Solarmodule, wenn es genug nutzbare Fläche, eine günstige Neigung und Ausrichtung und wenig Verschattung durch Nachbargebäude und Bäume hat und wenn über das Jahr genug Sonnenlicht auf den Standort fällt. Eine Analyse prüft diese Punkte Dach für Dach. Wie das in der Praxis aussieht, zeigt das Solarkataster des Landes Steiermark. Ein hochaufgelöstes Oberflächenmodell aus einer Laserscanning-Befliegung beschreibt die Dächer. GIS-Methoden berechnen daraus die jährliche direkte und diffuse Strahlung auf einem Raster von 1 mal 1 Meter und teilen die Dächer in drei Klassen ein: sehr gut geeignet, gut geeignet und geeignet. Für Photovoltaik enthält das Ergebnis den erwarteten Jahresertrag und die Spitzenleistung in kWp [1]. Satelliten tragen auf zweierlei Weise bei. Ihre Bilder sind die Grundlage von Strahlungsdatenbanken wie PVGIS [2]. Zudem kann Deep Learning in Satellitenbildern bestehende Solaranlagen finden und ihre Größe schätzen [8]. Mit maschinellem Lernen und Geodatenanalyse wurden außerdem Dachflächen und Solarpotenzial weltweit geschätzt [7]. **Abbildung:** Die Einstrahlung wird auf dem Dachmodell selbst berechnet. Strahlungsdaten aus Satelliten sind mit einer Auflösung von einigen Kilometern für einzelne Dächer zu grob. Die KI-Erkennung bestehender Anlagen ist eine eigene Datenebene. Illustrative Straße, keine echten Daten. Die Europäische Initiative für Solardächer (European Solar Rooftops Initiative) soll das große, bisher wenig genutzte Solarpotenzial der Dächer in der EU erschließen [9]. ## Daten und Satelliten - **Sonneneinstrahlung:** Satellitengestützt, METEOSAT, etwa 4 km Auflösung, lange Zeitreihen (PVGIS) - **Dachform:** Laserscanning-Befliegung, Ergebnisse auf einem 1-m-Raster (Steiermark) - **Satellit mit sehr hoher Auflösung:** 30 cm pro Pixel (Pléiades Neo) - **Kostenloser optischer Satellit:** 10 m pro Pixel (Sentinel-2) **Sonneneinstrahlung.** Das Tool PVGIS der Europäischen Kommission schätzt die Sonneneinstrahlung aus Daten der METEOSAT-Satelliten, mit einer Auflösung von etwa 4 km direkt unterhalb des Satelliten, und bietet lange Zeitreihen [2]. Der Copernicus Atmosphere Monitoring Service stellt Zeitreihen der Sonneneinstrahlung für einen gewählten Punkt bereit. Das hilft bei der Planung großer Solarparks ebenso wie bei Anlagen auf Dächern [3]. **Dächer und bestehende Anlagen.** Kommerzielle Satelliten wie Pléiades Neo nehmen Bilder mit 30 cm Auflösung auf [5]. Das Framework DeepSolar hat Satellitenbilder mit Deep Learning ausgewertet, um Solaranlagen in den 48 zusammenhängenden Bundesstaaten der USA zu lokalisieren und ihre Größe zu schätzen [8]. ## Was Sie erhalten - **Eine Eignungsklasse je Dach**, von sehr gut geeignet bis geeignet [1]. - **Erwarteter Ertrag und Spitzenleistung** für jedes klassifizierte Dach [1], als Grundlage für Angebote oder für die Beratung von Bürger:innen. - **Eine Karte bestehender Anlagen**, die zeigt, wo bereits Module installiert sind und wo das Potenzial noch offen ist [8]. Energieunternehmen können solche Ergebnisse nutzen, um zu entscheiden, wo sie Anlagen anbieten. Wie das geht, beschreibt der Anwendungsfall [Vertrieb erneuerbarer Energiesysteme automatisieren](https://leto.space/de/anwendungsfaelle/vertrieb-erneuerbare-energie/). Gemeinden können damit ihre Bürger:innen informieren und die eigenen Gebäude planen. ## Grenzen **Grenzen** - **Strahlungsdaten aus dem All sind grob:** Satellitengestützte Strahlungsdaten haben eine Auflösung von einigen Kilometern \[2]. Die Verschattung durch ein Nachbargebäude oder einen Baum muss aus einem detaillierten Oberflächenmodell der Dächer kommen. - **Ein Bild zeigt keine Neigung:** Ein einzelnes Bild von oben zeigt den Umriss eines Dachs, nicht seine Neigung. Neigung und Ausrichtung erfordern Höhendaten, die in der Steiermark aus Laserscanning stammen \[1]. - **Was eine Karte nicht zeigt:** Eine Karte zeigt weder die Tragfähigkeit eines Dachs noch seinen Zustand, wem das Gebäude gehört oder ob der Netzanschluss noch Kapazität hat. Diese Punkte erfordern eine Prüfung vor Ort und eine Abstimmung mit dem Netzbetreiber. ## So unterstützen wir Sie Regionale Kataster, Satellitenarchive, kommerzielle Bilddaten und KI-Anbieter decken jeweils Teile dieser Analyse ab. Im Leistungsbereich [Strategie und Anwendungsfälle](https://leto.space/de/beratung/strategie/) klären wir, welche Entscheidung das Ergebnis tragen muss und welche Datenquelle die nötige Genauigkeit zu einem passenden Preis liefert. Der Marktplatz von [Spacegraph](https://leto.space/de/spacegraph/), unserer Discovery-Plattform, hat Anwendungsfall-Kategorien wie Objekterkennung und -zählung sowie Standortwahl und Raumplanung. ## Verwandte Anwendungsfälle - [Vertrieb erneuerbarer Energiesysteme automatisieren](https://leto.space/de/anwendungsfaelle/vertrieb-erneuerbare-energie/): Welche Daten Vertriebsteams helfen, die passenden Gebäude zu finden. - [Standorte für Solarparks und Windparks auswählen](https://leto.space/de/anwendungsfaelle/standortwahl/): Wie Satellitendaten die Suche nach größeren Flächen eingrenzen. - [Satellitendaten für Energie und Versorgung](https://leto.space/de/branchen/energie-und-versorgung/): Alle Anwendungsfälle für Energieunternehmen. ## Häufige Fragen ### Welche Daten braucht eine Solarpotenzialanalyse für Dächer, und wie aktuell sind sie? Sie braucht ein Modell der Dächer mit Neigung, Ausrichtung und Verschattung sowie Strahlungsdaten für den Standort. In der Steiermark etwa stammt das Modell aus einer Laserscanning-Befliegung, und die Strahlung wird auf einem Raster von 1 mal 1 Meter berechnet [1]. Satellitengestützte Strahlungsdaten umfassen lange Zeitreihen von bis zu 30 Jahren oder mehr [2]. Das Dachmodell ist nur so aktuell wie die Befliegung oder die Bilder, aus denen es entstanden ist. Prüfen Sie daher sein Datum. ### Lassen sich geeignete Dächer mit kostenlosen Sentinel-2-Bildern finden? Kaum. Sentinel-2 erfasst seine feinsten Kanäle mit 10 m pro Pixel [4]. Das ist zu grob, um die Form eines einzelnen Dachs zu erkennen. Kommerzielle Satelliten wie Pléiades Neo erreichen 30 cm [5], die Luftbilder des Copernicus Emergency Management Service 10 bis 20 cm [6]. ### Wie fangen wir an? Prüfen Sie zuerst, ob Ihre Region bereits ein Solarkataster veröffentlicht, wie es die Steiermark tut [1]. Ist das der Fall, besteht die Aufgabe oft darin, es mit Ihren eigenen Daten zu verknüpfen, statt eine neue Karte zu erstellen. Gibt es keines, zeigt ein Pilotprojekt für einen Stadtteil, welche Datenquelle die nötige Genauigkeit zu einem passenden Preis liefert. Unsere [Beratungsübersicht](https://leto.space/de/beratung/) zeigt den Weg vom Problem bis zum Regelbetrieb. ## Quellen 1. [Solarpotenzial Steiermark, Land Steiermark, abgerufen am 2026-10-06](https://www.technik.steiermark.at/cms/ziel/99241573/DE/) 2. [PVGIS: Data sources and calculation methods, European Commission, Joint Research Centre (JRC), abgerufen am 2026-10-08](https://joint-research-centre.ec.europa.eu/photovoltaic-geographical-information-system-pvgis/general-information/data-sources-calculation-methods_en) 3. [Solar energy, Copernicus Atmosphere Monitoring Service (CAMS), abgerufen am 2026-10-06](https://atmosphere.copernicus.eu/solar-energy) 4. [Sentinel-2: Facts and figures, European Space Agency (ESA), abgerufen am 2026-10-06](https://www.esa.int/Applications/Observing_the_Earth/Copernicus/Sentinel-2/Facts_and_figures) 5. [Pléiades Neo, European Space Agency (ESA), Earth Online, abgerufen am 2026-10-06](https://earth.esa.int/eogateway/missions/pleiades-neo) 6. [Using Earth Observation Data, Copernicus Emergency Management Service, abgerufen am 2026-10-06](https://mapping.emergency.copernicus.eu/about/using-of-earth-observation-data/) 7. [High resolution global spatiotemporal assessment of rooftop solar photovoltaics potential for renewable electricity generation (Joshi et al., Nature Communications 12, 5738), Nature Communications, 2021-10-05](https://doi.org/10.1038/s41467-021-25720-2) 8. [DeepSolar: A Machine Learning Framework to Efficiently Construct a Solar Deployment Database in the United States (Yu et al., Joule 2, 2605 to 2617), Joule, 2018-12-19](https://doi.org/10.1016/j.joule.2018.11.021) 9. [EU Solar Energy Strategy, COM(2022) 221 final, European Commission, EUR-Lex, 2022-05-18](https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=CELEX:52022DC0221) Seite: