Drohne fahndet nach versteckten Waldbränden

Erst vor wenigen Tagen brannte es in den Chiemgauer Alpen. Löschhubschrauber kreisten über dem Wald, Einsatzkräfte suchten anschließend noch nach Glutnestern, die erneut aufflammen könnten. Solche Brandherde sind besonders tückisch: Über den Baumkronen ist mitunter noch nichts zu sehen, während am Boden bereits Feuer schwelt. Forscher der Johannes Kepler Universität (JKU) Linz wollen solche versteckten Feuer deshalb aus der Luft aufspüren. Dafür kombinieren sie Wärmebilder von Drohnen mit KI und rekonstruieren selbst Wärmesignale, die unter dichtem Blätterdach verborgen bleiben.

Wie sich solche Glutnester trotz dichter Baumkronen sichtbar machen lassen, beschreibt das Team nun im Fachjournal Communications AI & Computing. Das Verfahren rekonstruiert aus den Drohnenaufnahmen die Temperaturen am Waldboden. In Feldversuchen tauchten dadurch selbst Brandstellen auf, die auf gewöhnlichen Wärmebildern von der Vegetation verdeckt blieben.

Wie Drohnen Waldbrände unter dichtem Blätterdach sichtbar machen

Die eigentliche Schwierigkeit liegt unter dem Blätterdach. Kleine Bodenfeuer können lange glimmen, ohne hohe Flammen oder dichten Rauch zu erzeugen. Wärmebildkameras erfassen zwar Temperaturunterschiede, doch zwischen Drohne und Waldboden liegen Äste, Blätter und aufgeheizte Baumkronen. Auch von der Sonne erwärmte Flächen können dabei wie verdächtige Wärmesignale wirken.

Um den Blick auf den Waldboden rechnerisch freizulegen, lässt das Team die Drohne viele Wärmebilder aus unterschiedlichen Positionen aufnehmen. Das Verfahren heißt Airborne Optical Sectioning, kurz AOS. Die Einzelbilder werden so miteinander kombiniert, dass die störende Vegetation an Einfluss verliert und der Waldboden deutlicher hervortritt. Vollständig verschwindet die Verdeckung jedoch nicht. Vor allem in dichtem Wald bleiben die gemessenen Temperaturen unscharf und verzerrt.

KI rekonstruiert die Temperatur unter den Bäumen

An diesem Punkt übernimmt ein KI-Modell. Es lernt, aus den noch unscharfen Wärmeinformationen die wahrscheinliche Temperatur des verdeckten Waldbodens zu rekonstruieren. Entscheidend ist dabei nicht allein, ob eine Stelle heiß ist. Auch Form und Ausdehnung einer erwärmten Fläche können Hinweise auf einen Brand liefern.

Für das Training fehlten allerdings große Mengen geeigneter Daten. Unter dichtem Wald lässt sich die tatsächliche Bodentemperatur kaum pixelgenau messen, ohne zuvor die Vegetation zu entfernen. Die Wissenschaftler erzeugten deshalb künstliche Trainingsdaten. Ausgangspunkt waren 543 Wärmebilder eines echten Waldbrandes an der Grafenberg Alm in Österreich. Daraus entstanden zunächst 75.000 synthetische Temperaturbilder und anschließend Hunderttausende simulierte Drohnenaufnahmen mit unterschiedlich dichter Vegetation.

Vier versteckte Brandherde werden sichtbar

Wie gut das Verfahren außerhalb der Simulation funktioniert, testete das Team im August 2025 in einem Mischwald bei Bad Goisern am Hallstättersee. Gemeinsam mit Feuerwehrleuten platzierten die Wissenschaftler vier Metallschalen mit glühender Holzkohle unter der Vegetation. Eine Drohne flog anschließend ein Raster aus 121 Positionen in rund 35 Metern Höhe ab.

Auf einem gewöhnlichen Wärmebild wäre bei einem angenommenen Schwellenwert von 50 bis 60 Grad keiner der vier Hotspots sicher als Feuer erkannt worden. Das einfache AOS-Verfahren machte zwei bis drei Brandstellen ausreichend heiß sichtbar. Nach der KI-Korrektur lagen alle vier über der angenommenen Erkennungsschwelle. Zudem kamen die rekonstruierten Temperaturen näher an die tatsächlich gemessenen Werte heran.

Die Feuerwehr half beim Training der KI

Die Technik hat an der JKU eine längere Vorgeschichte. Das Institut für Computergrafik entwickelte AOS bereits 2018. Später arbeitete das Team um Institutsleiter Oliver Bimber mit dem Oberösterreichischen Landes-Feuerwehrverband zusammen. Für neue Trainingsdaten legte die Feuerwehr künstliche Bodenfeuer. Zusätzlich sollten Aufnahmen vergangener und künftiger Waldbrände einfließen.

„Das bereits 2018 an der JKU entwickelte Abtastverfahren, Airborne Optical Sectioning (AOS), ermöglicht allerdings durch die Kombination vieler Einzelaufnahmen das Wegrechnen von Verdeckung in Echtzeit“, erklärte Bimber damals. Damit ließen sich eigentlich unsichtbare Objekte unter dichter Vegetation sichtbar machen.

Dichte Wälder bleiben besonders schwierig

Auch die neue Methode kann nicht beliebig tief durch einen Wald „sehen“. Mit zunehmender Vegetationsdichte steigt der Fehler. Hohe Umgebungstemperaturen erschweren bestimmte Messungen ebenfalls. Die Versuche mit echten Hotspots fanden zudem unter kontrollierten Bedingungen mit glühender Holzkohle statt und bilden einen unkontrollierten Waldbrand nur begrenzt ab.

In den Simulationen sank der Messfehler gegenüber normalen Wärmebildern im Mittel um etwa den Faktor 2 bis 2,5. Bei einzelnen Hotspots aus den Feldversuchen erreichten die Forscher eine bis zu 12,8-fache Verbesserung. Die Verarbeitung von 121 Wärmebildern samt anschließender KI-Korrektur benötigte auf der verwendeten Hardware rund eine halbe Sekunde.

Langfristig könnten autonome Drohnen damit größere Waldflächen absuchen und bei ungewöhnlichen Wärmesignalen Alarm schlagen. Zuvor muss sich das System jedoch unter weiteren Bedingungen bewähren. Die Forscher wollen es deshalb in unterschiedlichen Waldtypen, Klimazonen und bei echten Löscheinsätzen weiter erproben.

Kurz zusammengefasst:

Drohnen nehmen Wärmebilder aus verschiedenen Positionen auf, damit verdeckte Brandherde unter dichtem Blätterdach besser erfasst werden können.
Eine KI rekonstruiert daraus die Temperaturen am Waldboden und macht Glutnester sichtbar, die auf normalen Wärmebildern verborgen bleiben.
In Feldversuchen erkannte das Verfahren Brandstellen zuverlässiger als herkömmliche Wärmebildaufnahmen, muss aber noch in weiteren Waldtypen erprobt werden.

Übrigens: Hitze macht Wälder nicht nur anfälliger für Brände – sie kann Blätter schon mitten im Sommer braun werden lassen und Bäume wertvolle Reserven kosten. Warum das oft kein früher Herbst ist, sondern ein Warnsignal, mehr dazu in unserem Artikel.