Waldschäden automatisch erkennen mit KI-Bildanalyse

Das echte Ausmaß des Problems

Deutschland hat in den vergangenen Jahren eine der größten Waldkalamitäten seit dem Zweiten Weltkrieg erlebt. 2024 waren noch immer 44,7 Prozent des gesamten deutschen Holzeinschlags auf Schadholz zurückzuführen — das sind von 61,2 Millionen Kubikmetern Gesamteinschlag über 27 Millionen Kubikmeter Schadholz, die aufgearbeitet werden mussten (Quelle: BMEL-Statistik 2025).

Das Thünen-Institut schätzt die Gesamtkosten für Schadensbeseitigung und Wiederaufforstung auf bis zu 43 Milliarden Euro bundesweit. Die Sanierungskosten je Hektar geschädigter Fläche übersteigen in vielen Regionen 10.000 Euro.

Das Kernproblem beim Borkenkäfer ist nicht die Intensität, sondern die Geschwindigkeit: Zwischen dem Einbohren der ersten Käfer und dem Moment, in dem ein befallener Baum visuell sichtbar geschädigt wirkt, vergehen bei sommerlichen Temperaturen oft nur drei bis vier Wochen. In dieser Zeit entwickelt sich bereits eine zweite Generation, die auf Nachbarbäume überfliegt. Forstexperten sprechen von einem Bekämpfungsfenster von maximal drei Wochen — wer später eingreift, kämpft nicht mehr gegen den aktuellen Befall, sondern gegen den nächsten.

Manuelle Begehung schließt dieses Fenster nicht. Ein Revierförster bewirtschaftet im Schnitt 800–2.000 Hektar. Selbst mit 10 km Tagesstrecke braucht er Wochen für eine vollständige Begehung. Die Begehungsintervalle, die fachlich nötig wären, sind in der Praxis mit Personaleinsatz allein nicht leistbar.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Früherkennung setzt voraus, dass der Drohnenflug im richtigen Rhythmus stattfindet (alle 2–3 Wochen im Hochsommer). Einmalflüge bringen nur eine Momentaufnahme.

Die Erkennungsverzugswerte stammen aus Angaben der Bayrischen Landesanstalt für Wald und Forstwirtschaft (LWF) zur Borkenkäfer-Früherkennung sowie aus Feldversuchen mit multispektraler Drohnenbildanalyse an verschiedenen europäischen Forschungsinstitutionen.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5)
Pro Begehungszyklus sparst du mehrere Arbeitstage Fußmarsch — das ist real und spürbar. Aber es ist kein täglicher Effekt. Drohnenbefliegungen finden saisonal statt, typisch alle zwei bis vier Wochen im Hochsommer. Im Jahresschnitt ist die direkte Arbeitszeitersparnis im Vergleich zu anderen forstwirtschaftlichen KI-Einsätzen wie automatisierter Forstdokumentation moderat.

Kosteneinsparung — sehr hoch (5/5)
Das ist der stärkste Hebel dieser Anwendung — und der entscheidende Grund, warum früher adoptierte Betriebe sie nicht mehr missen wollen. Die Sanierungskosten je Hektar Käferholz übersteigen 10.000 Euro. Eine rechtzeitige Einzelbaummarkierung und Fällung kostet einen Bruchteil davon. Wenn ein einziger Befliegungszyklus einen Schadkomplex identifiziert, der sonst erst vier Wochen später gesehen worden wäre, rechtfertigt das die Jahreskosten des Systems mehrfach. Das ist unter den verglichenen Forstwirtschafts-Anwendungen die höchste direkte Kostenwirkung.

Schnelle Umsetzung — gering (1/5)
Das ist die ehrlichste Einschätzung in diesem Vergleich: Diese Anwendung hat die höchsten Einstiegskosten und die längste Anlaufzeit. Du brauchst erstens die Drohnenhardware (5.000–20.000 Euro je nach Multispektral-Ausstattung), zweitens einen Drohnenführerschein (EU-Kompetenz C1/C2 für größere Gebiete), drittens ein trainiertes Erkennungsmodell, das auf deine Baumarten und Standortverhältnisse validiert ist. Bis das alles einsatzbereit und verlässlich läuft, vergehen realistisch vier bis sechs Monate.

ROI-Sicherheit — mittel (3/5)
Der ROI tritt ein — wenn Befall eintritt. In Jahren ohne signifikante Käferkalamität fliegt das System ohne direkten Schadensnutzen. Der Jahresdurchschnitt über mehrere Jahre ist deutlich positiv, aber der Nutzen schwankt stark. Anders als bei Forstdokumentation oder Holzmengen-Prognose, die unabhängig vom Schadgeschehen Nutzen bringen, ist dieser Use Case schadensabhängig.

Skalierbarkeit — hoch (4/5)
Das ist eine echte Stärke: Ein einmal trainiertes Erkennungsmodell lässt sich auf zusätzliche Reviere und zusätzliche Hektar anwenden, ohne proportional mehr Zeit oder Geld zu kosten. Mehr Fläche bedeutet mehr Flugstunden, aber kein neues Modelltraining. Forstdienstleister mit mehreren Kunden profitieren hier besonders — die Modellentwicklungskosten amortisieren sich über mehrere Mandate.

Richtwerte — stark abhängig von Reviertyp, Baumartenzusammensetzung und Befallshäufigkeit in der Region.

Was die KI-Bildanalyse konkret macht

Das System arbeitet in zwei Stufen: Datenerfassung und Klassifikation.

Stufe 1 — Bilderfassung: Eine Drohne befliegt das Revier nach vorgeplantem Raster und erfasst entweder hochauflösende RGB-Fotos (für sichtbare Kronenschäden) oder multispektrale Aufnahmen (für frühe Stresssignale, die im sichtbaren Bereich noch nicht erkennbar sind). Multispektral-Kameras messen dabei das Reflektanzverhalten von Blattwerk in bestimmten Frequenzbereichen — vitales Laub und nadeln reflektieren nahes Infrarot deutlich stärker als gestresste oder abgestorbene. Der daraus berechnete NDVI-Wert (Normalized Difference Vegetation Index) zeigt Vitalitätsabweichungen auf Einzelbaum- oder sogar Kronensegmentebene.

Stufe 2 — KI-Klassifikation: Ein Computer Vision-Modell, trainiert auf annotierten Beispielbildern von gesunden, gestressten und befallenen Bäumen in vergleichbaren Standorten, klassifiziert jeden Baum im Orthofoto. Das Modell unterscheidet — je nach Trainingstiefe — zwischen gesundem Bestand, trockengestresstem Bestand, akutem Borkenkäferbefall und abgestorbenem Bestand. Die Ergebnisse werden als GIS-Layer ausgegeben: jeder verdächtige Baum als georeferenzierter Punkt, filterbar nach Schadgrad.

Was die KI dabei nicht kann: Sie ersetzt nicht das Urteil einer erfahrenen Forstfachkraft am Baum. Die Klassifikation liefert Wahrscheinlichkeiten, keine Diagnosen. Bei unbekannten Standortbedingungen, ungewöhnlicher Baumartenmischung oder nach extremen Wetterereignissen steigt die Fehlklassifikationsrate. Das System ist ein Scoutinginstrument, kein automatischer Handlungsauslöser.

Was ihr hardware-seitig braucht

Diese Anwendung hat eine klare Hardwarevoraussetzung, und die lohnt es sich, frühzeitig zu planen:

Drohne:
Für reine RGB-Begehung (Kronensichtschäden, Sturmwurf) reicht eine DJI Mavic 3 Enterprise oder vergleichbare Geräte ab ca. 2.000–3.500 Euro. Für multispektrale Früherkennung (NDVI, Borkenkäferstress vor Sichtbarkeit) brauchst du eine Drohne mit Multispektral-Kamera — DJI Mavic 3 Multispectral kostet ca. 5.000–6.000 Euro, höherwertige Systeme bis 20.000 Euro.

Drohnenführerschein:
Für Forst-Befliegungen über größere Gebiete und außer Sichtweite ist der EU-Kompetenznachweis A2 Pflicht, für BVLOS-Flüge (beyond visual line of sight) eine separate Genehmigung. Plane 2–4 Wochen Vorbereitung und ca. 200–400 Euro für die Prüfung.

Software:
Flugplanung: DJI Terra oder Pix4Dcapture (kostenlos für Basisrouten). Bildauswertung: Pix4Dfields für NDVI-Auswertung (ab ca. 105 USD/Monat) oder Roboflow für eigenes Klassifikationsmodell (ab kostenlos im Free-Tier). GIS-Ausgabe: QGIS (kostenlos, Open Source) für den Import und die Kartendarstellung.

Trainingsaufwand:
Für ein belastbares Erkennungsmodell brauchst du 500–2.000 annotierte Beispielbilder aus deinen spezifischen Standortverhältnissen. Das ist der zeitintensivste Teil der Ersteinrichtung. Ohne ausreichend Trainingsbilder gibt ein allgemeines Modell zu viele Falsch-Positive aus — das kostet Glaubwürdigkeit im Team schneller, als man denkt.

Konkrete Werkzeuge — was wann passt

Roboflow — für eigenes Erkennungsmodell
Das flexibelste Werkzeug, wenn du ein Modell trainieren willst, das auf deine Baumarten, Drohne und Standortverhältnisse zugeschnitten ist. Roboflow übernimmt Bildannotierung, Modelltraining und Deployment. Free-Plan reicht für erste Versuche mit bis zu 1.000 Trainingsbildern. Für den Produktionseinsatz brauchst du den Pro-Plan (100 USD/Monat). Wichtig: US-Hosting — wer bei Forstbildern DSGVO-Risiken mindern will, sollte das Enterprise-Gespräch führen oder eine EU-Alternative prüfen. Geeignet für: technisch versierte Forstbetriebe oder Dienstleister, die Eigenentwicklung nicht scheuen.

DJI Terra — für Missionsplanung und Basisauswertung
DJI Terra plant die Befliegungsrouten automatisch (definiere Gebiet, Überlappung, Fluggeschwindigkeit) und erzeugt nach dem Flug Orthofotos und 3D-Punktwolken. Für reine RGB-Bilderfassung und Sichtschadensdokumentation ohne eigene KI-Klassifikation ist DJI Terra der günstigste Einstieg. Einschränkung: Nur für DJI-Hardware.

Pix4Dfields — für NDVI-basierte Frühwarnung
Ursprünglich für Precision Farming entwickelt, funktioniert Pix4Dfields auch hervorragend für forstliche Vitalitätsüberwachung — überall dort, wo ein NDVI-Basiswert für den Bestand bekannt ist und Abweichungen erkannt werden sollen. Vorteil: EU-Datenhosting (Schweiz), schnelle mobile Verarbeitung direkt im Feld. Einschränkung: Kein eigentliches Borkenkäfer-Erkennungsmodell, sondern Vegetationsindex-Auswertung — du siehst “hier ist Stress”, aber keine automatische Klassifikation “das ist Borkenkäferbefall”. Geeignet für: Betriebe mit Multispektral-Drohne, die einen bewährten NDVI-Workflow aus der Landwirtschaft auf forstliche Flächen übertragen wollen.

Datenschutz und Datenhaltung

Forstbilder enthalten selten direkte personenbezogene Daten — aber das schließt DSGVO-Relevanz nicht aus. Luftbildaufnahmen können Gebäude, Wege und in Einzelfällen Personen erfassen. Für Befliegungen über Privatwald oder entlang von Wegen mit Publikumsverkehr ist das relevant.

Praktisch wichtiger sind die Anforderungen ans Drohnenrecht: Für Flüge über bewohnten Gebieten oder in kontrollierten Lufträumen gelten gesonderte Auflagen nach EU-Drohnenverordnung (DVO EU 2019/947). Absprache mit dem zuständigen Luftfahrtamt und ggf. den betroffenen Grundeigentümern ist Pflicht, bevor du losfliegst.

Zur Datenspeicherung: Pix4Dfields nutzt EU-/Schweizer Server, was für die meisten forstwirtschaftlichen Anwendungen unkritisch ist. Roboflow hostet Daten in den USA — für kommerzielle Betriebe mit sensiblen Geländedaten solltest du das klären.

Was es kostet — realistisch gerechnet

Einmalige Investition:

• Drohne (Multispektral): 5.000–15.000 Euro
• Führerschein + Training: 300–600 Euro
• Modelltraining + Annotation (extern vergeben oder intern): 2.000–5.000 Euro
• GIS-Setup (QGIS ist kostenlos, ggf. IT-Einrichtung): 500–1.500 Euro

Laufende Kosten (jährlich):

• Pix4Dfields: ca. 1.260 USD/Jahr
• Roboflow Pro: ca. 1.200 USD/Jahr
• Drohnenwartung und Akkus: 200–500 Euro

Gegenrechnung:
Ein verhindeter Käferbefall auf 5 Hektar (statt flächenhaftem Befall auf 20 Hektar) durch vier Wochen früheres Eingreifen: Differenz in der Schadholzaufarbeitung und Wiederaufforstungskosten ca. 50.000–150.000 Euro. Das macht die Jahreskosten des Systems in einem einzigen Schadverhinderungsereignis mehrfach wieder wett. Im konservativen Szenario (ein mittleres Ereignis alle drei Jahre, 70 Prozent der Schadensminderung zugerechnet) liegt der Jahresdurchschnittsnutzen deutlich über den Jahreskosten.

Die Kosten-Nutzen-Rechnung ist von der regionalen Befallsintensität abhängig. In Regionen mit wenig Borkenkäferdruck oder rein laubholzdominierten Beständen fällt der Nutzen niedriger aus.

Drei typische Einstiegsfehler

1. Mit einem Einmalflug starten und auf Ergebnisse hoffen.
Die häufigste Frustration: Ein Betrieb lässt einmal fliegen, bekommt eine Karte, sieht keine dramatischen Befunde — und denkt, das System funktioniert nicht. Dabei liegt der Wert der Drohnenanalyse im Vergleich über Zeit. Erst das zweite und dritte Bild im Abstand von zwei Wochen macht sichtbar, wo sich etwas verändert. Eine einzelne Aufnahme kann eine gute Basislinie sein, aber nie ein Frühwarnsystem. Lösung: Mindestens vier bis sechs Befliegungen über eine Saison einplanen, bevor du eine Bewertung ziehst.

2. Allgemeine Modelle ohne Standortvalidierung verwenden.
Es gibt öffentliche Borkenkäfer-Erkennungsmodelle und Benchmark-Datensätze — und der Reflex ist verständlich, diese direkt zu übernehmen. Das Problem: Die meisten wurden in anderen Klimazonen, mit anderen Drohnen oder anderen Fichtenprovenienten trainiert. In der Praxis führt das zu hohen Falsch-Positiv-Raten (gesunde Bäume werden als befallen markiert), was schnell zu Misstrauen im Team führt. Lösung: Immer 200–500 Bilder vom eigenen Standort manuell annotieren und das Modell darauf fine-tunen — oder einen Dienstleister beauftragen, der das für dein Revier macht.

3. Das System läuft, aber niemand hat Konsequenzverantwortung.
Die Karte liegt vor, zeigt drei verdächtige Bereiche — und dann passiert nichts, weil unklar ist, wer bis wann reagieren soll. Das ist kein Tool-Problem, sondern ein Prozess-Problem. Lösung: Vor dem ersten Einsatz festlegen: Wer empfängt die Karte? Welcher Schwellenwert (z. B. zehn oder mehr verdächtige Bäume in einem Sektor) löst eine Kontrollbegehung aus? Wer beauftragt den Forstunternehmer? Ohne definierte Eskalationskette ist die beste Karte wertlos.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einrichtung ist handhabbar. Der schwierigere Teil ist die Änderung des Begehungsrhythmus.

Forstfachleute sind es gewohnt, ihr Revier durch Begehung zu kennen — das ist eine fachliche Identität, keine schlechte Gewohnheit. Eine Karte, die sagt “hier ist Verdacht”, wird zunächst oft mit dem Impuls beantwortet: “Das hätte ich auch gesehen.” Diesen Impuls ernstnehmen, nicht wegdiskutieren: In den ersten zwei Saisons wird das System Fehler machen, und manche davon werden von erfahrenen Forstleuten zu Recht bemängelt werden.

Was hilft: Das System frühzeitig als Kontrollwerkzeug einführen, nicht als Ersatz. “Die Drohne zeigt uns, wo wir genauer hinschauen sollen — die Entscheidung treffe ich am Baum.” Diese Rahmung nimmt Bedrohlichkeit heraus und nutzt das lokale Wissen für die Validierung.

Zweites Muster: Die IT-Komplexität unterschätzen. Drohnenflüge müssen geplant und genehmigt werden, Wetterfenster genutzt, Akkulaufzeiten beachtet. Im ersten Sommer läuft selten alles glatt — geplante Flüge fallen aus, der Rotor hat Kalibrierungsbedarf, das WLAN-Upload am Waldesrand ist langsam. Einplanen: Im ersten Jahr 30 Prozent Mehraufwand für Reibungsverluste.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Das lohnt sich nur für große Forstbetriebe.”
Stimmt für Eigenentwicklung. Stimmt nicht, wenn du einen Drohnendienstleister beauftragst, der die Technik mitbringt. Für Betriebe ab 100 Hektar und in befallsintensiven Regionen ist eine saisonale Befliegung durch einen spezialisierten Forstdienstleister oft für 500–1.500 Euro pro Saison buchbar — weit unter den Kosten einer verpassten Kalamität.

„Die Genauigkeit reicht nicht, ich finde die Bäume selbst sicherer.”
Stimmt für Einzelbaum-Diagnose am Baum. Die KI-Karte soll dich aber nicht ersetzen — sie soll dir zeigen, welchen Nordhang du zuerst begehen musst von den acht, die du diese Woche nicht alle schaffst. Das ist eine Priorisierungshilfe, keine Diagnose.

„Wir haben keine Zeit, das einzurichten.”
Ein Einrichtungsaufwand von drei bis sechs Monaten ist real. Aber die Alternative ist: keine Frühwarnung, und das Bekämpfungsfenster im nächsten Kalamitätsjahr wieder zu. Wer einen Drohnenführerschein aufschiebt, weil dieser Sommer zu voll ist, schiebt auch die Schadensreduzierung auf. Den besten Zeitpunkt gibt es rückblickend immer — vorwärts blickend ist es jetzt.

Woran du merkst, dass das zu dir passt

• Dein Revier hat mehr als 100 Hektar, die du in der Käfersaison nicht alle im Zwei-Wochen-Rhythmus begehen kannst
• Du hattest in den letzten fünf Jahren mindestens einen Käferbefall, der eskaliert ist, weil er zu spät erkannt wurde
• Dein Bestand enthält einen relevanten Fichtenanteil oder andere käfergefährdete Baumarten
• Du hast Zugang zu einem Drohnenführerschein oder es gibt einen Dienstleister in deiner Region, der Forstbefliegungen anbietet
• Du nutzt bereits GIS oder Revierdiagramme — dann ist die Integration der KI-Karten ein kleiner Schritt, kein Systemwechsel

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Bestand unter 100 Hektar ohne bekannte Borkenkäfer-Gefährdung. Der Einrichtungsaufwand übersteigt den Nutzen. Für kleine Privat- oder Gemeinschaftswälder ohne Fichtenanteil in gering gefährdeten Lagen ist eine manuelle Saisonbegehung mit Fernglas die effizientere Investition.

2. Kein Drohnenführerschein und kein Dienstleister in erreichbarer Nähe. Die Drohnen-Beschaffung und -Schulung dauert vier bis sechs Monate und ist nicht delegierbar ohne Eigenverantwortung. Wer weder selbst fliegen kann noch einen verlässlichen Dienstleister findet, kann diesen Use Case nicht umsetzen.

3. Keine Person verfügbar, die Karten auswertet und Konsequenzen zieht. Ein System, das Karten produziert, die niemand liest, erhöht den Schaden nicht — aber es kostet weiter. Wenn die personellen Ressourcen nicht reichen, um Befunde in Begehungen und Maßnahmenplanung zu übersetzen, ist das System nutzlos. Zuerst den Prozess klären, dann die Technik beschaffen.

Das kannst du heute noch tun

Starte nicht mit der Drohne — starte mit der Karte. Öffne QGIS (kostenlos) und leg dein Revier als Layer an. Markiere die Bereiche, die du in den letzten zwei Saisons nicht vollständig begehen konntest. Das ist deine potenzielle Frühwarnlücke. Mit dieser Karte kannst du beim nächsten Gespräch mit dem Forstamt oder einem Drohnendienstleister konkret sagen: “Diese 80 Hektar sind mein blinder Fleck.”

Für den Dateneinstieg — wenn du bereits Drohnenbilder aus älteren Befliegungen oder Luftbilder des Landesamts hast — nutze diesen Prompt, um erste Befallsmerkmale herauszulesen:

Quellen & Methodik

• Schadholzanteil 2024 (44,7 Prozent): BMEL-Statistik, Holzeinschlag 2024, Bundesministerium für Ernährung und Landwirtschaft (2025)
• Sanierungskosten über 10.000 €/ha: Thünen-Institut, Schätzung Gesamtschaden deutsche Wälder, Pressemitteilung 2020–2022; Thüringen Rekordförderung 2024
• Borkenkäfer-Bekämpfungsfenster 3 Wochen: Bayrische Landesanstalt für Wald und Forstwirtschaft (LWF), „Borkenkäfer-Früherkennung im Wald”, Forstpraxis.de
• Erkennungsgenauigkeit multispektrale Drohne: Springer Nature, „AI and Terrestrial Point Clouds for Forest Monitoring” (2024); ScienceDirect, „Forest inventory with high-density UAV-Lidar” (2021); Werte für XGBoost-basierte Klassifikation: Makro-F1 0.49–0.77 je Biogeografieregion
• Hardware-Preisangaben Drohnen: Öffentlich verfügbare Listenpreise DJI und Roboflow (Stand April 2026)
• Forstreviergrößen Deutschland: Forstpraxis.de, Angaben zu Reviergröße staatlicher und kommunaler Forstbetriebe