3D-Baumparameter: Automatische Extraktion

Die natürliche Vegetationsstruktur im Wald führt bei TLS-Aufnahmen von einzelnen Standpunkten zu Abschattungen, insbesondere im Kronenbereich. Diese Schatten lassen sich zwar durch geeignete Scankonfigurationen minimieren, jedoch nicht vollständig vermeiden. Die Registrierung von Punktwolken im Wald ist zudem sehr zeitaufwendig. Die größte Schwierigkeit besteht in der effizienten Verteilung von Verknüpfungspunkten bei dichter Bodenvegetation. Die Georeferenzierung terrestrischer Laserscannerdaten ist aufgrund von Signalabschattungen durch Satellitenpositionierungssysteme (z.B. GPS) ungenau und nur bedingt möglich. Dies unterstreicht die Notwendigkeit von innovativen Registrierungsmethoden, die die spezifischen Herausforderungen der Datenerfassung im Wald berücksichtigen. Die beschriebenen Probleme machen deutlich, dass herkömmliche Verfahren, die auf der manuellen Platzierung und Identifizierung von Verknüpfungspunkten beruhen, ineffizient und fehleranfällig sind, besonders bei dichtem Bewuchs. Die Entwicklung automatisierter und robuster Registrierungsmethoden ist daher von großer Bedeutung für die effiziente und präzise Verarbeitung von TLS-Daten im Forstbereich.

Ein neuartiger Ansatz zur TLS-Daten-Registrierung im Wald verwendet die berechneten Mittelpunkte der Brusthöhendurchmesser (BHD) als natürliche Verknüpfungspunkte. Diese Methode vermeidet die Notwendigkeit künstlicher Verknüpfungspunkte und basiert auf der Annahme, dass die Mittelpunkte identischer Stammabschnitte in beiden Datensätzen übereinstimmen. Die größte Unsicherheit dieser Methode liegt in der Z-Komponente der Translation. Diese Methode bietet den Vorteil einer vereinfachten Datenvorbereitung, da keine aufwändige Platzierung von künstlichen Markierungen erforderlich ist. Die Genauigkeit der Methode hängt jedoch stark von der Qualität der BHD-Bestimmung ab und wird durch Faktoren wie unregelmäßige Stammformen, dichte Vegetation und Schattenbildung beeinflusst. Eine Validierung der Genauigkeit im Vergleich zu traditionellen Registrierungsmethoden ist unerlässlich um die Zuverlässigkeit dieser neuartigen Technik zu evaluieren. Die genaue Bestimmung der BHD-Mittelpunkte ist von entscheidender Bedeutung für die Präzision der Registrierung. Fehlerhafte BHD-Bestimmungen führen zu einer fehlerhaften Registrierung der Punktwolken.

Die Verwendung der Lage der Baumachsen in Kombination mit einem einzigen homologen Verknüpfungspunkt führt zu deutlich verbesserten Ergebnissen bei der Registrierung. Durch die Fixierung der Datensätze an diesem homologen Punkt wird die Genauigkeit der Transformation erhöht und die Unsicherheiten, die insbesondere in der Z-Komponente auftreten können, reduziert. Dieser Ansatz bietet eine verbesserte Robustheit gegenüber den in Waldumgebungen typischen Herausforderungen wie Schatten und unregelmäßigem Bewuchs. Der Vergleich mit herkömmlichen Registrierungsverfahren, die auf mehreren homologen Punkten basieren, zeigt die Überlegenheit der vorgeschlagenen Methode hinsichtlich der Genauigkeit und der Effizienz. Die Ausrichtung entlang der Baumachse ermöglicht eine stabileren Referenzpunkt, der weniger anfällig für Verdeckungen und Messfehler ist. Eine detaillierte Analyse der Ergebnisse in einem Studiengebiet ermöglicht die quantitative Bewertung der Genauigkeit und Effizienz der Methode.

Aufgrund der Schwierigkeiten bei der Georeferenzierung von TLS-Daten im Wald wurde ein Ansatz entwickelt, der die Integration von Flugzeuglaserscanner (ALS)-Daten mit terrestrischen Punktwolken ermöglicht. Die Methode nutzt die Kenntnis der Baumpositionen aus den ALS-Daten und ein vorhandenes digitales Geländemodell (DGM), um die TLS-Daten zu georeferenzieren. Dieser Ansatz löst das Problem der ungenauen Georeferenzierung von TLS-Daten, die durch Signalabschattungen verursacht wird, und ermöglicht eine präzisere räumliche Verortung der TLS-Punktwolken. Durch die Kombination von hochauflösenden TLS-Daten mit den großflächigen ALS-Daten erhält man ein umfassenderes und genaueres Bild des Waldbestandes. Die Genauigkeit dieser Methode hängt stark von der Genauigkeit der Baumpositionsbestimmung in den ALS-Daten und der Qualität des DGM ab. Diese Integration ist besonders wichtig für großflächige forstwirtschaftliche Anwendungen.

Die automatisierte Ableitung forstinventurrelevanter Baumparameter beginnt mit der präzisen Baumdetektion. Der Text beschreibt verschiedene Ansätze zur automatischen Bestimmung der Baumposition aus TLS-Punktwolken. Methoden umfassen die Analyse von Punktwolkenschichten, Entfernungsbildern und Voxelräumen. Dabei werden sowohl Single-Scan- als auch Multiple-Scan-Aufnahmen berücksichtigt. Die Wahl der Methode hängt von der spezifischen Datenlage und den Anforderungen an die Genauigkeit ab. Die Zuverlässigkeit der Baumdetektion ist entscheidend für die Genauigkeit der nachfolgenden Parameterbestimmung. Die Erkennung von Bäumen in dichten Beständen mit komplexer Vegetationsstruktur stellt eine besondere Herausforderung dar. Hierbei spielt die Berücksichtigung von Schattenwurf und Verdeckung durch Äste und Unterholz eine wichtige Rolle. Die beschriebenen Ansätze zielen auf eine robuste und effiziente Baumdetektion ab, die die Grundlage für die automatisierte Forstinventur bildet.

Für die präzise Bestimmung von Baumhöhe und Brusthöhendurchmesser (BHD) ist die korrekte Identifizierung des Baumfußpunktes essentiell. Die Methode berücksichtigt die Geländeneigung und bestimmt den Baumfußpunkt anhand der angrenzenden Bodenpunkte, unter Berücksichtigung einer ausgleichenden Ebene. Dieser Ansatz minimiert Fehler, die durch unebenes Gelände oder Streupunkte unterhalb der Geländeoberfläche entstehen. Ausgehend vom Baumfußpunkt wird die Baumhöhe durch Differenzbildung zwischen der Baumspitze und dem Baumfußpunkt ermittelt. Ein histogrammbasierter Ansatz zur Höhenbestimmung wird ebenfalls diskutiert, um die Robustheit der Methode zu verbessern. Die Genauigkeit der Baumhöhenbestimmung hängt stark von der Qualität der Punktwolke, der Kronenstruktur und der Erfassung der Baumspitze ab, besonders bei dichten Kronen oder kleinen Bäumen im Unterstand. Die automatisierte Bestimmung des Baumfußpunktes und der Baumhöhe stellt einen wesentlichen Schritt in Richtung effizienter und genauer Forstinventur dar.

Die Bestimmung des Brusthöhendurchmessers (BHD) erfolgt ebenfalls automatisiert, wobei verschiedene Methoden in Abhängigkeit vom Datensatz (Single- oder Multiple-Scan) angewendet werden. Bei schräg stehenden Bäumen wird die BHD-Bestimmung mit einem Ausgleichszylinder der Kreisausgleichung vorgezogen, um eine genauere Messung zu gewährleisten. Bei astfreien Stämmen und vollständiger Stammabdeckung kann die konvexe Hülle als Methode verwendet werden. Die Auswahl der optimalen Methode hängt von den Eigenschaften der Punktwolke und der Stammform ab. Die Genauigkeit der BHD-Bestimmung wird durch Stammform, Verdeckungen und die Auflösung der Scandaten beeinflusst. Die automatische BHD-Extraktion ist ein wichtiger Bestandteil der automatisierten Forstinventur und ermöglicht eine zeitsparende und effiziente Erfassung dieses wichtigen Inventurparameters. Die Validierung der Algorithmen erfolgte durch Vergleich mit manuell gemessenen BHD-Werten.

Die wichtigsten Algorithmen zur automatisierten Ableitung forstinventurrelevanter Baumparameter wurden in einem C++-Programm implementiert. Das Programm ermöglicht die vollautomatische Verarbeitung der Punktwolken durch Setzen externer Parameter. Zusätzliche C++-Routinen wurden für die Ergebnisanalyse entwickelt. Die Validierung der Algorithmen erfolgte anhand von manuell erhobenen Daten aus drei Studiengebieten: Tharandter Wald (Sachsen), Wiener Wald (Österreich). Die manuell erfassten Daten wurden konsistent von einer Person gemessen, um eine einheitliche Datenqualität zu gewährleisten. Die Ergebnisse der automatisierten Parameterbestimmung werden mit den manuell erhobenen Daten verglichen und analysiert, um die Genauigkeit und Zuverlässigkeit der Algorithmen zu bewerten. Der Vergleich mit Harvesterdaten ermöglichte eine weitere Validierung der ermittelten Stammdurchmesser. Die Ergebnisse zeigen, dass eine vollautomatische und genaue Ableitung von Baumparametern möglich ist.

Die unterschiedlichen Aufnahmeplattformen von Airborne Laser Scanning (ALS) und Terrestrial Laser Scanning (TLS) führen zu Unterschieden in Auflösung, Aufnahmebereich und -richtung. ALS erfasst großflächige Waldbestände schnell, während TLS hochauflösende Daten von kleineren Bereichen liefert, jedoch unter Vegetations-bedingter Signalabschattung leidet. Dies resultiert in unterschiedlichen Punktdichten: ALS-Daten weisen 0,5 bis 30 Punkte pro Quadratmeter auf, TLS-Daten hingegen mehrere tausend. ALS eignet sich gut zur Ableitung von Oberflächenmodellen (z.B. digitale Geländemodelle – DGM), während TLS die Extraktion forstinventurrelevanter Baumparameter ermöglicht. Die Kombination beider Datensätze bietet daher Synergien für die Forstinventur, wobei der Fokus auf der Integration und der präzisen Registrierung liegt. Die unterschiedlichen Stärken beider Verfahren motivieren die Entwicklung von Registrierungsmethoden, die die jeweiligen Vor- und Nachteile optimal ausnutzen und zu einem umfassenden und genauen Datensatz führen. Die höhere Punktendichte der TLS-Daten erlaubt detailliertere Auswertungen, während die großflächige Abdeckung der ALS-Daten für die Georeferenzierung essentiell ist.

Die Bestimmung der Baumpositionen aus ALS-Daten stellt einen wichtigen Schritt zur Registrierung mit TLS-Daten dar. Die Methode basiert auf der Detektion lokaler Maxima im normierten Kronenmodell. Die Normierung dient dem Ausschluss von Unterwuchs und konzentriert sich auf Bäume der oberen Bestandsschicht. Der höchste Punkt innerhalb eines lokalen Maximums repräsentiert idealerweise die Baumspitze. Es ist jedoch zu erwarten, dass neben korrekten auch fehlerhafte Baumpositionen detektiert werden, daher liegt der Fokus auf der Richtigkeit der Positionen. Die Genauigkeit der Baumpositionsbestimmung ist entscheidend für die Qualität der anschließenden Registrierung und hängt von Faktoren wie Punktdichte und Kronenstruktur ab. Die aus den ALS-Daten gewonnenen Baumpositionen dienen als Referenzpunkte für die räumliche Verknüpfung mit den hochauflösenden TLS-Daten. Die Genauigkeit der Baumdetektion beeinflusst direkt die Genauigkeit der Registrierung der beiden Datensätze.

Die homologe Punktzuordnung zwischen ALS- und TLS-Daten erfolgt über den robusten RANSAC-Algorithmus. Als Kriterium dient die maximale 3D-Streckendifferenz zwischen korrespondierenden Baumpositionen. Zunächst werden 85 Baumpaare identifiziert, die das Kriterium erfüllen. Anschließend werden nur die Baumpaare mit einer halben 3D-Streckendifferenz (1,25 m) ausgewählt, was zu 59 homologen Baumpaaren führt. Diese reduzieren die Standardabweichung der Registrierung auf σ̂0 = 0,49 m. Die Feinregistrierung erfolgt mittels eines ICP-Algorithmus (Iterative Closest Point) in der Software Geomagic (Version 10 SR1), wobei die klassifizierten Bodenpunkte im Umkreis der Laserscannerstandpunkte verwendet werden. Die Anwendung von RANSAC und ICP ermöglicht eine robuste und genaue Registrierung trotz der Unterschiede in den Datensätzen. Die Genauigkeit wird zusätzlich durch die Qualität des Digitalen Geländemodells (DGM) beeinflusst.

Die unterschiedlichen Eigenschaften von TLS- und ALS-Daten – hochauflösende, aber kleinräumige TLS-Daten im Gegensatz zu großflächigen, aber weniger detaillierten ALS-Daten – motivieren ihre Kombination. Während ALS-Daten in der Forstwirtschaft vor allem zur Erstellung von digitalen Geländemodellen (DGM) und Kronenmodellen dienen, ermöglichen TLS-Daten die präzise Bestimmung von forstinventurrelevanten Parametern wie Brusthöhendurchmesser (BHD) und Baumhöhe. Die Herausforderung besteht darin, diese Datensätze, die aus unterschiedlichen Plattformen und Perspektiven gewonnen wurden, präzise zu registrieren, um die Vorteile beider Technologien zu kombinieren. Eine erfolgreiche Datenfusion ermöglicht eine umfassendere und genauere Analyse des Waldbestandes als die Verwendung einzelner Datensätze. Die Limitationen der Georeferenzierung von TLS-Daten im Wald aufgrund von Signalabschattung durch die Vegetation unterstreichen die Notwendigkeit dieser Datenintegration. Das Ziel ist eine verbesserte Genauigkeit bei der Erfassung von forstwirtschaftlich relevanten Parametern.

Die Registrierung von ALS- und TLS-Daten basiert auf der Bestimmung von Baumpositionen aus den ALS-Daten. Hierbei werden die lokalen Maxima im normierten Kronenmodell als Indikatoren für Baumkronen verwendet. Der höchste Punkt eines lokalen Maximums repräsentiert die Baumspitze. Diese Methode konzentriert sich auf die Genauigkeit der Baumpositionsbestimmung, da die Vollständigkeit der Erfassung weniger relevant ist. Die gefundenen Baumpositionen aus den ALS-Daten werden dann mit den entsprechenden Bäumen in den TLS-Daten verglichen und zugeordnet. Dieser Prozess der homologen Punktzuordnung nutzt den RANSAC-Algorithmus, um robuste Transformationsparameter zu bestimmen. Als Kriterium für die Homologie dient die 3D-Streckendifferenz zwischen den Baumpositionen. Ein iterativer Closest Point (ICP)-Algorithmus wird zur Feinabstimmung der Transformation verwendet, wobei die klassifizierten Bodenpunkte beider Datensätze herangezogen werden. Die Software Geomagic (Version 10 SR1) wird für die ICP-basierte Feinregistrierung eingesetzt.

Die Methode wurde in einem Studiengebiet angewendet, in dem Bäume sowohl mit ALS als auch TLS erfasst wurden. Die Anzahl der detektierten Bäume unterschied sich zwischen ALS (226 Bäume) und TLS (172 Bäume). Die homologe Punktzuordnung mittels RANSAC führte zunächst zu 85 Baumpaaren mit einer maximalen 3D-Streckendifferenz von 2,5m. Nach einer strengeren Filterung blieben 59 homologe Baumpaare (entsprechend 34% der Bäume aus den TLS-Daten) übrig. Diese resultierten in einer Standardabweichung von σ̂0 = 0,49 m. Die endgültige Transformation der TLS-Daten erfolgte unter Verwendung des ICP-Algorithmus und der klassifizierten Bodenpunkte. Die klassifizierten Bodenpunkte der TLS-Daten lagen durchschnittlich 21 cm über dem Gelände der ALS-Daten. Im unmittelbaren Umfeld der Scannerstandpunkte betrugen die Abweichungen nur 3 mm. Die Genauigkeit der Registrierung wird durch Faktoren wie die Dichte des Bestandes, die Bodenvegetation und die Genauigkeit der Baumpositionsbestimmung aus den ALS-Daten beeinflusst.