Detailansicht
A multi-modal machine learning framework for forest plantation identification
supporting regulatory monitoring of illegal Christmas tree cultivation in Sauerland, Germany
Felix Kausler
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Kartographie und Geoinformation
Betreuer*in
Andreas Riedl
DOI
10.25365/thesis.80151
URN
urn:nbn:at:at-ubw:1-13867.31625.566080-2
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Das Sauerland in Nordrhein-Westfalen ist mit einer Fläche von rund 4.700 ha das größte Weihnachtsbaum-Anbaugebiet Europas. Die Überwachung der Einhaltung der geltenden Vorschriften zur Anlage von Weihnachtsbaumkulturen (WBKs) stellt aufgrund derzeitiger arbeitsintensiver manueller Inspektionsmethoden eine Herausforderung für den zuständigen Landesbetrieb Wald und Holz NRW dar. Im Rahmen dieser Forschungsarbeit wurde ein Framework für ein Verfahren mit maschinellem Lernen (ML) zur automatisierten Erkennung von WBKs in Luftbildern unter Verwendung von YOLO-Architekturen entwickelt und evaluiert. Ein alternativer Ansatz mit einem Random-Forest-Classifier wurde ebenfalls untersucht und zeigte mit segmentierten Daten vielversprechende Ergebnisse, jedoch mit beschränkter Skalierbarkeit. Die Methodik umfasste eine systematische Bewertung von RF sowie YOLOv5, YOLOv8 und YOLOv12 in 36 Modellkonfigurationen unter Verwendung umfassender Datensätze, darunter True Digital Orthophotos (RGB und RGBI), normalisierte digitale Oberflächenmodelle (nDSM) und legale WBK-Polygone des Landesbetriebs. Um Trainingsdaten zu generieren, wurden diese Polygone einer höhenbasierten Filterung (Schwellenwerte von 0,3 bis 4 m) unterzogen, um eine Identifizierung aktiver Kulturen sicherzustellen. Die Ergebnisse zeigten, dass ML-Verfahren WBKs mit hoher Genauigkeit erfolgreich erkennen. YOLOv5 erzielte mit einem F1-Score von 84,32 %, einer Präzision von 74,10 % und einer Sensitivität von 97,81 % eine optimale Leistung. Alle drei Modelle wiesen durchweg hohe Sensitivität (> 97 %) auf und erfüllten damit die Projektanforderungen hinsichtlich falsch-negativer Fehler, da diese ein größeres Risiko darstellen als falsch-positive. Entgegen den Erwartungen führte die Implementierung von RGBI zu erhöhten Falsch-Positiv-Raten in städtischen Gebieten ohne entsprechende Verbesserungen bei Richtig-Positiven, was darauf hindeutet, dass RGB-Bilder ausreichende spektrale Informationen liefern. Die Integration von nDSM-Daten ermöglichte eine effektive höhenbasierte Filterung bei der Auswertung der Modellergebnisse, und Datensätze von Wald- und Schadflächen halfen bei der Identifizierung verdächtiger Kulturen unter den korrekten erkannten WBKs. Das Framework ermöglicht die Überwachung der Einhaltung der Vorschriften über ein automatisiertes, skalierbares Monitoring. Die Landesbehörde bestätigte die Erfüllung der Anforderungen, wobei die geplante Implementierung die praktische Anwendbarkeit für eine nachhaltige Waldbewirtschaftung in Nordrhein-Westfalen aufzeigt.
Abstract
(Englisch)
The Sauerland region in North Rhine-Westphalia (NRW), Germany, represents Europe's largest Christmas tree production area, encompassing approximately 4,700 ha. The monitor-ing of regulation compliance of the establishment of Christmas tree plantations presents a significant challenge for the responsible State Agency for Forests and Wood NRW because of current labour-intensive manual inspection methods. This research project developed and evaluated a Machine learning framework for automated detection of Christmas tree plantations (CTPs) in aerial imagery using YOLO architectures. An alternative Random Forest classification approach was also investigated, showing promising results in segmentation-based workflows but with limitations in operational scalability. The method-ology employed systematic evaluation of RF, as well as YOLOv5, YOLOv8, and YOLOv12 across 36 model configurations, utilising comprehensive datasets including True Digital Orthophotos (RGB and RGBI), normalised Digital Surface Models (nDSM), and legal CTP polygons from the State Agency. To generate training data, these polygons, were processed through height-based filtering (0.3 to 4 m thresholds) to ensure active plantation identification. Results demonstrated that Machine learning approaches successfully detect Christmas tree plantations with high accuracy. YOLOv5 achieved optimal performance with F1-score 84.32%, precision 74.10%, and recall 97.81%. All three models maintained consistently high recall values (> 97%), meeting the project requirements regarding false negative errors, as they represent greater operational risk than false positive detec-tions. Contrary to expectations, RGBI implementation produced increased false positive rates in urban areas without corresponding improvements, indicating RGB imagery provides sufficient spectral information. Multi-modal integration of nDSM data enabled ef-fective height-based filtering when evaluating model results. Datasets of woodland and damaged forest areas aided in identification of suspicious plantations in the correct detec-tions of Christmas tree cultivation. The framework successfully addresses current enforce-ment limitations, providing automated scalable monitoring capabilities. The State Agency confirmed operational requirements were met, with planned future implementation demonstrating practical applicability for sustainable forest management in North Rhine-Westphalia.
Schlagwörter
Schlagwörter
(Deutsch)
GIS Machine Learning Deep Learning Fernerkundung YOLO Forstwirtschaft
Schlagwörter
(Englisch)
machine learning deep learning forestry remote sensing YOLO GIS
Autor*innen
Felix Kausler
Haupttitel (Englisch)
A multi-modal machine learning framework for forest plantation identification
Hauptuntertitel (Englisch)
supporting regulatory monitoring of illegal Christmas tree cultivation in Sauerland, Germany
Publikationsjahr
2025
Umfangsangabe
xii, 198 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Andreas Riedl
Klassifikation
74 Geographie > 74.48 Geoinformationssysteme
AC Nummer
AC17763926
Utheses ID
78769
Studienkennzahl
UA | 066 | 856 | |