Automatische Erkennung der Feinerschliessung im Aargauer Wald

Für die Bewirtschaftung von Wäldern spielt die Erschliessung eine zentrale Rolle. Sie kann im Wald in zwei Kategorien unterteilt werden. Die Groberschliessung bezeichnet befestigte Wege, die häufig befahren werden. Die Feinerschliessung umfasst unbefestigte Wege, die nur bei der Holzernte befahren werden. Die Groberschliessung ist im Kanton Aargau bereits systematisch kartiert, bei der Feinerschliessung hingegen sind noch grosse Lücken vorhanden.

Sorgfältig geplante und optimal angelegte Feinerschliessung ermöglicht es, möglichst viel Waldfläche bei möglichst wenig Befahrung zu bewirtschaften, was letztendlich den Boden schützt. Die Feinerschliessung wird darum dauerhaft bestimmt und für alle weiteren Eingriffe benutzt. Nach Sturmereignissen oder auch nach einer jahrzehntelangen Verjüngungsphase ohne Befahrung ist die Feinerschliessung im Gelände teilweise kaum mehr auffindbar. Und bei Personalwechseln kann das Wissen über den Verlauf der Feinerschliessung verloren gehen. Aus diesen Gründen empfiehlt die Abteilung Wald des Kantons Aargau, die Erschliessung digital zu erfassen. Bisher wurde rund 40 Prozent der Kantonsfläche basierend auf Bodenstrukturkarten aus Lidar am Bildschirm oder mit GPS-Geräten im Wald kartiert.

Mit Bilderkennung Wege finden

Im Rahmen seiner Weiterbildung DAS Data Science an der FHNW hat Raffael Bienz basierend auf den bestehenden Daten (Bodenstrukturkarten aus Lidar und bereits erfasste Feinerschliessung) ein Bilderkennungsmodell entwickelt, um für die bisher nicht kartierte Kantonsfläche die Feinerschliessung automatisch zu erfassen. Dazu wurde ein neurales Encoder-Decoder Netzwerk verwendet, welches eine Bildsegmentation vornimmt. Als Input erhält das Modell einen 150x150 m Ausschnitt der Bodenstrukturkarte (Abbildung 1 links). Als Output generiert das Modell eine Maske, welche die Feinerschliessung im Bild segmentiert (Abbildung 1 rechts).

Abbildung 1: Ausschnitt der Bodenstrukturkarte (links) und dieselbe Karte mit der Maske, welche die Feinerschliessung im Bild segmentiert (rechts).

Als Grundstruktur für das Modell wurde ein sogenanntes U-Net [1] verwendet, dass eigentlich für die Analyse von medizinischen Bildern entwickelt wurde. Charakteristisch an der U-Net Architektur ist, dass sie sogenannte Skip Connections innerhalb des Netzwerks zulässt. Dadurch können Feature Maps aus höheren Ebenen des Neuralen Netzwerks Informationen direkt in tiefere Ebenen übertragen, ohne dass durch das Downsampling (Max Pooling) innerhalb des Netzwerks Informationen verloren gehen.

Für das Training des Modells standen rund 200 (150x150 m) Flächen zur Verfügung, auf welchen die Feinerschliessung besonders exakt erfasst wurde. Da es sich dabei, im Vergleich zur Modellkomplexität, um einen sehr kleinen Datensatz handelt, spielte die Datenaugmentation beim Modelltraining eine wichtige Rolle. Die Input-Bilder wurden beim Trainingsprozess zufällig gedreht und die spektralen Eigenschaften zufällig variiert. Zudem erfolgte während dem Preprocessing eine Vierteilung der Input-Bilder. Dies erhöhte den Trainingsdatensatz auf 800 (75x75 m) Bilder und hat das Overfitting stark reduziert. Rund 85 Prozent der Daten dienten dem Modelltraining und die restlichen Daten der Evaluation der Modellperformance.

Insgesamt hat die Methode sehr gut funktioniert: Auf den Testdaten wurde ein F1-Score von 0.6 erreicht bei einem Recall von 0.64 und einer Precision von 0.57. Bei der Interpretation dieser Metriken ist allerdings Vorsicht geboten. Ein Recall von 0.64 bedeutet nicht, dass nur 64 Prozent der Feinerschliessung gefunden wurde, sondern dass 64 Prozent der Pixel, welche in den Trainingsdaten als Feinerschliessung klassiert wurden, auch vom Modell als solche identifiziert wurden. Der Anteil der gefundenen Feinerschliessung ist um einiges höher. Visuelle Analysen der Resultate zeigten, dass das Modell rund 90 Prozent der auf den Bodenstrukturkarten sichtbaren Feinerschliessung fand.

Erleichterung für Forstbetriebe

Das so entstandene Produkt wird bereits erfolgreich als Grundlage für die Erfassung und Optimierung der Feinerschliessung eingesetzt und erleichtert die wertvolle Arbeit der Forstbetriebe bei der Dokumentation der Feinerschliessung erheblich. Die Daten dienen als Grundlage für die Erstellung von Arbeitsaufträgen oder Holzschlagskizzen und werden Maschinisten im Bord-GPS zur Navigation zur Verfügung gestellt.

Das auf die Erkennung der Feinerschliessung im Aargau trainierte Modell steht frei im Internet zur Verfügung. Erste Tests mit Swisstopo Lidar-Daten von anderen Kantonen haben gezeigt, dass es auch dort gut funktioniert.

[1] Ronneberger O., Fischer P., Brox T. 2015. U-Net: Convolutional Networks for Biomedical Image Segmentation. Medical Image Computing and Computer-Assisted Intervention (MICCAI), Springer, LNCS, Vol.9351: 234—241.