⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

Diese Arbeit präsentiert ein selbstüberwachtes Deep-Learning-Framework, das luftgestütztes LiDAR und optische Bilddaten integriert, um eine hochauflösende, bitemporale Datenbank der Biomasse einzelner städtischer Bäume über eine 810 km² große Landschaft in Ontario zu generieren, wobei eine präzise Schätzung auf Kronenebene ohne manuelle Annotation erreicht und ein Netto-Kohlenstoffgewinn von 39 Gg C über fünf Jahre nachgewiesen wird.

Ursprüngliche Autoren: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

Veröffentlicht 2026-06-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich einen riesigen, unsichtbaren Wald vor, der nicht in der Wildnis wächst, sondern mitten in unseren Städten, Vororten und Gemeinden. Das sind die Bäume, die unsere Straßen säumen, in unseren Parks stehen und unsere Nachbarschaften bereichern. Lange Zeit war das Zählen dessen, wie viel „Holz“ (Biomasse) und Kohlenstoff diese städtischen Bäume speichern, so, als würde man versuchen, Sandkörner an einem Strand zu zählen, während man dicke Handschuhe trägt: Wir konnten die Gesamtsumme zwar schätzen, aber wir konnten die einzelnen Körner nicht sehen, und unsere Karten waren oft verschwommen.

Dieses Paper präsentiert eine neue, hochtechnologische Methode, um diese Stadtbäume über eine riesige Fläche in Südontario (etwa 810 Quadratkilometer) einzeln zu zählen und zu wiegen. So haben sie es gemacht, einfach erklärt:

1. Die „Winterfoto“-Strategie

Normalerweise sieht ein Baum auf einem Foto im Winter (wenn er keine Blätter hat) aus wie ein kahles, graues Skelett. Das macht es für Computer schwierig, zwischen einem Baumast und einem Hausdach zu unterscheiden.

Der Trick des Papers: Die Forscher nutzten zwei Arten von „Augen“, um die Stadt gleichzeitig zu betrachten:
- Augen, die die Höhe sehen (LiDAR): Dies ist wie ein 3D-Laserscanner, der Licht von Boden und Bäumen reflektiert, um ein präzises 3D-Modell zu erstellen. Er sieht die Form des Baumes, auch ohne Blätter.
- Augen, die Farben sehen (Optisch): Dies sind hochauflösende Fotos, die im Winter aufgenommen wurden.
Die Analogie: Denken Sie daran, wie man versucht, eine Person in einem dunklen Raum zu identifizieren. Wenn man nur eine Taschenlampe hat (das Foto), übersieht man sie vielleicht. Aber wenn man zusätzlich ein Sonargerät (den Laser) hat, das genau sagt, wo sich ihr Körper befindet, kann man sie leicht finden. Durch die Kombination der „Form“ vom Laser und der „Farbe“ vom Foto kann der Computer Bäume selbst dann erkennen, wenn sie kahl sind.

2. Den Computer ohne Lehrer lehren

Normalerweise müssen Menschen Jahre damit verbringen, Umrisse um tausende Bäume in Fotos zu zeichnen, um einen Computer darauf zu trainieren, diese zu erkennen. Das ist langsam und teuer.

Der Trick des Papers: Sie verwendeten einen „selbstüberwachten“ (Self-Supervised) Ansatz. Anstatt einen Lehrer einzustellen, gaben sie dem Computer eine Reihe grober, regelbasierter Vermutungen (wie „wenn es flach und hoch ist, ist es ein Gebäude; wenn es uneben und grün ist, ist es ein Baum“). Diese Vermutungen waren unvollkommen, wie der erste Entwurf eines Schülers.
Die Analogie: Stellen Sie sich vor, ein Schüler lernt das Zeichnen, indem er in ein unordentliches Skizzenbuch schaut. Der Computer begann mit diesen unordentlichen, regelbasierten Skizzen und übte dann Millionen Male, korrigierte seine eigenen Fehler, bis er lernte, die Bäume ganz allein perfekt zu zeichnen. Er brauchte keinen Menschen, der für jeden einzelnen Baum die Umrisse zeichnet.

3. Den „Wald“ vom „Stadtgebiet“ trennen

Einer der schwierigsten Teile der städtischen Kartierung ist es, zwischen einem Baum und einem Haus zu unterscheiden. Ein flaches Dach kann aus der Vogelperspektive wie ein Baumdach aussehen.

Der Trick des Papers: Der Computer lernte, ein sehr strenger Türsteher zu sein. Er nutzte die 3D-Laserdaten, um zu sehen, dass Gebäude flach und glatt sind, während Bäume uneben und unregelmäßig sind.
Das Ergebnis: Der Computer wurde sehr gut darin, Gebäude zu 95 % korrekt zu identifizieren und sie von Bäumen zu trennen. Dies ist entscheidend, denn wenn man ein Dach mit einem Baum verwechselt, versucht man vielleicht, ein Haus zu wiegen!

4. Die Bäume wiegen

Soblich der Computer die Bäume gefunden und einen Kreis um jeden einzelnen gezogen hatte (Abgrenzung/Delineation), musste er schätzen, wie schwer sie waren.

Der Trick des Papers: Sie konnten nicht jeden Baum besteigen, um ihn zu messen. Stattdessen verwendeten sie ein „Rezept“ (eine allometrische Gleichung). Sie wussten, dass größere Kronen und höhere Bäume im Allgemeinen mehr Holz bedeugen. Sie kalibrierten dieses Rezept mithilfe einer Liste von 112.000 Bäumen aus Oakville, die bereits von Stadtmitarbeitern vermessen worden waren.
Der Haken: Der Computer ist großartig darin, die Bäume zu finden, aber er ist nicht perfekt darin, die genaue Kante jeder Krone zu zeichnen. Das Paper stellte fest, dass die größte Fehlerquelle nicht das „Rezept“ zum Wiegen der Bäume war, sondern vielmehr, dass der Computer manchmal die exakte Kante einer Baumkrone (bes-onders bei großen, unregelmäßigen Bäumen) verpasste.

5. Das große Ganze – Die Ergebnisse

Nachdem sie dieses System über das 810 km² große Gebiet für zwei verschiedene Jahre (2018 und 2023) angewendet hatten, fanden sie heraus:

Gesamtgewicht: Im Jahr 2018 enthielten die Bäume etwa 1,73 Millionen Tonnen Biomasse. Bis 2023 wuchs dies auf 1,81 Millionen Tonnen an.
Kohlenstoffgewinn: Die Bäume haben in diesen fünf Jahren zusätzliche 39.000 Tonnen Kohlenstoff absorbiert.
Wo die Bäume stehen: Die schwersten Bäume wurden entlang des Niagara Escarpment (einem felsigen Klippenbereich) und in Flusstälern gefunden. Die leichteren, spärlicheren Bäume befanden sich in Wohngebieten und Gewerbeflächen.
Unsicherheitsskarten: Der Computer erstellte auch eine „Konfidenzkartierung“. Er markierte Bereiche, in denen er sich bei seinen Antworten weniger sicher war (hauptsächlich in landwirtschaftlichen Flächen oder Mischgebieten), und sagte zukünftigen Forschern damit: „Überprüft diese Stellen zuerst.“

Zusammenfassung

Dieses Paper hat ein intelligentes, selbstlernendes Computersystem entwickelt, das Winter-Laser-Scans und Fotos nutzt, um einzelne Bäume in einer Stadt zu finden, abzugrenzen und zu wiegen, ohne dass Menschen jeden einzelnen Baum manuell umranden müssen. Es hat bewiesen, dass wir eine sehr detaillierte, Baum-für-Baum-Karte der städtischen Biomasse erstellen können, die uns genau zeigt, wo unsere Stadtwälder wachsen und wie viel Kohlenstoff sie speichern, was Städten hilft, besser für die Zukunft zu planen.

Technische Zusammenfassung: Selbstüberwachtes Schätzung der Baum-Biomasse auf Baumebene in städtischen Umgebungen

Problemstellung
Städtische Bäume stellen eine kritische Komponente terrestrischer Kohlenstoffspeicher dar, doch ihre Biomasse ist weniger räumlich explizit und konsistent als die von bewirtschafteten Wäldern. Bestehende Schätzungen stützen sich oft auf Stichprobeninventare oder grobe Fernerkundungsprodukte (z. B. 10–30 m Auflösung), welche die einzelnen Baumkronen nicht auflösen oder die feinskalige Heterogenität in komplexen urbanen Gefügen nicht erfassen können. Darüber hinaus wird die skalierbare Kartierung durch drei methodische Lücken behindert: (1) die Abhängigkeit von pixelbasierter manueller Annotation für das überwachte Training, was die Abdeckung einschränkt; (2) der unklare relative Beitrag von Fehlern bei der automatisierten Kronenabgrenzung gegenüber Fehlern in allometrischen Modellen zum Gesamtelement der Unsicherheit; und (3) der Mangel an multitemporalen Produkten der Kronen-Biomasse, die mit räumlich expliziten Unsicherheitsschichten einhergehen.

Methodik
Die Studie präsentiert ein selbstüberwachtes, multimodales Fusionsframework, das auf eine 810 km² große urban-ländliche Landschaft in Süd-Ontario, Kanada, angewendet wurde, unter Verwendung von bi-temporalen (2018 und 2023) Luft-LiDAR-Daten (8–10 Pulse m⁻²) und nahen Infrarot-RGB-Orthofotos (0,16–0,20 m), die unter Blatt-Ab-Bedingungen (leaf-off) erworben wurden.

Generierung von Pseudo-Labels: Um die Notwendigkeit manueller Annotationen zu eliminieren, entwickelten die Autoren ein regelbasiertes Framework zur Generierung verrauschter Pseudo-Labels. Dies beinhaltete:
- Gebäudeerkennung: Rasterbasierte Planaritätsanalyse auf dem Canopy Height Model (CHM) kombiniert mit morphologischer Filterung.
- Vegetationsklassifizierung: Differenzierung zwischen Nadelholz- und Laubholz durch CHM-Höhenschwellenwerte und Spektralindizes (NDVI und HSV-Farbkriterien) unter Blatt-Ab-Bedingungen, wobei Nadelholz-Kronen ein hohes NDVI beibehalten, während Laubholz-Kronen dies nicht tun.
Selbstüberwachtes Neuronales Netzwerk: Ein dualer Stream Cross-Attention ConvNeXtV2 U-Net wurde auf diesen Pseudo-Labels trainiert. Die Architektur verarbeitet optische (NIR, R, G, B) und strukturelle (CHM) Eingaben durch parallele Encoder und nutzt Cross-Modal-Attention-Blöcke zur Merkmalsfusion.
- Verlustfunktion: Das Modell verwendete ein Multitask-Ziel, das Landbedeckungssegmentierung, Baumtyp-Klassifizierung und eine Hilfsrekonstruktion der Eingangsdaten kombiniert. Entscheidend war die Verwendung eines Active Negative Loss (ANL-CE), um eine Überanpassung an die verrauschten Pseudo-Labels zu mildern.
- Unsicherheitsschätzung: Ein Deep Ensemble aus 25 Modellen (mit variierenden Folds und Hyperparametern) wurde verwendet, um pro-Pixel-Unsicherheitskarten zu generieren, die zwischen aleatorischer (Daten-) und epistemischer (Modell-) Unsicherheit unterscheiden.
Kronenabgrenzung: Einzelne Baumkronen wurden mittels Multiskalen-Watershed-Segmentierung auf dem CHM innerhalb der identifizierten Baumflächen abgegrenzt. Drei Skalen wurden angewendet, um die Übersegmentierung kleiner Bäume und die Untersegmentierung großer, überlappender Kronen zu adressieren.
Biomasse-Schätzung: Ein Potenzgesetz-Proxy-Modell ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) wurde gegen spezies-spezifische allometrische Gleichungen (Lambert et al., 2005) kalibriert, unter Verwendung von 21.921 Inventar-Bäumen aus Oakville.
- Gleichungsauswahl: Kronen mit geringer Unsicherheit wurden funktionellen Gruppen-spezifischen Gleichungen zugewiesen (Laubholz vs. Nadelholz); unsichere Kronen wurden einer zusammengefassten „Alle-Bäume“-Gleichung zugewiesen, um unzuverlässige Extrapolationen zu verhindern.
- Validierung: Die Genauigkeit wurde anhand eines gehaltenen Testdatensatzes von 90.726 Bäumen bewertet, wobei die aus Inventargeometrie (obere Grenze) versus operationaler Watershed-Segmentierung abgeleiteten Vorhersagen verglichen wurden.

Wichtigste Ergebnisse

Segmentierungsleistung: Das Ensemble-Modell verbesserte die ursprünglichen regelbasierten Pseudo-Labels über alle Metriken hinweg. Gegenüber manuell annotierten Kacheln erreichte das Modell eine mittlere Präzision von 0,86, einen Recall von 0,83 und einen Dice-Koeffizienten von 0,84. Die Gebäudeerkennung war besonders robust (Dice 0,95), während die Segmentierung von Nadelholz die anspruchsvollste Klasse blieb (Recall 0,66).
Genauigkeit der Biomasse-Schätzung:
- Bei Verwendung der inventargestützten Kronengeometrie (Isolierung des allometrischen Fehlers) erreichte das Modell ein $R^2 = 0,609$ .
- Unter operationalen Bedingungen mit automatisierter Segmentierung sank das $R^2$ auf 0,570.
- Nadelholz-Schätzungen waren genauer ( $R^2 = 0,646$ ) als Laubholz-Schätzungen ( $R^2 = 0,553$ ), was auf die deutlicheren Höhenspitzen der Nadelholz-Kronen in den CHM-Daten zurückzuführen ist.
- Der Leistungsabfall von der Inventargeometrie zur operationalen Geometrie identifizierte den Fehler der Kronenabgrenzung als die dominante Quelle der Unsicherheit, insbesondere für große Bäume, die anfällig für Untersegmentierung sind.
Räumliche und temporale Befunde:
- Die gesamten oberirdischen Biomassebestände (AGB) stiegen von 1,73 Tg (811 Gg C) im Jahr 2018 auf 1,81 Tg (850 Gg C) im Jahr 2023, was einem Netto-Kohlenstoffgewinn von 39 Gg C entspricht.
- Hohe Biomasse-Dichten (~140 Mg ha⁻¹) konzentrierten sich entlang des Niagara Escarpment und der Uferkorridore, während Wohn- und Gewerbegebiete geringere Dichten aufwiesen.
- Deep-Ensemble-Unsicherheitskarten identifizierten erfolgreich Regionen mit hoher epistemischer Unsicherheit (z. B. landwirtschaftliche und Übergangszonen), in denen die Trainingsdaten unterrepräsentiert waren.

Bedeutung und Ansprüche
Die Autoren behaupten, dass diese Arbeit einen skalierbaren Prototyp-Workflow für die städtische Biomasse-Schätzung bietet, der ausschließlich auf Standard-Sensordaten der Provinz ohne manuelle Annotation operiert. Die wesentlichen Beiträge sind:

Skalierbarkeit: Der Nachweis, dass eine regelbasierte Pseudo-Labeling-Methode in Kombination mit neuronaler Verfeinerung eine hohe Genauigkeit in heterogenen städtischen Umgebungen erreicht und damit den Engpass der manuellen Beschriftung überwindet.
Fehlercharakterisierung: Die explizite Quantifizierung, dass Fehler bei der Kronenabgrenzung und nicht die Fehler der allometrischen Modelle die primäre Einschränkung bei der operationalen AGB-Schätzung darstellen, mit einem spezifischen Fokus auf die Untersegmentierung großer Bäume.
Unsicherheitbewusste Kartierung: Bereitstellung einer bi-temporalen Datenbank auf Baumebene mit einer zugehörigen Unsicherheitsschicht, die es Nutzern ermöglicht, zwischen Bereichen hoher Konfidenz und solchen, die eine Feldvalidierung erfordern, zu unterscheiden.
Kohlenstoffbilanzierung: Angebot einer räumlich expliziten Alternative zu grob aufgelösten oder stichprobenbasierten Methoden, die eine öffentlich zugängliche Datenbank für das kommunale Management und die regionale Kohlenstoffbilanzierung von „Bäumen außerhalb von Wäldern“ liefert.

Die Studie wahrt einen bescheidenen Ton hinsichtlich der absoluten Biomassewerte und räumt ein, dass die Verwendung aus Wäldern abgeleiteter allometrischer Gleichungen für offen wachsenden städtischen Baumbestand systematische Verzerrungen einführen kann. Die Autoren betonen jedoch, dass die relativen räumlichen und zeitlichen Muster robust bleiben und einen grundlegenden Schritt zu einer konsistenteren städtischen Kohlenstoffbilanzierung darstellen.