Ein neuer Artikel zeigt eine neuartige, rechnerisch effiziente Methode zur Identifizierung von Baumarten in LiDAR-Punktwolken.
Da die Fernerkundung die Bewirtschaftung von Wäldern und städtischen Bäumen rasant verändert, ist die automatische Bestimmung von Baumarten jetzt eine große Herausforderung, um diese Fortschritte nutzbar zu machen. In dieser Studie wurde die Verwendung von strukturellen Rindenmerkmalen aus terrestrischen Laserscanner-Punktwolkendaten für die Baumartenbestimmung untersucht. Es wird ein neuer mathematischer Ansatz zur Beschreibung von Rindenmerkmalen vorgestellt, die traditionell von Experten zur visuellen Identifizierung von Baumarten verwendet werden. Anhand dieser Merkmale wurden vier Algorithmen des maschinellen Lernens (Entscheidungsbäume, Random Forest, XGBoost und Support-Vector-Maschinen) trainiert. Diese Methoden erreichten eine hohe Klassifizierungsgenauigkeit zwischen 83 % (Entscheidungsbaum) und 96 % (XGBoost) bei einem Datensatz von 85 Bäumen von vier Arten, die in der Nähe von Krakau, Polen, gesammelt wurden. Die Ergebnisse deuten darauf hin, dass Rindenmerkmale aus Punktwolkendaten die Identifizierung von Arten erheblich erleichtern könnten, indem die Menge der erforderlichen Trainingsdaten durch die Nutzung jahrhundertealter botanischer Kenntnisse reduziert wird. Dieser rechnerisch effiziente Ansatz könnte die Klassifizierung von Arten in Echtzeit ermöglichen.