Einzelbaumerkennung mithilfe von Machine Learning

Mit einem Open-Source-Ansatz wurde eine automatisierte Detektion von Einzelbaumstandorten aus Fernerkundungsdaten mittels eines Machine Learning (ML) Ansatzes entwickelt.

 

Herausforderung

Die Entwicklung eines Verfahrens zur automatischen Detektion von Einzelbäumen mit Hilfe von maschinellem Lernen (ML) und Luftbildern bringt mehrere Herausforderungen mit sich. Hier sind einige der Wichtigsten:

  • Training von ML-Modellen: für das Training von ML-Modellen sind genaue Trainingsdaten unerlässlich. Soweit wie möglich ist die Datenerstellung und Qualitätskontrolle zu automatisieren.
  • Variabilität der Baumarten und Umgebungen: Bäume variieren stark in Größe, Form und Farbe, abhängig von der Art und dem Standort. Unterschiedliche Umgebungen (städtisch, ländlich, Wald, Park) stellen unterschiedliche Herausforderungen dar, wie z.B. die Unterscheidung von Bäumen von anderen grünen Flächen oder Strukturen.
  • Komplexe Hintergründe und Überlappungen: In dicht bewaldeten Gebieten können Bäume überlappen, was ihre individuelle Erkennung erschwert. Zudem können Schattenwürfe, Gebäude und andere Strukturen die Erkennung stören.
  • Skalierbarkeit und Rechenanforderungen: ML-Modelle, insbesondere tiefe neuronale Netze, erfordern oft erhebliche Rechenressourcen für Training und Inferenz, besonders bei der Verarbeitung großer Mengen hochauflösender Bilder.
  • Generalisierbarkeit des Modells: Ein Modell, das auf einem bestimmten Satz von Luftbildern gut funktioniert, könnte bei anderen Bildern schlechter abschneiden. Die Herausforderung besteht darin, ein robustes Modell zu entwickeln, das unter verschiedenen Bedingungen und in verschiedenen Regionen zuverlässig funktioniert.
Leistungen

Die Firma mundialis hat das Projekt vollumfänglich umgesetzt. Die Umsetzung erfolgte in den folgenden Arbeitsschritten:

  • Analyse der Bestandsdaten des Kunden
  • Erstellung einer Methodik für die Einzelbaumdetektion
    • Vergleich von zwei Ansätzen: Machine Learning (Random Forest) vs. Neuronales Netz
    • Machine Learning als Methodik der Wahl
    • Automatisches Generieren von Trainingsdaten
    • Postprozessierung: pixel-basierter Klassifizierungsoutput in objekt-basierte Einzelbäume
  • Ableitung von Parametern
    • Stammposition
    • Baumhöhe
    • Abstand zum nächsten Gebäude/ nächsten Baum
    • Kronendurchmesser, -volumen, -fläche
    • Unterscheidung in Laub- und Nadelbäume (mit eigener Klassifizierung)
  • Qualitätssicherung auf Basis von Referenz-Baumkataster
  • Übergabe von Software und Ergebnisdaten sowie Dokumentation an den Auftraggeber
Ergebnis
  • Erstellung einer Methodik für die Einzelbaumdetektion mittels Machine Learning und Deep Learning
  • Umsetzung der Machine Learning Methode für automatisierte Klassifikation
  • Ableitung von Baumparametern
  • Bereitstellung der Ergebnisse und der implementierten Software
Kunde
Regionalverbund Ruhr

Story

Die Kenntnis der Standorte von Einzelbäumen sowie der Entwicklung des Baumbestandes ist eine wichtige Grundlage für verschiedene Fragestellungen der grünen Infrastruktur, der Raumbeobachtung und des Klimas. Solche Informationen lagen in der Metropole Ruhr bisher nur vereinzelt und unvollständig vor, beispielsweise in Form von kommunalen Baumkatastern. Für einen flächendeckenden Ansatz wurde im Rahmen des Projektes für den Regionalverband Ruhr (RVR) eine automatisierte Detektion von Einzelbaumstandorten aus Fernerkundungsdaten mittels eines Machine Learning (ML) Ansatzes entwickelt.