Fortschritte bei der Baumartenbestimmung mit Luftdaten

Das Verstehen der Baumarten in Wäldern ist super wichtig für das Management dieser Gebiete, die Planung von Naturschutzmassnahmen und das Studieren der Umwelt. Früher hing die Datensammlung über Baumarten von zwei Hauptmethoden ab. Die erste Methode besteht darin, Bäume in bestimmten Grundstücken zu zählen, was gute Daten liefert, aber nur kleine Flächen abdeckt. Die zweite Methode nutzt Satellitenbilder, um die Vielfalt der Baumarten über grössere Flächen vorauszusagen, aber diese Methode liefert keine Infos über einzelne Bäume.

Neueste Fortschritte in der Luftfahrttechnik helfen, die Lücke zwischen diesen beiden Methoden zu schliessen. Mit hochauflösenden Bildern von Flugzeugen und Drohnen können Forscher detaillierte Informationen über Bäume über riesige Landschaften hinweg sammeln. Diese Technologie ermöglicht es ihnen, Daten von Dutzenden bis Tausenden Hektar zu erfassen, was beim Verständnis der Waldstrukturen und deren Veränderungen über die Zeit aufgrund natürlicher und menschlicher Einflüsse hilft.

#Individuelle Bäume erkennen

Das Erkennen individueller Bäume aus der Luft ist ein Schwerpunkt in der Umweltforschung. Das ist wichtig, denn zu wissen, wie viele Bäume in einem bestimmten Gebiet stehen, hilft bei verschiedenen Forschungs- und Managementaufgaben. Zu identifizieren, wo einzelne Bäume stehen und ihre Kronen (die oberen Teile der Bäume) zu messen, sind entscheidende Schritte in dieser Forschung. Diese Aufgaben haben viel Forschung angestossen, um bessere Algorithmen zu entwickeln, die Bäume aus Luftbildern genau erkennen können.

Deep Learning, eine Art von künstlicher Intelligenz, hat sich für diese Aufgabe als beliebt erwiesen. Mit Hilfe von beschrifteten Bildern und Boden-Daten können KI-Modelle lernen, Baumstandorte und -Arten zu identifizieren. Ein grosses Problem ist jedoch, genug Trainingsdaten zu sammeln, die die verschiedenen Formen von Baumkronen in verschiedenen Umgebungen einfangen.

Sobald die Forscher die Baumkronen in den Bildern identifiziert haben, ist der nächste Schritt, jede Krone mit dem richtigen Artennamen zu kennzeichnen. Viele Modelle wurden vorgeschlagen, um das zu erreichen, aber es ist immer noch ungewiss, wie gut diese Modelle in unterschiedlichen Ökosystemen mit verschiedenen Baumarten und -dichten funktionieren. Um die Modelle zu verbessern, haben Forscher vorgeschlagen, mehrere Jahre Luftbilder zu nutzen, um bessere Ergebnisse zu erzielen.

Ein weiteres Problem ist das Klassenungleichgewicht. In vielen Umgebungen dominieren einige Baumarten, was es für die Modelle schwierig macht, über die weniger häufigen Arten zu lernen. Das ist eine grosse Herausforderung beim Trainieren von KI-Modellen.

#Fortschritte mit dem National Ecological Observatory Network (NEON)

Das National Ecological Observatory Network (NEON) macht bedeutende Fortschritte im Verständnis regionaler Wälder, indem es offenen Zugang zu hochauflösenden Luftdaten in den USA bietet. NEON sammelt standardisierte Daten von verschiedenen Standorten, was hilfreich ist, um detaillierte Karten von Baumarten zu erstellen.

Ein grosses Ziel ist es, Karten zu erstellen, die individuelle Baumkronen zeigen, um die laufende Forschung zu Wäldern, Ökosystemen und Wildtieren zu unterstützen. Durch die Nutzung verschiedener Arten von Luftdaten – wie reguläre Fotos, Höhenmodelle und spektrale Daten – haben Forscher die Standorte von über 100 Millionen Bäumen aus 81 Arten an 24 NEON-Standorten vorausgesagt.

Diese Arbeit basiert auf früheren Datensätzen, indem sie Details zu Arten und ihrem Gesundheitsstatus hinzufügen. Diese Artendaten erweitern die Nützlichkeit des Datensatzes für die Forschung, die sich auf Biodiversität und das Management natürlicher Ressourcen konzentriert.

#Datensammlungsmethoden

NEON sammelt jährlich Luftdaten in Zeiten, in denen die Bäume Laub haben. Die Daten werden in der Zeit des maximalen Grünes gesammelt, um Konsistenz zu gewährleisten. Verschiedene NEON-Datenprodukte beinhalten hochauflösende Kamerabilder, Baumkronen-Höhenmodelle und hyperspektrale Bilder, die helfen, Baumarten basierend darauf zu unterscheiden, wie sie Licht reflektieren.

Felddaten bestehen aus Baummassen, die in festen Flächen durchgeführt werden, und liefern die notwendigen Informationen über Baumarten zur Verbindung mit den Luftdaten. Eine erhebliche Anzahl zusätzlicher Bäume wird aus verschiedenen Quellen gesammelt, um sicherzustellen, dass so viele Arten wie möglich in das Modell einfliessen.

Um die Informationen zu Baumarten aus Boden-Daten effektiv mit Luftbildern zu verknüpfen, wird ein Filteransatz verwendet, um die Datenqualität und -genauigkeit sicherzustellen. Durch den Vergleich der Feldmessungen mit den Luftdaten können Forscher Bäume herausfiltern, die nicht bestimmten Kriterien entsprechen, sodass nur die zuverlässigsten Daten zum Trainieren der KI-Modelle verwendet werden.

#Vorhersage von Baumkronen

Der DeepForest-Algorithmus ist ein wichtiges Werkzeug zur Vorhersage von Baumkronen. Dieses Modell wurde im Laufe der Zeit verbessert und ist jetzt öffentlich zugänglich und erzielt eine durchschnittliche Rückrufrate von etwa 72 %. Das bedeutet, dass das Modell in der Lage ist, einen signifikanten Teil der Bäume in den Bildern korrekt zu identifizieren.

Es gibt jedoch noch einige Einschränkungen. Die Genauigkeit der Kronenvorhersagen kann je nach Baumabstand und Artenvielfalt variieren. Generell bringen gut platzierte Bäume in offenen Wäldern bessere Ergebnisse als solche in dichten Waldgebieten.

Sobald die Baumkronen erkannt sind, wird jede Krone mithilfe von Deep Learning-Modellen, die auf Bildern von allen NEON-Standorten trainiert wurden, als lebendig oder tot klassifiziert. Diese Klassifizierung hilft, den Gesundheitsstatus der Bäume zu bestimmen, ein entscheidendes Element beim Verständnis der Wald-Dynamik.

#Artenidentifikation

Um Baumkronen mit Artennamen zu kennzeichnen, haben Forscher für jeden NEON-Standort einzigartige Modelle entwickelt. Das bedeutet, dass jedes Modell speziell auf die vorliegenden Baumarten an diesem Standort abgestimmt ist. Der Prozess beinhaltet die Verwendung hyperspektraler Daten, die messen, wie Bäume Licht bei verschiedenen Wellenlängen reflektieren, um Baumarten zu klassifizieren.

Ein hierarchischer Modellierungsansatz wird übernommen, um das Klassenungleichgewicht besser zu managen. In diesem System werden Arten in Submodelle basierend auf Ähnlichkeiten gruppiert, damit das Modell sowohl häufige als auch seltene Arten effektiver handhaben kann. Dieser Ansatz zielt auch darauf ab, Fehler bei der Vorhersage verwandter Arten zu reduzieren.

Wenn das Modell angewendet wird, werden Vorhersagen für jedes verfügbare Jahr der Daten gemacht, um potenzielle Verzerrungen und Überanpassungen zu minimieren. Letztendlich ergibt dieser Prozess einen umfassenden Datensatz von vorhergesagten Baumarten an mehreren Standorten.

#Ergebnisse der Artenvorhersagen

Die für die Artenklassifikation erstellten Modelle erzielten bemerkenswerte Erfolge und identifizierten eine vielfältige Anzahl von Baumarten über die NEON-Standorte. Im Durchschnitt war an jedem Standort etwa 6,56 Arten vertreten, mit einem Höchstwert von 15 Arten im Harvard Forest und einem Tiefstwert von 3 Arten an einigen anderen Standorten. Insgesamt erfassten diese Vorhersagen einen hohen Prozentsatz der Gesamtreichtum an Baumarten an den Standorten.

Die Genauigkeitsmessungen zeigen, dass die Modelle gut abgeschnitten haben, mit etwa 78,8 % Mikro-Genauigkeit und etwa 75,8 % Makro-Genauigkeit. Mikro-Genauigkeit zeigt die Gesamtleistung über alle Vorhersagen, während Makro-Genauigkeit speziell die Genauigkeit seltenerer Arten betont.

Die Daten aus den Vorhersagen zeigen, dass bestimmte Baumarten einen erheblichen Teil der Bäume an einem Standort ausmachen, wobei einige Arten je nach Häufigkeit in den Vorhersagen dominieren. Diese Dynamiken zu verstehen, ist entscheidend, um zu studieren, wie verschiedene Arten zum Ökosystem beitragen.

#Herausforderungen und Einschränkungen

Obwohl der generierte Datensatz umfangreich ist, gibt es Herausforderungen und Einschränkungen zu beachten. Die Genauigkeit der Vorhersagen kann in Gebieten mit hoher Baumvielfalt oder eng gepackten Kronen leiden, wo es schwieriger wird, zwischen Arten zu unterscheiden. Zudem sind kleinere Bäume, die als Unterbaumarten klassifiziert werden, im Datensatz nicht gut repräsentiert, da sie nicht in den Luftvorhersagen enthalten sind.

Darüber hinaus gibt es Unsicherheiten bei der genauen Kennzeichnung und Kategorisierung von Bäumen. Fehler können aus verschiedenen Faktoren resultieren, einschliesslich fehlerhafter Identifizierung von Baumarten oder Ungenauigkeiten bei der Kronenabgrenzung. Obwohl die verwendeten Algorithmen getestet wurden und eine gute Zuverlässigkeit gezeigt haben, sind die Vorhersagen immer noch nur Schätzungen.

#Ausblick auf die Zukunft

Um die Datenqualität und die Genauigkeit der Modelle zu verbessern, wird eine kontinuierliche Datensammlung unerlässlich sein. Forscher können sich darauf konzentrieren, Daten für unterrepräsentierte Arten zu sammeln, da diese oft Schwierigkeiten haben, genau vorhergesagt zu werden. Gezieltes Sampling, bei dem Forscher Daten aus bestimmten Bereichen mit selteneren Arten sammeln, wird dazu beitragen, die Wissensbasis des Modells zu erweitern.

Wenn neue Forscher an den NEON-Standorten ankommen, wird die Zusammenarbeit ein besseres Verständnis der Waldökologie fördern. Die Verbindung der Vorhersagen für Baumkronen mit anderen ökologischen Daten wird tiefere Einblicke in die Interaktionen innerhalb dieser Systeme bieten. Das bedeutet, die Vorhersagen mit detaillierteren Umweltdaten und historischen Aufzeichnungen zu verknüpfen.

Letztendlich ist das Ziel, die Artenvorhersagen auf ein Niveau zu bringen, auf dem sie zuverlässig für breitere ökologische Forschungen genutzt werden können. Durch die Verbesserung der Modelle und das bessere Verständnis des Waldökosystems hoffen die Forscher, bei Naturschutzbemühungen und ökologischem Management in grösserem Massstab zu helfen.