LWF aktuell 154
Kronenschäden im Wald – mit KI und Fernerkundung zur großflächigen Erkennung
von Javier Gonzalez, Adelheid Wallner

Um diesen Bedarf zu decken, erforscht ForstEO den Einsatz von KI-Verfahren zur automatisierten, hochaufgelösten und flächendeckenden Erfassung von Kronenschäden an Laubbäumen. Dabei liegt der Fokus auf Methoden des »Deep Learnings (DL)«, welche auf tiefen, künstlichen neuronalen Netzen (Goodfellow et al. 2016) basieren.

Im Speziellen wurden CNN (Convolutional Neural Networks, LeCun et al. 2015) verwendet, die eine Objektabgrenzung sowohl mit spektralen Informationen als auch die Strukturmerkmale der Baumkrone nutzen. Hierbei wird das Ziel verfolgt, robuste und übertragbare Modelle zu entwickeln, die möglichst ohne weiteres Training auf neue Bilddaten gleicher räumlicher und spektraler Auflösung mit unterschiedlichen Beleuchtungsverhältnissen und Aufnahmezeitpunkten übertragen werden können. Dadurch wird es uns möglich sein, Kronenschäden in anderen Regionen und Zeiträumen ohne größeren Aufwand erfassen zu können und die geschädigten Waldbereiche der Forstpraxis über das Bayerische Waldinformationssystem (BayWIS) zur Verfügung zu stellen.

Abb. 1: Beispiele abgestorbener Individuen von Buche (a), Eiche (b), Kiefer (c) und Fichte (d) (© J. Gonzalez, E. Reinosch; LWF)

Zur Erfassung von Schäden auf Einzelbaum- oder Baumgruppenebene wurden Luftbilder verwendet. Die Bilddaten stammen aus Luftbildbefliegungen der LWF sowie aus amtlichen Befliegungen der bayerischen Vermessungsverwaltung (LDBV) mit 0,2 m räumlicher Auflösung in RGBI-Farbkanälen (Rot, Grün, Blau und nahes Infrarot). Die Abdeckung der Untersuchungsgebiete basiert auf einer Vielzahl von Bildflügen (Abbildung 2), die jeweils zwischen Mai und September in den Jahren 2019 bis 2023 durchgeführt wurden. Dabei kam es aufgrund unterschiedlicher Beleuchtungsverhältnisse durch Sonnenstand und Schattenwurf sowie verschiedener phänologischer Vegetationsstadien wie Blüte oder Herbstlaubverfärbung zu starken Inhomogenitäten im Bildmaterial.

Abb. 2.: Datengrundlage für die erstellten Trainings- und Validierungsdaten sowie der verwendete Datensatz zur Übertragung der Modelle

Insgesamt wurden vier Bilddatensätze (Abbildung 2) von zwei Untersuchungsgebieten zur Erstellung von Referenzdaten (Trainings- und Validierungsdaten) berücksichtigt (Gonzalez & Wallner 2025). Die Untersuchungsgebiete Waldbrunn (Fläche: 125 km²) und Ebrach (Fläche: 50 km²) liegen in Nordbayern, einer Region, die in den letzten Jahren stark von Trockenheit betroffen war (Straub et al. 2021). Dort befinden sich sowohl einzelne geschädigte Bäume als auch größere, zusammenhängende geschädigte Baumgruppen. Seit 2018 wurden erhebliche Schäden an Buche, Eiche, Kiefer und Fichte (Abbildung 1) festgestellt. Davon sind Laubbäume mit 84 % die häufigste Schadklasse in den Untersuchungsgebieten.

Damit robuste Modelle erzeugt werden können, ist für jede Kategorie eine ausreichend große Anzahl an qualitativ hochwertigen Referenzdaten aus Luftbildern unterschiedlichster Datenqualität und Aufnahmezeitpunkte zum Training eines DL-Klassifikationsmodells erforderlich. Für die Erzeugung des Referenzdatensatzes ist es notwendig, einen Luftbildinterpretationsschlüssel zur Abgrenzung der gewählten Kategorien zu erstellen. Bei der manuellen Erfassung der Kronenschäden wird die Gestalt und Form der Krone nach der VDI-Richtlinie 1993 betrachtet. Der Fokus lag dabei auf stehendem Totholz. Als Totholz wird holziges Material wie Stämme, Äste oder Zweige, die abgestorben sind, aber weitgehend die ursprüngliche Gestalt und Struktur beibehalten haben, definiert (Mosing et al. 2024). Hierzu zählen Teile der Krone oder ganze Kronen.

DL-Methoden werden zunehmend für Klassifizierungsaufgaben eingesetzt. Bei der Verarbeitung von Bilddaten kommen speziell Varianten des CNN (LeCun et al. 2015) wie U-Net (Ronneberger et al. 2015) zum Einsatz. U-Net- Methoden eignen sich besonders gut zur Identifizierung und Abgrenzung von Objekten in Bildern, da sie Farbinformationen sowie räumliche Strukturen der Objekte verwenden können. Außerdem bietet U-Net die sogenannte Semantische Segmentierung, bei der jedes Pixel des Eingabebildes einer entsprechenden Zielklasse zugeordnet wird.

Die KI-Modelle für die drei Kategorien wurden anhand der erzeugten Referenzdaten aus allen Jahren erstellt. Für die Validierung wurden die Modelle auf ein ausgewähltes Testgebiet innerhalb der Untersuchungsgebiete übertragen, die nicht für das Training verwendet wurden (Gonzalez & Wallner 2025). Zur Darstellung der Ergebnisse wird eine etablierte statistische Metrik, der F1-Score, verwendet. Der F1-Score bildet das harmonische Mittel aus Genauigkeit und Vollständigkeit und kombiniert damit diese beiden Maße in einer einzigen Metrik. Der Ergebniswert liegt zwischen 0 und 1, wobei höhere Werte besser sind.

Abb. 4: F1-Scores für die bewerteten Kategorien. Getestet wurden drei Kategorien: Kronenschäden an Bäumen, Schäden an Laub- und Nadelbäumen sowie Schäden an Laubbäumen, Kiefer und andere Nadelbäume. Die F1-Scores werden für die Testfläche im Luftbild 2019 dargestellt.

Um ihre Übertragbarkeit zu testen, wurde mit den Modellen ein unbekannter Bilddatensatz vom Juni 2019 (Abbildung 2) klassifiziert und ausgewertet. Abbildung 4 zeigt die erzielten F1-Scores für die getesteten Kategorien. Angesichts der hohen Heterogenität der verwendeten Bilddaten zeigen die F1-Werte gute Ergebnisse: Die Erfassung von Kronenschäden erreichte einen F1-Wert von 0,72. Die Trennung der Schäden in Laub- und Nadelbäume ergab etwas niedrigere F1-Werte von 0,67 bzw. 0,59. Bei der Aufteilung der Schäden in Laubbäume, Kiefer und andere Nadelbäume erreichten die F1-Werte unterschiedliche Güte (0,70, 0,64 bzw. 0,46). Nachbesserungsbedarf besteht jedoch noch in der Trennbarkeit von Kiefer zu anderen Nadelbäumen. Unsere Ergebnisse stimmen zudem mit den neuesten Studien von Cheng et al. (2024), Mosig et al. (2024), Möhring et al. (2025) und Schwarz et al. (2024) überein.

Ein robustes und übertragbares DL-Modell sollte gute Klassifizierungsergebnisse bei Verwendung unbekannten Bildmaterials liefern. Änderungen der Bildqualität und der Beleuchtungsverhältnisse im Bildinhalt könnten dabei eine Herausforderung darstellen.

Die Erkennung von fernerkundungssichtbaren Kronenschäden an Laubbäumen unter Verwendung von KI ist Forschungsschwerpunkt der LWF im Projekt ForstEO. Erste Ergebnisse haben vielversprechende F1-Scores für die Erkennung von Schäden gezeigt. Es bestehen jedoch sowohl technische als auch biotische Herausforderungen, wie beispielsweise unterschiedliche Lichtverhältnisse, inhomogene Bildqualität, verschiedene phänologische Zeitpunkte oder die Ausbildung einer Sekundärkrone. Diese Faktoren könnten einen Einfluss auf die Übertragbarkeit der Modelle haben. Zusätzlich sollten die Luftbilddaten die gleiche räumliche und spektrale Auflösung besitzen wie die Daten, mit denen das Modell trainiert wurde. Die aufgezeigten Herausforderungen könnten über eine höhere Auflösung verringert werden, was in zukünftigen Forschungsprojekten untersucht werden muss. Erst nach erfolgreicher Untersuchung der Methodik kann der Ansatz in die Praxis überführt und das Produkt über BayWIS der Forstpraxis zur Verfügung gestellt werden.