Veranstaltungsprogramm

Accurate and scalable estimation of individual tree parameters underpins modern forest inventories, carbon accounting, and decision support. Diameter at breast height (DBH) is a standard, non-destructive proxy for tree size and is therefore a primary target for estimating tree biomass and volume.

Traditional manual field measurements are time consuming and labor intensive, driving the need for efficient remote monitoring. UAV-borne LiDAR (ULS) has emerged as an effective solution, as it provides high-density 3D structural data and efficient coverage, enabling detailed, individual tree analysis even in complex forests.

A typical automated single tree inventory pipeline consists of individual tree segmentation and per-tree parameter estimation. While deep learning has become transformative for tree segmentation, parameter estimation traditionally relies on classical models, such as Random Forest, trained on a set of manually selected point cloud features, or on methods based on fitting geometric primitives. The use of deep learning for direct parameter regression remains largely underexplored but has significant potential to improve accuracy by learning task-relevant features directly from the point cloud.

In our study, we developed a comprehensive, end-to-end deep learning forest inventory pipeline for DBH estimation from ULS. This pipeline integrates a state-of-the-art instance segmentation model with TreeNext, a novel parameter-efficient deep learning approach we developed for DBH estimation directly from individual tree point cloud data.

Our method achieves state-of-the-art performance with R² of 0.93 when evaluated on four mixed-species forest plots in Germany, outperforming existing approaches. This work advances forestry monitoring by providing a robust and accurate deep learning foundation, accelerating the broader transition toward scalable and sustainable forest resource management.

Im Rahmen eines studentischen Projekts wird ein Verfahren zur Bestimmung der relativen Orientierung von Kameras zur Vermessung großer Volumina entwickelt und untersucht. Das Ziel besteht darin, eine valide Aufnahmekonfiguration zu erarbeiten, um die Präzision räumlicher Informationen einordnen und auf verschiedene Skalierungen projizieren zu können. Bei sich schnell bewegenden Szenen, wie z.B. eine Windenergieanlage, können Highspeedkameras eingesetzt werden. Aus Kosteneffizienz können im Regelbetrieb die erforderlichen Daten, wie beispielsweise die Deformation abgegriffen werden, ohne einen künstlichen Stillstand der Anlage hervorzurufen. Zum Erhalt dreidimensionaler Koordinaten ist jedoch eine präzise Bestimmung der relativen Orientierung erforderlich.

Zur Untersuchung der Ergebnisse verschiedener Ansätze wird zunächst eine Simulation der relativen Orientierung durchgeführt. Auf Basis unterschiedlicher Verteilungen von Verknüpfungspunkten im Objektraum und verschiedener Basislängen und Aufnahmedistanzen entstehen Modellszenarien. Damit kann der Einfluss jeder Einstellung auf die Genauigkeit der Orientierung bestimmt und analysiert werden. Gleichzeitig erfolgt eine Bewertung der Lagegenauigkeit anhand gedachter Objektpunkte, um die erreichbare Genauigkeit im rekonstruierten Raum zu quantifizieren.

Die in der Simulation gewonnenen Ergebnisse werden im Anschluss im Rahmen von Labor- und Feldversuchen validiert. Hierfür kommen unterschiedliche Aufnahmekonfigurationen sowie verschiedene Objekttypen zur Bestimmung der Verknüpfungspunkte zum Einsatz. Die erfassten Bilddaten werden photogrammetrisch ausgewertet und den simulierten Genauigkeitsprognosen gegenübergestellt.

Truncated Signed Distance Fields (TSDFs) sind ein gängiges Verfahren zur Repräsentation von 3D-Oberflächen. Sie können durch ein 3D-Gitter abgetastet werden, bei welchem an den Gitterknotenpunkten die Entfernung zur nächstgelegenen Oberfläche gespeichert wird. TSDFs finden auch im Bereich von SLAM Anwendung, wo sie die Integration von Punktwolken unterstützen. Ein Gitter ist jedoch unflexibel und verhindert Optimierungen nach der Integration von Punktwolken, wie beispielsweise bei der globalen Posengraphoptimierung nach Schleifenschlüssen. Bestehende Verfahren verwenden mehrere kleine und sich überlappende Karten (Submaps), um eine globale Karte darzustellen, was zu einem erhöhten Speicherplatzverbrauch führt. Wir haben eine Cluster-Hashed assoziative und diskretisierte (CHAD TSDF) Datenstruktur für TSDF SLAM entwickelt, welche diesen Speicherverbrauch durch das Hashing von Knoten reduziert. In einem vorherigen Beitrag haben wir gezeigt, dass eine hohe Kompression und gleichzeitig eine ausreichend geringe Laufzeit für die übliche LiDAR-Sensorfrequenz von 10 Hz bis 20 Hz möglich ist. Trotz der Speicherung jedes Scans als einzelne Karte war der Speicherverbrauch ähnlich oder sogar niedriger als bei anderen TSDF-Karten. CHAD TSDF wurde nun um Submapping erweitert, welches das bereits bestehende Kompressionsverfahren nutzt und nun in der Lage ist, globale Posen und deren Submaps nach einem Schleifenschluss zu optimieren. Hierbei werden Schleifenschlüsse mithilfe verschieden diskretisierter Segmente der einzelnen Submaps erkannt, was zudem eine grobe Abschätzung der Transformation zwischen deren Koordinatensystemen ermöglicht. Zur präziseren Ermittlung der Transformation dienen die Gradienten der TSDF-Werte. Submaps können mittels TSDF-zu-TSDF Fusion kombiniert werden, was eine Rekonstruktion einer globalen Karte als 3D-Mesh ermöglicht.

Continous monitoring of geomorphological processes, like bank erosion oder rockfalls, provides crucial insights into understanding the dynamics of processes on the earth's surface. Time-Lapse-Photogrammetry is, as an alternative to terrestrial laserscanning, a cost-effective 4D monitoring tool, especially through the use of low-cost camera systems. But its utility in practical applications is often limited by two major challenges: 1) robustly registering image epochs acquired during changing conditions such as varying lighting or vegetation over potentially long time-series to be able to delineate registration errors from actual changes and 2) reliably distinguishing true geomorphological changes from photogrammetric measurement noise. Previous workflows often rely heavily on high-precision ground control points or suffer from noisy change detection leading to false-positives.

In this study, we will present a complete, open-source-pipeline that integrates Deep-Learning to address these issues. First the Deep-Learning based Feature-Detector and -Matcher SuperPoint and LightGLUE will be used to improve the robust reconstruction of camera poses under challenging observation conditions as well as the registration accuracy by enabling the detection of cross-epoch feature matches not possible previously with classic, hand-crafted methods like SIFT. The epoch-spanning correspondences are used in a hybrid Structure-from-Motion approach to enhance the temporal consistency of the 4D-reconstructions as well as to reduce the reliance on ground control points.

For dense reconstruction the pipeline leverages recent advances in descriptor-free dense image matching. Additionally, this step facilitates the propagation of uncertainty to the generated 3D point cloud with explicit per point precision maps and thus enabling the use of statistically rigorous change detection algorithms such as M3C2-EP.

The pipeline was applied to a challenging real-world dataset of a sub-arctic riverbank observed by low-cost wildlife cameras. The results are compared to an established workflow using AgiSoft Metashape showing the advantages of the deep-image-matching based approach. While standard change-detection analysis incorrectly classifies large stable areas of the scene as significant changes, using explicit precision maps the novel pipeline effectively filters measurement noise. This means that almost exclusively statistically significant change objects are detected and false positive results are drastically reduced.

This work therefor provides a framework to improve the reliability and accuracy of low-cost camera systems for 4D monitoring enabling the statistically sound quantification of surface changes, thereby helping to close the gap to more expensive TLS systems.