Wald5Dplus & beyond: Pionierarbeit in der Waldvermessung

Unsere wissenschaftliche Mitarbeiterin Sarah Hauser (M. Sc.) aus dem Labor für Photogrammetrie und Fernerkundung präsentiert mit dem innovativen Projekt Wald5Dplus einen Durchbruch in der Erfassung von Waldgebieten. Fortschrittliche Technologien und interdisziplinäre Zusammenarbeit definieren diesen Ansatz und etablieren neue Maßstäbe in der Vermessung natürlicher Ressourcen. Der Kern von Wald5Dplus besteht in der Verarbeitung und Analyse von Satellitenbildern und hochauflösenden Luftaufnahmen durch maschinelles Lernen.

Die Methodik: Vom Satellitenbild zum Waldprofil

Aus der Luft „gelesen“ - Als revolutionäre Methode zur Waldanalyse nutzen das Forschungsteam unter Leitung von Prof. Dr. Andreas Schmitt und Prof. Dr. Peter Krzystek die Daten der Sentinel-1- und 2 Satelliten der ESA und kombinieren sie mit detaillierten Luft-LiDAR-Daten, um präzise Kartierungen zu ermöglichen. Die synergetische Fusion von Sentinel-1, einem Radar-Satelliten, der unbeeinträchtigt von Wetterbedingungen präzise Strukturdaten liefert, mit Sentinel-2, einem optischen Satelliten, der spektralen Nuancen der Vegetation erfasst, enthüllt in ihrer Kombination ein umfassendes und facettenreiches Bild der Waldökosysteme. Bei Feldbegehungen gesammelte Daten ergänzen die Informationen aus dem Orbit und führen zu einem detailgetreuen Abbild der Waldbestände. Das Erstellen eines umfangreichen offenen Benchmark-Datensatzes für mitteleuropäische Wälder stellt einen Meilenstein in der Landschaftsquantifizierung dar. Den Forschenden gelang es, aus Sentinel-1 und-2-Aufnahmen einen analytischen „Datenwürfel“ mit 512 Kanälen (sog. Features oder Prädiktorvariablen) pro Jahr auf einem 10 m UTM-Gitter aufzubauen, der Einblicke in die Zusammensetzung und Dynamik von Waldflächen bietet - eine grundlegende Arbeit für die Entwicklung und Validierung effektiver KI-Modelle.

Vom Pixel zum Blatt: Machine Learning entschlüsselt den Wald

Datenwald durchforstet - Die eingehenden Satellitenbilder werden zusammengeführt und mittels Random-Forest-Regression, einer Methode des maschinellen Lernens, analysiert, um essentielle Waldcharakteristika wie Baumzahl, Kronenfläche, Baumarten und vieles mehr zu identifizieren zu klassifizieren (Abbildungen 1 und 2). Die Skalierbarkeit und Präzision dieses Ansatzes bieten eine einzigartige Einsicht in die Zusammenstellung und Veränderung der Bodenbedeckung.

Grenzen überschritten: Von München in die Welt

Wald5Dplus wurde von Frau Hauser bereits auf zahlreichen renommierten Konferenzen und Symposien präsentiert. Äußerst positive Resonanz erhielten Poster und Vorträge beim European Space Agency Living Planet Symposium in Bonn, ForestSAT in Berlin, dem International Symposium on Remote Sensing of Environment in Antalya sowie beim DLR EO-Symposium und der IEEE International Geoscience and Remote Sensing Symposium (IGARSS 2023) in Pasadena, USA.

Zugänglichkeit für Forschung und Praxis

Durch die Schaffung eines Benchmark-Datensatzes für die KI-basierte Fernerkundung ist es dem Forschungsteam gelungen, einen wichtigen Beitrag für die Ökosystemüberwachung und -bewertung zu leisten. Durch eine umfassende Validierung wurde die hohe Qualität und Aussagekraft des Datensatzes bestätigt, welcher nun frei auf Zenodo.org verfügbar ist: https://zenodo.org/records/10848838

Kontinuierliche Forschung und akademische Exzellenz

Die fortlaufende Bedeutung des Projekts zeigt sich in der fundierten Bachelorarbeit von Michael Ruhhammer unter der Leitung von Andreas Schmitt und Sarah Hauser, die aufbauend auf Wald5Dplus, die Prädiktion von Waldparametern mittels dual-frequency polarimetric SAR-Daten untersuchte. Die Ergebnisse betonen die Wichtigkeit und Anwendbarkeit des Datensatzes für zukünftige Forschungsarbeiten und wurden auf dem TerraSAR-X / TanDEM-X Science Team Meeting als Poster sowie auf der diesjährigen EUSAR als Vortrag vorgestellt und zudem in den Conference Proceedings veröffentlicht wird. Weitere studentische Projekte auf Basis von Wald5Dplus sind bereits in Bearbeitung.

Die Wald5Dplus-Initiative setzt neue Standards, indem sie umfangreiche und präzise Daten für die KI-gestützte Fernerkundung liefert. Die Ergebnisse dienen als robuste Basis für die Entwicklung fortschrittlicher Lösungen in Waldvermessung und Ökosystemanalyse, um Herausforderungen im Zusammenhang mit dem Klimawandel und anderen ökologischen Fragestellungen wirkungsvoll zu begegnen.

Wir danken allen Projektbeteiligten, insbesondere den Partnern vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) und der Nationalparkverwaltung Bayerischer Wald, deren Mitwirkung für den Erfolg dieses Vorhabens unentbehrlich war. Das Projekt wurde vom Bundesministerium für Wirtschaft und Klimaschutz gefördert.