Wie lässt sich eine invasive Pflanzenart im Unterwuchs eines Waldes aufspüren? Ein Forschungsteam der Justus-Liebig-Universität Gießen (JLU) hat dafür eine neuartige Methode entwickelt: Mit handelsüblichen Drohnen, Schrägluftbildern aus mehreren Blickwinkeln und Künstlicher Intelligenz gelang es erstmals, den invasiven Götterbaum (Ailanthus altissima) auch dort zu kartieren, wo er bislang unsichtbar blieb – unter dem Kronendach eines dürregeschädigten Waldes in Südhessen. Die Ergebnisse wurden jetzt in der Fachzeitschrift „ISPRS Open Journal of Photogrammetry and Remote Sensing“ veröffentlicht.
Invasive Arten wie der Götterbaum können heimische Ökosysteme erheblich verändern. Ihr Monitoring aus der Luft stößt jedoch an Grenzen: Gängige Verfahren werten sogenannte Orthomosaike aus – das sind aus vielen Einzelbildern zusammengesetzte, von oben betrachtete Gesamtkarten. Was unter den Baumkronen verborgen liegt, bleibt dabei systematisch unsichtbar. Genau hier setzt die Studie an. Die Forschenden werteten die unbearbeiteten Originalaufnahmen der Drohne mit Künstlicher Intelligenz aus und verknüpften die Ergebnisse zu einem dreidimensionalen Modell des Waldes. Das Ergebnis war eindeutig: Über 40 Prozent des tatsächlichen Götterbaum-Befalls lagen verborgen unter dem Kronendach – und wären mit herkömmlichen Methoden unentdeckt geblieben.
„Ein erheblicher Teil dieser Invasion spielt sich im Verborgenen ab, unter dem Kronendach“, erläutert PD Dr. André Große-Stoltenberg, Letztautor der Studie und Forscher an der Professur für Landschaftsökologie und Landschaftsplanung und am Zentrum für internationale Entwicklungs- und Umweltforschung (ZEU) der JLU. „Erst die Kombination aus Schrägluftbildern und Künstlicher Intelligenz macht diese versteckte Invasion sichtbar – und liefert ein realistisches Bild ihres tatsächlichen Ausmaßes.“
Ein weiteres Ergebnis überraschte das Team: Die KI-Modelle arbeiteten genauer, wenn sie mit den unbearbeiteten Originalaufnahmen trainiert wurden, statt mit den sonst üblichen, aufwendig zusammengesetzten Orthomosaiken. „Das vereinfacht den Arbeitsablauf und macht die Methode für die Praxis attraktiv“, so Erstautor Marcel Dogotari.
Für die Untersuchung wurden Drohnenflüge über Waldflächen bei Pfungstadt und Seeheim-Jugenheim (Landkreis Darmstadt-Dieburg) durchgeführt. Die Auswertung der unbearbeiteten Originalaufnahmen erfolgte mittels neuronaler Netze, einem Verfahren des maschinellen Lernens zur automatisierten Erkennung von Bildinhalten. Anschließend projizierten die Forschenden die Ergebnisse mithilfe photogrammetrischer Verfahren auf eine georeferenzierte dreidimensionale Punktwolke des Waldes.
Der Ansatz liefert nicht nur genauere Karten, sondern auch reichhaltigere räumliche Informationen und dürfte sich besser auf andere Gebiete übertragen lassen. Da er sich auch auf bereits vorhandene Bilddatensätze anwenden lässt, eröffnet er nach Einschätzung der Forschenden neue Möglichkeiten – für das Monitoring invasiver Arten ebenso wie für die Vegetationsforschung insgesamt. Damit könnte die Methode künftig Entscheidungen im Natur- und Umweltschutz unterstützen.
Neben der Professur für Landschaftsökologie und Landschaftsplanung sowie dem Zentrum für internationale Entwicklungs- und Umweltforschung (ZEU) der Justus-Liebig-Universität Gießen waren Forschende der Hochschule Rhein-Waal an der Publikation beteiligt. Die Arbeit ist im Projekt MonA (Monitoring von naturschutzrelevanten Arten und Renaturierungsmaßnahmen per Fernerkundung) entstanden, das durch den Hessischen Biodiversitätsforschungsfonds des Hessischen Landesamtes für Naturschutz, Umwelt und Geologie (HLNUG) gefördert wurde.
Universität Gießen
Originalpublikation:
Marcel Dogotari, Till Kleinebecker, Rolf Becker, André Große-Stoltenberg: Mapping understorey tree invasion in a drought-affected forest using multi-view UAV imagery and deep learning, ISPRS Open Journal of Photogrammetry and Remote Sensing, Volume 21, 2026, 100133, ISSN 2667-3932. https://doi.org/10.1016/j.ophoto.2026.100133
