Automatisierte Bestimmung der Bestockungsdichte in ... - Ladamer
Automatisierte Bestimmung der Bestockungsdichte in ... - Ladamer
Automatisierte Bestimmung der Bestockungsdichte in ... - Ladamer
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Atzberger & Schlerf (2002): Ableitung von <strong>Bestockungsdichte</strong>n aus Orthophotos ....<br />
bietes Idarwald zur Verfügung gestellt. Die<br />
Bilddaten s<strong>in</strong>d aus analogen Orthophotos<br />
im Maßstab 1:5000 abgeleitet, haben e<strong>in</strong>e<br />
Bodenauflösung von 0.25 m x 0.25 m und<br />
liegen als quadratische Kacheln mit e<strong>in</strong>er<br />
Seitenlänge von 2 km vor.<br />
Da sich die vorliegende Untersuchung<br />
lediglich auf Nadelwaldbestände bezieht,<br />
wurden Nicht-Nadelwaldgebiete ausmaskiert.<br />
Die Nadelwaldmaske ist zuvor mittels<br />
e<strong>in</strong>er unüberwachten Landnutzungsklassifikation<br />
aus hyperspektralen Fernerkundungsdaten<br />
(HyMAP) abgeleitet worden<br />
(SCHLERF et al., 2002). Alle nachfolgenden<br />
Analyseschritte beziehen sich lediglich<br />
auf diesen maskierten Ausschnitt<br />
des gesamten Orthophotomosaiks.<br />
Im Untersuchungsraum wurden <strong>in</strong>sgesamt<br />
40 Fichtenbestände als Referenzflächen<br />
ausgewählt. An ihnen wurden Kalibration<br />
und Verifikation des Algorithmus<br />
vollzogen. Für jeden Bestand wurde e<strong>in</strong><br />
repräsentatives Teilbild aus den Orthophotodaten<br />
extrahiert. Die Größe <strong>der</strong><br />
verschiedenen Teilflächen schwankt zwischen<br />
0.10 und 0.25 ha. Durch manuelle<br />
Auszählung konnten die Stammzahlen<br />
bestimmt und daraus die entsprechenden<br />
<strong>Bestockungsdichte</strong>n berechnet werden;<br />
ihre Dichte schwankt zwischen rund 200<br />
und 800 Bäumen ha -1 . Zur Überprüfung<br />
dieser Zählergebnisse wurden zusätzlich<br />
<strong>Bestockungsdichte</strong>n für representative<br />
Teilflächen von 30 m x 30 m im Gelände<br />
erhoben (hier nicht weiter verwendet).<br />
3 - METHODENBESCHREIBUNG<br />
3.1 - Übersicht<br />
Der <strong>in</strong> MATLAB (THE MATHWORKS,<br />
2000) programmierte Algorithmus macht<br />
sich den Helligkeitsunterschied zwischen<br />
Baumkronen und Untergrund zu Nutze, um<br />
e<strong>in</strong>zelne Bäume mittels Schwellwert (SW)<br />
zu identifizieren. Aus bereits oben genannten<br />
Gründen existiert jedoch ke<strong>in</strong> allgeme<strong>in</strong><br />
gültiger Grenzwert; vielmehr gibt<br />
es für jeden Bildbereich e<strong>in</strong>en optimalen<br />
Wert, mit dem e<strong>in</strong>e bestmögliche Trennung<br />
von Baumkronen und Untergrund<br />
erzielt werden kann. Wird <strong>der</strong> Wert zu<br />
3<br />
hoch gesetzt, werden relativ dunkle bzw.<br />
kle<strong>in</strong>e Baumkronen nicht erkannt. Bei e<strong>in</strong>em<br />
zu ger<strong>in</strong>gen Grenzwert können Bildpixel,<br />
die H<strong>in</strong>tergrund darstellen, fälschlicherweise<br />
als Krone <strong>in</strong>terpretiert werden,<br />
wodurch mehrere E<strong>in</strong>zelkronen zu e<strong>in</strong>er<br />
großen Baumkrone zusammengefasst würden.<br />
Daher wird vorgeschlagen, den<br />
Schwellwert <strong>in</strong>direkt aus bildstatistischen<br />
Parametern abzuleiteten (z.B. Standardabweichung),<br />
wobei jeweils nur e<strong>in</strong> 100 x<br />
100 Pixel großes Fenster des Gesamtbildes<br />
betrachtet wird (entspricht 25 m x 25 m).<br />
Dieses bewegt sich im Verlauf <strong>der</strong> Analyse<br />
schrittweise weiter (Schrittweite: 5 m).<br />
Im Anschluss an die B<strong>in</strong>arisierung erfolgt<br />
<strong>in</strong> e<strong>in</strong>em weiteren Bildbearbeitungsschritt<br />
e<strong>in</strong> so genanntes Open<strong>in</strong>g. Open<strong>in</strong>g<br />
bezeichnet e<strong>in</strong>e Erosion gefolgt von e<strong>in</strong>er<br />
Dilatation. Im Erosionsschritt werden weiße<br />
Bildpixel am äußeren Rand e<strong>in</strong>er<br />
Baumkrone entfernt, um zusammenhängende<br />
Objekte aufzutrennen. Gleichzeitig<br />
werden zu kle<strong>in</strong>e Objekte, die <strong>in</strong> <strong>der</strong> Realität<br />
ke<strong>in</strong>e Baumkronen repräsentieren,<br />
elim<strong>in</strong>iert. Im anschließenden Dilatationschritt<br />
erfolgt e<strong>in</strong>e Zusammenführung<br />
räumlich sehr nahe beie<strong>in</strong>an<strong>der</strong> liegen<strong>der</strong><br />
Objekte, <strong>in</strong>dem weiße Bildpixel h<strong>in</strong>zugefügt<br />
werden (PRATT, 1991).<br />
Zur <strong>Bestimmung</strong> <strong>der</strong> Gesamtzahl an Objekten<br />
<strong>in</strong> e<strong>in</strong>em Bildausschnitt werden die<br />
Objekte automatisch mit Labeln versehen,<br />
nummeriert und gezählt (HARALICK &<br />
SHAPIRO, 1992), wobei die Objektgröße<br />
unberücksichtigt bleibt. Die im aktuellen<br />
Bildausschnitt ermittelte <strong>Bestockungsdichte</strong><br />
wird letztendlich an die Position des<br />
Zentralpixels <strong>in</strong> das Ausgabebild zurückgeschrieben.<br />
Bestandsweise aggregriert,<br />
lassen sich aus diesen pixelbezogenen <strong>Bestockungsdichte</strong>n<br />
bestandsweise Merkmale<br />
berechnen (z.B. Mittelwert, Varianz).<br />
3.2 - Bildstatistikbezogene Schwellwertfestsetzung<br />
und Modellkalibration<br />
Zentraler Punkt des vorgestellten Ansatzes<br />
ist die Ermittlung e<strong>in</strong>er bestmöglichen Beziehung<br />
zwischen Schwellwert und Bildstatistik<br />
(hier Standardabweichung <strong>der</strong><br />
Grauwerte im gleitenden Fenster)