Informationen über einzelne Stadtbäume werden beispielsweise für planerische Zwecke benötigt. Während die Datenerhebung vor Ort zeit- und kostenintensiv ist, steht eine immer größere Menge an Fernerkundungsdaten, speziell digitalen Orthophotos und Digitalen Geländemodellen, zur Verfügung. Um diese effizient nutzen zu können, müssen geeignete Methoden zur Auswertung entwickelt werden. In diesem Kontext sind derzeit verschiedene Verfahren des maschinellen Lernens (Machine Learning), insbesondere künstliche Neuronale Netze (kNN), Gegenstand intensiver Forschung. Dieser Beitrag fasst die Erkenntnisse einer im Großraum der Stadt Leipzig durchgeführten Pilotstudie zusammen. Dabei wird untersucht, inwiefern das Potenzial von CNNs (Convolutional Neural Networks) genutzt werden kann, um Informationen über Stadtbäume aus Fernerkundungsdaten abzuleiten. Die Ergebnisse zeigen, dass einzelne Bäume lokalisiert werden können und verschiedene Baumgattungen mit einer Gesamtgenauigkeit von bis zu 72 % klassifizierbar sind. Außerdem erfolgt eine Bestimmung des Baumalters mit mittleren Fehlerwerten (RMSE) von bis zu 9 Jahren sowie der Baumhöhe und des Kronendurchmessers mit bis zu 1,8 m und 1,0 m.
Schlüsselwörter: Künstliche Neuronale Netze, CNNs, Fernerkundungsdaten, Stadtbäume