Satelliten-KI Ermöglicht Landesweite Baummessung

KNOXVILLE, TN, 3. November 2026 /24-7PressRelease/ – Genaue Baumzählungen sind für die Wiederherstellung unerlässlich, doch herkömmliche Methoden stoßen bei heterogenen Landschaften an ihre Grenzen. Forschende entwickelten ein Deep-Learning-Framework, das multisensorische Satellitendaten kombiniert, um die Baumhäufigkeit zu schätzen. Angewendet auf Ruanda und Tansania zählte es 5,25 Milliarden Bäume und zeigte, dass mehr als die Hälfte außerhalb von als Baumdeckung klassifizierten Gebieten vorkommt.

Globale Zusagen zur Baumpflanzung haben seit dem Pariser Abkommen stark zugenommen und schaffen Bedarf an verlässlichen Ausgangswerten, die zeigen, wie viele Bäume bereits existieren und wo sie vorkommen. Feldinventuren sind kostspielig und räumlich begrenzt, während die wiederholte Erfassung von Satelliten- oder UAV-Bildern (Unmanned Aerial Vehicle) mit Submeter-Auflösung schwer skalierbar ist. Objekterkennungsmethoden stoßen ebenfalls an Grenzen, wenn Kronen überlappen, nur Bruchteile von Pixeln einnehmen oder klare Grenzen fehlen. Gröbere Ansätze auf Basis von Vegetationsindizes, Klima oder Topographie können lokale Variation glätten und Bäume in Nichtwald-Systemen unterrepräsentieren. Angesichts dieser Herausforderungen ist eingehende Forschung nötig, um skalierbare, bezahlbare, robuste und beobachtungsbasierte Methoden zur Zählung von Bäumen in heterogenen natürlichen Landschaften zu entwickeln.

Ein Forschungsteam unter Leitung der Universität Kopenhagen veröffentlichte (DOI: 10.34133/remotesensing.0970) die Studie am 18. August 2026 im Journal of Remote Sensing. Das Team entwickelte ein multisensorisches Deep-Learning-Framework unter Verwendung von PlanetScope-, Sentinel-1- und Sentinel-2-Bilddaten. Anstatt jede Krone einzeln zu erkennen, schätzt das System die Baumanzahl aus räumlichen, spektralen und texturalen Mustern innerhalb von Bildkacheln. Dieser Ansatz adressiert eine Herausforderung der Wiederherstellungsüberwachung: konsistente, räumlich detaillierte Baumzählungs-Baselines über Wälder und Nichtwald-Landschaften hinweg zu erstellen, ohne auf teure, wiederholt aufgenommene Submeter-Bilder angewiesen zu sein.

Das Framework schätzte etwa 5,25 Milliarden Bäume in Ruanda und Tansania: rund 213 Millionen in Ruanda und 5,04 Milliarden in Tansania nach Kalibrierung. Nur 48,8 % fielen in die WorldCover-Klasse „Baumdeckung“; die anderen 51,2 % kamen in Buschland, Grasland, Ackerland, bebauten Flächen, Feuchtgebieten, spärlicher Vegetation und Mangroven vor. Anders als waldorientierte Inventuren oder grobe statistische Extrapolationen erfasst der Ansatz Bäume über heterogene Landschaften hinweg. Seine Regression auf Bildebene vermeidet zudem die Abhängigkeit von expliziten Kronengrenzen, sodass Baumanzahlen selbst dann abgeleitet werden können, wenn einzelne Kronen bei 3-m-Pixelauflösung nicht vollständig aufgelöst werden. Dies bietet eine direktere, räumlich explizite Baseline für Wiederherstellungsplanung und -überwachung.

Das Modell analysierte 96 × 96 m große Bildkacheln aus einem 20-Band-Komposit mit vier optischen Planet-Bändern, zehn multispektralen Sentinel-2-Bändern und sechs Sentinel-1-Radarpolarisationsbändern, die alle auf ein gemeinsames 3-m-Raster neu abgetastet wurden. Eine hybride UNet-ResNet50-Architektur sagte einen Baumzählungswert pro Kachel voraus. In Architekturvergleichen erreichte UNet-R50 einen mittleren absoluten Fehler von 17,32 und ein r² von 0,73 und übertraf damit ResNet50, ResNeXt50, SwinT und ViT. Sensor-Ablationstests zeigten, dass Sentinel-1 plus Sentinel-2 einen MAE von 18,42 und r² von 0,77 erreichten, vergleichbar mit dem Drei-Sensor-Komposit mit 18,8 bzw. 0,77. Für das Training wurden etwa 12 Millionen Baumkronenzentren aus unterschiedlichen Landschaften verwendet. Die nationalen Vorhersagen wurden anschließend mithilfe unabhängiger Messungen der Nationalen Waldinventur bias-korrigiert, mit länderspezifischer und landbedeckungsspezifischer Bootstrap-Kalibrierung. Die endgültigen Schätzungen ergaben mediane Dichten von 37 Bäumen pro Hektar in Ruanda und 42 in Tansania, was die nationale Anwendbarkeit über gegensätzliche Ökosysteme hinweg demonstriert. Der Ansatz kombiniert somit Skalierbarkeit mit ökologischer und räumlicher Detailtiefe.

Die Forschenden betonten den praktischen Wert des Frameworks und merkten an, dass es „die Planung und Optimierung der Ressourcenallokation für Baumwiederherstellungsmaßnahmen auf nationaler Ebene unterstützen kann“. Sie argumentieren weiter, dass wiederholbare satellitengestützte Baselines Regierungen dabei helfen könnten, Wiederherstellungsergebnisse zu verfolgen, geeignete Pflanzflächen zu identifizieren und Bäume außerhalb konventioneller Waldgrenzen besser zu berücksichtigen.

Die Forschenden erstellten Labels aus manueller Interpretation von Submeter-Bildern und halbautomatischer Extraktion aus luft- und UAV-LiDAR-Kronenhöhenmodellen. Etwa 12 Millionen Kronenzentrenpunkte deckten 2.832 Stichprobenflächen mit rund 608.483 Hektar ab. Satellitendaten wurden zeitlich harmonisiert, korrigiert, normalisiert und auf 3 m neu abgetastet. Das Netzwerk verwendete eine 80/20-Aufteilung in Training und Validierung sowie den mittleren absoluten Fehler als Verlustfunktion. Die Vorhersagen wurden anschließend anhand unabhängiger Nationaler Waldinventurflächen aus Ruanda und Tansania bewertet und kalibriert. Große Bäume wurden zur Validierung verwendet.

Das Framework könnte Wiederherstellungsprogramme unterstützen, indem es wiederholbare nationale Baselines schafft, Baumzugewinne und -verluste verfolgt und die Pflanzung an ökologisch geeignete Standorte lenkt. Zukünftige Arbeiten müssen die Leistung in dichten geschlossenen Kronendächern verbessern, wo Kronenüberlappung und Signalsättigung die Sensitivität verringern, und Unterwuchs oder kleinere Gehölze einbeziehen. Die Autoren schlagen die Integration von Waldinventuren und sehr hochauflösenden Daten vor und untersuchen aufmerksamkeitsbasierte Sensorfusion, Domänenanpassung und Transferlernen, um den Ansatz auf neue Regionen, Ökosysteme und Satellitensensoren in größerem Maßstab auszuweiten.

Referenzen
DOI
10.34133/remotesensing.0970

URL der Originalquelle
https://spj.science.org/doi/10.34133/remotesensing.0970

Förderinformationen
Diese Studie erhielt Fördermittel vom Europäischen Forschungsrat (ERC) im Rahmen des Forschungs- und Innovationsprogramms Horizont 2020 der Europäischen Union (Fördervereinbarung Nr. 101157661 TREEMAP) und von der Dänischen Nationalen Forschungsstiftung, Zentrum für Fernerkundung und Deep Learning globaler Baumressourcen (TreeSense), DNRF192. LiDAR-Daten aus Tansania wurden von Prof. Terje Gobakken und Prof. Erik Næsset, Norwegische Universität für Lebenswissenschaften, bereitgestellt. Die Daten wurden im Rahmen des Projekts „Enhancing the measuring, reporting and verification (MRV) of forests in Tanzania through the application of advanced remote sensing techniques“ erworben, das von der Königlich Norwegischen Botschaft in Tansania als Teil der Norwegischen Internationalen Klima- und Waldinitiative finanziert wurde. G.V.L. dankt der Next Generation EU Mission 4, Komponente 2 – CUP B53C22002150006 – Projekt IR0000032 – ITINERIS – Italienisches Integriertes Umweltforschungsinfrastruktursystem. Der Datensatz für Ghana/Sierra Leone wurde vom Forest Ecology Lab von Prof. Valentini, DIBAF, Universität Tuscia, Viterbo, Italien, erhoben und vorverarbeitet. Wir danken außerdem Prof. Andrew Davies für die Bereitstellung von UAV-LiDAR-Daten im Kruger-Nationalpark, Südafrika. Zusätzliche südafrikanische luftgestützte LiDAR-Daten wurden vom Council for Scientific and Industrial Research (CSIR) Strategic Research Panel, dem National Research Foundation (South Africa) Global Change Grand Challenge Grant (Fördernummer 110496) und der University of the Witwatersrand finanziert.

Über Journal of Remote Sensing
Das Journal of Remote Sensing, eine ausschließlich online erscheinende Open-Access-Zeitschrift, die in Zusammenarbeit mit AIR-CAS veröffentlicht wird, fördert Theorie, Wissenschaft und Technologie der Fernerkundung sowie interdisziplinäre Forschung in den Erd- und Informationswissenschaften.

Chuanlink Innovations, wo revolutionäre Ideen ihr wahres Potenzial entfalten. Unser Name, verwurzelt im Wesen von Übertragung und Verbindung, spiegelt unser Engagement wider, Innovation zu fördern und den Weg von Ideen von der Entstehung bis zur Verwirklichung zu erleichtern.

Verwandter Link:
http://chuanlink-innovations.com

Haftungsausschluss: Diese Übersetzung wurde automatisch von NewsRamp™ für 24-7 Press Release (gemeinsam als "DIE UNTERNEHMEN" bezeichnet) mit öffentlich zugänglichen generativen KI-Plattformen erstellt. DIE UNTERNEHMEN garantieren nicht die Genauigkeit oder Vollständigkeit dieser Übersetzung und haften nicht für Fehler, Auslassungen oder Ungenauigkeiten. Die Nutzung dieser Übersetzung erfolgt auf eigenes Risiko. DIE UNTERNEHMEN haften nicht für Schäden oder Verluste, die aus solcher Nutzung entstehen. Die offizielle und maßgebliche Version dieser Pressemitteilung ist die englische Version.