Steckbrief Wald5Dplus
| Name | Wald5Dplus – Ein KI-Benchmark-Datensatz für die kombinierte spektrale, polarimetrische und zeitliche Erfassung von Waldbeständen mittels Sentinel-1& -2 |
| Funktion | Trainieren, Validieren und Vergleichen von Algorithmen des maschinellen Lernens |
| Technologie | Datenfusion auf hyperkomplexen Basen, GapFilling, Maschinelles Lernen, Einzelbaumsegmentierung, UAV, Fernerkundungssatelliten Sentinel-1&-2 |
| Einsatzbereiche | Mitteleuropäische Wälder (Referenzdaten aus dem Nationalpark Bayerischer Wald, Steigerwald und Kranzberger Forst) Beitrag für Ökosystemüberwachung und –bewertung, Chance für Forstwirtschaft und Umweltschutz durch kontinuierliches und flächendeckendes Waldmonitoring aus dem All |
| Datenquellen | Satellitenbildzeitreihen (Sentinel-1 [Radar] und Sentinel-2 [optisch] der ESA) hochauflösende Luftaufnahmen (LiDAR und multispektral), ergänzt durch Felddaten |
| Funktionsweise und Algorithmen | Datensatz plus Software inklusive vortrainierter Modelle zum Transfer auf Basis von Jupyter-Notebooks und SNAP der ESA An Open Benchmark Dataset for Forest Characterization from Sentinel-1 and -2 Time Series https://doi.org/10.3390/rs16030488 |
| Ergebnis / Output | 3,2 Millionen Samples mit EO Features über zwei Jahre (2020+2021) und Baumstruktur-Labels |
| Vorteile | Hohe Qualität der EO Features, konsistenter Labellingprozess, aggregierte kontinuierliche Labels, Übertragbarkeit ermöglicht Training von KI-Algorithmen für Waldanwendungen Flächendeckende, zeitnahe und kostengünstige Erfassung von Waldstrukturparametern |
| Zielgruppe | Wissenschaftler*innen und Forstbehörden Anforderungen: Grundkenntnisse in GIS, Bedienung von Jupyter-Notebooks (Anleitung beigefügt) |
| Projekte / Referenzen | Forest Parameter Prediction Based on Spaceborne Dualfrequency PolSAR https://geo.hm.edu/projekte_de/projekt_detailseite_5760.de.html Forest Parameter Estimation from Dual-Frequency Polarimetric SAR https://ieeexplore.ieee.org/abstract/document/10659512 Auf der Spur des Borkenkäfers im Satellitenbild https://geo.hm.edu/projekte_de/projekt_detailseite_9408.de.html Erkennung von Waldschäden anhand von Satellitenbildern mittels (un)überwachter Klassifikatoren https://geo.hm.edu/projekte_de/projekt_detailseite_13568.de.html |
| Kosten | Frei zugänglicher Benchmark-Datensatz unter https://zenodo.org/records/10848838 |
| Nutzungserfahrungen | – |
| Risiken und Schwächen | Keine fortlaufende Aktualisierung des Datensatzes |
| Zukunftsperspektiven / Weiterentwicklung | Version 2 in Vorbereitung |
| Verfügbarkeit und Kontakt | Hochschule München, Fakultät für Geoinformation, IAMLIS (Institut für Anwendungen des maschinellen Lernens und intelligenter Systeme) Sarah Hauser (M.Sc.), sarah.hauser@hm.edu Prof. Dr.-Ing. Andreas Schmitt, andreas.schmitt@hm.edu Prof. Dr.-Ing. Peter Krzystek, peter.krzystek@hm.edu https://hm.edu/aktuelles/news/news_detailseite_404992.de.html |
