Einzelbäume aus der Massenanalyse

Durch ein spezielles Analyseverfahren ermöglicht Point Cloud Technology die automatische Identifikation einzelner Bäume aus 3D-Punktwolken.

Aus den 3D-Punktwolken der Befliegung werden Baumstandorte extrahiert und farblich kodiert. Foto: point Cloud Technology GmbH

Aus den 3D-Punktwolken der Befliegung werden Baumstandorte extrahiert und farblich kodiert. Foto: point Cloud Technology GmbH

Auf den ersten Blick begeistern 3D-Punktwolken durch einen hohen Detaillierungsgrad und die daraus resultierende Informationstiefe. Innerhalb solcher Datens√§tze wird die Realit√§t fast komplett vermessungstechnisch abgebildet. Aus der 3D-Punktwolke lassen sich folglich viele Folgeprodukte ableiten, f√ľr die man √ľblicherweise einen hohen Aufwand an Au√üendienstarbeit kalkulieren musste. Doch die Kehrseite dieser Vorteile waren bisher die gigantischen Datenmengen und damit einhergehend die aufwendigen, kosten- und zeitintensiven Analyseverfahren. Dass man eines Tages einzelne Objekte wie etwa B√§ume aus den 3D-Punktwolken einer Landes- oder Stadtbefliegung identifizieren k√∂nnte, mag vielen Experten vor einigen Jahren noch wie reine Utopie vorgekommen sein. Genau dies erm√∂glicht das Unternehmen Point Cloud Technology GmbH (PCT) aus Potsdam.

Von Baumkatastern bis zum Biomassenpotential

In unserer letzten Ausgabe hatte die Business Geomatics √ľber die grunds√§tzliche Leistungsf√§higkeit der Technology Plattform berichtet und dort insbesondere die M√∂glichkeiten beschrieben, die sich aus der Visualisierung gro√üer Punktwolken im Internet ergeben. Die Identifikation einzelner B√§ume ist ein weiteres Einsatzgebiet der Plattform. Sie st√ľtzt sich auf einen Algorithmus, der am Hasso Plattner Institut in Potsdam erstmals entwickelt wurde. Seine Besonderheit ist, dass er aus den reinen Punktdaten auch nat√ľrliche Objekte wie B√§ume erkennt und diese Analyse auch mit beliebig gro√üen Datens√§tzen ausf√ľhren kann. ‚ÄěNutzer k√∂nnen beispielsweise automatisch aus einem stadtweiten Datensatz alle B√§ume lokalisieren und diese ohne manuelle Arbeit in ein Baumkataster √ľberf√ľhren‚Äú, beschreibt Gesch√§ftsf√ľhrer Rico Richter. Dazu erfasst der Algorithmus wichtige Kenngr√∂√üen wie zum Beispiel Baumh√∂hen, Kronendurchmesser und Baumdichteverteilung.

‚ÄěUnsere Vegetationsanalyse dient sowohl √§sthetischen als auch funktionalen und analytischen Zwecken‚Äú, sagt Richter. Ein Beispiel ist die Analyse des Mikroklimas in St√§dten bei der der Einfluss von Gr√ľnfl√§chen und B√§umen immer st√§rker ber√ľcksichtigt wird. B√§umen kommt, etwa vor dem Hintergrund des Hitzestaus, dabei eine besondere Bedeutung zu, denn einerseits k√∂nnen sie tags√ľber durch Verschattung abk√ľhlend wirken, andererseits findet nachts weniger W√§rme-Abstrahlung statt. Grunds√§tzlich haben auch kleinere baumbestandene Fl√§chen einen wichtigen Effekt auf das Stadtklima. Ebenso wichtig ist die Art des Bewuchses und des Baumbestandes, also eine Klassifizierung, die die PCT-Anwendung automatisch durchf√ľhren kann.

Weitere M√∂glichkeiten zur Analyse ergeben sich im Bereich der Forstwirtschaft. So kann zum Beispiel eine baumscharfe Modellierung dazu beitragen, das Waldwachstum besser zu prognostizieren, indem 3D-Punktwolken aus unterschiedlichen Erfassungsjahren analysiert werden. Zwar gibt es seit Mitte der 1990er Jahre ein Waldwachstumsmodell, dies basiert aber auf empirischen Stichproben. Ebenso kann die Absch√§tzung von Biomassepotenzial durch die Identifikation von Einzelb√§umen gesch√§rft werden. ‚ÄěDa die Analyse beliebig skalierbar ist, k√∂nnen problemlos die Fl√§chen ganzer Bundesl√§nder bearbeitet werden‚Äú, sagt Richter. Die Erfahrungen zeigen, dass mit der automatischen Auswertung √ľber 85 Prozent aller B√§ume in urbanen Gebieten erfasst werden k√∂nnen. Im Bereich von Vorst√§dten kommt PCT bei dichten Punktwolken auf einen Wert von mehr als 90 Prozent. Das PCT-Verfahren stellt sicher, dass auch Baumkronen, die in den Rohdatens√§tzen im Schatten liegen, erkannt werden. Ebenso einfach ist es m√∂glich, die Baummodelle in 3D-Stadtmodelle oder fl√§chendeckende Vegetationsmodelle in Geoinformationssysteme zu √ľbernehmen. PCT liefert auch die notwendige Technologie, um die gewonnenen Analyse-Daten nahtlos in Workflows und Anwendungen zu integrieren. Die Daten k√∂nnen dazu beispielsweise in beliebigen Austauschformaten exportiert werden. Auch von Kommunen h√§ufig verwendete webbasierte Auskunftssysteme, wie das IRIS Baum der Firma Widemann Systeme, k√∂nnen von PCT mit Daten bespielt werden.

Farben je nach Jahreszeit

Neben der Echtzeit-3D-Rendering- Technik f√ľr die Visualisierung (siehe Beitrag Nr. 2/2017, S. 2), k√∂nnen die identifizierten B√§ume auch in 3D modelliert werden. Zu den einzelnen Baumkronen wird so automatisch eine dreidimensionale Baumrepresentation erstellt, deren Farbe beispielsweise aus den Luftbildern √ľbernommen wird. Hier bietet die Plattform gro√üe Flexibilit√§t. F√ľr Analysen k√∂nnen die B√§ume beispielsweise farblich kodiert dargestellt werden, f√ľr √§sthetisch gepr√§gte Simulationen lassen sich aber auch jahreszeitliche Besonderheiten gestalten, etwa die typische Laubf√§rbung w√§hrend des Altweibersommers.

Vegetationsanalyse

Das Klassifizierungsverfahren erm√∂glicht so auch eine zuverl√§ssige und automatisierte Differenzierung von Gel√§nde, Vegetation und Bebauung. ‚ÄěAreale mit verschiedenster Vegetation wie W√§lder, Parkanlagen oder Gr√ľnfl√§chen k√∂nnen so im GIS abgebildet werden‚Äú, sagt Rico Richter. Ebenso k√∂nnen Plausibilit√§tspr√ľfungen f√ľr artverwandte Kataster durchgef√ľhrt werden.

Eine besondere Eignung zeigt die Analyse auch f√ľr die Dokumentation von Ver√§nderungen. Unter dem Begriff des Change Managements ist in der Fernerkundung ein Verfahren bekannt, mit dem Bestandsunterschiede aus Datens√§tzen erkannt werden k√∂nnen, die zu unterschiedlichen Zeitpunkten aufgenommen wurden. Die PCT-Plattform kann B√§ume, die gef√§llt wurden oder St√ľrmen zum Opfer fielen, automatisch ermitteln. So haben Kommunen die M√∂glichkeit, den kommunalweiten Baumbestand automatisiert zu kontrollieren. Insbesondere bei St√ľrmen l√§sst sich die Anzahl der verlorenen B√§ume ermitteln und zielgerichtet aufforsten oder die Baumbeschauungsplanung optimieren. F√ľr Kommunen er√∂ffnet sich so eine v√∂llig neue M√∂glichkeit zur effizienten Fortf√ľhrung und Aktualisierung von Baumkatastern, die bisher nur mit hohem manuellem Pr√ľfungs-Aufwand realisierbar war. „Bei der Auswertung des Berliner Stadtgebietes wurden zum Beispiel mehr als zehn Millionen B√§ume gefunden. In Gro√üst√§dten mit so vielen B√§umen ist es quasi unm√∂glich, diese ohne geeignete automatisierte Verfahren zu erfassen und zu kartieren“, so Rico Richter.

www.pointcloudtechnology.com

Foto Rechner): pixabay (Nick_H); point Cloud Technology GmbH; Quelle: point Cloud Technology GmbH; pixabay (GDJ)

Foto (Rechner): pixabay (Nick_H); point Cloud Technology GmbH; Quelle: point Cloud Technology GmbH; pixabay (GDJ)

 

Datengrundlage

Der Algorithmus f√ľr die Einzelbaumabgrenzung kann sowohl LiDAR-Daten als auch photogrammetrisch erstellte Punktwolken nutzen. Vorrausetzung ist lediglich eine bestimmte Aufl√∂sung der Daten. Bei LiDAR-Befliegungen sollte mindestens eine Punktdichte von vier Punkten pro Quadratmeter vorliegen, PCT empfiehlt zehn Punkte pro Quadratmeter. Optional kann ein DGM genutzt werden, dass eine Aufl√∂sung von 10 Meter oder h√∂her besitzt. Dieses DGM kann, falls es nicht vorliegt, auch einfach aus der Punktwolke abgeleitet werden. Optional k√∂nnen auch Orthophotos (oder True Orthophotos) genutzt werden, die vier Farbkan√§le und eine Mindestaufl√∂sung von 20 Zentimetern besitzen.

Beim Image Matching ist eine durchschnittliche Punktdichte von 25 Punkten pro Quadratmeter notwendig. Dabei muss jedoch sowohl ein DGM herangezogen werden, um die Höhendaten zu erhalten (mindestens 10 Meter Auflösung), als auch ein Orthophoto, das idealerweise eine ähnliche Auflösung wie die Punktwolke und einen Infrarotkanal hat.

Die aus Luftbildern gewonnen Punktwolken sind heutzutage besser verf√ľgbar (alleine aus den Landesbefliegungen) und aktueller. Die Laserdaten sind in der Regel geringer aufgel√∂st (rund 10-20 Punkte pro Quadratmeter), daf√ľr sind sie aber genauer, besonders was die H√∂hendaten betrifft.