Sie sind hier: Startseite Projekte A1) Fernerkundung

A1) Fernerkundung

Fernerkundungsbasierte Methoden zur Evaluierung der Waldstrukturen

Barbara Koch & Holger Weinacker
Doktoranden: Xiang Liu (assoziiert; seit 2018), Martin Denter (seit 2019)
& Jan Feigl (seit 2022)

Albert-Ludwigs-Universität Freiburg, Fakultät Umwelt & Natürliche Ressourcen,
Professur für Fernerkundung und Landschaftsinformationssysteme

Hintergrund

Waldstrukturen auf der Landschafts-, Bestands- und Baumebene sind mit verschiedenen Funktionen unserer Wälder verbunden. Diese Funktionen reichen von der Bereitstellung von Ressourcen (z. B. Trinkwasser, Holz usw.) bis hin zu klimatischen Stabilisierungseffekten, Erholungsnutzung und wichtiger Unterstützung der biologischen Vielfalt.

Die Waldbewirtschaftung beeinflusst die strukturelle Vielfalt unserer Wälder und damit auch ihre über die Holzproduktion hinausgehende Funktionalität. Daher ist die Beschreibung der Struktur nicht trivial, und es gibt zahlreiche Konzepte für ihre Quantifizierung auf verschiedenen Ebenen (z. B. Baum, Bestand, Landschaft). Die Fernerkundung hat eine lange Tradition in der effizienten Bewertung von Waldstrukturen, insbesondere auf Landschafts- und Bestandsebene.

Heutzutage bilden laserbasierte Entfernungsmesssysteme (z.B. LiDAR, Light Detection and Ranging) und photogrammetrische Methoden (z.B. SfM, Structure from Motion) die Grundlage für die dreidimensionale Erfassung von Waldgeometrien. Verbesserte Sensortechnologien und die Möglichkeit, die Sensoren näher an das zu untersuchende Objekt heranzuführen (Nahbereich), ermöglichen es uns heute, einzelne Bäume und Bestände mit einem hohen Detailgrad zu erfassen.

Darüber hinaus ermöglichen neue Messinstrumente eine effizientere terrestrische fernerkundungsbasierte Bewertung von Strukturen. Effiziente und robuste Auswertemethoden für Nahbereichsdaten von Drohnen und terrestrischen Plattformen sind ein Thema der aktuellen Forschung.

 

Forschungsfrage und Hypothese

Die Waldbiodiversität wird auf allen räumlichen Skalen beeinflusst. Landschaftsvielfalt und -fragmentierung müssen mit Methoden erfasst werden, die die gesamte Landschaft entsprechend detailliert und effizient, auch im Zeitverlauf, erfassen können. Hierfür eignen sich insbesondere Luft- und Satellitenbilder.

Für die Analyse von Beständen und Einzelbäumen sind leichte und mobile Sensoren und Plattformen von Vorteil, da sie das Untersuchungsobjekt aus nächster Nähe und aus verschiedenen Blickwinkeln erfassen können. Terrestrische Laserscanning-Systeme (z.B. MLS, TLS) und drohnengestützte Aufnahmen (z.B. UAV-SfM) sind für diesen Zweck besonders geeignet.

Im Projekt A1 beschäftigen wir uns mit den Fragen, wie solche Aufnahmen möglichst effizient durchgeführt werden können und wie man aus den gewonnenen Daten aussagekräftige Informationen generiert. Eine weitere Herausforderung ist die Zusammenführung von Informationen aus diesen verschiedenen Ebenen und Sensorsystemen. Dies führt zu unseren Forschungsfragen:

  • Welche Sensorsysteme in Kombination mit welchen Plattformen sind besonders geeignet, um Waldstrukturen auf verschiedenen Skalen zu messen? Konkret sollen der Einsatz von kleinen UAVs mit leichten Kameras, die eine deutliche Kostenreduktion ermöglichen, zur Erfassung von Einzelbaumstrukturen und der Einsatz von mobilen terrestrischen Laserscanning-Systemen zur Waldstrukturerfassung evaluiert werden.
  • Welche Algorithmen und neuen Verarbeitungsansätze sind erforderlich, um aus den verschiedenen Fernerkundungskonstellationen qualitativ hochwertige Informationen für die Modellierung von Strukturelementen zu erhalten?
  • Welche Schlussfolgerungen können aus den fernerkundungsbasierten Strukturbeschreibungen für das Biodiversitätsmanagement gezogen werden?

 

Ansatz, Methoden und Verknüpfungen

Auf der Landschaftsebene bewertet A1 die Kronenstrukturen und das stehende Totholz für die gesamten ConFoBi-Flächen anhand von Luftbildern. A1 erstellte zweimal Orthomosaike und digitale Höhenmodelle von allen 135 Untersuchungsgebieten auf der Grundlage von UAV-RGB-Bildern. Veränderungen im Kronendach werden für alle Untersuchungsgebiete auf der Grundlage von UAV-Daten kartiert. Strukturreichtum und -komplexität werden auf Bestandsebene mit Hilfe entsprechender Indizes erfasst und validiert.

Die Erkennung von Einzelstrukturen (z. B. baumbezogene Mikrohabitate) wird auf Baumebene erforscht, die Erfassung dieser Strukturen ist aus Sicht der Fernerkundung eine Herausforderung, da diese teilweise sehr klein und feinstrukturiert sind, und die Umgebung extrem unstrukturiert und schwer zugänglich ist. Außerdem können verschiedene Mikrohabitate in den Baumkronen vom Boden aus nicht optimal erfasst werden, da sie möglicherweise verdeckt sind oder der Blickwinkel ungünstig ist.

Wir bemühen uns daher derzeit, diese Strukturen mit Hilfe von kleinen Drohnen, die direkt im Bestand geflogen werden, durch 3D-Rekonstruktion aus Kamerabildern und maschinelles Lernen automatisch zu klassifizieren. Im Hinblick auf die Bewertung der terrestrischen Bestandsstrukturen werden wir ein handgetragenes Lasermesssystem testen, mit dem aufgrund der Mobilität des Systems ganze Untersuchungsgebiete leichter erfasst werden können. Alle Landschafts- und Bestandsinformationen werden mit den ökologisch arbeitenden B-Projekten verknüpft, um die bestmögliche Verwendbarkeit der Informationen für weitere Forschungen zu gewährleisten. Die Beschreibung von Einzelbaumstrukturen erfolgt in enger Zusammenarbeit mit dem A2-Projekt.

 

Ergebnisse

In der ersten Phase haben wir die Flugplanung für die Erfassung von Waldstrukturen mittels Drohnen optimiert und konnten die Auswirkungen verschiedener Flugparameter auf die geometrische Rekonstruktion beschreiben. Anschließend wurden in Zusammenarbeit mit dem Projekt A2 verschiedene Indizes zur strukturellen Beschreibung von Beständen evaluiert. Wir konnten zeigen, dass es eine, wenn auch schwache, Korrelation zwischen biodiversitätsrelevanten Baum-Mikrohabitaten und solchen Strukturindizes gibt. In Zusammenarbeit mit dem C2-Projekt konnten wir zeigen, dass Strukturindizes ein objektives Maß für die Strukturbeschreibung sein können, das sich in Experteneinschätzungen widerspiegelt.

Es zeigte sich aber auch, dass die Experteneinschätzungen im selben Bestand sehr heterogen sein können. In der zweiten Phase untersuchten wir UAV-Flugparameter für 3D-Rekonstruktionen der Untersuchungsgebiete mit der Structure for Motion-Methode. Wir verglichen die UAV-Aufnahmen mit TLS-Aufnahmen. Darüber hinaus testeten wir kleine UAVs mit RGB-Kameras für die Erfassung von kleinräumigen Strukturen entlang des Baumstamms.

Erste Ergebnisse beschreiben die Flugbedingungen für den Einsatz solcher Systeme und deren Einschränkungen. Mit WorldView-3-Satellitenbildern wurde stehendes Totholz für verschiedene Untersuchungsflächen kartiert. Zusätzlich wurden zahlreiche Datensätze für das ConFoBi-Gesamtprojekt erstellt und verarbeitet, um der gesamten Gruppe ein effizientes Arbeiten zu ermöglichen.

 

Zukünftige Forschungsfrage

Nächstes Promotionsprojekt (ab 1. Juli 2022):

In der dritten Phase (PhD3) werden die zuvor erhobenen UAV-Daten mit neu aufgenommenen Daten kombiniert und analysiert. Die Aufgaben von PhD3 werden sein:

- Bewertung und Klassifizierung der Bestandsstruktur vom Boden aus mit einem terrestrischen Handlaserscanner. Die Funktionalität und Datenqualität unseres neuen tragbaren Laserscanners muss für den Einsatz auf unseren Untersuchungsflächen bewertet und beschrieben werden. Daher müssen verschiedene Algorithmen zur Klassifizierung der Bestandsstruktur entwickelt, getestet und verifiziert werden.

- Die auf terrestrischen Methoden basierende Strukturklassifizierung soll mit den oberirdischen UAV-gestützten Messungen verknüpft werden.

- Die Beziehung zwischen Abundanz und Diversität der untersuchten Arten und der strukturellen Klassifizierung aus handgeführten TLS-Daten sowie aus luftgestützten Daten soll untersucht werden. Darüber hinaus sollen multivariate Analysen durchgeführt werden, um die Beziehung zwischen verschiedenen fernerkundungsbasierten Strukturklassen auf Abundanz- und Diversitätsbewertungen auf der Fläche aufzuzeigen (In Zusammenarbeit mit anderen ConFoBi-Projekten).

Anforderungen an PhD-Bewerber*innen von A1: 

Der Kandidat sollte Erfahrung in der Analyse von Fernerkundungsdaten, grundlegende Programmierkenntnisse (z.B. Python, R), 3D-Punktwolkenverarbeitung und statistische Grundkenntnisse haben. In der Masterarbeit sollte der Kandidat entweder mit Multispektraldaten oder 3D-Laserdaten gearbeitet haben. Eine enge interdisziplinäre Zusammenarbeit, insbesondere mit A2 und B1, wird erwartet.

 

ConFoBi-Publikationen von A1

Asbeck, Thomas; Pyttel, Patrick; Frey, Julian & Bauhus, Jürgen (2019). Predicting abundance and diversity of tree-related microhabitats in Central European montane forests from common forest attributes. Forest Ecology and Management, 432, 400–408. www.doi.org/10.1016/j.foreco.2018.09.043.

Frey, Julian; Asbeck, Thomas & Bauhus, Jürgen (2020). Predicting Tree-Related Microhabitats by Multisensor Close-Range Remote Sensing Structural Parameters for the Selection of Retention Elements. Remote Sensing, 12, 867. www.doi.org/10.3390/rs12050867.

Frey, Julian; Joa, Bettina; Schraml, Ulrich & Koch, Barbara (2019). Same Viewpoint Different Perspectives—A Comparison of Expert Ratings with a TLS Derived Forest Stand Structural Complexity Index. Remote Sensing, 11, 1137. www.doi.org/10.3390/rs11091137.

Frey, Julian; Kovach, Kyle; Stemmler, Simon & Koch, Barbara (2018). UAV Photogrammetry of Forests as a Vulnerable Process. A Sensitivity Analysis for a Structure from Motion RGB-Image Pipeline. Remote Sensing, 10, 912. www.doi.org/10.3390/rs10060912.

Gustafsson, Lena; Bauhus, Jürgen; Asbeck, Thomas; Augustynczik, Andrey Lessa Derci; Basile, Marco & Frey, Julian et al. (2020). Retention as an integrated biodiversity conservation approach for continuous-cover forestry in Europe. Ambio, 49, 85–97. www.doi.org/10.1007/s13280-019-01190-1.

Knuff, Anna K.; Staab, Michael; Frey, Julian; Helbach, Jan & Klein, Alexandra‐Maria (2019). Plant composition, not richness, drives occurrence of specialist herbivores. Ecol Entomol, 44, 833–843. www.doi.org/10.1111/een.12767.

Knuff, Anna Katharina; Staab, Michael; Frey, Julian; Dormann, Carsten F.; Asbeck, Thomas & Klein, Alexandra-Maria (2020). Insect abundance in managed forests benefits from multi-layered vegetation. Basic and Applied Ecology, 48, 124–135. www.doi.org/10.1016/j.baae.2020.09.002.

Schiefer, Felix; Kattenborn, Teja; Frick, Annett; Frey, Julian; Schall, Peter & Koch, Barbara et al. (2020). Mapping forest tree species in high resolution UAV-based RGB-imagery by means of convolutional neural networks. ISPRS Journal of Photogrammetry and Remote Sensing, 170, 205–215. www.doi.org/10.1016/j.isprsjprs.2020.10.015.

Storch, Ilse; Penner, Johannes; Asbeck, Thomas; Basile, Marco; Bauhus, Jürgen & Braunisch, Veronika et al. (2020). Evaluating the effectiveness of retention forestry to enhance biodiversity in production forests of Central Europe using an interdisciplinary, multi-scale approach. Ecology and evolution, 10, 1489–1509. www.doi.org/10.1002/ece3.6003.