Leibniz Universität Hannover zur zentralen Website
Konstruktiver Ingenieurbau
Wasser und Umwelt
Geodäsie und Geoinformatik
Weitere Einrichtungen
Kontakt

Wald-Monitoring mit Satelliten und Künstlicher Intelligenz

GeoWerkstatt-Projekt des Monats Februar 2023

Projekt: ForstCARe: Forstwirtschaftlicher Copernicus-basierter Assistenzdienst –Reduktion des Referenzdatenbedarfs mittels Künstlicher Intelligenz (KI)

Team: Dennis Wittich, Franz Rottensteiner, Christian Heipke

Projektidee: Entwicklung eines forstwirtschaftlichen Assistenzsystems unter Nutzung innovativer KI-Verfahren

Dürre, Stürme, Schädlinge – vielen Wälder geht es nicht gut. Hier setzt das Projekt ForstCARe an: Ein forstwirtschaftliches Assistenzsystem soll künftig helfen, klimabedingte Waldschäden, illegale Rodungen und Probleme bei Wiederaufforstungen frühzeitig zu erkennen. Dabei kommen innovative Verfahren der künstlichen Intelligenz sowie das europäische Erdbeobachtungssystem Copernicus zum Einsatz. Erste innovative Lösungsansätze wurden schon entwickelt.  

Egal ob Schädlinge oder Rodungen den Wald beeinträchtigen: Wichtig ist für die Forstwirtschaft und Forstverwaltung, dass die Daten und die Analyse der Daten möglichst schnell vorliegen. So können Waldbesitzer und Forstverwaltungen illegale Rodungen frühzeitig erkennen und weitere Rodungen stoppen oder von Schädlingen befallene Bestände umgehend entfernen. Damit ein forstwirtschaftliches Assistenzsystem die Daten der Satelliten und anderen Messinstrumente von Copernicus schnell und erfolgreich für dieses Anwendungsgebiet nutzen kann, sind neuartige KI-Ansätze nötig, die zwei entscheidende Herausforderungen bewältigen:

(a) Zum einen fehlen repräsentative Daten in der notwendigen Menge und Qualität, um die KI zu trainieren. Die Lösung sind neuartige Techniken des Transferlernens, die mit fehlerbehafteten Trainingsdaten umgehen können: Bei der Domänenadaption geht es darum, die Methode anzupassen, mit der Objekte in Klassen eingeteilt werden. Ein solcher Klassifikator kann mit der Domänenadaption an veränderte Merkmalsverteilungen in räumlicher und zeitlicher Dimension angepasst werden. Label Noise tolerante Verfahren hingegen können fehlerhafte Trainingsdaten erkennen und verwerfen oder transformieren die Trainingsdaten für die weitere Nutzung in eine geeignete Form.

(b)Zum anderen stehen geeignete Sensordaten nicht immer zeitnah zur Verfügung – wenn nämlich Wolken den Copernicus-Satelliten und anderen Messinstrumenten die Sicht auf die Wälder verstellen. Das ist insbesondere nach Stürmen sowie in den Tropen und in anderen bewölkungsreichen Regionen der Fall. Die fehlenden optischen Daten könnten aus Radardaten mittels Generative Adversarial Networks (GANs) simuliert werden.

Im Rahmen von ForstCARe sind bereits mehrere innovative Lösungsansätze  entwickelt worden: Eine Methode beschäftigt sich mit der Früherkennung von Schäden in Waldbeständen, was von besonderem Interesse für die Forstwirtschaft und -verwaltung ist. Hierzu wurde ein Klassifikator mittels „Deep Learning“ trainiert, stehendes Totholz und gerodete Waldflächen in Satellitenbild-Paaren zu erkennen. Als Trainingsdaten dienten die Vorhersagen (Prädiktionen) eines bestehenden halbautomatisierten Systems. In der Abbildung sind beispielhaft solche Prädiktionen des trainierten Klassifikators dargestellt. So konnten im Anschluss automatisch Karten erstellt werden, die den Vitalitätszustand großer Waldbestände über den Zeitraum von 2016 bis 2021 dokumentieren. Basierend auf diesen Karten konnte wiederum ein weiteres Neuronales Netz trainiert werden. Dieses Neuronale Netz kann anhand von Satellitendaten einschätzen, ob eine Waldfläche in naher Zukunft sehr wahrscheinlich von einem Schaden befallen sein wird. Obwohl dieses Modell mit Daten aus der Vergangenheit trainiert wurde, kann es genutzt werden, um auch in neuen Satellitenbildern gefährdete Waldbereiche zu identifizieren. Somit kann es Forstbetrieben frühzeitig Hinweise darauf liefern, wo beispielsweise der Borkenkäferbefall bekämpft werden sollte.

© IPI
BEISPIEL FÜR DIE AUTOMATISCHE PRÄDIKTION VON SCHADENSFLÄCHEN ANHAND VON SATELLITENBILDERN: DIE LINKEN BILDER ZEIGEN DIE GLEICHE SZENE IN VERSCHIEDENEN JAHREN, AUFGENOMMEN VON EINEM SENTINEL-2-SATELLITEN. DIE LOKALEN BEHÖRDEN SIND DARAN INTERESSIERT, TOTE BÄUME UND KAHLSCHLÄGE IN DEM SPÄTEREN BILD ZU LOKALISIEREN. DAS RECHTE BILD ZEIGT DIE VORHERSAGE SOLCHER GEBIETE DURCH EIN NEURONALES NETZ, DAS IM RAHMEN DIESES PROJEKTS ENTWICKELT WURDE. SOLCHE ERGEBNISSE KÖNNEN DEN BEHÖRDEN HELFEN, DEN MANUELLEN ARBEITSAUFWAND ZU VERRINGERN.

Dieses Projekt wird in Kooperation mit der EFTAS Fernerkundung Technologietransfer GmbH durchgeführt und vom Bundesamt für Wirtschaft und Klimaschutz gefördert.