Ein UAV-RGB-Datensatz und eine Methode zur Instanz-Segmentierung von Baumkronen für die Biodiversitätsüberwachung

Warum das Zählen von Bäumen aus der Luft wichtig ist

Gesunde Wälder regulieren leise unser Klima, speichern Kohlenstoff und bieten unzähligen Arten einen Lebensraum. Dennoch ist es extrem schwierig, das Wachstum, Sterben oder die Ausbreitung von Krankheiten einzelner Bäume über große Flächen allein mithilfe von Bodenerhebungen zu verfolgen. Diese Studie zeigt, wie handelsübliche Kameradrohnen und intelligente Bildanalyse automatisch einzelne Baumkronen in dichten tropischen Wäldern umreißen können. Diese Fähigkeit ist ein wichtiger Schritt hin zu detaillierter, kostengünstiger Biodiversitätsüberwachung und besserem Waldmanagement in einer sich erwärmenden Welt.

Einzelne Bäume in einem Meer aus Grün erkennen

Von oben erscheint ein ausgewachsener Wald oft wie ein ununterbrochener Teppich aus Blättern. In Wirklichkeit besteht er aus vielen sich überlappenden Baumkronen verschiedener Arten und Größen. Um die Gesundheit des Waldes oder seine Kohlenstoffspeicherung zu verstehen, müssen Forschende wissen, wo eine Krone endet und die nächste beginnt. Diese Aufgabe, genannt Instanz-Segmentierung von Baumkronen, ist besonders schwer in dichten Tropenwäldern, wo benachbarte Kronen ineinander übergehen und Schatten, Saisonalität sowie ähnliche Formen sowohl Menschen als auch Algorithmen verwirren. Traditionelle Methoden übersehen oft Bäume, fassen mehrere Bäume zu einem zusammen oder benötigen teure Sensoren wie Laser. Die Autorinnen und Autoren konzentrieren sich stattdessen darauf, mehr aus einfachen Farbaufnahmen von Drohnen zu machen, die deutlich günstiger und weltweit leichter einsetzbar sind.

Eine neue Bildbibliothek tropischer Wälder

Um ihre Algorithmen zu trainieren und zu testen, erstellten die Forschenden eine neue Bildsammlung namens ForestSeg. Mit zwei kommerziell erhältlichen Drohnen über einem biodiversitätsreichen Wald in der Nähe von Hanoi, Vietnam, führten sie vier Einsätze in unterschiedlichen Höhen und Monaten durch. Aus diesen Flügen bauten sie hochauflösende Aufsichtsbilder und zerschnitten sie in kleine quadratische Abschnitte, jeweils 1024 mal 1024 Pixel groß, die typischerweise 6 bis 10 Bäume enthalten. Fachleute zeichneten sorgfältig die Kontur jeder sichtbaren Krone nach und erzeugten so insgesamt 2.944 annotierte Patches in vier Teilmengen. Da die Flüge Saisons und Höhen abdecken, fängt ForestSeg Veränderungen in Beleuchtung, Blattfarbe und scheinbarer Baumgröße ein und stellt damit eine anspruchsvolle Prüfplattform für Methoden dar, die über die Zeit zuverlässig funktionieren sollen.

Bäume in Stücke zerlegen, um ganze Kronen zu finden

Anstatt zu versuchen, Baumumrisse in einem Zug zu zeichnen, entwarf das Team eine zweistufige Strategie namens TreeCoG. Zuerst „übersegmentieren“ sie bewusst die Baumkrone. Ein modernes Kantenerkennungsnetz markiert feine Grenzen im Drohnenbild und zerteilt den Bestand in viele kleine Konturstücke, die jeweils kaum Teile mehrerer Bäume enthalten dürften. Anschließend werden diese Stücke zu Knoten in einem Graphen, in dem benachbarte Fragmente verbunden und verglichen werden. Für jedes Fragment misst die Methode einfache Formeigenschaften wie Fläche und Streckung und analysiert außerdem, wie ähnlich sich zwei benachbarte Patches in Farbe und Textur sind. Ein Graph-Neuronales-Netzwerk lernt dann aus vielen beschrifteten Beispielen, welche benachbarten Fragmente zur selben Krone gehören und zusammengeführt werden sollten und welche zu unterschiedlichen Bäumen gehören und getrennt bleiben müssen. Das Ergebnis sind Masken, die einzelne Kronen sauberer umreißen als frühere Ansätze.

Wie gut die Methode in der Praxis funktioniert

Zur Bewertung verglichen die Autorinnen und Autoren TreeCoG mit gängigen Deep-Learning-Tools zur Objektssegmentierung, darunter Mask R-CNN und die neuesten YOLO-Modelle. Auf ForestSeg erzielte TreeCoG die höchste Genauigkeit und lief zudem schneller als die Konkurrenz, was es für großflächige Erhebungen attraktiv macht. Es zeigte auch starke Leistungen auf einem unabhängigen europäischen Benchmark-Datensatz namens BAMFORESTS, was nahelegt, dass sich der Ansatz auf Wälder in anderen Regionen übertragen lässt. Die Auswertung der vier ForestSeg-Teilmengen zeigt außerdem, wie Tageszeit, Saison und Flughöhe den Erfolg beeinflussen: Schärfere Bilder und niedrigere Sonnenstände liefern tendenziell klarere Kronengrenzen, doch die Methode bleibt robust, selbst wenn die Bedingungen weniger ideal sind.

Was das für Wälder und Biodiversität bedeutet

Einfach gesagt zeigt diese Arbeit, dass kostengünstige Drohnen und intelligente Algorithmen in der Lage sind, einzelne Bäume in einigen der komplexesten Wälder der Erde zuverlässig zu erkennen. Der ForestSeg-Datensatz bietet Forschenden einen anspruchsvollen neuen Prüfstein, und TreeCoG liefert ein praktisches Vorgehen, um rohe Luftbilder in detaillierte Karten von Baumkronen zu verwandeln. Diese Karten können in nachgelagerte Schritte wie Artenerkennung, Wachstumsüberwachung und Gesundheitsbewertung einfließen und dadurch Wissenschaftlern und Forstmanagern ermöglichen, Biodiversität und Kohlenstoffbestände häufiger und über größere Flächen zu überwachen, als es allein mit Felduntersuchungen möglich wäre.

Zitation: Do, M.V.H., Phung, DT., Pham, H.D.L. et al. A UAV RGB dataset and method for instance tree crown segmentation for biodiversity monitoring. Sci Rep 16, 5788 (2026). https://doi.org/10.1038/s41598-026-36541-y

Schlüsselwörter: Drohnen-Forstwirtschaft, Baumkronen-Kartierung, Biodiversitätsüberwachung, Fernerkundung, Tiefenlern-Segmentierung