Search

Laser Scanning ist eine qualitative Technologie um topografische Daten zu erfassen und darzustellen und bietet auch für Forstanwendungen mehrere Vorteile. Informationen über die Größe der Waldflächen, den Holzvorrat und baumspezifische Parameter wie Lage, Höhe, Kronenfläche, Kronendurchmesser, Stammumfang und Baumart sind die Basis für ein ökologisches Waldmanagement. Das Ziel dieser Arbeit ist die Abschätzung und Analyse des Forstbestandes der Illwerke vkw AG. Es wird eine Einzelbaumdetektion durchgeführt, um das Gefahrenpotential einzelner Bäume zu identifizieren und entsprechende Parameter für jeden Baum zu bestimmen. Ein mögliches Risiko ist die Beschädigung von kritischer Infrastruktur durch umfallende Bäume. Die Ergebnisse der Forstanalyse sollen als Input für den Waldmanagementplan und weitere Analysen dienen. Die mittels Airborne Laser Scanning (ALS) erfassten Punktwolken sind die Eingangsdaten um die Baumpositionen zu bestimmen. Diese werden als lokale Maxima auf einem aus den Punktwolken abgeleiteten Oberflächenmodell detektiert. Durch Verwendung von digitalen Geländemodellen kann mit der Baumposition auch die Baumhöhe bestimmt werden. Bestehende Forstinventuren werden als Referenzdaten eingesetzt um Modelle zu kalibrieren und den Holzvorrat und den Brusthöhendurchmesser abzuleiten. Zusätzlich sollen auch die Hauptbaumarten auf Einzelbaumniveau bestimmt werden. Für die Baumartenklassifizierung werden zusätzlich zu den ALS-Daten auch Orthophotos (RGB und Infrarot Kanäle) eingesetzt. Die Klassifizierung wird mit unterschiedlicher Datenbasis durchgeführt, um zu beurteilen, wie sich die Ergebnisse unterscheiden. Die Automatisierbarkeit der Analyse soll durch die Realisierung als Python Script gegeben werden. Es wird über die ArcGIS API for Python auf ArcGIS Module zugegriffen. Das Ziel der Arbeit ist es, die Klassifizierung nach Baumarten durch den Einsatz eines Machine Learning Tools durchzuführen. Die Proof of Concept Gebiete werden so situiert, dass mehrere kleine Gebiete unterschiedlicher Seehöhe und Baumarten gewählt werden, um Waldflächen unterschiedlicher Eigenschaften zu berücksichtigen. Für diese Arbeit wurde eine Wahl von sieben Referenzgebieten getroffen, in denen Bäume eingemessen und Baumparameter dokumentiert wurden. Diese Daten wurden für die Validierung derEinzelbaumdetektion und die Erstellung des Modells zur Baumartenklassifizierung eingesetzt. Durch die oben vorgestellte automatische und wiederverwendbare Analyse wird eine Digitalisierung der Forstinventur geschaffen und somit kann die Pflege und Erhaltung der Wälder verbessert werden. Nach Validierung der Methode mit den Referenzdaten konnte für die Einzelbaumdetektion eine Detektionsrate von 75% erreicht werden. In Nadelwäldern konnten teilweise auch bessere Ergebnisse erreicht werden. In Gebieten mit vielenLaubbäumen konnte teilweise nur eine Genauigkeit unter 70% erlangt werden. Bei der Klassifizierung der detektierten Einzelbäume in die Hauptbaumartengruppen Fichte, Tanne, Laub und andere Nadelbäume konnte eine Modellgenauigkeit von 71% erreicht werden., Laser scanning is a technology to capture and display topographical data. It also offers several advantages for forest applications. Information about the size of the forest areas, the wood stock and tree-specific parameters such as location, height, crown area, crown diameter, trunk circumference and tree species are the basis for ecological forest management. Aim of this work is the assessment and analysis of the forest population for the Illwerke vkw company. An individual tree detection is carried out in order to identify the risk potential of individual trees and to determine the corresponding parameters for each tree. A potential risk would be the damage of critical infrastructure from falling trees. The results of the forest analysis can be used for forest management and further analyses. The Airborne Laser Scanning (ALS) point clouds are the input data to determine tree positions. These are detected as local maxima on a surface model derived from the pointclouds. By using digital terrain models, the tree height can be determined for each tree position. Existing forest inventories are used as reference data to calibrate models and derive timber stock and diameter at breast height. In addition, the main tree species should also be determined at the individual tree level. In addition to the ALS data, orthophotos (RGB and infrared channels) are used for the tree species classification. The classificationis performed with different databases to assess how the results differ. The automation of the analysis is given by the implementation as a Python script. ArcGIS modules are accessed through the ArcGIS API for Python. The aim of this work is to use a machine learning tool to carry out the classification of tree species. The proof of concept areas are situated in such a way that several small areas of different altitudes and tree species arechosen to take forest areas with different characteristics into account. A choice of seven reference areas is made in which trees were surveyed and tree parameters documented. This data is used to validate the single tree detection and to build the tree species classification model. The automatic and reusable analysis presented above creates a digitalization of the forest inventory and thus the management and preservation of the forests can be improved. After validation of the method with the reference data, a detection rate of 75% was achieved for single tree detection. Better results were reached in coniferous forests. In areas with many deciduous trees, an accuracy of less than 70% was achieved. When classifying the detected individual trees into the main tree species spruce, fir, deciduous and other conifers, a model accuracy of 71% was achieved.

Heute stehen neben den terrestrischen Kontrollstichproben (KSP) immer mehr flächendeckende Fernerkundungsdaten zur Verfügung, selbst die Swisstopo plant in naher Zukunft eine schweizweite LiDAR-Befliegung. Am Montagskolloquium an der ETH vom 9. Januar 2017 wird die Frage "Ist die Kombination der KSP mit Fernerkundungsdaten das perfekte Duo für die Bereitstellung von Waldinformationen im 21. Jahrhundert?" behandelt. Das Methodenseminar dient der praktischen Vertiefung. Die Teilnehmenden werden anhand eines Workflows von der Aufbereitung der Geodaten bis hin zur statistischen Auswertung an die Thematik herangeführt. In einem ersten Schritt wird eine Vorratskarte berechnet, im zweiten Schritt werden Vorratsschätzungen auf ausgewählten Managementeinheiten vorgenommen., Methodenseminar, 271

Auf Grund der rasanten technologischen Entwicklung im Bereich der Sensorik sowie der Computerhard- und -software haben sich in den letzten Jahren neue Perspektiven zur Erforschung von Wäldern ergeben. Im Rahmen dieser durch die High-Tech-Offensive Bayern geförderten Arbeit wurde deshalb untersucht, inwieweit sich der Einsatz neuer Technologien zur automatisierten Erfassung von Waldstrukturen eignet. Als Voraussetzung dafür wurde zunächst ein Referenzgebiet zum Testen von Fernerkundungssensoren aufgebaut. Die Datenerhebung erfolgte in vier Testgebieten mit einer Gesamtfläche von 3.000 ha im Nationalpark Bayerischer Wald. Die Testgebiete umfassen alle charakteristischen Waldgesellschaften (Hochlagenfichtenwald, Bergmischwald, Aufichtenwald) und repräsentieren sowohl die Natur- als auch die Entwicklungszone. Es wurden die folgenden Fernerkundungsdaten erfasst: Laserscanner (Sommer- und Winterbefliegung), Digitale Bilder, Zeilenscanner, Luftbilder (farb und farbinfrarot); Interferometrisches Radar (X-, L-, und P-Band). Zusätzlich wurde eine umfangreiche Bodenreferenz zur Verifikation der Fernerkundungsdaten erhoben. Sie besteht aus 45 hochgenau (± 5cm) eingemessenen Referenzflächen (0,1 - 0,4 ha), 34 Referenzbeständen (0,4 – 6,1 ha), sowie 686 Inventurpunkten der permanenten Stichprobeninventur (±5 m) und einer flächendeckenden Kartierung von Waldentwicklungsstadien. Mit Laserscanning ist es möglich, die Bodenoberfläche sehr genau zu bestimmen, besser als das mit herkömmlichen forstlichen Verfahren möglich ist. Das aus den Radardaten abgeleitete Bodenmodell erreicht nicht diese Genauigkeit, da es in Beständen mit einer Höhe von über 20 bis 30 m nicht den tatsächlichen Geländeverlauf wiedergibt. Auch bei der Bestimmung der Bestandesoberfläche ist Laserscanning allen anderen Verfahren in Bezug auf Auflösung und Genauigkeit überlegen. Vielversprechend sind auch Oberflächenmodelle, die aus digitalen Luftbildern durch Bildkorrelation berechnet werden konnten. In Laubwaldbereichen wird damit eine vergleichbare Genauigkeit wie bei Lasersystemen erreicht. Allerdings wurden bei Nadelbäumen die Baumwipfel und die dazwischen liegenden Bereiche durch den Filteralgorithmus abgeschnitten. Die Auflösung und Genauigkeit der Oberflächenmodelle aus InSAR-Daten ist deutlich geringer (5 m). Im Gegensatz zum Laserscanning liefert Radar eine gemittelte Bestandeshöhe. Radardaten eignen sich daher weniger für präzise lokale Angaben, sondern können nur zur Ableitung von Bestandesmittelhöhen verwendet werden. Darüber hinaus hängt die Eindringtiefe der Radarwellen auch von den Eigenschaften der untersuchten Beständen, wie Dichte und Baumartenzusammensetzung, ab. Für das automatisierte Erkennen von Einzelbäumen und die Ableitung von Baumparametern wurden drei verschiedene Verfahren getestet. Während Template Matching und der Fractal Net Evolution Algorithm nicht zu befriedigenden Ergebnissen führten, konnten mit Watershed Algorithmen gute Resultate erzielt werden. Mit diesem Verfahren wurden 86 % des terrestrischen Holzvolumens der Referenzbestände erkannt. Auch die aus den Laserscanningdaten ermittelten individuellen Baumhöhen (RMS-Fehler 3,3 %), Kronen- (RMS-Fehler 10,3 %), und Brusthöhendurchmesser (RMS-Fehler 12,5 %) sowie das Einzelstammvolumen (RMS-Fehler 28,2 %), konnten bestimmt werden. Laub- und Nadelbäume wurden mit einer Genauigkeit von über 90 % unterschieden. Des Weiteren wurde untersucht, inwieweit sich forstliche Bestandesparameter aus Laserscanningdaten unabhängig von der Delinierung von Einzelbäumen mit einem statistischen Ansatz schätzen lassen. Auf der Ebene von 20 x 20 m großen Probequadraten lagen die ermittelten RMS-Fehler für die Baumhöhen bei 5 %, für die Brusthöhendurchmesser bei 10 % und für den Vorrat sowie verschiedene Bestandesdichteindizes zwischen 10 und 20 %. Durch Stratifizierung der Probeflächen in Laub-, Nadel- und Mischwald konnte das Ergebnis deutlich verbessert werden. Darüber hinaus wurde ein Verfahren zur automatisierten Erfassung von Totholzflächen aus Luftbildern entwickelt. Die Klassifikationsgenauigkeit erreichte über 90 %, so dass das Verfahren in den operationellen Einsatz überführt werden kann. Weniger gut waren die Resultate bei der automatisierten Kartierung von Waldentwicklungsstadien. Hier wurde nur eine Klassifikationsgenauigkeit von 70 % erreicht. Es zeigte sich jedoch, dass die Klassifikationsgenauigkeit durch die ungenaue Kartierung im Rahmen des Waldbegangs beeinflusst wird. So erreichten die terrestrischen erhobenen Daten nur eine Genauigkeit von 74 %. Aus den Ergebnissen dieser Arbeit kann gefolgert werden, dass die Kombination von Laserscanningdaten und digitalen Bildern gut für den Einsatz bei Waldinventuren bis zur Einzelbaumebene geeignet ist. Da die Kosten für die Datenbeschaffung in den letzen Jahren deutlich gesunken sind, ist davon auszugehen, dass automatisierte Methoden der Fernerkundung schon in naher Zukunft eine große Rolle bei Waldinventuren spielen werden. Due to rapid technological developments in the area of sensory technology, as well as in computer hardware and software, new perspectives have opened for forestry research over the past several years. Within the framework of this research, which has been supported through the „Bavarian High-Tech Offensive“, therefore, our work has been to find out to what degree these new technologies can be employed for automatic surveys of forest structure. As a prerequiste for this study, it was first necessary to establish a reference area for the testing of remote sensing equipment. Data collection was achieved in four test areas encompassing a total of 3,000 ha in the Bavarian Forest National Park. The test areas include all of the characteristic forest communities (high elevation spruce forest, mixed mountain forest, floodplain spruce forest) and respresent both the natural and development zones. The following remote sensing data was collected: laser scanner (summer and winter flights), digital photography, line scanner, aerial photography (colour and infrared), and interferometric radar (X, L and P bands). In addition, detailed ground reference data was collected in order to be able verify the remote sensing results. The data was taken at 45 precisely (± 5 cm) measured reference areas (0.1 – 0.4 ha), 34 reference stands (0,4 – 6,1 ha), 686 inventory points from the permanent spot testing inventory, and an area-wide survey of forest development stages. With laser scanning, it is possible to determine the ground surface with great accuracy and even better than with conventional forestry practices. The ground model obtained by radar data does not approach this level of accuracy. In stands with tree heights of 20 m to 30 m, it does not represent the actual profile of the terrain. For the measurment of a stand’s upper surface, laser scanning yields a degree of resolution and a level of accuracy which are also superior to the results produced by other methods. Surface models calculated through digital image correlation using digital aerial photographs are also promising. In deciduous forest areas, the accuracy of this method is similar to that of laser systems. With conifers however, the peaks of the trees and the intermittent areas are cut off by the filter algorithm. The resolution and accuracy of the surface models from InSAR data are significantly poorer (5 m). In contrast to laser scanning, radar delivers an averaged value for the stand height. Radar data, therefore, are less appropriate for the measurement of precise local information and can only be used for the deduction of average stand heights. Furthermore, the penetration of radar waves is also dependent on such characteristics of the investigated stands as density and species composition. Three different methods were tested for determining the automated recognition of individual trees and the derivation of tree parameter. While neither template matching nor the fractal net evolution algorithm were able to produce satisfactory values, watershed algorithms were found to yield good results. Employing this mehtod, it was possible to identify 86% of the terrestrial timber volume of the stands in the reference areas. Values, which had been calculated using laser scanning, such as individual tree height (RMS error 3.3 %), crown diameter (RMS error 10.3 %), breast height diameter (RMS error 12.5 %) and individual trunk volume (RMS error 28.2 %) could also be determined. Deciduous and coniferous trees could be distinguished with an accruacy of 90 %. Further investigations were performed to determine to what degree it might be possible to estimate forestry stand parameters derived from laser scanning data using a stastistical approach rather than depending on the delineation of individual trees. For 20 x 20 m sample quadrants, the calculated RMS errors were 5 % for tree height, 10% for diameter breast hight, and between 10 % and 20 % for the volume and various other stand density indices. Stratification of the sample areas in deciduous, coniferous and mixed stands helped to yield more accurate results. Furthermore, a method for the automated recognition of dead wood areas using aerail photographs was also developed. The accuracy of classification exceeded 90 %, making it possilbe to adopt this method for operational use. Less satisfactory were the results for the automated survey of forest development stages. The accuracy of classification reached a value of only 70 %. It could be demonstrated, however, that inexact surveys performed during the forest inspection also had an influence the accuracy of classification. Data collected in the terrestrial surveys attained an accuracy of only 74 %. As a result of these studies, it is possible to conclude that a combination of laser scanning data and digital photographs is well suited for application in forest inventories down to the indivual tree level. Now, that the costs for the collection of this data have gone down considerably in the past few years, it may be assumed that automated methods for remote sening will be playing an important role in forest inventories in the near future.

Der Zuwachs an Holz ist eine zentrale Größe zur ökonomischen und ökologischen Steuerung eines Forstbetriebes. Die Entwicklung von Modellen zu seiner Bestimmung beschäftigt deshalb schon seit langem die forstliche Forschung. Die erste Form solcher Modelle waren Ertragstafeln, die die Güte eines Standorts und damit dessen Zuwachspotential durch den auf ihm stockenden Bestand bestimmen. Die heute gebräuchlichen Tafeln wurden zum Großteil in der Mitte des 20. Jahrhunderts konstruiert. Sie geben nur noch ein ungenügendes Abbild des aktuellen Zuwachsgeschehens. Dennoch besitzen Ertragstafeln in der Praxis immer noch große Bedeutung. Ziel der Arbeit war es deshalb, Erkenntnisse zu gewinnen, wie hoch die Diskrepanz zwischen dem aktuell geleisteten Zuwachs und der Zuwachsprognose aus Ertragstafeln ist und durch welche Einflussfaktoren sie bestimmt wird. Diese Einflussfaktoren sollen zur Konstruktion von Modellen zur Korrektur von Ertragstafelprognosen verwendet werden. Zuwachsdaten von hoher statistischer Genauigkeit bieten die ersten Wiederholungsaufnahmen der permanenten Stichprobeninventur in 25 Betrieben der Bayerischen Staatsforstverwaltung und einiger anderer Eigentümer. Sie dienen als Referenzgröße für den Zuwachs der vergangenen 15 Jahre. Ihre prozentuale Abweichung zur entsprechenden Ertragstafelprognose ist die abhängige Variable für vier verschieden Formen von Regressionsmodellen, die jeweils für die Baumarten Fichte, Kiefer, Tanne, Europäische Lärche, Buche und Eiche formuliert werden. Als unabhängige Variablen gehen Daten zur Bestandesstruktur sowie Informationen aus der Standortskartierung in die Regressionsmodelle ein. Über das digitale Höhenmodell können jedem Stichprobenpunkt Höhe über N.N., Exposition und Hangneigung zugeordnet werden. Daten aus der Waldzustandserhebung bieten Informationen über den Nadel-/Blattverlust eines Bestandes. Von Stichprobenpunkten der Waldbodeninventur stehen Daten über die jährliche Stickstoffdeposition zur Verfügung. Die Aufnahmeraster von Waldzustandserhebung und Waldbodeninventur sind nicht deckungsgleich mit dem Inventurgitter der permanenten Stichprobe. Deshalb werden mittels einer geostatistischen Methode die punktförmigen Informationen aus Waldzustandserhebung und Waldbodeninventur verdichtet, so dass eine Zuordnung zu den Aufnahmepunkten der permanenten Stichprobeninventur möglich ist. In die einfache Form der Regressionsmodelle gehen als Erklärungsvariablen Bestandesalter, Bonität, Bestockungsgrad und Meereshöhe ein. Aufgrund der geringen Anzahl und schnellen Verfügbarkeit der notwendigen Informationen ermöglichen diese Modelle eine leicht durchführbare Korrektur von Ertragstafelprognosen. Die differenziertere Form der Modelle enthält je nach Baumart zusätzliche Einflussgrößen wie Baumartenanteil, Hangneigung und Stickstoffdeposition. Bei den Standortsmodellen werden anstelle der Bonität Standortsinformationen in die Modelle aufgenommen. Um regionale Standortsunterschiede im Zuwachs erfassen zu können, werden die Stichprobenpunkte mittels einer Clusteranalyse in sieben Gruppen mit vergleichbaren Klimaverhältnissen aufgeteilt. Diese Klimagruppen werden als Z-Variablen aus einer Kontrastkodierung in den Standortsmodellen berücksichtigt. Um auch lokale Standortsinformationen aus der Standortskartierung einbinden zu können, müssen die nominalen Standortziffern in einem vorgelagerten Schritt auf metrisches Skalenniveau angehoben werden. Die Klimagruppenmodelle als vierte Modellform werden getrennt für jede Baumart und Klimagruppe parametrisiert. Wesentliche Faktoren zur Erklärung der Ertragstafeldifferenz liegen in den bestandesbeschreibenden Parametern Alter, Bestockungsgrad und Bonität. Insbesondere in alten und dichten Beständen sowie für schlechte Bonitäten kann ein Zuwachs weit über Ertragstafelniveau angenommen werden. Mit steigender Meereshöhe verringert sich die positive Abweichung zur Ertragstafel. Die Stickstoffsättigung vieler Waldböden ist vermutlich Ursache dafür, dass der Zuwachs in Regionen mit niedriger jährlicher Stickstoffdeposition vergleichsweise hoch ist. Die standortsbeschreibenden Variablen in den Standortsmodellen zeigen nur geringen Einfluss auf die Zuwachsdifferenz zur Ertragstafel. Die Modelle lassen erkennen, dass auf gleichem Standort die Bonitäten in jüngeren Beständen besser als in Altbeständen sein müssen. Die Validierung der Modelle erfolgte an Daten aus der permanenten Stichprobe des gleichen Inventurzeitraums, die nicht in den Modellierungsprozess eingebunden waren. Es zeigt sich eine deutliche Verbesserung der Vorhersagegenauigkeit bei allen vier Modellformen. Die Unterschiede zwischen den einzelnen Formen sind gering. Allgemein gilt, dass die mittlere Abweichung des gemessenen Zuwachses am Stichprobenpunkt vom korrigierten Ertragstafelwert im Vergleich zur Verwendung der ursprünglichen Ertragstafelprognose sinkt, die Streuung der Abweichungen geringer und ihre Verteilung symmetrischer wird. Inwieweit sich die Erklärungsmodelle als Prognoseinstrument für den Zuwachs eignen, wird sich erst nach einer zweiten Inventurperiode mit anderer Witterung und sich vermutlich weiter verändernden Wuchsbedingungen zeigen. The increment of wood is a central factor in the economical and ecological control of a forest enterprise. The development of models to determine this is therefore a matter that has been of concern to forestry research for a long time. The first form of models of this type were yield tables, which determine the quality of a site and thus its increment potential through the stand continual growth. The commonest tables in use today were constructed in the middle of the 20th century. Today, they provide an inadequate illustration of current increment process. And yet, yield tables are still very important in practice. The objective of the work was therefore to find out how high the discrepancy between the actual increment in forest stands and increment predictions from yield tables is and to determine the factors that influence this discrepancy. The influencing factors are to be used to construct models to correct yield table predictions. Increment data of a high level of statistical precision were obtained from the first repeated measurement of continuous forest inventory in 25 stations of the Bavarian State Forestry Service and a few private forest stations. They serve as references for the increment in the last 15 years. Their percentage deviation from the corresponding yield table prediction was the dependent variable for various forms of regression models, which were formulated in each case for the species spruce, pine, fir, European larch, beech and oak. The independent variables for the regression models were stand structure data and information from site mapping. The digital elevation model was used to assign the height above sea level, aspect and slope to each random sample point. Data from the forest health survey provided information on the needle/leaf loss of a stand. Random sample points of forest soil inventory provided data on annual nitrogen deposition. The survey grid for forest health survey and forest soil inventory did not cover the same area as the inventory grid for continuous forest inventory. Consequently, a geostatistical method was used to compress the dot-type information from forest health survey and forest soil inventory, such that assignment to the sampling points for the continuous forest inventory was possible. The simple form of the regression model incorporated stand age, site index, stocking degree and height above sea level as independent variables. Because of the low volume and the ease of availability of the required information, these models make it easy to correct yield table predictions. Based on the species, the differentiated form of the model contains additional factors such as proportion of species, slope and nitrogen deposition. For site models, site information were incorporated into the model instead of site index. To be able to account for regional site differences in increment, random sample points were divided into 7 groups of comparable climatic conditions by using a cluster analysis. These climatic groups were incorporated into the site models as Z-variables from a contrast coding. Also, in order to incorporate local site information from site mapping, the nominal site figures had to be adapted to a metric scale level in a previous stage. The climatic group models, which were the fourth model form, were separately parameterised for each tree species and climatic group. Major factors that explained the differences between the measured increment and the yield tables were found in the stand parameters such as age, stocking degree and site index. In particular increment well above the yield table level can be expected in old and dense stands with poor site indices. In comparison with yield table, the positive derivation in increment decreases as the height above sea level increases. The nitrogen saturation of many forest soils is probably the reason why the increment in regions with low annual nitrogen deposition is comparatively higher. The site-describing variables in the site models show only a minor influence on volume increment difference from the yield table. The models show that on the same site, site indices in younger stands must be better than in older stands. The models were validated using data from the continuous forest inventory within the same inventory period, which were not incorporated in the modelling process. A clear improvement in the prediction precision was found for all four model forms. The differences between the individual model forms were minimal. Generally, it can be said that the average deviation of the measured increment at the random sample point from the corrected yield table value was reduced when compared with original yield table prediction. The spread of the deviations was smaller and its distribution was more symmetrical. The suitability of the explanation models as tools for predicting increment will only be justified after a second inventory period with different weather conditions and when growth condition may have further changed.