Früherkennung von Borkenkäferbefall bei Fichten mittels Drohnen

Im Frühjahr befallen Borkenkäfer gesunde Fichten. Innert Wochen wächst eine neue Käfergeneration heran, verlässt die sterbenden Bäume und befällt die nächsten gesunden Fichten (“Green Attack”) und richtet riesige Schäden an den Wäldern an.

Fiche signalétique

  • Département responsable Haute école des sciences agronomiques, forestières et alimentaires
  • Institut Gestion multifonctionnelle des forêts
  • Unité de recherche Forêts de montagne, dangers naturels et SIG
  • Organisation d'encouragement Autres
  • Durée (prévue) 01.08.2023 - 31.12.2024
  • Responsable du projet Mark Günter
  • Direction du projet Mark Günter
  • Équipe du projet Mark Günter
  • Partenaire Forschungsfonds Aargau
  • Mots-clés Green Attack; Borkenkäfer; Drohnentechnik

Situation

Im Herbst 2020 wurde ein Algorithmus entwickelt zur Identifikation von Green Attack auf Einzelbaumebene. Der Algorithmus basiert auf RGB- (rot/grün/blau, für das menschliche Auge sichtbarer Bereich des Sonnenlichtes), Multispektral- und Thermalaufnahmen, welche mit Drohnen aufgenommen werden. In der Saison 2022 wurde der Algorithmus gründlich gegenüber der Bodenwahrheit (ground truth) validiert und statistisch ausgewertet. Die Ergebnisse der Validierung zeigten, dass die Treffsicherheit der Methode durchzogen ist und sich erst gegen Ende der Saison deutlich verbessert. Das FFAG Projekt hat gezeigt, dass ein statischer Algorithmus keine praxistaugliche Lösung ist. Es besteht daher die Notwendigkeit, einen adaptiven Algorithmus zu entwickeln, der über die gesamte Saison hinweg aussagekräftige Ergebnisse liefert, was das Ziel dieses Folgeprojektes ist. Es muss untersucht werden, welche Methode des Machine Learning, Deep Learning/Artificial Intelligence am besten anzuwenden ist. In Frage kommen Deep Learning Methoden wie Convolutional Neural Networks (CNNs), Random Forest und Support Vector Machines (SVMs).

Approche

Es besteht dringend die Notwendigkeit, einen Algorithmus zu entwickeln, der die Green Attack-Pixel unter verschiedenen atmosphärischen Bedingungen detektieren kann. Die größte Herausforderung besteht darin, dass die Spektralsignaturen der Green Attack-Phase je nach Wetterbedingungen und Sonnenstand bei der Aufnahme der Bilder mit der Drohne stark variieren können. Keine zwei Datensätze des gleichen Waldes sind identisch, selbst wenn sie am gleichen Tag aufgenommen wurden. Das bedeutet, dass wir eventuell eine Methode entwickeln müssen, bei der kontinuierlich Trainingsdaten gesammelt und dem Validierungsdatensatz hinzugefügt werden. Auf diese Weise könnte der Algorithmus von selbst lernen und muss nicht manuell mit Trainingsdaten gefüttert werden, was eine sehr aufwändige Angelegenheit ist, und praktisch nicht umsetzbar ist. In diesem Projekt möchten wir einen adaptiven Algorithmus entwickeln, indem wir die Trainingsdaten aus dem Entlebuch 2022 verwenden. Die Methode der automatisierten Adaptionsstrategien ist neu, so dass wir die Möglichkeit und Machbarkeit der Implementierung einer solchen Methode bewerten müssen.

Résultat

Der statische Algorithmus zeigte signifikante Ergebnisse bei der Erkennung des Green Attacks, allerdings erst gegen Ende der Saison 2022. Wir versuchen daher, einen adaptiven Algorithmus zu entwickeln, der uns über die gesamte Saison hinweg relevante Ergebnisse liefert, was das Hauptziel dieses Projekts ist.

Perspectives

Parallel zur Entwicklung des Tools zur Erkennung von Bäumen auf der Grundlage von Drohnenbildern, arbeiten wir an einer auf Satellitenbildern basierenden Lösung. Beide Komponenten müssen noch verfeinert und hinsichtlich ihrer Präzision und Robustheit validiert werden. In einem letzten Schritt werden die Komponenten in ein praktisches Tool für Forstpraktiker integriert.

Ce projet contribue aux objectifs de développement durable suivants

  • 8: Accès à des emplois décents