DeepForest

Entwicklung von Machine-Learning-Methoden zur Schätzung der niedrigen Waldvegetation anhand von luftgestützten Laserpunktwolken.

Seit Jahren steigt das Interesse den Waldbestand im Rahmen einer nachhaltigen und standortangepassten Waldbewirtschaftung zu kartieren. Dabei sind Daten bzgl. Bäumen als auch Parameter zur Diversität und zum vitalen Zustand der Waldvegetation von Interesse.

Da deren aufwendige manuelle Messung i.d.R. nur kleinräumig praktiziert wird, werden Ansätze für eine schnellere und günstigere Erfassung gesucht, wie etwa Methoden der Fernerkundung. Mit Hilfe von Airborne Laserscanning (ALS, flugzeuggetragen) werden in regelmäßigen Abständen großflächig Daten erhoben – jedoch lassen sich einige der oben genannten Parameter aus diesen Daten nur mit hohem Aufwand ableiten. Beispielsweise fehlen bei ALS-Daten oftmals Informationen über den Stammumfang. Auch die bodennahe Vegetation wird mit ALS nur sehr eingeschränkt erfasst. Für die Gewinnung von höher aufgelösten Daten wird das terrestrische Laserscanning eingesetzt [1]. Die großflächige Erfassung mit terrestrischen (statischen oder mobilen) Laserscannern ist jedoch ähnlich aufwendig wie die manuelle Erfassung. Daher werden Methoden gesucht, welche eine großflächige und detaillierte Bestanderfassung ermöglichen. Für viele Anwendungen, wie etwa Wasserstands- und Strömungsprognosen bei Hochwasser oder Waldbrandschadensberechnungen, werden keine genauen Informationen über die Geometrie einzelner Bäume und Sträucher benötigt, sondern Parameter wie z.B. Bewuchsstruktur, Dichte und Vitalität. Derartige Daten stehen heutzutage für die meisten Waldgebiete nicht zur Verfügung oder sind nicht aktuell [2].

Ziel des Projektes ist es, ein Modell des Waldes, inklusive der bodennahen Vegetation, zu erstellen. Dazu beabsichtigen wir, KI-basierte Methoden zu entwickeln, die die Schätzung von terrestrischen Laserpunktwolken aus großflächigen ALS-Daten ermöglichen. Um dies zu erreichen, soll eine geeignete Deep-Learning-Architektur und Datenrepräsentation entwickelt und untersucht werden. Es sollen kleinräumig terrestrische Daten aufgenommen werden, indem wir ein „Sensor-Rucksack“ bauen (siehe Bild oben). Zusammen mit korrespondierenden ALS-Punktwolken wird des Deep-Learning-Netzes trainiert. Mit Hilfe neuer ALS-Daten sollen im Anschluss terrestrische Daten geschätzt werden. Darüber hinaus werden die Laserpunktwolken mit Multispektralbildern fusioniert, um das Verfahren um die Schätzung des vitalen Zustandes zu erweitern.

Das Projekt wird von LOEWE Förderlinie 5 „Exploration“ unterstützt.

[1] Cabo, C., Ordóñez, C., López-Sánchez, C.A., Armesto, J., 2018b. Automatic dendrometry: Tree detection, tree height and diameter estimation using terrestrial laser scanning. Int. J. Appl. Earth Obs. Geoinf. 69, 164–174. https://doi.org/10.1016/j.jag.2018.01.011

[2] Leyer, I. Mosner, E., Lehmann, B. (2012): Managing floodplain forest restoration in European river landscapes combining ecological and flood protection issues. In: Ecological Society of America: Ecological Applications, 22(1) 2012. S.240-249

MonaGoebel

M. Sc. Mona Goebel

Kontakt

work +49 6151 16-22573

Work L5|01 452b