Walddefinitionen
Es gibt keine allgemeingültige Definition für “Wald”. Was als solcher angesehen wird, variiert, von Land zu Land und Anwendungsfall zu Anwendungsfall. Häufig wird auch zwischen einer Waldmaske und einer Gehölzmaske unterschieden. Die Gehölzmaske beinhaltet in dem Fall aktuell bestockte Holzbodenflächen, während die Waldmaske auch nicht bestockte Flächen wie beispielsweise Waldwege oder Kahlflächen umfasst. Eine einheitliche Definition dafür gibt es aber auch hier nicht. Eine Übersicht zu dem Thema gibt es z.B. im AWF-Wiki.
Beispielhaft werden hier zwei häufig verwendete Walddefinitionen gegeben, die der Bundeswaldinventur und die der Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen.
Walddefinition der Bundeswaldinventur (BWI)
Wald im Sinne der BWI ist, unabhängig von den Angaben im Kataster oder ähnlichen Verzeichnissen, jede mit Forstpflanzen bestockte Grundfläche. Als Wald gelten auch kahl geschlagene oder verlichtete Grundflächen, Waldwege, Waldeinteilungs- und Sicherungsstreifen, Waldblößen und Lichtungen, Waldwiesen, Wildäsungsplätze, Holzlagerplätze, im Wald gelegene Leitungsschneisen, weitere mit dem Wald verbundene und ihm dienende Flächen einschließlich Flächen mit Erholungseinrichtungen, zugewachsene Heiden und Moore, zugewachsene ehemalige Weiden, Almflächen und Hutungen sowie Latschen- und Grünerlenflächen. Heiden, Moore, Weiden, Almflächen und Hutungen gelten als zugewachsen, wenn die natürlich aufgekommene Bestockung ein durchschnittliches Alter von fünf Jahren erreicht hat und wenn mindestens 50 % der Fläche bestockt sind.
In der Flur oder im bebauten Gebiet gelegene bestockte Flächen unter 1.000 m², Gehölzstreifen unter 10 m Breite und Weihnachtsbaum- und Schmuckreisigkulturen, gewerbliche Forstbaumschulen sowie zum Wohnbereich gehörende Parkanlagen sind nicht Wald im Sinne der BWI. Wasserläufe bis 5 m Breite unterbrechen nicht den Zusammenhang einer Waldfläche.
Weihnachtsbaum- und Schmuckreisigkulturen sowie Kurzumtriebsplantagen im Wald sind Wald im Sinne der BWI.
Internationale Walddefinition (FAO)
Wald ist jede Landfläche größer als 0,5 Hektar mit Bäumen höher als 5 m und einer Baumkronenüberschirmung über 10 %, oder Bäume die diese Mindesthöhe erreichen können. Junge Bestände, welche noch unter 5 m Höhe haben und/oder noch keine Baumkronenüberschirmung von mehr als 10 % besitzen, gehören somit auch zum Wald. Ebenso gehören vorübergehend unbestockte Flächen (durch Forstnutzung oder natürliche Störung) zum Wald.
Erläuterungen:
Beinhaltet Forststraßen, Brandschneisen und andere Freiflächen, Wald in Nationalparks, Naturschutzgebieten und anderen Schutzgebieten, die von besonderem ökologischem, wissenschaftlichem, historischem, kulturellem oder spirituellem Interesse sind.
Beinhaltet Windschutzstreifen, Schutzgürtel und Korridore von Bäumen mit einer Fläche von mehr als 0,5 ha und einer Breite von mehr als 20 Metern.
National verfügbare Waldmasken
Copernicus High Resolution Layers (HRL)
- für 2012, 2015, 2018 (alle 3 Jahre)
- Europaweit
- aus Sentinel-1, Sentinel-2 (sowie Landsat-8 und VHR)
- 2012 und 2015 mit 20m Auflösung (100m für Change Products)
- 2018 mit 10m Auflösung generiert über DIAS (Mundi Web Services) (online seit 2020)
- Definition für Tree Cover Mask vorhanden
- Produkte: Tree Cover Density, Forest Type, Forest Additional Support Layer, Dominant Leaf Type, Tree Cover Density Change, Dominante Leaf Type Change
- nur Forest Type stellt eine Waldmaske dar, alle anderen Layer eine Gehölz- / Baummaske
- Detailiertes Manual hier
Layer:
Tree Cover Density (TCD)
- aus HR Bildern mit VHR Bildern und Orthophotos als Referenz in einer linearen Funktion
- 1 Pixel MMU
- basierend auf Daten vom 01.03.-31.10.2018
- für Wald (30-100% TCD) / Nichtwald (0-29%) Einteilung 96.4% Overall Accuracy
- für Wald (1-100% TCD) / Nichtwald (0%) Einteilung 92.2% Overall Accuracy
- (2015: 90%)
Dominant Leaf Type (DLT)
- aus multitenmporalen Bildern mit Support Vector Mashine (2015) bzw. Random Forest (2018)
- 1 Pixel MMU
- basierend auf Daten vom 01.03.-31.10.2018
- 96.5% Overall Accuracy
Forest Additional Support Layer (FADSL)
- um Stadt und Agrarbäume auszuweisen
- erstellt aus DLT, TCD, Corine Land Cover 2018 und HRL Imperviousness Degree 2018
- 1 Pixel MMU
Forest Type (FTY)
- Wald nach FAO Walddefinition
- erstellt aus Verschneidung von TCD und DLT
- agrar und urbane Flächen werden mit FADSL maskiert
- 0.5 ha MMU
- 10% TCD Grenzwert
Small Woody Features
- wurden aus VHR Bildern extrahiert und beinhalten Hecken, Alleen, Baumgruppen (TOF)
- für 2015 seit März 2020 verfügbar, als 5m Raster oder Vector und aggregierte Version als 100m Raster
- 2018 ab Ende 2021 verfügbar
- mit TCD Waldmaske (>30% und morphologische Filter) maskiert, trotzdem manche Features doppelt und andere gar nicht kartiert.
- Genauigkeit noch nicht validiert, 80% anvisiert (Stand: April 2020)
High-Resolution Vegetation Phenology and Productivity product suite (HR-VPP)
- 10m Auflösung
- aus Sentinel-2 Daten
- enthält 3 Produktgruppen und 31 Produkttypen pro Jahr
- Vegetationsindizes (Leaf Area Index (LAI), Fraction of Absorbed Photosynthetically Active Radiation (FAPAR), Normalized Difference Vegetation Index (NDVI) and Plant Phenology Index (PPI))
- Seasonal Trajectories (STs)
- Vegetation Phenology Parameters (VPPs)
Vegetated Land Cover Characteristics (VLCC)
- Die oben genannten Produkten werden zukünftig als Vegetated Land Cover Characteristics (VLCC) bereitgestellt
- Die Produkte sollen dann jählich bereitgestellt werden (anstatt 3-jährlich)
- FTY und Changes weiter 3-jährlich
- die Produktion wurde Ende 2022 begonnen und erste Ergebnisse ab 2018 sind für Ende 2023 angekündigt
- topographische Objekte der Landschaft und das Relief der Erdoberfläche im Vektorformat
- aus DGK5, Atualisierungen mit Orthofotos (DOPs)
- Inhalt orientiert sich an TK25
- Grundaktualisierung alle paar Jahre (Landestypisch)
- Spitzenaktualisierung (z.B. Autobahnen) alle paar Monate
- Mindestkartierfläche 0.1 ha
- enthält flächenhafte Informationen zur Landbedeckung
- Das BKG aktualisiert mit Hilfe von Fernerkundungsdaten alle drei Jahre das Digitale Landbedeckungsmodell für Deutschland
- Aufbauend auf Basis-DLM
- 2012, 2015, 2018
- Mindestkartierfläche 1 ha und die Mindestkartierbreite 15 Meter
- bisher wurden hauptsächlich RapidEye-Satellitenbilder genutzt, “zukünftig” Copernicus Sentinel Daten zur Aktualisierung
- Kombination von Landbedeckung und Landnutzung wird generalisiert für Corine Land Cover genutzt
- Projekt für ein jährliches Flächenmonitoring
- durchgeführt von Mundialis
- Masken für 2016, 2019 und 2020 verfügbar
- “eine jährliche Aktualisierung angestrebt”
- Bundesweit
- auf Basis von Sentinel-2 Daten (10m Auflösung)
- unterscheidet zwischen 7 Landbedeckungsklassen
- auf Basis von Sentinel-2 Daten der Jahre 2015 bis 2017
- LUCAS Daten von 2015 als Referenz
- Landbedeckungskarte für das Jahr 2000
- Landbedeckungsänderungen 2000
- 2019
- 30m Auflösung generiert aus Landsat
- Weltweit
- von Community produziert und aktualisiert
- Aktualität ist variabel
- Wald im Sinne von Landnutzung und Landbedeckung wird häufig synonym genutzt (siehe Beschreibung)
Waldmasken aus Fernerkundungsdaten
Towards automated Forest Mapping
- Übersicht zu Methoden und Studien (2017)
LIDAR
- Waldmaske 2019 für den Kanton Bern
- 97% Overall Accuracy
Stereobilder
- aus Stereo Orthophotos (zusammen mit DTM und DLM)
- Auflösung 1m
- für die ganze Schweiz
- 97% Overall Accuracy
- für Baden-Württemberg
- aus Luft- und Satellitenbildern sowie bildbasiertem nDSM
- Ableitung von Einzelbäumen für Baumbedeckungskarte
- Daraus Ableitung von Bestockungskarte (nach BWI Definition)
- Lücken in Bestockungskarte werden geschlossen für Waldbedeckungskarte
- Jährliche Aktualisierung (Orthobilder in 3-Jahres Zyklus)
- BWI Daten als Referenzdaten
- 95% Overall Accuracy
Satellitenbilder (passiv)
- 2000, 2006
- 25m Auflösung
- aus Landsat-7 ETM+ (2000) und IRS-LISS-3, SPOT4/5 Bildern (2006)
- CORINE Land Cover als Trainingsdaten
- LUCAS und eForest (Daten der NFIs) Daten zur Validierung
- k-NN Model (2000) und ANN Model (2006)
- 90.8% Overall Accuracy (2000) und 84% Overall Accuracy (2006)
Satellitengestutzte Waldflächenkartierung für die Bundeswaldinventur
- für Testgebiete
- nach BWI-Definitoion
- aus Quickbird und Landsat (7)
- zusätzlich mit ATKIS Daten korrigiert
- referenziert mit BWI-Daten
- 93-97% Genauigkeit
Tree cover mapping based on Sentinel-2 images demonstrate high thematic accuracy in Europe
- für Testgebiete in Europa
- unüberwachte k-means Klassifikation von einzelnen Sentinel-2 Szenen
- Genauigkeit bis 90% (999 Pixel als Referenz)
- aus Landsat-8 Daten (1 Jahr und 3 Jahre)
- ‘used annual and seasonal spectral-temporal metrics and environmental features’
- MMU 30x30m
- LUCAS Daten als Referenz
- 12 LULC classes für ganz Europa
- 75.1% Overall Accuracy
Satellitenbilder (aktiv)
Forest area derivation from Sentinel-1 data
- Waldmaske für Testgebiet in Österreich
- Sentinel-1A
- Otsu thresholding and K-means clustering
- 10m Auflösung und 500m² MMU
- 92% Overall Accuracy
- kann verbeesert werden wenn Stadtgebiete ausgeschlossen werden
Annual seasonality in Sentinel-1 signal for forest mapping and forest type classification
- für Testgenbiete
- aus Sentinel-1 Zeitreihen
- Methodik basiert auf time series similarity measures
- 86-91% Overall Accuracy (forest/non-forest)
- 85% Overall Accuracy (non-forest, coniferous and broadleaf forest)
- Copernicus HRL als Referenz
High Resolution Forest Maps from Interferometric TanDEM-X and Multitemporal Sentinel-1 SAR Data
- für Testgebiete in Deutschland und Kanada
- Sentinel-1 und TanDEM-X
- Random Forest Klassifikation
- ca 85 - 95% Genauigkeit
The global forest/non-forest map from TanDEM-X interferometric SAR data
- globale Waldmaske
- 50m Auflösung
- aus TanDEM-X Bildern
- Genauigkeit => 90%
Waldmaske als Nebenprodukt
Forest Stand Species Mapping Using the Sentinel-2 Time Series
- aus einer Sentinel-2 Szene (Mitte der Vegetationsperiode)
- mit Random Forest in Wald/Nichtwald klassifiziert
- 99% Overall Accuracy (ausgewählte Polygone als Referenz!)
- zunächste Segmentierung mit Landsat-8, Sentinel-2 und Sentinel-1 Bildern
- dann Ableitung von Vegetation durch NDVI-Grenzwert für Segmente
- dann Wald/Nichtwald Unterscheidung der Vegetation durch Random Forest Klassifizierung von DEM und S-2 Metriken der Segmente
- Genauigkeit 99%
- für Deutschland
- 30m Auflösung
- 12 LULC Klassen
- LUCAS und LPIS Daten als Referenz
- aus Sentinel-2A und Landsat-8 mutlisensor-Kompositen (10-Tages, Saison- und Jahreskompositen)
- mit Random Forest Classifier
- 81% Overall Accuracy
Referenzdaten
- 2018
- Walddefinition vorhanden
- georeferenzierte frei verfügbare Referenzdaten
- genaue Soll- und Ist-Koordinaten sind vorhanden
- Beispielstudie
Recent Advances in Forest Observation with Visual Interpretation of Very High-Resolution Imagery
- Tools und Methoden zur Nutzung von VHR Bildern als Referenz (Geo-Wiki, LACO-Wiki, Collect Earth)
- 2-4m Auflösung
- über Copernicus (mit Anmeldung evtl.)
The Potential of Open Geodata for Automated Large-Scale Land Use and Land Cover Classification
- Studie zur Nutzung von Open Data als Referenz zur LULC Klassifizierung
- anhand von Random Forest Klassifiuierung mit Landsat 7/8 validiert