Berner Fachhochschule BFH
Borkenkäfer sind seit Jahrzehnten eine Plage für Bäume und Waldwirtschaft. Sie schwärmen mehrmals im Jahr aus, bohren sich in die Rinde der Bäume, nisten sich ein und vermehren sich. Ein befallener Baum mag zu Beginn äusserlich noch gesund aussehen, doch eigentlich ist er bereits am Sterben, weil die Käfer seinen Wasser- und Nährstofftransport unterbinden.
Ziel des Forschungsprojektes ist es, von Borkenkäfern befallene Bäume frühzeitig zu erkennen und den Förster*innen aufzuzeigen, wo sich diese befinden. Mit Drohnen-, aber auch Satellitenaufnahmen geht dies effizienter, als wenn die Fachleute die Wälder zu Fuss inspizieren müssen. Gelingt es, kranke Bäume zu fällen, bevor die Käfer ausfliegen und weitere Bäume befallen, lässt sich die Ausbreitung der Schädling eindämmen und der Wald besser schützen.
In einem Versuchswald im Entlebuch haben die Forschenden mithilfe von Drohnen Bilder in mehreren Bandbreiten gemacht. Die Aufnahmen werteten sie dann anhand ihrer Reflexion aus. Dafür verwendeten sie in einem ersten Schritt einen statischen Algorithmus, später dann Algorithmen, die sich durch maschinelles Lernen selbst verbessern. Sie mussten feststellen, dass der Unterschied zwischen den Daten von gesunden und befallenen Bäumen oftmals zu klein war, um eine eindeutige Aussage machen zu können.
Die Forschenden sind derzeit daran herauszufinden, weshalb die Daten zu ähnlich sind. Wenn es gelingt, möglichst viele unerwünschte Informationen aus den Daten zu entfernen, werden die trainierten Algorithmen deutlich bessere Ergebnisse liefern.
Damit der Algorithmus zuverlässiger wird, benötigt er qualitativ hochstehende Daten in einer ausreichenden Menge.
Der Algorithmus sucht nach bestimmten Signalen in den Multispektralbändern der Drohnen- und Satellitenaufnahmen. Die Signale von kranken und gesunden Bäumen sind verschieden. Die Forschenden trainieren den Algorithmus, diesen Unterschied zu erkennen und so eine treffende Aussage zu machen, ob ein Baum von Borkenkäfern befallen ist oder nicht.Â
Damit der Algorithmus zuverlässiger wird, benötigt er qualitativ hochstehende Daten in einer ausreichenden Menge. Die Herausforderung liegt darin, diese Daten aus den Drohnen- und Satellitenaufnahmen zu erstellen. Die Forschenden setzen dafür verschiedene Algorithmen ein, die auch auf maschinellem Lernen basieren. Dabei lernt ein System, aus Daten Muster und Zusammenhänge zu erkennen und sich auf diese Weise selbständig zu verbessern.
Eine 100-prozentige Trefferquote wird mit der Methode nicht möglich sein.
Borkenkäfer verursachen immense Schäden in den Wäldern. Gemäss einer Schätzung der Eidgenössischen Forschungsanstalt für Wald, Schnee und Landschaft haben die Schädlinge im Jahr 2023 über 700'000 Kubikmeter Holz zerstört.
Lassen sich diese Schäden verringern, bedeutet dies eine grosse Entlastung für die Wälder als Ökosysteme, aber auch für deren Eigentümer*innen, die durch die Ausfälle teilweise grosse wirtschaftliche Einbussen erleiden. Gesunde Wälder sind nicht nur wegen ihrer Schutzfunktion vor Steinschlag und Lawinen wichtig, sie haben auch eine hohe Bedeutung für die nachhaltige Entwicklung. Holz ist ein klimaneutraler Rohstoff und Bäume binden beträchtliche Mengen an CO2.
Es braucht noch weitere Forschung, um die Methode mit den Drohnen- und Satellitenbildern zu verfeinern und die Präzision der Berechnungen zu erhöhen. Die Forschenden gehen davon aus, dass sie bis in einigen Jahren eine Methode mit einem ausreichend robusten Algorithmus anbieten können. Ausreichend heisst, dass das System in knapp 70 Prozent der Fälle eine zutreffende Aussage macht, ob sich Borkenkäfer in einem Baum eingenistet haben. Eine 100-prozentige Trefferquote wird mit der Methode nicht möglich sein.
Das Forschungsprojekt zur Erkennung von borkenkäferbefallenen Bäumen mittels Drohnen- und Satellitenaufnahmen ist eine Kooperation der BFH und des Forschungsfonds Aargau.
An der BFH hat Mark GĂĽnter die Projektleitung inne. Er ist wissenschaftlicher Mitarbeiter an der Hochschule fĂĽr Agrar-, Forst- und Lebensmittelwissenschaften (HAFL), einem Departement der BFH.
Seine Schwerpunkte liegen bei der Drohnentechnik und dem geografischen Informationssystem (GIS). Dazu gehören neben dem Einsatz von Drohnen die Erstellung von Karten und 3D-Modellen sowie Berechnungen von Massenverschiebungen.
Dieser Artikel wurde als Erstpublikation auf bfh.ch veröffentlicht.
Berner Fachhochschule BFH
