Waldbrand- und Umweltüberwachung mit Kameras

Waldbrände werden oft von Passanten gemeldet oder von Feuerwachtürmen aus entdeckt, sodass bis zum Ausrücken der ersten Einsatzkräfte Minuten bis Stunden vergehen. KI-gestützte Raucherkennung läuft ununterbrochen auf Bildern von Turm- oder Berggipfelkameras, erkennt eine Rauchfahne auf große Entfernung und sendet einen Alarm mit einer Bildserie an eine Disponentin oder einen Disponenten, die den Alarm bestätigen oder verwerfen. Dasselbe Pipeline-Muster dient auch der Erkennung anderer Umweltereignisse (illegale Müllablagerung, Industrierauch, Gewässerverschmutzung, Überflutung).

Problem & Nutzen

• Heute: Die Erkennung stützt sich auf Notrufe, Streifenfahrten, Satelliten-Hotspots (Überflugverzögerung, grobe Auflösung) und in manchen Regionen auf besetzte Aussichtstürme oder klassische optische Rauchmeldesysteme mit handabgestimmten Bildregeln und vielen Fehlalarmen (Dunst, Staub, Wolken, Nebel, Dampf).
• KI-Nutzen: Aufmerksamkeit rund um die Uhr in gleichbleibender Qualität, frühere Alarme, solange ein Brand noch klein und die Löschung günstig ist, eine aus mehreren Kameras triangulierte Position und eine Person, die eine ganze Region überwacht. Die Zeit bis zur Erkennung ist die entscheidende Kennzahl; die Belege stammen überwiegend aus Pilotprojekten von Anbietern und Behörden, nicht aus unabhängigen Studien. Messen Sie sie daher selbst, bevor Sie sich festlegen.
• Klimadruck: Das Europäische Waldbrand-Informationssystem (EFFIS) meldet jede Saison die verbrannte Fläche in der gesamten EU. Der Mittelmeerraum ist am stärksten betroffen, und die Brandgebiete rücken nach Norden bis nach Mitteleuropa vor, wozu auch die Kiefernwälder in Brandenburg und Sachsen gehören [1].

Varianten

• Waldbrand-Frühwarnung (Kernfall): feste Schwenk-Neige-Zoom-Türme (PTZ), 10-30 km Reichweite, Landesforst oder Feuerwehren.
• Überwachung von Versorgungstrassen: Kameras auf Masten/Umspannwerken, um Zündungen in der Nähe von Stromleitungen zu erfassen (siehe VIS-003).
• Industrie- und Abfallstandorte: Schwelbrände auf Recyclinghöfen und in Müllbunkern (Wärmebildkameras).
• Drohnen und schnelle Einsatzkräfte: Drohnen mit Wärmebild-Nutzlast bestätigen Alarme und kartieren Brandfronten.
• Umweltüberwachung: illegale Müllablagerung an Brennpunkten, Schaum-/Ölfilme auf Flüssen, Algenblüten, Zeitraffer von Schnee/Gletschern und Wasserständen, Staub- und Emissionsfahnen an Steinbrüchen und Werken.
• Privat/kommunal: kostengünstige Kameras für ländliche Grundstücke oder kommunal betriebene Netze.

So funktioniert es

1. camera (visible/NIR/thermal, PTZ sweep or fixed)
2. frame/crop extraction on edge box
3. detector / classifier (smoke, flame, "other") + temporal filter (motion, growth over frames)
4. context filters (known sources: chimneys, fog banks, dust, sun glare; wind & time of day)
5. multi-camera triangulation
6. alert package (image series, bearing, map position)
7. human verification in control room (accept / reject)
8. dispatch (CAD, SMS, app)
9. feedback labels
10. retraining

• Erkennung: Convolutional- oder Transformer-Detektoren (YOLO-Familie, RT-DETR) auf hochauflösenden Ausschnitten, oft gekachelt, weil früher Rauch nur wenige Pixel belegt; zeitliche Modelle senken Fehlalarme, indem sie verlangen, dass eine Rauchfahne bestehen bleibt und wächst. Vision-Language-Modelle helfen als Zweitmeinungsfilter, der den Alarm erklärt („weiße Rauchfahne steigt vom Grat auf, vom Wind getrieben“) und Wolken sowie Dampf verwirft.
• Edge oder Cloud: Entlegene Türme haben nur begrenzte Bandbreite, daher läuft die Inferenz vor Ort (GPU-/NPU-Edge-Box) und es werden nur Alarme und Ausschnitte übertragen; die Modelle werden zentral aktualisiert.
• Mensch-in-der-Schleife (Human-in-the-Loop): Eine geschulte Person bestätigt immer, bevor Einsatzkräfte ausrücken; die Ablehnungen der Disponenten sind die wertvollsten Trainingsdaten.

Datenaufbereitung

Das System benötigt Live-Kamerastreams sowie Kalibrierdaten und zur Feinabstimmung zusätzlich eine Bibliothek beschrifteter Rauch-, Nebel- und Staubbilder. Kamerastreams stammen meist aus Turminstallationen, VMS-Servern oder Drohnen-Bodenstationen; Standort-Metadaten (Position, Peilrichtung, Höhe) liegen in GIS oder Tabellen; Wetter- und Waldbrandgefahrenindizes kommen von öffentlichen Diensten wie dem DWD. Wetterdaten und Satelliten-Hotspots sind über APIs zugänglich und machen wenig Arbeit.

Typische Lücken: kein archiviertes Material echter Ereignisse und damit wenige positive Beispiele; Verwechslungskandidaten (Nebel, Staub, Dampf, Wolken) ohne Beschriftung; Kameras mit unbekannter Ausrichtung oder Drift; schlechte Nacht- und Wärmebildabdeckung; unklare Nutzungsrechte an Aufnahmen.

Aufbereitungsschritte: Kameras und Streams inventarisieren, die genaue Geokalibrierung festhalten, 500-2.000 Bilder mit Fehlalarmen und echten Ereignissen gemeinsam mit örtlichen Förstern sammeln und beschriften (siehe PREP-018 und PREP-020), eine Rückkopplungsschleife für Korrekturen der Disponenten einrichten (PREP-021) und Privatgrundstücke sowie Passanten im Bild maskieren. Werkzeuge: CVAT oder Label Studio, ffmpeg, ein VMS mit RTSP-Export. Etwa 30-40 Prozent des Aufwands entfallen auf Daten und Kalibrierung; siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Versorger, Waldbesitzer): Weg A, weil ausgereifte schlüsselfertige Raucherkennungsdienste mit Kameras, Modellen und Alarmierung existieren und der Prozess eine Standard-Überwachungsfunktion ist.
• Öffentliche Hand (Forstbehörden, Kommunen): Weg C auf souveräner EU- oder deutscher Infrastruktur, weil Vergaberegeln und Souveränitätsanforderungen den Betrieb offener Komponenten auf eigener oder nationaler Cloud-Kapazität begünstigen.
• Entwickler: Weg C, weil offene Detektoren (YOLO-Familie, auf öffentlichen Rauch-Datensätzen feingetunt) auf Edge-GPUs laufen und die Anbindung an CAD und Wetterdaten erlauben.

Weg A — Kaufen (Standardsoftware)

• Kameranetze zur Branderkennung: Pano AI (USA; Ultra-HD-Türme, Dienst mit menschlicher Prüfung), FireWatch von IQ wireless (Deutschland, EU; lange etabliertes optisches System, in deutschen Wäldern im Einsatz), Pyronear (Frankreich, EU; gemeinnütziger Ursprung, kostengünstige Kameras, Open-Source-Software), Dryad Networks (Deutschland, EU; solarbetriebene Gassensoren zur sehr frühen Erkennung von Schwelbränden - eine Sensor-Ergänzung, keine Kameras). In den USA zeigt das universitär betriebene Netz ALERTCalifornia das Modell öffentlicher Kameras [2][3][4].
• Kamera- und VMS-Anbieter (Axis, Hanwha, Teledyne FLIR, Bosch, Hikvision-freie Optionen für sensible Standorte) bieten Wärmebild- und KI-Analytik für die Industrie-Branderkennung und Hotspot-Erkennung.
• Wählen Sie A, wenn: Sie getestete Hardware, Masteninstallation, Funk-/Solarstromversorgung und einen verwalteten Alarmierungsdienst benötigen; der Eigenbau ist überwiegend Integrations- und Wartungsarbeit.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Kameraanbindung: RTSP/ONVIF an einen Stream-Dienst (AWS Kinesis Video, Azure, GCP; EU-Regionen).
• Modelle: Google Gemini oder andere multimodale APIs für die Zweitmeinungs-Triage von Alarm-Schnappschüssen; Amazon Rekognition Custom Labels / Azure Custom Vision / Vertex AI für einen kleinen eigenen Detektor.
• Orchestrierung: Node-RED/n8n oder Serverless-Funktionen, um Alarme in Einsatzleitwerkzeuge zu leiten.
• Wählen Sie B, wenn: Sie bereits Kameras haben und einen Pilotbetrieb oder eine zweite KI-Schicht ohne Hardwareänderungen wünschen.

Weg C — Selbst betreiben (Open Source)

• Pyronear (pyro-engine, pyro-vision, pyro-api, mit einem öffentlichen Rauch-Datensatz auf Hugging Face) ist der vollständigste offene Stack für Turmkameras [4].
• Detektoren: Ultralytics YOLO (AGPL-/kommerzielle Lizenz prüfen), RT-DETR, RF-DETR; Tracking mit ByteTrack; der öffentliche Pyronear-Rauch-Datensatz für das Vortraining [5].
• Bereitstellung: NVIDIA Jetson Orin oder ähnliche Edge-Geräte am Turm (HW1), ein zentraler GPU-Server (HW2) für die Prüfung, Frigate oder Viseron für die allgemeine NVR-Anbindung, MQTT für Alarme.
• Aufwand: erfordert ML- und Feldhardware-Kenntnisse (Strom, Funkstrecken, Objektiv/Gehäuse, Kalibrierung).

Weg D — Eigenes Training

Feintuning ist für eine neue Region fast immer nötig: Vegetation, Dunst, Gelände und Kameratyp verändern, wie Rauch aussieht. Sammeln Sie mehrere tausend beschriftete Rauchsequenzen sowie einen großen Pool an schwierigen Negativbeispielen (Wolken, Nebel, Staub, Brandhaufen, Industriedampf) von Ihren eigenen Standorten; das synthetische Einkopieren von Rauch hilft bei seltenen Ereignissen. Halten Sie je Standort einen separaten Testdatensatz zurück.

Stand der Technik (2026)

• Betriebene Netze in Kalifornien, Australien, Portugal, Spanien, Frankreich und Deutschland nutzen KI-Erkennung mit menschlicher Bestätigung; die berichtete Leistung hängt stark von Standort, Jahreszeit und Wetter ab, vergleichen Sie Anbieter daher anhand Ihres eigenen aufgezeichneten Materials.
• Techniken: hochauflösende Kachelung, zeitliche Sequenzmodelle, Mehrkamera-Triangulation, Fusion mit Wetter, Satelliten-Hotspots (Copernicus, NASA FIRMS) und Gassensoren; Open-Vocabulary-Detektoren und VLMs für Zero-Shot-Umweltereignisse.
• Grenzen und Fehlerbilder: Fehlalarme durch Nebel, tiefstehende Sonne, Staub, Kochdunst und Industriedampf; die Nachterkennung hängt von IR/Wärmebild und Flammenschein ab; Rauch hinter Gelände verdeckt; Hitzeflimmern; Kameradrift mit nötiger Neukalibrierung; sehr kleine ferne Rauchfahnen am Rand der Reichweite. Verpasste Erkennungen wiegen schwerer als Fehlalarme, daher werden die Schwellenwerte betrieblich festgelegt.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (object-detection + tracking + edge-runtime): VIS-010 Einbruchserkennung, VIS-012 Verkehrsanalyse, VIS-032 Wildkamera-Überwachung, VIS-060 Kameras gegen Vogelschlag an Windturbinen; eine Edge-Box-Flotte und ein NVR/MQTT-Rückgrat können mehrere Modelle tragen.
• Ergänzend: VIS-021 und VIS-042 (Satelliten-Veränderungserkennung und Fahnenerkennung), VIS-058 (Schadenskartierung nach Bränden), VIS-031 (Suche in natürlicher Sprache in Kameraarchiven), PRED-027 (Hochwasserprognose), VIS-003 (Drohneninspektion von Leitungen nahe Vegetation).

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate für Turmstandorte, Genehmigungen, Strom und Anbindung; die Kosten werden von Hardware, Masten, Kommunikation und Servicegebühren bestimmt, nicht vom KI-Modell.
• Weg B: 1-3 Monate für einen Pilotbetrieb auf vorhandenen Kameras.
• Weg C/D: 6-12+ Monate bis zum zuverlässigen Betrieb über die Jahreszeiten (erfordert mindestens eine volle Waldbrandsaison an Daten).
• Kennzahlen: Erkennungsrate (Recall) bei fester Entfernung, Zeit von der Zündung bis zum Alarm, Fehlalarme je Kamera und Tag, Anteil der von Disponenten bestätigten Alarme, abgedeckte Fläche je Kamera, Bearbeitungszeit je Alarm, Systemverfügbarkeit (Strom, Verbindung), Zeit vom Alarm bis zur ersten Einsatzkraft vor Ort.

Menschen & Veränderung

Beginnen Sie mit der Leitung und der Abteilungsleitung (Forst oder Betrieb), um den Umfang und die Alarmierungskette festzulegen, und beziehen Sie IT und Informationssicherheit früh ein, da Kameras, Funkstrecken und Alarmkanäle kritische Infrastruktur sind. Datenverantwortliche (Grundstückseigentümer, Kamerabetreiber) müssen der Nutzung der Streams zustimmen. Die Disponenten und Förster, die die Alarme erhalten, sind die eigentlichen Anwender; lassen Sie sie die Schwellenwerte in einem Pilotbetrieb an zwei oder drei Türmen innerhalb einer Saison einstellen, bevor Sie breiter ausrollen.

Betriebsrat: In der Regel nicht ausgelöst, da die Kameras auf Wald und nicht auf Mitarbeitende gerichtet sind. Es kommt darauf an, wo Kameras oder Drohnen Beschäftigte erfassen können, etwa in einem Werk oder Depot; dann löst die objektive Eignung zur Überwachung von Leistung oder Verhalten die Mitbestimmung nach §87 Abs. 1 Nr. 6 BetrVG aus, und der Betriebsrat ist in jedem Fall nach §90 Abs. 1 Nr. 3 zu unterrichten, wenn Arbeitsverfahren mit KI geplant werden. Öffentliche Stellen beteiligen den Personalrat.

Datenschutz: Binden Sie die(den) Datenschutzbeauftragte(n) ein, prüfen Sie, ob Personen identifizierbar sind, nutzen Sie Maskierung und kurze Aufbewahrung, und schließen Sie mit jedem Cloud-Anbieter einen AVV. Eine DSFA ist nur wahrscheinlich, wenn öffentliche Bereiche in großem Umfang erfasst werden. Zur KI-Kompetenz unterstützen Sie die Disponenten mit einer kurzen Schulung zu Fehlalarmen und Grenzen (Art. 4 KI-Verordnung). Kommunizieren Sie, dass Menschen Alarme immer vor dem Ausrücken bestätigen. Leitfäden: GUIDE-008, GUIDE-009, GUIDE-005.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act, Verordnung 2024/1689): Ein typischer Waldbranddetektor hat minimales Risiko; er ist nach Art. 5 nicht verboten und kein System nach Anhang III. Er könnte nur dann hochriskant werden, wenn er eine Sicherheitskomponente bei der Verwaltung und dem Betrieb kritischer Infrastruktur ist (Anhang III Nr. 2) oder in Entscheidungen der Einsatzdisposition eingebunden wird (Anhang III Nr. 5 Buchst. d, Triage von Notrufen und Einsatzdisposition) - im Einzelfall prüfen. Art. 4 (KI-Kompetenz) gilt für die Bediener [6].
• DSGVO: Kameras mit großer Reichweite können beiläufig Personen, Fahrzeuge, Wohnhäuser und Kennzeichen erfassen. Setzen Sie Privatzonen-Masken ein, begrenzen Sie die Pixeldichte auf Wohngebieten, beschränken Sie die Aufbewahrung, dokumentieren Sie eine Rechtsgrundlage aus berechtigtem Interesse oder öffentlicher Aufgabe und führen Sie eine DSFA durch, wo öffentliche Bereiche oder Wohnviertel erfasst werden. Kameras gegen Müllablagerung, die Täter identifizieren, bewegen sich im Bereich der Überwachung (siehe VIS-010).
• Weitere Vorschriften: Landes-Forst- und Brandschutzrecht, Funk- und Mastgenehmigungen, Naturschutz- auflagen, Flugregeln für Drohnen (EU 2019/947) sowie CER-/NIS2-Pflichten für kritische Betreiber.
• Betriebliche Risiken: Alarmmüdigkeit (Schwellenwerte abstimmen, menschliche Prüfung verlangen), übermäßiges Vertrauen bei schlechter Sicht, Einzelausfallpunkte (Strom, Verbindung) - mit Sensoren, Streifen und Satellitendaten kombinieren.

Erste Schritte

1. Region, Waldbrandsaison und erforderliche Alarmzeit festlegen; Sichtlinien-Abdeckung kartieren (Sichtbarkeitsanalyse).
2. 2-4 Wochen Aufnahmen von infrage kommenden Standorten aufzeichnen, auch an dunstigen und nebligen Tagen.
3. Einen Anbietervergleich (FireWatch, Pano AI, Pyronear) auf diesem Material durchführen; Erkennungsrate und Fehlalarme messen.
4. 2-3 sich überlappende Kameras mit Bestätigung durch Disponenten und einem dokumentierten Prozess vom Alarm bis zum Einsatz pilotieren.
5. Die DSFA abschließen, Aufbewahrungs-/Maskierungsregeln festlegen, dann mit einer Rückkopplungsschleife für das Nachtrainieren skalieren.

Quellen

1. EFFIS - European Forest Fire Information System (Copernicus) - https://forest-fire.emergency.copernicus.eu/
2. Pano AI - wildfire detection - https://www.pano.ai/
3. ALERTCalifornia (UC San Diego) - https://alertcalifornia.org/
4. Pyronear - open-source wildfire detection - https://github.com/pyronear
5. Pyronear datasets on Hugging Face - https://huggingface.co/pyronear
6. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
7. Dryad Networks - Silvanet wildfire sensors - https://www.dryad.net/
8. NASA FIRMS - Fire Information for Resource Management System - https://firms.modaps.eosdis.nasa.gov/