Bei der entwickelten Methode kommt die Software eCognition zum Einsatz, die mit dem Konzept der objektorientierten Klassifikation automatisch nach Bodendenkmälern sucht. Am Ende der Erfassung liegen GIS-kompatible Verdachtsflächen vor, die der Interpretation bedürfen. Um diese ebenfalls zu erleichtern und zu beschleunigen, sind die Verdachtsflächen danach sortiert, wie sehr sie ihrem jeweiligen Idealtyp entsprechen. Auf diese Weise können die interessantesten Flächen zuerst begutachtet und uninteressante zunächst vernachlässigt werden.
Der Workflow ist in Form eines rulesets gespeichert, das sich in neuen Gebieten mit wenig Aufwand anwenden lässt. So entfällt das zeitaufwendige Erstellen der Prozesse und schnelle Analysen neuer Gebiete sind möglich. Die objektorientierte Klassifikation klassifiziert nicht einzelne Pixel, sondern homogene Bildbereiche (Objekte). Diese entsprechen den gesuchten Strukturen, besitzen statistische Eigenschaften und stehen untereinander in Beziehung. „Kleine, runde Objekte, die ausschließlich von niedrigeren Objekten umgeben sind“ repräsentieren beispielsweise Grabhügel.
Bodendenkmäler sind mit dem objektorientierten Ansatz nur begrenzt direkt in einem herkömmlichen DGM zu erfassen: Strukturen an Hängen bereiten Probleme, da die Objektgrenzen den Höhenstufen folgen und dort eben nicht den zu suchenden Strukturen. Deswegen wurde auf eine simple und schnell zu berechnende Visualisierung zurückgegriffen, die dieses Problem löst: Durch Subtraktion eines geglätteten vom originalen DGM ist in der Difference Map nur das Mikrorelief inklusive der möglichen Bodendenkmäler vorhanden – zudem liegt alles in der Ebene. Zur Berechnung dieser Visualisierung wurde ein auf den LWL zugeschnittenes GIS-Tool entwickelt, das vollautomatisch arbeitet.
Das beschriebene Verfahren wurde anhand von Motten, Grabhügeln, Wölbäckern in Testgebieten in Nordwest- und Ostwestfalen entwickelt. Die Ergebnisse zeigen, dass alle drei Bodendenkmaltypen grundsätzlich erfassbar und Trefferquoten von 90-100% – unter Berücksichtigung von Referenzdaten – möglich sind. Bei den Motten werden erfolgreich verschiedene Erhaltungszustände abgedeckt. Der bisher einzige ‚falsche‘ Treffer ist auf die verwendeten Parameter und/oder auf die Difference Map zurückzuführen und sieht außerdem einer Motte recht ähnlich.