Die Karte ist kein Bild. Sie ist eine Datenbank: die BIM-Lektion, die Geodaten übernehmen müssen, bevor die KI bei Karten aufgibt

Die Karte ist kein Bild. Sie ist eine Datenbank: die BIM-Lektion, die Geodaten übernehmen müssen, bevor die KI bei Karten aufgibt

Stellen Sie einer gerenderten Karte die Frage, die echte Projekte entscheidet — welche Tankstellen innerhalb dieser Hochwasserebene kann ein Feuerwehrauto erreichen, ohne eine Bahnlinie zu überqueren? — und sie sagt nichts. Ein Bild hat Pixel, und Pixel kennen keine Verpflichtungen: keine Höhe am Gebäude, keine Zufahrtsbeziehung an der Straße, keine Zugehörigkeit zur Hochwasserzone. Stellen Sie die Frage einer Datenbank von Objekten — Gebäude mit Attributen, Straßen mit Konnektivität, Grundstücke mit Enthaltensein — und die Antwort fällt aus den Daten heraus. Und hier der verblüffende Teil, die These dieses Artikels: Bauwesen und Kartografie haben diese datenbankförmige Antwort unabhängig voneinander gebaut, ein halbes Jahrhundert auseinander und in völliger Unkenntnis voneinander. Die Biologie hat einen Namen für unabhängige Erfindungen derselben Struktur, und dieser Name erklärt, warum Geodaten das Paradigma von BIM übernehmen sollten — und warum sie nicht die Werkzeuge von BIM übernehmen dürfen.

Zwei Felder, eine Erfindung: konvergente Evolution einer Idee

Die Biologie hat einen präzisen Begriff dafür, dass Oktopus und Mensch beide beim Kameraauge landen: konvergente Evolution — „Organismen, die nicht eng verwandt sind, entwickeln ähnliche Merkmale oder Verhaltensweisen, oft als Lösungen für dieselben Probleme“ (Natural History Museum, London). Die visuellen Systeme von Kopffüßern und Wirbeltieren sind „ein Lehrbuchbeispiel für konvergente Evolution“ (Gavriouchkina et al., Nature Ecology & Evolution, 2025). Entscheidend ist die Unterscheidung zwischen Analogie und Homologie: analoge Strukturen haben „einen getrennten evolutionären Ursprung, sind aber oberflächlich ähnlich, weil beide natürliche Selektion erfahren haben, die sie zu einer Schlüsselrolle im Flug formte“ — so formuliert es UC Berkeleys Evolution 101 für die Flügel von Vögeln und Fledermäusen. Gleiche Funktion, unabhängiger Ursprung. Die Kognitionswissenschaft ergänzt, wann eine solche entlehnte Idee zulässig ist: Gentners Theorie der Strukturabbildung ist eindeutig, dass Analogie Beziehungen zwischen Objekten abbildet, nicht Attribute von Objekten (Gentner 1983). Eine Analogie ist genau dann stark, wenn das relationale Gerüst überträgt — und schwach, wenn nur die Oberflächenähnlichkeit überträgt.

Das ist der wissenschaftliche Rahmen für die These dieses Artikels. BIM und Geodaten sind nicht verwandte Linien — die eine stammt von der Baudokumentation ab, die andere von der militärischen und zivilen Kartografie — und sie sind unabhängig voneinander zur selben Struktur gelangt: das Modell als Datenbank typisierter Objekte mit Eigenschaften, Beziehungen und Maßen, in der Geometrie eine Ansicht ist, nicht die Definition. Wenn zwei Felder, die vor demselben Problem stehen — komplexe, sich verändernde, vielfach betrachtete Welten, die abgefragt und nicht nur gerendert werden müssen — unabhängig voneinander dieselbe Lösung entwickeln, ist das ein Beleg dafür, dass die Lösung zweckmäßig ist. Die Analogie ist ein Flügel, keine Dekoration.

Was die Analogie ist — und was nicht

Die Abbildung ist relational. Gentners Einschränkung: Übertragen werden die Beziehungen, nicht die Oberfläche. Gebäude ↔ Stadt (beide sind Welten typisierter Entitäten); Wand ↔ Gebäudegrundriss (Objekte mit Identität und Eigenschaften); eine Wand gehört zu einem Geschoß ↔ ein Gebäude gehört zu einem Grundstück (Enthaltensein); LOD-Stufen ↔ Detailstufen; Mengen, die abfragbar sein müssen, ohne die Geometrie neu zu messen. Die Oberflächenbegriffe unterscheiden sich — Geschoß, Grundstück, Wand, Polygon — die Struktur ist identisch.

Die Abbildung ist keine Aufforderung, BIM-Werkzeuge zu übernehmen. Der Unterschied zwischen einem Paradigma und einem Werkzeug ist der ganze Punkt. Ein Paradigma ist eine Art zu sehen; ein Werkzeug ist eine Art zu tun. Die spezifische Maschinerie des Bauwesens — IFC-Schemata, ifcOWL, buildingSMART-Werkzeuge — ist eine Implementierung des Paradigmas in einer bestimmten Domäne, und sie überträgt sich nicht. Cornuéjols, Tiberghien und Collet nennen das Transfer zwischen konzeptuellen Domänen: die organisierende Idee über eine Domänengrenze tragen und „dabei die domänenspezifische Maschinerie zurücklassen“.

Linie eins: BIM ist ein Paradigma, kein Produkt

Das Objektmodell der Bauindustrie hat eine nachvollziehbare Geschichte, und sie beginnt früher, als die meisten denken. 1975 veröffentlichte Charles M. Eastman "The Use of Computers Instead of Drawings in Building Design" im AIA Journal und beschrieb darin sein Building Description System (BDS) — und 1976 gab er der Idee ihre wissenschaftliche Form in Computer-Aided Design: „A building description system is a database capable of describing buildings at a detail allowing design and construction.“ Eine Datenbank. Keine Zeichnung. Dieser Satz ist die Geburtsurkunde von BIM, und er benennt das Paradigma exakt: Das Modell ist eine Datenstruktur, aus der Zeichnungen eine Ausgabe unter vielen sind.

Zwei weitere Jahrzehnte brauchte der Begriff, um sich zu stabilisieren — Jerry Laiserins LaiserinLetter warb für „Building Information Modeling“ als den einen Begriff, der CAD ersetzen sollte, bis Autodesk und Bentley „die BIM-Melodie mitsummten“ (seine Formulierung) — doch das Paradigma war durch Eastmans Gründungsaussage bereits fixiert. Der offene Standard, der es kodiert, IFC (Industry Foundation Classes), wird von buildingSMART verwaltet und von ISO als ISO 16739 veröffentlicht (heute ISO 16739-1:2024), und buildingSMARTs eigene Formulierung ist eindeutig: „Der IFC-Standard ist viel mehr als nur ein Dateiformat. Er ist in erster Linie ein Datenschema, das erklärt, wie Objekte, ihre Eigenschaften, Beziehungen und mehr zu organisieren sind.“ IFC ist ein Ausdruck des Paradigmas — ein bewusst bauspezifischer —, nicht das Paradigma selbst.

Und der wissenschaftliche Konsens besagt, dass das Paradigma jedem Produkt vorausgeht. Das BIM Handbook — mittlerweile in der 4. Auflage (Sacks, Lee, Burdi & Bolpagni, Wiley, 2025) — baut alles auf objektbasierter parametrischer Modellierung auf: Objekte, die „aus geometrischen Definitionen sowie zugehörigen Daten und Regeln bestehen“, wobei parametrische Regeln „zugehörige Geometrien automatisch ändern“. Die begutachtete Literatur sagt es unverblümt: „Derzeit ist ein zweiter Paradigmenwechsel zu beobachten, und sein Name ist BIM“ (Russell & Elger, eCAADe 2008) — eine semantische Schicht auf der Geometrie, ein einziges Gebäudedatenmodell, das gemeinsam genutzt wird. Khosrowshahis Springer-Kapitel von 2017 verankert dieselbe Aussage im britischen BIM-Mandat von 2016. BIM war nie Software. Es war die Entscheidung, dass ein Gebäude eine Datenbank ist.

Die fünf Verpflichtungen (was das Paradigma tatsächlich ist)

Reduziert man BIM auf seinen konzeptuellen Kern, bleibt eine kleine Menge domänenneutraler Verpflichtungen — jene invariante Struktur, die beide Linien unabhängig voneinander entdeckt haben:

• Objekte, keine Zeichnungen. Ein Modell ist eine Sammlung typisierter Objekte mit Identität — eine Wand, ein Geschoß, ein Raster; ein Gebäude, eine Straße, ein Grundstück, ein Hydrant — nicht eine Menge von Linien oder Pixeln.
• Eigenschaften, keine Symbolik. Jedes Objekt trägt Attribute — Höhe, Material, Funktion, Eigentümer, Status. Die Symbolik der Kartografie wird zu einer Darstellungsentscheidung, nicht zu den Daten.
• Beziehungen, nicht nur Nachbarschaft. Objekte sind durch explizite Relationen verbunden — eine Wand schließt an eine Decke an; ein Gebäude gehört zu einem Grundstück. Topologie ist der Anfang; Semantik ist das Ziel.
• Mengen, nicht nur Geometrie. Abgeleitete Maße — Fläche, Länge, Volumen, Anzahl — sind erstklassige, abfragbare Daten, nicht etwas, das ein Mensch aus einem Bild neu abmisst.
• Entwicklungsstufen, nicht eine einzige Auflösung. Dasselbe Objekt existiert in mehreren Genauigkeiten — vom Grundriss bis zum detaillierten Körper — mit expliziten Beziehungen zwischen den Stufen. BIM nennt es LOD; CityGML nennt es LOD0–LOD3. Die Konvergenz reicht sogar bis in das Vokabular.

Keine dieser Verpflichtungen verlangt IFC, BIM-Software oder buildingSMART. Sie sind eine Art, über ein Modell zu denken. Die Geodatenwelt hat den größten Teil der Maschinerie unabhängig gebaut, um jede davon auszudrücken — was fehlte, war die bewusste, branchenweite konzeptuelle Verpflichtung.

Linie zwei: Auch die Geodatenwelt hat es erfunden

Dass Kartografie nur Bilder mache, ist ein Klischee, und die kritische Theorie des Fachs widerlegt es. J.B. Harleys "Deconstructing the Map" (Cartographica, 1989) zerlegte die Behauptung, eine Karte sei ein neutraler Spiegel der Wirklichkeit: „Die Karte ist nie neutral. Wo sie neutral erscheint, ist es die listige ‚Rhetorik der Neutralität‘, die überzeugen will.“ Denis Woods The Power of Maps (1992) bringt es auf den Punkt: Karten sind „Instrumente der Kommunikation, der Überzeugung und der Macht … sie drücken einen Standpunkt aus“. Eine Karte, so das Fazit der Kartografen vor Jahrzehnten, ist ein Modell — eine Menge von Aussagen über die Welt —, kein Bild von ihr. Die Philosophie des Fachs war objektbasiert, bevor es seine Datenstandards waren.

Die Standards zogen dann nach. Die Definitionen des OGC selbst ziehen die Linie zwischen Bild und Objekt: WMS „bietet eine einfache HTTP-Schnittstelle zum Anfordern georeferenzierter Kartenbilder“ — es liefert Bilder —, während WFS „einen direkten, feinkörnigen Zugriff auf geografische Informationen auf Ebene von Features und Feature-Eigenschaften definiert“ — es liefert Objekte mit Attributen. GeoJSON machte das Objekt zur Einheit der Webkarte: „Ein Feature-Objekt repräsentiert eine räumlich begrenzte Sache“ (RFC 7946, §3.2), eine Geometry plus Eigenschaften. Und OGC GeoSPARQL 1.1 machte Features zu erstklassigen Bürgern eines abfragbaren Graphen — Features, die „in SPARQL-Graphmustern“ liegen und über räumliche Relationen mit Geometrien und miteinander verbunden sind.

CityGML. Das semantische 3D-Stadtmodell des OGC ist das eigene Objektparadigma der Geodatenwelt, entwickelt ohne Bezug auf das IFC des Bauwesens — und sein Motivationsabschnitt beschreibt mit akademischer Zurückhaltung genau den Fehlermodus, um den es in diesem Artikel geht:

"In recent years, most virtual 3D city models were defined as purely graphical or geometrical models, neglecting the semantic and topological aspects. Thus, these models could almost only be used for visualization purposes but not for thematic queries, analysis tasks, or spatial data mining." — CityGML 3.0 Conceptual Model (OGC 20-010)

CityGML zerlegt ein Gebäude in semantische Flächen, trägt Attribute, unterstützt Topologie und definiert Detailstufen (LOD0–LOD3) — dieselbe Bewegung, die BIM gemacht hat, unabhängig erfunden. Und Overture Maps Foundation — das von Amazon, Meta, Microsoft und TomTom gestartete Projekt der Linux Foundation — hat die Objektwende im planetaren Maßstab still vollendet: eine Datenbank typisierter Features, deren Global Entity Reference System realen Entitäten stabile IDs zuweist („GERS gibt jedem Feature eine eindeutige, stabile Kennung. Man kann es sich als universelles Adresssystem für geografische Entitäten vorstellen“ — Executive Director Will Mortenson, 2026). Bild und Daten sind heute zwei verschiedene Produkte — und die Datenseite gewinnt.

Die Karte als Graph: das Paradigma konkret

Wer sich auf das Objektparadigma einlässt, erhält eine mächtige Konsequenz: Die Karte wird zum Graphen. Objekte sind Knoten; Beziehungen sind Kanten. Ein Gebäude enthält einen Ort; ein Ort hat eine Adresse; eine Straße verbindet zwei Kreuzungen; ein Grundstück liegt in einem Bezirk. Das ist keine Metapher — es ist heute ein lauffähiger Prototyp, und sein Kernsatz ist die beste Zeile in dieser ganzen Debatte:

"Geometry is the foreign key. If a place sits inside a building, the data already knows they are related. Nobody had to write that link by hand." — Overture Maps Foundation, 2026

Overtures Prototyp ORATOR „arbeitet rein mit räumlicher Ableitung“: Fällt ein Ortspunkt in ein Gebäudepolygon, verwandelt ein räumliches Prädikat die physische Tatsache automatisch in eine Graphkante. Er benennt die Kosten der Alternative als "conflation tax": „eine wiederkehrende Kostenlast, die das gesamte nachgelagerte Ökosystem dafür trägt, Beziehungen neu aufzubauen, die die Geometrie bereits impliziert“. Die Zahlen des Machbarkeitsnachweises:

• San Francisco Bay Area: über 700.000 Knoten, über 1,2 Mio. Kanten, Aufbauzeit ca. 8 Minuten.
• Manhattan: ca. 400.000 Knoten, 3,5 Mio. Kanten, Aufbauzeit ca. 10 Minuten.
• 8 semantische Kantentypen — located_in, has_address, access — aus der Geometrie abgeleitet, nicht von Hand geschrieben.
• Vererbung von Zufahrtskanten fasst ca. 610.000 naive Kanten zu ca. 172.000 semantisch korrekten zusammen.

Die Knowledge-Graph-Literatur sagt dasselbe von der Forschungsseite. Die Übersicht zu georäumlichen Wissensgraphen (Zhu 2024, Wiley International Encyclopedia of Geography / arXiv:2405.07664) definiert GeoKGs als Graphen, in denen „Entitäten wie Orte, Personen, Ereignisse und Beobachtungen als Knoten dargestellt werden, während ihre Beziehungen als Kanten repräsentiert werden“. Der KnowWhereGraph — einer der größten öffentlichen GeoKGs — „nutzt Raum und Zeit als erstklassige Bürger, das heißt als die Verbindungspunkte, um Wissen aus verschiedenen Disziplinen zu verknüpfen“ (arXiv:2502.13874). Wherobots’ „Spatial Graph RAG“ brachte den industriellen Fall in einer Zeile auf den Punkt: „die folgenreichsten Beziehungen in der physischen Welt sind nicht immer aufgeschrieben. Sie sind räumlich.“

Warum KI das Paradigma dringend macht

Der Grund, warum das jetzt zählt: KI ist der erste große Konsument von Karten, der mit einem Bild nichts anfangen kann. Drei Kräfte laufen zusammen:

1. Pixel kodieren Erscheinung und verwerfen Struktur. Geodaten-Grundlagenmodelle wie Prithvi-EO-2.0 von NASA und IBM (arXiv:2412.02732) werden auf 4,2 Millionen Satelliten-Zeitreihenproben mit 30 m Auflösung trainiert — und Bilddaten sind weiterhin nur eine Schicht der Karte. In dem Moment, in dem die Frage lautet „Welche Gebäude in diesem Bezirk sind höher als 40 Meter und liegen weniger als 200 Meter von einer Hochwasserzone entfernt“, schweigt ein Pixelmodell. Diese Frage braucht Objekte mit Höhe, Lage und Beziehungen.

2. LLMs halluzinieren ohne abfragbare Objekte. GeoLLM (ICLR 2024) zeigte, dass „LLMs bemerkenswerte räumliche Informationen über Orte einbetten, naive Abfragen an LLMs allein mit geografischen Koordinaten aber wirkungslos sind“. Ein Benchmark von 2025 zu georäumlicher Halluzination (arXiv:2507.19586) fand, dass LLMs „oft ungenaues georäumliches Wissen erzeugen, was zu georäumlichen Halluzinationen führt … die ihre Verlässlichkeit beeinträchtigen“. Die Gegenbelege sind ebenso klar: Wissensgraph-Verankerung reduziert Halluzinationen messbar (Agrawal et al., NAACL 2024), und Microsofts GraphRAG zeigt, dass graphstrukturierte Abfrage bei beziehungsintensiven Fragen die flache Abfrage schlägt (arXiv:2404.16130).

3. Die Karte muss antworten, nicht nur rendern. Das ist die CityGML-Motivation, neu formuliert für das KI-Zeitalter. Eine Karte, die nur rendert, ist für KI eine Sackgasse. Eine Karte, die beantwortet „was ist hier, wie hoch, womit ist es verbunden, was kann es erreichen“, ist ein Substrat zum Schlussfolgern.

Die Leser sind graph-nativ: GNNs

Es gibt einen zweiten, tieferen Grund, warum der Graph-Rahmen zählt: Die KI-Architekturen, die über verbundene Objekte schlussfolgern sollen, sind Graph Neural Networks, und sie lesen bereits Karten. DeepMinds Positionspapier zu Graphnetzwerken argumentiert, dass „kombinatorische Verallgemeinerung oberste Priorität für KI haben muss“ und dass strukturierte, relationale Repräsentationen der Weg dahin sind (Battaglia et al., arXiv:1806.01261). Ein GNN lernt durch Message Passing — sein rezeptives Feld wird durch Konnektivität definiert, nicht durch ein Pixelraster. Das kanonische GCN-Paper (Kipf & Welling, ICLR 2017) stellte „einen skalierbaren Ansatz für halbüberwachtes Lernen auf graphstrukturierten Daten“ vor, und die Karte als Graph ist genau diese Datenform: Straßen als Kanten, Kreuzungen und Gebäude als Knoten.

Die Anwendungen sind produktionsreif: STGCN modelliert Straßennetze als Graphen für Verkehrsprognosen und „modelliert mehrskalige Verkehrsnetze“ mit konvolutionalen Strukturen (IJCAI 2018); Graph-Repräsentationslernen klassifiziert Straßentypen in 17 OpenStreetMap-Städten (Pattern Recognition, 2022); und OSM wurde auf einem H3-Raster in einen planetaren raum-zeitlichen Wissensgraphen überführt — weil, wie es dort heißt, „eine graphbasierte Repräsentation die Möglichkeit bietet, Entitäten zu verbinden, die in einer tabellarischen Darstellung getrennt wären“ (arXiv:2405.15375). Das technische Argument ist klar: Pixel kodieren Erscheinung, verwerfen aber Topologie; flache Tabellen kodieren Attribute, verwerfen aber Konnektivität. Ein Graph kodiert beides.

Konvergenz ist keine Prognose — sie ist finanziert und läuft

Die beiden Felder konvergieren aktiv, und die begutachtete Literatur benennt den Blocker als Semantik, nicht als Software: „Die meisten Probleme bei der Konvertierung von BIM- zu GIS-Daten sind gelöst … während die ungelösten Probleme vor allem die Transformation der Repräsentation und die Abbildung von Semantik betreffen“ (Zhu & Wu, Automation in Construction, 2022). Arbeiten der ISPRS behandeln die Korrelation von IFC und CityGML inzwischen als deklaratives Schema-Mapping-Problem (Tauscher, 2020), und eine kritische Übersicht in ITcon kommt zum Schluss, dass „das Dateninteroperabilitätsproblem in diesem Feld noch behandelt werden muss“ (Demir Altıntaş & İlal, ITcon 2022). Im nationalen Maßstab ist die Konvergenz bereits finanziert:

• Virtual Singapore — der weltweit erste digitale Zwilling eines Landes, der LiDAR-Vermessungsdaten mit gebäudescharfen Anlagendaten in einem gemeinsamen 3D-Stadtmodell für jede öffentliche Stelle zusammenführt (SLA/Smart Nation).
• Destination Earth (DestinE) — der digitale Zwilling des EU-Erdsystems mit dem Ziel einer vollständigen Replik bis 2030, mit ersten Zwillingen zu Klimaanpassung und Wetterextremen.
• Der britische National Digital Twin — „Föderationen digitaler Zwillinge, die über sicher geteilte Daten verbunden sind“, gesteuert durch die Gemini Principles, deren Informationswertkette GIS und BIM als Zulieferer desselben Systems nennt.

Jedes einzelne davon ist eine Karte als Datenbank. Keines davon ist ein Bild.

Was die Geodatenwelt tatsächlich übernehmen sollte — eine Checkliste

• Die fünf Verpflichtungen formell eingehen — Objekte, Eigenschaften, Beziehungen, Mengen, Entwicklungsstufen — als Politik, nicht als Zufall. Die Maschinerie existiert bereits; es fehlt die bewusste konzeptuelle Verpflichtung.
• Stabile Entitätsidentität übernehmen. Overtures GERS zeigt das Muster: IDs, die Datenveröffentlichungen überleben, sind das, was Objekte referenzierbar, schlussfolgerungsfähig und datensatzübergreifend verknüpfbar macht.
• Abgeleitete Relationen als erstklassige Daten behandeln. ORATORs Lektion — aufhören, die Konflationssteuer zu zahlen; räumliche Prädikate materialisieren Graphkanten einmal, danach werden sie für immer abgefragt.
• IFC oder BIM-Werkzeuge nicht importieren. IFCs Wände und Türen sind bauspezifisch. Übernehmen Sie das Paradigma; lassen Sie die Maschinerie jenseits der Domänengrenze — genau das macht den Transfer analog und tragfähig.
• Der Abnahmetest: Kann ein KI-Agent Fragen zu Ihrer Karte beantworten — Enthaltensein, Zugang, Nachbarschaft, Menge —, ohne sie je gerendert zu sehen? Wenn nicht, wurde ein Bild veröffentlicht.

Das Fazit

Zwei Felder, eine Erfindung. Das Bauwesen brauchte vier Jahrzehnte, um Zeichnungen in Datenbanken zu verwandeln, und die Kartografie baute dasselbe Objektmodell unabhängig in ihre eigenen Standards ein — konvergente Evolution, also das, was passiert, wenn dasselbe Problem dieselbe Lösung hat. Die BIM-Lektion ist kein Produkt zum Kaufen; sie ist die Entscheidung, die Welt als Objekte mit Eigenschaften, Beziehungen, Mengen und Entwicklungsstufen zu behandeln — gerendert als eine Ansicht unter vielen und als Graph verbunden. KI ist der Selektionsdruck, der diese Entscheidung unausweichlich macht: der erste Konsument, der ein Bild nicht ansehen kann. Übernehmen Sie das Paradigma, nicht das Werkzeug. Die Karte ist kein Bild. Sie war es nie wirklich. Sie ist eine Datenbank — und ein Graph —, und die Felder, die sich zuerst zu dieser Idee bekennen, sind die, die KI tatsächlich wird lesen können.

Quellen

• Konvergente Evolution — Natural History Museum London, "Convergent evolution explained" (nhm.ac.uk/discover/convergent-evolution.html); Ogura, Ikeo & Gojobori, Genome Research 14(8), 2004 (DOI 10.1101/gr.2325604); Yoshida et al., Integrative and Comparative Biology 55(6), 2015 (PMCID PMC4652037); Gavriouchkina et al., Nature Ecology & Evolution 9, 2025 (DOI 10.1038/s41559-025-02720-9); UC Berkeley Understanding Evolution, "Homologies and analogies" (evolution.berkeley.edu)
• Analogie- und Transfertheorie — Gentner, Cognitive Science 7(2), 1983 (DOI 10.1207/s15516709cog0702_3); Gentner & Markman, American Psychologist 52(1), 1997; Cornuéjols, Tiberghien & Collet, Foundations of Science 5(2), 2000 (DOI 10.1023/A:1011398802965)
• Kartografische Theorie — Harley, "Deconstructing the Map," Cartographica 26(2), 1989 (DOI 10.3138/E635-7827-1757-9T53); Wood, The Power of Maps, Guilford Press, 1992; Monmonier, How to Lie with Maps, University of Chicago Press (3. Aufl. 2018)
• BIM-Ursprünge und Paradigma — Eastman, "The Use of Computers Instead of Drawings in Building Design," AIA Journal 63(3), 1975; Eastman, "General purpose building description systems," Computer-Aided Design 8(1), 1976 (DOI 10.1016/0010-4485(76)90005-1); LaiserinLetter Issue 15 (2002, laiserin.com); Sacks, Lee, Burdi & Bolpagni, BIM Handbook, 4th ed., Wiley, 2025 (DOI 10.1002/9781394222254); Russell & Elger, "The Meaning of BIM," eCAADe 26, 2008; Khosrowshahi, "BIM a Paradigm Shift in Construction," Springer, 2017 (DOI 10.1007/978-3-319-50346-2_4)
• IFC und buildingSMART — buildingSMART, "Industry Foundation Classes (IFC)" (buildingsmart.org); ISO 16739-1:2024 (iso.org)
• OGC-Standards — WMS (OGC 06-042); WFS (OGC 09-025r1); GeoJSON RFC 7946 (rfc-editor.org); CityGML 3.0 Conceptual Model, OGC 20-010 (docs.ogc.org); GeoSPARQL 1.1, OGC 22-047r1 (docs.ogc.org)
• Overture Maps — GERS-Dokumentation (docs.overturemaps.org/gers); "Three Years In" (overturemaps.org, 2026); Wiedersberg, "From Concept to Prototype: Grounding AI & LLMs with Overture's Cross-Theme Knowledge Graph" (overturemaps.org/blog/2026, 2026)
• Spatial Graph RAG — Wherobots, "Spatial Graph RAG: Building Knowledge Graphs From the Physical World" (wherobots.com/blog/spatial-graph-rag, 2026)
• Georäumliche Wissensgraphen — Zhu, "Geospatial Knowledge Graphs," Wiley Int. Encyclopedia of Geography, 2024 (arXiv:2405.07664); Janowicz et al. / Zhu et al., The KnowWhereGraph (arXiv:2502.13874); GeoLLM, ICLR 2024 (arXiv:2310.06213); geospatial hallucination (arXiv:2507.19586); Agrawal et al., "Can Knowledge Graphs Reduce Hallucinations in LLMs?", NAACL 2024 (arXiv:2311.07914)
• GNNs — Battaglia et al., "Relational inductive biases, deep learning, and graph networks," 2018 (arXiv:1806.01261); Kipf & Welling, GCN, ICLR 2017 (arXiv:1609.02907); Yu, Yin & Zhu, STGCN, IJCAI 2018 (arXiv:1709.04875); Gharaee et al., Pattern Recognition 131, 2022 (arXiv:2107.07791); Böckling et al., OSM+H3 planetary KG, GeoLD @ ESWC 2024 (arXiv:2405.15375)
• GeoAI — Prithvi-EO-2.0, NASA & IBM (arXiv:2412.02732)
• BIM–GIS-Konvergenz — Zhu & Wu, Automation in Construction 136, 2022 (DOI 10.1016/j.autcon.2022.104133); Tauscher, ISPRS Archives XLIV-4/W1-2020 (DOI 10.5194/isprs-archives-XLIV-4-W1-2020-151-2020); Demir Altıntaş & İlal, ITcon 27, 2022 (DOI 10.36680/j.itcon.2022.027)
• Digitale Zwillinge — Virtual Singapore (SLA / Smart Nation; oecd-opsi.org/innovations/virtual-twin-singapore); Destination Earth (destination-earth.eu); Bolton et al., The Gemini Principles, CDBB, 2018 (DOI 10.17863/CAM.32260)