Eine Initiative der Vereinten Nationen (UN) sieht vor, bis zum Jahr 2030 möglichst viele beschädigte Ökosysteme wiederherzustellen und einer weiteren Zerstörung vorzubeugen. Für solche Vorhaben benötigen die Akteure jedoch präzise Datensätze zum Zustand der Ökosysteme, wie zum Beispiel Vermessungen und Karten der Pflanzen- und Baumbestände. Um dies zu bewältigen, müssen Unmengen von Umweltdaten gesichtet und interpretiert werden – eine Aufgabe, die für Menschen kaum zu leisten ist, die aber gut für eine Künstliche Intelligenz geeignet ist.
Training mit Satellitenbildern
Daher haben Nico Lang von der Technischen Hochschule Zürich (ETH) und seine Kollegen einen Machine-Learning-Algorithmus entwickelt, der in der Lage ist, großflächige Umweltdaten automatisch zu analysieren. Der Algorithmus basiert auf einem neuronalen Netzwerk, dass aus Satellitenbildern die Höhe von Bäumen ableiten kann. Damit das möglich ist, hat Lang den Computer zuvor mit Millionen von Bildern trainiert und ihm so gezeigt, welches Satellitenbild welche Baumhöhe abbildet. Nach dieser Trainingsphase hat sich das neuronale Netzwerk so verschaltet, dass es auf eigene Faust neue Satellitenbilder mit der korrekten Baumhöhe assoziieren kann – es hat die Zuordnung gelernt.
Als Input für das Trainieren des Netzwerks dienten die Aufnahmen der zwei Copernicus Sentinel-2-Satelliten der europäischen Weltraumagentur ESA. Diese Satelliten nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von 10×10 Metern pro Pixel auf. Es sind die qualitativ besten Bilder, die zurzeit öffentlich zugänglich sind. Die für das Netzwerk-Training ebenfalls notwendigen Baumhöhen-Angaben, wurden stichprobenartig in verschiedenen Regionen der Welt von der NASA-Gedi-Mission bestimmt. Laut Lang ist dabei ein entscheidender Vorteil, dass der Computer im Trainingsprozess mit verschiedenen Vegetationstypen in Berührung kommt – seien es nun Fichtenwälder in Nordeuropa oder Kapokbäume in Südamerika.
Aufschluss über Zustand und Veränderungen der Wälder
Dank dieses Trainings konnten die Forscher mithilfe ihres Algorithmus eine Weltkarte der Baumhöhen erstellen, die auf Daten aus mehr als 250.000 Satellitenbildern basiert. Dabei ist vor allem die Auflösung von zehn mal zehn Metern bemerkenswert: Die Nutzer der Karte können an jedes Waldstück der Erde heranzoomen, um die Baumhöhe abzulesen. Die Möglichkeiten, die sich aus diesen Informationen ergeben, sind laut Konrad Schindler von der ETH Zürich weitreichend: „Etwa 95 Prozent der Biomasse im Wald sind im Holz und nicht in den Blättern. Daher hängt die Biomasse stark mit der Höhe zusammen“.
Die Baumhöhe gibt daher auch Aufschluss über die Menge an Kohlenstoff, die potenziell gespeichert werden kann – und damit über die Bedeutung der Wälder im Klimasystem. Gekoppelt mit dem sogenannten High Carbon Stock Approach, der Wälder nach ihrer Kohlenstoffspeicherung und Biodiversität klassifiziert, ist die Vegetationshöhen-Karte eine wichtige Grundlage für die Erhaltung und Stärkung der Ökosysteme. Die Daten sind in dieser Hinsicht allerdings nur bedingt erfreulich: Laut der Berechnungen des Forschungsteams gibt es Bäume mit einer Höhe von mehr als 30 Metern nur noch auf fünf Prozent der Landmasse. Davon wiederum stehen nur 34 Prozent in geschützten Gebieten.
