Forscher haben ein fortschrittliches KI-Modell entwickelt, das hochauflösende Baumkronenhöhenkarten allein aus Standard-RGB-Bildern erzeugt und dabei nahezu Lidar-Genauigkeit für die präzise Überwachung von Waldbiomasse und Kohlenstoffspeicherung über große Flächen erreicht. Diese Innovation adressiert den dringenden Bedarf an kosteneffizienter Waldüberwachung, da Wälder und Plantagen eine zentrale Rolle bei der Kohlenstoffbindung spielen, während traditionelle Methoden teuer und arbeitsintensiv bleiben.
Das gemeinsame Forschungsteam der Beijing Forestry University, der Manchester Metropolitan University und der Tsinghua University veröffentlichte seine Ergebnisse am 20. Oktober 2025 im Journal of Remote Sensing. Ihre Studie stellt ein neuartiges Framework vor, das große Vision-Foundation-Modelle mit selbstüberwachtem Lernen kombiniert, um Submeter-Genauigkeit bei der Schätzung von Baumhöhen aus RGB-Satellitenbildern zu erreichen. Die Forschung löst das langjährige Problem der Balance zwischen Kosten, Präzision und Skalierbarkeit in der Waldüberwachung und bietet ein vielversprechendes Werkzeug für das Management von Plantagen und die Verfolgung der Kohlenstoffbindung im Rahmen von Initiativen wie Chinas Certified Emission Reduction-Programm.
Die Überwachung der Waldkronenstruktur ist entscheidend für das Verständnis globaler Kohlenstoffkreisläufe, die Bewertung von Baumwachstum und das Management von Plantagenressourcen. Traditionelle Lidar-Systeme liefern genaue Höhendaten, sind jedoch durch hohe Kosten und technische Komplexität begrenzt, während optische Fernerkundung oft die für kleinräumige Plantagen erforderliche strukturelle Präzision vermissen lässt. Das neue KI-gestützte Vision-Modell schließt diese Lücke, indem es im Vergleich zu luftgestützten Lidar-Messungen einen mittleren absoluten Fehler von nur 0,09 Metern und ein R² von 0,78 erreicht – und damit herkömmliche CNN- und Transformer-basierte Methoden übertrifft.
Die Modellarchitektur besteht aus drei Modulen: einem Feature-Extraktor, der auf dem DINOv2-Vision-Foundation-Modell basiert, einer selbstüberwachten Feature-Verbesserungseinheit zur Bewahrung feiner räumlicher Details und einem leichten konvolutionalen Höhenschätzer. Dieser Ansatz ermöglichte eine Genauigkeit von über 90 % bei der Einzelbaumerkennung und starke Korrelationen mit gemessener oberirdischer Biomasse. Das Modell zeigte eine gute Generalisierbarkeit über verschiedene Waldtypen hinweg, was es sowohl für regionale als auch nationale Kohlenstoffbilanzierungen geeignet macht.
Tests im Pekinger Bezirk Fangshan, einem Gebiet mit fragmentierten Plantagen aus hauptsächlich Populus tomentosa, Pinus tabulaeformis und Ginkgo biloba, zeigten, dass das KI-Modell Baumkronenhöhenkarten erzeugte, die eng mit Referenzdaten vor Ort übereinstimmten. Unter Verwendung von ein Meter auflösenden Google Earth-Bildern und lidargestützten Referenzen übertraf das Modell globale Baumkronenhöhenmodelle deutlich und erfasste subtile Variationen in der Baumkronenstruktur, die bestehende Modelle oft verpassten. Die generierten Karten unterstützten die Segmentierung einzelner Bäume und die Biomasse-Schätzung auf Plantagenebene mit R²-Werten über 0,9 für wichtige Arten.
Bei Anwendung auf einen geografisch unterschiedlichen Wald in Saihanba behielt das Netzwerk seine robuste Genauigkeit bei, was seine regionsübergreifende Anpassungsfähigkeit bestätigte. Die Fähigkeit, jährliche Wachstumstrends aus archivierten Satellitenbildern zu rekonstruieren, bietet eine skalierbare Lösung für die langfristige Überwachung von Kohlenstoffsenken und das Präzisionsforstmanagement. Die Forschungsmethodik verwendete ein End-to-End-Deep-Learning-Framework, das vortrainierte Features großer Vision-Foundation-Modelle mit einem selbstüberwachten Verbesserungsprozess kombiniert, wobei hochauflösende Google Earth-Bilder von 2013–2020 als Eingabe und UAV-basierte Lidar-Daten als Referenz für Training und Validierung dienten.
Dr. Xin Zhang, korrespondierender Autor an der Manchester Metropolitan University, erklärte, dass ihr Modell zeigt, wie große Vision-Foundation-Modelle die Forstüberwachung grundlegend verändern können. Durch die Kombination von globalem Bild-Pretraining mit lokaler selbstüberwachter Verbesserung erreichte das Team Lidar-Genauigkeit mit gewöhnlichen RGB-Bildern, wodurch die Kosten drastisch gesenkt und der Zugang zu präzisen Walddaten für Kohlenstoffbilanzierung und Umweltmanagement erweitert wurde.
Das KI-basierte Kartierungsframework bietet einen leistungsstarken und erschwinglichen Ansatz zur Verfolgung von Waldwachstum, Optimierung des Plantagenmanagements und Verifizierung von Kohlenstoffzertifikaten. Seine Anpassungsfähigkeit über verschiedene Ökosysteme hinweg macht es für globale Aufforstungs- und Wiederaufforstungsprogramme geeignet. Wie in der unter https://spj.science.org/doi/10.34133/remotesensing.0880 veröffentlichten Studie detailliert beschrieben, könnte diese Innovation eine zentrale Rolle bei der Erreichung nachhaltiger Forstwirtschaft und Klimaschutzmaßnahmen spielen, während die Welt auf Netto-Null-Ziele hinarbeitet. Zukünftige Forschung wird diese Methode auf Natur- und Mischwälder ausweiten, automatisierte Artenklassifizierung integrieren und Echtzeit-Kohlenstoffüberwachungsplattformen unterstützen.
