Steckbrief KIHBA
| Name | Künstliche Intelligenz für hochaufgelöste Baumartenerkennung – KIHBA |
| Funktion | Hauptziel ist die Entwicklung eines Modells zur automatisierten Erkennung der Hauptbaumarten. Das KI-Tool dient der Erstellung einer hochaufgelösten Baumartenkarte zur Unterstützung der Klimaanpassung, Waldüberwachung und Beratung für die Forstwirtschaft. |
| Technologie | Deep Learning mit Convolutional Neural Networks (CNNs), spezifiziert auf U-Net Architekturen für semantische Segmentierung Bildverarbeitung basierend auf True-Orthophotos (tDOP) |
| Einsatzbereiche | Bereiche: Waldgebiete zur detaillierten Erfassung der Baumarten Regionen: Bayern |
| Datenquellen | True-Orthophotos (tDOP) mit 0,2 m Auflösung und 4 Spektralkanälen Ergänzende terrestrische Daten, wie die Bundeswaldinventur und Waldzustandserhebung sowie Drohnendaten zur Erzeugung eines Labeldatensatzes |
| Funktionsweise und Algorithmen | Convolutional Neural Networks mit Schwerpunkt auf U-Net für die pixelgenaue Klassifizierung Nutzung von Bildaugmentierung und zusätzlicher Baumhöheninformation zur Verbesserung der Modellrobustheit |
| Ergebnis / Output | Datensätze für ausgewählte Gebiete zur Baumartenverteilung Unterscheidung zwischen Laub- und Nadelhölzern zeigte bessere Ergebnisse als für die Hauptbaumarten |
| Vorteile | Flächige Baumartenverteilung gegenüber traditionellen punktuellen Feldmethoden Nützlich für großflächiges, detailliertes Waldmonitoring Flächenscharfe, räumliche Verteilung der Baumarten |
| Zielgruppe | Forstbehörden, Wissenschaftler*innen, Anwender benötigen Kenntnisse in der Bildanalyse und Nutzung von Fernerkundungsdaten |
| Projekte / Referenzen | Projekt Künstliche Intelligenz für hochaufgelöste Baumartenerkennung – KIHBA, durchgeführt in Kooperation mit der IABG mbH und gefördert durch das Bundesministerium für Wirtschaft und Technologie-von 01.05.2021 bis 31.01.2024 Wallner, A.; Günster, S.; Schauer, P.; Schmeitzner, N.; Felten, B., Polepally, R. (2023): Mit künstlicher Intelligenz Baumarten erkennen, LWF aktuell, Ausgabe 139 Felten, B.; Günster, S.; Schauer, P.; Schmeitzner, N.; Seitz, R.; Wallner, A. (2024): KIHBA – Mit künstlicher Intelligenz Baumarten erkennen, LWF aktuell, Ausgabe 144 |
| Kosten | Auf Anfrage |
| Nutzungserfahrungen | Expertentool, kein Nutzerfeedback |
| Risiken und Schwächen | Übertragbarkeit auf neues Gebiet muss im Einzelfall geprüft werden Abhängigkeit von hoher Bildauflösung und Bildqualität Schwierigkeiten aufgrund der räumlichen Auflösung von 20 cm in der Unterscheidung innerhalb der Laubholzarten, da diese spektral und strukturell sehr ähnlich sind Technische Voraussetzungen wie Graphikkarte, hohe Rechenleistung |
| Zukunftsperspektiven / Weiterentwicklung | Modelloptimierung für bessere Unterscheidung der Baumarten notwendig |
| Verfügbarkeit und Kontakt | Bayerische Landesanstalt für Wald und Forstwirtschaft – LWF poststelle@lwf.bayern.de URL: www.lwf.bayern.de Hans-Carl-von-Carlowitz-Platz 1 85354 Freising Industrieanlagen-Betriebsgesellschaft – IABG forst@iabg.de URL: www.iabg.de Industrieanlagen-Betriebsgesellschaft mbH Abt. Geospatial Solutions Hermann-Reichelt-Straße 3 01109 Dresden |
