Description: Die Wälder in Mitteleuropa sind drastischen Veränderungen unterworfen, die sich in (1) allmählichen Veränderungen der Standortbedingungen (veränderte Niederschlags- und Temperaturmuster, atmosphärische Einflüsse) und (2) einer zunehmenden Zahl abiotischer und biotischer Katastrophen manifestieren. Die Waldforschung sucht nach Möglichkeiten, wie auf diese beispiellosen Herausforderungen reagiert und das Wald- und Ökosystem-Management angepasst werden kann. Genaue und zeitnahe Informationen über den Zustand und die Veränderungen der Wälder sind eine unabdingbare Voraussetzung für eine solche Anpassung. Allerdings gibt es vielfältige methodische Fragen zum großflächigen Monitoring einzelner Bäume, für die immer mehr hochauflösende Fernerkundungsbilder zur Verfügung stehen und entsprechende Analysemöglichkeiten bieten.Die großen Datenmengen, die bei der Arbeit mit hochauflösenden Bildern auf größeren Flächen anfallen, lassen herkömmliche Klassifizierungsansätze scheitern. In diesem Projekt wer-den wir Techniken des "Deep Learning" insbesondere faltungsbasierte neuronale Netze für das großflächige Waldmonitoring adaptieren und anwenden, um gleichzeitig (1) einzelne Bäume zu identifizieren und (2) ihre Art zu bestimmen. Bisher wird dies üblicherweise in zwei Schritten mit zwei verschiedenen Fernerkundungsdatenquellen durchgeführt. Wir planen, mit nur einer Datenquelle zu arbeiten: hochauflösende optische Bilder, ohne die Notwendigkeit, zunächst Lidar-Daten zu analysieren, die für größere Gebiete kostspielig sind. Aus eigenen und zusätzlichen optischen Bilddatensätzen sowie umfangreichen Referenzdaten werden wir (1) einen großen Datensatz umklassifizierter Bilder und (2) einen annotierten Trainingsdatensatz zu Baumarten für mitteleuropäische Baumarten erstellen. Dieser kann nach und nach erweitert werden und anderen Forscherteams als Grundlage für weitere Deep-Learning-Anwendungen in der Forstwirtschaft zur Verfügung gestellt werden. Wir werden einen Methoden-Werkzeugkasten für die großflächige Kartierung einzelner Baumarten entwickeln, der bei Verfügbarkeit der entsprechenden Bilder auf ganze Länder angewandt werden kann.Wir bündeln in diesem Antrag die Expertise aus den Bereichen Waldmonitoring (PI Kleinn) und Datenwissenschaften (PI Ecker) und reagieren auf aktuelle Politiken von BMEL (Waldzu-standsüberwachung) und BMBF (Förderung von Anwendungen der künstlichen Intelligenz).Unsere Forschung wird die methodischen Grundlagen für effizientere Monitoringsysteme weiter entwickeln und damit zur Anpassung der Waldökosystembewirtschaftung an den Klimawandel beitragen; sie schafft ein Beispiel für die Anwendung von Deep Learning für das großräumige Waldmonitoring.
Types:
SupportProgram
Tags:
Baumkrone
?
Baum
?
Kartierung
?
Lidar
?
Waldmonitoring
?
Mitteleuropa
?
Analyseverfahren
?
Künstliche Intelligenz
?
Technik
?
Klimaanpassung
?
Arbeit
?
Fernerkundung
?
Forstwirtschaft
?
Standortbedingung
?
Wald
?
Big Data
?
Forstwissenschaften
?
Region:
Niedersachsen
Niedersachsen
Bounding boxes:
6.3459138° .. 11.598118° x 51.295069299999994° .. 54.1378463°
6.34585436170082° .. 11.598078494585739° x 51.295231899260386° .. 54.137910176972056°
License: Creative Commons Namensnennung-keine Bearbeitung-Nichtkommerziell 4.0
Language: Deutsch
Organisations
-
Umweltbundesamt (Bereitstellung)
-
Universität Göttingen, Burckhardt-Institut, Abteilung Waldinventur und Fernerkundung (Projektverantwortung)
-
Universität Göttingen, Institut für Informatik (Projektverantwortung)
Last harvest: 29.09.2026 09:36
Time ranges:
2022-01-01 - 2026-09-29
Alternatives
-
Language: Englisch/English
Title: A deep learning framework for automated large-area detection of individual tree crowns and classification of tree species (ML4iTree =Machine Learning for identification of Tree species)
Description: Forests in Central Europe undergo drastic changes, manifesting themselves in (1) gradual changes in site conditions (changing rainfall and temperature patterns, atmospheric intakes) and (2) an increasing number of abiotic and biotic disasters. Forest research is searching for options how to adapt forest and ecosystem management to these unprecedented challenges. Accurate and timely information on status and changes of the forests constitute an indispen-sable precondition for such adaptation. However, there are manifold methodological challen-ges concerning the monitoring of individual trees over large areas for which high-resolution remote sensing imagery has become more and more available and offers corresponding analysis options.The big data involved when working with high-resolution imagery on larger areas make conventional classification approaches fail. In this project, we will adapt and apply deep learning techniques - notably convolutional neural networks - for large-area forest monitoring to simultaneously (1) identify individual trees and (2) identify their species. So far, this is commonly done in two steps with two different remote sensing data sources. We plan to work with only one data source: high-resolution optical imagery, without the need to analyse lidar data first which are costly for larger areas. From own available and additional optical image data sets we will generate (1) a large archive of unlabelled image patches and (2) with extensive ground-truthing training a training data set on tree species for Central European tree species. The archive can gradually be enhanced and will be made available to other research teams as a basis for further deep learning applications in forestry. We will develop a methods´ toolbox for large area mapping of individual trees’ species that may be applied to whole countries, given availability of the corresponding imagery.We join forces between the two methodologically oriented disciplines “forest monitoring science” (PI Kleinn) and “data science” (PI Ecker) - and implicitly respond to current policies in BMEL (request to further develop efficiency of forest condition monitoring) and BMBF (fostering applications of artificial intelligence).Our research will provide the methodological basis for more efficient monitoring systems and thus contribute to the adaptation of forest ecosystem management to climate change; it generates a showcase for application of deep learning for forest monitoring.
URL: https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1140687
Resources
Status
Quality score
- Overall: 0.47
-
Findability: 0.48
- Title: 0.80
- Description: 0.05
- Identifier: false
- Keywords: 0.88
- Spatial: BoundingBox (0.50)
- Temporal: DomainOnly
-
Accessibility: 0.67
- Landing page: Specific (1.00)
- Direct access: false
- Publicly accessible: true
-
Interoperability: 0.00
- Open file format: false
- Media type: false
- Machine-readable metadata: false
- Machine-readable data: false
-
Reusability: 0.75
- License: ClearlySpecifiedAndFree (1.00)
- Contact info: false
- Publisher info: true
- Currentness: LastWeek (1.00)
Accessed 1 times.