Das Wichtigste in Kürze:
- Die Wälder der Welt werden über eine formale Berichtskette gezählt: Länder messen und melden dann an die Global Forest Resources Assessment der FAO, an die UN-Klimarahmenkonvention und, falls sie ergebnisbasierte Zahlungen anstreben, im Rahmen von REDD+
- Der begrenzende Faktor sind nicht Satellitendaten, die kostenlos und reichlich vorhanden sind, sondern die Interpretationszeit von Experten: Nationale Teams prüfen pro Berichtszyklus visuell Tausende von Stichprobenflächen, um statistisch belastbare Zahlen zu erzeugen
- Eine Karte ist kein Bericht. Globale Baumbedeckungskarten lassen sich nicht direkt in "Wald" nach FAO- oder nationalen Definitionen übersetzen, und die zählenden Statistiken stammen aus Wahrscheinlichkeitsstichproben, nicht aus dem Zählen von Pixeln
- Die Open-Foris-Werkzeuge der FAO (SEPAL, Collect Earth Online, FERM) sind kostenlos, Open Source und bereits in weiten Teilen der Welt das operative Rückgrat
- Bei ergebnisbasierter Klimafinanzierung kostet Unsicherheit im wörtlichen Sinn Geld: Crediting-Standards wenden Abschläge an, die mit der Unsicherheit der gemeldeten Schätzung skalieren
- KI hilft am meisten genau dort, wo der Engpass liegt: beim Vorlabeln von Stichprobenflächen, beim Weiterleiten nur unsicherer Fälle an Menschen, und beim Führen einer Provenienzspur, die jede gemeldete Zahl auditierbar macht
Wälder bedecken rund 4 Milliarden Hektar, etwa ein Drittel der Landfläche der Welt. Zwischen 2015 und 2020 wurden jährlich rund 10 Millionen Hektar entwaldet, teilweise ausgeglichen durch Wiederbewaldung und Aufforstung anderswo. Diese Zahlen steuern Milliarden an Klimafinanzierung und nationaler Politik, weshalb sich eine naiv klingende Frage lohnt: Wer zählt eigentlich, und wie?
Die Antwort ist eine Pipeline, die von Satelliten über Stichprobenflächen und menschliche Interpreten bis zur Statistik verläuft, koordiniert in erstaunlichem Ausmaß von einer einzigen UN-Organisation. Dieser Beitrag geht diese Pipeline von Anfang bis Ende durch. Es ist die Referenz, die wir uns gewünscht hätten, als wir begannen, Systeme in diesem Bereich zu bauen.
Wer zählt: die FAO und die Berichtskette
Die Ernährungs- und Landwirtschaftsorganisation der Vereinten Nationen (FAO) nimmt seit 1948 Bestand über die Wälder der Welt auf. Ihre Global Forest Resources Assessment (FRA) fasst rund alle fünf Jahre Länderberichte zu Waldfläche, Veränderung, Holzvorrat und Bewirtschaftung zusammen; FRA 2020 erfasste 236 Länder und Gebiete, mit den bekannten Kernzahlen von 4,06 Milliarden Hektar Wald und einem Nettoverlust von 4,7 Millionen Hektar pro Jahr im vorangegangenen Jahrzehnt.
FRA ist eines von drei Zielen in der Berichtskette, und das Verständnis der Unterschiede zwischen ihnen erklärt das meiste davon, wie das System funktioniert:
FRA ist die statistische Bestandsaufnahme: vergleichbare Zahlen für jedes Land, nach den Definitionen der FAO.
Die UNFCCC, die UN-Klimarahmenkonvention, ist der Ort, an dem Wälder zur Klimabuchhaltung werden. Länder melden Treibhausgasemissionen und -senken aus der Landnutzung, und wer für die Reduzierung von Entwaldung bezahlt werden möchte, reicht zunächst ein Referenzniveau für Wälder ein: eine Basislinie historischer Emissionen, an der künftige Leistung gemessen wird.
REDD+ (reducing emissions from deforestation and forest degradation, die Reduzierung von Emissionen aus Entwaldung und Waldschädigung) ist der Ort, an dem das Geld liegt. Länder, die Emissionsreduktionen gegenüber ihrem Referenzniveau nachweisen, können ergebnisbasierte Zahlungen erhalten, vom Green Climate Fund, aus bilateralen Programmen, oder über Crediting-Standards, die die verifizierten Reduktionen in Kohlenstoffmärkte verkaufen.
Die drei Ziele teilen sich eine Messkette, und diese Kette trägt einen Namen, dem man in diesem Feld überall begegnet: MRV, für Measurement, Reporting and Verification (Messung, Berichterstattung und Verifizierung). Der Verifizierungsteil ist keine Dekoration. Jede von einem Land gemeldete Zahl kann durch eine technische Prüfung infrage gestellt werden, und unter Crediting-Standards durch Auditoren, deren Befunde die Zahlung bestimmen.
Was gilt als Wald? Weniger offensichtlich, als es klingt
Die Definition der FAO: Land von mehr als 0,5 Hektar mit Bäumen höher als 5 Meter und einer Kronenbedeckung über 10 Prozent, das nicht überwiegend landwirtschaftlich oder städtisch genutzt wird. Lesen Sie den letzten Halbsatz noch einmal, denn er trägt das ganze System. Wald ist eine Landnutzung, nicht nur eine Landbedeckung. Eine Ölpalmenplantage kann von Bäumen überzogen sein und trotzdem kein Wald sein; ein kahlgeschlagener Wirtschaftswald, der wieder aufgeforstet wird, ist am Tag nach der Ernte immer noch Wald.
Nationale Definitionen variieren innerhalb der von der UNFCCC zugelassenen Spannen: Kronenbedeckungsschwellen zwischen 10 und 30 Prozent, Mindestflächen zwischen 0,05 und 1 Hektar. Zwei Länder können auf dieselbe Landschaft blicken und dabei rechtmäßig unterschiedliche Waldflächen melden.
Deshalb klären die berühmten globalen Baumbedeckungskarten, so wertvoll sie sind, die Frage nicht. Ein Satellit misst Bedeckung; eine Definition erfordert Nutzung und Absicht. Genau an dieser Lücke setzt die menschliche Interpretation in der Pipeline an, und dort liegt ein Großteil der Kosten.
Die Daten: was Satelliten tatsächlich liefern
Das Rohmaterial ist besser als je zuvor, und es ist kostenlos.
Optische Aufnahmen. Das Copernicus-Programm der EU betreibt das Sentinel-2-Paar, das die gesamte Landoberfläche alle fünf Tage mit 10 Meter Auflösung aufnimmt, und das Archiv ist offen zugänglich. Das Landsat-Programm von NASA und USGS liefert eine durchgängige Aufzeichnung bis in die 1970er-Jahre zurück, was historische Baselines überhaupt erst möglich macht.
Radar. Optische Satelliten können nicht durch Wolken sehen, und in den Tropen ist es über Monate hinweg bewölkt. Das Radar mit synthetischer Apertur von Sentinel-1 sieht durch Wolken, Tag und Nacht, weshalb radarbasierte Entwaldungsalarme zum operativen Standard in der tropischen Waldbeobachtung geworden sind.
Globale Produkte auf Basis dieser Daten. Landsat-basierte globale Waldveränderungskarten und Alarmsysteme, radarbasierte Alarme für die Tropen, und die Beobachtung tropischer Feuchtwälder durch die Gemeinsame Forschungsstelle der Europäischen Kommission liefern allesamt flächendeckende Veränderungssignale. Weltraumgestütztes Lidar und langjährige ESA-Programme tragen Biomasseschätzungen bei, mit ehrlich dokumentierten Unsicherheiten: Biomassesignale sättigen in dichtem Wald, weshalb ernsthafte Kohlenstoffbilanzierung sich auf nationale Waldinventuren stützt, wobei Karten eine unterstützende Rolle spielen.
Die wichtige strukturelle Tatsache: Keines dieser Produkte ist für sich genommen ein nationaler Bericht. Sie sind Beweismittel. Beweismittel in eine belastbare Zahl zu verwandeln, ist eine eigene Disziplin.
Die Wissenschaft: warum Stichprobenflächen dem Pixelzählen überlegen sind
Hier kommt der Teil, der Neueinsteiger überrascht. Die international anerkannte gute Praxis zur Schätzung von Waldfläche und -veränderung, der Ansatz, der in Leitlinien empfohlen wird, die auf Arbeiten von Olofsson und Kollegen aufbauen und in den eigenen Methoden der FAO übernommen wurden, besteht nicht darin, klassifizierte Pixel zu zählen. Sie besteht darin, eine Wahrscheinlichkeitsstichprobe von Standorten zu ziehen, geschulte Interpreten bestimmen zu lassen, was an jedem dieser Standorte tatsächlich vorhanden ist, und die Schätzung aus der Stichprobe zu berechnen, so wie eine Wahlumfrage funktioniert.
Warum? Weil Karten systematische Fehler enthalten, und das Zählen ihrer Pixel diese Fehler unsichtbar übernimmt. Eine gut konzipierte, sorgfältig interpretierte Stichprobe liefert eine unverzerrte Schätzung mit einem Konfidenzintervall, und genau dieses Konfidenzintervall verlangen Berichtsrahmen und Auditoren. Die Karte bleibt trotzdem wichtig: Sie wird genutzt, um die Stichprobe zu stratifizieren, also Flächen dort zu konzentrieren, wo Veränderung wahrscheinlich ist, was die Schätzung erheblich effizienter macht. Aber die gemeldete Zahl stammt aus der Stichprobe.
Die Folge ist der eigentliche Engpass der Branche. Ein nationaler Berichtszyklus kann die Interpretation von Tausenden oder Zehntausenden von Flächen erfordern, jede einzelne ein Mensch, der Bildzeitreihen betrachtet und entscheidet: Wald oder nicht, nach der Definition dieses Landes, verändert oder stabil, und wenn verändert, zu was. Das ist langsam, teuer in knapper Expertenzeit, und Interpreten sind sich untereinander häufiger uneinig, als irgendjemand gerne zugibt, besonders bei den schwierigen Fällen: Wiederbewaldung, Agroforstwirtschaft, degradierter, aber noch stehender Wald.
Die Werkzeuge: Open Foris der FAO, das stille Arbeitspferd
Die FAO hat beim Werkzeugproblem etwas leise Wirksames getan: Sie hat die Werkzeuge gebaut und verschenkt. Das Portfolio Open Foris ist kostenlos und Open Source, und es bildet die Grundlage der Waldbeobachtung in einem großen Teil der berichtenden Länder weltweit:
- SEPAL bringt ernsthafte Satellitendatenverarbeitung in den Browser, gestützt von Cloud-Rechenleistung, sodass ein nationales Team keinen eigenen Cluster braucht
- Collect Earth Online ist der Ort, an dem die Interpretation der Stichprobenflächen stattfindet: Bildzeitreihen nebeneinander, strukturierte Formulare, mehrere Interpreten pro Fläche
- FERM verfolgt die Wiederherstellung von Ökosystemen, die andere Hälfte der Geschichte, während sich Zusagen vom Stoppen von Verlust zur Wiederherstellung von Landschaften verschieben
- Earth Map, Whisp und andere decken Kontextanalyse und Lieferketten-Screening ab
Für alle, die in diesem Bereich bauen, ist die Lektion unmissverständlich: Länder vertrauen diesen Werkzeugen und nutzen sie. Der wertvolle Schritt ist, sie schneller zu machen, nicht sie zu ersetzen.
Das Geld: Unsicherheit ist ein Posten in der Bilanz
Ergebnisbasierte Finanzierung hat die Qualität der Messung zu einer finanziellen Variable gemacht. Crediting-Standards für jurisdiktionelles REDD+ wenden Unsicherheitsabschläge an: Je breiter das Konfidenzintervall einer gemeldeten Emissionsreduktion, desto mehr wird zurückbehalten. Ein Land, das seine Schätzungen durch bessere Stichproben, konsistentere Interpretation und bessere Prüfpfade verschärft, erhält mehr Geld für dasselbe Waldergebnis.
Das lohnt einen genaueren Blick, denn es verändert, was "gut" bedeutet. Bei den meisten Kartierungsarbeiten ist Genauigkeit ein Qualitätsmerkmal. Bei MRV ist das Konfidenzintervall Teil des Produkts, und alles, was in es einfließt, wer welche Fläche mit welchem Bildmaterial interpretiert und was dabei entschieden hat, muss auch Jahre später einer externen Prüfung standhalten. Ein Messsystem ist eine Analyse mit einem Gedächtnis.
Wo KI tatsächlich hilft, und wo nicht
Die aktuelle KI-Welle trifft in drei unterschiedlichen Formen auf dieses Feld, und sie verdienen unterschiedlich viel Begeisterung.
Foundation Models für die Erdbeobachtung sind wirklich neu. Das Open-Source-Modell TerraMind von ESA und IBM, trainiert auf ausgerichteten multimodalen Satellitendaten, führt unabhängige Benchmarks über Landbedeckungs- und Veränderungsaufgaben an, und das Major-TOM-Projekt der ESA hat offene, global vollständige Embeddings der Sentinel-Archive veröffentlicht. Für das Stichprobenproblem sind Embeddings ein Geschenk: Sie machen "finde mir Orte, die so aussehen" billig, was die Stratifizierung verbessert, und sie machen Modelle label-effizient, was in einem Feld zählt, in dem Labels das teure Gut sind.
KI-gestützte Interpretation ist der Punkt, an dem der Engpass tatsächlich nachgibt. Ein Modell kann jede Stichprobenfläche mit einem kalibrierten Konfidenzwert vorlabeln; Flächen, bei denen das Modell sicher und konsistent ist, können im Schnellverfahren durchlaufen, und menschliche Experten konzentrieren sich auf die wirklich schwierigen Fälle. Sauber umgesetzt, mit intakt gelassener Wahrscheinlichkeitsstichprobe und einer Blind-Review-Prüfung der schnell durchgelaufenen Flächen, senkt dies die Expertenlast erheblich, während die Statistik gültig bleibt. Nachlässig umgesetzt, bricht es leise den Schätzer, weshalb die Designdetails nicht optional sind.
Vollautomatisierung ist das, dem man widerstehen sollte. Ein nicht auditierbares Maschinenlabel hat in einer UNFCCC-Einreichung oder einem Crediting-Audit keinen Stand, und das Urteil des Interpreten über Landnutzung, über Absicht, über den Unterschied zwischen einer geernteten Plantage und einem Entwaldungsereignis, ist der Schritt, der Pixel mit Definitionen verbindet. Die richtige Architektur belässt die menschliche Entscheidung an den statistisch relevanten Punkten und protokolliert alles: Eingaben, Modellversion, Konfidenz, menschliche Entscheidung, Zeitstempel. Provenienz ist das, was die KI zulässig macht.
Warum uns das wichtig ist
Mapular baut KI-Systeme für Geodaten: agentische Systeme, die Modelle und Werkzeuge verketten, Model-Context-Protocol-Server, die KI-Modelle direkt mit Geodaten verbinden, und die Plattformen darunter. Wir haben eine Forst-Kohlenstoff-MRV-Plattform für die Kohlenstoffmärkte ausgeliefert, eine Monitoring-Plattform für UNESCO-Welterbestätten gebaut, und Felddaten-Referenzerhebungen im nationalen Maßstab durchgeführt, das heißt, wir haben die Engpässe dieses Beitrags am eigenen Leib erlebt.
Der Waldbeobachtungs-Stack ist einer der klarsten Fälle, die wir kennen, in denen moderne KI, angewendet mit Respekt für die Statistik und die Institutionen, echten öffentlichen Mehrwert schafft: schnellere Berichtszyklen, engere Schätzungen, mehr Finanzierung für die Länder, die die Arbeit leisten. Wenn Sie an diesem Problem arbeiten, von der Umsetzungsseite, der Wissenschaftsseite oder der Finanzierungsseite, würden wir uns gerne austauschen. Sprechen Sie mit uns.
