Baumarten und Baumzustand aus Satellitendaten
Innerhalb von FutureForest entwickeln die Forschenden der FU Berlin Deep-Learning-basierte Work-Flows für die Kartierung von Baumarten und Waldschäden und untersuchen inwiefern die Verwendung von smarten Sensoren im Wald, die Interpretierbarkeit des Satellitenbildsignals bezüglich subtiler Stressereignisse erhöhen kann.
Für das Monitoring von Waldschäden wurde ein Transformer-Deep-Learning-Modell trainiert, das basierend auf Sentinel-2-Zeitserien mit einer Länge von 4 Jahren Waldschäden mit einer Gesamtgenauigkeit von ca. 91.8% erkennt (berechnet auf sechs visuell interpretierten Untersuchungsgebieten).
Vorhersagen des Transformer-Modells für ein Testgebiet in Sachsen, eingeteilt nach der Konfidenz des Modells in Bezug auf eine Schadvorhersage. D.h., in den blauen Flächen ist das Modell sehr sicher, dass kein Schaden vorliegt, während rote Flächen eine sichere Schadvorhersage darstellen. Schwarze Polygone zeigen die Referenzschäden (stehendes Totholz und Abholzung).
Digitales Orthophoto vom Landesamt für Geobasisinformation Sachsen (GeoSN, dl-de/by-2.0).
Eine sehr ähnliche Modellarchitektur wird verwendet um großräumige Baumartenkarten zu erstellen, die mit existierenden Baumartenkarten für Deutschland verglichen und mit einem umfangreichen Felddatensatz validiert werden.
Zudem werden derzeit Daten in einem Sensorfeld in einer Waldfläche in Brandenburg gesammelt. Neben Dendrometermessungen und auf den Kronenraum gerichteten Kameras werden auch mikroklimatische Informationen in hoher zeitlicher Auflösung erhoben. Diese Informationen wurden mit Satellitenbildzeitserien verknüpft und deuten darauf hin, dass ein Teil der in den Sensoren abgebildeten Variabilität im Zustand der Bäume mit Daten aus Satellitenbildern erklärt werden kann. Diese Experimente sollen dazu beitragen in Zukunft nicht nur Waldschäden erfolgreich zu erkennen, sondern auch Stressereignisse satellitengestützt zu monitoren.