A multi-modal machine learning framework for forest plantation identification

Das Sauerland in Nordrhein-Westfalen ist mit einer Fläche von rund 4.700 ha das größte Weihnachtsbaum-Anbaugebiet Europas. Die Überwachung der Einhaltung der geltenden Vorschriften zur Anlage von Weihnachtsbaumkulturen (WBKs) stellt aufgrund derzeitiger arbeitsintensiver manueller Inspektionsmethoden eine Herausforderung für den zuständigen Landesbetrieb Wald und Holz NRW dar. Im Rahmen dieser Forschungsarbeit wurde ein Framework für ein Verfahren mit maschinellem Lernen (ML) zur automatisierten Erkennung von WBKs in Luftbildern unter Verwendung von YOLO-Architekturen entwickelt und evaluiert. Ein alternativer Ansatz mit einem Random-Forest-Classifier wurde ebenfalls untersucht und zeigte mit segmentierten Daten vielversprechende Ergebnisse, jedoch mit beschränkter Skalierbarkeit. Die Methodik umfasste eine systematische Bewertung von RF sowie YOLOv5, YOLOv8 und YOLOv12 in 36 Modellkonfigurationen unter Verwendung umfassender Datensätze, darunter True Digital Orthophotos (RGB und RGBI), normalisierte digitale Oberflächenmodelle (nDSM) und legale WBK-Polygone des Landesbetriebs. Um Trainingsdaten zu generieren, wurden diese Polygone einer höhenbasierten Filterung (Schwellenwerte von 0,3 bis 4 m) unterzogen, um eine Identifizierung aktiver Kulturen sicherzustellen. Die Ergebnisse zeigten, dass ML-Verfahren WBKs mit hoher Genauigkeit erfolgreich erkennen. YOLOv5 erzielte mit einem F1-Score von 84,32 %, einer Präzision von 74,10 % und einer Sensitivität von 97,81 % eine optimale Leistung. Alle drei Modelle wiesen durchweg hohe Sensitivität (> 97 %) auf und erfüllten damit die Projektanforderungen hinsichtlich falsch-negativer Fehler, da diese ein größeres Risiko darstellen als falsch-positive. Entgegen den Erwartungen führte die Implementierung von RGBI zu erhöhten Falsch-Positiv-Raten in städtischen Gebieten ohne entsprechende Verbesserungen bei Richtig-Positiven, was darauf hindeutet, dass RGB-Bilder ausreichende spektrale Informationen liefern. Die Integration von nDSM-Daten ermöglichte eine effektive höhenbasierte Filterung bei der Auswertung der Modellergebnisse, und Datensätze von Wald- und Schadflächen halfen bei der Identifizierung verdächtiger Kulturen unter den korrekten erkannten WBKs. Das Framework ermöglicht die Überwachung der Einhaltung der Vorschriften über ein automatisiertes, skalierbares Monitoring. Die Landesbehörde bestätigte die Erfüllung der Anforderungen, wobei die geplante Implementierung die praktische Anwendbarkeit für eine nachhaltige Waldbewirtschaftung in Nordrhein-Westfalen aufzeigt.