Comparative Analysis of Airborne Laser Scanning and Image Matching Point Clouds in Forestry: Enhancing Temporal Resolution using Machine Learning

Abstract

Luftgestützte Laserscanning-Punktwolken werden landesweit zur Erstellung digitaler Oberflächenmodelle und weiterführend zur Ableitung von Informationen über Waldgebiete verwendet. Diese Aufnahmemethode gilt bis dato als state-of-the-art bei der Aufnahme, vor allem in bewaldeten Gebieten. Da diese jedoch in Österreich und Europa zwar regelmäßig, jedoch selten erstellt werden, ist die Modellierung basierend auf Airborne-Laserscanning-Daten (ALS) von Waldparametern in hoher zeitlicher Auflösung schwierig. Insbesondere die Ableitung von dynamischen Informationen wie Biomasse oder der Zustand eines Baumbestandes nach Umweltereignissen wie Unwettern oder Waldbränden beziehungsweise das Monitoring von Schutzgebieten erfordert relativ hohe zeitliche Auflösungen. Luftbilder und daraus abgeleitete bildbasierte Punktwolken bieten eine Alternative, Oberflächenmodelle zu erstellen. Diese Daten werden in kürzeren Intervallen aufgenommen, wie etwa jährlich in Wien oder flächendeckend für Österreich alle drei Jahre. Vor allem in Gebieten mit hoher Vegetationsbedeckung wie Wälder führen die beiden Modellansätze zu unterschiedlichen Höhenwerten. Das Ziel dieser Arbeit ist es, diese Unterschiede zu quantifizieren und Möglichkeiten zu eruieren, die Image Matching (IM) Modelle an die ALS Modelle anzunähern. Zur Entwicklung und Evaluierung eines solchen Prozesses zur Minimierung der Höhenunterschiede wurde ein Gebiet innerhalb des Wienerwaldes im Bereich des Lainzer Tiergartens ausgewählt. Zunächst wurden aus den gegebenen Punktwolken der beiden unterschiedlichen Verfahren topographische Modelle, wie das normalisierte digitale Oberflächenmodell (nDSM), abgeleitet und innerhalb einer eigens definierten Kronendach-Maske statistische Parameter für verschiedene Kernelgrößen des IM nDSM berechnet. Diese Parameter wurden zusammen mit der bekannten Abweichung zwischen dem ALS- und IM-Modell verwendet, um eine Random Forest Regression für die Erstellung eines Anpassungsmodells der IM an die ALS Daten zu trainieren. Die Validierung, durchgeführt anhand dreier separat definierter Gebiete, zeigt eine Annäherung der Höhenwerte an das als Referenz verwendete Laserscanning-nDSM innerhalb der mit Baumkronen überschirmten Flächen. Diese Verbesserung zeigt eine Annäherung der beiden Modelle von etwa 77% bezogen auf den Median der Abweichungen zwischen dem angepassten und dem gegebenen Modell gegenüber der Ausgangssituation. In langgezogenen Lücken im Kronendach stößt die in Python implementierte Regressionsfunktion an ihre Grenzen und ist daher nicht in der Lage, die im IM-Modell nicht erkennbaren Lücken in bewaldeten Gebieten adäquat an das Laserscanning-Modell an diesen Stellen anzupassen.

Airborne laser scanning (ALS) point clouds are employed throughout the country for the generation of digital surface models and to derive further information about forested areas. This acquisition method is considered state-of-the-art up to now, especially in forested areas. However, as these are regularly but not frequently collected in Austria and Europe, modelling based on ALS data of forest parameters in high temporal resolution is difficult. In particular, the derivation of dynamic information such as biomass or condition of a tree population after environmental events such as storms or forest fires or the monitoring of protected areas requires relatively high temporal resolution. Aerial images, along with image-based point clouds derived from them, provide a further option for the creation of surface models. This data is recorded at shorter intervals, such as annually in Vienna or every three years for the entirety of Austria. Especially in areas with high vegetation cover such as forests, the two modelling approaches yield different elevation values. The aim of this study is to systematically quantify these differences and to investigate strategies to approximate IM models to the ALS models. For this investigation, a specific area within the Wienerwald, in the area of the Lainzer Tiergarten, was selected for the development and evaluation of such a process to minimise the height differences. Initially, topographic models, such as the normalised digital surface model (nDSM), were derived from the available point clouds. Statistical parameters for different kernel sizes of the image matching nDSM were then calculated within a specially defined canopy mask. These parameters, along with the known deviation between the laser scanning and image matching model, were used to train a random forest regression to create a model to fit the image matching with the airborne laser scanning data. The validation, conducted on three distinct areas, showed an approximation of the elevation values to the laser scanning nDSM utilised as a reference within the canopy mask. This improvement demonstrates a remarkable approximation of the two models of about 77% in relation to the median of the deviations between the adjusted and the given model compared to the initial situation. The image matching data shows its limitations in elongated gaps in the canopy, as the closing effects of small canopy gaps in forested areas pose challenges for the matching of the images. In such instances, the regression function cannot make any improvements.