Deep Learning schätzt Baumvolumen und Biomasse mit synthetischen LiDAR-Daten

Die präzise Erfassung von Waldbiomasse ist entscheidend für die Überwachung der Kohlenstoffbindung und die Entwicklung von Klimaschutzstrategien. Traditionelle Schätzmethoden basieren meist auf allometrischen Modellen, die Biomasse über Messgrößen wie Stammdurchmesser und Höhe ableiten. Diese indirekte Herangehensweise ist jedoch durch Messunsicherheiten und die vereinfachende Natur der Gleichungen begrenzt.

In einer neuen Studie wurde ein direkter Ansatz vorgestellt, bei dem synthetische Punktwolken aus simulierten LiDAR-Daten verwendet werden, um ein tiefes Regressionsnetzwerk zu trainieren. Die Netzwerke – PointNet, PointNet++, DGCNN und PointConv – wurden auf künstlich erzeugten 3‑D-Waldplots mit bekanntem Volumen trainiert.

Bei Tests mit den synthetischen Daten erreichten die Modelle einen mittleren absoluten Prozentfehler (MAPE) zwischen 1,69 % und 8,11 %. Anschließend wurden die trainierten Netzwerke auf reale LiDAR‑Messungen angewendet, um das Volumen und die oberirdische Biomasse (AGB) von Waldflächen zu schätzen.

Im Vergleich zu Feldmessungen lagen die Abweichungen des direkten Ansatzes zwischen 2 % und 20 %. Im Gegensatz dazu unterschätzten herkömmliche Verfahren, die einzelne Bäume segmentieren und anschließend allometrisch konvertieren, sowie das FullCAM-Modell die Biomasse deutlich stärker.

Diese Ergebnisse zeigen, dass die Kombination aus synthetischen Trainingsdaten und tiefen Regressionsnetzwerken eine vielversprechende Alternative zu herkömmlichen allometrischen Methoden darstellt und die Genauigkeit der Waldbiomasse‑Schätzungen erheblich verbessern kann.