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
S17: Fernerkundung - Anwendung Forst
Zeit:
Freitag, 22.02.2019:
11:30 - 12:30

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

Deep Learning basierte Klassifizierung von Baumarten im Stadtgebiet

N. Nölke, M. Freudenberg

Universität Göttingen, Deutschland

Informationen über die flächenhafte Baumartenverteilung im Wald sind von großem Interesse. Gegenwärtig erfolgt die Schätzung klassisch über terrestrische Inventuren, die mehr und mehr auch durch Fernerkundung unterstützt werden. Da die klassische Forsteinrichtung normalerweise Informationen über Grundflächenanteile verschiedener Baumarten liefert, jedoch keine genaue Einschätzung der tatsächlichen Flächenanteile erlaubt, ist diese zusätzliche Information für die mittelfristige Planung besonders wichtig. Durch die Entwicklung neuartiger kombinierter Ansätze zur Forsteinrichtung gewinnt die Fernerkundung als Informationsquelle zunehmend an Bedeutung, wobei die Baumart eine der wichtigsten Zielgrößen darstellt.

Wir präsentieren die Verwendung des Deep Learning U-Net Fully Convolutional Neural Network zur Segmentierung und Klassifizierung vom Baumarten im Stadtgebiet von Göttingen. Datengrundlage sind die digitalen Orthophotos des Landesamt für Geoinformation und Landesvermessung Niedersachsen (LGLN) mit einer Auflösung von 10cm. Der Fokus der Studie ist die Evaluierung des U-Net hinsichtlich des Potentials der automatisierten Baumartenerkennung. Unterschieden wurden Laubholz, Nadelholz im allgemeinen sowie die Arten Blutbuche, Linde und Ahorn im speziellen.

Der Output des Netzwerkes sind so genannte Heatmaps für jede Klasse (Baumart) die angeben mit welcher Wahrscheinlichkeit ein Pixel der Klasse zugeordnet wird. Die unabhängige Validierung der Baumartenkarten erfolgte auf Grundlage des offiziellen Baumkatasters; Verwendet wurde das Maß „Intersection over Unit“ welches nicht nur die erkannte Baumart sondern auch die Genauigkeit der Segmentierung berücksichtig. Für die Blutbuche wurde so eine Genauigkeit von 75%, für Ahorn dagegen von 48% erreicht.

Die Studie zeigt das Potential von Deep Learning im Bereich Segmentierung und Klassifizierung von Baumarten. Untersucht wurde auch die Qualität des erstellten Netzwerks, die optimale Trainingsdauer und Anzahl der Trainingsdaten.


Abgrenzung homogener Waldbestände aus ALS-Punktwolken

M. Bruggisser1, M. Hollaus1, D. Wang2, N. Pfeifer1

1TU Wien, Österreich; 2Aalto University, Finland

Studien zu Segmentierungen von homogenen Waldflächen aus flugzeuggestütztem Laserscanning (ALS) zielten bisher vorwiegend darauf ab, Waldbestände einheitlicher Spezies, Baumhöhe und Reifegrade abzugrenzen. Solche Waldbestandeskarten sind für die Forstwirtschaft von Interesse und werden oftmals als Managementeinheit, aber auch in flächenbasierten Auswertungsansätzen (ABA, area based approaches) genutzt, um aus ALS-Daten großflächig Forstparameter ableiten zu können. In den letzten Jahren wurde jedoch des Öfteren diskutiert, dass für naturnähere Waldbewirtschaftungsformen die vertikale Waldstruktur genauer berücksichtigt werden muss. Das Potential von ALS für diese Beschreibung wurde ebenfalls aufgezeigt. Da der Laser in die Kronenschicht einzudringen vermag, lassen sich durch ALS die kroneninternen Verhältnisse im dreidimensionalen Raum detailliert erfassen.
In dieser Studie stellen wir einen Segmentierungsansatz vor, der einen flexiblen Rahmen bietet, um Waldbestände innerhalb einer Punktwolke hinsichtlich einer anwendungsspezifischen Homogenitätseigenschaft des Waldes zu segmentieren. Insbesondere lassen sich vertikale Waldstruktureigenschaften für die Abgrenzungen verwenden. Damit erlaubt der Ansatz auch die Segmentierung hinsichtlich homogener Prozesseigenschaften, beispielsweise für die Abgrenzung von Waldbeständen mit homogenen Wasserkreislauf-Eigenschaften. Dieser Anwendungsfall stammt aus dem 4D-Format-Projekt, dessen Ziel es ist, aus SAR-Daten die Bodenfeuchtigkeit über Wald abzuleiten. Um dies bewerkstelligen zu können, soll der Wasserkreislauf für jeweilige homogene Waldbestände modelliert werden. Die Abgrenzungen entsprechender Flächen aus der in diesem Beitrag vorgestellten Segmentierung bildet dafür die Grundlage.
Für eine Segmentierung werden zuerst Waldstrukturparameter aus den ALS-Daten abgeleitet, welche für einen Waldbestand charakteristisch sind. Diese Homogenitätsmerkmale werden vom Anwender gewählt. Für prozessorientierte Segmentierungen wie im Falle der Wasserhaushaltseigenschaften ist dazu Wissen erforderlich, wie sich die für den Prozess relevanten physiologischen Eigenschaften durch ALS-Metriken erfassen lassen.
Die Berechnung der Strukturmetriken erfolgt innerhalb dreier unterschiedlich großer Punktnachbarschaften in der Punktwolke. Die berechneten Metriken werden den Punkten als zusätzliche Attribute angefügt. Die Kombination mehrerer Nachbarschafts-Größen, namentlich Radien von 2 m, 5 m und 10 m, erlaubt es, Strukturen auf unterschiedlichen Maßstabsebenen zu kombinieren und damit über das Einzelbaum-Niveau hinauszugehen.
Die Punkte werden anschließend durch ein iteratives Aufteilungs-Verfahren unter Verwendung des k-means-Algorithmus in jeweils zwei Cluster geteilt. Jedes resultierende Cluster wird wiederrum so lange in weitere zwei Untercluster gespaltet, bis eine definierte Homogenität innerhalb jedes Clusters erreicht ist. Da dies unter Umständen zu sehr kleinen Waldstücken führen kann, ist eine Nachbearbeitung des initialen Clusterings erforderlich. In diesem Schritt werden Waldflächen, welche eine Mindestgröße unterschreiten, mit jenen Waldbeständen verschmolzen, zu welchen sie die größte Ähnlichkeit aufweisen.
Durch die freie Festlegung der Strukturparameter, welche für die Segmentierung verwendet werden, ist der Ansatz sehr flexibel einsetzbar. Dies trägt der Tatsache Rechnung, dass eine Abgrenzung von Waldbeständen nicht eine einzige, eindeutige Lösung ergeben kann, sondern dass die Homogenität immer in Bezug auf eine Anwendung zu sehen ist. Wir demonstrieren die Funktionsweise des Ansatzes im Folgenden für die Abgrenzung von Waldbeständen, die einerseits hinsichtlich der vorhandenen Biomasse homogen sind und andererseits ähnliche Eigenschaften im Wasserkreislauf aufweisen. Für die Abgrenzung homogener Biomasse-Waldbestände werden Strukturmetriken verwendet, welche die Baumhöhe, die Kronenmächtigkeit und die Anzahl der Schichten erfassen.
Im Weiteren zeigen wir, dass der Ansatz auch für die Abgrenzung von Waldbeständen eingesetzt werden kann, die ähnliche Eigenschaften im Wasserkreislauf aufweisen. Für diese Abgrenzungen wurden der Bedeckungsgrad, Dichte und Mächtigkeit der Kronenschicht sowie die Anzahl an Schichten verwendet. Relevant ist somit insbesondere die Struktur innerhalb der Kronenschicht, welche die Interzeptionseigenschaften eines Bestandes festlegt. Zusätzlich zu diesen Parametern können Gelände- und Bodenparameter in die Segmentierung integriert werden.
Der entwickelte Segmentierungsansatz wurde für bewaldete Gebiete unterschiedlicher Waldstruktur und bewirtschaftung sowie von Standorten mit unterschiedlicher Topographie und Höhenlage angewandt. Visuelle Vergleiche mit der räumlichen Verteilung der Strukturmerkmale und statistische Auswertungen der Homogenität innerhalb der abgegrenzten Waldbestände zeigen sehr gute Resultate. Der Vergleich mit in-situ Erhebungen zeigt das große Potential dieses Ansatzes für großflächige Anwendungen eindeutig auf.


Deep Learning-basierte Baumartenklassifizierung auf Basis von ALS-Daten

S. Mustafić, M. Schardt

Technische Universität Graz, Österreich

Einleitung und Motivation
In der jüngsten Zeit hat sich Deep Learning zu einer Kerntechnologie im Machine Learning Bereich entwickelt und in verschiedenen Anwendungsbereichen bereits eine große Popularität erreicht. So findet es auch langsam Einzug in der Fernerkundung zur Lösung von verschiedenen Aufgaben insbesondere aber für die Lösung von etwas komplexeren Aufgaben, die mit den traditionellen Methoden bisher nicht gelöst werden konnten.
Für eine Inventur in der Forstwirtschaft werden heutzutage verschiedene Fernerkundungsdaten (Satelliten- bzw. Luftbilder oder ALS (Airborne Laser Scanning) Daten) herangezogen und miteinander kombiniert, um z. B. aus den Luftbildern die Baumart zu bestimmen und aus ALS-Daten die Höhe des Baumes. Die Studien haben gezeigt, dass eine Baumartenklassifizierung direkt aus den 3D ALS-Daten mit herkömmlichen Ansätzen nur bei einer sehr hohen Punktdichte (z.B. 50 Punkte/m2 oder mehr) möglich ist, was aber für eine großflächige Erfassung zu teuer wäre.
In Rahmen dieser Studie wird gezeigt, wie man mithilfe der Deep Learning Technik eine Baumartenklassifizierung (auf Einzelbaumbasis) nur anhand von ALS Punktwolkendaten mit einer relativ geringen Punktdichte (zwischen 2 - 15 Punkte/m2) erzielen kann.

Untersuchung
Für die Klassifizierung der Baumarten mit Deep Learning wurden convolutional neural networks (CNNs) herangezogen. Da bei CNNs als Input nur Rasterbilder verwendet werden können, stellt sich daher die Frage, was man im Fall von ALS-Punktwolkendaten als Input nehmen könnte?
In Rahmen diese Studie wurde zuerst eine Einzelbaumdetektion durchgeführt, wo alle Baumspitzen detektiert wurden. Diese Baumspitzen wurden dann als Ausgangspunkte für die Erstellung der Rasterbilder, die die einzelnen Bäume beschreiben, verwendet. Dabei wurde die 3D Baumstruktur (Punkte: x, y, z) jedes Baumes auf mehrere unterschiedliche Arten (spezielle Baumdeskriptoren: Histogramme, Baumprofile, etc.) in 2D Rasterbilder konvertiert. Die auf diese Weise erzeugten Daten (Rasterbilder) wurden dann zum Trainieren des Modells sowie für die Klassifizierung der Baumarten verwendet.

Ergebnisse und Diskussion
Die oben kurz beschriebene Herangehensweise wurde bereits an mehreren Datensätzen getestet und eine Klassifizierung in drei verschiedene Baumarten (Fichte, Kiefer, Laub-Mischwald) durchgeführt. Die Ergebnisse, die dabei erzielt wurden, sehen vielversprechend aus. Es hat sich gezeigt, dass eine Klassifikationsgenauigkeit aus einem einzelnen Modell von ca. 75 % erreicht werden kann. Da aber mehrere verschiedene Modelle (die durch unterschiedliche Input-Datentypen entstanden sind) für die Klassifikation herangezogen wurden und anschließend die Ergebnisse aus allen Modellen von einem Baum zusammengeführt wurden, konnte eine Steigerung der Klassifikationsgenauigkeit bis zu 90 % erreicht werden.
Abschließend lässt sich sagen, dass die Verwendung der Deep Learning Technik für eine komplexe Aufgabe, wie die hier gezeigte Baumartenklassifikation auf Basis der ALS-Daten (mit geringe Punktdichte), einen vielversprechenden Lösungsansatz bietet.



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