Objektbasierte Einzelbaumdetektion in urbanen Gebieten auf Grundlage von Orthophotos aus OpenData

Diese in Kooperation mit der Forschungsgruppe „Stadt und Gesellschaft“ des Deutschen Zentrum für Luft- und Raumfahrt (DLR) entstandene Masterarbeit untersuchte die automatisierte Detektion von Einzelbäumen in städtischen Gebieten mithilfe moderner KI-basierter Objekterkennungsmethoden. Ziel war es, ein Verfahren zu entwickeln, das Einzelbäume auf hochauflösenden Orthophotos zuverlässig identifiziert und dabei schnell und robust genug ist, um große Stadtflächen effizient auszuwerten.

Als Datengrundlage dienten frei verfügbare Geodaten (DOP20-RGB, DOM20 und DGM1) der fünf bevölkerungsreichsten bayerischen Städte aus dem Open-Data-Angebot des Bayerischen Landesamts für Digitalisierung, Breitband und Vermessung (LDBV). Um eine ausgewogene Repräsentation unterschiedlicher städtischer Strukturen zu gewährleisten, wurde der europäische Urban Atlas verwendet. Dadurch konnten typische urbane Landschaftsszenen – etwa dicht bebaute Innenstädte, Wohngebiete mittlerer Dichte und Gewerbeareale gezielt in den Datensatz integriert werden. Das anschließende Annotieren von ca. 38‘000 Einzelbäumen erfolgte halbautomatisch.

Für die Baumdetektion wurden die drei Architekturen YOLOv11, YOLOv12 und RT-DETR in allen verfügbaren Modellgrößen getestet. Dadurch konnte der Einfluss der Modellkomplexität auf die Trainingszeit, die Erkennungsleistung und die Inferenzgeschwindigkeit systematisch untersucht werden. Das Modell YOLOv12m stellte dabei den besten Kompromiss aus Genauigkeit und Geschwindigkeit dar und wurde anschließend für die praktische Anwendung auf unbekannten Testdaten verwendet. Herauszustellen ist die hohe Robustheit des Ansatzes und die Möglichkeit der Anwendung der trainierten Architektur auf unterschiedliche urbane Strukturen. In der Anwendung von YOLOv12m auf neue, dem Modell unbekannte, Szenen konnte eine hohe Detektionsleistung erzielt werden, insbesondere in stark versiegelten Innenstadtbereichen. Probleme verbleiben lediglich bei dicht stehenden Baumgruppen.

Die Ergebnisse zeigen, dass eine schnelle, verlässliche und großflächige Erfassung von Baumstandorten aus frei verfügbaren Geodaten des LDBV möglich ist. Durch die Erweiterung des Datensatzes auf ebenfalls frei verfügbare Farbinfrarotbilder (DOP20-CIR) und Laserdaten, sowie die Verwendung räumlich noch höher aufgelöster Orthophotos könnte die Genauigkeit künftig weiter gesteigert werden. Aufgrund der geringen Rechenzeit könnte sich die Methode besonders für die regelmäßige Aktualisierung kommunaler Baumkataster und die datenbasierte Identifikation potenzieller Pflanzstandorte eignen.