Projekt „KIHBA – Künstliche Intelligenz für hochaufgelöste Baumartenerkennung“ ist beendet. In dem Forschungsprojekt KIHBA der Bayerischen Landesanstalt für Wald und Forstwirtschaft (LWF) wurden Möglichkeiten aktueller KI-Methoden zur automatisierten Baumartenklassifikation untersucht. Der Fokus lag dabei auf der bayernweiten Einsetzbarkeit und der einfachen Übertragbarkeit auf andere Regionen in Deutschland.
Baumartenerkennung auf Basis von Luftbilddaten. Laubbäume können im Gegensatz zu Nadelbäumen schlecht erkannt werden.
Quelle: Bayerische Landesanstalt für Wald und Forstwirtschaft
Der Anstoß für das Projekt sind die dynamischen, klimawandelinduzierten Veränderungen in den bayerischen Wäldern, die neben präzisen und genauen Einzelmessungen der Bäume auch eine kurzfristige, vor allem flächenhafte Verteilung verschiedener Zustandsmerkmale wie zum Beispiel Baumvitalität beziehungsweise -mortalität für die forstliche Bewirtschaftung und Planung erfordern. Um dies zu ermöglichen, ist eine flächendeckende, ausreichend genaue Übersicht zur Verteilung der Hauptbaumarten notwendig. Diese liegt jedoch derzeit für die bayerischen Wälder nicht flächendeckend vor.
Gefördert vom BMWK
Das Projekt KIHBA wurde von der Deutschen Luft- und Raumfahrtdirektion mit Mitteln des Bundesministeriums für Wirtschaft und Klimaschutz (BMWK) im Rahmen des Programms „BMWi-Förderung“ finanziert. Das Vorhaben startete im November 2021 und hatte eine Laufzeit bis Januar 2024. Im Kooperationsprojekt KIHBA versuchte die Landesanstalt für Wald und Forstwirtschaft (LWF) gemeinsam mit der IABG mbH einen repräsentativen Trainingsdatensatz und daraus ein robustes, transferierbares Deep-Learning-(DL)-Modell zur Baumartenerkennung zu entwickeln. Ziel des Projektes war eine bayernweite Baumartenkarte möglichst auf Einzelbaumebene aus hochaufgelösten Fernerkundungsdaten automatisiert und flächendeckend abzuleiten. Dabei wurden die für Bayern wichtigsten Hauptbaumarten Eiche, Buche, Fichte und Kiefer als Zielklassen ausgewählt.
Dateneingang
Zur Modellierung auf Einzelbaumebene und Nutzung von Strukturinformationen wurden im Projekt amtliche, digitale True-Orthophotos (tDOP) mit 0,2 m räumlicher Auflösung in 4-Kanälen (Rot, Grün, Blau, nahes Infrarot) verwendet, welche in einem 2-Jahres-Turnus von der Bayerischen Vermessungsverwaltung für ganz Bayern aktualisiert werden. Basierend auf den lagegenauen, amtlichen tDOP wurde auf dem Raster der Bundeswaldinventur und der Waldzustandserhebung der Referenzdatensatz aufgebaut.
Als DL-Modellansatz wurde ein Convolutional Neural Network (CNN) ausgewählt. Hier fließen in den Klassifikationsprozess zu den Spektralinformationen auch räumliche Strukturen und Texturen der Bildinhalte ein. Da neben der Erkennung der Baumarten deren exakte räumliche Abgrenzung angestrebt wurde, fiel die Wahl auf einen Ansatz der semantischen Segmentierung. Dabei wird jedes Pixel des Eingangsbildes der entsprechenden Klasse zugeordnet.
Ergebnis: Laubbäume schwierig zu klassifizieren
Die umfassende Validierung des Modells zeigte große Unterschiede zwischen den Baumartenklassen bezüglich der erreichten Genauigkeiten. Während für die Nadelholzklassen Kiefer und Fichte hohe Genauigkeiten erzielt werden konnten, war eine zuverlässige Bestimmung der Laubholzklassen Eiche und Buche nicht möglich. Zu erklären ist dies mit der vergleichsweise geringen Menge an Trainingsdaten für Buche und Eiche und ihrer geringen Differenzierbarkeit gegenüber anderen Laubholzklassen.
Vergleiche mit anderen Studien bestätigen, dass hier offenbar die räumliche Auflösung der amtlichen tDOP-Bilder (0,2 m) nicht ausreicht. Allgemein fiel auf, dass es vor allem innerhalb der Laub- und Nadelgehölze zu Verwechselungen kommt, weshalb ein weiteres Training mit zusammengefassten Klassen durchgeführt wurde. Mit der Zusammenfassung einzelner Klassen konnte insbesondere für das Laubholz eine deutliche Verbesserung der Genauigkeitswerte erreicht werden. Das bestätigt die Schwierigkeit der Differenzierung einzelner Laubholzklassen und die gute Trennbarkeit zum Nadelholz. Somit eignet sich das Modell mit den kombinierten Klassen als pixelgenauer Laub-/ Nadelholz-Klassifikator.