The BaKIM models in detail
BaKIM setzt auf ein Ensemble spezialisierter Tiefer Neuronaler Netze, die in einer mehrstufigen Pipeline zusammenarbeiten. Jedes Modell übernimmt eine spezifische Aufgabe – von der Erkennung einzelner Baumkronen bis zur Klassifikation von Gesundheitszustand und Baumgattung.
Individual tree detection
Modellarchitectur
Mask2Former (Instancesegmenting)
Task
Pixel-accurate segmentation of individual tree crowns in high-resolution aerial images. The model identifies where in the image the trees are located
and delineates each crown as a separate instance.
Precision
72-80%
Coniferous forests can be segmented more reliably than deciduous forests, as their crown shapes are more regular.
Output
Unique geographical coordinates for each tree
Polygon-Export for GIS-Software
Estimating tree height from DOM data
Tree identification
Modellarchitektur
ResNet (Klassifikation)
Aufgabe
Klassifikation der erkannten Baumkronen nach ihrer Gattung. Für jede segmentierte Krone wird ein Bildausschnitt extrahiert und durch das Klassifikationsmodell verarbeitet.
Genauigkeit
Über 85%
Besonders zuverlässig bei Hauptbaumarten
Baumgattungen im Trainingsdatensatz
Vitality assessment
Modellarchitektur
ResNet (Klassifikation)
Aufgabe
Einschätzung des Gesundheitszustands jedes erkannten Baums
anhand des Kronenbilds.
Klassen
Vital
Baum zeigt keine sichtbaren Schäden
Abhängig
Deutliche Vitalitätseinbußen (Kronenverlichtung, Verfärbungen)
Tot
Baum ist abgestorben
Genauigkeit (RGB-Daten)
84%
Vital
84%
Abhängig
98%
Tot
Object detection
Modellarchitektur
EfficientDet
Aufgabe
Erkennung von Mistelbefall in Kiefernbeständen.
Genauigkeit
90%
Nutzen
Befallsherde können flächendeckend visualisiert und in Karten dargestellt werden. Dies ermöglicht gezielte Gegenmaßnahmen zur Eindämmung des Mistelbefalls im Bestand.
Trainingsdaten: Das BAMFORESTS-Dataset
Die BaKIM-Modelle wurden auf dem BAMFORESTS-Dataset (Bamberg Benchmark Forest Dataset of Individual Tree Crowns in Very-High-Resolution UAV Images) trainiert. Das Datensatz wurde 2024 im Journal Remote Sensing veröffentlicht und ist einer der größten Datensätze dieser Auflösung mit einzeln abgegrenzten Baumkronen.
105 ha
Gesamtfläche
27.160
Annotierte Bäume
1,6-1,8 cm
Bodenauflösung
Jul-Aug 2022
Erhebungszeitraum
2
UAV-Sensoren
COCO
Format
CC BY 4.0
Freie Lizenz
Abgedeckte Gebiete (AOIs)
Hain
Stadtpark mit waldähnlicher Struktur (Laubbäume)
15 ha
1.978 Bäume
Stadtwald
Überwiegend Nadelwald, bewirtschaftet
46 ha
15.473 Bäume
Tretzendorf-1
Mischwald, ca. 20 km östlich von Bamberg
29 ha
5.900 Bäume
Tretzendorf-2
Mischwald, ca. 20 km östlich von Bamberg
15 ha
3.809 Bäume
Benchmark Dataset-Split
Train-Set
60 ha (57%)
17.212 Bäume
Val-Set
16 ha (15%)
4.390 Bäume
Train-Set-1
15 ha (14%)
1.978 Bäume
Train-Set-2
14 ha (13%)
3.580 Bäume
Besonderheit der Test-Sets:
Test-Set-1 besteht aus der kompletten Hain-AOI, die 5–20 km von den anderen Gebieten entfernt liegt und mit einem anderen Sensor aufgenommen wurde. Dies ermöglicht eine realistische Einschätzung der Modellperformance auf unbekannten Daten. Test-Set-2 stammt aus denselben AOIs wie das Training- und Validation-Set und gibt Einblick in die Performance auf ähnlichen Daten.
Vitalitätsverteilung im Dataset:
Vital
84%
Abgängig
12%
Tot
2%
Zitation: Troles, J.; Schmid, U.; Fan, W.; Tian, J. (2024): BAMFORESTS: Bamberg Benchmark Forest Dataset of Individual Tree Crowns in Very-High-Resolution UAV Images. Remote Sensing, 16(11), 1935. https://doi.org/10.3390/rs16111935