Unüberwachte Kartierung der städtischen Baumvielfalt mithilfe räumlich-gestützter visueller Clusterbildung

Warum Stadtbäume und intelligente Karten wichtig sind

Städte sind auf Bäume angewiesen, um lebenswert zu bleiben. Straßenbäume kühlen heiße Viertel, reinigen die Luft und ermöglichen den Bewohnern täglichen Kontakt mit der Natur. Dennoch haben die meisten Stadtverwaltungen nur grobe Schätzungen darüber, wie viele Baumarten es gibt oder wo diese Bäume konzentriert sind. Traditionelle Baumkataster erfordern Experten, die jeden Block begehen — das ist teuer und langsam. Diese Studie stellt eine Methode vor, die Vielfalt städtischer Bäume mithilfe gewöhnlicher Straßengelenksfotos und künstlicher Intelligenz misst, ohne dass im Vorfeld Baumarten gekennzeichnet werden müssen.

Die Stadt durch alltägliche Bilder sehen

Die Forschenden bauen auf einer einfachen Idee auf: Wenn Bäume in Bildern von Diensten wie Google Street View erkannt werden können, lässt sich der städtische Baumbestand auf Stadtgebiet verstehen. Sie nutzen einen bestehenden Datensatz, in dem Bäume in acht nordamerikanischen Städten automatisch detektiert und ihren Standorten zugeordnet wurden. Anstatt einem Algorithmus zu sagen, welche Baumart jeweils vorliegt, sucht die neue Methode nach Mustern im Aussehen der Bäume und in ihrer Pflanzkontext. Diese Muster werden in numerische „Fingerabdrücke“ für jeden Baum übersetzt, die sowohl sein visuelles Erscheinungsbild als auch seine Lage entlang von Straßen und in Stadtteilen erfassen.

Ähnliche Bäume gruppieren, ohne ihre Namen zu kennen

Mit diesen Fingerabdrücken ordnet das System Bäume in Cluster, die als Stellvertreter für echte biologische Gruppen fungieren. Bäume desselben Clusters wirken in Bildern ähnlich und teilen häufig ähnliche Pflanzkontexte. Der Ablauf besteht aus mehreren Schritten. Zuerst organisiert ein räumliches Modell Bäume, die in erkennbaren Mustern gepflanzt sind, etwa Reihen entlang einer Allee. Dann entfernt die Methode visuelle Ausreißer innerhalb jeder Gruppe und behält nur jene Bäume bei, die ihren Nachbarn stark ähneln. Verwendete Bäume werden erneut geprüft und, wenn sie einander ähneln, zu neuen Gruppen zusammengefasst oder besseren Gruppen zugewiesen. Schließlich werden Cluster, die nahezu identisch aussehen, zusammengeführt, damit das System sich nicht von kleinen, bedeutungslosen Unterschieden täuschen lässt.

Cluster in Diversitätskarten verwandeln

Sobald alle Bäume diesen Pseudo-Gruppen zugeordnet sind, wird die Stadt in ein Raster lokaler Bereiche unterteilt, jeweils 500 Meter groß, das eine baumgemeinschaft auf Nachbarschaftsebene repräsentiert. In jeder Zelle zählen die Forschenden, wie viele Cluster auftreten und wie gleichmäßig die Bäume auf diese verteilt sind. Aus diesen Zählungen berechnen sie standardisierte Diversitätswerte, die Ökologen verwenden, um sowohl Artenreichtum (wie viele Baumtypen) als auch Ausgewogenheit (ob eine Art dominiert) zu beschreiben. Anschließend vergleichen sie diese Werte mit jenen aus detaillierten Vor-Ort-Erhebungen, die die tatsächlichen Baumgattungen dokumentieren. In den Städten reproduziert das unüberwachte System die realen Diversitätsmuster gut, insbesondere für Maße, die häufige Baumtypen stärker gewichten als seltene. Es erhält außerdem die räumliche Anordnung der Vielfalt und zeigt sowohl homogene Pflanzflächen als auch gemischtere Straßenzüge.

Stärken, Grenzen und Ausblick

Die Methode liefert die besten Ergebnisse in Städten, in denen Baumgemeinschaften nicht von nur wenigen Arten dominiert werden und in denen die Bildqualität hoch ist. Schwächen zeigen sich bei seltenen Gattungen, starker Datenschutz-Unschärfe und dort, wo Straßendokumentation lückenhaft oder veraltet ist. Da sich die Methode auf das von der Straße Sichtbare konzentriert, werden Bäume, die in Hinterhöfen oder inneren Parkbereichen stehen, untererfasst. Die Autorinnen und Autoren schlagen künftige Verbesserungen vor, etwa die Kombination von Street-View-Bildern mit Satelliten- und Laserscanning-Daten oder den Einsatz von Sprach-Bild-Modellen, die subtile Unterschiede zwischen ähnlich aussehenden Bäumen besser erkennen können.

Was das für grünere, gerechtere Städte bedeutet

Für Nicht-Fachleute ist die Kernbotschaft, dass Städte nicht mehr allein auf langsame, teure Feldstudien angewiesen sein müssen, um ihren Baumbestand zu verstehen. Durch die Nutzung der Flut vorhandener Straßenbilder kann diese Methode detaillierte Karten der Baumvielfalt auf Nachbarschaftsebene kostengünstig erstellen und bei Erscheinen neuer Aufnahmen regelmäßig aktualisieren. Stadtplaner könnten solche Karten nutzen, um Gebiete zu identifizieren, die von einer einzigen, anfälligen Baumart dominiert werden, Nachbarschaften mit geringer Pflanzenvielfalt zu erkennen und Pflanzprogramme zu entwerfen, die die Widerstandsfähigkeit gegenüber Schädlingen, Krankheiten und klimatischen Belastungen erhöhen. Kurz: Die Studie zeigt, wie die Verbindung alltäglicher Fotografie mit intelligenter Clusterbildung die Stadt selbst in eine lebendige, regelmäßig aktualisierte Karte der urbanen Natur verwandeln kann.

Zitation: Abuhani, D.A., Seccaroni, M., Mazzarello, M. et al. Unsupervised mapping of urban tree diversity using spatially-aware visual clustering. Sci Rep 16, 10440 (2026). https://doi.org/10.1038/s41598-026-37043-7

Schlüsselwörter: städtische Baumvielfalt, Street-View-Bilder, unüberwachte Clusterbildung, Kartierung der Biodiversität, urbane Resilienz