KI-basierte Totholzkartierung auf OpenData-Basis

Die in Kooperation mit dem Landesamt für Digitalisierung, Breitband und Vermessung (LDBV) entstandene Bachelorarbeit untersucht die automatische Kartierung von stehendem Totholz in verschiedenen Waldgebieten Bayerns und dem angrenzenden tschechischen Šumava-Nationalpark (Abb. 1) mithilfe künstlicher Intelligenz (KI). Ziel war es, die Möglichkeiten des Deep-Learning-Modells Mask R-CNN in Verbindung mit Farbinfrarot (CIR)-Orthofotos des LDBV für diese Aufgabe zu evaluieren.

Für die Untersuchung wurden die CIR-Orthofotos für die Verarbeitung mit dem neuronalen Netz Mask R-CNN im Framework Detectron2 vorbereitet. Die Rasterdaten wurden gekachelt, Totholz manuell annotiert (Abb. 2) und in das COCO-Format konvertiert, um das Training des Netzwerks zu ermöglichen. In verschiedenen Testgebieten zeigten sich deutliche Unterschiede in der Leistungsfähigkeit des Modells, wobei im Testgebiet Berchtesgaden die besten und im Spessart die schlechtesten quantitativen Ergebnisse erzielt wurden (Abb. 3). Die qualitative Auswertung unterstreicht das Potenzial der verwendeten KI-basierten Methode zur Detektionen von stehendem Totholz (Abb. 4).

Zusammenfassend lässt sich festhalten, dass der Einsatz von Mask R-CNN auf OpenData des LDBV vielversprechende Ergebnisse für die automatisierte flächenhafte Totholzerkennung auf Einzelbaumebene liefert, die jedoch durch Anpassung der Modell- und insbesondere der Trainingsdaten noch verbessert werden können. Zukünftige Forschungsarbeiten sollten sich auf die weitere Verbesserung der Modellleistung und die Anwendbarkeit auf verschiedene Waldtypen konzentrieren.