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-81547
URL: http://www.freidok.uni-freiburg.de/volltexte/8154/


Heinzel, Johannes

Combined use of high resolution LiDAR and multispectral data for automated extraction of single trees and tree species

Kombinierte Verwendung von hochauflösenden LiDAR- und Spektraldaten zur automatisierten Extraktion von Einzelbäumen und Baumarten

Dokument1.pdf (13.438 KB) (md5sum: a044de2ec17ebc241465b68e133023a0)

Kurzfassung in Englisch

The research conducted within the framework of this thesis is briefly characterized by three major aspects. These are: (a) the main application related problems of delineating single forest trees and classifying tree species, (b) the combined use of high resolution airborne remote sensing data from most recent sensors, (c) the development and transfer of automated methods from pattern recognition.
The single tree, as the smallest and basic element of a forest, is the object of interest. It is of special importance for both economical and ecological forest related problems as well as for the aspiring discipline of precision forestry. Most recent remote sensing research therefore shows a strong and growing interest in overcoming the forest stand related scale and directly receiving information from these basic elements. A remarkable amount of studies working on a single tree scale deal with test sites located in boreal forests. Since the structure of boreal forest is, in general, simpler than the structure of a typical mid European temperate forest, algorithms for automated single tree extraction and species classification often fail when used in complex situations. The present work aims to improve these methods, in order to manage the denser and interlocking crowns of deciduous and mixed stands, as well as the more differentiated species composition of temperate forests.
Concerning the data issue, the main focus is on airborne light detection and ranging (LiDAR) and colour infrared (CIR) aerial images. Besides the use of general discrete LiDAR, this work also goes beyond the state of the art while exploiting information from full-waveform LiDAR data. Complex secondary datasets are derived from the raw data and, at a smaller scale, data from an up to date hyperspectral sensor is tested.
To reach the aim of full automation for all methods developed to solve the described problems, different techniques from pattern recognition are applied and improved. These particularly include procedures from the fields of mathematical morphology and pattern classification.

A summary of the major results presented within this thesis includes several points.
Firstly, a new approach concerning the single tree delineation offers a solution for the smoothing problem of common watershed delineation methods. Despite its methodological suitability, watershed segmentation proved to fail in difficult and dense forest stand situations. Therefore, the new method provides a prior crown size estimation to automatically determine the correct strength of smoothing of the input image. This improves the overall accuracy by approximately 30%.
Secondly, up to six tree species were successfully classified on a single tree appropriate scale. In doing so, comprehensive and far-reaching analyses of both classifiers and features have been carried out. This led to an extended attainment of information from the support vector machine (SVM) classifiers, a classification accuracy of nearly 90% for the main tree species and an exact extraction of the most relevant features.
Finally, the algorithms from species classification and single tree delineation were combined. This newly developed method of combination was subsequently used to correct erroneous polygons from single tree delineation. It resulted in a further improvement of up to 6% in accuracy for the single tree extraction.


Kurzfassung in Deutsch

Die im Rahmen dieser Dissertation durchgeführte Forschungsarbeit setzt sich aus drei wesentlichen Komponenten zusammen. Dies sind: (a) die anwendungsbezogenen Problemstellungen zur Delinierung von Waldbäumen sowie zur Baumartenklassifizierung, (b) die kombinierte Verwendung von hochauflösenden Fernerkundungsdaten neuester Sensoren, (c) die Weiterentwicklung und der Transfer von automatisierten Methoden aus der Mustererkennung.
Zentraler Gegenstand der Forschungsarbeit ist der Einzelbaum als kleinstes zugrunde liegendes Element eines Waldes. Aufgrund seiner ökonomischen und ökologischen Bedeutung im Forstbereich ist er auch für das sich rasch entwickelnde Spezialgebiet der ‘precision forestry’ von besonderem Interesse. Die aktuelle Forschung in der forstlichen Fernerkundung zeigt eine starke Tendenz zur Abkehr von bestandesbezogenen Untersuchungen, hin zum direkten Informationsgewinn aus diesen grundlegenden Einzelelementen. Eine auffallend große Anzahl an einzelbaumbezogenen Studien arbeitet jedoch auf Testflächen im borealen Nadelwald. Da dessen Struktur im Allgemeinen jedoch deutlich einfacher ist als die eines typischen mitteleuropäischen temperaten Waldes, funktionieren gängige Algorithmen zur Einzelbaumerkennung und Baumartenklassifizierung unter den komplexeren Bedingungen oft nur schlecht. Die vorliegende Arbeit möchte die Methoden dahingehend verbessern, für die dichteren und oft verzahnten Baumkronen der Laub- und Mischwälder, als auch für das umfangreichere Artenvorkommen, bessere Ergebnisse zu erzielen.
Bezüglich der verwendeten Daten liegt das Hauptgewicht auf flugzeuggetragenem Laserscanning (LiDAR) und Farbinfrarotluftbildern. Neben der Verwendung von gängigem diskretem LiDAR, geht die vorliegende Arbeit durch die explorative Analyse von Full-Waveform-Daten über den derzeitigen Stand der Forschung hinaus. Weiterhin werden aus den jeweiligen Rohdaten sekundäre Datensätze abgeleitet sowie, in kleinerem Umfang, die Verwendung von aktuellen Hyperspektraldaten getestet.
Um das Ziel einer möglichst vollständigen Automatisierung aller neu entwickelten Methoden zu erreichen, werden Techniken aus dem Bereich der Mustererkennung angewandt und verbessert. Dazu zählen insbesondere solche aus den Fachgebieten der Mathematischen Morphologie und der Musterklassifizierung.

Die Zusammenfassung der wichtigsten Ergebnisse dieser Arbeit umfasst mehrere Punkte.
Erstens wird mit einem neuartigen Ansatz im Bereich der Einzelbaumdelinierung, eine Lösung für das Glättungsproblem der gängigen Watershed-Segmentierung aufgezeigt. Trotz ihrer besonderen methodischen Eignung erwiesen sich die Ergebnisse der Watershed-Segmentierung in schwierigen und dichten Waldbeständen bisher als unzureichend. Daher bietet die neue Methode eine unabhängige Schätzung der Kronengröße, welche zur automatischen Bestimmung der richtigen Glättungsstärke des Eingabebildes genutzt wird. Dies verbessert die Gesamtgenauigkeit um durchschnittlich 30%.
Zweitens konnten bis zu sechs Baumarten in einem für Einzelbäume geeigneten Maßstab klassifiziert werden. Dabei wurden umfangreiche Analysen von Klassifikatoren und der zur Klassifizierung geeigneten Datenmerkmale durchgeführt. Dies führte zu einem erweiterten Informationsgewinn aus Support Vector Machine (SVM) Klassifikatoren, einer Klassifizierungsgenauigkeit von fast 90% für die Hauptbaumarten und einer genauen Bestimmung der wichtigsten Datenmerkmale.
Abschließend wurden die Algorithmen der Baumartenklassifikation mit denen der Einzelbaumdelinierung kombiniert. Diese neu entwickelte Kombinationsmethode wurde weiterhin zur Korrektur von fehlerhaften Polygonen der Einzelbaumdelinierung verwendet. Dadurch ergaben sich zusätzliche Verbesserungen der Einzelbaumerkennung von bis zu 6%.


SWD-Schlagwörter: Lidar , Objekterkennung , Luftbild , Fernerkundung , Automatische Klassifikation
Freie Schlagwörter (deutsch): Granulometrie
Freie Schlagwörter (englisch): Granulometry
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: 22.06.2011
Erstellungsjahr: 2011
Publikationsdatum: 06.07.2011
Indexliste