Einzelbaumerkennung mithilfe von Machine Learning

Die Entwicklung eines Verfahrens zur automatischen Detektion von Einzelbäumen mit Hilfe von maschinellem Lernen (ML) und Luftbildern bringt mehrere Herausforderungen mit sich. Hier sind einige der Wichtigsten:

• Training von ML-Modellen: für das Training von ML-Modellen sind genaue Trainingsdaten unerlässlich. Soweit wie möglich ist die Datenerstellung und Qualitätskontrolle zu automatisieren.
• Variabilität der Baumarten und Umgebungen: Bäume variieren stark in Größe, Form und Farbe, abhängig von der Art und dem Standort. Unterschiedliche Umgebungen (städtisch, ländlich, Wald, Park) stellen unterschiedliche Herausforderungen dar, wie z.B. die Unterscheidung von Bäumen von anderen grünen Flächen oder Strukturen.
• Komplexe Hintergründe und Überlappungen: In dicht bewaldeten Gebieten können Bäume überlappen, was ihre individuelle Erkennung erschwert. Zudem können Schattenwürfe, Gebäude und andere Strukturen die Erkennung stören.
• Skalierbarkeit und Rechenanforderungen: ML-Modelle, insbesondere tiefe neuronale Netze, erfordern oft erhebliche Rechenressourcen für Training und Inferenz, besonders bei der Verarbeitung großer Mengen hochauflösender Bilder.
• Generalisierbarkeit des Modells: Ein Modell, das auf einem bestimmten Satz von Luftbildern gut funktioniert, könnte bei anderen Bildern schlechter abschneiden. Die Herausforderung besteht darin, ein robustes Modell zu entwickeln, das unter verschiedenen Bedingungen und in verschiedenen Regionen zuverlässig funktioniert.