Entwicklung eines Workflows zur großflächigen Klassifikation von ALS-Punktwolken auf Basis von OpenData-Produkten des LDBV

Punktwolken aus Airborne-Laserscanning-(ALS-)Systemen ermöglichen eine hochaufgelöste dreidimensionale Erfassung der Erdoberfläche und bilden eine wichtige Grundlage für zahlreiche Anwendungen der Fernerkundung. Gleichzeitig stellt die automatisierte semantische Interpretation der 3D-Punktwolken eine große Herausforderung dar. Ziel dieser Masterarbeit ist die Entwicklung und Evaluierung eines Workflows zur großflächigen Klassifikation von ALS-Punktwolken auf Basis frei verfügbarer OpenData-Produkte des Bayerischen Landesamts für Digitalisierung, Breitband und Vermessung (LDBV). Im Fokus steht dabei die großflächige Übertragung eines bestehenden Klassifikationsschemas des Schweizer Bundesamtes für Landestopografie (swisstopo) auf bayerische Datensätze. Die ausschließlich auf OpenData basierende Arbeit umfasst einen vollständigen Workflow von der Datenvorverarbeitung über die Merkmalsextraktion bis hin zur automatisierten Klassifikation und regelbasierten Nachbearbeitung.

Im Zuge der halbautomatischen Vorverarbeitung liegt der Schwerpunkt auf der Vereinheitlichung der Datensätze. Hierzu zählen die Integration von RGB-Informationen aus dem Digitalen Orthofoto (DOP), die Berechnung eines Vegetationsindexes (Excess Green Index), die Normalisierung der Laserintensität sowie die Ableitung relativer Höheninformationen. Vor der Klassifikation werden Bodenpunkte aus den 3D-Punktwolken entfernt, um ausschließlich oberirdische Objektstrukturen zu analysieren. Die verbleibenden 3D-Punkte werden anschließend mithilfe eines Random-Forest-(RF-)Ensembles mittels des 3DMASC-Plugins in CloudCompare sechs semantischen Klassen zugeordnet: Vegetation, Gebäudedächer, Strom- und Verkehrsleitungen, Strommasten, Brückenbauwerke und Gebäudefassaden. Zur Bewertung der Generalisierungsfähigkeit wird das auf OpenData der Schweiz trainierte und optimierte RF-Modell zunächst auf statistisch unabhängigen Verifizierungsgebieten in der Schweiz evaluiert. Dabei werden je nach Szene mittlere F1-Scores zwischen 0,73 und 0,84 erzielt. Besonders hohe Genauigkeiten zeigen die Klassen Vegetation und Gebäudedächer mit F1-Scores über 0,95. Auch Stromleitungen und Masten werden mit F1-Scores von 0,99 bzw. 0,94 zuverlässig erkannt. Herausforderungen bestehen vor allem bei geometrisch ähnlichen Klassen wie Brücken und Dachflächen sowie bei komplexen Fassaden- und Infrastrukturelementen.

Die anschließende Übertragung auf die ALS-Daten des LDBV bestätigt die grundsätzliche Übertragbarkeit des Ansatzes. Verbleibende Fehlklassifikationen werden durch eine regelbasierte Nachprozessierung mithilfe zusätzlicher OpenData (Gebäudeumringe) sowie Clusteranalysen (DBSCAN und Connected Components) größtenteils reduziert und die semantische Konsistenz der Punktwolken verbessert. Erste Versuche zur weiterführenden Objektifizierung der semantisch segmentierten Punktwolken zeigen bereits vielversprechende Ergebnisse und verdeutlichen das Potenzial, aus den punktbasierten Klassifikationen künftig automatisiert strukturierte 3D-Objekte und Geodatenprodukte abzuleiten.

Insgesamt zeigt die Arbeit, dass die Kombination aus datengetriebener Klassifikation und regelbasierter Nachbearbeitung eine leistungsfähige und wirtschaftliche Lösung für die großflächige Verarbeitung von LiDAR-Daten darstellt. Perspektivisch bieten insbesondere automatisierte Vorverarbeitungsschritte sowie Deep-Learning-basierte Ansätze Potenzial zur weiteren Verbesserung der Klassifikationsergebnisse.