Einleitung: Warum diese Frage relevant ist
Waldinventuren müssen heute mehr leisten als die Schätzung von Holzvorrat und mittlerem Durchmesser. Für Biodiversität, Habitatqualität und Kohlenstoffspeicherung ist entscheidend, wie ein Bestand dreidimensional aufgebaut ist: Wie dicht steht das Kronendach, wie viel Unterwuchs gibt es, wie verteilen sich Bäume im Raum und wie stark unterscheiden sich Laub- und Nadelbestände? Terrestrisches Laserscanning kann diese Struktur millimetergenau beziehungsweise im Zentimeterbereich abbilden. Bisher war der Vergleich zwischen Regionen jedoch schwierig, weil Datensätze mit unterschiedlichen Scannern, Aufnahmegeometrien und Auswertungsregeln erhoben wurden.
Ein 2026 in Data in Brief veröffentlichter Datensatz schafft dafür eine einheitliche Grundlage. Das Team legte 121 Waldflächen in Deutschland, Tschechien, Spanien und Norwegen nach demselben Protokoll an. Der Datensatz ist keine einzelne Ökosystemstudie mit einer neuen Bewirtschaftungsempfehlung, sondern eine methodische Infrastruktur: Er soll ermöglichen, dass Forschende, Inventurstellen und Entwickler von Auswertungssoftware dieselben Waldstrukturen unter identischen Bedingungen analysieren. Für die Forstpraxis ist das relevant, weil Verfahren zur Einzelbaumerkennung, Vorratsschätzung und Habitatbewertung dadurch besser gegeneinander getestet werden können.
So wurde geforscht
Die Autorinnen und Autoren werteten 121 Plots mit jeweils 50 mal 50 Metern Fläche aus. Die Flächen stammten aus fünf Messkampagnen in vier europäischen Ländern: Deutschland, Tschechien, Spanien mit den Regionen Galicien und La Palma sowie Norwegen. Damit umfasst der Datensatz unterschiedliche Umweltbedingungen und Waldtypen, statt nur eine einzelne Versuchsfläche zu beschreiben. Die Feldaufnahmen wurden mit demselben terrestrischen Laserscanner, dem RIEGL VZ-400i, und mit identischen Aufnahmeprotokollen durchgeführt.
Das Ergebnis jeder Aufnahme ist eine registrierte und gefilterte dreidimensionale Punktwolke mit einer Auflösung von einem Zentimeter. Zusätzlich enthält jede Fläche strukturierte Informationen auf Baumebene: Brusthöhendurchmesser, Baumhöhe sowie die Zuordnung zu Laub- oder Nadelbaum. Standardisierte Shapefiles markieren die Plotgrenzen, Scannerpositionen und Baumstandorte. Für jede Fläche wurden außerdem Angaben zu Gelände, Klima und Boden hinterlegt. Dadurch lässt sich nicht nur die Punktwolke betrachten; die Waldstruktur kann mit Standortfaktoren verknüpft werden.
Die Standardisierung ist der methodische Kern. Wenn Scanner, Auflösung und Verarbeitung gleich bleiben, stammen Unterschiede zwischen den Plots eher aus den Wäldern selbst und weniger aus der Messtechnik. Das ist eine wichtige Voraussetzung für Benchmarking: Ein Algorithmus zur Segmentierung einzelner Bäume kann an allen 121 Flächen mit denselben Ausgangsbedingungen getestet werden. Der Datensatz ist zudem so angelegt, dass später zusätzliche Referenzmarkierungen ergänzt werden können, etwa manuell geprüfte Baumkronen oder Einzelbaumgrenzen.
Die wichtigsten Ergebnisse
Erstens: 121 standardisierte Vergleichsflächen verbinden fünf Messkampagnen. Die Größe von 50 mal 50 Metern pro Plot ist groß genug, um nicht nur einzelne Bäume, sondern auch Bestandesstruktur und Unterwuchs in einem räumlichen Zusammenhang zu erfassen. Gleichzeitig bleibt die Fläche für eine terrestrische Aufnahme handhabbar. Im Unterschied zu einzelnen Demonstrationsflächen entsteht so ein Trainings- und Testdatensatz, der regionale Unterschiede nicht ausblendet.
Zweitens: Die Punktwolken bilden die Waldstruktur bis in den Zentimeterbereich ab. Eine Auflösung von einem Zentimeter ermöglicht deutlich mehr als die grobe Trennung von Wald und Nichtwald. Kronen, Stämme, Lücken und Vegetation unterhalb des Kronendachs werden als räumliche Punkte repräsentiert. Für Forschungsfragen zu Habitatstrukturen, Bestandesdichte oder vertikaler Schichtung ist das ein erheblicher Vorteil gegenüber rein zweidimensionalen Luftbildern. Die Daten können damit die Brücke zwischen Einzelbaum und Bestand schlagen.
Drittens: Jede Fläche ist mit Baumdaten und räumlichen Referenzen verknüpft. Brusthöhendurchmesser, Baumhöhe und Laub- beziehungsweise Nadelbaumstatus erlauben es, die Punktwolke mit unabhängigen Feldinformationen zu prüfen. Die Baumpositionen und Scannerstandorte machen nachvollziehbar, wie die räumliche Erfassung zustande kam. Diese Kombination ist für die Entwicklung von Verfahren wichtig: Ein Modell kann nicht nur eine schöne 3D-Darstellung erzeugen, sondern muss sich an messbaren Baummerkmalen bewähren.
Viertens: Der Datensatz deckt unterschiedliche europäische Umweltbedingungen ab. Deutschland, Tschechien, Norwegen, Galicien und La Palma stehen für deutlich verschiedene klimatische und standörtliche Situationen. Diese Spannweite hilft, Algorithmen auf Übertragbarkeit zu prüfen. Ein Verfahren, das in einem homogenen Bestand funktioniert, kann bei stark variierender Kronenform, Geländeausprägung oder Baumartenmischung versagen. Der internationale Aufbau macht solche Schwächen sichtbar, bevor sie in operativen Inventuren verborgen bleiben.
Fünftens: Die Daten sind für mehrere Anwendungsfelder wiederverwendbar. Die Autorinnen und Autoren nennen insbesondere Baumsegmentierung, Waldinventur und ökologische Modellierung. Mit zusätzlichen Beschriftungen könnten die Punktwolken außerdem als Benchmark für maschinelles Lernen dienen. Das ist für die Forstverwaltung interessant, weil neue Auswertungsverfahren nicht nur nach Genauigkeit auf einer Testfläche, sondern unter verschiedenen Waldbedingungen verglichen werden können. Die Datenstruktur eröffnet somit auch Anwendungen, die zum Zeitpunkt der Veröffentlichung noch nicht vollständig umgesetzt sind.
Was das für die Praxis bedeutet
Forstbetriebe sollten terrestrisches Laserscanning nicht als automatische Ablösung jeder klassischen Inventur verstehen. Der konkrete Nutzen liegt zunächst in Referenzmessungen und in der Prüfung digitaler Verfahren. Wer UAV- oder Satellitendaten, Einzelbaummodelle oder automatisierte Durchforstungsplanung einsetzt, kann mit TLS-Aufnahmen kontrollieren, ob die erkannten Kronen, Höhen und Lücken tatsächlich der Waldstruktur entsprechen. Besonders wertvoll sind solche Referenzen bei heterogenen Mischbeständen, in denen einfache Mittelwerte die vertikale Struktur verschleiern.
Für Forschung und Entwicklung bietet der europäische Datensatz die Möglichkeit, Software nicht nur an einem lokalen Bestand zu kalibrieren. Praktisch heißt das: Ein Modell sollte möglichst an Flächen aus einer Region trainiert und an Flächen aus einer anderen Region geprüft werden. Erst wenn die Genauigkeit dabei stabil bleibt, ist eine Übertragung in ein neues Revier plausibel. Auch bei der Planung künftiger Inventuren können die enthaltenen Informationen helfen, Messprotokolle zu vereinheitlichen und Daten aus verschiedenen Kampagnen besser zusammenzuführen.
Was die Daten zusätzlich ermöglichen
Die Verbindung aus Punktwolke, Baumposition und Standortdaten erlaubt eine detailliertere Betrachtung der Bestandesstruktur. Künftige Auswertungen könnten etwa untersuchen, ob bestimmte räumliche Muster mit Boden, Klima oder Baumartenmischung zusammenhängen. Für den Waldumbau wäre interessant, ob sich die vertikale Schichtung von Mischbeständen zuverlässig aus 3D-Daten ableiten lässt und ob solche Merkmale mit Verjüngung oder Habitatangebot korrespondieren. Auch der Vergleich zwischen stark strukturierten Beständen und gleichförmigeren Pflanzungen wird methodisch greifbarer.
Für die digitale Inventur ist außerdem entscheidend, dass nicht nur fertige Kennzahlen veröffentlicht wurden. Die Roh-nahen Punktwolken und standardisierten Begleitdateien ermöglichen es, alternative Auswertungswege nachzuvollziehen. Damit können Fehlerquellen getrennt werden: Liegt eine Abweichung an der Erfassung, an der Baumsegmentierung oder an der Umrechnung in Inventurgrößen? Diese Transparenz fehlt bei vielen rein aggregierten Datensätzen.
Limitations & offene Fragen
Der Datensatz ist eine wertvolle Vergleichsgrundlage, beantwortet aber noch nicht automatisch, welche Bewirtschaftung in einem Bestand die beste ist. Die 121 Flächen bilden fünf Kampagnen und vier Länder ab, nicht die gesamte europäische Waldvielfalt. Außerdem liefert die Veröffentlichung zwar Baum- und Standortinformationen, aber daraus folgt noch keine langfristige Zeitreihe. Für Aussagen über Wachstum, Mortalität oder die Wirkung einer Durchforstung wären wiederholte Aufnahmen erforderlich.
Offen bleibt auch, wie robust automatische Verfahren bei sehr dichtem Unterwuchs, schwieriger Topografie oder stark überlappenden Kronen arbeiten. Zusätzliche manuelle Referenzmarkierungen könnten die Eignung für maschinelles Lernen weiter erhöhen. Die wichtigste Leistung der Studie besteht daher weniger in einer fertigen Inventurmethode als in einer sauber dokumentierten gemeinsamen Messbasis, auf der solche Methoden überprüfbar entwickelt werden können.
Quelle: „Standardized terrestrial laser scanning dataset of forests: 3D point clouds and tree-level attributes from 121 plots across five European regions“, Data in Brief, 2026. DOI: 10.1016/j.dib.2026.113024
Dieser Artikel wurde mit Hilfe von KI erstellt und dient der allgemeinen Information. Keine Rechts- oder Beratungsempfehlung.