Einleitung: Warum Früherkennung der Kiefernwelke für Europa immer wichtiger wird
Die Kiefernwelke, ausgelöst durch den Kiefernholznematoden Bursaphelenchus xylophilus, zählt zu den gefährlichsten Baumkrankheiten weltweit. In Ostasien, insbesondere in China, Japan und Korea, führt der Erreger seit Jahrzehnten zu massiven Ausfällen in Kiefernbeständen. In Europa gilt die Krankheit als quarantänerelevant – einzelne Ausbrüche in Portugal und auf der Iberischen Halbinsel haben gezeigt, dass eine Einschleppung auch in mitteleuropäische Wälder jederzeit möglich ist. Eine aktuelle Studie aus dem Jahr 2026, veröffentlicht in der Fachzeitschrift Pest Management Science, zeigt nun, wie sich infizierte Bäume mithilfe unbemannter Flugsysteme und intelligenter Sensorfusion deutlich früher erkennen lassen als mit herkömmlichen visuellen Bonituren. Die Ergebnisse sind nicht nur für China relevant, sondern liefern auch für die waldwirtschaftliche Praxis in Deutschland, Österreich und der Schweiz wertvolle Hinweise, sollte der Erreger hier auftreten.
So wurde geforscht
Das Forschungsteam entwickelte ein mehrstufiges Erkennungssystem, das drei komplementäre Sensoren kombiniert: eine Hyperspektralkamera, einen LiDAR-Scanner und eine Wärmebildkamera, alle gemeinsam auf einer unbemannten Drohne (UAV) montiert. Beflogen wurden Mischwälder aus Nadel- und Laubbäumen in China, in denen die Kiefernwelke natürlicherweise vorkommt. Insgesamt 240 Kiefern wurden im Frühstadium, im mittleren Stadium und im Spätstadium der Erkrankung erfasst sowie 80 gesunde Bäume als Kontrollgruppe. Die Hyperspektraldaten lieferten Informationen über die Blattphysiologie, das LiDAR erfasste die dreidimensionale Kronenstruktur und die Wärmebildkamera registrierte die Oberflächentemperatur der Kronen. Mithilfe von Methoden des maschinellen Lernens – konkret kam ein Ensemble aus Random Forest, Support Vector Machine und einem tiefen neuronalen Netz zum Einsatz – wurden die Multimodal-Daten fusioniert und die Erkrankungsstadien klassifiziert.
Die Studie unterschied dabei bewusst zwischen verschiedenen Kiefernarten und Mischwaldkompositionen, da die Anzahl und Höhe der Laubbäume die Sichtbarkeit der Kiefernkronen aus der Luft beeinflusst. Insgesamt wurden über 80 spektrale Bänder, 12 strukturelle LiDAR-Variablen und 4 thermische Indizes in das Modell eingespeist. Die Validierung erfolgte durch kreuzweise Validierung mit unabhängigen Testparzellen, die nicht in der Modellentwicklung verwendet wurden.
Die wichtigsten Ergebnisse
Erstens: Im Frühstadium der Kiefernwelke, in dem die Bäume äußerlich noch weitgehend gesund wirken, lag die Erkennungsgenauigkeit des kombinierten Sensoransatzes bei 87 Prozent. Das ist ein erheblicher Fortschritt gegenüber hyperspektralen Daten allein, die in derselben Studie nur 71 Prozent erreichten. Die bloße visuelle Bonitur durch geschulte Forstexperten kommt in diesem Stadium erfahrungsgemäß auf kaum mehr als 30 Prozent, da die typischen Symptome wie Nadelvergilbung und Harzfluss erst Wochen später sichtbar werden.
Zweitens: Im mittleren Erkrankungsstadium stieg die Erkennungsgenauigkeit auf 94 Prozent, im Spätstadium auf 99 Prozent. Die letzte Zahl ist praktisch weniger relevant, weil erkrankte Bäume in diesem Zustand mit bloßem Auge eindeutig identifizierbar sind – der Wert zeigt aber, dass das kombinierte System selbst bei offensichtlichen Schäden zuverlässig arbeitet, ohne Falsch-Positiv-Meldungen zu produzieren.
Drittens: LiDAR-Daten leisteten vor allem bei der Trennung von Früh- und Mittelstadium wertvolle Dienste. Erkrankte Kiefern verlieren bereits vor sichtbaren Vergilbungen Feinäste im oberen Kronenbereich, was sich in einer reduzierten Punktdichte in 15 bis 25 Metern Höhe niederschlägt. Die LiDAR-Variable „oberer Kronenbedeckungsgrad“ konnte zwischen den Stadien mit einer Genauigkeit von 82 Prozent allein unterscheiden.
Viertens: Die Wärmebildkamera erwies sich als kritischer Sensor für die Früherkennung. Erkrankte Kiefern schließen bereits vor der Vergilbung ihre Spaltöffnungen, um Wasserverluste zu reduzieren – die Blattoberfläche erwärmt sich dadurch messbar. Im Frühstadium lag die mittlere Kronentemperatur erkrankter Bäume 2,3 Grad Celsius über der gesunder Bäume. Dieser Wert ist so deutlich, dass selbst eine einfache Temperaturschwellwert-Analyse 78 Prozent der Frühinfektionen korrekt identifizierte.
Fünftens: Die Kombination aller drei Sensoren brachte einen zusätzlichen Erkennungsgewinn von 12 bis 15 Prozentpunkten gegenüber dem besten Einzelsensor. Die Forschenden betonen, dass diese Synergie nicht additiv, sondern multiplikativ wirkt: Jeder Sensor übersieht bestimmte Infektionen, die ein anderer erkennt, und die Fusion gleicht diese blinden Flecken aus. Die Kosten einer solchen Multisensor-Plattform liegen laut Herstellerangaben bei rund 25.000 Euro für die Drohne plus 15.000 Euro für die Sensorik – nicht günstig, aber im Vergleich zu den wirtschaftlichen Schäden eines unentdeckten Ausbruchs durchaus vertretbar.
Was das für die Praxis bedeutet
Für die waldwirtschaftliche Praxis in Mitteleuropa liefert die Studie drei direkte Anregungen. Erstens: Die Kombination aus Drohnenbefliegung und automatischer Datenauswertung kann die Monitoring-Kosten in wertvollen Kiefernbeständen, etwa in Brandenburg, Sachsen oder dem pfälzischen Wald, um ein Vielfaches senken. Statt jeden Hektar mit geschultem Personal zu begehen, lassen sich 50 bis 100 Hektar pro Flugtag scannen.
Zweitens: Mischwälder mit hohem Laubholzanteil galten bisher als schwieriges Befliegungsgebiet, weil die Kronen die Sicht auf die Kiefern teilweise versperren. Die Studie zeigt, dass auch in solchen Beständen eine robuste Früherkennung möglich ist, sofern die Sensorik richtig kalibriert und die Modelle auf die jeweilige Bestandesstruktur trainiert werden. Für die deutsche Forstpraxis, in der Mischwälder zunehmend Standard werden, ist das ein wichtiger Befund.
Drittens: Die entwickelten Modelle sind übertragbar. Zwar müssen die Algorithmen auf regionale Baumarten und Standortsbedingungen neu kalibriert werden, aber die zugrunde liegenden Sensorprinzipien bleiben gleich. Erste Pilotprojekte in den Forstlichen Versuchsanstalten Baden-Württemberg und Rheinland-Pfalz laufen bereits, wobei derzeit vor allem die Hyperspektral- und LiDAR-Komponenten getestet werden. Die thermische Komponente steckt noch in der Erprobungsphase.
Vertiefung: Sensorfusion als Modell für künftiges Waldschutz-Monitoring
Die Studie hat über die unmittelbare Kiefernwelke-Erkennung hinaus methodische Bedeutung. Sie zeigt, dass Multisensor-Drohnensysteme ein realistisches Werkzeug für die Früherkennung von Forstschädlingen und -krankheiten sind. Übertragen auf andere Schaderreger wie den Borkenkäfer, den Eichenprozessionsspinner oder den Asiatischen Laubholzbockkäfer eröffnen sich ähnliche Anwendungsfelder. Erste Ergebnisse aus Modellregionen in der Schweiz und Österreich deuten darauf hin, dass sich beginnende Borkenkäfer-Befälle aus der Luft zwei bis drei Wochen vor der visuellen Erkennung im Bestand identifizieren lassen, basierend auf denselben hyperspektralen und thermischen Veränderungen, die bei der Kiefernwelke eine Rolle spielen.
Eine besondere Stärke der vorgestellten Methode liegt in der Skalierbarkeit. Während klassische visuelle Bonituren an die Verfügbarkeit von Forstpersonal gebunden sind, lassen sich Drohnen-Befliegungen auch in schwer zugänglichen Steillagen und großen zusammenhängenden Waldgebieten durchführen. In den nächsten Jahren ist mit einer breiten Verfügbarkeit solcher Systeme zu rechnen, da sowohl die Drohnen-Hardware als auch die Rechenleistung für die Datenauswertung kontinuierlich günstiger werden. Bis 2030 rechnen die Autoren mit einer Senkung der Systemkosten um rund 40 Prozent, was den Einsatz auch in mittelgroßen Forstbetrieben wirtschaftlich machen würde.
Gleichzeitig wirft die Studie eine wichtige organisatorische Frage auf: Wer wertet die enormen Datenmengen aus, die bei einer einzigen Befliegung eines 1000-Hektar-Reviers anfallen? Die Antwort liegt vermutlich in Cloud-basierten Auswerteplattformen, die standardisierte Modelle für mehrere Schaderreger parallel bereitstellen. Die Forschungsgruppe arbeitet bereits an einer Open-Source-Variante, die interessierten Forstbetrieben kostenfrei zur Verfügung gestellt werden soll.
Limitations und offene Fragen
Die Studie wurde in chinesischen Kiefer-Mischwäldern durchgeführt, in denen die Kiefernwelke endemisch ist. Eine direkte Übertragung der Ergebnisse auf europäische Kiefernarten wie die Waldkiefer Pinus sylvestris oder die Schwarzkiefer Pinus nigra ist nicht ohne weiteres möglich, da die optischen und thermischen Eigenschaften der Nadeln je nach Art und Standort variieren. Erste Validierungsläufe in portugiesischen Beständen, die von einem Ausbruch betroffen waren, liefern jedoch vielversprechende Ergebnisse. Die Modelle müssen zudem auf unterschiedliche Flugbedingungen, Tageszeiten und Witterungsverhältnisse trainiert werden, um eine ganzjährige Einsatzfähigkeit zu gewährleisten. Auch die Frage, wie sich die Methode in dichten, alten Beständen mit geschlossenem Kronendach verhält, bleibt offen. In den chinesischen Versuchsflächen handelte es sich überwiegend um mittelalte Bestände mit lichten Kronen. Schließlich ist die wirtschaftliche Bewertung eines flächendeckenden Monitorings noch nicht abschließend geklärt. Die Studie liefert überzeugende Hinweise, dass die Investition in Drohnen- und Sensorik-Technologie bei großflächigen Kiefernvorkommen betriebswirtschaftlich sinnvoll sein kann, für kleinere Forstbetriebe mit Beständen unter 200 Hektar bleibt die Eigenfinanzierung solcher Systeme allerdings eine Herausforderung. Hier könnten kooperative Modelle, etwa auf Ebene der Forstbetriebsgemeinschaften, oder fest geförderte Lösungen der Landesforstverwaltungen eine praktikable Antwort sein.
Quelle: 10.1002/ps.71207
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.