Veranstaltungsprogramm

Eine Übersicht aller Sessions/Sitzungen dieser Tagung.
Bitte wählen Sie einen Ort oder ein Datum aus, um nur die betreffenden Sitzungen anzuzeigen. Wählen Sie eine Sitzung aus, um zur Detailanzeige zu gelangen.

 
Sitzungsübersicht
Session
S08: Fernerkundung Anwendung - Forst und Agrar I
Zeit:
Donnerstag, 08.03.2018:
14:00 - 15:30

Chair der Sitzung: Peter Krzystek
Chair der Sitzung: Georg Bareth
Ort: Hörsaal 0602
200 PLÄTZE
Sitzungsthemen:
Anwendung - Forst und Agrar
Invited Talk Eija Honkavaara

Zeige Hilfe zu 'Vergrößern oder verkleinern Sie den Text der Zusammenfassung' an
Präsentationen

UAV-based 3D-hyperspectral remote sensing of forests

E. Honkavaara

National Land Survey of Finland, Finnish Geospatial Research Institute FGI, Finnland

UAVs equipped with miniaturized multi- and hyperspectral imaging sensors offer completely new possibilities for carrying out close-range remote sensing tasks. Using these technologies, spectral remote sensing measurements can be made cost-efficiently, with greater accuracy and detail than ever before.

Miniaturized hyperspectral cameras capturing 2D format hypercubes that are suitable for hyperspectral 3D characterization of objects have entered the markets. These technologies produce several advantages in comparison to the conventional hyperspectral sensors based on pushbroom scanning. Commercially available sensors include, for example, the Rikola Hyperspectral Camera and the Cubert UHD 185-Firefly.

This presentation focuses on using the tuneable filter hyperspectral imaging technology based on a tuneable Fabry–Pérot interferometer (FPI) in forest applications; the Rikola camera is an example of this technology. In recent studies, we have used FPI-cameras operating in the visible to near-infrared and SWIR spectral range (500–900 nm, 1100-1600 nm). To facilitate an accurate and efficient use of this novel technology, we have established a customized sensor setup and developed a processing chain considering geometric and radiometric/spectral aspects. We have investigated the use of the FPI-camera technology in various environmental remote sensing tasks, including agriculture, forestry and water quality management. This presentation considers utilization of the hyperspectral 2D frame format imaging technology in forest applications. We will describe the FGI’s hyperspectral instrumentation adopted for efficient and rigorous hyperspectral characterization of forests, methodology for processing of tunable-filter based hyperspectral imagery for forestry applications, and results from case studies related to tree species classification, forest stand variable estimation and detection of forest damage caused by bark beetle.


Eignungsprüfung einer UAV-basierten Forstinventur als Ersatz zu traditionellen Feldverfahren in Verjüngungsbeständen

M. Röder1, H. Latifi2, E. Gülch1

1HfT Stuttgart, Labor für Interpretation und Messung bildgebender Sensoren (LIMES), Deutschland; 2Universität Würzburg, Lehrstuhl für Fernerkundung, Deutschland

Wälder sind dynamische Ökosysteme, die von kontinuierlichen Veränderungen geprägt sind. Natürliche Störereignisse gehören zu den Hauptauslösern solcher Veränderungen. Einer der Hauptgründe für diese Ereignisse in Wäldern Mitteleuropas ist der Befall durch den Borkenkäfer (lps typographus). Um Nachforschungen zur Regeneration dieser Gebiete durchzuführen, ist in den befallenen Beständen das Monitoring der Waldstruktur von besonderer Bedeutung. Herkömmlich werden Strukturparameter in kleinmaßstäbigen Gebieten durch zeit- und personalintensive Feldinventuren erhoben. Alternativ könnte die Waldstruktur mithilfe normalisierter Oberflächenmodelle (engl.: normalized Digital Surface Model (nDSM)) durch traditionelle Fernerkundungsverfahren wie Airborne Laserscanning, photogrammetrische Luftbilder oder Satellitenbilder erfasst werden. Diese Methoden weisen in den kleinmaßstäbigen Flächen allerdings Nachteile in Bezug auf Qualität oder Wirtschaftlichkeit auf. In den letzten Jahren trat mit der Bildaufnahme mittels Unmanned Aerial Vehicle (UAV) eine neue Form der kleinmaßstäbigen forstlichen Fernerkundung in den Vordergrund. Dieses Verfahren bietet durch die zeitliche Flexibilität, die geringen Kosten und die hohe räumliche Auflösung viele Vorteile. Allerdings ist die Anwendung von UAV in der forstlichen Fernerkundung noch unzureichend untersucht. Diese Studie untersucht die Eignung von UAV-nDSM für Forstinventuren in kleinräumigen, vom Borkenkäfer befallenen Gebieten innerhalb des Nationalparks Bayerischer Wald.

Zunächst wurde mit Profilvergleichen analysiert, inwiefern sich aus flugzeuggetragenen Luftbildern und UAV-Aufnahmen erstellte nDSM unterscheiden, um die Vorteile der UAV-nDSM gegenüber herkömmlichen Fernerkundungsverfahren darzustellen. Anschließend wurde geprüft, ob sich eine mittels UAV durchgeführte Inventur als Ersatz zu traditionellen Feldverfahren eignet. Dazu wurden Referenz- und UAV-Daten hinsichtlich Qualität, Quantität und Wirtschaftlichkeit verglichen. Der Qualitätsvergleich wurde für die geometrischen Parameter Baumhöhe und Kronendurchmesser durchgeführt. Bei den Untersuchungen kam auch ein Algorithmus zur automatischen Baumerkennung zum Einsatz, um Unterschiede zur manuellen Erfassung zu erarbeiten. Im Zuge der Eignungsprüfung wurde außerdem erforscht, inwiefern sich die Ergebnisse für bestimmte Habitattypen sowie für alleinstehende und gruppierte Objekte unterscheiden.

Der Profilvergleich zeigte, dass in den UAV-nDSM durch die höhere räumliche Auflösung mehr Details als in den Luftbild-nDSM zu erkennen sind, was eine zuverlässigere Ableitung von Strukturparametern ermöglicht. Die qualitativen Ergebnisse der Eignungsprüfung ergaben Mittelwerte von RMSE = 1.56 m, R2 = 0.74 und Bias = -0.73 m für den Parameter Baumhöhe. Niedrige Totholzstämme und lebende Fichten werden qualitativ besser modelliert als hohe Totholzindividuen. Für die Ableitung des Kronendurchmessers ergaben sich mit RMSE = 0.12 m, R2 = 0.89 und Bias = 0.04 m gute Ergebnisse. Die quantitative Untersuchung zeigte, dass mit 38 % nur ein geringer Teil der Referenzdaten durch die UAV-Inventur erfasst wurde. Alleinstehende Individuen (56 %) wurden besser detektiert als solche in Baumgruppen (30 %). Grund dafür ist, dass durch das photogrammetrische Verfahren die Mehrschichtigkeit nicht erfasst wird. Der Unterwuchs konnte dadurch vor allem in Baumgruppen nicht aufgenommen werden. Das automatische Verfahren erwies sich in qualitativer Hinsicht dem manuellen Verfahren mindestens gleichauf, zeigte jedoch Nachteile in Bezug auf die Quantität. Wirtschaftlich gesehen konnten durch die UAV-Inventur drei Viertel des Zeitaufwandes und ein Drittel der Kosten gegenüber der Feldinventur gespart werden.

Zusammenfassend verdeutlichen die Ergebnisse, dass die UAV-Inventur durch die allgemeinen Nachteile von photogrammetrischen Verfahren die Feldinventur in qualitativer und quantitativer Hinsicht nicht komplett ersetzen kann. Rein wirtschaftlich gesehen überwiegen allerdings die Vorteile gegenüber dem Feldverfahren.


Comparison Of Different Machine-Learning Alogorithms For Tree Species Classification Based On Sentinel Data

M. Wessel1, M. Brandmeier2, D. Tiede1, R. Seitz3, C. Straub3

1Universität Salzburg, Österreich; 2Esri Deutschland; 3Bayerische Landesanstalt für Wald und Forstwirtschaft

In this study we use freely available Sentinel-2 data, orthophotos (RGB and CIR) and inventory data (11 or 12m radius circles with a percentage composition of tress within) by the BaySF (Bayerische Staatsforsten) to evaluate the potential of different machine-learning approaches to classify tree species. Our study areas, the “Ebersberger Forest” and the “Freisinger Forest” are both located in Bavaria and show a homogenous intermixture of coniferous and deciduous tree patches, dominated by the spruce tree type.

Sentinel-2 satellite imagery offers new opportunities for vegetation mapping, climate change analysis or agricultural applications by monitoring the earth surface in a high temporal resolution (ideally in a five-day interval in Europe) and appropriate spectral resolution.

Using the Sen2Cor processor, atmospheric correction was applied to the level 1C data, gaining true surface reflectance values to create a bottom of atmosphere (BOA) output. Reducing atmospheric effects is especially relevant when analyzing multitemporal images. As one of the goals of this study was to deliver a semiautomatic workflow for the classification of beech and oak trees, different classification algorithms (object- and pixel-based) were evaluated and the best performing setup was implemented into a model.

A hierarchical approach was used to evaluate different band combinations and algorithms (Support Verctor Machines (SVM) and Random Trees (RT)) for the separation of deciduous vs. coniferous trees, followed by a more detailed evaluation for tree species within the respective classes. The Ebersberger Forest was the main project region of interest, the Freisinger Forest was used as a reference validation region. Training and accuracy assessment of the algorithms was based on inventory data. The validation process was conducted using an independent dataset. A confusion matrix, with a focus on User´s and Producer´s Accuracies per class, as well as Overall Accuracies (OA), were calculated for all analyses.

In total, we tested 16 different classification setups for coniferous vs. deciduous trees, achieving the best performance of 97.2% OA for an object-based multitemporal SVM approach using scenes from May, August and September by combining the infrared bands. For the separation of beech and oak trees we evaluated 55 different setups, the best result was reached by an multitemporal SVM classification based on objects with an accuracy of 90.9% (OA) using the May scene for segmentation and the August scene with its principal components as classification image.

The transferability of the model was tested for the the Freisinger Forest and showed similar results. These results point out, that S-2 has only marginally worse results than comparable commercial high-resolution satellite sensors, the less spatial resolution is compensated by the high temporal resolution, which supports well the classification of different tree types and is therefore well suited for forest analysis.


Virtual Laser Scanning for the Analysis of Platform-Related Effects in Urban Tree Species Classification

Z. Koma1,2, B. Höfle3, K. Koenig3, N. Lukač4, M. Hämmerle3,5, J. Kovács6, Z. Folly-Ritvay7

1Institute for Biodiversity and Ecosystem Dynamics (IBED), University of Amsterdam, Niederlande; 2Department of Geophysics and Space Science, Eötvös Loránd University, Ungarn; 3Institute of Geography, GIScience and 3D Spatial Data Processing Group, Heidelberg University, Deutschland; 4Faculty of Electronical Engineering and Computer Science, University of Maribor, Slowenien; 5Department of Geography, Research Group for Earth Observation, Heidelberg University of Education, Deutschland; 6Department of Physical and Applied Geology, Eötvös Loránd University, Ungarn; 7Budapest Közút Zrt., Ungarn

In the last decades, the established Airborne Laser Scanning (ALS) approach for urban tree species classification has been increasingly complemented by laser scanning datasets measured from further platforms such as Terrestrial Laser Scanning (TLS), Mobile Laser Scanning (MLS), and UAV-borne Laser Scanning (ULS). However, the characteristics of the different capturing platforms (e.g. point density, scan perspective, etc.) affect point cloud based feature extraction and object classification, which limits the universal usage of point cloud features.

The aim of this study is to quantify the effects on geometrical features with respect to different laser scanning platforms and measurement configurations. Geometrical features are LiDAR metrics related to the geometry of the trees (e.g. crown shape) calculated by using only the x,y,z attributes. A multi-purpose LiDAR simulation tool (HELIOS; http://uni-heidelberg.de/helios) is used to test scenarios in a simulated environment, which we call Virtual Laser Scanning (VLS). In this analysis, individual virtual 3D tree models are built based on real high point density MLS data of an urban city park in Budapest. VLS is carried out with the commonly used measurement configurations related to platforms of ALS, ULS, TLS, and MLS with in total 8 different simulation scenarios. Thereafter, the laser scanning features are analyzed with the calculation of Pearson's correlation coefficient and Combined Cluster Discrimination Analysis (CCDA). Two main most frequently published feature classes are tested: 1) subset-related features of individual trees (for example subdividing a tree object into vertically stacked slices of 10% of height in percentage and calculate pulse penetration ratio), and 2) aggregated features related to the entire tree object (for example mean height).

The correlation analysis of the subset features showed that the features of the upper 25% of tree parts correlate between the different platforms (mean r2~0.88, pair-wise correlation) in contrast to the features of the lower 25% of tree parts (mean r2~0.47). The low correlation between the subset related geometrical features can be explained by the poor representation of the stem with the airborne based laser scanning compared to TLS and MLS. The CCDA analysis shows a separation of subset features into two groups: airborne (ALS, ULS) and ground-based platforms (TLS, MLS). This separation can be explained by the effects provided by the different scanner perspectives and respective scanning geometries. The features on a tree object level indicate significantly lower influence from the applied platform.

Our results show that the frequently published subset-related features optimized for ALS data cannot be directly applied to ground-based LiDAR measurements. This indicates the demand for research on relevant and robust feature-sets that are applicable to datasets from more than one laser scanning platform. VLS allows identifying and quantifying a clear distinction in importance of features between the two perspectives, airborne and ground-based. Virtual laser scanning can evolve into a transparent and reproducible solution for the inter-comparison of laser scanning platforms and scan configurations with no costs, with pre-defined ground truth and for any point cloud classification task.



 
Impressum · Kontaktadresse:
Veranstaltung: PFGK18-Tagung
Conference Software - ConfTool Pro 2.6.113
© 2001 - 2017 by H. Weinreich, Hamburg, Germany