Baumhöhenbestimmung aus ALS-Daten in stark geneigtem Gelände

Abstract

Baumhöhen aus Airborne Laserscanning, die aus einem Canopy Height Model berechnet werden, zeigen in stark geneigtem Gelände systematische Abweichungen. Ein wesentlicher Grund ist, dass die Kronenspitze meist korrekt erkannt wird, die Höhenreferenz unter der Krone jedoch stets vertikal zum Relief bestimmt wird und damit nicht dem Stammfuß entspricht. Diese Arbeit untersucht diesen Effekt im Europaschutzgebiet Rohrach in Vorarlberg und entwickelt eine Korrektur für ALS-Baumhöhen, die ausschließlich Merkmale aus den ALS-Daten nutzt.Das Untersuchungsgebiet umfasst rund 105 ha und weist ein sehr steiles Relief auf. 37,6 Prozent der Fläche liegen über 30 Grad Hangneigung. Es stehen ein sehr dichter UAV-LiDAR-Datensatz mit etwa 4.380 Punkten je Quadratmeter und ein ALS-Datensatz mit etwa 40 Punkten je Quadratmeter zur Verfügung. Aus den UAV-Daten werden Referenzbaumhöhen automatisiert berechnet. Dazu werden Einzelbäume segmentiert, Baumspitzen bestimmt und Stammfußpunkte über einen kürzesten Pfad nach Dijkstra in einem Graphen aus Punktwolken- und DTM-Knoten gesucht. Die Baumhöhe wird als vertikale Differenz zwischen Baumspitze und Stammansatzpunkt definiert. UAV- und ALS-Bäume werden über Baumspitzen gematcht, indem ein Suchzylinder mit 2 m mal 2 m Querschnitt an der Baumspitze verwendet wird. Es entstehen 5.418 eindeutige Paare.Für die Korrektur wird ein lineares Ensemble aus Random Forest und Histogram Gradient Boosting trainiert. Zusätzlich werden Bäume in Bereichen mit hoher Hangneigung sowie in Zonen mit stark variierender Geländehöhe innerhalb eines lokalen Umfelds höher gewichtet, und die Korrekturwerte werden kalibriert. In einer räumlich getrennten Kreuzvalidierung innerhalb der Trainingsgebiete sinkt der MAE von 0,97 m auf 0,37 m und der RMSE von 1,59 m auf 0,57 m. Das 99. Perzentil der absoluten Fehler sinkt von 6,11 m auf 1,97 m und der Bias liegt bei 0,002 m. Im unabhängigen Testgebiet sinkt der MAE von 1,21 m auf 0,76 m und der RMSE von 1,95 m auf 1,16 m. Das 99. Perzentil sinkt von 7,74 m auf 3,99 m und der Bias von 0,96 m auf 0,11 m. Damit werden sowohl systematische Überhöhungen als auch seltene Extremfehler reduziert und ALS-Baumhöhen werden in steilem Gelände robuster nutzbar.

Tree heights derived from airborne laser scanning and computed from a canopy height model show systematic deviations in steep terrain. A key reason is that the treetop is usually detected correctly, while the height reference below the crown is always determined vertically to the terrain surface and therefore does not correspond to the stem base. This thesis investigates this effect in the Rohrach European protected area in Vorarlberg and develops a correction for ALS tree heights that uses only features from the ALS data.The study area covers about 105 ha and has very steep terrain. 37.6 percent of the area exceeds a slope of 30 degrees. A very dense UAV LiDAR data set with about 4,380 points per square meter and an ALS data set with about 40 points per square meter are available. Reference tree heights are computed automatically from the UAV data. Individual trees are segmented, treetops are identified, and stem base points are found using a shortest-path approach following Dijkstra on a graph of point-cloud and DTM nodes. Tree height is defined as the vertical difference between treetop and stem base point. UAV and ALS trees are matched using treetops by applying a 2 m by 2 m search cylinder at the treetop. This yields 5,418 unique pairs.For the correction, a linear ensemble of Random Forest and Histogram Gradient Boosting is trained. In addition, trees in areas with high slope and in zones with strongly varying terrain elevation within a local neighborhood are weighted more strongly, and the correction values are calibrated. In a spatially separated cross-validation within the training areas, the MAE decreases from 0.97 m to 0.37 m and the RMSE decreases from 1.59 m to 0.57 m. The 99th percentile of absolute errors decreases from 6.11 m to 1.97 m and the bias is 0.002 m. In the independent test area, the MAE decreases from 1.21 m to 0.76 m and the RMSE decreases from 1.95 m to 1.16 m. The 99th percentile decreases from 7.74 m to 3.99 m and the bias decreases from 0.96 m to 0.11 m. This reduces both systematic overestimation and rare extreme errors, and ALS tree heights become more robust for use in steep terrain.