Detailansicht
DBH prediction at the individual tree level
analysing rasterized scenes from als point clouds using convolutional neural networks
Pit Back
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Krzysztof Janowicz
DOI
10.25365/thesis.76428
URN
urn:nbn:at:at-ubw:1-24225.95189.378352-6
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Der Einsatz von neuronalen Netzen im Bereich der Forstwirtschaft entwickelt sich schnell und hat bereits einige vielversprechende Publikationen hervorgerufen. Dennoch ist die Erfassung des Brusthöhendurchmessers (BHD) bei einzelnen Bäumen eine Herausforderung, da dieser Wert mit keiner luftgestützten Fernerkundungstechnologie direkt und in großem Maßstäben ermittelt werden kann. Die Punktwolken in einem Datensatz, der aus luftgestütztem Laserscanning stammt, enthalten strukturelle Information über Baumkronen, die für eine Schätzung des BHD mit der Standardmethode, einer multiplen linearen Regressionsanalyse nur vereinfacht verwendet werden können. Demnach ist es nur möglich, die Höhe, den Kronendurchmesser, die Kronenlänge und ähnliche abgeleitete Werte als Indikatorwerte für die Schätzung des Brusthöhendurchmessers mit Regressionsrechnungen heranzunehmen. Darüber hinaus gibt es wenig Forschung zur Schätzung des BHD und anderer Parameter von frei stehenden Bäumen im Offenland, wo Bäume eine wichtige Rolle als Lebensraum und Korridor für endemische Tiere und Pflanzen spielen. Diese Arbeit erforscht einen neuen Ansatz zur Schätzung des BHD von Bäumen in der offenen Landschaft, bei der die Struktur, sowie Form und Größe, von Einzelbäumen aus luftgestützten LiDAR Punktwolken, in eine 2D-Rasterdatei projiziert wird, bevor ein faltendes neuronales Netzwerk (ResNet50) mit diesen Bildern trainiert wird. Ziel ist es, ein Modell zur Schätzung des Brusthöhendurchmessers einzelner Bäume zu erstellen. Diese Methode erreicht eine Genauigkeit von 17.7 Zentimetern für einen bestimmten Durchmesserbereich, während die Standardmethode eine Genauigkeit von 19.9 Zentimetern in diesem Bereich erreicht. Die durchschnittliche Genauigkeit ist ebenfalls um drei Zentimeter oder 8.8% höher. Das Regressionsmodell liefert lediglich in jenen Bereichen bessere Ergebnisse, in denen nur wenig Trainingsdaten zur Verfügung standen. Die neue Methode erlaubt Verbesserungsansätze, die bei der Regressionsanalyse nur sehr schwer bis gar nicht durchgesetzt werden können, dies beispielsweise durch die Erkennung von natürlichen Ausreißern beim Verhältnis Höhe - Brusthöhendurchmesser bei besonders alten und untypischen Bäumen. Eine Weiterentwicklung der Methode mit Berücksichtigung der Fehler und Erfahrungen könnte einen signifikanten Beitrag zu diesem Forschungsbereich leisten.
Abstract
(Englisch)
The use of convolutional neural networks is becoming increasingly popular in forestry. Nevertheless, diameter at breast height (DBH) determination is a challenge, as it cannot be directly obtained from any remote sensing technology on a large scale. The point clouds in a dataset derived from airborne laser scanning contain structural data about trees, which can only be simplified for DBH estimation using statistical predictive approaches. Moreover, there is a lack of research in estimating DBH and other parameters on trees in open landscapes, where trees play an important role as habitats and corridors for endemic wildlife and fauna. This thesis proposes a framework for estimating the DBH of trees in the open landscape by projecting their structure as it is represented in an ALS derived point cloud into a 2D raster file before training a convolutional neural network (ResNet50) on these images to create a model for estimating individual tree DBH. The heterogeneity of trees in the open landscape in terms of morphology, age and species and the use of 2D raster files as training data is separating this work from methodologically similar publications in forestry applications, where high accuracies are achievable due to their use in a more homogeneous environment. The lack of comparable publications is accounted for through the adaptation of a multiple linear regression analysis inspired by publications in the forestry domain in order to create a frame of reference. The results show that overall, the CNN model outperformed the regression analysis by only three centimetres or 8.8% in accuracy, demonstrating its ability as an alternative tool for estimating DBH. In a certain DBH range, the CNN method, an RSME of 17.7cm was achieved, while the MLR model produced a maximal RSME of 19.2cm. However, the accuracy of both the CNN model and the MLR model was dependent on solid training data. The CNN outperformed the regression in every range where solid training data was available. The accuracy of the ranges where less than 15 samples were available suffered significantly and the regression outperformed the CNN method. The relatively low point density of the data used in this study negatively influenced the estimation accuracy while simultaneously proving that it is still possible to achieve good results with very poorly represented objects. Tree species estimation remains a challenge yet to be tested with this method. The work relies on manual tree crown delineation, which must be automated for use on larger scales. The conclusion presents a list of improvements that can be explored by future researchers in order to build upon this research.
Schlagwörter
Schlagwörter
(Deutsch)
Faltende Neuronale Netzwerke Künstliche Intelligenz Brusthöhendruchmesser Freistehende Bäume Baumparameter Multiple Lineare Regression Durchmesser Bäume Ökologie luftgestütztes Laserscanning
Schlagwörter
(Englisch)
Convolutional Neural Networks Artificial Intelligence Diameter at breast height Tree Parameter Estimation Airborne Laser Scanning LiDAR Tree Diameter Forestry Ecology Computer Vision
Autor*innen
Pit Back
Haupttitel (Englisch)
DBH prediction at the individual tree level
Hauptuntertitel (Englisch)
analysing rasterized scenes from als point clouds using convolutional neural networks
Publikationsjahr
2024
Umfangsangabe
XI, 75 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Krzysztof Janowicz
AC Nummer
AC17258473
Utheses ID
71853
Studienkennzahl
UA | 066 | 856 | |