LWF aktuell 152
Waldzustandserhebung mit Drohnendaten
von Simon Ecke, Jan Dempewolf, Ewald Endres, Thomas Seifert und Hans-Joachim Klemmt

Waldstück von oben mit einer fliegenden Drohne im Mittelpunkt.Zoombild vorhanden

Abb. 1: Befliegung einer Waldfläche mit der Drohne Foto (© S. Ecke, LWF)

Sich rasch vollziehende Umweltveränderungen machen die zeitnahe, objektive Einschätzung der Vitalität von Waldbäumen immer bedeutsamer. Bisher ermitteln Forstexperten bei der jährlichen Waldzustandserhebung (WZE) aufwändig Daten vor Ort. Im Projekt WZE-UAV von LWF und HSWT wurde nun ein Fernerkundungsverfahren mit Einsatz von Drohnentechnik (UAV) entwickelt. Der Ansatz nutzt KI-Methoden, um Baumarten anhand höchstaufgelöster Fernerkundungsdaten präzise zu unterscheiden und ihre Vitalität mit Vegetationsindizes zu bewerten. Diese Methode zur Vitalitätseinschätzung wird seither parallel zur WZE angewendet und mit Trainingsdaten weiterentwickelt.

Mit den fortschreitenden Auswirkungen des Klimawandels wächst auch die Bedeutung der kontinuierlichen Überwachung unserer Wälder. Extreme Wetterereignisse, Schädlinge und deren Wechselwirkungen stellen neue Herausforderungen dar. Eine frühzeitige Erkennung von Stressfaktoren ist entscheidend, um sicherzustellen, dass unsere Wälder auch in Zukunft ihre vielfältigen ökologischen, wirtschaftlichen und sozialen Funktionen erfüllen können.

Neue Ansätze zur Bewertung der Baumvitalität

Bei der Einschätzung des Zustands von Bäumen spielt die Vitalität eine wichtige Rolle. Sie bestimmt letztendlich, wie erfolgreich ein Organismus unter den gegebenen Umweltbedingungen gedeihen und überleben kann (Klug, 2004). Blattgrün, relative Blattgröße und Belaubungs- bzw. Benadelungszustand sind die wichtigsten Parameter, mit denen sich die Vitalität bei einfacher äußerer Betrachtung einschätzen lässt. In den Blättern findet die Photosynthese statt. Deshalb ist die Blattmasse ein Weiser für die Lebenskraft eines Baumes. Dementsprechend können Blattverfärbung und Belaubungsdichte durchaus Parameter zur Vitalitätsansprache sein. Prinzipiell ist die Einschätzung der Vitalität aber eine „relative" Ansprache, also eine Einschätzung, die im Vergleich stattfindet mit Bäumen derselben Art, der entsprechenden Entwicklungsphase und eines ähnlichen Standorts (Klug, 2004).
Für die regelmäßige Einschätzung des Vitalitätszustands unserer Wälder und eine frühzeitige Detektion von Veränderungen, wird in Deutschland jährlich seit 1984 die WZE als terrestrische Inventur an festgelegten Punkten durchgeführt (BMEL, 2024). Dabei beurteilen Fachleute visuell von Mitte Juli bis Mitte August den Kronenzustand der Waldbäume. Zentraler Beurteilungsmaßstab ist die Verlichtung der Kronen im Vergleich zu einer voll belaubten bzw. benadelten Krone. Die Abweichung von einer vollständigen Belaubung wird in 5 %-Stufen geschätzt. 0 % Verlichtung bedeutet eine voll belaubte Krone. 40 % Verlichtung bedeutet: Gegenüber einer voll belaubten Krone fehlen 40 % der Blattmasse bzw. es sind nur 60 % der normalerweise zu erwartenden Blatt­masse vorhanden.
Dieser Ansatz hat sich bewährt und liefert wertvolle Zeitreihendaten. Als nachteilig erweist sich allerdings der jährliche hohe Arbeits- und Kostenaufwand für die Bundesländer, sowie die subjektive Komponente der Vitalitätseinschätzung, die trotz der stetigen Kalibrierung der Fachleute in Schulungen im Rahmen der WZE nicht ganz auszuschalten ist.
In den letzten Jahrzehnten hat sich die Technologie unbemannter Luftfahrzeuge (UAVs) und der Datenauswertung rasant entwickelt und bietet vielseitige Einsatzmöglichkeiten in der Forstwirtschaft (Dainelli et al., 2021). Dazu gehören auch UAV-basierte Ansätze, die zur Einschätzung der Vitalität von Waldbäumen entwickelt wurden (Ecke et al., 2022). Meist nutzen diese das Reflexionsverhalten der lebenden, oberirdischen Biomasse zur Berechnung spektraler Vegetationsindizes, die Rückschlüsse auf die Vitalität sowie deren zeitliche Veränderungen ermöglichen sollen. Oft fehlt jedoch ein eindeutiger Zusammenhang zwischen reflektierter Strahlung und Baumart. Weiterhin beschreiben zahlreiche Studien großflächige Änderungen von Vegetationsindizes, ohne eine Beziehung zum Vitalitätszustand der Waldflächen oder Einzelbäumen wissenschaftlich zu belegen.

Das Projekt WZE-UAV

In dem Gemeinschaftsprojekt „WZE-UAV" der LWF und der Hochschule Weihenstephan-Triesdorf (HSWT) sollten anhand hochaufgelöster Drohnendaten diese Schwächen überwunden und ein objektiver, kostengünstiger und operationalisierbarer Ansatz zur regelmäßigen Einschätzung der Vitalität von Waldbäumen entwickelt werden. Hierzu wurden 2020 erstmalig 263 der 314 WZE-Trakte, mit einer Drohne der Firma DJI (P4-Multispectral) in 100 m über Grund beflogen und Multispektralaufnahmen mit den Spektralbändern Blau, Grün, Rot, Red-Edge und Nahes Infrarot (NIR) mit einer Bodenauflösung von 5 cm/Pixel angefertigt (Abbildung 1). Hierfür wurden wiederverwendbare Flugpläne erstellt und die Befliegung durch speziell geschulte Drohnenpiloten mit einer Tagesflugleistung von acht bis zehn WZE-Trakten durchgeführt. Die gewonnenen Luftbilder wurden im Zuge von Stapelverarbeitungsprozessen mithilfe der Software Agisoft Metashape zu Orthophotos und digitalen Oberflächenmodellen verarbeitet.
Zusätzlich wurden die Waldklimastationen Freising und Ebersberg in den Vegetationsperioden 2020 und 2021 nahezu wöchentlich mit der gleichen Technologie beflogen, um den phänologischen Aspekt und Witterungseinflüsse auf das Reflexionsverhalten und abgeleiteter Vegetationsindizes zu untersuchen.

Datenprozessierung

Zu Beginn der Datenprozessierung wurden die terrestrisch ermittelten WZE-Daten, insbesondere der Kronenzustand und die Baumart, den einzelnen Baumkronen in den Orthophotos zugeordnet. Dieser einmalig stattfindende, aufwändige Arbeitsschritt war notwendig, da die terrestrische Einmessung der Inventurpunkte in Bayern mit der GNSS-Gerätetechnik der Jahre 2011/2012 unter Kronenschirm in zahlreichen Fällen zu einem nicht tolerierbaren Lageversatz geführt hat. Nach Lageprüfung und Korrektur wurden die Kronen der Einzelbäume in den Orthophotos visuell geprüft und anschließend manuell definiert.
Zur weiteren, automatisierten Verarbeitung der Einzelbaumdaten wurde das Python-Tool „findatree" entwickelt, welches unter Verwendung des berechneten Kronenoberflächenmodells (CHM) Bildausschnitte der terrestrisch aufgenommenen Bäume erzeugt (Stehr, 2023). Diese wurden in einem weiteren Arbeitsschritt zur artspezifischen Charakterisierung des Kronenzustands mithilfe des sog. Efficient-Netzes (EfficientNet-B7) verwendet. Hierbei handelt es sich um ein Convolutional Neural Network (CNN), eine spezielle Art von KI-Modell zur Bildklassifi­kation, das gute Klassifizierungsergebnisse bei gleichzeitig vergleichsweise geringer Trainingsdatenverfügbarkeit und Rechenkapazität erbringen kann (Mingxing, 2019). Die Daten wurden in Trainings-, Validierungs- und Testdatensatz getrennt. Um die relativ geringe Anzahl der verfügbaren Bilder zu berücksichtigen und ein sogenanntes „overfitting" zu vermeiden, wurden die Trainingsdaten künstlich erweitert. Dabei wurden die Bilder zufällig zwischen 0 und 360 Grad rotiert, sowie zufällige, horizontale und vertikale Spiegelungen mit einer Wahrscheinlichkeit von 50 % vorgenommen.
Die Güte des resultierenden CNNs wurde anhand des Nadel- bzw. Blattverlustes (NBV) der terrestrisch aufgenommenen Bäume bewertet. Diese wurden in drei Klassen eingeteilt: Gesunde Bäume (0–25 % Entlaubung), gestresste Bäume (26–95 % Entlaubung) und abgestorbene Bäume (96–100 % Entlaubung). Eine vier- und fünfteilige Klassifizierung, vergleichbar mit dem Ansatz der Waldzustandserhebung, wurde zwar getestet, aber vor allem aufgrund einer zu geringen Anzahl an Beispieldaten zum Zeitpunkt der Projektfertigstellung verworfen. Die Kombina­tion der Schadstufen mit der Zuordnung der Hauptbaumarten ergab die finale Klasseneinteilung in insgesamt elf unterschiedliche Klassen.

Klassifizierung nach Baumarten

Grafik zeigt die Orthophotoausschnitte sowie dazugehörige Spektralsignaturen.Zoombild vorhanden

Abb. 2: Orthophotoausschnitte sowie dazugehörige Spektralsignaturen. (© LWF)
Abbildung 2 zeigt die spektralen Signaturen eines gesunden, eines kranken sowie eines abgestorbenen Baumes auf der Waldklimastation Ebersberg. Zu erkennen ist eine große Bandbreite im Wertespektrum sowie kein einheitlicher Verlauf der Signaturwerte, insbesondere bei Betrachtung der RGB-Bänder im optisch sichtbaren Wellenlängenspektrum. Die hier exemplarisch dargestellten Werte konnten dahingehend verallgemeinert werden, dass Zeitreihenbetrachtungen sehr wichtig erscheinen, um das mit Einzelaufnahmen verbundene Rauschen der Signaturwerte, welches auch abhängig ist von der Beleuchtungssituation der Aufnahme (Tageszeit/Bewölkung) zu minimieren und eine zutreffende Klassenzuordnung zu erzielen.
Die Graphen zeigen die Entwicklung des Vegetationsindex NDVI für die Schadstufen (SST, 0 bis 4) der terrestrischen WZE auf Einzelbaum­ebene.Zoombild vorhanden

Abb. 3: Die Graphen zeigen die Entwicklung des Vegetationsindex NDVI für die Schadstufen (SST, 0 bis 4) der terrestrischen WZE auf Einzelbaum­ebene. (© LWF)
Die statistische Auswertung der Daten der WZE-Punkte erfolgte für die Hauptbaumarten(gruppen) Fichte, Kiefer, Tanne, Buche und Eiche (Quercus spec). Auf Einzelbaumebene wurden jeweils mehrere Vegetationsindizes (NDVI, NDVRI, GRVI, NDRE) berechnet. Diese sind weniger empfindlich gegenüber wechselnden Beleuchtungsbedingungen, da sie relative Unterschiede in der Reflexion nutzen und so Lichtschwankungen besser ausgleichen können. Dies erweist sich insbesondere bei Anwendung auf Zeitreihendatensätze als vorteilhaft, da unterschiedliche Aufnahmezeitpunkte dadurch zuverlässiger miteinander verglichen werden können. Über alle betrachteten Baumarten(gruppen) hinweg konnte festgestellt werden, dass die Index­werte der Vegetationsindizes eng mit den Schadstufen der terrestrischen Inventuren korrelieren und entsprechende Vitalitätsunterschiede aufzeigen, wobei die Korrelationen bei Fichte, Tanne und Buche stärker ausgeprägt waren als bei Kiefer und Eiche (Abbildung 3).
Unter Nutzung der hochaufgelösten UAV-Daten mit allen fünf Spektralbändern (R-G-B-RE-NIR) gelang es, die Baumarten Fichte, Tanne und Kiefer sowie Buche und Eiche mit sehr hoher Genauigkeit automatisch nach den Parametern Baumart und Vitalitätsstufe zu klassifizieren. Bei Berücksichtigung der Vitalitätsstufe konnten F1-scores zwischen 0,51 (Kiefer gesund) und 0,81 (Fichte gesund) erzielt werden (Abbildung 4). Abgestorbene Bäume konnten mit einem F1-score von 0,97 sehr treffgenau unterschieden werden. Bei Nichtberücksichtigung des Parameters Vitalität lagen die F1-Scores zwischen 0,77 (Tanne) und 0,95 (Fichte), was gute Klassifikationsergebnisse sind (Abbildung 5). Die Autoren verweisen auf Ecke et al., (2024) für detailliertere Einblicke zu den hier präsentierten Ergebnissen.
BezeichnungKlasseF1-ScoreVorkommen
Fichte gesund00.81338
Fichte gestresst10.60147
Kiefer gesund20.51107
Kiefer gestresst30.56166
Tanne gesund40.5819
Tanne gestresst50.5415
Buche gesund60.7376
Buche gestresst70.5444
Eiche gesund80.7361
Eiche gestresst90.5620
Tote Bäume100.9731
Mittelwert 0.651024

Abb. 4: F1-scores der artspezifischen Kronenzustandsklassifizierung (© Ecke et al., 2024)

BaumartF1-ScoreVorkommen
Fichte0.95450
Kiefer0.94254
Tanne0.7743
Buche0.87171
Eiche0.8584
Tote Bäume0.9722
Mittelwert0.891024

Abb. 5: F1-scores der Unterscheidung der
Baumarten (© Ecke et al., 2024)

Weiterentwicklung bis zur Praxisreife

Abbildung zeigt die Konfusionsmatrix zur Gegenüberstellung der CNN-basierten Klassifika­tion der Drohnenbilder.Zoombild vorhanden

Abb. 7: Konfusionsmatrix zur Gegenüberstellung der CNN-basierten Klassifika­tion der Drohnenbilder nach Baumart und Vitalitätsklasse mit den Werten gemäß der terrestrischen Waldzustandserhebung (© Ecke et al., 2024)
Die Befliegung der Punkte des WZE-Netzes wurde über die Projektlaufzeit hinaus in Bayern jährlich fortgesetzt und auf nahezu alle Punkte des WZE-Netzes in Bayern (inkl. dem Alpenraum) erweitert. Die bisher letzte Befliegung fand im Sommer 2024 statt. Zwischenzeitlich liegt für Bayern ein Datensatz vor, der für verschiedene digitalisierte Auswertungsansätze zur Ermittlung der Vitalität von Waldbäumen, aber auch zur Ermittlung von Forstinventurparametern im wissenschaftlichen Kontext Anwendung finden kann. Der Aufwand für die UAV-Befliegungen erwies sich als vergleichsweise gering, ist allerdings durch die wegfallende Sichtflugbefreiung für Behörden im Jahr 2022 deutlich gewachsen, da seither für Waldtrakte meist mehr als ein Start und eine Landung pro Trakt notwendig sind. Wünschenswert wäre eine Vereinfachung der rechtlichen Reglementierung für Flüge mit niedrigem „Ground Risk" über unbewohnten Waldflächen.

Die LWF plant eine Fortführung der Befliegungen des bayerischen WZE-Netzes, um den vorgestellten Ansatz weiter zu evaluieren und zur endgültigen Praxisreife zu entwickeln. Die wertvollen Zeitreihendaten stehen für weitergehende, wissenschaftliche Auswertungen mit lokalen Lageinformationen zur Verfügung.

Zusammenfassung

Mitarbeiter der LWF organisieren den Start eines Drohnenflugs.Zoombild vorhanden

Abb. 6: Mitarbeiter der LWF bei der begleitenden, jähr­lichen UAV-Befliegung der WZE-Punkte in Bayern. (© T. Hase, StMELF)
Im Rahmen des Projektes WZE-UAV wurde ein Ansatz entwickelt, um die Vitalität von Waldbäumen aus Drohnendaten anhand von Vegetationsindizes zu bestimmen. Das Verfahren wurde auf Einzelbaumebene für die gleichen Bäume der terrestrischen Waldzustandserhebung (WZE) durchgeführt und verglichen. Es hat sich gezeigt, dass bei Anwendung von hochaufgelösten Drohnendaten eine sehr genaue, automatisierte Baumarten(gruppen)klassifikation möglich ist. Bei Anwendung von drei Vitalitätsklassen (vital, geschädigt, abgestorben), konnten sehr gute Übereinstimmungen mit den Ergebnissen der terrestrischen WZE erzielt werden. Bei der Anwendung der übereinstimmenden Klassengrenzen der terrestrischen WZE waren die Abweichungen für die Klassen geschädigter Bäume groß und ließen keine exakte Unterscheidung zu. Der Ansatz wird seit 2020 kontinuierlich in Bayern angewendet und weiterhin, insbesondere durch Vergrößerung der Trainingsdatenbasis, verfeinert.

Literatur

  • dpa. Zustand der Wälder so schlecht wie seit Jahren nicht mehr. Süddeutsche Zeitung [Online], 2021. Available online: https://www.sueddeutsche.de/wissen/klima-zustand-der-waelder-so-schlecht-wie-seit-jahren-nicht-mehr-dpa.urn-newsml-dpa-com-20090101-210224-99-574314 (accessed on 30 September 2024).
  • DWD. Deutschlandwetter im Jahr 2023. Deutscher Wetterdienst [Online], 2023. Available online: https://www.dwd.de/DE/presse/pressemitteilungen/DE/2023/20231229_deutschlandwetter_jahr2023_news.html#:~:text=Bayern%3A%20Im%20w%C3%A4rmsten%20Jahr%202023,die%20Temperaturen%20vielerorts%20neue%20Januarrekorde. (accessed on 10 October 2024).
  • Dainelli, R.; Toscano, P.; Di Gennaro, S.F.; Matese, A. Recent Advances in Unmanned Aerial Vehicles Forest Remote Sensing—A Systematic Review. Part II: Research Applications. Forests 2021, 12, 397, doi:10.3390/f12040397.
  • Ecke, S.; Dempewolf, J.; Frey, J.; Schwaller, A.; Endres, E.; Klemmt, H.-J.; Tiede, D.; Seifert, T. UAV-Based Forest Health Monitoring: A Systematic Review. Remote Sensing 2022, 14, 3205, doi:10.3390/rs14133205.
  • Stehr, F. Findatree; https://github.com/FlorianStehr/findatree, 2023.
  • Mingxing Tan; Quoc Le. EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. Int. Conf. Mach. Learn. 2019, 6105–6114.
  • Ecke, S.; Stehr, F.; Frey, J.; Tiede, D.; Dempewolf, J.; Klemmt, H.-J.; Endres, E.; Seifert, T. Towards operational UAV-based forest health monitoring: Species identification and crown condition assessment by means of deep learning. Computers and Electronics in Agriculture 2024, 219, 108785.

Beitrag zum Ausdrucken

Weiterführende Informationen

Autoren

  • Dr. Simon Ecke
  • Jan Dempewolf
  • Dr. Ewald Endres
  • Dr. Thomas Seifert
  • Hans-Joachim Klemmt