YOLOv8 und erklärbare KI verbessern Baumartenklassifikation

In einer neuen Studie aus dem Bereich der Fernerkundung von Wäldern wird gezeigt, wie moderne Tiefenlernen-Modelle in Kombination mit erklärbaren KI-Methoden die Klassifikation von Baumarten deutlich verbessern können. Durch den Einsatz von Terrestrischer Laserscanning (TLS) werden hochauflösende Punktwolken erzeugt, die als Grundlage für die Analyse dienen.

Die Forscher haben fünf YOLOv8‑Modelle auf Daten von 2 445 Bäumen aus sieben europäischen Arten trainiert und validiert. Mit einer Kreuzvalidierung erreichte das Modell eine durchschnittliche Genauigkeit von 96 % (Standardabweichung 0,24 %). Zur Aufklärung der Entscheidungsprozesse wurden Finer‑CAM‑Erklärungen auf die TLS‑Projektionen angewendet, um die relevanten Merkmale zu identifizieren.

Die Analyse von 630 Saliency‑Maps zeigte, dass die Modelle vor allem Kronenmerkmale in den TLS‑Projektionen nutzen, um Arten wie Silberbuche, Europäische Buche, Englischer Eiche und Nordische Tanne zu unterscheiden. Bei europäischen Erle, Scots Pine und Douglas-Fir spielen hingegen Stumpfmerkmale eine größere Rolle. Besonders feine Zweige tragen maßgeblich zu den Klassifikationsentscheidungen bei. Die Ergebnisse deuten darauf hin, dass die Modelle Arten ähnlich behandeln, wie es ein menschlicher Experte tun würde, und unterstreichen die Notwendigkeit, die Entscheidungswege von Baumartenklassifikatoren besser zu verstehen, um Datensatz- und Modellgrenzen aufzudecken.