QGIS

Kurzfazit

QGIS ist das Standard-Open-Source-GIS und längst aus der “Bastler-Alternative zu ArcGIS”-Ecke heraus. Es liest alle relevanten Geodatenformate, hat eine deutsche UI, eine engagierte deutschsprachige Community, und ist über das Plugin-Ökosystem in fast jede Fachdisziplin eingearbeitet. Für die KI-Welt entscheidend: Mit Deepness und dem nativen Python-Zugang ist QGIS heute eine vollwertige Plattform für Geo-ML — Segmentation, Object Detection und Regression auf Raster- und Drohnendaten laufen direkt im Tool, ohne separate Pipeline. Lernkurve ist real, lohnt sich aber: Eine Person, die QGIS beherrscht, kann in der Regel das ersetzen, wofür andere Häuser fünfstellige ArcGIS-Jahreslizenzen bezahlen — bei voller Datensouveränität.

Für wen ist QGIS?

Forstbetriebe und Forstverwaltungen: Klassisches Einsatzfeld in Deutschland und Österreich. GPS-Tracks aus der Kluppung importieren, Bestandsflächen automatisch berechnen, mit amtlichen Waldfunktionenkarten (WMS) überlagern, Karten für Forsteinrichtungswerke drucken. Spezialisierte Plugins wie qForst und FIM existieren.

Kommunen und Geoinformationsdienste: Viele deutsche Kommunen nutzen QGIS für interne Fachverfahren (Baumkataster, Spielplatz-Inspektionen, Bauleitplanung). Die Lizenzfreiheit ist hier ein massiver Hebel — gerade in haushaltsknappen Kommunen, in denen jede ArcGIS-Lizenz politisch verteidigt werden muss.

Ingenieurbüros (Vermessung, Wasserbau, Verkehrsplanung): QGIS ist in der Toolchain neben ArcGIS Pro etabliert — viele Büros arbeiten mit beidem parallel, je nach Projekt und Auftraggeber. Die DXF-/DWG-Anbindung an CAD-Workflows ist über Jahre gereift.

Hochschulen und Forschung: An den meisten geo- und umweltwissenschaftlichen Hochschulen ist QGIS Standard. Lehre, Forschungsprojekte und studentische Arbeiten laufen darauf — was bedeutet, dass jede Generation Geowissenschaftler-Absolventen mit QGIS vertraut auf den Arbeitsmarkt kommt.

ML-/KI-Teams in der Geodatenanalyse: Wer Satellitenbilder, Drohnenaufnahmen oder Luftbilder mit ML-Modellen analysieren will, hat in QGIS + Deepness + Python ein vollständiges Werkzeug. Object Detection auf Drohnenorthofotos, Landnutzungs-Segmentierung, Schadens-Erkennung — alles geht direkt im Tool, ohne dass Daten den Rechner verlassen müssen.

Landwirtschaftliche Beratung und Precision Farming: Schlagverwaltung, Ertragskartierung, NDVI-Auswertungen auf Sentinel-2-Daten. QGIS bietet die Grundwerkzeuge, Deepness die ML-Schicht — eine Kombination, die sonst nur kommerzielle Spezialsoftware bietet.

Weniger geeignet für: Anwender, die zwingend ArcGIS-spezifische Workflows brauchen (ArcGIS Online, Field Maps, Survey123 — alles ESRI-Ökosystem), Organisationen ohne IT-Begleitung für die Lernkurve, Anwender, die Hersteller-SLA mit garantierter Reaktionszeit brauchen, und alle, die eine schlüsselfertige Cloud-GIS-Lösung erwarten.

Preise im Detail

Komponente	Preis	Was du bekommst
QGIS Desktop	0 EUR	Vollständige GIS-Software, alle Funktionen, kommerzielle Nutzung erlaubt
QGIS Server	0 EUR	OGC-konformer Map-Server, WMS/WFS/WMTS-Veröffentlichung
Alle offiziellen Plugins (qForst, Deepness, QSwat …)	0 EUR	Open-Source-Plugins aus dem Plugin Repository
Schulungen	500–1.500 EUR pro Tag/Person	Über Sourcepole (CH/DE), OPENGIS.ch, FOSSGIS-Akademie, Lutra Consulting (UK), regionale Anbieter
Kommerzieller Support	Stundensatz oder Wartungsvertrag	Bug-Fix-SLA, individuelle Entwicklung, Sponsoring neuer Features
QGIS Cloud / Mergin Maps	je nach Anbieter	Hosting/Sync-Lösungen aus dem QGIS-Umfeld; nicht offizieller Teil der Software

Einordnung: Die Software selbst kostet nichts — auch nicht für gewerbliche Nutzung. Echte Kosten entstehen für Schulung (Einarbeitung 2–5 Tage je nach Vorkenntnis), gelegentlich für kommerzielle Plugins von Drittanbietern, und für professionellen Support. Ein realistischer Erstinvest für ein KMU liegt bei 2.000–5.000 EUR (Mitarbeitendenschulung, optional Wartungsvertrag) — danach sind die laufenden Kosten praktisch null. Im Vergleich zu ArcGIS Pro (ca. 1.500–4.000 EUR pro Nutzer und Jahr je nach Tier) amortisiert sich der Wechsel oft schon im ersten Jahr.

Stärken im Detail

Vollständige Lizenzfreiheit ist mehr als ein Preis-Argument. Keine Sitzplatz-Lizenzen, keine User-Counts, keine Audits, keine “Concurrent User”-Fallen. Das ist in der Praxis ein enormer Unterschied zur ESRI-Welt — Schulen, Behörden, NGOs und KMU können QGIS auf jedem Rechner installieren, ohne juristische Risiken einzugehen. Auch für KI-Workflows wichtig: Training und Inferenz dürfen ohne Lizenzfragen auf beliebig vielen Maschinen laufen.

Format-Universalität. QGIS liest praktisch jedes relevante Geo-Format — von Shapefile über GeoPackage, GeoTIFF, GPX bis zu Cloud-Optimized GeoTIFF (COG), STAC-Katalogen, Punktwolken (LAS/LAZ) und vielen Vektor- und Rasterdialekten. Auch klassische CAD-Formate (DXF/DWG) und PDF-georeferenzierte Karten sind eingebunden. Das macht QGIS zum Schweizer Taschenmesser in Projekten, in denen die Datenquellen heterogen sind.

Deepness-Plugin für direkte ML-Inferenz. Das Deepness-Plugin (Maintainer aus dem akademischen Open-Source-Umfeld) führt ONNX-/PyTorch-Modelle direkt auf Rasterlayern aus — Semantic Segmentation, Object Detection und Regression. Vortrainierte Modelle für Anwendungen wie Tank-Detection, Fahrzeugerkennung, Schäden in Landwirtschaftsfeldern und Flugzeug-Detection sind in einem Model Zoo verfügbar. Eigene Modelle (z. B. mit U-Net für Segmentierung oder YOLO für Object Detection trainiert) lassen sich als ONNX exportieren und genauso einbinden. Damit wird QGIS zur Inferenz-Plattform für Geo-ML — ohne Cloud, ohne separates Tooling.

Python-Integration (PyQGIS) auf Spitzenniveau. Die gesamte QGIS-Funktionalität ist über Python scriptbar. Wer eigene ML-Pipelines aufbaut, kann scikit-learn, rasterio, GDAL, geopandas und PyTorch direkt nutzen, und Ergebnisse als Layer wieder in QGIS visualisieren. Für reproduzierbare Analysen ein erheblicher Vorteil gegenüber Klick-Workflows.

Plugin-Ökosystem ist Industriestandard. Über 1.000 Plugins, viele davon hochspezialisiert (Hydrologie via QSWAT, Forstinventur via qForst, archäologische Modellierung, Solarpotenzialanalyse, Sentinel-/Landsat-Vorverarbeitung via Semi-Automatic Classification Plugin etc.). Für fast jede Fachdisziplin gibt es eine etablierte Lösung — und wenn nicht, kann man sie als Python-Plugin selbst bauen.

Anbindung amtlicher Geodaten. Alle deutschsprachigen Geoportale (BKG, BayernAtlas, GeoNetz NRW, Geoportal Sachsen, basemap.at, geo.admin.ch) bieten OGC-konforme WMS/WFS-Dienste, die in QGIS mit zwei Klicks eingebunden werden. Damit wird das gesamte amtliche Geodatenangebot Deutschlands, Österreichs und der Schweiz nutzbar — ohne Datenexport, ohne Zwischenformate.

Volle lokale Datenhaltung. QGIS verarbeitet alle Daten lokal. Keine Cloud, kein Telemetrie-Default, keine ungewollten Datenflüsse. Für Datenschutz-sensitive Projekte (Drohnenflüge über Privatgrund, archäologische Fundstellen, militärisch relevante Liegenschaften, sensitive Forstdaten) ist das ein Pflichtkriterium.

Aktive deutschsprachige Community. FOSSGIS e. V. organisiert die deutschsprachige Anwender-Konferenz; deutsche Schulungsanbieter (Sourcepole, GeoIT, FOSSGIS-Akademie) bieten zertifizierte Kurse; das Handbuch ist vollständig auf Deutsch übersetzt. Die UI ebenfalls — kein Übersetzungsfragment-Risiko.

Schwächen ehrlich betrachtet

Steilere Lernkurve als kommerzielle Alternativen. QGIS gibt einem alles in die Hand, was die GIS-Welt zu bieten hat — und erwartet, dass man weiß, was man tut. Konzepte wie Koordinatensysteme, Projektionen, Topologie, Raster-Algebra muss man verstehen. ArcGIS Pro nimmt einem mehr ab; QGIS lässt einem mehr Freiheit, aber auch mehr Verantwortung. Für Einsteiger ohne GIS-Erfahrung sind 2–5 Schulungstage realistisch.

ML-Workflows verlangen Technik-Kenntnis trotz UI. Deepness und PyQGIS senken die Hürde — sie eliminieren sie aber nicht. Wer eigene ML-Modelle trainieren will, braucht Python, Verständnis von Training/Validation/Test-Splits und Erfahrung mit Modellformaten (ONNX). Vortrainierte Modelle im Deepness Model Zoo sind verfügbar, aber für viele spezifische Fragestellungen muss man selbst Trainingsdaten beschaffen und Modelle trainieren — und das ist ein eigenes Projekt.

Keine native Cloud-/Mehrnutzer-Editierumgebung. Wer im Team an denselben Geodaten arbeiten will, braucht zusätzliche Infrastruktur — PostGIS-Datenbank, QGIS Server, oder externe Lösungen wie Mergin Maps / Input. Das geht alles, ist aber nicht out-of-the-box. ArcGIS Online ist hier integrierter.

Mobile Felderfassung über separate Apps. Es gibt keine offizielle QGIS-Mobile-App. Felderfassung läuft über QField (Open Source, von OPENGIS.ch) oder Input/Mergin Maps. Beide sind sehr gut, aber das Setup ist ein eigener Workflow — und Vergleichsanbieter (ArcGIS Field Maps, Survey123) sind integrierter.

Performance bei sehr großen Punktwolken variabel. LAS/LAZ-Punktwolken aus Drohnenflügen oder Laserscanning mit mehreren hundert Millionen Punkten können QGIS-Sessions ausbremsen — insbesondere auf älterer Hardware. Spezialisierte Punktwolken-Tools (CloudCompare, PDAL-CLI) sind dort weiterhin schneller.

Deepness Model Zoo noch dünn. Die Auswahl vortrainierter Modelle ist überschaubar — Tanks, Fahrzeuge, einige landwirtschaftliche Anwendungen. Für viele konkrete Use Cases (z. B. Baumkronen-Detection in deutschem Mischwald, Schadenserkennung an PV-Anlagen, Gebäude-Footprint-Detection auf deutschen Orthofotos) muss man Trainingsdaten selbst zusammenstellen und eigene Modelle trainieren. Das ist machbar, aber Aufwand.

Bug-Fix-Zyklen sind Community-Geschwindigkeit. Wer ein dringendes Bug Fix für ein Live-System braucht, kann das über kommerzielle Support-Verträge mit QGIS-Service-Providern beauftragen — aber out-of-the-box gilt: Bugs werden in der nächsten Release-Welle behoben, nicht innerhalb von 24 h. Für Kritisches Geschäftsumfeld ein Punkt, den man im Risikomanagement berücksichtigen sollte.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Tief im ESRI-Ökosystem arbeitest (Field Maps, Survey123, ArcGIS Online)	ArcGIS Pro (keine eigene Seite bei uns)
Eigene ML-Pipelines unabhängig von QGIS bauen willst	Python mit rasterio, geopandas, PyTorch
Web- und JavaScript-basierte Karten brauchst	Leaflet, MapLibre, OpenLayers (keine eigenen Seiten)
Eine schlüsselfertige Drohnen-Auswertungslösung suchst	Pix4D, Agisoft Metashape, DroneDeploy (keine eigenen Seiten)
KI-Bildanalyse generell außerhalb von Geo brauchst	Claude Vision oder ChatGPT für Adhoc-Bildauswertung

Erwähnenswert ohne eigene Tool-Seite: GRASS GIS (klassische Raster-Analyse, in QGIS eingebunden), SAGA GIS (statistische Analyse, ebenfalls eingebunden), gvSIG, OpenJUMP. Auf der KI-Seite: Google Earth Engine (Cloud-basierte planetary-scale Analyse, eigenes Ökosystem) und kommerzielle Plattformen wie eCognition (objektbasierte Bildanalyse). QGIS bleibt das vielseitigste lokale GIS — und mit Deepness die einzige Open-Source-Plattform mit integrierter ML-Inferenz auf Rasterdaten.

So steigst du ein

Schritt 1: Lade QGIS von qgis.org herunter — kostenlos für Windows, macOS und Linux. Für produktive Nutzung die LTR-Version (Long Term Release) nehmen, sie ist stabiler als die jeweilige Hauptversion. Beim ersten Start die deutsche Sprache wählen und ein Projekt mit deinem regionalen Koordinatensystem anlegen (in Deutschland meist ETRS89/UTM, EPSG:25832).

Schritt 2: Über den Plugin-Manager fachspezifische Plugins installieren. Für KI-/ML-Anwendungen ist Deepness Pflicht — es bringt direkte ONNX-Modell-Inferenz. Für Forstanwendungen qForst, für Fernerkundung das Semi-Automatic Classification Plugin, für Web-Veröffentlichung qgis2web. Beim ersten Start des Deepness-Plugins werden zusätzliche Python-Bibliotheken installiert; folge dem Dialog.

Schritt 3: Erste Anwendung mit eigenen Daten umsetzen. Klassiker für den Einstieg: GPS-Tracks (GPX) oder CSV mit Koordinaten importieren, ein WMS-Layer eines amtlichen Geoportals dazuholen (BKG-TopPlusOpen ist ein guter Start), eine einfache Berechnung durchführen (Pufferzonen, Flächen, Verschneidung). Für ML-Anwender: ein Orthofoto laden, Deepness mit einem vortrainierten Modell (z. B. Fahrzeug-Detection auf Luftbild) ausprobieren, Ergebnisse als Vektorlayer visualisieren. Wenn das funktioniert, lohnt sich der nächste Schritt: ein eigenes Modell mit konkreten Trainingsdaten trainieren und als ONNX einbinden.

Ein konkretes Beispiel

Ein kommunaler Forstbetrieb in Bayern (800 Hektar Waldfläche, sechs Revierförster) ersetzt eine ältere ArcGIS-Installation durch QGIS. Die jährlichen Lizenzkosten von ca. 6.000 EUR entfallen vollständig — gerechnet wurde mit 4 Lizenzen à 1.500 EUR. Die Forsteinrichterin trainiert das Team in zwei Tagesworkshops (über die FOSSGIS-Akademie, ca. 2.400 EUR). Ein konkreter neuer Workflow nach der Umstellung: Auf Basis einer Drohnenbefliegung im Frühjahr (300 Hektar Bestand, Auflösung 5 cm/Pixel) trainiert die Forsteinrichterin mit ca. 200 manuell markierten Schadensbeispielen ein einfaches U-Net-Modell für Borkenkäfer-Befall in Fichtenbeständen, exportiert es als ONNX und führt es per Deepness direkt in QGIS auf dem Orthofoto aus. Ergebnis: Eine Heatmap, die innerhalb von Minuten die wahrscheinlich betroffenen Bestandsteile markiert — die nächste Woche werden gezielt diese Flächen begangen, nicht mehr stichprobenhaft alle. Effekt: Reduktion der Begehungszeit für die Schadenserkennung um rund 40 %; Treffsicherheit nach interner Validierung bei etwa 78 %. Lizenzkosten weiter: 0 EUR. Datensouveränität: vollständig — kein Bild verlässt den Betriebsrechner.

DSGVO & Datenschutz

• Datenhaltung: Standardmäßig vollständig lokal. QGIS sendet keine Geodaten an externe Server, sofern man nicht aktiv Online-Dienste (WMS, WFS, Cloud-Quellen) nutzt.
• Telemetrie: Keine standardmäßig aktivierte Telemetrie. Optionale Crash-Reports kann der Nutzer freischalten.
• Open Source und Auditierbarkeit: Quellcode auf GitHub einsehbar. Sicherheits-Audits und Eigen-Builds möglich — für Behörden und Hochsicherheits-Umgebungen relevant.
• Auftragsverarbeitung (AVV): Nicht erforderlich, da kein Cloud-Dienst. Drittanbieter-Plugins können eigene Datenflüsse haben — vor produktivem Einsatz prüfen.
• Anbindung amtlicher Dienste: WMS/WFS-Aufrufe gehen direkt vom Nutzergerät an den jeweiligen Geodatendienst. Datenschutzbedingungen ergeben sich aus dem jeweiligen Anbieter (BKG, Landesvermessungsämter etc.).
• Empfehlung für sensitive Anwendungen: Drohnenflüge, militärisch relevante Liegenschaften, archäologische Fundstellen oder gesundheitsbezogene Geodaten lassen sich mit QGIS vollständig offline verarbeiten — eine der wenigen GIS-Lösungen, bei der das ohne Workaround möglich ist. Für KI-Inferenz mit Deepness auf solchen Daten gilt: Modell-Inferenz läuft lokal, kein Datenfluss zu Cloud-Diensten.

Gut kombiniert mit

• Python — für eigene ML-Modelltrainings, Datenvorverarbeitung und Pipelines außerhalb der QGIS-Benutzeroberfläche. QGIS dient dann als Visualisierungs- und Inferenz-Front-End.
• Claude — für die Generierung von PyQGIS-Skripten, Erklärung komplexer Algorithmen oder Übersetzung von Python-Code aus anderen Geo-Bibliotheken. Lernkurven-Beschleuniger erster Klasse.
• Power BI — für die nicht-räumliche Auswertung der aus QGIS exportierten Geodaten (Statistiken, Trends, Berichte für Management). Klassische Arbeitsteilung: QGIS macht Raum, Power BI macht Tabelle.

Unser Testurteil

QGIS verdient 5 von 5 Sternen. Es ist die seltene Kombination aus „beste Open-Source-Lösung in seiner Kategorie” und „mindestens ebenbürtig zur kommerziellen Konkurrenz”. In den letzten Jahren hat die Plattform zusätzlich eine vollwertige KI-Schicht über Deepness und das Python-Ökosystem aufgebaut — was sie aus KI-Sicht zum Werkzeug der Wahl macht, wenn Geodaten beteiligt sind und Cloud-Verarbeitung ausscheidet. Lernkurve ist real, aber eine Investition mit hohem Ertrag — und der Preis (0 EUR) ist ohne Beispiel im professionellen GIS-Markt. Auch die deutschsprachige Verwurzelung (Community, Schulungspartner, dokumentation) macht QGIS zur ersten Wahl im DACH-Raum, wenn nicht zwingend ESRI-Ökosystem benötigt wird. Wer heute neu mit Geodaten anfängt, hat keinen vernünftigen Grund, nicht mit QGIS zu starten.

Was wir bemerkt haben

• 2024–2025 — Das Deepness-Plugin hat sich vom akademischen Forschungsprojekt zum produktiv nutzbaren ML-Werkzeug entwickelt. Mit der Möglichkeit, beliebige ONNX-Modelle direkt im QGIS auszuführen, wurde aus QGIS eine echte Geo-ML-Plattform — ein qualitativer Sprung, der oft übersehen wird, weil er ohne Marketing-Tamtam kam.
• 2025 — QGIS 4.0 wurde veröffentlicht — größter Versionssprung seit Jahren mit überarbeiteter UI, verbesserter Punktwolken-Verarbeitung und tieferer Vektor-Tile-Unterstützung. Für KI-Anwendungen relevant: bessere Performance bei großen Rastern und stabilere Python-Integration.
• 2024–2026 — ArcGIS-Preiserhöhungen und restriktivere Lizenzmodelle haben in vielen Kommunen und Behörden zu Migrationen Richtung QGIS geführt. Das gilt insbesondere für Kommunen mit knappem Haushalt — der politische Druck, Open Source als Alternative ernsthaft zu prüfen, ist deutlich gestiegen.
• 2025 — Bundesregierung und mehrere Landesregierungen haben Open-Source-Strategien beschlossen, die QGIS explizit als Standard-Geodatenwerkzeug nennen oder bevorzugen. Das wirkt sich mittelfristig spürbar auf öffentliche Ausschreibungen aus.
• Mai 2026 — Im KI-Bereich entwickeln sich kommerzielle Geo-AI-Plattformen (z. B. Esri’s Living Atlas mit AI-Modellen, kommerzielle Drohnen-AI-Anbieter) parallel. QGIS + Deepness bleibt aber das einzige vollständig lokale, lizenzkostenfreie Geo-ML-Stack — und genau diese Souveränität wird im aktuellen regulatorischen Klima (NIS2, EU Data Act, DSGVO) zunehmend zum Wettbewerbsvorteil.