Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Session
S14: Fernerkundung - Anwendung Forst
Zeit:
Freitag, 22.02.2019:
9:00 - 10:30

Chair der Sitzung: Peter Krzystek
Ort: EH 05 (Exnerhaus)
EXNH-02/64 Peter-Jordan-Straße 82, 2. Obergeschoß OST 119 Sitzplätze

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

Multiscale Retrieval of Forest Traits from Spectral Remote Sensing Observations Using 3D Radiative Transfer Modelling

Z. Malenovsky1, R. Janoutova2, L. Homolova2, N. Lauret3, J.-P. Gastellu-Etchegorry3

1University of Tasmania, Australien; 2Global Change Research Institute of the Czech Academy of Sciences, Czech Republic; 3Centre d'Etudes Spatiales de la Biosphère, France

Spatial and spectral interpretation of present and future optical space-borne observations (e.g. the Copernicus operational mission Sentinel-2, the future German hyperspectral mission EnMAP or the planned ESA 8th Earth Explorer mission FLEX) requires a proper understanding and scaling of the radiance reflected and emitted by vegetation leaves up to canopies and even entire landscapes. The upscaling of light can be facilitated by physically based radiative transfer models simulating field-to-airborne-to-space image observations, such as the three-dimensional (3D) Discrete Anisotropic Radiative Transfer (DART) model.

Advances in high-performance computation assets and exploitation of high-density terrestrial laser scanning (TLS) data allow for modelling of more realistic 3D virtual forest scenes. Taking advantage of these resources, we have created 3D computer representations of Norway spruce (Picea abies Karst. L.) trees, having realistic foliage and wood distributions. In order to evaluate an effect of canopy structure on 3D forest reflectance, we simulated in DART scenarios of four differently complex tree architecture representations. Modelled bidirectional reflectance factors (BRF) of all simulated scenarios were compared with actual airborne imaging spectroscopy (CASI and SASI, ITRES Inc.) and Sentinel-2 (S2) Multispectral Instrument (MSI) reflectance data. Although the most detailed simulated tree representation produced the best BRF fit with real observations, we identified as the most efficient solution a transformation of needle shoots into turbid medium voxels, as it significantly reduced required computational time.

In the follow-up study, we developed a conceptual framework for estimation and validation of S2 MSI space-borne vegetation products, particularly leaf chlorophyll a+b content (Cab) and leaf area index (LAI) of European forest ecosystems dominated by Norway spruce trees. One of the objectives was to test contribution of S2 MSI red edge spectral bands towards more accurate estimation of forest Cab and LAI. The estimation approach was based on a machine learning (support vector regression) inversion of extensive spruce forest canopy spectral simulations scaled from needles/shoots to the canopy level with the DART model. The validation of Cab and LAI products was conducted through a multiscale approach, where Cab and LAI maps retrieved from high spatial resolution airborne imaging spectroscopy data were first validated against ground measurements and then compared with corresponding S2 MSI pixels to assess quantitative and spatial similarity of airborne and spaceborne estimates. The multiscale validation scheme revealed a good agreement between remotely sensed Cab, but a systematic disagreement with ground measurements. LAI was accurately retrieved from the airborne imagery, but slightly overestimated in the S2 satellite map.


Forest Damage assessment using Convolutional Neural Networks

M. Brandmeier1, Z. Hamdi1,2, C. Straub3, M. Berk2

1Esri Deutschland GmbH, Deutschland; 2Technische Universität München; 3LWF Freising

Due to global warming, natural disasters such as thunderstorms are becoming more frequent (Brooks, 2013). Such events have a strong impact on forest health, wildlife habitat and can inflict substantial economic losses. Methods to quickly assess damage and to manage disaster in the aftermath of storm events are of high importance for forest management.

Due to the large areas affected by storms, assessing the damage in a forest is time consuming, if done manually using aerial imagery and GIS tools. As time is a crucial factor in disaster management, integrating deep learning with remote sensing data into a GIS environment holds a high potential for accelerating and improving damage assessment.

Convolutional Neural Networks (CNN), a supervised learning architecture, is extensively used in many areas (e.g. interpretation of medical images, 3D reconstructions, objects detection and classification in self-driving cars…). They are efficient in finding patterns within a large amount of data and are widely used in computer vision and images classification (LeCun et al., 1989). We develop an algorithm based on CNNs that are trained on labeled damaged areas visible in after-storm aerial orthophotos (RGB and NIR, 0.2 m spatial resolution) of a large forest area in Bavaria (~ 109 square km). Integration into ArcGIS was achieved with the Python API and Jupyter Notebooks. We investigate two CNN architectures: Considering the four bands (RGB + NIR) as independent and trying to find features in each band (2-Dimensional Convolution); and looking for patterns in of the image space of all four bands (3-Dimensional Convolution).

In preliminary results, the CNN trained using only 100 000 pixels of labeled data performed, within seconds (depending on the size of the input raster) and resulted in an accuracy of 92% and an intersection over union metric of 0.67. These results are promising, considering the complexity of detecting areas of fallen trees. A next step will be to use a second CNN architecture to quantify timber losses due to the storm in terms of volume in addition to areal damage. We will also consider further optimization of the algorithm by assessing the optimal ratio of true positives to false negatives, based on a decision analysis. Overall, our results highlight the potential of deep learning on high resolution imagery for damage assessment following disasters.

Y. LeCun , B. Boser , J. S. Denker , D. Henderson , R. E. Howard , W. Hubbard , and L. D. Jackel (1989): Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1:4, 541-551

Brooks, H.E. (2013): Severe thunderstorms and climate change. Atmospheric Research, pp. 129-138.


Landesweite digitale Vegetationshöhenmodelle aus historischen SW-Stereoluftbildern – ein Schatz in den Luftbildarchiven

C. Ginzler, M. Marty, L. T. Waser

Eidgenössische Forschungsanstalt WSL, Schweiz

Die Erfassung von horizontalen und vertikalen Strukturen in Wäldern erlaubt die Modellierung einer weiten Palette von Waldfunktionen. So können Ressourcen, wie zum Beispiel Holzvorrat und Biomasse, mit der Höhe von Waldbeständen erklärt werden. Für die Schutzfunktion der Wälder gegenüber Naturgefahren, wie zum Beispiel Steinschlag und Lawinen, sind die Variabilität der Bestandeshöhen und Bestandeslücken entscheidende Parameter. Kronenschluss, Lückigkeit und Bestandesdichte, sowie die Stufigkeit von Waldrändern, sind wichtige Eingangsgrössen für die Modellierung von Biodiversität. Die Erholungsfunktion für den Menschen wird unter anderem von Lichtverfügbarkeit und Abwechslung in den Waldstrukturen beeinflusst.

Methoden der Fernerkundung erlauben die Erfassung von 3D Strukturen von Wäldern über grosse Gebiete. Aktive Systeme, wie Airborne Laserscanning (ALS) und Synthetic Aperture Radar (SAR) und passive Systeme, wie multispektrale Sensoren haben sich etabliert um 3D und 2.5D Daten der Erdoberfläche zu erfassen. Landesweite Berechnungen von Oberflächenmodellen mit photogrammetrischen Verfahren aus digitalen Stereoluftbildern oder ALS Daten werden in einigen Ländern (z.B. Schweiz, Österreich, mache Bundesländer in Deutschland) bereits operationell eingesetzt.

Die Verfügbarkeit historischer Stereoluftbilder erlauben die Berechnung digitaler Oberflächenmodelle aus der Vergangenheit mittels photogrammetrischer Methoden. Wir stellen einen Arbeitsfluss vor, mit welchem wir für die Schweiz landesweite Oberflächenmodelle für die 1980er und 1990er Jahre berechnet haben. Aktuelle Oberflächenmodelle liegen aus dem Landesforstinventar (LFI) Schweiz vor.

Im Rahmen der Arealstatistik Schweiz wurden vom Bundesamt für Landestopographie (swisstopo) die analogen SW-Stereoluftbilder mit mittlerem Massstab von ~1:30'000 der landesweiten Befliegungen von 1979-84 und 1993-1997 mit 14 µm gescannt und orientiert. Diese Daten stehen auch dem LFI zur Verfügung. Die Orientierungsdaten wurden von swisstopo übernommen. Mit dem entwickelten Workflow wurden jeweils aus zwei aufeinander benachbarten Luftbildern (=Stereopaar) mit dem Softwarepaket SocetSet5.6 Oberflächenmodelle mit räumlichen Auflösung von 1 m berechnet. Insgesamt wurden mehr als 10'000 einzelne Stereomodelle zu landesweiten Oberflächenmodellen verarbeitet. Für deren Normalisierung wurde das digitale Geländemodell der Schweiz ‘swissAlti3D’ verwendet. Da die Bildorientierung in manchen Gebieten hohe vertikale Ungenauigkeiten aufwies, mussten Korrekturen vorgenommen werden. Dazu wurden Daten der Arealstatistik Schweiz verwendet. An Orten konstanter Oberflächenbedeckung seit den 1980er Jahren (z.B. Grasland) wurden unter Verwendung des digitalen Geländemodelles Korrekturraster berechnet und auf die Oberflächenmodelle angewendet.

Das Resultat ist ein neuer Datensatz zur 2.5D Oberfläche der Schweiz aus den 1980er und 1990er Jahren mit einer hohen räumlichen Auflösung von 1 m. Es kann festgehalten werden, dass die Vollständigkeit der Bildkorrelation in bewaldeten Gebieten durchaus zufriedenstellend war. In offen Gebieten mit landwirtschaftlich genutzten Flächen waren die Korrelationspunkte jedoch oft auf das Wegenetz reduziert, da die Wiesen und Felder in den gescannten SW-Stereoluftbildern sehr wenig Textur aufwiesen.

Dies neuen historischen, landesweiten Daten zur horizontalen und vertikalen Struktur in Wäldern ermöglichen nun deren Analyse der Veränderung über die letzten 30 Jahre.


Waldinventur aus Luftbildern und LiDAR-Daten - Mit welcher Genauigkeit und Präzision lassen sich Baumhöhe, Kronenradius und Kronenansatz von Douglasien ableiten?

S. Ganz, Y. Käber, P. Adler

Forstliche Versuchs- und Forschungsanstalt Baden-Württemberg (FVA), Deutschland

Motivation

Mit modernen Methoden der Fernerkundung ist es möglich, äußere Merkmale von stehenden Bäumen abzuleiten um Waldinventuren zu unterstützen und zu verbessern. Um die Genauigkeit und Präzision dieser Methoden zu untersuchen, lag der Fokus auf dem Vergleich der Eingangsdaten und der Validierung der Methoden zur Ableitung der Parameter. Die inventurrelevanten Einzelbaumcharakteristika Baumhöhe, Kronenradius und Kronenansatzhöhe wurden dazu aus unterschiedlichen Fernerkundungsdaten abgeleitet.

Methodik

Das Untersuchungsgebiet war eine 2 ha große 50 Jahre alte Douglasien-Versuchsfläche der FVA in Baden-Württemberg. Zum Zeitpunkt der Auswahl der Versuchsbäume wies die Fläche keinerlei Naturverjüngung und kaum Bodenbewuchs auf und hatte eine Stammzahl von circa 150 Bäumen je Hektar.

Für die Studie wurde ein UAV-Oktokopter (Unmanned Aerial Vehicle, UAV) mit LiDAR-Sensor und RGB-Kamera sowie ein Gyrocopter mit RGB-Kamera eingesetzt. Ergänzend wurden Luftbilder aus photogrammetrischen Bildflügen des Landesamtes für Geoinformation und Landentwicklung verwendet. Nach Image-Matching Verfahren lagen für alle Datensätze lagen somit dreidimensionale Punktwolken und digitale Oberflächenmodelle vor.

Die Positionen der Baumspitzen und die Baumhöhen wurden mithilfe eines Watershed Algorithmus identifiziert. Die Kronenradien wurden auf Basis des Oberflächenmodells berechnet. Dazu wurde eine Polynomialfunktion vierten Grades über das Höhenprofil eines Baumes gelegt. Aus der LiDAR-Punktwolke wurde eine zweidimensionale, von oben projizierte konvexe Hülle um die segmentierten Punkte gelegt und als Basis für die Berechnung des Kronenradius verwendet. Die Kronenansatzhöhe wurde aus dem niedrigsten Pixelwert des Oberflächenmodells innerhalb der Kronenabgrenzung extrahiert. Für die Bestimmung der Kronenansatzhöhe aus LiDAR-Daten wurde eine Polynomialfunktion vierten Grades auf die vertikale Häufigkeit der Punkte gefittet. Die Höhe beim ersten Minimum dieser Funktion war als Kronenansatzhöhe definiert.

Die Ergebnisse wurden mit Feldmessungen und dem Root Mean Square Error (RMSE) validiert. Der Variationskoeffizient über alle Bäume galt als Maß für die Reproduzierbarkeit (Präzision).

Ergebnisse

Die Baumhöhe konnte mit einem RMSE zwischen 0,38 und 2,89 m (RMSE% 1,11 – 8,46) sehr verlässlich abgeleitet werden. Auch der Kronenradius ließ sich mit einem akzeptablen RMSE zwischen 0,16 und 0,65 m (RMSE% 4,22 – 17,15) berechnen. Für die Kronenansatzhöhe wurde ein RMSE zwischen 4,03 und 11,49 m (RMSE% 26,39 – 75,25) erreicht. Die Variationskoeffizient (in %) lag für die Ableitung von Baumhöhe, Kronenradius und Kronenansatzhöhe aus dem Oberflächenmodell bei jeweils 3,37±1,12, 7,07±2,93 und 34,74±7,7. Aus den mit LiDAR-Daten abgeleiteten Parametern ergab sich eine Präzision von jeweils 1,05±1,15, 4,83±5,75 und 11,58±10,23.

Baumhöhe und Kronenradius ließen sich zuverlässig mit einer sehr guten bis guten Genauigkeit und Präzision ableiten. Die Methoden konnten somit bei Wiederholungsbefliegungen und unterschiedlichen Sensoren vergleichbare Ergebnisse liefern. Die Ableitung des Kronenansatzes hingegen hat sich bei dieser Untersuchung mit einer für die Rundholzsortierung relevanten Definition als nicht anwendbar erwiesen. Selbst die räumlich hochaufgelösten LiDAR-Daten ermöglichten keine erfolgreiche Ableitung des Kronenansatzes.

Die Unterschiede zwischen LiDAR-Daten und photogrammetrischen Daten fielen gering aus, wobei sich bei den photogrammetrischen Daten eine hohe Punktdichte als wichtiger Faktor für die Genauigkeit erwiesen hat.

Die untersuchten und entwickelten Verfahren können dazu beitragen, waldwachstumskundliche Versuchsflächen effizienter und standardisiert zu vermessen. Die Ergebnisse aus den in der Studie verwendeten Verfahren können unter anderem als Eingangsdaten für waldwachstumskundliche Produktionsmodelle, merkmalsbezogene Holzqualitätsmodelle oder daraus abgeleitete Rundholzklassifizierungssysteme dienen.



 
Impressum · Kontaktadresse:
Datenschutzerklärung · Veranstaltung: DLT 2019
Conference Software - ConfTool Pro 2.6.124
© 2001 - 2019 by Dr. H. Weinreich, Hamburg, Germany