Project Description

Borkenkäfer auf Rinde Zoom

Erkennung von Borkenkäferbefall mit ArcGIS Pro

Projektziel

Borkenkäferangriffe zerstören weite Teile der Wälder und wurden zu einer ernsthaften Bedrohung für die Waldökosysteme. Dadurch entstehen der Forst- und Holzwirtschaft Schäden in Millionenhöhe. Die Kartierung und Überwachung befallener Bäume hilft Gegenmaßnahmen zu ergreifen, um die Ausbreitung der Käfer zu verhindern. Dieser Anwendungsfall stellt einen skalierbaren Ansatz zum Training und zur Anwendung von neuronalen Netzen in ArcGIS Pro dar, um abgestorbene Bäume in Gebieten mit Borkenkäferbefall automatisch zu erkennen und zu kartieren.

bark beetle trees

Verwendetes Dataset

Die Luftbilder decken eine Fläche von ca. 25ha eines Waldes im Harz ab. Die RGBI-Bilder sind geokodiert und besitzen eine räumliche Auflösung von 0,2m. Auf einem Teil des Gebietes wurden Trainingsdaten generiert, um ein Modell zu trainieren und das gesamte Gebiet damit zu prozessieren. Auf den Trainingsdaten wurden tote Bäume gelabelt. Für das Modelltraining wurde die native Pipeline für Deep Learning in ArcGIS Pro verwendet.

Herausforderungen

Das Modelltraining benötigt eine große Menge an Trainingsdaten der Waldfläche, um optimale Ergebnisse zu erzielen. Für bessere Ergebnisse und Analysen wären ebenso historische Daten des Gebietes notwendig. Diese liegen aktuell jedoch nicht vor. Diese könnten zeigen, wo der Borkenkäferbefall begann und wie die Ausbreitung stattfand.Der Borkenkäferbefall kann in verschiedene Stadien des Befalls unterteilt werden. Im initialen Grün-Angriffsstadium sind die befallenen Bäume auf den RGB-Bildern nicht klar von lebenden Bäumen zu unterscheiden.

Angewandte Methoden

Um abgestorbene Bäume, die von Borkenkäfern befallenen wurden, zu erkennen, wurde ein neuronales Netz mit einer Fast RCNN-Architektur verwendet. Die Trainingsdaten wurden mit aktuellen Features der ArcGIS Pro-Anwendung erstellt. Für die Datenaufbereitung, das Modelltraining und die Verarbeitung wurde das Python-Modul arcgis.learn eingesetzt.

Borkenkäferbefall Wald Zerstörung

Projektergebnis

Das trainierte Modell erreichte 98,6% Recall in Bezug auf die Trainingslabels auf den Testdatenbildern. Mit dem Modell können große Waldflächen schnell und zuverlässig analysiert werden, um den Menschen bei der Überwachung des Waldzustandes zu unterstützen. Durch die Erstellung von Heatmaps in ArcGIS Pro werden Befalls-Hotspots deutlich sichtbar und die Ausbreitung über mehrere Jahre kann auf einfache Weise visualisiert werden.

Das trainierte Modell wurde für die spezifischen Wald- und Bilddaten optimiert. Für ein besseres und verallgemeinerndes Modell können Trainingsdaten aus anderen Waldgebieten oder anderen Wäldern hinzugefügt werden. Alternativ kann die gleiche Pipeline verwendet werden, um spezifische Modelle für andere Waldgebiete zu trainieren.

Kategorie

GEO AI
Deep Learning Object Detection

Technologien

Fast RCNN architecture
Python module arcgis.learn
Deep learning

Download

Social Sharing

Weitere Use Cases dieser Kategorie

Alle Use Cases im Überblick

Kontakt

Stefanie Supper
CEO

Kontakt

Stefanie Supper
CEO