Präzise Waldanalyse aus der Luft mittels künstlicher Intelligenz
Forschungsteam der Hochschule München entwickelt neuartige Methode zur präzisen Waldanalyse aus der Luft mittels Künstlicher Intelligenz.
München – Eine präzise Analyse von Wäldern aus der Ferne ermöglicht die KI-basierte Methode eines Forschungsteams der Hochschule München (HM). Das Team des Instituts für Anwendungen des maschinellen Lernens und intelligenter Systeme (IAMLIS) entwickelte im Projekt Wald5DPlus unter der Leitung von Prof. Dr. Andreas Schmitt und Prof. Dr. Peter Krzystek von der Fakultät für Geoinformation einen umfangreichen Datensatz, der auf Satellitenbildern und Künstlicher Intelligenz (KI) aufbaut. Die Technologie eröffnet neue Möglichkeiten zur Kartierung und Analyse von Waldgebieten, ohne dass Forschende die Wälder betreten müssen.
Das Projektteam: Prof. Dr. Peter Krzystek, Sarah Hauser (M. Sc.) und Prof. Dr. Andreas Schmitt (v.l.n.r.). (Foto: Alexander Ratzing)
Daten aus der Luft
„Die Vermessung von Wäldern war bisher vor allem in schwer zugänglichen Gebieten sehr zeitaufwendig“, erklärt Prof. Dr. Andreas Schmitt, einer der Projektleiter. „Mit unserer Methode können wir den Zustand von Wäldern mit hoher Genauigkeit aus der Vogelperspektive erfassen.“ Das Forschungsteam nutzt dabei die Daten der Sentinel-1- und Sentinel-2-Satelliten der Europäischen Weltraumorganisation ESA. Ein speziell entwickelter Algorithmus gleicht witterungsbedingte Datenlücken aus, die durch Wolken entstehen. Ergänzend dazu wurden Drohnen- und Flugzeugdaten verwendet, um typische Waldmerkmale wie Baumarten, Höhen und Dichte zu berechnen.
Mit den Projektdaten von Wald5Dplus lassen sich Karten erstellen, welche die Entwicklung von bis zu zehn verschiedenen Merkmalen von Bäumen vorhersagen. (Grafik: Sarah Hauser)
Präzise Prognosen dank KI
„Wir setzen ein Puzzle aus verschiedenen Datenquellen zusammen,“ sagt Sarah Hauser, wissenschaftliche Mitarbeiterin im Projekt. „Erst durch das Zusammenspiel dieser Informationen erhalten wir ein vollständiges Bild des Waldes.“ Die KI-gestützte Analyse ermöglicht nicht nur eine detaillierte Bestandsaufnahme, sondern liefert auch präzise Prognosen über die zukünftige Entwicklung der Wälder. So kann beispielsweise vorhergesagt werden, wie sich der Waldbestand verändern wird – ein entscheidender Vorteil im Kampf gegen Waldschäden und für eine effiziente Bewirtschaftung.
Das Forschungsteam überprüft bei der Erkundung einer Versuchsfläche die KI-Analyse vor Ort. (Foto: Andreas Schmitt)
Werkzeug für effizienten Umweltschutz
„Unsere Methode hat sich als sehr effektiv erwiesen“, berichtet Schmitt. „An einer Versuchsfläche konnten wir beobachten, wie die KI korrekt das Wachstum von jungen Fichten unter alten Buchen vorhergesagt hat.“ Das Wald5DPlus-Projekt bietet somit große Chancen für die Forstwirtschaft und den Umweltschutz. Waldschäden durch Schädlinge oder extreme Wetterereignisse können frühzeitig erkannt und Maßnahmen zur Aufforstung besser geplant werden. Auch im wissenschaftlichen Bereich bietet der Datensatz wertvolle Erkenntnisse, beispielsweise zur Biodiversität und zum Einfluss des Klimawandels auf Wälder.
Öffentlich zugänglicher Datensatz
Das Forschungsteam der HM stellt den Datensatz mit allen notwendigen Skripten und vortrainierten Modelle der Öffentlichkeit zur Verfügung. „Unsere Ergebnisse sind über zenodo.org frei zugänglich“, erklärt Hauser. „So möchten wir Forschenden und Interessierten weltweit die Möglichkeit geben, eigene Analysen durchzuführen und zur Erhaltung der Wälder beizutragen.“
Wald5DPlus
Das Forschungsprojekt „Wald5Dplus – Ein KI-Benchmark-Datensatz für die kombinierte spektrale, polarimetrische und zeitliche Erfassung von Waldbeständen mittels Sentinel-1& -2“ wurde gefördert vom Bundesministerium für Wirtschaft und Klimaschutz. Der Projektträger ist die Raumfahrtagentur im DLR. Die Veröffentlichung ist abrufbar über zenodo.org: DOI: 10.5281/zenodo.10848838. Förderkennzeichen: 50EE2210.
Das Projekt wurde gefördert vom Bundesministerium für Wirtschaft und Klimaschutz.
Pressemitteilung der Hochschule München.
