Suche

    
Suche nur in dieser Rubrik

Erweiterte Suche

Die waldwissen.net-App!

App Waldwissen

Waldwissen Newsletter

Unser Newsletter informiert Sie vier, fünf Mal jährlich per E-Mail über spezielle Beiträge und Waldwissen-Aktivitäten. Ihre E-Mail-Adresse wird lediglich zum Zweck der Zustellung des Newsletters verwendet und nicht an Dritte weitergegeben. Sie können sich jederzeit aus dem Newsletter heraus abmelden oder Ihre Einwilligung per E-Mail an uns widerrufen. Bitte beachten Sie unsere Datenschutzhinweise.

Ihr E-Mail*

Artikel

Autor(en): Jochen Breschan (ETH Zürich)
Redaktion: WSL, Schweiz
Kommentare: Artikel hat 0 Kommentare
Bewertung: Zu Favoriten Druckansicht 49.6749.6749.6749.6749.67 (53)

Der Wald als Baumnetzwerk

Aus Laserscanning-LiDAR-Daten lassen sich digitale Terrain- und Oberflächen- sowie Vegetationshöhen-Modelle berechnen. An der ETH Zürich werden zudem Methoden entwickelt, um automatisch forstlich relevante Merkmale aus dieser neuartigen Datengrundlage über den Wald zu bestimmen: Der Wald als Baumnetzwerk, aus dem sich Karten für praktische Fragestellungen erstellen lassen.

Strukturierter Wald
Abb. 1 - Die Repräsentation des Waldes als 3-D-Vegetationshöhenmodell bietet die Möglichkeit, die Waldstruktur automatisch in abstrakter Form als Netzwerk zu erfassen, und damit forstlich relevante Merkmale zu schätzen. Dieser neue Weg der Informationsbeschaffung stellt die Praxis einige Herausforderungen.

Foto: Jochen Breschan

 

Die Region Klosters/Davos beflog man 2010 mit einem Laserscanner. Aus den gewonnenen LiDAR-Daten (Light Detection and Ranging) wurde im Anschluss ein digitales Terrain- und Oberflächenmodell (DTM, DOM) als Raster mit einer Auflösung von 0,5 x 0,5 m erzeugt (40 000 Rasterpixel = 1 ha). Aus der Differenz zwischen DOM und DTM lässt sich für jede Rasterzelle die Vegetationshöhe berechnen. Im resultierenden Vegetationshöhenmodell (VHM oder "Kronenhöhenmodell") erkennt man bei hoher Auflösung die einzelnen Baumkronen der herrschenden Schicht im Wald.

In Zusammenarbeit mit dem Amt für Wald und Naturgefahren (AWN) des Kantons Graubünden entwickelt die Professur für Forstliches Ingenieurwesen an der ETH Zürich zurzeit Methoden, um automatisch forstlich relevante Merkmale aus dieser neuartigen Datengrundlage über den Wald zu bestimmen.

Im Folgenden wird die Repräsentation des Waldes als Baumnetzwerk vorgestellt, welches aus einem VHM bestimmbar ist. Aus diesem Netzwerk lassen sich Karten für praktische Fragestellungen erstellen, wie die Beispiele einer Bestandes- und Vorratsdichtekarte aufzeigen. Auch die Schwierigkeiten bei der Anwendung von VHMs sollen nicht verschwiegen werden und es werden Herausforderungen für die Praxis formuliert.

Repräsentation des Waldes

Stellen Sie sich vor, Sie möchten einen Wald im Raum mit einem Minimum an Informationen beschreiben. Die Lage jedes Baumes könnten Sie durch einen Punkt erfassen und Merkmale wie Baumart oder Brusthöhendurchmesser zuweisen. Wollen Sie Aussagen zur Waldstruktur machen, müssten Sie im Anschluss benachbarte Bäume in Beziehung setzen. Durch das Verbinden zweier benachbarter Bäume mit einer Kante könnten sie diese Beziehung erfassen. Mit dieser Kombination aus Punkten und Kanten entsteht ein Netzwerk (Abb. 2 B).

Vegetationshöhenmodell
Abb. 2 - Vegetationshöhenmodell mit automatisch bestimmten Baumspitzen (A) sowie dem hergeleiteten Baumnetzwerk (B), das die Waldstruktur als die Bäume der herrschenden Schicht (Punkte) und den Nachbarschaften zu den nächsten Bäumen (Kanten) erfasst. Aus dem Netzwerk lassen sich zudem die Standflächen erzeugen (C). Für jeden Baum (C, orange) können die Nachbarbäume (C, gelb) bestimmt werden.

Abbildung: Jochen Breschan, Datenherr LiDAR : Gemeinden Klosters/Davos; Amt für Wald und Naturgefahren GR; Remote Sensing Laboratories RSL, Universität Zürich

 

Ein hochaufgelöstes VHM ermöglicht die automatische Bestimmung dieses Netzwerks. Hierzu werden durch Erkennung der Baumspitzen auf dem VHM zuerst die Bäume lokalisiert (Abb. 2 A). Die Baumhöhen kann man direkt an den Baumpositionen aus dem VHM ablesen. Aufgrund der Baumhöhe lassen sich weitere Grössen wie BHD oder Baumvolumen mit Hilfe von Funktionen schätzen, die aus regionalen terrestrischen Messungen hergeleitet wurden (z. B. Landesforstinventar). Im Anschluss bedient man sich der Delaunay-Triangulation, um Nachbarbäume (Punkte) mit Kanten zu verbinden (Abb. 2 B). Damit ist auch die Kantenlänge bestimmt. Zuletzt werden die Standflächen auf Basis des entstandenen Netzwerks bestimmt, indem man ein Voronoi-Diagramm erzeugt (Abb. 2 C).

Anwendungsbeispiele

Automatisches Bündeln
Abb. 3 - Automatisches Bündeln von sowohl ähnlichen als auch benachbarten Bäumen in Bestände. Anklicken zum Vergrössern.

Abbildung: Jochen Breschan

Mit Hilfe der Netzwerk-Repräsentation eines Waldes lässt sich eine Vielzahl forstlich relevanter Merkmale automatisch bestimmen. Dieser Abschnitt stellt Methoden zur Bestimmung der Bestandes- und Vorratsdichtekarte vor. Bestände konnten in der Vergangenheit mit Hilfe von Luftbildern visuell abgegrenzt werden, indem u. a. abrupte Änderungen in der Waldstruktur identifiziert wurden. Die Netzwerk-Repräsentation erlaubt es, diese Abgrenzung alternativ durch Lösen eines mathematischen Optimierungsproblems vorzunehmen, das möglichst ähnliche benachbarte Bäume zu Beständen bündelt.

Die Abbildung 3 illustriert die Bestandesausscheidung für die Fälle, dass (3 A) benachbarte Bäume und (3 B) ähnliche benachbarte Bäume aufgrund der Kantenlängen gebündelt werden. Entsprechen die Kantenlängen den euklidischen Distanzen, resultieren zusammenhängende Bestände bestehend aus benachbarten Bäumen (3 A). Die Grenzen werden jedoch nicht an den Stellen abrupter Änderung in der Waldstruktur gezogen. Dies wird berücksichtigt, indem die Kanten zusätzlich in Funktion der BHD-Differenz der benachbarten Bäume gewichtet werden. Das entstehende gewichtete Netzwerk in Abbildung 3 B muss man sich in einem virtuellen Raum vorstellen, in dem benachbarte Bäume mit hoher BHD-Differenz (d. h. unähnliche Bäume) weit auseinanderstehen. Bei der Bündelung aufgrund der Kantenlänge können jetzt abrupte Änderungen in der Waldstruktur berücksichtigt werden. Die Rücktransformation der gebündelten Bäume in den realen Raum führt zu plausiblen Bestandesgrenzen.

In der Vorratsdichtekarte schätzt man den lokalen Vorrat in m3 pro ha für jede Standfläche. Für die "lokale" Schätzung werden neben der betreffenden Standfläche auch deren Nachbarn berücksichtigt (Illustration siehe Abb. 2 C). Der Vorrat wird dann geschätzt, indem man die Summe der Baumvolumina durch die Summe der Flächen der betreffenden Standflächen teilt. 

Die Abbildung 4 zeigt einen Ausschnitt aus einer Abteilung in der Gemeinde Serneus, wo im Rahmen der Pilotstudie die Methoden getestet wurden. Die wichtigste Erkenntnis einer ersten Begehung mit Vertretern des Forstdienstes war, dass die Auflösung der Bestandeskarte angemessen an die Grenzen der Wahrnehmung gewählt werden soll. Konkret bedeutet dies, dass Grenzen auf der Karte auch im Feld erkannt werden sollten. Die Bestandeskarte in Abbildung 4 ist das Resultat eines verbesserten Modells, das ähnliche Bestände zusammenfasst. Die Volumendichtekarte stellt die Vorratsverteilung in hoher Auflösung dar und gibt ein realistisches Bild über die räumliche Verteilung der Vorräte.

 
Karten Entwicklungsstufen und Vorratsdichte
Abb. 4 - Automatisch erzeugte Bestandes- und Vorratsdichte-Karte. Die Bestandeskarte ist nach Entwicklungsstufen gegliedert und unterscheidet stufige Bestände. Das Quadrat entspricht dem Ausschnitt in Abb. 2.

Abbildungen: Übersichtsplan (UP), Kanton Graubünden
 

Schwierigkeiten

Vegetationshöhenmodelle eignen sich bei hoher Auflösung zur Beschreibung der herrschenden Schicht im Wald. Verjüngungsflächen sind dagegen schwieriger zu erfassen. Eine Hochstaudenflur kann in einem VHM ein ähnliches Muster erzeugen wie ein Jungwuchs. Zudem wird mit einem VHM die Verjüngung unter Schirm nicht erfasst. Punktwolken aus "Full Wave Form LiDAR"-Befliegungen beinhalten hingegen auch Punkte, die an Objekten unter Schirm reflektiert wurden. Es gibt Ansätze, diese Informationen zur Charakterisierung des Unterstandes zu verwenden. Des Weiteren gibt es Ansätze, welche aufgrund von LiDAR-Daten die Unterscheidung von Laub- , Nadelholz und einzelnen Baumarten erlauben. Hierzu werden u. a. Resultate aus Befliegungen im belaubten und unbelaubten Zustand sowie Intensitätswerte der Laserpulse herangezogen, die mit dem reflektierten Medium variieren.

Die zuverlässige Schätzung biometrischer Grössen mit Hilfe eines VHMs bedarf der Kombination mit lokalen terrestrischen Messungen, um dem Einfluss von Standortbedingungen gerecht zu werden. Im Fall einer 2-phasigen Stichprobeninventur lassen sich aus dem VHM abgeleitete Informationen mit Schätzungen aufgrund terrestrischer Messungen über ein Regressionsmodell koppeln. Für die restliche Fläche kann dann an jeder beliebigen Stelle des VHMs eine Schätzung vorgenommen und via Regressionsmodell mit den besseren terrestrischen Schätzungen korrigiert werden. Bei der Vorratsschätzung (und bei der Schätzung biometrischer Grössen im Allgemeinen) steigt in der Regel der Schätzfehler, je kleiner die Flächeneinheit für die Schätzung gewählt wird. Eine hohe räumliche Auflösung mit entsprechend kleinen Flächeneinheiten wie eine Vorratsdichtekarte kann demnach zu grösseren Schätzfehlern führen. Möchte man den Vorrat für ein Kleingebiet ermitteln (z. B. Bestand, Seillinie), sollte daher die Schätzung besser für das ganze Gebiet als über das Aufsummieren der Werte (und damit der Fehler) aus einer Vorratsdichtekarte erfolgen.

Herausforderungen

Die Repräsentation des Waldes als 3-D-Vegetationshöhenmodell bietet heute die Möglichkeit, die Waldstruktur automatisch in abstrakter Form als Netzwerk zu erfassen, und damit forstlich relevante Merkmale zu schätzen. Dieser neue Weg der Informationsbeschaffung stellt die Praxis vor drei Herausforderungen:

  • Die erste Herausforderung besteht darin, Vertrauen in Methoden aufzubauen, welche völlig anders als das menschliche Auge auf dem Luftbild Merkmale aufgrund von Rechenregeln auf einem Netzwerk bestimmen. Hierzu ist ein Grundverständnis über erstens die Datengrundlage, zweitens der daraus abgeleiteten Repräsentation des Waldes, und drittens der darauf angewandten Regeln von Nöten. Hiermit ist zudem die Brücke zur Forschung geschlagen, um im gegenseitigen Austausch die Methoden zu verbessern.
  • Die zweite Herausforderung besteht im Umgang mit dem neuen Kartenmaterial, das Waldmerkmale in hoher Auflösung und nicht mehr gemittelt über Bestände (die in Gebirgswäldern sehr gross sein können) beschreibt. Die räumliche Verteilung der Bäume ist damit realistisch charakterisierbar, wie am Beispiel der Vorratsdichtekarte (Abb. 4) aufgezeigt wurde. Wo Überblick von Nöten ist, können Flächen mit ähnlichen Merkmalen automatisch zu grösseren Einheiten zusammengefasst und für diese wiederum die bestmöglichen Schätzungen (z. B. Vorrat) gemacht werden.
  • Die dritte Herausforderung besteht in der Möglichkeit, mit wiederholter Aufnahme eines VHMs die Veränderungen im Wald über die Zeit zu messen. Denkbar wäre, diese räumlich-zeitliche Information grossflächig zur Erfolgskontrolle von Massnahmen einzusetzen und mit Felddaten zu ergänzen, wo die aus einem VHM gewonnenen Daten zu wenig Aussagekraft besitzen (z. B. Jungwuchsbeurteilung). Eine hohe Fachkompetenz sowohl in der GIS-Modellierung als auch in der Statistik ist vonnöten, um aus Vegetationshöhenmodellen realistische Informationen für die Forstwirtschaft zu rechnen. Dies erfordert eine Integration dieser Fachbereiche in der Ausbildung, um zukünftige Fachleute mit Brückenfunktion aufzubauen.

  • Dieser Beitrag entstand in Zusammenarbeit mit der Zeitschrift Bündner Wald.

Download

Kontakt

  • Jochen Breschan
    ETH Zürich, Uweltsystemwissenschaften
  • Universitätsstrasse 16
    8092 Zürich
    E-Mail: jochen.breschan @ env.ethz.ch

Mehr im Web

Mehr auf waldwissen.net