Automatisierte Waldinventur: einzelne Bäume aus der Punktwolke, unabhängig vom Scantyp

Die RAG überwacht Bergbaufolgen über Jahrzehnte – vor allem Landschaftsveränderungen und Bodenbewegungen. Die Schwierigkeit dabei ist nicht die Messung, sondern die Zuordnung: Eine Veränderung im Gelände kann eine Bergbaufolge sein oder eine ganz andere Ursache haben.

Hier setzt die Waldinventur an. Wenn Baumbestand, Höhen und Kronen über die Zeit erfasst werden, lassen sich Veränderungen, die aus dem Wachstum oder dem Zustand der Vegetation kommen, von solchen trennen, die auf Bodenbewegung zurückgehen. Die Inventur ist damit ein Instrument der Ursachenzuordnung, kein forstliches Nebenprodukt.

LiDAR-Punktwolken aus zwei Erfassungsarten: airborne, also aus der Luft, und terrestrisch, vom Boden aus. Für das Training musste die Vegetation zunächst von Hand klassifiziert werden.

Diese Vorarbeit ist in Pointly entstanden – mit den Selektionswerkzeugen der Plattform war sie in wenigen Tagen erledigt.

Airborne und terrestrisch erzeugen unterschiedliche Bäume. Ein Baum aus der Luft gescannt ist im Wesentlichen eine Krone; derselbe Baum vom Boden gescannt ist im Wesentlichen ein Stamm. Verfahren, die einen Stamm brauchen, versagen bei Airborne-Daten, und Verfahren, die von der Krone ausgehen, versagen im Unterholz.

Die eigentliche Anforderung war deshalb nicht die höchste Erkennungsrate auf einem Datensatz, sondern ein Ansatz, der so wenig wie möglich auf den Eigenschaften eines bestimmten Scantyps aufbaut. Das ist eine bewusste Entscheidung gegen Spezialoptimierung – und der Grund, warum das Verfahren auf neue Erfassungen anwendbar bleibt.

Einzelbäume trennen, wo sich Kronen berühren. Im geschlossenen Bestand gibt es keine Lücke zwischen zwei Bäumen. Wo ein Baum endet und der nächste beginnt, ist eine Entscheidung, die getroffen werden muss, bevor irgendetwas gezählt werden kann.

Deep Learning für die Klassifikation, geometrische Verfahren für die Trennung. Die Zuordnung, welche Punkte zur Vegetation gehören, übernimmt ein neuronales Netz. Die Trennung in einzelne Bäume erfolgt über eine Kombination von Baummerkmalen wie Kronenmaxima, Stammpositionen und georäumlichen Algorithmen. Erprobt wurden dafür mehrere Verfahren, unter anderem Watershed-Analyse und Region Growing ausgehend von erkannten Stämmen.

Beide Wege offenhalten – mit und ohne sichtbaren Stamm. Die Segmentierung funktioniert für Bäume mit erkennbarem Stamm und für solche, bei denen nur die Krone vorliegt. Das ist die praktische Umsetzung der Scantyp-Unabhängigkeit.

Inventardaten je Baum ableiten. Für jedes Baumsegment werden Stammposition und Höhe bestimmt, die Kronenausdehnung über eine 2D-Projektion.

In gängige Geodatenformate übergeben. Klassifikation und Instanzsegmentierung werden nach GeoJSON und Esri Shapefile exportiert und um Attribute wie Höhen angereichert – damit landet das Ergebnis in der Umgebung, in der die Fachabteilung ohnehin arbeitet.

Der Proof of Concept war erfolgreich. Entstanden sind zwei Kartenebenen mit Baumzählungen, Kronenformen und Baumhöhen – nicht als Auswertung zum Nachlesen, sondern als Datensatz, der sich mit den übrigen Monitoringdaten verschneiden lässt.

Instanzsegmentierung auf Punktwolken mit anschließender Attributableitung ist überall die Aufgabe, wo nicht eine Fläche, sondern die einzelnen Objekte darin gezählt und vermessen werden sollen: Baumkataster in Kommunen, Vegetationsmanagement an Leitungstrassen und Bahnstrecken, Bestandserfassung in Obstanlagen, Biomasseabschätzung. Der methodische Kern – erst klassifizieren, dann trennen, dann attribuieren – bleibt derselbe. Solche Vorhaben setzen wir heute gemeinsam mit unserem Schwesterunternehmen Pointly als Technologiepartner um.

Das Verfahren wird gemeinsam mit Pointly fortgeführt: Neue Daten werden laufend aufbereitet, mit dem Ziel, den Ablauf zu automatisieren und als Dienst auf der Pointly-Plattform anzubieten. Fachlich am interessantesten ist der nächste Schritt, den die Datenlage jetzt erlaubt: Wenn dieselbe Fläche mehrfach erfasst ist, lassen sich Wachstum und Vitalitätsverlust je Einzelbaum über die Zeit verfolgen – und damit genau die Trennung von Ursachen leisten, um die es im Monitoring geht.