Baumhöhenbestimmung aus ALS-Daten in stark geneigtem Gelände

Read full text Summarise with VIRAT
Authors: Frederik Feurstein
Cited by: 0
References: 35

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

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.

Fields of Study & Subjects

Remote Sensing and LiDAR Applications 3D Surveying and Cultural Heritage Forest ecology and management

Publication details

Journal / source
reposiTUm (TU Wien)
Publication date
1 March 2026
Language
DE
Document type
Thesis