Borkenkäferbefall auf Luftbildern kartieren

Um die Ausbreitung des Borkenkäfers zu bremsen, müssen befallene Bestände gefunden werden, bevor sie sich weiter ausbreiten. Kartierung und Überwachung sind die Voraussetzung für jede Gegenmaßnahme.

Manuell ist das bei den betroffenen Flächengrößen nicht leistbar. Und der Zeitfaktor ist entscheidend: Eine Kartierung, die eine Saison zu spät fertig wird, dokumentiert einen Schaden, anstatt ihn zu verhindern.

Luftbilder eines Waldgebiets im Harz mit einer Fläche von etwa 25 Hektar. Die Bilder sind geokodiert, liegen als RGBI-Aufnahmen vor und haben eine räumliche Auflösung von 0,2 Metern.

Auf einem Teil des Gebiets wurden Trainingsdaten erzeugt, indem abgestorbene Bäume gelabelt wurden. Das daraus trainierte Modell wurde anschließend auf die Gesamtfläche angewandt – ein Vorgehen, das den Annotationsaufwand auf einen Bruchteil der Fläche begrenzt.

Der Grünbefall ist auf RGB nicht sichtbar. Borkenkäferbefall verläuft in Stadien. Im initialen Grünbefallsstadium sind befallene Bäume auf RGB-Bildern nicht klar von gesunden zu unterscheiden – zu einem Zeitpunkt also, an dem eine Gegenmaßnahme am wirksamsten wäre. Das Modell erkennt zuverlässig abgestorbene Bäume; die Früherkennung ist mit diesen Daten methodisch nicht möglich.

Menge der Trainingsdaten. Für optimale Ergebnisse braucht das Modelltraining eine große Menge annotierter Waldfläche.

Fehlende historische Daten. Aufnahmen desselben Gebiets aus früheren Jahren lagen nicht vor. Sie hätten zeigen können, wo der Befall begann und wie er sich ausbreitete – die Information, aus der sich Ausbreitungsmuster ableiten lassen.

Neuronales Netz mit Fast-R-CNN-Architektur. Für die Erkennung abgestorbener Bäume kam ein Objekterkennungsmodell dieser Architektur zum Einsatz.

Annotation und Training in einer Umgebung. Die Trainingsdaten wurden mit den Funktionen von ArcGIS Pro erstellt; für Datenaufbereitung, Modelltraining und Verarbeitung diente das Python-Modul arcgis.learn. Der Vorteil dieses Aufbaus: Annotation, Training und die räumliche Auswertung liegen in derselben Umgebung, ohne Datenexporte zwischen Werkzeugen.

Ergebnisse als räumliche Auswertung, nicht als Zahlenliste. Über Heatmaps in ArcGIS Pro werden Befalls-Hotspots unmittelbar sichtbar, und die Ausbreitung über mehrere Jahre lässt sich einfach visualisieren – die Form, in der ein Forstbetrieb eine solche Auswertung auch nutzen kann.

Das trainierte Modell erreichte 98,6 % Recall bezogen auf die Trainingslabels auf den Testdatenbildern. Damit lassen sich große Waldflächen schnell und zuverlässig analysieren und die Überwachung des Waldzustands unterstützen.

Das Modell ist auf die spezifischen Wald- und Bilddaten optimiert. Für ein übertragbares Modell können Trainingsdaten aus anderen Waldgebieten ergänzt werden; alternativ lässt sich dieselbe Pipeline nutzen, um gebietsspezifische Modelle zu trainieren. Genau darin liegt der Wert des Ansatzes: Nicht das einzelne Modell ist das Ergebnis, sondern eine wiederverwendbare Pipeline.

Objekterkennung auf hochauflösenden Luftbildern mit räumlicher Auswertung im Anschluss trägt weit über den Borkenkäfer hinaus: Baumartenkartierung, Sturmschadenserfassung, Vitalitätsmonitoring, Erfassung von Infrastruktur in der Fläche.

Die entscheidende Schwäche dieses Projekts lässt sich heute adressieren. Für die Früherkennung des Grünbefalls sind RGB-Daten das falsche Werkzeug – multispektrale Sensoren mit Red-Edge-Kanal und Thermalaufnahmen zeigen Vitalitätsverlust, bevor er im sichtbaren Bereich auftritt. Das damals fehlende historische Material ist inzwischen ebenfalls verfügbar: Über die Sentinel-2-Archive lassen sich Zeitreihen mehrere Jahre zurück rekonstruieren, wodurch Befallsbeginn und Ausbreitungsrichtung nachträglich analysierbar werden. Bei der Erkennung selbst treten modernere Detektorarchitekturen an die Stelle von Fast R-CNN, und die Annotation lässt sich durch vorsegmentierende Modelle deutlich beschleunigen. Die Verarbeitung würden wir heute cloud-nativ aufsetzen – Cloud-Optimized GeoTIFF mit STAC-Katalogisierung –, was den Sprung von 25 Hektar auf einen Forstbetrieb erst praktikabel macht. Und der Skalierungsansatz wäre ein anderer: Drohne oder Befliegung für die Genauigkeit, Satellitenzeitreihe für die Fläche.