En AI-färdig fjärranalysdatamängd för högupplöst kartläggning av skogsskador

Varför skadade skogar berör oss alla

I hela Europa utsätts skogarna för ökade påfrestningar från torka, stormar, skadeinsekter och avverkning. Dessa förändringar kan ske i små fläckar som är svåra att upptäcka från marken, men ändå påverkar allt från vandringslandskap till kolbindning och lokalt klimat. Denna studie presenterar en ny öppen datamängd som omvandlar ultradetaljerade flygfoton av tyska skogar till bränsle för artificiell intelligens, vilket gör det betydligt enklare att upptäcka var, hur och varför skogar skadas.

Se skogen ovanifrån i fin detalj

Arbetet fokuserar på Rheinland-Pfalz, en starkt skogstäckt delstat i västra Tyskland som under de senaste decennierna drabbats av omfattande trädnedgång, särskilt bland gran. Istället för att förlita sig på vanliga satellitbilder som suddar ut markytan till 10–30 meters pixlar, använder författarna flygfoton med en upplösning på endast 20 centimeter—tillräckligt skarpt för att särskilja enskilda trädkronor och smala hyggen. Varje stort flygfotografi skärs upp i standardiserade rutor om 100×100 meter, vilket bildar en samling på cirka 17 500 bildpatchar. Denna finmaskiga vy gör att små, oregelbundna skadefläckar, som ofta missas av grövre sensorer, kan kartläggas med mycket större precision.

Lägga till osynliga färger och skogshöjd

Datamängden innehåller mer än vanliga färgbilder. Varje ruta bär på fem informationslager: rött, grönt, blått, nära-infrarött ljus och en uppskattning av objekthöjd. Nära-infrarött visar hur aktiv fotosyntesen är i vegetationen, vilket gör stressade eller döda träd tydliga jämfört med friska. Höjdlivret, skapat genom att kombinera digitala ytoch markhöjdsmodeller, visar hur höga objekt är och hjälper till att skilja stående träd från kalhyggen eller nedfallna stockar. Tillsammans fångar dessa lager både ”färg” och ”form” i trädtoppskronan och ger AI-modellerna de ledtrådar som behövs för att skilja olika typer av skador åt.

Omvandla expertkunskap till träningsdata

Högkvalitativ träningsdata är flaskhalsen för många AI-projekt, och skogbevakning är inget undantag. För att märka upp bilderna kombinerade teamet fältbaserade skadeuppgifter från en nationalpark och ett delstatsövergripande rapporteringssystem med noggrann visuell tolkning. I ett första steg översattes parkvaktarnas fältobservationer för hand till detaljerade skadepolygoner. Därefter finjusterades en modern computer vision-modell för att hjälpa till att förfina de ofta grova skadeomridsen i den bredare regionala databasen, så att de snäpptes till de faktiska skadade områdena synliga i bilderna. Specialister granskade sedan tusentals rutor med ett anpassat webbinstrument och korrigerade gränser, klasser och missade fläckar. Resultatet är ett set segmenteringsmasker som markerar varje pixel som barkborrskada, kalhygge, vindfällning eller bakgrund, med en expertacceptans över 90 procent.

Hur väl AI kan läsa skogen

För att visa vad datamängden kan göra tränade författarna en populär djuplärningsarkitektur för att automatiskt segmentera skadetyper. Med alla fem kanaler klassificerade modellen korrekt cirka 88 procent av pixlarna och presterade särskilt väl för kalhyggen och barkborrskador. I ett tilläggsexperiment tog man systematiskt bort ingångskanaler för att se vilka som spelade störst roll. Att ta bort den nära-infraröda eller höjdlager orsakade den största prestandanedgången, särskilt vid detektion av döda eller avverkade bestånd samt ihoptrasslad vindfällning. Detta bekräftar att kombinationen av spektrala ledtrådar och 3D-struktur är avgörande för att känna igen subtila skillnader i hur träd dör eller tas bort.

Vad detta betyder för framtidens skogsobservation

För icke-specialister är huvudbudskapet att studien levererar en omsorgsfullt kuraterad, öppet tillgänglig träningsgrund för AI-system som ”läser” skogar ovanifrån. Genom att para skarpa flygvyer med betrodda skadeetiketter underlättar den för forskare, myndigheter och även naturvårdsorganisationer att bygga och jämföra automatiserade verktyg för att följa skogshälsa. Även om datamängden är rotad i en tysk delstat erbjuder dess design—och den kod som släppts tillsammans med den—a en mall för liknande satsningar på andra håll. På sikt kan resurser som denna hjälpa samhället att upptäcka och reagera på skogsproblem tidigare, i skala från ett enskilt bestånd till en hel region.

Citering: 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

Nyckelord: skogsskada, fjärranalys, flygbilder, djuplärning, barkborr