Einsatz eines Desktop Grid Computing Systems zur automatisierten Einzelbaumextraktion

Transkript

1 Einsatz eines Desktop Grid Computing Systems zur automatisierten Einzelbaumextraktion Holger BISCHOPING und Klaus SCHMIEDER Dieser Beitrag wurde nach Begutachtung durch das Programmkomitee als reviewed paper angenommen. Zusammenfassung Der vorliegende Beitrag beschreibt die Umsetzung eines Desktop Grid Computing Systems zur automatisierten Einzelbaumextraktion. Das System wurde im Kontext des Projektes Einsatz von Fernerkundungs- und GIS-Verfahren zur Erfassung von Streuobstwiesenflächen und Baumbestandszahlen in Baden-Württemberg entwickelt. Das Projekt wurde vom Institut für Landschafts- und Pflanzenökologie der Universität Hohenheim in Kooperation mit der Hochschule für Wirtschaft und Umwelt Nürtingen-Geislingen, der Hochschule München und der Firma EOMAP (Gilching) im Auftrag des Ministeriums für Ländlichen Raum, Ernährung und Verbraucherschutz Baden-Württemberg ( durchgeführt. Als Datengrundlage der Einzelbaumextraktion dienten ALS-Daten (Airborne Laserscan) des Landesamtes für Geoinformation und Landentwicklung Baden-Württemberg, die zur Erhebung des digitalen Geländemodells des Landes im Zeitraum erstellt wurden sowie Daten des digitalen Landschaftsmodells ATKIS -Basis-DLM. Im ersten Teil der Arbeit wurde untersucht, inwieweit die zugrunde liegenden ALS-Daten, mit einer für die Aufgabe sehr geringen Auflösung von etwa einem Punkt pro m², zur Abgrenzung von Baumkronen sowie zur Bestimmung der jeweiligen Stammpositionen geeignet sind. Hierzu wurde ein speziell auf die Daten abgestimmter Einzelbaumextraktion- Algorithmus auf den methodischen Grundlagen bestehender Algorithmen entwickelt (STRAUB 2003, BECHTEL 2007, REITBERGER et al. 2009). Zur Validierung dienten eine aus Orthophotos erstellte visuelle Referenz sowie Stichproben aus dem Untersuchungsgebiet. Im zweiten Teil der Arbeit wurde untersucht, ob der Einsatz eines Desktop Grid Computing Systems als Werkzeug für die verteilte Massenprozessierung von Fernerkundungsdaten geeignet ist. Zu diesem Zweck wurde ein System auf der Basis der frei verfügbaren Plattform BOINC eingerichtet, das die gekachelten Eingangsdaten auf mehreren Arbeitsrechnern eines lokalen Netzwerks (LAN) verteilt und prozessiert. Mit diesem System wurde anschließend das gesamte Untersuchungsgebiet prozessiert.

2 Einsatz eines Desktop Grid Computing Systems Datengrundlage 1.1 Airborne Laser Scanning Die flugzeuggetragene Laserscannermessung, auch Airborne Laser Scanning (ALS) genannt, basiert auf der Methode der optischen Abstandsmessung mittels Light detection and ranging (LIDAR). LIDAR ist ein aktives Fernerkundungsverfahren. Die Höhenmessung der Geländeoberfläche erfolgt durch ausgesendete Laserimpulse, die quer zur Flugrichtung abgelenkt werden. Die Oberfläche wird dabei innerhalb eines definierten Geländestreifens abgetastet. Die Distanz zur Erdoberfläche wird über Laufzeitmessung bestimmt (WEVER & LINDENBERGER 1999). 1.2 Untersuchungsgebiet Das Untersuchungsgebiet umfasst die gesamte Fläche des Landes Baden-Württemberg (ca km²). Die Befliegungen zur Erhebung der ALS-Daten fanden zwischen 2000 und 2005 in den vegetationsarmen Wintermonaten Dezember bis April statt. Der mittlere Abstand der aufgenommenen Punkte beträgt 1 m bis 2 m. Die Höhengenauigkeit der aufgenommenen Punkte liegt bei ± 15 cm. Die Georeferenzierung erfolgte im geodätischen Bezugssystem ETRS89 und das Projektionssystem war UTM. Die erste und letzte Reflexion (First Pulse und Last Pulse) der aufgenommenen Punkte wurden automatisch in Boden- und Hochpunkte klassifiziert. Die Datenaufbereitung wurde im Jahr 2008 abgeschlossen (SCHLEYER 2001, KLAUSER 2008). Die Eignung der ALS-Daten zur Extraktion von Offenlandgehölzen wurde im Rahmen einer Studie detailliert untersucht (SIXEL et al. 2005). Abb. 1: Untersuchungsgebiet Baden-Württemberg

3 582 H. Bischoping und K. Schmieder 1.3 Kontextmodell Offenlandmaske In den Geowissenschaften wird vermehrt die Kombination von Fernerkundungsdaten mit bereits bestehenden Daten in Form von Geoinformationen genutzt um neues Wissen und neue Informationen zu gewinnen. Abbildung 2 veranschaulicht diese Synthese aus GIS- Daten und Fernerkundungsdaten (vgl. HINZ 2004). Abb. 2: GIS-Daten als zusätzliches Ausgangs- und Ergebnisprodukt, der fernerkundlichen Bildanalyse Im konkreten Fall wurde mithilfe existierenden Wissens in Form von Landnutzungsinformationen ein Kontextmodell (räumliche Maske) definiert, innerhalb derer das entwickelte Objektmodell Einzelbaum im Offenland angewendet werden kann. Das Objektmodell muss somit beispielsweise keine Merkmale zur Trennung von Bäumen und Gebäuden enthalten, da Siedlungen durch das Kontextmodell vollständig ausmaskiert sind. Grundlage des Kontextmodells war das normalisierte digitale Oberflächenmodell (ndom) sowie Daten des Amtlichen Topografisch-Kartografischen Informationssystems (ATKIS). 2 Algorithmus zur Einzelbaumextraktion 2.1 Methoden Der Algorithmus zur Einzelbaumextraktion basiert auf der Entwicklung eines, speziell auf die vorliegenden ALS-Daten, abgestimmten Objektmodells. Grundlage des Objektmodells Einzelbaum im Offenland ist die Synthese von Modellannahmen bestehender Verfahren (vgl. STRAUB 2003 sowie BECHTEL 2007). Der Algorithmus wurde in Matlab mit den Erweiterungen Image Processing Toolbox, Mapping Toolbox und Statistics Toolbox entwickelt. Die Auswertung und Weiterverarbeitung der Teilergebnisse wurde in Python implementiert. Dabei kamen die Bibliotheken GDAL (Geospatial Data Abstraction Library, NUMPY und SCIPY (numpy.scipy.org) zum Einsatz. 2.2 Ablauf des Algorithmus Als Eingangsdaten des Algorithmus dienen die vier ALS-Punktmengen (First Pulse Bodenpunkte, First Pulse Hochpunkte, Last Pulse Bodenpunkte, Last Pulse Hochpunkte) einer Kachel und die zugehörigen Maskenpolygone des Kontextmodells. Kernstück des Algo-

4 Einsatz eines Desktop Grid Computing Systems 583 rithmus ist eine Segmentierung auf der Grundlage der Watershed Transformation (VINCENT & SOILLE 1991) und eine daran anschließende segmentbasierte Merkmalsextraktion. Schritt 1: Die Maskenpolygone des Kontextmodells werden in Raster konvertiert. Das resultierende Maskenraster enthält für alle Zellen, in denen das Objektmodell gesucht werden soll, den Wert 1. Alle übrigen Zellen werden mit dem Wert 0 belegt. Schritt 2: Aus den Vektordaten der Last Pulse Bodenpunkte wird das digitale Geländemodell (DGM) errechnet. Dabei werden die ALS-Daten zunächst auf ein Raster mit der Rasterweite 1 m gesampelt. Fehlstellen werden anschließend durch eine Nearest-Neighbor- Interpolation gefüllt. Schritt 3: Aus der Kombination der beiden First Pulse Datensätze wird das Raster des digitalen Oberflächenmodells (DOM) erstellt. Schritt 4: Das normalisierte DOM (ndom) resultiert aus der Differenz von DOM und DGM. Das ndom wird mit dem in Schritt 1 generierten Maskenraster multipliziert. Schritt 5: Das zuvor maskierte und höhenkorrigierte ndom dient als Basis der Segmentierung mittels Watershed-Transformation. Schritt 6: Auf der Grundlage der Segmente werden Merkmale für die spätere, wissensbasierte Klassifikation extrahiert. Je Segment werden Merkmale aus den Rasterdaten extrahiert (konvexe Hülle, Fläche, mittlere Höhe, Kompaktheit). Anschließend werden die, innerhalb der konvexen Hülle liegenden, vektoriellen Ausgangsdaten (ALS-Daten) auf der Basis einer zuvor generierten Delaunay-Triangulation ausgewertet. Aus diesen Merkmalen (Anzahl der First Pulse Punkte, Anzahl aller ALS-Datenpunkte innerhalb der konvexen Hülle, Höchste Reflexion aller First Pulse Punkte, Mittelwert der First Pulse Punkte) können Baumposition und Baumkontur errechnet werden. Schritt 7: Abschließend werden Baumpositionen (Point-Feature) und Baumkonturen (Polygon-Feature) als getrennte Shapefiles gespeichert. Die errechneten Merkmale werden als Attribute im Baumpositionen-Feature abgelegt. Abbildung 3 veranschaulicht die Teilschritte 2-5 des Algorithmus. 2.3 Genauigkeitsanalyse der Einzelbaumextraktion Die Genauigkeit der Einzelbaumextraktion wurde anhand einer visuellen Referenz bewertet. Die Referenzdaten wurden dabei aus Orthophotos erstellt. Aufgrund des großen Zeitabstands zwischen Laserscan-Befliegung und der Aufnahme der Orthophotos (bis zu 5 Jahren) bestand jedoch teilweise ein signifikanter Unterschied zwischen den Referenzdaten und den Extraktionsergebnissen. Eine abschließende Genauigkeitsanalyse der nachfolgenden Klassifikation Streuobstbäume basiert auf den, aus den Merkmalen klassifizierten, Streuobstbäumen und Ground- Truth-Daten.

5 584 H. Bischoping und K. Schmieder Abb. 3: Teilschritte 2 bis 5 des Algorithmus (von links oben nach rechts unten): DGM basierend auf den Last Pulse ALS-Daten; DOM basierend auf den First Pulse ALS-Daten; ndom als Differenz von DOM-DGM; Invertiertes ndom; Ergebnis der Watershed-Transformation und im letzten Bild (rechts unten) eine Kombination von invertiertem ndom und den Segmenten der Watershed-Transformation. 3 Desktop Grid Computing zur Massenverarbeitung von ALS-Daten 3.1 Parallele Prozessierung in der Fernerkundung Die Fortschritte der Sensortechnologien sowohl bei Satelliten- als auch bei flugzeuggetragenen Systemen revolutionieren nicht nur die Datenerfassung in der Fernerkundung. Durch die stetig steigende Menge an Daten und eine wachsende Informationsdichte verändern sich auch das Management, die Speicherung und insbesondere die immer komplexere und rechenaufwändigere Verarbeitung von Fernerkundungsdaten. Die daraus entstehenden Anforderungen an ein Verarbeitungssystem können mithilfe neuester Entwicklungen aus dem Bereich des High-Performance-Computing (HPC) erfüllt werden (PLAZA 2008). Eine von vielen Ausprägungen des HPC ist das Grid Computing.

6 Einsatz eines Desktop Grid Computing Systems Desktop Grid Computing Das Konzept des Grid-Computing besteht in der Vernetzung organisations-übergreifender Ressourcen, um diese einer breiteren Anwenderschicht zur Verfügung zu stellen. Beim Desktop Grid-Computing wird dieses Konzept nicht auf organisationsübergreifende Ressourcen, sondern nur auf die innerhalb einer Organisation bereits vorhandenen und vernetzten Rechenkapazitäten angewendet. Ziel ist die kostengünstige Bereitstellung von Rechenleistung bereits vorhandener Arbeitsplatzrechner. Auf die Anschaffung zusätzlicher Hardware zum Aufbau eines Rechenclusters kann verzichtet werden. Ebenso ist die Vernetzung der Rechner bereits gegeben. 3.3 BOINC Ziel des hier beschriebenen Massenprozessierungssystems war der Aufbau eines wiederverwendbaren Systems zur automatischen Prozessierung umfangreicher fernerkundlicher Datenbestände. Als Ergebnis der Recherche zu verschiedenen Basistechnologien aus dem Bereich des HPC wurde das Desktop Grid Computing System BOINC (Berkeley Open Infrastructure for Network Computing, UNIVERSITY OF CALIFORNIA 2009) gewählt. BOINC ist eine allgemeine Softwareplattform für verteiltes Rechnen in offenen Netzwerken. Das System basiert auf einer Client-Serverarchitektur. Der Server kann mittels Konfiguration flexibel an unterschiedliche Projektanforderungen angepasst werden. Es können verschiedene Projektanwendung (Rechenprogramme) und zugehörige Arbeitspaket- Sammlungen (hier Kacheln) definiert werden. Aufgabe des Servers ist die Verwaltung von Projekten, die Verteilung von Arbeitspaketen und das Einsammeln der Berechnungsergebnisse. Das Backend des BOINC-Servers besteht aus einem Webserver zur Administration und zum Monitoring der Arbeitspakete sowie einer MySQL-Datenbank. Auf den Client-Rechnern (Arbeitsplatzrechnern) wird zunächst ein BOINC-Standardclient installiert. Der Standardclient besteht auf einem Core-Client (Hintergrundprozess) sowie dem BOINC-Manager (Konfigurationsoberfläche). Über den BOINC-Manager kann der Anwender sich am BOINC-Server bzw. an einzelnen BOINC-Projekten anmelden. Die Projektanwendung und die zu prozessierenden Arbeitspaketdaten werden dann automatisch zwischen Server und Client ausgetauscht. Die Verteilung der Arbeitspakete im BOINC-System wird von den Client-Rechnern gesteuert. Der Core-Client entscheidet anhand der vom Benutzer eingestellten Konfiguration und der aktuellen Rechnerauslastung, wann er arbeiten möchte und wie viele lokale Ressourcen für die Bearbeitung von Jobs verfügbar sind bzw. zugeteilt werden können. Es findet also im Gegensatz zu Clustersystemen kein aktives Jobscheduling seitens des Servers statt. 3.4 Aufbau des Systems Einzelbaumextraktion Das System zur Einzelbaumextraktion des gesamten Untersuchungsgebietes (mehr als 9000 Eingangsdatensätze in Form von Kacheln) besteht aus den beiden BOINC-Projekten Reorganisation und Bildanalyse (siehe Abb. 4). Das Projekt Reorganisation führt die Reorganisation der Eingangsdaten durch (vgl. Kap. 3.5). Ergebnis der Reorganisation sind die speziell an die Erfordernisse des in Kap. 2.2 beschriebenen Einzelbaumextraktionsalgo-

7 586 H. Bischoping und K. Schmieder Abb. 4: Prinzipieller Aufbau des Massenprozessierungssystems rithmus angepassten Prozesseingangsdaten. Auf diese Weise kann die eigentliche Prozessierung weitestgehend von der kundenspezifischen Datenstruktur entkoppelt werden. Das Projekt Bildanalyse führt die eigentliche Prozessierung durch. Dabei wird je Prozessdatensatz bzw. Kachel ein Arbeitspaket (ALS-Daten und Offenlandmaske) generiert und auf einem der BOINC-Clientrechner berechnet (Shapefiles mit extrahierten Objektmerkmalen als Attribute). Die Projektanwendung (Einzelbaumextraktion) wird mit dem ersten Arbeitspakete vom Server an den Client gesendet. Als Ergebnis eines Arbeitspaketes werden die kachelbezogenen Shapefiles auf dem Server abgelegt. Das für die Untersuchung aufgebaute System besteht aus den folgenden Hardware- Komponenten: BOINC-Server in Form einer Virtual Machine Network Attached Storage-Server (NAS), zur Ablage der Eingangs-, Prozess- und Ergebnisdaten Vier Desktop-Rechnern (Intel Dual Core 2.4 GHz, Windows XP Professional). 3.5 Reorganisation der Eingangsdaten Bei der Reorganisation der Eingangsdaten werden die Eingangskacheln in Prozesskacheln zerlegt. Die Größe der Prozessdaten (Prozesskachel) hat unmittelbaren Einfluss auf die Performance der Einzelbaumextraktion. Mit zunehmender Größe der Prozesskacheln nimmt die Berechnungszeit überproportional zu. Das Maß für die Zeitkomplexität des Algorithmus ist proportional zur Zeitkomplexität des aufwendigsten Teilschritts. Dies ist im vorliegenden Fall die Berechnung der Delaunay-Triangulation (Grundlage der Merkmalsextraktion) mit einer Komplexität von O(n ln(n)), wobei n der Zahl der Knoten entspricht, die in die Berechnung der Delaunay-Triangulation einfließen. Diese Zahl entspricht der Anzahl der ALS-Datenpunkte und ist im vorliegenden Fall proportional zur Fläche der Prozesskachel in Pixel. Andererseits müssen die Prozessdaten derart aufbereitet werden, dass zu extrahierende Objekte aufgrund einer Zerschneidung an den Kachelgrenzen nicht mehr eindeutig einer Prozesskachel zugeordnet werden können (TIEDE, OSBERGER & NOVAK 2009, vgl. Abb. 5). Wird die Prozesskachel um einen Überlappungsbereich ausgedehnt, so werden die Objekte nicht mehr zerschnitten. Die Größe des Überlappungsbereichs ist dabei von der maximalen Objektgröße abhängig. Im konkreten Fall wurde in einer Voruntersuchung anhand der Verteilung des Durchmessers der konvexen Hülle (Ergebnis der Merkmalsextraktion) das 95%- Quantil mit Q95 = 17,3 m bestimmt.

8 Einsatz eines Desktop Grid Computing Systems 587 Abb. 5: Überlappungsbereich löst das Problem der Objektzerschneidung 3.6 Validierung Es konnte gezeigt werden, dass die effektive Verarbeitung datenintensiver Fernerkundungsdaten mithilfe eines Desktop Grid Computing Systems möglich ist. Zur Bewertung des Systems wurde ein rudimentäres Vergleichssystem, bestehend aus einem Einzelrechner mit acht Prozessoren (Hyper-Threading Quad-Core) aufgebaut. Das Vergleichssystem basiert auf einem, in Python implementiert Jobscheduling-System. Der Jobscheduler startet die Verarbeitung einzelner Eingangskachel, indem er die Anwendung (den Algorithmus) startet und eine Eingangskachelkennung übergibt. Zur vollen Auslastung des Vergleichssystems werden acht Jobs gleichzeitig gestartet. Damit zwei Jobs nicht dieselbe Kachel bearbeiten, verfügt der Jobscheduler über einen internen Verriegelungsmechanismus. Der Vergleich stellt die Laufzeit der Bearbeitung von je 500 Eingangskacheln im BOINC- System und im Vergleichssystem gegenüber. Bei beiden Systemen wurde jeweils die Laufzeit ab dem Start des Jobs (vor dem Laden der Eingangsdaten) bis zu dessen Ende (nach dem Speichern der Ausgangsdaten) gemessen. Aus der Häufigkeitsverteilung der Laufzeiten ergibt sich im konkreten Anwendungsfall für die Job-Laufzeit auf dem BOINC-System ein Mittelwert von 28,4 Minuten und für die Job-Laufzeit auf dem Vergleichssystem ein Mittelwert von 26,0 Minuten. Es hat sich gezeigt, dass der Zeitaufwand für die Verteilung datenintensiver Fernerkundungsdaten im lokalen Netzwerk einen maßgeblichen Einfluss auf die Gesamtverarbeitungsgeschwindigkeit hat (> 10 %). Als Ergebnis der Untersuchung des Desktop Grid Computing Systems kann festgehalten werden, dass sich der Aufwand zur Einrichtung eines solchen Systems für Bildanalysen in der Fernerkundung nur bei rechenintensiven Verarbeitungen bzw. komplexen Algorithmen lohnt. 4 Diskussion und Ausblick 4.1 Algorithmus zur Einzelbaumextraktion Es kann festgestellt werden, dass mit dem realisierten Algorithmus zufriedenstellende Ergebnisse der Einzelbaumextraktion erzielt werden konnten, obwohl die Auflösung der verwendeten ALS-Daten in einem Bereich liegt, in dem es schwierig ist, die geforderten Ob-

9 588 H. Bischoping und K. Schmieder jekte zuverlässig voneinander abzugrenzen und zu extrahieren. Besonders erschwert wird diese Problematik durch die Tatsache, dass die Befliegung der ALS-Daten in den vegetationsarmen Wintermonaten stattgefunden hat. Ein Vergleich mit anderen Extraktionsalgorithmen wurde bislang nicht durchgeführt. Die verwendete Methode der Rasterung von vektoriellen ALS-Punktwolken zur Generierung eines digitalen Gelände- und Oberflächenmodells basiert auf der Nearest-Neighbor- Interpolation. Diese hat den Vorteil, dass sie sehr performant ist. Andererseits birgt die Methode den Nachteil, dass Fehler in den Ausgangsdaten ungefiltert in die Oberflächengenerierung einfließen. Fehler werden also nicht geglättet, wie dies bei approximativen Interpolationsverfahren der Fall ist. Zukünftig ist eine vollständige Portierung des Einzelbaumextraktionsalgorithmus von Matlab nach Python geplant. Damit wäre ein System geschaffen, das vollständig auf Open- Source-Komponenten aufsetzt. Eine Einbindung von GRASS 7 (grass.osgeo.org/grass70) ist in diesem Zusammenhang überlegenswert. 4.2 Desktop Grid Computing zur Massenverarbeitung von ALS-Daten Im Fokus der Untersuchung des Problems der Massendatenverarbeitung in der Fernerkundung stand nicht die Konzeption und der Aufbau eines Hochleistungsrechners aus dem Bereich des Cluster Computings, sondern die Konzeption eines Systems, das die bestehende Hardwareressourcen und die bestehende Netzwerkinfrastruktur kleiner und mittlerer Unternehmen (KMUs) nutzen kann, um rechenintensive Bildanalyseaufgaben zu bearbeiten. Das verwendete System BOINC zeichnet sich insbesondere durch seine flexible Anpassung an anwendungsspezifische Erfordernisse aus. Nachteilig ist die, aufgrund der gewählten Systemarchitektur, zeitintensive Verteilung der Daten auf den Clientrechnern. Die Entkopplung der eigentlichen Verarbeitung von den Eingangsdaten durch den Aufbau eines Subsystems zur Reorganisation und Katalogisierung hat sich als sehr hilfreich erwiesen. Die Reorganisation der Daten konnte genutzt werden, um das Problem der Zerschneidung von Objekten an Kachelgrenzen dadurch zu lösen, dass zu den Daten jeder Kachel die Daten eines Überlappungsbereichs zu den Nachbarkacheln hinzugefügt wurden. Die verwendete BOINC-Projekt-Konfiguration ist von dem konkret verwendeten Algorithmus unabhängig. Das System ist somit grundsätzlich auf andere Anwendungsfelder übertragbar. Danksagung Die hier vorgestellte Arbeit wurde im Rahmen des Projektes Einsatz von Fernerkundungsund GIS-Verfahren zur Erfassung von Streuobstwiesenflächen und Baumbestandszahlen in Baden-Württemberg durchgeführt. Besonderer Dank gilt dem Ministerium für Ländlichen Raum, Ernährung und Verbraucherschutz Baden-Württemberg für die Finanzierung der Untersuchung und die Bereitstellung der zugrundeliegenden Daten.

10 Einsatz eines Desktop Grid Computing Systems 589 Literatur BECHTEL, B. (2007): Objektextraktion von Bäumen aus Luftbildern. Vergleich und Steuerung von Segmentierungsverfahren zur Vorbereitung eines Expertensystems. Institut für Geographie, Universität Hamburg. HINZ, S. (2004): Automatische Extraktion urbaner Straßennetze aus Luftbildern. Zugl.: Diss., Techn. Univ. München, KLAUSER, B. (2008): Das Digitale Geländemodell Baden-Württemberg. Landesvermessungsamt Baden-Württemberg. Forum Geoinformation Airborne Laserscanning. PLAZA, A. J. (2008): High performance computing in remote sensing. Chapman & Hall, London. REITBERGER, J., SCHNÖRR, C., KRZYSTEK, P. & STILLA, U. (2009): 3D segmentation of single trees exploiting full waveform LIDAR data. In: ISPRS Journal of Photogrammetry and Remote Sensing, 64, Nov. 2009, S SCHLEYER, A. (2001): Das Laserscanning-DGM von Baden-Württemberg. Wichmann, Heidelberg. SIXEL, T., STRAUB, C. & WAGELAAR, R. (2005): Einsatz von Laserscan-Daten und Orthophotos zur dreidimensionalen Erfassung von Gehölzen im Offenland. In: STROBL et al. (Hrsg.): Angewandte Geoinformatik Wichmann, Heidelberg. STRAUB, B.-M. (2003), Automatische Extraktion von Bäumen aus Fernerkundungsdaten. Diss., Univ. Hannover, Beck, München. TIEDE, D., OSBERGER, A. & NOVAK, H. (2009): Automatisierte Baumextraktion mit höchstaufgelösten Oberflächenmodellen abgeleitet aus UltracamX-Daten. In: STROBL et al. (Hrsg.): Angewandte Geoinformatik Wichmann, Heidelberg. UNIVERSITY OF CALIFORNIA (2009): BOINC: Berkeley Open Infrastructure for Network Computing. ( ). VINCENT, L. & SOILLE, P. (1991): Watersheds in Digital Spaces: An Efficient Algorithm Based on Immersion Simulations. In: IEEE Trans. Pattern Anal. Mach. Intell., 13 (6), S WEVER, C. & LINDENBERGER, J. (1999): Laser Scanning A Mapping Method Gains Ground. In: FRITSCH, D. (Ed.): Photogrammetric Week. Wichmann, Heidelberg, S