Direkt zum Inhalt | Direkt zur Navigation

Eingang zum Volltext

Lizenz

Bitte beziehen Sie sich beim Zitieren dieses Dokumentes immer auf folgende
URN: urn:nbn:de:bsz:25-opus-78944
URL: http://www.freidok.uni-freiburg.de/volltexte/7894/


Gupta, Sandeep

Single tree detection and modeling using airborne laser scanner data

Erkennung und Modellierung von Einzelbäumen auf Basis von flugzeuggetragenen Laserscannerdaten

Dokument1.pdf (6.950 KB) (Doctoral Thesis) (md5sum: 2f073f300d77593cbdefb0dfaecbea32)

Kurzfassung in Englisch

The increasing demand for single tree based information, as a basis to improve forest management practices, is the motivation behind the development of single tree detection and modeling techniques that processes airborne laser scanning (ALS) data. Most tree detection algorithms are raster based while fewer employ vector-based approaches. Among the vector-based methodologies, little attention has been paid on the potential of clustering mechanisms. Clustering since long has been considered as a pattern classification technique that groups similar patterns using a chosen distance measure. The k-means has been considered as a staple of clustering algorithms and has been found useful in tree detection.
The work presented in this thesis includes qualitative comparison of two different clustering algorithms in detecting three-dimensional (3-D) ALS points that pertain to individual tree clusters as a first step. In the subsequent studies, a supervised k-means method, in its modified form, was utilized for ALS-based single tree detection in varying temperate and boreal forest conditions. The simple k-means method is not suitable for returned ALS points from the complex canopy structures of forest. It was observed that an empirical height reduction constant, when applied to ALS data, helped in minimizing the local bias while computing the cluster via k-means. As a means of local adaptations, sigma (σ) and distance threshold parameters were adjusted in the pre-processing steps. This was done to deal with the data acquired under different forest conditions. The σ has been used during Gaussian smoothing on digital surface model (DSM) and the distance threshold in the search algorithm for removing unwanted the local maxima. The extracted clusters were geometrically reconstructed into 3-D convex polytopes. The shape of the polytope is a gross representation of the ALS data distribution in a cluster. The accuracies of the results were assessed using well-defined validation procedures except for the first study where field inventory data was unavailable. In the last study, tree detection algorithms were qualitative and quantitative compared.
The studies in different forest conditions showed that the algorithm has performed well in position and height based estimation of coniferous trees. More than 80% of pine trees were detected through the modified k-means approach. However, the detection was lower in the case of young Scots pine (50-60%). In the deciduous dominating German test sites, the variations in the producer’s and user’s accuracies varied between 40% to 65% and 36% to 42%, respectively. Whereas, in mixed species plots, the producer’s and user’s accuracies varied between 37% to 72% and 23% to 51%, respectively. The various studies showed that the algorithm performed better for upper-tier trees than trees lying in the lower strata. This was probably due to the absence of seed points which are being computed from top of the given surface. An increased rate of detection due to parameter adjustments coupled often with raised commission errors. The results of the comparison between different algorithms showed notable differences between the methods in tree detection rates rather than in height estimation accuracies. The algorithms developed by the investigator performed better in German forest conditions compared to Scandinavian test sites.
In certain cases, inaccurate field data were the cause of concern while validating the results. The inaccuracies in the field data can be attributed to the differences between the GPS supporting devices that have been used during airborne and field measurements within the forest. The modified k-means method in its present form depends on the local maxima for seed points, which in turn, are derived from the surface models. A tailored-made k-d tree based density classifier is suggested to be used in future as a possible alternative.
The quality of the final solution largely depends on the forest condition, sensor parameters, ALS point density, seed point selection and the local parameter settings. The distribution and density of ALS points has a direct effect on the clustering and geometric reconstruction. ALS data of high density and small footprints are useful in better clustering and geometric reconstruction. In the future, ALS-based tree level inventory may involve the development of adaptive rule sets for different forest conditions, use of associated ALS parameters like intensity, pulse width and number of returns, partitioning the objects at different height quintiles, and further development of single tree algorithm.


Kurzfassung in Deutsch

Die Hauptmotivation für die in dieser Arbeit vorgestellten Verfahren zur Einzelbaumerkennung aus Laserdaten und den damit verbundenen Modellierungsmethoden liegt im steigenden Bedarf an Einzelbaum basierten Daten, die zur Verbesserung forstlicher Bewirtschaftungsmethoden beitragen sollen. Während die meisten existierenden Algorithmen auf Methoden beruhen, die mit Rastern arbeiten, gibt es nur wenige Ansätze, die Vektoren verwenden. Unter den wenigen auf Vektoren beruhenden Verfahren wurden Mechanismen aus dem Bereich des Clusterings nur wenig Beachtung geschenkt. Clustering ist schon seit langem als ein Verfahren zur Erkennung und Klassifizierung von ähnlichen Mustern bekannt. Dabei werden Regionen (innerhalb eines Bildes, oder einer Vektorenmenge), die sich in ihren jeweiligen Eigenschaften ähnlich sind anhand eines Distanzmaßes zu Klassen zusammengefasst. Das k-Means Verfahren ist das bekannteste Clustering-Verfahren und wurde bereits erfolgreich in der Einzelbaumerkennung verwendet.
Die vorgelegte Arbeit umfasst in einem ersten Schritt einen qualitativen Vergleich von zwei verschiedenen Clustering-Verfahren zur Detektion von 3D-Laserpunkt-Gruppen, die jeweils zu einem einzelnen Baum gehören. Anschließend wurde ein der Verfahren, eine modifizierte, überwachte Version des k-Means Verfahren verwendet, um eine Einzelbaumerkennung in temperierten und borealen Wäldern unter sich verändernden Bedingungen durchzuführen. Es wurde beobachtet, dass das einfache k-Means Verfahren für die komplexe Anordnung der Reflektionen des Lasers in Kronendächern nicht geeignet ist. Es wurde festgestellt, dass eine empirisch bestimmte Konstante zur Reduktion der Höhe der Laserdaten hilfreich für die Minimierung von systematischen lokalen Abweichungen während der Berechnung der Cluster mit k-Means ist. Um lokalen Gegebenheiten in den jeweiligen Untersuchungsgebieten gerecht zu werden, wurden die Parameter sigma (σ) und Schwellwerte der Distanzfunktion jeweils in Vorverarbeitungschritten an den jeweiligen Datensatz angepasst. Dabei wurde σ während der Anwendung von Gausschen Filtern auf digitale Oberflächenmodelle eingesetzt und die Distanzschwellwerte in einem Algorithmus verwendet, der der Beseitigung nicht gewollter lokaler Maxima dient. Die extrahierten Cluster wurden nach Beendigung der Vorverarbeitungsschritte und des Clusterings geometrisch in konvexen 3-D Polytopen rekonstruiert. Die Form des Polytops repräsentiert einen Großteil der Laserpunktverteilung innerhalb eines Clusters. Die Genauigkeiten der Ergebnisse wurden in allen Verfahren bis auf das erstgenannte, da hier keine Referenzdaten aus dem Feld zur Verfügung standen, anhand von sorgfältig definierten Validierungsverfahren bestimmt. In der letzten Untersuchung wurden die Algorithmen zur Einzelbaumerkennung qualitativ und quantitativ verglichen.
Die Ergebnisse der Studien zeigen, dass der entwickelte Algorithmus gute Ergebnisse bei der Einzelbaumerkennung, basierend auf Positions- und Höhenschätzungen in Nadelwald liefert. Mehr als 80% der Kiefern konnten durch das modifizierte k-Means Verfahren korrekt bestimmt werden. Allerdings zeigte sich, dass der Algorithmus in jungen Kiefernbeständen weniger effizient ist (ca. 50-60% korrekte Erfassung). In den von Laubwald dominierten Testflächen in Deutschland variierten die Ergebnisse von „Producers“ und „Users accuracy“ zwischen 40% und 65% bzw. 36% und 42%. Auf Testflächen mit Mischwald hingegen, variierten „Producers“ und „users accuracy“ zwischen 37% und 72% bzw. 23% und 51%. Die verschiedenen Untersuchungen zeigten, dass der Algorithmus grundsätzlich für Bäume in den höheren Bereichen des Kronendaches besser funktioniert als für unterständige Bäume. Vermutlich rührt dies von fehlenden Startpunkten für den Algorithmus her, welche beginnend von oberhalb der zu untersuchenden Oberfläche bestimmt werden. Eine durch Anpassung der Parameter gesteigerte Zahl an erkannten Bäumen war häufig mit einer Vergrößerung der Zahl an falsch detektierten Einzelbäumen verknüpft. Die Resultate der Vergleiche verschiedener Algorithmen zeigten vor allem signifikante Unterschiede der Methoden bei den Baumerkennungsraten. Die Unterschiede bei der Genauigkeit der Abschätzung der Höhe waren geringer. Die entwickelten Algorithmen lieferten auf Testflächen aus Deutschland (und den damit verbundenen Waldbedingungen) bessere Ergebnisse als auf den Testflächen aus Skandinavien.
In gewissen Fällen, führten ungenaue Referenzdaten zu Problemen während der Validierung. Die Ungenauigkeiten bei den Referenzdaten sind auf die unterschiedlichen GPS-Empfänger während der Befliegungen und der Feldaufnahmen zurückzuführen. Die modifizierte Version des k-Means Algorithmus in seiner jetzigen Form ist von den lokalen Maxima der „Startpunkte“, die wiederum mit der Hilfe von Oberflächenmodellen gewonnen werden abhängig. Eine Alternative zur Gewinnung der „Startpunkte“ wäre die Verwendung eines auf den k-d Algorithmus basierenden Verfahrens zur Bestimmung der Baumdichte.
Die Qualität der vorgelegten engültigen Version des Verfahren ist stark von den Waldbedingungen, den Sensorparametern, der Punktdichte der Laserdaten, der Auswahl der „Startpunkte“ und der lokalen Parametereinstellungen abhängig. Die Verteilung und Dichte der Laserpunkte hat einen unmittelbaren Effekt auf das Clustering und die geometrische Rekonstruktion. In der Zukunft könnten auf Laserdaten beruhende Einzelbaum¬inventur-verfahren durch die Entwicklung von adaptiven Parametersets für unterschiedliche Waldbedingungen und die Unterteilung der Zielobjekte in verschiedene Höhenstufen verbessert werden. Zusätzlich liegen in der Integration von weiteren aus Laserdaten verfügbaren Informationen wie Intensität, Impulsdurchmesser und Anzahl von Reflektionen sowie in der Weiterentwicklung der Detektionsalgorithmen Potentiale für zukünftige Studien.


SWD-Schlagwörter: Fernerkundung , Forstwirtschaft , Mustererkennung , 3D Modellierung
Freie Schlagwörter (deutsch): LIDAR , Einzelbaum , Muster , Clustering , 3D Rekonstruktion
Freie Schlagwörter (englisch): LIDAR , Single Tree , Pattern , Clustering , 3D Reconstruction
NASA Thesaurus remote sensing
Institut: Institut für Forstökonomie
Fakultät: Fakultät für Forst- und Umweltwissenschaften
DDC-Sachgruppe: Land- und Forstwirtschaft, Veterinärmedizin
Dokumentart: Dissertation
Erstgutachter: Koch, Barbara (Prof. Dr.)
Sprache: Englisch
Tag der mündlichen Prüfung: 07.12.2010
Erstellungsjahr: 2010
Publikationsdatum: 07.01.2011
Bemerkung: This is a cumulative doctoral thesis that includes the summary of the published research works alongwith five publications.
Indexliste