SilviLaser ist eine Konferenz, die seit 2002 im Zweijahresrhythmus stattfindet und unterschiedlichste forstliche LIDAR- (Laserscanning-) Anwendungen zum Thema hat. Es treffen sich 200–300 Spezialisten, der Großteil kommt aus Forschungsinstituten. Zunehmend nutzen Vertreter großer Forstunternehmer wie Weyerhaeuser oder Irving Woodlands diese Konferenz, um den Stand der Technik zu erkunden. Der kanadische Forstdienstleister Forsite ist schon länger Gast und Sponsor bei SilviLaser.
Gemeinsam mit der TU-Wien war Umweltdata 2021 Gastgeber dieser Konferenz. In einem Benchmark für tragbare Laserscanner konnten auf Testflächen im Wienerwald mit Unterstützung der Österreichischen Bundesforste viele Datensätze gewonnen werden, die bis heute als Datengrundlage für wissenschaftliche Publikationen dienen. 2023 fand die Konferenz in London statt, 2025 in Quebec; die nächste ist 2027 in Warschau geplant.
Landesweites Einzelbaummodell
Finnland zeigt es wieder einmal vor: ein landesweites Einzelbaummodell mit Baumkoordinaten, Baumart, Baumhöhe, Kronenvolumen, Durchmesserschätzung und Holzvolumen, hergeleitet aus amtlichen Airborne LaserScanning (ALS)- Daten. Zugegeben, mit größtenteils nur vier Baumarten (Fichte, Kiefer, Birke, Espe) und etwas größerem Abstand zwischen den Bäumen funktioniert das im borealen Wald etwas einfacher als bei uns. Die finnische nationale Forstinventur dient zur Kalibrierung dieser Daten und wird in Zukunft für ein viel genaueres Waldmonitoring deutlich weniger terrestrische Probeflächen benötigen. Dass man mit diesem Datensatz nur wenige Mausklicks davon entfernt ist, den auf einer Grundstücksparzelle stockenden Bestandeswert zu ermitteln, stört offensichtlich niemanden (www.maanmittauslaitos.fi/en/research/singletree).
Ein weiteres Highlight unter den Präsentationen: der Zuwachs eines Baums korreliert stark mit dem Kronenvolumen, dieses ist wiederum gut aus hochaufgelösten ALS-Daten herzuleiten. Die Kalibrierung der Modelle erfolgt mittels Bohrkernmessungen. Und ja, die Baumart sollte man auch kennen. Der Zusammenhang zwischen Kronenvolumen und Zuwachs klingt nach einer Binsenweisheit – nur war die Messung des Kronenvolumens bisher zu vernünftigen Kosten vollkommen undenkbar. In dichten LIDAR-Punktwolken, sowohl aus terrestrischen (TLS) als auch ALS Aufnahmen ist das Kronenvolumen quasi Bestandteil des Standard-Datensatzes geworden (https://academic.oup.com/forestry/article/98/2/293/7692839).
Zuwachsprognose ohne Ertragstafel
Großflächig ist die Wachstumsprognose aus multitemporalen ALS-Daten Stand der Technik, und dazu muss man sich nicht auf die Ebene der Einzelbäume begeben. Wieder ist die Kenntnis der Baumart entscheidend. Doch es ermöglicht die Herleitung von Ertragstafeln, in denen das Alter keine Rolle spielt. Veröffentlichungen dazu gibt es seit mehr als zehn Jahren, der polnische Wissenschaftler Jarosław Socha wurde im Eröffnungsvortrag von Piotr Tompalski (University of British Columbia) in diesem Zusammenhang mehrfach erwähnt. In Zeiten des Klimawandels wäre das wohl eine sehr ernst zu nehmende Alternative zu unseren Ertragstafeln, die das Wachstum gleichaltriger Monokulturen von vor mehr als 100 Jahren abbilden. Bald gibt es in ganz Österreich flächendeckend 2–3 ALS-Abdeckungen, eine hervorragende Datengrundlage für derartige Berechnungen. Einziger Nachteil: Beim Finanzamt käme man mit diesem Ansatz in schwerste Argumentationsnöte, nicht nur in Österreich.
Baumartenerkennung: fast alle setzen auf AI
Die Baumartenerkennung ist und bleibt ein Dauerbrenner. Unzählige Präsentationen und Poster haben sich mit diesem Thema beschäftigt, und AI-Methoden, vorzugsweise Neuronale Netze, sind fester Bestandteil der Methoden. Bei TLS (terrestrial laser scanning)-Punktwolken werden dazu sowohl die Einzelbaum-bezogenen 3D-Daten direkt als auch aus den 3D-Daten gewonnene Bilder (Querschnitte) für das Training der Neuronalen Netze verwendet. Der Flaschenhals ist – wie bei vielen AI-Anwendungen – die Verfügbarkeit von annotierten Trainingsdaten. Pro Baumart sollte man etwa 1000 Trainingsdatensätze haben, das kann zur Knochenarbeit werden. Die automatische Klassifikation von 10–15 Baumarten aus TLS-Daten mit einer Trefferquote zwischen 70% und 90% ist Stand der Technik. Die Ergebnisse eines EU-Projekts zu diesem Thema waren auf der Konferenz mehrfach vertreten (https://3dforecotech.eu/).
Weitere Ansätze zur Baumartenerkennung aus TLS-Daten sind zum Beispiel Analysen der Verzweigungs-Geometrie oder der Rindenstruktur. Besonders wichtig: die Trainingsdaten sollten je Baumart von Bäumen unterschiedlicher Altersklassen stammen. Weitere Erkenntnis: Eine gemeinsame Analyse von Punktwolken und Bilddaten erhöht die Trefferquote. Auch bei Verwendung von Drohnen- oder Flugzeugdaten für eine AI-basierte Baumartenerkennung sollte man sowohl auf Punktwolken als auch auf Bilddaten zugreifen.
Monitoring der Biodiversität
Ein deutlich erkennbarer Schwerpunkt der Konferenz war das Monitoring der Biodiversität. Dieses komplexe Thema schreit förmlich nach Objektivierung. Alle bisherigen visuellen Klassifikationsmethoden waren unbefriedigend, weil subjektiv, schwer mess- und vergleichbar. Da neuerdings nicht nur die CO2-Speicherung, sondern auch die Biodiversität monetarisiert und zum Geschäftsmodell wird, braucht es im Monitoring neue Zugänge. Das Totholzvolumen zum Beispiel gilt als zuverlässiger Indikator für Biodiversität, eine kostengünstige Erfassung – früher fast unbezahlbar – ist nun mit TLS oder hohen ALS-Punktdichten möglich. Die räumliche Verteilung unterschiedlicher Baumgrößen und Baumarten wird messbar, wenn von allen Bäumen die Koordinaten und Eigenschaften bekannt sind. Sehr oft taucht in den wissenschaftlichen Arbeiten der Begriff der Entropie auf. Wie stark durchmischt sind Bäume mit unterschiedlichen Eigenschaften? Das Biom alter Bäume ist besonders vielfältig – wie viele Überhälter sind in die nächste Generation eingewachsen? Viele dieser Kriterien lassen sich aus den Punktwolken wiederhol- und vergleichbar quantifizieren. Und wenn man sehr genau scannt, kann man sogar Mikrohabitate erkennen und zählen.
Fazit: LIDAR-Technologie ist aus dem Waldmonitoring nicht mehr wegzudenken. Zunehmend hält es auch Einzug in die Holzerntetechnologie. Auf einem Harvester hat ein Scanner ein vielversprechendes Potenzial. Wenn es gelingt, Baumhöhe, Kronengröße, Durchmesser, Schaftgüte und Baumart sowie den Abstand zu den Bedrängern in Echtzeit aus den Punktwolken zu analysieren, dann wird eine algorithmisch optimierte Durchforstungsauszeige während des Erntevorgangs machbar. Zusatznutzen: das Einzelbaummodell des verbleibenden Bestands wird mit der Abmaßliste gleich mitgeliefert.
Webtipp: www.silvilaser2025.com
