1 Generierung von Informationen für die Forsteinrichtung auf Basis von Airborne Laser Scanning Daten (ALS) und digitalen Farbinfrarotbildern (CIR) am Beispiel von zwei Untersuchungsflächen in Sachsen. Teil II Vergleich FE mit LiDAR/CIR Untersuchungsobjekt Eibenstock Revier Bockau Dresden, 04.03.2008 l a n d C o n s u l t. d e Geographic Information on Demand
Bestand B436 a 3 Die weiße Linie ist das im GIS als kleinste Unterfläche abgespeicherte Bestandespolygon. Kleine Unterschiede der Lagegenauigkeit zwischen Orthophoto und GIS sind zu erkennen. l a n d C o n s u l t. d e Geographic Information on Demand 2
Auf dem ndsm wird deutlich, dass der von der FE abgegrenzte Bestand (weiße Linie als GIS Polygon abgespeichert) bezüglich der Bestandeshöhe nicht homogen ist. Vom Forsteinrichter werden daher Nebenbestände ausgewiesen, die verbal und tabellarisch beschrieben, nicht jedoch als eigene Fläche, bzw. GIS Polygon abgegrenzt werden. Baumhöhen in cm l a n d C o n s u l t. d e Geographic Information on Demand 3
Wenn die Bezugsfläche für die LiDAR Auswertung das Bestandespolygon ist, dann bleiben Nebenbestände unberücksichtigt. Damit die Oberhöhe die tatsächlichen Verhältnisse besser repräsentiert, müssen in Bezug auf die Höhe homogene Bestandesteile (Nebenbestände) als GIS Polygon abgegrenzt werden Statistik der Oberhöhe 100 auf Basis des Bestandes (Nebenbestände werden nicht berücksichtigt) Anzahl der für die Berechnung der mittleren Oberhöhe verwendeten Bäume (markiert durch gelbe Dreiecke): 350 Mittlere Höhe: 2591 cm Maximum: 3205 cm Minimum: 2451 cm Range: 754 cm Varianz: 171 cm Std Abw.: 131 cm Baumhöhen in cm l a n d C o n s u l t. d e Geographic Information on Demand 4
Wenn anhand der LiDAR/CIR Daten homogene Bestände abgegrenzt werden dann ergibt sich eine dem Bestand angepasste Oberhöhe Statistik der Oberhöhenbäume für d roten Nebenbestand Statistik der Oberhöhenbäume für roten Nebenbestand. Statistik der Oberhöhenbäume für grauen Nebenbestand Statistik der Oberhöhenbäume für Gesamtbestand ohne Nebenbest. Anzahl: 30 Mean: 2379 cm Maximum: 2624 cm Minimum: 2303 cm Range: 321 cm Variance: 5166 cm Std Abw.: 72 cm Anzahl: 108 Mean: 2164 cm Maximum: 2366 cm Minimum: 2085 cm Range: 281 cm Variance: 4480 cm Std Abw.: 67 cm Anzahl: 203 Mean: 2659 cm Maximum: 3205 cm Minimum: 2535 cm Range: 670 cm Variance: 15995 cm Std Abw.: 126 cm Anzahl: 350 Mean: 2591 cm Maximum: 3205 cm Minimum: 2451 cm Range: 754 cm Varianz: 171 cm Std Abw.: 131 cm l a n d C o n s u l t. d e Geographic Information on Demand 5
Ho LiDAR: 23.8 m Ho FE: 24.0 m Ho LiDAR: 21.6 m Ho FE: 21.0 m Ho LiDAR: 26.6 m Ho FE: 25.0 m Bestandesbeschreibung der FE in Text- und Tabellenform (Ausschnitt oben u. unten). Für einen Vergleich wurden die drei vermeintlichen Nebenbestände im GIS abgegrenzt und als neue Bezugsfläche für die LiDAR Auswertung benutzt. Die Höhe kann differenzierter dargestellt werden und für jeden Nebenbestand kann analog zur FE eine der Bonität des Bestandes entsprechende Vorratsberechnung durchgeführt werden l a n d C o n s u l t. d e Geographic Information on Demand 6
Aufgrund der dargestellten Probleme bei der Wahl der geeigneten Bezugsflächen müssen für einen analytischen Vergleich des Verfahrens mit den FE Daten Bestandespolygone ausgewählt werden, die am ehesten den Anforderungen nach homogenen Bestandeseinheiten ohne Nebenbeständen und Überhälter entsprechen. Das sind z.b. einschichtige Bestände, die in den Zeilen- und Schichtdaten der Forsteinrichtung als Bestände mit einer Baumschicht im Oberstand (Schicht 1), die zu 100% aus einer Baumart (z.b.) Fichte bestehen (Mischungsprozent = 100), die keine vorratsrelevanten Nebenbestände (Schicht 2 Unterstand nur wenn Vorrat = 0) und keine Überhälter (Schicht 4) haben. Solche Bestände, die in dieser Form zukünftig halb-automatisch während der LIDAR/CIR Auswertung abgegrenzt werden sollten sind geeignet für einen Vergleich der entscheidenden Eingangsgrößen für das Ertragstafelmodell: - Oberhöhe - Bestockungsgrad bzw. Anteilfläche des Baumart am Gesamtbestand l a n d C o n s u l t. d e Geographic Information on Demand 7
Strukturierung der FE Daten in einschichtige Bestände ohne vorratsrelevanten Unterstand (blaue Flächen), in zweischichtige Bestände mit Vorrat im Unterstand (grüne Flächen) und in Bestände mit Überhälter, die die Berechnung der Oberhöhe verfälschen können, wenn sie nicht separat behandelt werden. l a n d C o n s u l t. d e Geographic Information on Demand 8
Vergleich der Oberhöhe für Fichtenreinbestände aus LiDAR Daten (blaue Ziffern) und aus den FE Daten (schwarze Ziffern). Für einen gezielten vergleich wurden nur einschichtige Fichtenreinbestände ohne vorratsrelevanten Unterstand und ohne Überhälter ausgewählt. Anhand von zwei Beispielen (rote Kreise) werden besonders starke Abweichungen im folgende erklärt. l a n d C o n s u l t. d e Geographic Information on Demand 9
Vergleich der Oberhöhe für Fichtenreinbestände aus LiDAR Daten (blaue Ziffern) und aus den FE Daten (schwarze Ziffern). Der Unterschied zwischen LiDAR Oberhöhe (23.35 m) und FE Oberhöhe (10 m) ist deutlich. Die zur Berechnung der LiDAR Oberhöhe benutzten Bäume sind grau umrandet. Es wurden alle Bäume der oberen Höhenklassen als Oberhöhenbäume ausgewählt. Nadelbaumhöhen in m l a n d C o n s u l t. d e Geographic Information on Demand 10
Vergleich der Oberhöhe für Fichtenreinbestände aus LiDAR Daten (blaue Ziffern) und aus den FE Daten (schwarze Ziffern). Der Unterschied beim linken Bestand zwischen LiDAR Oberhöhe (20.9 m) und FE Oberhöhe (5 m) ist deutlich. Die zur Berechnung der LiDAR Oberhöhe benutzten Bäume sind grau umrandet. Es wurden Bäume der oberen Höhenklassen als Oberhöhenbäume ausgewählt, die bei einer Baumscharfen Abgrenzung des Bestandespolygons nicht in den Bestand gefallen wären. Nadelbaumhöhen in m l a n d C o n s u l t. d e Geographic Information on Demand 11
Vergleich der Oberhöhe aus LiDAR Daten und aus den FE Daten. In diesem Beispiel fallen aufgrund der ForstGIS Überlagerungsfehler mit dem LiDAR Höhenmodell einige Bäume in ein Poygon, das als Nichtholzboden ohne Vorrat kartiert ist. als NHB kartiert Wenn keine vorgeschalteter Ausschluss dieser NHB Flächen stattfindet, rechnet der Algorithmus über die Oberhöhe einen Vorrat für diese Fläche. Es werden Bäume des Nachbarbestandes als Oberhöhenbäume ausgewählt, die bei einer Baumscharfen Abgrenzung des Bestandespolygons nicht in den Bestand gefallen wären. l a n d C o n s u l t. d e Geographic Information on Demand 12
Vergleich der Baumartenateilsfläche (ha) am Gesamtbestand für einschichtige Fichtenbestände. Detaillierte Betrachtung des stark abweichenden Bestandes B429 a72 (roter Kreis) Blaue Ziffer: LiDAR Auswertung schwarze Ziffer: FE Daten Rote Ziffer: Bepoly aus ForstGIS l a n d C o n s u l t. d e Geographic Information on Demand 13
Vergleich des LiDAR Bestockunsgrades (blaue Ziffern, Quotient aus Baumartenfläche und Bestandesfläche) und dem Bestockungsgrad der FE (schwarze Ziffern): > 1.1 gedrängt 0.9 1 geschlossen 0.7 0.8 locker 0.4 0.6 licht < 0.3 räumdig Die Baumartenfläche kann durch das variieren der Blößenberechnung bei einschichtigen Beständen an die Bestandeshöhen angepasst werden, wie im folgenden am Beispiel des Bestandes 432a31 (roter Kreis) gezeigt. l a n d C o n s u l t. d e Geographic Information on Demand 14
Vergleichende Betrachtung der Baumartenanteilsfläche und des Bestockungsrades am Beispiel des Bestadnes B432 a 31 Daten für diesen Bestand LiDAR FE Oberhöhe: 30 `` 28 Best. Fläche (ha): 10.16 10.2 Fichtenanteil (ha): 9.13/9.89* 10.2** Bestgrad: 0.90/0.97* 0.64 Best.Vorrat (dgz9): 5341*** 3431 Vorrat/ha: 525*** 336.4 `` Oberhöhe v.a. aus Oberhöhenbäumen des unteren, höheren Bestandesteils, nicht repräsentativ für den Gesamtbestand. *Abhängig von der Art der Berechnung (siehe nächste Folie) ** als Anteilfläche in den Zeilendaten und Schichtfläche in den Zeilen- und Schichtdaten eingetragen. *** auf Basis des dgz9 aus der FE, der errechneten Oberhöhe und der Fichtenanteilfläche von 9.13 ha l a n d C o n s u l t. d e Geographic Information on Demand 15
Vergleichende Betrachtung der Baumartenanteilsfläche und des Bestockungsrades am Beispiel des Bestandes B432 a 31 Daten diesen Bestand LiDAR FE Oberhöhe: 30 28 Best. Fläche (ha): 10.16 10.2 Bestgrad: 0.90/0.97* 0.64 * Erklärung: Hintergrund: Kronenmodell ndsm Farbige Punkte: Nadelbäume nach Höhe klassifiziert Braune Flächen: alle Flächen bis auf eine Höhe von 2 Metern werden als Blößen kartiert, was eine Fläche von 0.27 ha ergibt. Grüne Flächen: alle Flächen bis auf eine Höhe von 15 Metern werden als Blößen kartiert ( 1.03 ha) unter der Annahme, dass der mittlere Kronenansatz dieses einschichtigen Bestandes bei rund 2/3 seiner Bestandesmittelhöhe liegt, also auf geschätzten 15 m. Mit dieser Fläche lässt sich ein Bestockungsgrad berechnen, der den eigentlichen Bestandeskronenraum besser repräsentiert. l a n d C o n s u l t. d e Geographic Information on Demand 16
Vergleichende Betrachtung der Baumartenanteilsfläche und des Bestockungsrades am Beispiel des Bestandes B432 a 31 Alternative Berechnung des Bestandesvorrats auf Basis des über die Höhe geschätzten Volumens der Einzelbäume. Um mit den 3325 vermessenen Fichten des Bestandes B432a 31 den Bestandesvorrat der FE von 3431 Vfm zu erreichen, müssten die Bäume eine mittlere Höhe von 26.25 Metern und ein durchschnittliches Volumen von 1.04 Vfm haben. Das Bild zeigt einen Ausschnitt des Kronenmodells des Bestandes mit den Einzelbaumhöhen in Metern (rote Ziffer) und den Vfm Werten (schwarze Ziffern), die nötig sind den FE Bestandesvorrat zu erreichen, ohne den Vorrat nicht erfasster Bäume zu berücksichtigen. l a n d C o n s u l t. d e Geographic Information on Demand 17
Schlussfolgerung 1 Aus heutiger Sicht kann eine entsprechende LiDAR/CIR Auswertung einen messbaren Beitrag zu folgenden Forstlichen Parametern leisten (im Anhalt an die Sächsische Arbeitsanweisung zur Bestandesweisen Zustanderfassung und Planung - Entwurf 2005). S 3.1 Hangrichtung S 3.2 Hangneigung S 3.3 Geländeform S 3.4 Befahrbarkeit (zum Teil) S 4.2 Bestandesschicht S 4.3 Lage von Nebenbestände S 4.5 Kronenschlussgrad S 4.6 Wuchsklasse S 4.7 Bestandeszustandstyp (zum Teil) S 4.7 Bestandeszustandstyp S 4.14 Feinaufschluss S 5.2 Bestandesschicht S 5.3 Baumartengruppen (zum Teil) S 5.4 Lage von Mischbaumarten (zum Teil) S 5.5 Mischungsform (zum Teil) S 5.7 Anteilfläche (zum Teil) S 5.9 Oberhöhe l a n d C o n s u l t. d e Geographic Information on Demand 18
Schlussfolgerung 2 Mit LiDAR und CIR lassen sich ein großer Teil forstlicher Parameter erfassen Verwendung von digitalen 11/12 Bit True-Orthophotos (auch Quickbird) LiDAR Daten mit hoher Punktdichte um v.a. das Geländemodell genau berechnen zu können (für spätere Inventuren reichen Kronenmodelle aus multi.overlap Bildern) Abgrenzung von homogenen Baumgruppen oder Bestände, damit der Bestand besser durch die Oberhöhe repräsentiert wird Wenn FE Bestandespolygone nicht für die Ertragstafelauswertung geeignet sind, dann muss auf Altersinformation und damit die Alters-Höhenbonitierung verzichtet werden und nach neuen Alters unabhängigen allometrischen Beziehungen zur Schätzung des Bestandes Vorrats müssen getestet werden (z.b. über Kronenfläche, Standraum, h/d Verhältnis etc.) Hierzu gehört auch die Abschätzung des Einzelbaumvolumens über die im LiDAR messbaren Werte (Höhe, Kronenfläche, Standraum, Exposition, Lage am Hang, etc.) Eine Herausforderung an die LiDAR/CIR Auswertung bleibt die Trennung verschiedener Nadelbaumarten (Fichte von Kiefer und Douglasie) und Laubbaumarten (Eiche von Buche). Abhilfe kann die Einbeziehung zusätzlicher Datensätze, wie SPOT 5, Hyperspectral oder RapidEye schaffen. Eine Forstinventur auf Grundlage vermessener Einzelbäume ist eine gute Grundlage für ein kostengünstiges und reaktionsschnelles Satelliten gestütztes Monitoringsystem (TerraSAR, ALOS/PRISM, Cartosat...) l a n d C o n s u l t. d e Geographic Information on Demand 19
Ausblick l a n d C o n s u l t. d e Geographic Information on Demand 20
Standraumberechnung der erkannten Einzelbäume mittels Thyssen und Voronoi Polygon Analyse (TIN) zur Abgrenzung homogener Bestandesteile mit ähnlichen h/d Verhältnissen und Stammzahlen. l a n d C o n s u l t. d e Geographic Information on Demand 21
l a n d C o n s u l t. d e Geographic Information on Demand 22