HinweisCookies
Diese Webseite verwendet Cookies. Diese dienen der Zwischenspeicherung bei Bestell- oder Anmeldevorgängen. Nicht erfasst werden Daten wie Nutzungshäufigkeit oder Verhaltensweisen. Hier erfahren Sie mehr zum Thema Datenschutz.
Erfassung von Bäumen mittels Laserscan-Daten (LiDAR-Daten) zur Expositionsanalyse entlang des Bundesfernstraßennetzes von Nordrhein-Westfalen
BASt-Bericht S 157
Mandy Schipek, Michael Steffen, Beak Consultants GmbH, Freiberg
86 Seiten
Erscheinungsjahr: 2021
Projektnummer: 01.0201
Preis: 0,00 €
Dieser Bericht steht ausschließlich kostenfrei im elektronischen BASt-Archiv ELBA zur Verfügung.
Ziel des Forschungsvorhabens war die Entwicklung einer Methodik zur Identifizierung und Parametrisierung von Einzelbäumen entlang des Bundesfernstraßennetzes auf Basis frei verfügbarer Datengrundlagen sowie die Bereitstellung und technische Umsetzung der Prozesse in Form geeigneter Werkzeuge für das Geoinformationssystem Esri ArcGIS. Zur Erfüllung dieses Ziels wurde zunächst eine Literaturanalyse durchgeführt und darauf aufbauend die grundlegende Herangehensweise abgeleitet.
Auf Basis der vom Land Nordrhein-Westfalen bereitgestellten hochauflösenden LiDAR-Daten wurde anschließend ein Kronenhöhenmodell abgeleitet und dieses zur Ermittlung der potenziellen Baumkandidaten genutzt. Weiterhin konnte auf Grundlage der digitalen 4-Kanal-Orthofotos der Normalized Difference Vegetation Index berechnet und eine Unterscheidung vegetationsloser sowie -bedeckter Flächen durchgeführt werden, um so die Anzahl von Fehlklassifikationen zu reduzieren.
Zur Ermittlung einer geeigneten Methodik wurden verschiedene Modelle mit unterschiedlich aufbereiteten Ausgangsdaten berechnet, validiert und anschließend iterativ angepasst. Dabei konnte festgestellt werden, dass unter den vorherrschenden heterogenen Vegetationsbedingungen mit dem gewählten Ansatz kein allgemein gültiges Verfahren existiert, welches alle Rahmenbedingungen gleichermaßen abdeckt. Insgesamt besitzt die entwickelte Methodik bezüglich der Einzelbaumerkennung eine Wiedererkennungsrate von ca. 65 – 75 % bei Laub- und ca. 60 – 65 % bei Nadelhölzern. Da Strukturen, wie zum Beispiel dichte Nadelwälder, jedoch erheblich unterschätzt werden, wurde ein weiterer, für diesen Typ besser angepasster Ansatz ausgewählt und die Ergebnisse kombiniert.
Nach Durchführung der Berechnungen erfolgte die Attributierung der Punkte hinsichtlich Lage, Höhe und Entfernung zum Straßenrand, die Ausweisung der für das Bundesfernstraßennetz relevanten Baumkandidaten sowie daran anknüpfend die Zuweisung der Summe aller potentiell gefährlichen Bäume an den jeweiligen Straßenabschnitt.
LiDAR-based site identification and inventory of trees along the national trunk road network of North Rhine-Westphalia
The aim of this research project was the development of a method on the basis of free accessible data that identifies and parameterises single trees as well as providing appropriate tools for the implementation of the developed processes and workflows to the geographic information system Esri ArcGIS. For the fulfilment of this research objective, a literature analysis was first carried out. Based on this, a primary procedure was inferred.
The identification of single trees was realized by the derivation of a canopy height model using the high-resolution LiDAR data provided by the federal state of North Rhine-Westphalia. In order to reduce any false classification results corresponding to non-vegetation areas, the Normalized Difference Vegetation Index was calculated and later on used to extract only those potential tree crows which refer to vegetation-covered sites.
For the determination of a suitable method several models with differently processed raw data were calculated, validated and iteratively adjusted to gain the optimal settings for tree identification. Despite manifold adjustments it was concluded, that a universal approach that considers all of the prevailing vegetational conditions does not exist. Finally, the chosen method obtains a rate of recognition between 65 – 75% for single deciduous and 60 – 65% for single coniferous trees, but especially environments such as coniferous woodlands were distinctively underestimated. Thus, an additional approach was calculated to cover these settings and results from both configurations were combined to accomplish a better overall outcome.
The obtained tree candidates were then subsequently parametrized by location, height and distance attributes. At last, all relevant potential trees related to the road network were retrieved and this information was joined to the respective road sections to enable a fast and effective way for analyzation and visualization of vulnerable parts of the trunk road network due to tumbling trees.