Die WSL leitet aus Sentinel-2-Bildern mit einem neuronalen Netz jährliche Vegetationshöhenmodelle für die Schweiz ab – mit Blick auf den ganzen Alpenbogen.
Bild: European Space Agency · Bildquelle
FERNERKUNDUNG · KI · SCHWEIZ
Steckbrief
Vegetationshöhenmodelle aus Luftbildern sind sehr genau, werden aber meist nur alle paar Jahre neu erstellt. Für Störungsanalysen oder das Monitoring von Extremstandorten ist das oft zu selten. Die Eidgenössische Forschungsanstalt WSL hat deshalb untersucht, wie sich jährliche Höhenmodelle aus Satellitendaten ableiten lassen.
Das Projekt nutzt optische Aufnahmen der Copernicus-Mission Sentinel-2 und ein Convolutional Neural Network (CNN). Das Ergebnis sind Vegetationshöhenmodelle mit 10 Metern Auflösung – gröber als Luftbilder mit rund 0,5 Metern, dafür jedes Jahr flächendeckend verfügbar.
Das Projekt lief von 2021 bis 2025; rückwirkend sollen Modelle bis 2017 entstehen. Mittelfristig ist eine Ausweitung auf den gesamten Alpenbogen angestrebt.
Einheitliche, jährlich aktualisierte Höhendaten über Landesgrenzen hinweg wären eine wertvolle Grundlage für grenzüberschreitende Auswertungen – etwa zur Entwicklung des Schutzwalds oder nach großen Störungsereignissen.
Ein FAO-Beitrag vom Februar 2026 ordnet Anwendungen von KI in der nationalen Waldüberwachung ein, von Risikoanalysen über Chatbots bis zur Waldstruktur aus LiDAR und Sentinel-2, und nennt Voraussetzungen und Vorsichtsmaßnahmen.
Das BFW wertete Sentinel-2-Daten für Osttirol und Oberkärnten aus und machte die Schadkette aus Sturm, Schneebruch und Borkenkäfer flächig sichtbar.
Die JKU Linz kombiniert Airborne Optical Sectioning mit einer trainierten KI, um Wärmebilder von Drohnen durch das Blätterdach zu korrigieren. Getestet wurde mit der Feuerwehr in Oberösterreich.