BarkVisionAI: Neuartiger Datensatz zur schnellen Baumartenbestimmung

Warum Baumrinde und Handykameras wichtig sind

Wenn wir durch einen Wald gehen, fallen uns meist Blätter, Blüten oder das ausladende Blätterdach auf. Doch grande Teile des Jahres — oder in dichten, schattigen Wäldern — fehlen diese Anhaltspunkte. Diese Studie zeigt, dass die raue, gemusterte Haut der Bäume — ihre Rinde — in Kombination mit alltagsüblichen Smartphone-Kameras und moderner künstlicher Intelligenz zu einem leistungsfähigen Werkzeug werden kann, um Baumarten schnell zu identifizieren und die Gesundheit von Wäldern in Indien und potenziell weltweit zu überwachen.

Eine neue Sicht auf Wälder

Die Forscher hinter BarkVisionAI wollten eine große Lücke in der Art und Weise schließen, wie wir Bäume erkennen. Die meisten bestehenden Fotokollektionen zur Baumidentifikation konzentrieren sich auf Blätter oder andere sichtbare Teile, und die wenigen Rinden-Bilddatensätze sind oft klein, stammen aus begrenzten Regionen und wurden unter nahezu identischen Bedingungen aufgenommen. Das erschwert es Computer-Modellen, die daran trainiert wurden, in unordentlichen, realen Wäldern zu funktionieren. BarkVisionAI ändert das, indem es 156.001 Rindenfotos von 13 wichtigen Baumarten aus unterschiedlichen Waldtypen und ökologischen Regionen Indiens zusammenführt. Jedes Bild ist mehr als nur eine Aufnahme: Es ist mit präzisen Angaben zu Standort, Zeit und Kamera verknüpft und schafft so eine reichhaltige Ressource für Ökologie und künstliche Intelligenz.

Wie die Bilder gesammelt wurden

Das Sammeln so vieler nützlicher Fotos erforderte enge Zusammenarbeit mit Forstpersonal und gezielte Feldarbeit in zwei indischen Bundesstaaten, Himachal Pradesh und Odisha, die zusammen acht große Waldtypen und neun ökologische Regionen abdecken. Forstaufseher und -beamte wurden darin geschult, eine digitale Datenerfassungsplattform auf ihren Handys zu nutzen: wie sie in einem festgelegten Abstand zum Stamm stehen, die Kamera senkrecht zur Rinde halten und genaue Standorte erfassen. Die Datenerhebung lief von Januar bis Dezember 2024 und umfasste Trockenzeiten, Monsun und Winter. Bilder wurden morgens, nachmittags und abends unter wechselnden Licht- und Wetterbedingungen sowie mit 315 verschiedenen Kameramodellen von 20 Herstellern aufgenommen. Diese gezielte Variation sorgt dafür, dass der Datensatz die realen Herausforderungen bei der Arbeit im Wald widerspiegelt und nicht die kontrollierten Bedingungen eines Labors.

Die unordentliche Realität in einen fairen Test verwandeln

Reale Wälder bringen viele subtile Verzerrungen mit sich: Vielleicht wird eine Art überwiegend mit einem bestimmten Telefon, zu einer bestimmten Tageszeit oder in einer bestimmten Höhenlage fotografiert. Ein naives KI-Modell könnte diese Abkürzungen „ausnutzen“, statt die echten Rindenmuster zu lernen. Um diese Falle zu vermeiden, entwarf das Team einen sorgfältigen Auswahlprozess. Aus der Gesamtsammlung erstellten sie einen ausgeglichenen Teilbestand von 36.400 Bildern, mit genau 2.800 Fotos pro Art. Die Bilder jeder Art wurden über Höhenstufen, Jahreszeiten, Laubzustände (ob die Baumkrone belaubt oder kahl war), Tageszeiten und Kameramodelle verteilt. Diese Faktoren wurden zu einem fein abgestuften Gitter kombiniert und so Stichproben gezogen, dass keine einzelne Lichtbedingung, kein Gerät oder keine Höhenlage dominierte. Das Ergebnis ist nicht nur ein großer Datensatz, sondern einer, der darauf ausgelegt ist, KI-Systeme dazu zu zwingen, auf die Rinde selbst zu achten.

Künstliche Intelligenz auf die Probe stellen

Mit diesem ausgewogenen Datensatz trainierten die Forscher mehrere gängige Bilderkennungsmodelle, darunter bekannte Convolutional Neural Networks und ein modernes „Vision Transformer“-Modell. Alle Bilder wurden auf standardisierte Maße skaliert und dann in Trainings-, Validierungs- und Testsets aufgeteilt. Unter den Modellen erzielte ein Netzwerk namens ResNet50 die besten Ergebnisse und identifizierte die Arten bei etwa 87 % der Testbilder korrekt. Eine genauere Betrachtung zeigte, dass die Genauigkeit unter schwierigeren Bedingungen — insbesondere bei schwachem Abendlicht und in höheren Lagen mit komplexeren Umgebungen — nachließ. Diese Muster bestätigten, dass Lichtverhältnisse, Jahreszeit und Höhe reale Hürden für KI darstellen und dass die Kontrolle dieser Faktoren im Datensatz wesentlich war, um aufzuzeigen, wo Modelle tatsächlich Schwierigkeiten haben.

Was das für Wälder und zukünftige Werkzeuge bedeutet

BarkVisionAI zeigt, dass Alltagswerkzeuge — ein Smartphone und ein Spaziergang im Wald — ein ausgeklügeltes System zur schnellen Baumartenbestimmung speisen können. Für Naturschützer und Forstmanager öffnet sich damit die Tür zu schnelleren Artenkartierungen, besserer Nachverfolgung der Biodiversität und zeitnaher Überwachung von Umweltveränderungen. Für KI-Forscher stellt der Datensatz einen anspruchsvollen Benchmark dar, der subtile Texturen, wechselnde Jahreszeiten und vielfältige Geräte erfasst und verdeutlicht, dass rindenbasierte Erkennung noch lange kein gelöstes Problem ist. Die Hauptbotschaft der Studie für Nichtfachleute ist klar: Durch sorgfältiges Design von Daten und Algorithmen können wir Maschinen beibringen, die in der Baumrinde geschriebenen Geschichten zu lesen und so Wälder besser zu verstehen und zu schützen.

Zitation: Chhatre, A., Saini, N., Parmar, A.K. et al. BarkVisionAI: Novel dataset for rapid tree species identification. Sci Data 13, 343 (2026). https://doi.org/10.1038/s41597-026-06711-8

Schlüsselwörter: Baumidentifikation, Waldüberwachung, Biologische Vielfalt, Computer Vision, Wälder Indiens