Detektion von Laub- und Nadelbäumen in Luftbildzeitreihen mittels eines neuronalen Netzes

Die Masterarbeit befasst sich mit der Detektion von Laub- und Nadelbäumen in Luftbildzeitreihen unter Verwendung eines neuronalen Netzes. Ziel war die Entwicklung einer Methode zur präzisen Detektion einzelner Bäume unter Berücksichtigung von radiometrischen Abweichungen in den Bilddaten (siehe Abb. 1).

Im Rahmen der Arbeit wurde ein neuer Ansatz verfolgt, bei dem bereits erfasste Labels über mehrere Befliegungsjahre hinweg auf weitere Orthofotos derselben Szene übertragen wurden, um die Varianz der Daten zu erhöhen, anstatt die Trainingsdaten künstlich zu erweitern. Ein bestehender Datensatz mit Einzelbäumen wurde erweitert und in die Klassen Laub- und Nadelbaum unterteilt, wobei semi-automatische Methoden zum Einsatz kamen, um den manuellen Aufwand zu minimieren. Die Erfassung neuer Baumobjekte erfolgte zunächst mit der Open-Source-Software DeepForest, gefolgt von einer manuellen Korrektur. Anschließend wurde die Klassifizierung der Bäume mit einem Random-Forest-Verfahren vorgenommen. Die Zuweisung der Klassen zu den detektierten Baumobjekten erfolgte basierend auf dem Mehrheitsprinzip der klassifizierten Pixel innerhalb der Objektrahmen. Die Objektdetektion wurde mit dem neuronalen Netz YOLOv8 durchgeführt, das sich durch hohe Effizienz und Genauigkeit auszeichnet. Die Methodik beinhaltete eine umfangreiche Vorverarbeitung der Daten, einschließlich der Berechnung eines normalisierten digitalen Oberflächenmodells (nDOM).

Die Arbeit berücksichtigt radiometrische Abweichungen der Bilddaten durch die Verwendung von Bilddaten aus unterschiedlichen Befliegungsjahren der Bayernbefliegung des Landesamts für Digitalisierung, Breitband und Vermessung (Abb. 2). Die untersuchten Befliegungsgebiete umfassten München, Dachau, Berchtesgadener Land, Augsburg und Bad Kissingen. Die experimentellen Ergebnisse zeigen, dass der vorgeschlagene Ansatz eine zuverlässige Detektion einzelner Laub- und Nadelbäume ermöglicht (Abb. 3 und Abb. 4). Die Nutzung von Luftbildzeitreihen trug zur verbesserten Generalisierung des Modells bei, indem es auf Bilder mit unterschiedlichen Beleuchtungs- und Aufnahmebedingungen trainiert wurde. Damit bietet die entwickelte Methodik eine vielversprechende Grundlage für die großflächige Vegetationskartierung auf Einzelbaumebene.