Titelaufnahme

Titel
Quantification of single-tree structure in mountain forests using terrestrial laser scanning / von Di Wang
Verfasser / Verfasserin Wang, Di
Begutachter / BegutachterinPfeifer, Norbert
ErschienenWien, 2018
Umfangxxviii, 127 Seiten : Illustrationen, Diagramme
HochschulschriftTechnische Universität Wien, Dissertation, 2018
Anmerkung
Zusammenfassung in deutscher Sprache
SpracheEnglisch
DokumenttypDissertation
Schlagwörter (EN)laser scanning / terrestrial laser scanning / mountain forests / trees
URNurn:nbn:at:at-ubtuw:1-114632 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Quantification of single-tree structure in mountain forests using terrestrial laser scanning [24.35 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Gebirgswälder stellen für eine Vielzahl von Bereichen einen Nutzen dar, von Schutz vor Naturgefahren über die Holzproduktion, den Erhalt der Biodiversität bis hin zu Kohlenstoffspeicherung und Milderung des Klimawandels. Für eine nachhaltige Bewirtschaftung der Gebirgswälder ist dabei das Verständnis und die Überwachung der detaillierten Struktur auf Einzelbaum-Niveau von ebenso großer Bedeutung wie deren flächenbasierte Bewertung. Die feinskalige, drei-dimensionale (3D) Waldstruktur kann mittels terrestrischem Laserscanning (TLS) ausgewertet werden, was genaue, hochauflösende Messungen (3D-Punktwolken) der Objekte liefert. Durch TLS konnten bisher große Fortschritte bei der Einzelbaum-Quantifizierung erzielt werden, da sich damit erfolgreich Attribute wie die Position des Stammes, der Durchmesser, die Stammkurve, das Stammvolumen und Biomasse-Komponenten ableiten lassen. Bisherige Ansätze wurden primär für bewirtschaftete Wälder oder Wälder in flachem Gelände entwickelt. Aufgrund von Faktoren wie der Fruchtbarkeit eines Standorts, den Abständen zwischen den Bäumen, den Lichtbedingungen, Wind und Hangrutschungsereignissen weisen Gebirgswälder jedoch eine komplexere Schicht unterhalb der Kronenschicht auf, welche durch einen mannigfaltigen Unterwuchs, Stämme mit nicht-vertikaler Ausrichtung und durch Stammquerschnitte von nicht-kreisförmiger Form gekennzeichnet sind. Diese Einflüsse erschweren die direkte Anwendung bestehender Methoden für Gebirgswälder. Diese Dissertation richtet sich auf die Bewältigung dieser erschwerenden Bedingungen, indem neue Methoden entwickelt werden, welche den hohen Komplexitätsgrad in der Verarbeitung von TLS Daten aus Gebirgswäldern meistern können. Die Arbeit der Dissertation fokussiert auf die Entwicklung von Methoden mit drei wissenschaftlichen Zielsetzungen; (a) der Unterscheidung zwischen Holz und Blattkomponente des Baumes; (b) der Baumstamm-Detektion und Modellierung in Gebirgswäldern, welche von Hangrutschungen beeinflusst sind; und (c) der Rekonstruktion der Stammquerschnitte. Ein Nebenfokus wird dabei auf eine kluge Punktwolkenstrukturierung gelegt, um die Verarbeitung von Punktwolken von großem Datenvolumen zu ermöglichen. Zuerst wird eine empirische Studie durchgeführt um die Verwendbarkeit von vier verbreiteten überwachten Methoden aus dem Machine-Learning sowie deren Einfluss auf die Merkmalsberechung zu untersuchen. In einer anschließenden Arbeit wird dazu ein neuer, vollautomatischer und unüberwachter Ansatz entwickelt. Experimente bestätigen dessen Stärke in der Unterscheidung zwischen Holzund Blattkomponenten auf Parzellenebene in Gebirgswäldern. Zweitens wird eine neue Methode eingeführt, welche Baumstämme unregelmäßiger vertikaler Ausrichtung detektieren und rekonstruieren kann. Für die rekonstruierten Stämme lassen sich damit hohe Genauigkeiten erzielen im Vergleich zu im Feld erhobenen Referenzdaten. Zum Schluss wird eine neue Methode entwickelt, welche die tatsächliche Form der Stammquerschnitte modelliert und damit mit der Annahme runder Querschnitte der Baumstämme bricht. Die Arbeiten, welche in dieser Dissertation durchgeführt werden, liefern praktische Beispiele und Leitlinien für das Verständnis der Waldstruktur von Gebirgswäldern auf Einzelbaum-Niveau und demonstrieren gleichzeitig, dass die erforderliche Datenverarbeitung weitgehend automatisiert werden kann. Diese Beiträge können dabei helfen, in Zukunft eine intelligentere und nachhaltigere Bewirtschaftung von Gebirgswäldern zu erzielen.

Zusammenfassung (Englisch)

Mountain forests provide a great deal of values, ranging from protection against natural hazards, timber production, biodiversity conservation, to carbon storage and climate change mitigation. Understanding and monitoring the detailed structure information at the single-tree level in mountain forests is equally important as area-wide assessments to sustainably managing these mountain forest services. Fine-scale three dimensional (3D) forest structures can be assessed by using terrestrial laser scanning (TLS) systems, which provide accurate and high-resolution measurements (i.e., 3D point clouds) of objects. TLS has greatly advanced singletree quantifications by successfully extracting attributes such as tree stem location, diameter, stem curve, stem volume and biomass components. However, existing approaches are mainly developed for managed forests or those in flat environments. Due to factors such as site fertility, spacing and light conditions, wind, and landslide events, mountain forests have more complex below-canopy structures mainly featuring multifarious understory, stems with non-vertical orientations and cross-sections that differ significantly from a circular shape. These impacts make it difficult to directly apply existing methods in mountain forests. This dissertation tackles such challenges by developing novel methods that overcome the high degree of complexity in processing TLS data acquired in mountain forests. The work in this dissertation focuses on methodology developments specifically associated to three scientific objectives; (a) separation of tree wood and leaf components; (b) tree stem detection and modeling in mountain landslide-affected forests; and (c) reconstruction of stem cross-sections. A side focus is also paid on smart point cloud structuring in order to assist the processing of large volume point cloud data. Firstly, an empirical study is carried out to examine the feasibility of four popular supervised machine learning methods and the impact of feature calculation. A follow-up work develops a novel approach that is fully automatic and unsupervised. Experiments confirm its strength in separating wood and leaf components for plot-level mountain forests. Second, a new method is introduced that detects and reconstructs tree stems with irregular vertical orientations. The reconstructed stems reach high accuracy compared to field references. Lastly, a new method is developed to model the actual shape of stem cross-sections, which breaks down the assumption that the cross-section of tree stems is circular. These works conducted in this dissertation provide practical examples and guidelines for understanding mountain forest structures at the single-tree level, and at the same time demonstrate that the required data processing can be largely automated. These contributions can help to achieve more intelligent and sustainable mountain forest managements in the future.

Statistik
Das PDF-Dokument wurde 9 mal heruntergeladen.