Automatisierte Klassifikation von Dachbegrünung mit ALS in Wien

Abstract

Das Monitoring von Grünflächen gewinnt im urbanen Raum zunehmend an Bedeutung, um gezielte Maßnahmen gegen den Klimawandel und zur Reduktion seiner Auswirkungen auf Städte zu ermöglichen. Aus diesem Grund wurde in Wien ein Projekt zur Weiterentwicklung des städtischen Grünraummonitorings initiiert. Während die Begrünung des öffentlichen Raumes bereits durch z.B. den Baumkataster in hoher räumlicher Auflösung erfasst wird, sind andere Begrünungsmaßnahmen bislang nur eingeschränkt dokumentiert. Dazu zählen insbesondere Dachbegrünungen, deren Popularität in den letzten Jahren kontinuierlich zunimmt. Bisher erfolgte die Erfassung von Dachbegrünungen lediglich in Form einer binären Ja/Nein-Klassifikation pro Gebäude. Eine quantitative Detektion und weiterführende Differenzierung in Vegetationsklassen wie Bäume, Büsche, Wiese, überhängende Bäume oder versiegelte Dachflächen würde jedoch eine deutlich aussagekräftigere Grundlage für Planungs- und Monitoringmaßnahmen darstellen.Ziel dieser Masterarbeit ist die Entwicklung eines automatisierten Verfahrens zur detaillierten Klassifikation von Dachbegrünungstypen in Wien auf Basis aktueller Airborne-Laser-Scanning-(ALS)-Daten aus Juni 2023. Die Datenerhebung erfolgte während der Vegetationsperiode (Leaf-on), wodurch Daten vollständig entwickelter Vegetationsstrukturen gegeben sind. Neben geometrischen Informationen enthalten die ALS-Daten auch spektrale Informationen (RGBI), die eine erweiterte Analyse ermöglichen. Ergänzend werden Daten aus der Mehrzweckkarte der Stadt Wien in den Klassifikationsprozess integriert.Zur Validierung der Ergebnisse werden repräsentative Testgebiete im Wiener Stadtgebiet definiert. Für jede Begrünungsklasse werden geeignete Referenzflächen ausgewählt und manuell kartiert, wobei auf eine möglichst heterogene Zusammensetzung der versiegelten Dachflächen geachtet wird. Zur Differenzierung der charakteristischen Merkmale der Vegetationsklassen wird eine explorative statistische Analyse der ALS-Daten durchgeführt. Die effiziente Verarbeitung der Punktwolke erfolgt mittels eines Python-basierten Workflows unter Verwendung von OPALS-Modulen. Zur Beschränkung der Analyse auf Dachflächen wird die Punktwolke vor der Klassifikation mithilfe von Gebäudegrundrissen aus der Mehrzweckkarte maskiert. Die eigentliche Klassifikation erfolgt auf Basis eines regelbasierten Entscheidungsbaumes mit Schwellenwerten. Zusätzlich wird eine Vegetationskarte aus dem aktuellen Grünraummonitorings der Stadt Wien als weiteres Entscheidungsmerkmal zur Trennung von bewachsenen und unbewachsenen Flächen herangezogen.Als Endprodukt entsteht eine pixelbasierte Klassifizierungskarte der Wiener Dachflächen. Um die Qualität der Klassifikation zu bewerten, wird die erzeugte Karte mit manuell kartierten Referenzdaten verglichen. Die Validierung zeigt, dass je nach Testgebiet eine Overall Accuracy zwischen 0.84 und 0.96 erzielt wird. Diese Genauigkeitswerte bestätigen, dass der entwickelte Ansatz die unterschiedlichen Vegetations- und Dachtypen in den meisten Fällen zuverlässig identifiziert. Die resultierende Klassifizierungskarte bietet somit eine detaillierte und belastbare Darstellung des aktuellen Bestands an Dachbegrünungen in Wien. Sie stellt eine wertvolle Entscheidungsgrundlage für stadtplanerische Prozesse dar und unterstützt bei zukünftigen Maßnahmen im Bereich Klimaschutz und grüner Infrastruktur.

The monitoring of green spaces is becoming increasingly important in urban areas in order to take meaningful measures to combat climate change and mitigate its effects on urban areas. For this reason, this project was initiated to refine the monitoring of green spaces in Vienna. The greening of public spaces is already recorded in high spatial resolution by the tree register, whereas other greening measures are currently mapped to a much lesser extent. This also includes the greening of roofs, a greening measure that is currently becoming increasingly common. In the past, this mapping was only carried out as a binary yes/no classification, but a more detailed classification of the stock into categories such as tree, shrub, meadow, overhanging tree or sealed roof would be useful. To implement this project, this master thesis aims to develop an automated script for the detailed classification of green roof types in Vienna, which is to be carried out based on current airborne laser scanning (ALS) data from June 2023. The data was collected during the leaf on season and therefore offers an ideal basis, as the vegetation is fully developed at this time. In addition to geometric information, the ALS data also contains spectral data (RGBI information), which enables an extended analysis. In addition to the ALS data, data from the City of Vienna's multi-purpose area map will also be incorporated into the classification process described below. Relevant test areas in Vienna are to be defined to validate the results and to assess the quality of the classification. Representative areas for each greening class should be found and mapped, and the mix of sealed roof surfaces should be as heterogeneous as possible. To reliably identify the different types of vegetation, an explorative statistical analysis of the ALS data is carried out. Characteristic attributes of the individual vegetation classes are extracted and analyzed. To handle and process the point cloud efficiently, a Python script based on OPALS modules is developed. To include only the roof areas in the analysis, the point cloud is clipped with a mask before classification using the building polygons from the multi-purpose area map. Expert-based decision trees and thresholds will be combined in this script to further automate the classification. For further optimization, a vegetation map derived in another ongoing project will also be used as an additional decision feature to distinguish between vegetated and non-vegetated areas.The final output of this study is a pixel-based classification map of roof surfaces in Vienna. To assess the quality of the classification, the generated map is compared with manually mapped reference data. The validation results indicate that, depending on the test area, an overall accuracy between 0.84 and 0.96 is achieved. These accuracy values confirm that the proposed approach reliably identifies the different vegetation and roof types in most cases. The resulting classification map therefore provides a detailed and robust representation of the current state of green roofs in Vienna. It serves as a valuable decision-support tool for urban planning processes and supports future measures in the fields of climate protection and green infrastructure.