Künstliche Intelligenz ermöglicht Erkennung verborgener Waldinvasionen
Innovative Kartierung der invasiven Baumart Götterbaum unter Baumkronen durch Drohnen und KI
Ein Forscherteam der Justus-Liebig-Universität Gießen (JLU) hat eine neuartige Methode entwickelt, um invasive Pflanzenarten im Unterwuchs von Wäldern zu erfassen. Dabei kommen handelsübliche Drohnen, Schrägluftbilder aus verschiedenen Perspektiven sowie Künstliche Intelligenz (KI) zum Einsatz. Erstmals gelang es so, den invasiven Götterbaum (Ailanthus altissima) auch unter dem Kronendach eines durch Dürre geschädigten Waldes in Südhessen sichtbar zu machen. Die Forschungsergebnisse wurden im „ISPRS Open Journal of Photogrammetry and Remote Sensing“ veröffentlicht.
Herausforderungen bei der Erfassung invasiver Arten aus der Luft
Invasive Pflanzenarten wie der Götterbaum können heimische Ökosysteme stark beeinträchtigen. Die bisher üblichen Luftbildverfahren basieren auf Orthomosaiken – zusammengesetzten Karten, die aus vielen Einzelbildern von oben erstellt werden. Diese Methode erfasst jedoch keine Vegetation, die sich unter dem Blätterdach verbirgt. Die neue Studie setzt genau an diesem Punkt an: Die Forschenden analysierten die unbearbeiteten Originalbilder der Drohnenflüge mit KI-Algorithmen und kombinierten die Ergebnisse zu einem dreidimensionalen Modell des Waldes. Dabei zeigte sich, dass über 40 % des Götterbaum-Befalls unter dem Kronendach verborgen sind und mit herkömmlichen Techniken nicht erkannt werden können.
Vorteile der Kombination von Schrägluftbildern und Künstlicher Intelligenz
PD Dr. André Große-Stoltenberg, Letztautor der Studie und Wissenschaftler an der Professur für Landschaftsökologie und Landschaftsplanung sowie am Zentrum für internationale Entwicklungs- und Umweltforschung (ZEU) der JLU, betont: „Ein großer Teil der Invasion findet versteckt unter dem Kronendach statt. Die Verbindung von Schrägluftaufnahmen mit KI macht diese verborgene Ausbreitung erstmals sichtbar und ermöglicht eine realistische Einschätzung des Ausmaßes.“
Ein weiteres überraschendes Ergebnis war, dass KI-Modelle präziser arbeiten, wenn sie mit den unbearbeiteten Originalbildern trainiert werden, anstatt mit den aufwendig erstellten Orthomosaiken. Dies vereinfacht den Arbeitsprozess und erhöht die Anwendbarkeit der Methode in der Praxis, so Erstautor Marcel Dogotari.
Methodik und Anwendungsgebiet
- Drohnenflüge wurden über Waldgebieten bei Pfungstadt und Seeheim-Jugenheim (Landkreis Darmstadt-Dieburg) durchgeführt.
- Die Analyse der unbearbeiteten Luftbilder erfolgte mittels neuronaler Netze, einem maschinellen Lernverfahren zur automatisierten Bildinhalts-Erkennung.
- Die erkannten Daten wurden photogrammetrisch auf eine georeferenzierte dreidimensionale Punktwolke des Waldes projiziert.
Potenzial für Monitoring und Umweltschutz
Der entwickelte Ansatz liefert nicht nur präzisere Karten, sondern auch umfangreichere räumliche Informationen. Er ist zudem leichter auf andere Regionen übertragbar. Da die Methode auch auf bereits existierende Bilddatensätze angewendet werden kann, eröffnet sie neue Möglichkeiten für das Monitoring invasiver Arten und die Vegetationsforschung insgesamt. Dies könnte zukünftig die Entscheidungsfindung im Natur- und Umweltschutz unterstützen.
Kooperation und Förderung
Die Studie entstand im Rahmen des Projekts MonA (Monitoring von naturschutzrelevanten Arten und Renaturierungsmaßnahmen per Fernerkundung). Beteiligt waren neben der Professur für Landschaftsökologie und Landschaftsplanung sowie dem ZEU der JLU auch Forschende der Hochschule Rhein-Waal. Das Projekt wird vom Hessischen Biodiversitätsforschungsfonds des Hessischen Landesamtes für Naturschutz, Umwelt und Geologie (HLNUG) gefördert.
Kontakt für wissenschaftliche Rückfragen
PD Dr. André Große-Stoltenberg
Professur für Landschaftsökologie und Landschaftsplanung
Telefon: 0641 99-37176
E-Mail: andre.grosse-stoltenberg@umwelt.uni-giessen.de
Originalpublikation
Marcel Dogotari, Till Kleinebecker, Rolf Becker, André Große-Stoltenberg:
Mapping understorey tree invasion in a drought-affected forest using multi-view UAV imagery and deep learning,
ISPRS Open Journal of Photogrammetry and Remote Sensing, Volume 21, 2026, 100133, ISSN 2667-3932.
https://doi.org/10.1016/j.ophoto.2026.100133
Weiterführende Informationen
https://www.uni-giessen.de/de/ueber-uns/pressestelle/pm/pmhlnug26-mitdrohnenundkikartieren
