UncertainTree

In der Forstwirtschaft gibt es einige wichtige Werte, die den Zustand von Wald beschreiben, z.B. die Biomasse, oder das Holzvolumen. Um diese Werte auf großen Waldflächen bestimmen zu können, wird oft eine Methode namens Laserscanning eingesetzt. Dabei fliegt meist ein Flugzeug mit einem solchen Scanner, der unsichtbare Laserstrahlen aussendet. Diese werden an Blättern, Ästen, Stämmen und dem Waldboden reflektiert, und die Reflexion wird vom Laserscanner aufgezeichnet. Damit lässt sich ein dreidimensionales Bild des Waldes schaffen, die sogenannte Punktwolke. Der Laserstrahl ist dabei nicht eine perfekte Linie, sondern weitet sich auf und beleuchtet eine Fläche. Damit dringt er auch durch kleine Lücken zwischen den Blättern hindurch und erlaubt es, die vertikale Architektur des Waldes zu vermessen. Wenn Bäume durch den Wind bewegt werden, und Blätter wackeln, wird die Punktwolke jedes Mal anders aussehen, auch wenn der Baum nicht gewachsen ist. In diesem Forschungsprojekt möchten wir herausfinden, wie sich diese Änderung in der Punktwolke in den berechneten Werten wie z.B. der Biomasse auswirkt. Wenn man diese Unsicherheiten kennt, können Wissenschaftler und Forstwirte bestimmen, ob ein Zuwachs in der Biomasse tatsächlich ein Wachstum des Baumes ist, oder ob sich nur die Blätter im Wind bewegt haben. Wir erforschen drei Herangehensweisen, um diese Unsicherheiten zu bestimmen. Zunächst betrachten wir Teile des Waldes, die innerhalb von weniger Minuten mehrfach vermessen wurden. Bei der Vermessung aus dem Flugzeug fliegt man typischerweise Streifen, die sich am Rand etwas überlappen, um keine Lücken entstehen zu lassen. In den Überlappungsbereichen können wir nun die Biomasse für beide Streifen getrennt bestimmen. Über die Differenz der Werte können wir eine Statistik rechnen, die uns angibt, wie viel Unterschied zwischen den Streifen zu erwarten ist. Im zweiten Experiment nehmen wir Datensätze, bei denen derselbe Wald mehrfach über einen Zeitraum mehrerer Jahre beflogen wurde. Wir versuchen dann, einem Computer beizubringen, wie Bäume wachsen, indem wir ihm viele Bäume der gleichen Art zeigen. Die Vermutung dabei ist, dass ähnlich alte Bäume, die in derselben Umgebung stehen, ähnlich wachsen. Dieses Wachstum wird dann von der Zeitreihe abgezogen, und es bleibt die Unsicherheit der einzelnen Messungen übrig. Zum Abschluss erstellen wir digitale 3D-Modelle von Bäumen. Mithilfe einer Physik-Simulation können wir dann Wind erstellen, der die Blätter und Äste bewegt, und einzelne Schnappschüsse machen. Auf diesen 3D Schnappschüssen simulieren wir Laserscanning. Damit kann der Einfluss der Blattpositionen auf die Biomasseschätzung bestimmt werden. Die Windstärke frei wählbar, daher können wir untersuchen, wie genau der Wind die Unsicherheiten beeinflusst. Wir gehen davon aus, dass stärkerer Wind zu höherer Unsicherheit führt. Außerdem schätzen wir, dass die Baumart einen Einfluss hat etwa wird eine Trauerweide mehr vom Wind bewegt als ein Ahornbaum.

Biomasse ist ein wichtiger Parameter in der Vermessung unserer Wälder. Um großflächige Schätzungen von Biomasse zu erhalten, werden oft Daten in Form von 3D-Punktwolken aus flugzeuggestütztem Laserscanning genutzt, die mit punktuellen, bodengestützten Messungen aus der Forstinventur kombiniert werden. Besonders, wenn Veränderungen (Waldwachstum, Stagnation durch Schädlingsbefall, ) untersucht werden sollen, ist es wichtig, dass die Biomassewerte auch mit einer Abschätzung der dazugehörigen Unsicherheit behaftet werden. Erst dann werden sinnvolle Vergleiche möglich. Im FWF-Projekt "UncertainTree" wurde untersucht, wie diese Unsicherheit aus vorhandenen Daten bestimmt werden kann, und welche Einflüsse während der Datenaufnahme eine Rolle spielen. Dafür wurden Daten des Petawawa Research Forest in Kanada hergenommen, und in einzelne Befliegungsstreifen aufgeteilt. Die Streifen wurden überlappend geflogen, sodass eine mehrfache Quantifizierung der Biomasse für denselben Ort möglich ist. Diese Biomassewerte wurden mit den Ergebnissen ohne vorherige Aufteilung verglichen. Dabei wurde eine Root-Mean-Square-Differenz (RMSD, ein Maß für die Streuung der Schätzungen) von 10-20 Tonnen pro Hektar bestimmt. Der Modellfehler der Biomasseschätzung ist, zum Vergleich, bei 40-50 Tonnen pro Hektar (bei Gesamtbiomassen von 0-150 Tonnen pro Hektar). Damit wird klar, dass Effekte der Aufnahmegeometrie und die Bewegung der Vegetation während der Aufnahme nicht vernachlässigt werden sollten, und Befliegungsbedingungen (Windgeschwindigkeit und Richtung, Böen, Streifenüberlappung) in den Metadaten mitaufgenommen werden sollten. Ein zweites Experiment verwendete ein künstliches neuronales Netz (NN), um Biomasse aus den Laserscanning-Punktwolken direkt abzuleiten. Dies wird für zwei Epochen, im Fall des Petawawa Research Forest für 2012 und 2018, durchgeführt. Das neuronale Netz lernt dabei selbstständig einen Merkmalsvektor, die für die Schätzung der Biomasse geeignet ist. Dieser Vektor wurde extrahiert und damit ein weiteres neuronales Netz trainiert, welches den Merkmalsvektor von 2018 aus dem Merkmalsvektor von 2012 ableitet. Damit wird ein Modell von Waldwachstum gelernt. Zuletzt lässt sich die Differenz der aus den Daten von 2012 für 2018 vorhergesagten Biomasse zur tatsächlichen Biomasse in 2018 bestimmen. Hier gibt wiederum die Streuung (RMSD) von 30-40 Tonnen pro Hektar ein Maß dafür, wie unsicher die einzelnen Biomasseschätzungen sind. Um den Einfluss der Aufnahmegeometrie vollständig vom Einfluss der Bewegung der Objekte während der Aufnahme trennen zu können wurden zusätzlich Simulationen durchgeführt. Dabei wurden hochdetaillierte computergenerierte 3D-Baummodelle in einer Modellierungssoftware erstellt. Zusätzlich wurde die Bewegung der Blätter und Äste mit verschiedenen Windstärken simuliert, und dabei Schnappschüsse der Geometrie erstellt, welche dann in einer Laserscanning-Simulationssoftware für die Erstellung von Punktwolken genutzt wurden. Die mittlere Höhe der Laserpunkte, die sich im ersten Experiment als wichtiger Parameter für die Biomasseschätzung herauskristallisiert hat, wurde dann für die verschiedenen Windstärken (Streuung bis zu 70 cm) und für unterschiedliche Aufnahmegeometrien (Streuung bis zu 5 cm) bestimmt und mit der Referenz ohne Wind verglichen. Die Simulation zeigte nochmals, dass Bewegung der Vegetation während der Aufnahme einen großen Einfluss auf die Biomasseschätzungen haben kann.