Diplomarbeitvon Lorenz Schimpl

Luftgestütztes Laserscanning wird landesweit für die Generierung digitaler Oberflächenmodelle eingesetzt und dient weiterhin der Ableitung von Informationen über Waldgebiete. Diese Aufnahmemethode wird allgemein als state-of-the-art betrachtet, insbesondere in bewaldeten Gebieten. Obwohl solche Aufnahmen in Österreich und Europa regelmäßig, jedoch selten erstellt werden, gestaltet sich die Modellierung von Waldparametern auf Basis von Airborne-Laserscanning-Daten (ALS) mit hoher zeitlicher Auflösung als anspruchsvoll. Besonders die Ableitung von dynamischen Informationen wie Biomasse oder dem Zustand des Baumbestandes nach Umweltereignissen wie Unwettern oder Waldbränden sowie das Monitoring von Schutzgebieten erfordert vergleichsweise hohe zeitliche Auflösungen. Als Alternative zu ALS bieten Luftbilder und daraus abgeleitete bildbasierte Punktwolken (Image Matching, kurz IM) die Möglichkeit, Oberflächenmodelle zu generieren. Luftbilder werden in kürzeren Intervallen erfasst, beispielsweise jährlich in Wien oder flächendeckend für Österreich alle drei Jahre. Diese Vorgehensweise ermöglicht eine zeitlich höhere Auflösung und erleichtert somit die Ableitung von dynamischen Waldinformationen sowie das Monitoring von Umweltereignissen und Schutzgebieten.

Ziele und Methoden

Die Herausforderung, welche in dieser Masterarbeit behandelt wird, ist die Diskrepanz der Höhenwerte zwischen den beiden Modellansätzen, insbesondere in Regionen mit dichter Vegetationsbedeckung wie Wäldern. Diese Divergenz weist keinen offensichtlichen linearen Zusammenhang auf, der durch einfache lineare Regression korrigiert werden kann. Das Hauptziel dieser Studie besteht in der Quantifizierung dieser Unterschiede und der Erkundung von Ansätzen zur Annäherung der IM-Modelle an die Modelle des ALS. Zur Entwicklung dieses Prozesses und zur Minimierung der Höhenunterschiede zwischen den beiden Modellen wurde der Biosphärenpark Wienerwald im nördlichen Bereich des Lainzer Tiergartens als Untersuchungsgebiet ausgewählt.

Die Datengrundlage umfasst einerseits ALS-Daten aus einer Befliegung im Jahr 2018 (September), die von der Firma RIEGL Laser Measurement Systems GmbH erfasst und bereitgestellt wurden. Andererseits wurden IM-Daten des Bundesforschungszentrums für Wald (BFW) ebenfalls aus dem Jahr 2018 (August) verwendet. Beide Datensätze wurden nahezu zeitgleich im belaubten Zustand (Anmerkung: Bäume mit vollem Blattwerk) erfasst. Ein geringer zeitlicher Unterschied war für diese Forschung von Bedeutung, um möglichst minimale Veränderungen zwischen den Befliegungen zu gewährleisten. Aus den Punktwolken wurden sogenannte normalisierte digitale Oberflächenmodelle, kurz nDSM, mit der Software OPALS (entwickelt am Department für Geodäsie und Geoinformation – Forschungsgruppe Photogrammetrie und Fernerkundung) berechnet. Diese Modelle veranschaulichen die Höhe der dargestellten Objekte in Bezug auf die darunter liegende Erdoberfläche. Bereits in diesen abgeleiteten Modellen, die als Grundlage für alle weiteren Schritte dienen, zeigen sich Unterschiede zwischen den beiden Aufnahmemethodiken beziehungsweise ihren abgeleiteten Produkten.

Aus den berechneten normalisierten digitalen Oberflächenmodellen wurden Baumkronenmasken erstellt, die angeben, ob ein Gebiet von Baumkronen bedeckt ist oder eine offene Fläche darstellt. Bei dieser Klassifizierung wurden sowohl die Höhe des nDSMs als auch der Überschirmungsgrad eines Pixels anhand seiner 3x3 Pixel Nachbarschaft berücksichtigt.

Für die Umsetzung des Machine Learnings wurde der Random Forest Regression gewählt, ein auf Entscheidungsbäumen basierender Algorithmus. Hierzu wurden aus den IM-Daten sogenannte "Features" berechnet, die statistische Kennwerte eines Pixels im nDSM anhand seiner Nachbarschaft angeben. Ebenso wurden die Zielvariablen (target values) berechnet, die eine Differenzkarte der Höhenwerte zwischen ALS- und IM-nDSM repräsentieren. Diese Differenzkarte soll mithilfe der Random Forest Regression bestimmt werden. Das Training der Regression wurde anhand eines 2x2 km großen Gebiets im Lainzer Tiergarten (einschließlich des Johannserkogels) durchgeführt. Anschließend erfolgte eine Hyperparameteroptimierung, gefolgt von einer unabhängigen Kontrolle des Regressionsmodells anhand dreier individueller Gebiete.

Ergebnisse

Die Ergebnisse in den Test- und Validierungsgebieten zeigen eine Verbesserung der Höhenabweichungen zwischen den ursprünglichen und angepassten Höhen des IM Modells zu jenen Höhenwerten des ALS Modells. Im Vergleich zur ursprünglichen Abweichung im Validierungsgebiet wurde der Median der Höhendifferenzen über das gesamte Kronendach aller drei Validierungsregionen im Durchschnitt um 77% verbessert. Die Verbesserung des Root Mean Square Error (RMSE), der aufgrund von Ausreißern empfindlich ist, verbesserte sich um 3,8% gegenüber der ursprünglichen Abweichung zwischen IM und ALS nach Anwendung der Random-Forest-Regression. Diese geringere Verbesserung lässt sich hauptsächlich auf die große Divergenz zwischen dem angepassten IM- und dem ALS-Modell zurückführen, das als Referenz angenommen wurde. Insbesondere große Abweichungen in kleineren Öffnungen innerhalb des Kronendachs, wie beispielsweise Waldschneisen, konnten nicht angemessen korrigiert werden und sind daher sowohl im RMSE als auch im Mittelwert der Abweichung zwischen den beiden Modellen sichtbar. Beim Vergleich des Baumkronenverlaufs anhand eines Baumkronenplots wird deutlich, dass die zuvor erwähnte Annäherung der Höhenwerte erkennbar ist. Innerhalb der geschlossenen Baumkronenfläche wurden die Höhenwerte des ursprünglichen IM-nDSM an jene des als Referenz geltenden ALS-Modells durch die Random Forest Regression angenähert, wobei die homogenere Darstellung der Baumkronen aus den IM Daten beibehalten wurden.

Bei der Auswertung der Ergebnisse konnten nicht nur die Aspekte der Verbesserung erkannt werden, sondern auch die Grenzen, an denen der Algorithmus seine Schwächen zeigt. Insbesondere im Bereich von Waldöffnungen, wie beispielsweise Waldschneisen, können die Höhenwerte aus den vorhandenen IM-Daten nicht adäquat vorhergesagt werden. Dies liegt daran, dass diese Öffnungen in den vorliegenden Daten nicht dargestellt werden, wodurch eine angemessene Rekonstruktion der Lücken nicht möglich war. Um die Zuverlässigkeit der Random Forest Regression zu erhöhen, wäre es erforderlich, den Algorithmus mit verschiedenen Waldtypen zu verschiedenen Zeitpunkten zu trainieren und anzuwenden. Ebenso könnte in Erwägung gezogen werden, andere Kenngrößen abseits jener statistischen Größen in den Trainingsprozess einzubeziehen, um möglicherweise mehr Informationen ableiten zu können.

Download

Die Diplomarbeit „Comparative Analysis of Airborne Laser Scanning and Image Matching Point Clouds in Forestry: Enhancing Temporal Resolution using Machine Learning“ (2023) von Lorenz Schimpl wurde an der Technischen Universität Wienverfasst und kann hier heruntergeladen werden (PDF-Download: 2,6 MB).