Forstwirtschaft
Unsere Wälder nachhaltig zu schützen und erfolgreich zu bewirtschaften, ist eine gesellschaftliche, staatliche, wirtschaftliche und individuelle Aufgabe und Herausforderung zugleich. In unseren Wäldern zeigen sich die Auswirkungen der zunehmenden Naturkatastrophen und des Klimawandels deutlich. Förster und Waldbauern stehen oft vor einem geschädigten Wald – verursacht durch Kalamitäten, Sturmwurf oder Trockenheit.
Die Charakterisierung von Wäldern war bisher aufwendig, kostenintensiv und erfolgte in einem 10-Jahres-Rhythmus (Forsteinrichtung). Die beschleunigten Veränderungen im Wald erfordern ein häufigeres Monitoring der Waldflächen. Mit Satelliten- und Luftbilddaten wird eine Aktualisierung der Walddaten aus der Luft in kürzeren und flexibleren Abständen möglich. Digitale automatisierte Analyseverfahren liefern wichtige Informationen zur Früherkennung. Daraus lassen sich Maßnahmen zur Reduzierung von Waldschäden sowie ein nachhaltiger strategischer Waldumbauprozess ableiten.
ForstMonitor - Waldinformationen durch digitale Analysen
Unser ForstMonitor liefert jährliche Informationen bis hin zu Ad-hoc Aussagen in hoher Qualität. Sie profitieren von passgenauen Lösungen und individueller Beratung.
Unser Servic umfasst folgende Leistungen, die modular zusammengestellt werden können:
Forst - Gelände
Sie erhalten Informationen zur Gebietscharakteristik wie Hangneigung, Exposition und Höhenlage.
Forst - Bestand
Bei der Charakterisierung Ihres Waldes helfen Baumarten, Baumhöhen und Kronenschlussgrad.
Forst - Schäden
Bedarfsorientierte Analysen zu Schadereignissen wie Sturmwurf, Schneebruch, Trockenschäden und Schädlingsbefall bieten wir Ihnen im gewünschten Zeitfenster an.
Forst-GIS-Management
Digitalisierungsdienstleistungen, Geodatenbankmanagement, Beschaffung und Auswertung aktueller Luft- und Satellitenbilddaten erhalten Sie über unser Forst-GIS-Management.
Analysen für den Wald von morgen
Immer mehr Freiflächen, entstanden durch Schäden, können vermehrt zu Bodenerosion führen. Beugen Sie vor:
- Risikoanalysen, z.B. potenzielle Hangrutschflächen, Hochwasser und Überschwemmungen, Waldbrände
- Schadensanalysen/Post-Disaster-Analysen, z.B. Ermittlung von Schadensausmaß und Soforthilfen
- Vitalitätanalysen
- Verbuschungsanalysen
Mit unseren Fernerkundungsanalysen erkennen und reagieren Sie frühzeitig auf potenzielle Stressfaktoren und Naturgefahren:
Externer Inhalt - YouTube
An dieser Stelle finden Sie Inhalte eines Drittanbieters, die Sie mit einem Klick anzeigen lassen können.
Dadurch können personenbezogene Daten an den Dienst YouTube übermittelt werden. Mehr Informationen finden Sie in unseren Datenschutzbestimmungen.
Sprechen Sie uns an. Egal ob Bundesministerium, Landesamt, Forstbetriebsgemeinschaft oder Privatwaldbesitzer – unsere Lösungen sind für jeden Anwendungsfall adaptierbar.
Diese Partner vertrauen uns:
- Bayerische Landesanstalt für Wald und Forstwirtschaft (LWF)
- Hessen Forst
- Thüringen Forst
- Sachsen Forst
- Landesbetrieb Wald und Holz NRW
- Intend Geoinformatik GmbH
- US Army Corps of Engineers
- EU Joint Research Centre (JRC)
Aktuelle Veröffentlichungen:
KIHBA – Künstliche Intelligenz für hochaufgelöste Baumartenerkennung
Wälder unterliegen im rasant zunehmenden Maße klimawandelbedingten Veränderungen sowie abiotischer und biotischer Kalamitäten. Eine flächendeckende Kenntnis zur Baumartenzusammensetzung und Baumartenverteilung ist daher von höchstem Interesse für die Waldbewirtschaftung und bildet dabei die Grundlage für den zukunftsfähigen Waldumbau. Derzeit steht diese Informationen nur für ca. 34% der bayerischen Wälder (Staatswald) aus Stichprobeninventuren zur Verfügung.
Ziel des gemeinsamen Forschungsprojektes von IABG und der LWF Bayern ist die Entwicklung einer KI-basierten Methodik zur automatisierten Baumartenklassifikation der in Bayern (und Deutschland) wirtschaftlich bedeutsamsten Baumarten Fichte (Picea abies), Kiefer (Pinus sylvestris), Buche (Fagus sylvatica) und Eiche (Quercus spec.) auf der Basis von höchstauflösenden Fernerkundungsdaten.
Die Umsetzung der Baumartenklassifikation erfolgt unter Verwendung von Deep Learning. Zum Training der hierfür eingesetzten Convolutional Neural Networks (CNN) wurde ein sehr umfangreicher Trainingsdatensatz durch visuelle Interpretation und manuelle Digitalisierung von Einzelbäumen und Baumartengruppen erzeugt. Derzeit erfolgt das Training des Modells und dessen Optimierung.
Das Projekt wird gefördert von der Deutschen Raumfahrtagentur im Deutschen Zentrum für Luft- und Raumfahrt (DLR) mit Mitteln des BMWi.
BeechSAT und IpsSAT
Künstliche Intelligenz (KI) und Luft-/ Satellitenbilder im Einsatz für den Wald.
In den vergangenen Jahren nahm der Anteil der absterbenden bzw. abgestorbenen Bäume stark zu. So wurde seit Anfang 2019 ein Buchensterben in Nordbayern beobachtet. Die Schadholzmenge, die von der Befallsaktivität und Populationsentwicklung von Buchdrucker (Ips typographus) und Kupferstecher (Pityogenes chalcographus) verursacht wurde stieg auch rasant an: 1,9 Mio. Fm im Jahr 2016, 3,55 Mio. Fm im Jahr 2017 und 4,5 Mio. Fm im Jahr 2018 (Triebenbacher et al. 2017, 2018 & 2019).
Diese beiden Phänomene veranlassten die Bayerischen Landesanstalt für Wald und Forstwirtschaft (LWF) und die IABG zu den Forschungsprojekten BeechSAT – Detektion von Buchentrockenheit - und IpsSAT – Erkennung unterschiedlicher Stadien (red- und gray-attack) des Borkenkäferbefalls. Verglichen wurden unterschiedliche optische Satellitendaten und Luftbilder zur fernerkundlichen Detektion und unterschiedliche Verfahren des maschinellen Lernens (ML) und Deep Learnings (DL). Durchgeführt wurde die Untersuchung in repräsentativen Untersuchungsgebieten in Bayern.
Ziel der Projekte war die Beurteilung des Nutzens der eingesetzten Verfahren für die Waldbesitzer (ökonomisch, ökologisch, sozial) und den Waldschutz (phytosanitär). Ein besonderer Fokus lag dabei auf der Abschätzung der Praxistauglichkeit von hochaufgelösten, optischen Satellitendaten zur automatisierten Erfassung von Borkenkäferschäden und Buchentrockenheit und die Ableitung von Empfehlungen für die Umsetzung in ein praxisreifes Verfahren.
| Machine Learning | Deep Learning | |
| Ansatz | Random Forest, Support Vector Machine | U-Net basierende Architektur |
| Bilddaten | Luftbild, WorldView-2/3, SkySAT, PlanetDove, Sentinel-2 | Luftbild, WorldView-2/3, SkySAT, PlanetDove, Sentinel-2 |
| Trainingsdaten | Repräsentative Trainingspolygone | Flächendeckende Label-Bildkacheln |
| Manuelle Erfassung von Trainingsdaten auf Basis von TrueDOPs | Manuelle Erfassung von Trainingsdaten auf Basis von TrueDOPs | |
| Manuelle Erfassung von Trainingspolygonen | Semiautomatische Erfassung von Trainingspolygonen (Bildsegmentierung) | |
| Training | R,G,B,NIR-Kanäle Vegetationsindizes, Texturmerkmale | R,G,B,NIR-Kanäle Vegetationsindizes, Texturmerkmale |
Marginal Lands
Mit dem Projekt MAIL sollen europaweit mögliche Kohlenstoffsenken (z.B. Brachen, Ödland, waldfreie Hanglagen) identifiziert und entsprechend ihrer Nutzbarkeit für die Aufforstung bewertet werden. Es wird ein Werkzeug entwickelt, mit dem potentielle Aufforstungsflächen zur CO2 Speicherung ausgewiesen und entsprechend angepasst werden können. Als Standortmerkmal soll das mittelfristig mögliche CO2-Speicherpotential der Biomasse modelliert werden. Die Einbindung aktueller Copernicus Daten ermöglicht die Anzeige der Flächenentwicklung potentieller Kohlenstoffsenken. Damit soll das Bewusstsein für das Management von marginalen Flächen erhöht und zahlreichen Nutzern ein Zugang ermöglicht werden. Die Plattform soll politischen Entscheidungsträgern, Interessenvertretern oder Forschern on-demand thematische Karten für ganz Europa bieten.
Die IABG identifiziert für Deutschland bzw. Europa die potentiellen Kohlenstoffsenken und ihre Nutzung für ein nachhaltiges Klimaprogramm.
Alle Aktivitäten sind durch Horizon 2020/ MSCA-RISE 2018 finanziert.
MAIL (Identifying Marginal Lands in Europe and strengthening their contribution potentialities in a CO2 sequestration strategy, GA No. 823805, H2020-MSCA-RISE-2018) ist ein von der Research Executive Agency (REA) finanziertes europäisches Kooperationsprojekt unterschiedlicher Europäischer Forschungseinrichtungen und Firmen.
