Ein KI‑geeigneter Fernerkundungsdatensatz für hochauflösende Kartierung von Waldschäden

Warum beschädigte Wälder uns alle betreffen

In ganz Europa stehen Wälder unter zunehmendem Druck durch Dürre, Stürme, Insektenbefall und Holzeinschlag. Diese Veränderungen können in kleinen, vom Boden aus schwer sichtbaren Flecken auftreten, beeinflussen aber alles — von Wanderlandschaften über Kohlenstoffspeicherung bis hin zum lokalen Klima. Diese Studie stellt einen neuen offenen Datensatz vor, der ultra-detaillierte Luftbilder deutscher Wälder in Treibstoff für künstliche Intelligenz verwandelt und es erheblich erleichtert, zu erkennen, wo, wie und warum Wälder geschädigt werden.

Wälder von oben in feinen Details sehen

Die Arbeit konzentriert sich auf Rheinland‑Pfalz, ein stark bewaldetes Bundesland im Westen Deutschlands, das in den letzten Jahrzehnten einen starken Baumbestandverlust erlebt hat, vor allem bei der Fichte. Statt auf gängige Satellitenbilder zu setzen, die die Erdoberfläche in 10–30‑Meter‑Pixeln verwischen, nutzen die Autoren Luftbilder mit einer Auflösung von nur 20 Zentimetern — scharf genug, um einzelne Baumkronen und schmale Lichtungen zu unterscheiden. Jede große Luftbildszene wird in standardisierte 100‑mal‑100‑Meter‑Kacheln zerteilt und bildet eine Sammlung von etwa 17.500 Bildausschnitten. Dieser feinkörnige Blick erlaubt, kleine, unregelmäßige Schadflächen, die bei gröberen Sensoren oft übersehen werden, mit deutlich höherer Präzision zu kartieren.

Unsichtbare Farben und Waldhöhe hinzufügen

Der Datensatz speichert mehr als nur reguläre Farbfotos. Jede Kachel enthält fünf Informationsebenen: Rot, Grün, Blau, nahes Infrarot und eine Schätzung der Objekt‑höhe. Nahes Infrarot zeigt, wie kräftig die Vegetation photosynthetisch aktiv ist, wodurch gestresste oder tote Bäume gegenüber gesunden hervortreten. Die Höhenebene, erstellt durch Kombination von digitalem Oberflächen‑ und Geländemodell, zeigt, wie hoch Objekte sind und hilft, stehende Bäume von Kahlschlägen oder liegenden Stämmen zu unterscheiden. Zusammen erfassen diese Schichten sowohl die „Farbe“ als auch die „Form“ des Walddachs und liefern KI‑Modellen die Hinweise, die nötig sind, um verschiedene Schadensarten auseinanderzuhalten.

Expertenwissen in Trainingsdaten verwandeln

Hochwertige Trainingsdaten sind der Engpass vieler KI‑Projekte, und die Waldüberwachung bildet da keine Ausnahme. Zur Beschriftung der Bilder kombinierte das Team feldbasierte Schadensaufzeichnungen aus einem Nationalpark und einem landesweiten Meldesystem mit sorgfältiger visueller Interpretation. In einem ersten Schritt wurden die Feldbeobachtungen der Förster per Hand in detaillierte Schadenspolygone übersetzt. Anschließend wurde ein modernes Computer‑Vision‑Modell feinabgestimmt, um die oft groben Schadensumrisse in der größeren Regionaldatenbank zu verfeinern und an die tatsächlich in den Bildern sichtbaren Schadflächen anzupassen. Spezialisten prüften dann tausende Kacheln mit einem maßgeschneiderten Web‑Werkzeug und korrigierten Grenzen, Klassen und übersehene Flecken. Das Ergebnis ist ein Satz von Segmentierungsmasken, die jedes Pixel als Borkenkäferschaden, Kahlschlag, Windwurf oder Hintergrund kennzeichnen, mit einer Experten‑Akzeptanzrate von über 90 Prozent.

Wie gut KI den Wald lesen kann

Um zu zeigen, was der Datensatz leisten kann, trainierten die Autoren eine gängige Architektur des tiefen Lernens, um Schadensarten automatisch zu segmentieren. Mit allen fünf Kanälen klassifizierte das Modell etwa 88 Prozent der Pixel korrekt und erzielte besonders gute Ergebnisse bei Kahlschlägen und Borkenkäferschäden. Ein zusätzliches Experiment entfernte systematisch Eingabekanäle, um zu prüfen, welche am wichtigsten sind. Das Weglassen des nahen Infrarot‑ oder Höhenkanals führte zu dem größten Leistungsabfall, insbesondere bei der Erkennung toter oder geschlagener Bestände sowie verwickeltem Windwurf. Das bestätigt, dass die Kombination spektraler Hinweise mit 3D‑Struktur entscheidend ist, um subtile Unterschiede in der Art des Baumsterbens oder der Entfernung zu erkennen.

Was das für die künftige Waldbeobachtung bedeutet

Für Nicht‑Spezialisten ist die wichtigste Erkenntnis, dass die Studie ein sorgfältig kuratiertes, offen verfügbares Trainingsfeld für KI‑Systeme liefert, die Wälder aus der Vogelperspektive „lesen“. Durch die Kopplung scharfer Luftaufnahmen mit verlässlichen Schadenslabeln erleichtert sie Forschern, Behörden und sogar Naturschutzgruppen den Aufbau und Vergleich automatisierter Werkzeuge zur Überwachung der Waldgesundheit. Auch wenn der Datensatz in einem deutschen Bundesland verwurzelt ist, bietet sein Design — und der dazu freigegebene Code — eine Vorlage für ähnliche Vorhaben anderswo. Auf lange Sicht können solche Ressourcen der Gesellschaft helfen, Waldprobleme früher zu erkennen und zu reagieren, auf Maßstäben von einem Einzelbestand bis hin zu ganzen Regionen.

Zitation: Rodríguez-Paulino, E., Stoffels, J., Schlerf, M. et al. An AI-ready remote sensing dataset for high-resolution forest disturbance mapping. Sci Data 13, 490 (2026). https://doi.org/10.1038/s41597-026-07084-8

Schlüsselwörter: Waldschäden, Fernerkundung, Luftbildaufnahmen, Tiefes Lernen, Borkenkäfer