ForestCare

1

2

Laufzeit: 01.04.2021 – 31.03.2023
Förderkennzeichen: 033D014A

Beteiligte Partner:
Prof. Dr. Barbara Koch, Albert-Ludwigs-Universität Freiburg, Professur für Fernerkundung und Landschaftsinformationssysteme (FeLIS), Universität
GISCON Systems GmbH, Spezialist für Forst- und Geoinformationssysteme (GISCON), Unternehmen (KMU)
Con terra GmbH, Spezialist für Geoinformationssysteme, insb. KI, (CONTERRA) Unternehmen (KMU)
Gesellschaft für wissenschaftliche Datenverarbeitung mbH Göttingen, Rechen- und IT-Kompetenzzentrum (GWDG), Gemeinnützige Forschungseinrichtung

Links:
https://www.fona.de/de/massnahmen/foerdermassnahmen/DigitalGreenTech.php
https://www.bmbf.de/bmbf/shareddocs/kurzmeldungen/de/2021/10/digitale-umwelttechnologien.html
https://digitalgreentech.de/

Das Projektziel des vom BMBF durch den Projektträger Jülich geförderte Projekt FORESTCARE ist die Systemvernetzung zeitlich hochaufgelöster Satellitendaten mit räumlich hochaufgelösten Drohnendaten. Dadurch sollen Korrelationen von Satellitendaten mit Einzelbaumzuständen und damit ein zeitlich und räumlich hochaufgelöstes automatisiertes Einzelbaummonitoring möglich werden. Dieses Verfahren kann der neue weltweite Goldstandard für das Monitoring des regenerativen Waldwachstums auf regionaler Ebene werden.

Die verfügbaren satelliten- und drohnengestützten high - tech Sensoren sollen 1) um einen drohnengestützten Geruchssensor erweitert, 2) mit maximaler Auflösung (Big Data Ansatz) aufgenommen, 3) bezüglich ihrer Datenauswertung mit HPC / HPDA (High Performance Computing / - Data Analytics) hyperdimensional korreliert und 4) bezüglich ihrer erzeugten Datenbasis als Trainingsdaten für HPC basierte tiefe Neuronale Netzwerke verwendet werden.

Im Ergebnis werden Korrelationspfade stehen, die Einzelbaumeigenschaften mit Satellitendaten verknüpfen und so ein zeitlich hochaufgelöstes und einzelbaumdiskretes Waldschadens- und Wachstumsmonitoring erlauben.

3

Teilziele im Projekt FORESTCARE sind dabei:
1) Drohnengestützter Geruchssensor
Ziel ist der Bau eines hochflexiblen autonom fliegenden Frühwarnsystems für die Detektion von beginnenden Kalamitäten wie Borkenkäferbefall oder Buchensterben auf der Basis von chemischen Botenstoffen, die art- und befallsspezifisch von Bäumen emittiert werden.

2) Big Data Ansatz
Ziel ist die Akquise von historischen und aktuellen hochaufgelösten Satelliten- (SAR (~1m), Multispektral (1,24m²), NIR (2,16m²), SWIR (3.7m²)) und Drohnendaten (Geruch (<1m²), LiDAR (<1cm²), Hyper- und Multispektral (<1cm²)), sowie Bestandesdaten aus der Forsteinrichtung (ConFoBi, eigene Erhebungen, Forstliche Versuchsanstalten).

3) High Performance Computing
Ziel a) ist das Überprüfen der Daten aus 2) auf parametrische Korrelationen mit Bestandesdaten aus bekannten Waldgebieten, z.B. dem DFG - Graduiertenkolleg ConFoBi. Ziel b) ist die Identifikation von nicht unmittelbar nachvollziehbaren Zusammenhängen in einem non-target Ansatz. So sollen auch Korrelationen gefunden werden, die erst im Nachhinein über eigene Bodendaten validiert werden.

4) KI-Ansatz: Training tiefer neuronaler Netzwerke, welche eine hohe Generalisierbarkeit zulassen
Ziel ist das Trainieren neuronaler Netzwerke (ANN / deepCNN) mittels enorm großer Datenmengen aus 2) und unter Berücksichtigung der multidimensionalen Korrelationen aus 3). So soll ein selbstlernender Algorithmus geschaffen werden, der unter den klimawandelbedingt hochdynamischen Standort- und Waldwachstumsbedingungen die Vitalität von Einzelbäumen anhand von zeitlich hochaufgelösten Satellitendaten berechnen kann.