Auf unserer Webseite verwenden wir Cookies, die unter „Cookie-Einstellungen anpassen“ näher beschrieben werden. Notwendige Cookies werden für grundlegende Funktionen der Webseite benötigt, um eine optimale Nutzung zu ermöglichen. Dadurch ist gewährleistet, dass die Webseite einwandfrei funktioniert. Darüber hinaus können Sie Cookies für Statistikzwecke zulassen. Diese ermöglichen es uns, die Webseite stetig zu verbessern und Ihr Nutzererlebnis zu optimieren. Ihre Einwilligung zur Nutzung der Statistik-Cookies ist freiwillig und kann in der Datenschutzerklärung dieser Webseite unter „Cookie-Einstellungen“ jederzeit widerrufen werden.
Datenschutzerklärung
Impressum
Eine Deep Learning Analysemethode für die großräumige automatisierte Erkennung einzelner Baumkronen und die Klassifizierung von Baumarten (ML4iTree)
Projekt
Förderkennzeichen: DFG 494541002
Laufzeit: 01.01.2022
- 31.12.2024
Forschungszweck: Angewandte Forschung
Die Wälder in Mitteleuropa sind drastischen Veränderungen unterworfen, die sich in (1) allmählichen Veränderungen der Standortbedingungen (veränderte Niederschlags- und Temperaturmuster, atmosphärische Einflüsse) und (2) einer zunehmenden Zahl abiotischer und biotischer Katastrophen manifestieren. Die Waldforschung sucht nach Möglichkeiten, wie auf diese beispiellosen Herausforderungen reagiert und das Wald- und Ökosystem-Management angepasst werden kann. Genaue und zeitnahe Informationen über den Zustand und die Veränderungen der Wälder sind eine unabdingbare Voraussetzung für eine solche Anpassung. Allerdings gibt es vielfältige methodische Fragen zum großflächigen Monitoring einzelner Bäume, für die immer mehr hochauflösende Fernerkundungsbilder zur Verfügung stehen und entsprechende Analysemöglichkeiten bieten. Die großen Datenmengen, die bei der Arbeit mit hochauflösenden Bildern auf größeren Flächen anfallen, lassen herkömmliche Klassifizierungsansätze scheitern. In diesem Projekt werden wir Techniken des "Deep Learning" insbesondere faltungsbasierte neuronale Netze für das großflächige Waldmonitoring adaptieren und anwenden, um gleichzeitig (1) einzelne Bäume zu identifizieren und (2) ihre Art zu bestimmen. Bisher wird dies üblicherweise in zwei Schritten mit zwei verschiedenen Fernerkundungsdatenquellen durchgeführt. Wir planen, mit nur einer Datenquelle zu arbeiten: hochauflösende optische Bilder, ohne die Notwendigkeit, zunächst Lidar-Daten zu analysieren, die für größere Gebiete kostspielig sind. Aus eigenen und zusätzlichen optischen Bilddatensätzen sowie umfangreichen Referenzdaten werden wir (1) einen großen Datensatz umklassifizierter Bilder und (2) einen annotierten Trainingsdatensatz zu Baumarten für mitteleuropäische Baumarten erstellen. Dieser kann nach und nach erweitert werden und anderen Forscherteams als Grundlage für weitere Deep-Learning-Anwendungen in der Forstwirtschaft zur Verfügung gestellt werden. Wir werden einen Methoden-Werkzeugkasten für die großflächige Kartierung einzelner Baumarten entwickeln, der bei Verfügbarkeit der entsprechenden Bilder auf ganze Länder angewandt werden kann.Wir bündeln in diesem Antrag die Expertise aus den Bereichen Waldmonitoring (PI Kleinn) und Datenwissenschaften (PI Ecker) und reagieren auf aktuelle Politiken von BMEL (Waldzustandsüberwachung) und BMBF (Förderung von Anwendungen der künstlichen Intelligenz). Unsere Forschung wird die methodischen Grundlagen für effizientere Monitoringsysteme weiter entwickeln und damit zur Anpassung der Waldökosystembewirtschaftung an den Klimawandel beitragen; sie schafft ein Beispiel für die Anwendung von Deep Learning für das großräumige Waldmonitoring.
Abschnittsübersicht
Fachgebiete
- Waldbau
- Klimawandel
- Informatik
