Diplomarbeit - ioer.de · GmbH) sowie Katrin Schnadt (©Toposys GmbH) für die Bereitstellung von Testdatensätzen und Informationen bedanken. Bedanken möchte ich mich bei Prof

Technische Universität Dresden

Fakultät für Forst-, Geo- und

Hydrowissenschaften

Institut für Kartographie

Leibniz-Institut für ökologische

Raumentwicklung e.V., Dresden

Diplomarbeit

zum Thema

Entwicklung einer Methode

zur Erfassung des städtischen Grünvolumens auf Basis von

Laserscannerdaten laubfreier Befliegungszeitpunkte

eingereicht von: Robert Hecht

geboren am: 09.02.1980

Matrikelnummer: 2711084

Betreuer: Prof. Dr. Manfred F. Buchroithner Technische Universität Dresden

Fakultät für Forst-, Geo- und Hydrowissenschaften

Institut für Kartographie

Dr. Gotthard Meinel

Leibniz-Institut für ökologische Raumentwicklung e.V., Dresden

eingereicht am: 05.04.2006

Selbständigkeitserklärung

I

Selbständigkeitserklärung

Hiermit erkläre ich, dass ich die von mir am heutigen Tage der Diplomkommission der Fachrich-

tung Geowissenschaften eingereichte Diplomarbeit zum Thema:

Entwicklung einer Methode zur Erfassung des städtischen Grünvolumens auf Basis von Laser-scannerdaten laubfreier Befliegungszeitpunkte

vollkommen selbständig und nur unter Benutzung der in der Arbeit angegebenen Literatur

angefertigt habe.

Dresden, den 05.04.2006 .......................................................

Robert Hecht

Vorwort

II

Vorwort

Die vorliegende Diplomarbeit wurde am Institut für Kartographie der Technischen Universität

Dresden in Zusammenarbeit mit dem Leibniz-Institut für ökologische Raumentwicklung e.V.

(IÖR) angefertigt. Wegen der Bedeutung einer flächendeckenden Erfassung des städtischen Grüns

wurden bereits umfangreiche Untersuchungen im Rahmen einer Studienarbeit durchgeführt. Auf-

grund der noch recht neuen Methode des Laserscannings wurde die Arbeit überdies auf nationa-

len sowie internationalen Konferenzen vorgestellt.

Neben dem rein wissenschaftlichen Interesse bestand aber auch ein praktischer Bedarf. So wurde

die in der Diplomarbeit beschriebene Grünvolumenerfassung Dresdens im Auftrag des Umwelt-

amtes der Stadt durchgeführt.

Gedankt sei deshalb an dieser Stelle dem Städtischen Vermessungsamt, dem Stadtumweltamt,

insbesondere Herrn Wolfgang Socher, dem Grünflächenamt Dresden sowie dem Landesforstprä-

sidium Graupa für die Bereitstellung der Daten und für deren freundliche Unterstützung. Darüber

hinaus möchte ich mich bei Valerie R. Ussyshkin (©Optech Inc.), Christian Wever (©TopScan

GmbH) sowie Katrin Schnadt (©Toposys GmbH) für die Bereitstellung von Testdatensätzen und

Informationen bedanken.

Bedanken möchte ich mich bei Prof. Dr. Manfred F. Buchroithner, dem betreuenden Hochschulleh-

rer vom Institut für Kartographie für die zahlreichen Anregungen und wichtigen Hinweise sowie

für die freundliche Unterstützung.

Meine größte Anerkennung gilt vor allem meinem Betreuer Dr. Gotthard Meinel vom Leibniz-

Institut für ökologische Raumentwicklung e.V., der mit unermüdlichem Engagement zur Seite

stand, zahlreiche Tipps und Anregungen gab und für ein sehr angenehmes Arbeitsklima sorgte.

Nicht zuletzt sei den Mitarbeitern des IÖR, der Gruppe 57, den anderen Kartographen, meiner

Familie, meiner Freundin und meinen Freunden herzlichst gedankt für deren soziale als auch fi-

nanzielle Unterstützung.

Robert Hecht

Inhaltsverzeichnis

III

Inhaltsverzeichnis

SELBSTÄNDIGKEITSERKLÄRUNG I

VORWORT II

INHALTSVERZEICHNIS III

ABBILDUNGSVERZEICHNIS VII

TABELLENVERZEICHNIS X

ABKÜRZUNGSVERZEICHNIS XII

1. EINFÜHRUNG 1

1.1. Einleitung und Motivation .............................................................................................................. 1

1.2. Ziel und Aufbau der Arbeit............................................................................................................. 2

2. GRUNDLAGEN 4

2.1. Grünvolumen ..................................................................................................................................... 42.1.1. Funktion des Städtischen Grüns.................................................................................................... 4

2.1.2. Quantitative Beschreibung der Vegetation .................................................................................. 6

2.1.3. Grünvolumen ................................................................................................................................... 8

2.1.4. Grünvolumen in einer ökologisch orientierten Planung.......................................................... 10

2.1.5. Grünvolumen in der Praxis .......................................................................................................... 11

2.2. Laserscanning................................................................................................................................... 122.2.1. Allgemein........................................................................................................................................ 12

2.2.2. Prinzip der Abtastung................................................................................................................... 13

2.2.3. Prinzip der Koordinatenbestimmung......................................................................................... 13

2.2.4. Prinzip der Höhenmessung.......................................................................................................... 14

2.2.5. Klassifikation der Punkte.............................................................................................................. 17

2.2.6. Ableitung des Digitalen Geländemodells (DGM)..................................................................... 18

2.2.7. Ableitung des Digitalen Oberflächenmodells (DOM) .............................................................. 19

2.2.8. Ableitung des normalisierten Digitalen Oberflächenmodells (nDOM) ................................. 19

Inhaltsverzeichnis

IV

2.2.9. Genauigkeiten der Laserscannerdaten ....................................................................................... 19

2.2.10. Anwendungen.............................................................................................................................. 20

2.2.11. Vegetationsspezifische Eigenschaften....................................................................................... 20

2.3. Fuzzy-Logik ...................................................................................................................................... 23

2.3.1. Fuzzy-Mengentheorie ................................................................................................................... 24

2.3.2. Aufbau eines Fuzzy-Modells ....................................................................................................... 26

2.3.3. Anwendungen der Fuzzy-Logik ................................................................................................. 30

2.4. Methoden zur Gewinnung topographischer Informationen aus Laserscannerdaten......... 312.4.1. Erfassung von Gebäuden.............................................................................................................. 31

2.4.2. Erfassung der Vegetation.............................................................................................................. 34

3. ANALYSE UND METHODIK 41

3.1. Ausgangsdaten – Laserscannerdaten ........................................................................................... 413.1.1. Aufnahmesituation........................................................................................................................ 41

3.1.2. Vorprozessierung der Daten durch TopScan GmbH................................................................ 42

3.1.3. Gelieferte Daten ............................................................................................................................. 43

3.2. Untersuchung des Lasersignalverhaltens ................................................................................... 44

3.2.1. Visuelle Betrachtung der Laserscannerdaten............................................................................. 44

3.2.2. Untersuchung der Vegetation auf Basis von Referenzmessungen ......................................... 45

3.3. Eliminierung anthropogener Objekte ......................................................................................... 50

3.3.1. Problematik..................................................................................................................................... 50

3.3.2. Eliminierung anthropogener Objekte mittels externer Daten ................................................. 51

3.3.3. Eliminierung der Gebäude auf Basis der Laserscannerdaten.................................................. 55

3.4. Modellgesteuerte Korrektur der Laserscannerdaten ................................................................ 613.4.1. Konzeptionelle Korrekturansätze................................................................................................ 61

3.4.2. Ausarbeitung von Indikatoren zur Unterscheidung der Vegetationstypen.......................... 64

3.4.3. Prinzip der Korrektur.................................................................................................................... 67

3.4.4. Empirische Ermittlung der Startparameter zur Zylindersteuerung....................................... 68

3.4.5. Modellsteuerung mittels Fuzzy-Logik........................................................................................ 69

3.4.6. Modellkalibrierung........................................................................................................................ 71

3.4.7. Implementierung der Kronenformkorrektur............................................................................. 74

3.4.8. Behandlung von Rasen, Wiesen und Ackerflächen .................................................................. 76

3.4.9. Klassifizierung des Vegetations-nDOMs.................................................................................... 76

Inhaltsverzeichnis

V

4. BERECHNUNG DES STÄDTISCHEN GRÜNVOLUMENS AM BEISPIEL DER STADT DRESDEN 77

4.1. Aufbereitung der Eingangsdaten ................................................................................................. 774.1.1. Datengrundlage ............................................................................................................................. 77

4.1.2. Arc/Info-Datenimport .................................................................................................................. 78

4.1.3. Bildung von Blöcken zur optimalen Datenverarbeitung ......................................................... 78

4.1.4. Normierung der Lasermesspunkte ............................................................................................. 78

4.1.5. Interpolation des normierten Digitalen Oberflächenmodells.................................................. 78

4.1.6. Erzeugung der Vegetationsmaske............................................................................................... 79

4.2. Berechnung des blockbezogenen Grünvolumens für das Stadtgebiet Dresden................. 804.2.1. Implementierung des Korrekturverfahrens............................................................................... 80

4.2.2. Eliminierung anthropogener Objekte ......................................................................................... 82

4.2.3. Pauschaler Aufschlag für Rasen, Wiesen und Ackerflächen................................................... 82

4.2.4. Berechnung des blockbezogenen Grünvolumens ..................................................................... 83

4.2.5. Berechnung der Grünvolumenanteile ........................................................................................ 83

4.2.6. Berechnung der Vegetationsflächenanteile................................................................................ 83

4.3. Fehlerabschätzung........................................................................................................................... 844.3.1. Aufbereitung der Kontrolldaten.................................................................................................. 84

4.3.2. Analyse auf Basis des Referenzdatensatzes „Bertolt-Brecht-Platz“........................................ 85

4.3.3. Analyse auf Basis der verorteten Straßenbäume....................................................................... 90

4.3.4. Analyse auf Basis des FGIS........................................................................................................... 91

4.3.5. Synoptische Anmerkungen zur Genauigkeit............................................................................. 93

4.4. Bewertung der Ergebnisse ............................................................................................................. 94

4.4.1. Auswertung des blockbezogenen Grünvolumens der Stadt Dresden ................................... 94

4.4.2. Präsentation der Ergebnisse in Karten........................................................................................ 96

4.4.3. Inwertsetzung von Geodaten – ein Kostenbeispiel................................................................... 96

5. ANWENDUNGEN DER DATEN 98

5.1. Anwendungen in der Raumplanung ........................................................................................... 985.1.1. Dreidimensionale Darstellung des Grünvolumens .................................................................. 98

5.1.2. Berechnung der Grünzahl (GZ) ................................................................................................... 99

5.1.3. Grünvolumen in Verbindung mit dem Bauvolumen ............................................................. 100

5.2. Grünvolumen auf Basis anderer Bezugsgeometrien............................................................... 100

5.3. Einbindung des Grünvolumens in Simulationen und Eignungsbewertungen................. 101

5.3.1. Bestimmung der Wohn- und Lebensqualität........................................................................... 102

Inhaltsverzeichnis

VI

5.3.2. Simulation der Temperatur ........................................................................................................ 103

5.3.3. Windsimulation ........................................................................................................................... 103

5.3.4. Bewertung des Staubbindevermögens ..................................................................................... 103

5.3.5. Simulation des Wasserhaushaltes ............................................................................................. 104

5.4. Diskussion ...................................................................................................................................... 105

6. ZUSAMMENFASSUNG UND AUSBLICK 106

6.1. Zusammenfassung......................................................................................................................... 106

6.2. Ausblick .......................................................................................................................................... 108

LITERATURVERZEICHNIS 110

ANLAGEN 123A Verfügbarkeit von Laserscannerdaten für die 52 größten Städte Deutschlands ...................... 124

B.1 Gebäudeextraktion - Workflow Methode H................................................................................ 125

B.2 Gebäudeextraktion - Workflow Methode P................................................................................. 126

B.3 Gebäudeextraktion - Workflow Methode M ............................................................................... 127

B.4 Gebäudeextraktion - Ergebnisse der Gebäudeextraktion.......................................................... 128

B.5 Gebäudeextraktion - Prinzip zur Ermittlung der Güte.............................................................. 129

B.6 Gebäudeextraktion - Güte der Gebäudeextraktion .................................................................... 130

C Auswertung der Punktdichte........................................................................................................... 131

D.1 Programmoberfläche des SAMT Fuzzy-Tools............................................................................ 132

D.2 Regelbasis der Fuzzy-Modelle ...................................................................................................... 133

E. Kronenformkorrektur - Empirisch ermittelte Formzahlen.......................................................... 134

F Workflow der Grünvolumenberechnung Dresden ....................................................................... 135

G.1 Genauigkeitsabschätzung – Differenzen in Abhängigkeit der Rasterweite ........................... 136

G.2 Genauigkeitsabschätzung – Korrelationskoeffizient in Abhängigkeit der Rasterweite ....... 137

G.3 Genauigkeitsabschätzung – Korrelation der Berechnungen zum Volumen aus der

Walddatenbank...................................................................................................................................... 138

H.1 Grünvolumen der Bebauungstypen Dresden ............................................................................ 139

H.2 Grünvolumen- und Vegetationsflächenanteile der Bebauungstypen Dresden..................... 140

H.3 Grünvolumen-Bauvolumen-Differenz der Bebauungstypen Dresden................................... 141

H.4 Kartenbeispiel – Grünzahl............................................................................................................. 142

H.5 Kartenbeispiel – Bauvolumen....................................................................................................... 143

I Quellcodes der AML-Programme..................................................................................................... 144

J Parameterdateien der Fuzzy-Modelle .............................................................................................. 149

K Kartenteil............................................................................................................................................. 151

Abbildungsverzeichnis

VII

AbbildungsverzeichnisAbb 1: Wirkung der Vegetation auf deren Umwelt................................................................................ 5

Abb 2: Schematische Körperberechnung des Grünvolumens............................................................... 9

Abb 3: Abtastender Laserscanner im Flugzeug ................................................................................... 13

Abb 4: Gesendeter Impuls, Streuquerschnitt und empfangender Impuls......................................... 14

Abb 5: Empfangender Impuls und erfasste Stopppulse....................................................................... 15

Abb 6: Querschnitt der first und last pulse Messpunkte eines urbanen Gebietes ............................ 16

Abb 7: Form und Ausdehnung der Streuobjekte .................................................................................. 16

Abb 8: Schematische Darstellung des Scanmusters im Wald ............................................................ 21

Abb 9: Digitale Oberflächenmodelle unterschiedlicher Systeme........................................................ 22

Abb 10: Zugehörigkeitsfunktionen für die linguistischen Terme......................................................... 24

Abb 11: Unscharfe Ergebnismenge nach Durchschnitt, Vereinigung und Negation......................... 26

Abb 12: Ergebnismenge der Inferenz........................................................................................................ 28

Abb 13: Ergebnis der Akkumulation zweier unscharfer Mengen mittels Maximum-Operators ..... 29

Abb 14: Bestimmung der reellen Ausgabegröße..................................................................................... 30

Abb 15: Gebäudeextraktion........................................................................................................................ 32

Abb 16: 3D-Gebäudemodellierung ........................................................................................................... 34

Abb 17: Segmentierung von Baumkronen ............................................................................................... 36

Abb 18: Verfeinerung der Baumkronengrenze mit dem Ray-Algorithmus ........................................ 36

Abb 19: Segmentierung geschlossener homogener Baumbestände...................................................... 37

Abb 20: Strategie der Extraktion von Bäumen......................................................................................... 39

Abb 21: Ausschnitt der Laserscannerdaten (Dresdner Zwinger).......................................................... 44

Abb 22: Anomalien im DOM ..................................................................................................................... 45

Abb 23: 3D-Visualisierung der photogrammetrisch gemessenen Vegetationspunkte ...................... 46

Abb 24: Untersuchungsgebiet „Bertolt-Brecht-Platz“ ............................................................................ 47

Abb 25: Aufriss der Laser- und Referenzmessungen verschiedener Vegetationstypen.................... 50

Abb 26: Strukturelement ( 3x3 Pixel, kreuzförmig, 4er-Nachbarschaft) .............................................. 52

Abbildungsverzeichnis

VIII

Abb 27: Generierung einer Vegetationsmaske mittels NDVI................................................................ 53

Abb 28: Generierung einer Vegetationsmaske mittels NDGRVI .......................................................... 54

Abb 29: Pufferung der Geometrien zur Eliminierung der Gebäude aus dem Datensatz.................. 55

Abb 30: Binarisierung des nDOMs mit einem Höhenschwellwert....................................................... 56

Abb 31: Texturanalyse................................................................................................................................. 57

Abb 32: Vergleich der Binarisierung......................................................................................................... 58

Abb 33: Laplace-Filter (3x3 Pixel) .............................................................................................................. 58

Abb 34: Ergebnisse der Gebäudeextraktion und dessen Güte .............................................................. 60

Abb 35: Kumulierte Darstellung der Häufigkeit..................................................................................... 61

Abb 36: Interpolation der alleinigen Oberflächenpunkte im Vegetationsbestand.............................. 62

Abb 37: Morphologische Dilatation mit einem kreisrunden Strukturelement ................................... 63

Abb 38: Prinzip der Berechnung der Punktdichte für eine Zelle .......................................................... 64

Abb 39: Berechnete Punktdichte aller Punkte, der Bodenpunkte, der Oberflächenpunkte .............. 65

Abb 40: Berechnung der relativen Oberflächenpunktdichte mit unterschiedlichen Suchradien ... 65

Abb 41: Relative Punktdichte der Hauptvegetationstypen ................................................................... 66

Abb 42: Oberflächenpunkte im 2-dimensionalen Merkmalsraum ....................................................... 66

Abb 43: Schematische Darstellung der Korrektur für den Laubbaumbestand................................... 67

Abb 44: Empirische Messungen (Radius) im Merkmalsraum Punktdichte und normierte Höhe ... 68

Abb 45: Ermittelter Höhenkorrekturfaktor im Merkmalsraum Punktdichte und normierte Höhe. 69

Abb 46: Aufbau des Korrektur-Modells aus zwei Fuzzy-Modellen ................................................... 70

Abb 47: Verhaltensflächen der Fuzzy-Modelle für die Steuerung........................................................ 73

Abb 48: 3D-Visualisierung des nDOMs.................................................................................................... 73

Abb 49: Aufriss und binarisierte Hülle eines Ahornbaumes................................................................. 75

Abb 50: Ergebnisse der Formzahlermittlung........................................................................................... 75

Abb 51: Generierung des nDOMs ............................................................................................................ 78

Abb 52: Color-Luftbild und die daraus abgeleitete Vegetationsmaske ............................................... 80

Abb 53: Korrektur des nDOMs.................................................................................................................. 81

Abb 54: Ergebnis der Eliminierung anthropogener Objekte ................................................................. 82

Abb 55: Grundlage zur Berechnung der Grünvolumenanteile ............................................................. 83

IX

Abb 56: Grauwertkodiertes Differenzmodell .......................................................................................... 90

Abb 57: Kronenradien der verorteten Straßenbäume............................................................................. 91

Abb 58: Volumendifferenzen auf Basis der Polygone der Forstgrundkarte ....................................... 92

Abb 59: Spezifisches Grünvolumen der Stadtstrukturtypen Dresdens ............................................... 95

Abb 60: Dreidimensionale Darstellung des Grünvolumens mit einer Überhöhung von 10............. 99

Abb 61: Überlagerung des Grünvolumens bezogen auf ein Raster (100 x 100 m) mit der TK 10 .. 101

Abb 62: Prinzip der Berechnung des FSV .............................................................................................. 102

Tabellenverzeichnis

X

TabellenverzeichnisTab. 1: Ökologische und soziale Funktionen des städtischen Grüns.................................................... 4

Tab. 2: Berechnete Streuquerschnitte ...................................................................................................... 17

Tab. 3: Datensätze nach einer Klassifikation in Boden- und Oberflächenpunkte............................. 18

Tab. 4: Operatoren der t-Norm und t-Conorm...................................................................................... 25

Tab. 5: Standardisierte Inferenzstrategien und deren Operatoren ..................................................... 29

Tab. 6: System- und Flugparameter der Laserscannerbefliegung....................................................... 42

Tab. 7: Punktverteilung der Lasermessungen ....................................................................................... 44

Tab. 8: Vegetationsklassifizierung und deren erhobene Referenzflächen ......................................... 47

Tab. 9: Lasermessungen im Vergleich zu den photogrammetrischen Messungen .......................... 48

Tab. 10: Referenz- und Lasermodell im Vergleich .................................................................................. 48

Tab. 11: Typischer NDGRVI für Vegetation ............................................................................................ 54

Tab. 12: Übersicht und Kurzbeschreibung der untersuchten Methoden............................................. 56

Tab. 13: Anteile richtig und falsch klassifizierter Gebäudepixel........................................................... 59

Tab. 14: Korrigiertes Grünvolumen auf Basis der empirisch ermittelten Startparameter ................. 71

Tab. 15: Grünvolumendifferenzen ausgewählter Versuche beim Kalibrierungsprozess .................. 72

Tab. 16: Laser-Grünvolumen nach Modellkalibrierung im Vergleich zur Referenz .......................... 73

Tab. 17: Berechnungsvorschrift der Klassifikation des Vegetations-nDOMs...................................... 76

Tab. 18: Übersicht der verwendeten Attribute aus der Walddatenbank ............................................. 84

Tab. 19: Flächenanteile der verwendeten Geometrien der Forstgrundkarte....................................... 85

Tab. 20: Spezifisches Gesamtgrünvolumen („Bertolt-Brecht-Platz“).................................................... 86

Tab. 21: Standardabweichung des Differenz-nDOMs in Abhängigkeit der Rasterweite .................. 86

Tab. 22: Korrelation zwischen in Abhängigkeit der Rasterweite .......................................................... 87

Tab. 23: Standardabweichung der Differenzen des Vegetations-nDOM bezüglich der Referenz.... 88

Tab. 24: Grünvolumen und dessen Differenzen für verschiedene Strukturtypen.............................. 89

Tab. 25: Gemittelte Grünvolumen und deren Standardabweichung auf Basis der Strukturtypen.. 89

Tab. 26: Laser-Grünvolumen im Vergleich zu den verorteten Straßenbäumen ................................. 90

Tab. 27: Berechnete Grünvolumen der Walddatenbank im Vergleich zum Laser-Grünvolumen ... 92

Tabellenverzeichnis

XI

Tab. 28: Anteile der Vegetationstypen am Gesamtgrünvolumen......................................................... 95

Tab. 29: Interzeptionsspeicherkapazität verschiedener Vegetationsarten ........................................ 104

Abkürzungsverzeichnis

XII

Abkürzungsverzeichnis3D Dreidimensional

ABIMO Abflussbildungsmodell

ADS Airborne Digital Sensor

ALK Automatische Liegenschaftskarte

ALS Airbrone Laserscanner

ALTM Airborne Laser Terrain Mapper

AML Arc/Info Macro Language - Programmiersprache

ASCII American Standard Code for Information Interchange

ATKIS Amtliches Topographisch-Kartographisches Informationssystem

BFF Biotopflächenfaktor

BFZ Bodenfunktionszahl

BHD Brusthöhendurchmesser

BV Bauvolumen

BVZ Bodenfunktionszahl

CHM Canopy Height Model

CIR Color Infrared - Falschfarbenbild

DGM Digitales Geländemodell

DGPS Differential Global Positioning System

DHHN Deutsches Haupthöhennetz

DLM Digitales Landschaftsmodell

DoA Degree of Artificiality

DOM Digitales Oberflächenmodell

DSK 500 Digitale Stadtkarte 1: 500

DSM Digital Surface Model

DTM Digital Terrain Model

EGG97 Europäisches Geoidmodell 1997

ESRI Environmental Systems Research Institute

FALCON Laserscannersystem

FGIS Forstliches Geoinformationssystem

FSV Fraction of Surrounding Vegetation

FSVV Fraction of Surrounding Vegetation Volume

GFA Grünflächenamt

Abkürzungsverzeichnis

XIII

GFZ Geschossflächenzahl

GIS Geoinformationssystem

GNU General Public License

GPS Global Positioning System

GRIS Grünflächen-Informationssystem

GRZ Grundflächenzahl

GV Grünvolumen

GVZ Grünvolumenzahl

GZ Grünzahl

IKONOS Kommerzieller Satellitensensor des Betreibers Space Imaging

INS Inertiales Navigationssystem

IÖR Leibniz-Institut für ökologische Raumentwicklung e.V., Dresden

KI Künstliche Intelligenz

LAI Leaf Area Index

LFP Landesforstpräsidium

LiDaR Light Detection and Ranging

NDGRVI Normalized Differenced Green / Red Vegetation Index

nDOM Normalisiertes Digitales Oberflächenmodell

nDSM Normalized Digital Surface Model

NDVI Normalised Difference Vegetation Index

NIR Near Infrared

NN Neuronale Netze

RD Rauenbergdatum

SAMT Spatial Analysis and Modelling Tool

SAPOS Satellitenpositionierungsdienst der deutschen Landesvermessung

SCOP++ C++ basiertes Programmsystem der TU Wien

SD Standard Deviation

TIN Triangulated Irregular Network

TK10 Topographische Karte 1: 10 000

VFA Vegetationsflächenanteil

WDB Walddatenbank

WGS World Geodetic System

Kapitel 1.1 - Einleitung und Motivation

1

1. Einführung

1.1. Einleitung und Motivation Städtisches Grün ist aus ökologischer und klimatischer Sicht unverzichtbar und erfüllt elementare

Funktionen wie die Staubbindung, Temperaturminderung, Winddämpfung oder die Grundwas-

serneubildung. Zudem bilden Grünanlagen Oasen der Ruhe und Erholung und erfüllen somit eine

soziale Funktion, die grundlegend zur städtischen Lebens- und Wohnqualität beiträgt. Laut einer

Umfrage (BUNDESWEITE UMFRAGE DER BÜRGERZUFRIEDENHEIT MIT KOMMUNALEN GRÜNFLÄCHEN

2004) suchen 23 % der Bevölkerung täglich und 53 % 1- bis 3-mal wöchentlich Grün- und Parkan-

lagen auf.

Wegen der hohen Bedeutung des Stadtgrüns werden seitens der Stadtplanung zunehmend Indika-

toren für eine quantitative Beschreibung der Vegetation gesucht. Als Pendant zu den Indikatoren

der baulichen Nutzung, wie der Grundflächenzahl (GRZ) und der Geschossflächenzahl (GFZ),

können das die vegetationsbezogenen Indikatoren Biotopflächenfaktor (BFF), Bodenfunktionszahl

(BFZ), Durchgrünungsgrad oder die Grünvolumenzahl (GVZ) mit ihrer ökologischen Aussagekraft

(u. a. HEBER 1993; KENNEWEG 2002) sein. Während für den Durchgrünungsgrad eine zweidimensi-

onale Erfassung ausreicht, ist für die Ermittlung des Grünvolumens zwingend eine dreidimensio-

nale Erhebung erforderlich.

Da städtische Großvegetation in ihrer Art sehr komplex ist, wird versucht, sie durch ideale Körper

wie Quader, Kugel, Zylinder oder Kegel zu vereinfachen (GROßMANN et al. 1984). So ist die Quanti-

tät der Vegetation im Gegensatz zur Forstwirtschaft, in der das Holzertragsvolumen die wichtigste

Rolle spielt, durch das einer äußeren Hülle eingeschlossene Grünvolumen definiert.

Flächendeckende städtische Kartierungen dieser Art sind allerdings sehr kosten- und zeitaufwän-

dig, und eine Aufnahme erfolgt deshalb in der Praxis nur für lokale Planungsvorhaben. Auch

wenn inzwischen teilweise durch Grünflächenämter Baumkataster (ca. 70 % aller Städte) geführt

werden, so liegen die Daten oft unverortet und in analoger Form vor. Ferner werden damit nur

Bäume städtischen Eigentums erfasst, da private Gartenanlagen sowie Parkanlagen (Eigentum des

Landes) nicht zum Zuständigkeitsbereich der Ämter gehören. Somit ergaben Studien, dass der

Anteil der Bäume privater Flächen und Parks am städtischen Gesamtbestand 10-mal höher ist, als

die der Straßenbäume (RINGENBERG 1994). Überdies wird sämtlicher Niedrigwuchs, welcher auch

einen ökologischen Wert besitzt, kaum erfasst. Insofern spricht das Wissensdefizit über die städti-

sche Vegetation für die Entwicklung einer effektiven Methodik zur Erfassung.

Angesichts der zunehmenden Verfügbarkeit dreidimensionaler Messungen auf Laserscannerbasis

scheint es sinnvoll, derartige Daten zur Bestimmung städtischen Grünvolumens zu verwenden.

Kapitel 1.2 - Ziel und Aufbau der Arbeit

2

Problematisch dabei ist, dass städtische Laserscannerbefliegungen zu 90 % in laubfreier Zeit statt-

finden und teilweise nur die letzte Reflexion zur Verfügung steht. Demzufolge sind die Daten für

eine städtische Grünvolumenerfassung suboptimal.

Im Rahmen einer Studienarbeit (HECHT 2005) wurde bereits das Lasersignalverhalten bezüglich

der drei Hauptvegetationsarten (Laubbaum, Nadelbaum und Sträucher) für ein Testgebiet in

Dresden untersucht und mit photogrammetrischen Referenzmessungen verglichen. Die Ergebnisse

zeigen eine enorme Volumenunterschätzung des Laubbaumbestandes, so dass eine alleinige Be-

rechnung des Grünvolumens auf Basis dieser unkorrigierten Daten nicht möglich wäre. Deshalb

sind ausgefeilte Korrekturen der Laserscannerdaten nötig, um dennoch Informationen zum Grün-

volumen mit hinreichender Genauigkeit zu erhalten.

1.2. Ziel und Aufbau der Arbeit Zentrale Aufgaben- und Zielstellung dieser Diplomarbeit ist die Entwicklung einer geeigneten

Methodik zur Korrektur suboptimaler Laserscannerdaten, die es erlaubt, das städtische Grünvo-

lumen auf Baublockebene zu berechnen. Die zu entwickelnde Methodik soll anhand der Laser-

scannerdaten Dresdens (Winter 2002) getestet und die Ergebnisse in ihrer Genauigkeit übergeprüft

werden. Anschließend sind ist Grünvolumen bezogen auf Geometrien der digitalen Blockkarte

(1: 5 000) zu berechnen und in Form thematischer Karten zu präsentieren.

Die vorliegende Diplomarbeit ist in 6 Kapitel gegliedert.

- Kapitel 1: Einführung

- Kapitel 2: Grundlagen

- Kapitel 3: Analyse und Methodik

- Kapitel 4: Berechnung des städtischen Grünvolumens am Beispiel der Stadt Dresden

- Kapitel 5: Anwendung der Daten

- Kapitel 6: Zusammenfassung und Ausblick

Nach der Einführung in diesem Kapitel 1 schließt sich der Grundlagenteil in Kapitel 2 an. Dabei

werden die Grundprinzipien des Grünvolumens, Laserscannings sowie der Fuzzy-Logik darge-

stellt. Wegen dem recht neuen Verfahren Laserscanning, wird ein separater Teil näher auf die Me-

thoden zur Auswertung von Laserscannerdaten anhand aktueller Forschungsarbeiten eingehen.

Kapitel 3 widmet sich der Analyse des Lasersignals und der Entwicklung der Korrekturmethode.

Nach einer Vorstellung der Laser-Ausgangsdaten und der Darstellung der Ausgangssituation

werden verschiedene Methoden zur Eliminierung anthropogener Objekte getestet und untersucht.

Anschließend werden gängige Korrekturansätze diskutiert und ein neuer Korrekturansatz entwi-

ckelt. Nach einer Beschreibung der ausgearbeiteten Indikatoren, wird die Steuerung der Korrektur

Kapitel 1.2 - Ziel und Aufbau der Arbeit

3

mittels der Fuzzy-Logik sowie dessen Optimierung erläutert. Die Implementierung der Korrek-

turmethode sowie das Verfahren für eine blockbezogene Grünvolumenberechnung sind am Bei-

spiel der Stadt Dresden in Kapitel 4 aufgeführt. Neben der Bewertung der Ergebnisse werden Ge-

nauigkeitsabschätzungen auf Basis von Kontrolldaten gemacht. In Kapitel 5 wird der Frage nach

der Anwendung der Ergebnisse nachgegangen. Neben Visualisierungsbeispielen wird dabei die

Praktikabilität und Anwendbarkeit des Grünvolumens kritisch diskutiert. Die Ergebnisse der Ar-

beit werden in Kapitel 6 abschließend zusammengefasst und ein Ausblick auf mögliche Verbesse-

rungen sowie zukünftige Entwicklungen gegeben.

Kapitel 2.1 - Grünvolumen

4

2. Grundlagen

In diesem Kapitel werden die Grundlagen zum Grünvolumen (Kap. 2.1), Laserscanning (Kap. 2.2)

und der Fuzzy-Logik (Kap. 2.3) dargelegt. Aufgrund dessen, dass die automatische Ableitung von

Informationen aus Laserscannerdaten ein neues Aufgabenfeld in der Photogrammetrie und Fern-

erkundung darstellt, wird im letzten Teil dieses Kapitels (Kap. 2.4) näher auf einzelne Methoden

und den Stand der Entwicklung eingegangen.

2.1. Grünvolumen

2.1.1. Funktion des Städtischen GrünsAbgesehen vom Menschen selbst sind Bäume, Sträucher und Gräser die auffälligsten Lebewesen

im städtischen Raum und gehören zu den wichtigsten Elementen die das Stadtbild prägen. Die

Funktionen des urbanen Grüns sind vielfältig und lassen sich in ökologische und soziale Funktio-

nen unterteilen. Tabelle 1 zeigt die nach ARLT et al. (2005) zusammengefassten Funktionen.

Tab. 1: Ökologische und soziale Funktionen des städtischen Grüns nach ARLT et al. (2005)

Ökologische Funktionen Soziale Funktionen - Bioklimatische Funktionen - Freizeit - Filter-, Puffer- und Transformationsfunktion - Bildung - Beitrag zur Grundwasserneubildung - Erholung - Abflussregulation - Lebensraumfunktion - Biotopbildungsfunktion - Bodenschutz - Immissionsschutz

Die stadtklimatische Bedeutung städtischen Grüns ist allgemein bekannt und Vegetationsbestän-

den kommt dabei generell eine Ausgleichsfunktion zu (RINGENBERG 1994). Durch Transpiration

von Großgrün wird die Luftfeuchtigkeit erhöht und durch die Verdunstungskälte die Temperatur-

erhöhung gerade bei sommerlichen austauscharmen Wetterlagen abgedämpft. Die Stärke der

Temperaturminderung ist dabei von der bestandenen Fläche abhängig. FINKE (1994) stellt erst ab

einer Vegetationsfläche von mehr als 1 ha eine temperaturmindernde Ausgleichfunktion fest.

Städtisches Grün ist ebenfalls am Wasserhaushalt beteiligt. So wird von der Blattoberfläche das

Regenwasser direkt abgefangen und verdunstet. Aufgrund dessen wirken vegetationsbestandene

Flächen hemmend auf den Oberflächenabfluss und die Bodenerosion und tragen teilweise zur

Grundwasserneubildung bei.

Die Vegetation ist insbesondere durch ein hohes Staubbindevermögen geprägt. So sind die Schad-

stoffbelastungen baumfreier Straßen circa 6-mal höher als in gut durchgrünten Regionen (BER-


5

NATZKY 1973). Somit können mit einer optimierten Durchgrünung Maßnahmen zur Begrenzung

der Feinstaubbelastung (EU-Luftreinhalterichtlinie) eingeleitet werden (GALK 2006).

Grün bestandene Flächen reduzieren weiter die lokalen Windgeschwindigkeiten. Somit kann eine

gezielte Bepflanzung von Hecken die durch die Bebauung hervorgerufenen hohen Windge-

schwindigkeiten abbremsen. Allerdings kann eine zu dichte Anpflanzung großer Bäume ein Luft-

austausch in Straßenräumen verhindern und somit zu einer Schadstoffkonzentration führen

(THÖNNESSEN 2006). Bei sehr dichter Bepflanzung kann auch ein Überströmen des Grüngürtels

erreicht werden, so dass eventuelle Feinstäube über die Anpflanzung hinwegtransportiert werden,

im Lee sedimentieren und zu einer Anhäufung in diesem Bereich führen (BECKRÖGE 1988).

Die Vegetation ist weiterhin Lebensraum und Nahrungsquelle für Tiere. Gerade aufgrund der

Artenvielfalt in Städten ist auch die Vielfalt von Vogelarten sogar teilweise höher, als in einseitigen

Waldbiotopen. Somit kommt dem städtischen Grün eine wichtige Funktion des Nahrungs- Rast-

und Fortpflanzungshabitats zu. Städtisches Grün trägt außerdem, auch wenn nur zu einem gerin-

gen Teil, zur Lärmdämmung bei. Ein weiterer Aspekt ist die schattenspendende Wirkung von

Großgrün, welche sich wohltuend auf die Lebensqualität der Stadtbewohner auswirkt.

Abb 1: Wirkung der Vegetation auf deren Umwelt

(Quelle: BAESELER et al. 1974)

Abbildung 1 zeigt die Wirkung der Vegetation auf deren Umwelt. ARLT et al. (2005) untersuchen

diese Wirkungszusammenhänge näher und differenzieren sie nach der vorliegenden Vegetations-

schicht. Die ökologische Wirkung wird somit nicht immer allein durch die Quantität, sondern e-

benfalls durch deren Struktur bestimmt. Rasen- und Wiesenflächen zeichnen sich z.B. durch eine

stärkere abkühlende Wirkung in der Nacht aus, wohingegen Großgrün am Tag eine höhere tempe-

ratursenkende Wirkung hat. Dennoch kann für die meisten der Aspekte ein allgemeiner Zusam-

menhang zwischen der Vegetationshöhe und der positiven Wirkung hergestellt werden (RINGEN-

BERG 1994).


6

Neben dem ökologischen Aspekt sind Bäume und Sträucher wichtige Raumelemente der gebauten

städtischen Umwelt und deshalb als Objekte sinnlicher Wahrnehmung wirksam. Das Fehlen oder

Vorhandensein städtischen Grüns prägt somit ganze Stadtteile (RINGENBERG 1994). Deshalb sollte

auch die ästhetische Wirkung des Grüns für das städtebauliche Bild nicht unterschätzt werden.

Dieser sozialpsychologischen Bedeutung wurde durch eine Internetumfrage der Bevölkerung zur

Bürgerzufriedenheit mit kommunalen Grünflächen näher auf den Grund gegangen (BUNDESWEITE

UMFRAGE DER BÜRGERZUFRIEDENHEIT MIT KOMMUNALEN GRÜNFLÄCHEN 2004). So gehören Straßen-

bäume, Parkanlagen und Wälder in der Stadtrandlage zu den für die Stadtbewohner wichtigsten

Grünflächen. LANG et al. (2006) beschreiben auch einen Zusammenhang zwischen der Grünflä-

chenausstattung und der Lebensqualität der Bewohner. Infolgedessen kann das Vorhandensein

von städtischem Grün die Wohnstandortqualität erhöhen und somit auch eine wirtschaftliche Wir-

kung zeigen (s. Kap. 5.3.1).

2.1.2. Quantitative Beschreibung der Vegetation Die Vegetation kann in der Praxis und Wissenschaft mit verschiedenen Messgrößen beschrieben

werden. Im Folgenden werden einige gängige Größen der Forstwirtschaft, sowie der Blattflächen-

index und die Biomasse näher betrachtet.

2.1.2.1. Forstwirtschaftliche Quantifizierung

In der Forstwirtschaft spielt die Erfassung und Inventarisierung des Baumbestandes eine bedeu-

tende Rolle. Neben der Anzahl der Bäume pro Hektar werden baumbezogene Parameter wie das

Alter, Baumhöhe, Brusthöhendurchmesser (Stammdurchmesser in 1,3 m Höhe), Kronenschirmflä-

che, Kronenlänge oder die Kronenbreite erfasst (FUCHS 2003). Begleitend können Bestandesmerk-

male wie der Überschirmungsgrad oder die Bestandesdichte aufgenommen werden.

Im Vordergrund steht in den meisten Fällen die Abschätzung des Ertragsvolumens, welches sich

aus den eben genannten Parametern und dem Wissen der Baumart ableiten lässt. Vereinfachend

kann mit Hilfe artentypischer Formzahlen das Holzvolumen durch die Baumhöhe und dem Brust-

höhendurchmesser (BHD) bestimmt werden. Beim Volumen unterscheidet man das Baumholzvo-

lumen (alles Holz inklusive Äste und Reisig), das Schaftholzvolumen (alles Holz bis zum Wipfel)

und das Derbholzvolumen, welches das Holz und Äste mit einem Durchmesser > 7 cm beschreibt

(KUBLIN 2003). Die anzuwendenden Formzahlen und -funktionen liegen meist in Tabellen für jede

Baumart vor (u. a. METTE & KORELL 1989). Neben diesem Volumen kann aber auch das Kronenvo-

lumen mittels Idealisierung geometrischer Körper bestimmt werden.

In der Forstwirtschaft wird nur selten mit einer einzigen Zahl gearbeitet. Abgesehen vom Ertrags-

volumen werden die meisten erfassten Parameter immer Zusammenhang mit der Baumart be-

trachtet. Mit den eben beschriebenen Messgrößen werden neben dem Forstbestand u. a. auch in-

nerstädtische Straßenbäume im Baumkataster geführt.


7

2.1.2.2. Blattflächenindex

Der Blattflächenindex (engl. Leaf Area Index, LAI) ist eine Zahl, welche den Vegetationsbestand

über die Größe der Blattfläche beschreibt. Der Blattflächenindex ist definiert als Blattfläche pro

Bodenoberfläche (F. 1) und ist somit dimensionslos.

(F. 1)

Die Blattfläche der Laubblätter wird einseitig gezählt, währenddessen die Nadelblätter auf den

Boden projiziert werden. Ein LAI > 1 bedeutet, dass die Blattfläche größer ist, als die Fläche des

Bodens. Ist der LAI < 1, so befindet sich über einer Einheit Bodenfläche weniger Blattfläche (PLA-

PADA 2006).

Der LAI ist ein allgemein beschreibender Wert, und ist stark abhängig von der vorliegenden Art

der Vegetation und kann somit meist nur geschätzt werden. Trotzdem stellt der LAI eine bedeu-

tende Schlüsselgröße bei der Berechnung von globalen Klimaszenarien dar und beschreibt z.B. den

Einfluss landwirtschaftlicher, forstlicher oder natürlicher Vegetation auf die Abflussbildung. Oft

wird diesem Index ein direkter Zusammenhang zur ökologischen Wirkung zugesprochen.

Die Bestimmung des LAI kann indirekt oder direkt durchgeführt werden. Bei der direkten Metho-

de wird das Blattwerk einer Pflanzenprobe entfernt, die Blattfläche mit einem Planimeter (ein ana-

loges mechanisches Messgerät zur Ermittlung beliebiger Flächeninhalte in Landkarten oder Zeich-

nungen) bestimmt und für einen gesamten Pflanzenbestand hochgerechnet. Dieses Verfahren ist

allerdings sehr aufwändig und bedingt das Arbeiten im Gelände. Indirekte Methoden bedienen

sich häufig der Nutzung von Fernerkundungsdaten. Die Ableitung des LAI kann durch die Her-

stellung einer Beziehung in Form einer Funktion zwischen der Reflexionsintensität im nahen Infra-

rot und dem Zielparameter LAI erfolgen. Die Kalibrierung wird oft empirisch über Aufnahme von

Stichproben (LACAZE 1996) getätigt. Allerdings wird die alleinige Nutzung spektraler Information

aus Fernerkundungsdaten (z.B. NDVI, s. Kap. 3.3.2.1) zur LAI-Ableitung in der Fachliteratur teil-

weise kritisch bewertet (u. a. KÜHBAUCH 2003). Häufig werden deshalb geländebasierte indirekte

Verfahren angewandt, indem hemisphärische Aufnahmen von Bodennähe mittels der digitalen

Bildverarbeitung ausgewertet werden oder sog. Lichtmesser zum Einsatz kommen, welche die

durchgelassene Lichtstrahlung messen und damit auf den Blattflächenindex geschlossen werden

kann (HELMSCHROT 1999).

2.1.2.3. Biomasse

Die Biomasse bezeichnet die Gesamtheit der Masse an organischem Material in einem definierten

Ökosystem und kann als Frischgewicht oder Trockengewicht pro Kubikmeter oder pro Quadrat-

meter angegeben werden. Die Biomasse beinhaltet alle Lebewesen (Pflanzen, Tiere), abgestorbene

Boden

Blatt

AALAI


8

Organismen sowie organische Stoffwechselprodukte, welche sich über und unter dem Erdboden

befinden. Die Schätzung erfolgt in der Regel über Kohlenstoffmessungen. In der Forstwirtschaft

wird oft die pflanzliche Biomasse über dem Boden bestimmt, da diese eine zentrale Rolle als Roh-

stoffquelle und Kohlenstoffspeicher spielt und eine wichtige Komponente bei den Wechselwirkun-

gen von Atmosphäre und Boden ist. Die Bestimmung der Biomasse kann über die Höhe-Biomasse-

Allometrie erfolgen (NAESSET 2004). Diese Allometrie untersucht und quantifiziert den Zusam-

menhang zwischen der Waldhöhe und der Waldbiomasse. Allerdings ist die Biomasse stark ab-

hängig von der Walddichte und der Artenzusammensetzung. Das Alter und die Standortbedin-

gung können dabei unberücksichtigt bleiben, da Forschungen und Erfahrungen der Standardforst-

tabellen ergaben, dass der Einfluss dieser Parameter nur 15 % ausmacht (METTE et al. 2003). So

wachsen Weichhölzer in der Regel dichter als Harthölzer. In der Literatur ist eine Vielzahl an For-

meln gegeben, die die Höhen-Massen-Relation herstellen. Genannt seien an der Stelle deshalb nur

die Autoren BERTALANFFY (1951) und TER-MIKAELIAN & KORZUKHIN (1997). LIM & TREITZ (2004)

bestimmt die Biomasse durch die Auswertung von Laserscannerdaten mittels Regressionsanalysen

(s. Kap. 2.4.2.1). Zur Quantifizierung der Vegetation kann die Biomasse somit in der Praxis nur für

homogen bestandene Flächen (Landwirtschaft, Forstwirtschaft) relativ sicher bestimmt werden.

2.1.3. GrünvolumenDie eben dargelegten Möglichkeiten der Beschreibung der Vegetation sind für städtische Vegetati-

onsanalysen teilweise wünschenswert, aber wegen ihres hohen Erfassungsaufwandes mit Genau-

igkeitseinschränkungen nicht realisierbar. Aufgrund der Artenvielfalt in den Städten, ist es daher

schwierig den Blattflächenindex oder die Biomasse städteweit zu bestimmen (RICHTER et al. 2003).

Eine Ermittlung des Ertragsvolumens im Sinne der Forstwirtschaft wäre hingegen gar nicht erst

sinnvoll.

Deshalb ist es notwendig, die Quantität der Vegetation sinnvoll und vor allem praktikabel zu be-

schreiben. Die Erhebung der mittleren Vegetationshöhe ist dabei ein guter Ansatz. Da aber Bäume

unterschiedliche Kronenformen besitzen, kommt die Idee, die Vegetation nach ihrem Erschei-

nungsbild, also deren äußere Hülle im Volumen zu beschreiben.

Für die Anwendung in der großmaßstäbigen Bauleit- und Landschaftsplanung wurde deshalb eine

rechnerische Bestimmung des Grünvolumens durch die Planungsgemeinschaft GROßMANN,

SCHULZE, POHL (1984) in Hamburg entwickelt. Dabei wird das Grünvolumen mittels der flächen-

bezogenen Grünvolumenzahl (GVZ) beschrieben. Sie wurde als Pendant zu den planungsrelevan-

ten Richtgrößen der baulichen Nutzung, wie der Grundflächenzahl (GRZ) oder der Geschossflä-

chenzahl (GFZ) eingeführt und soll neben den vegetationsbezogen Indikatoren Biotopflächenfak-

tor (BFF), der Bodenfunktionszahl (BFZ) oder dem Durchgrünungsgrad Mindestanforderungen an

die Grünausstattung bei der Planung geben, da sie eine hohe ökologische Aussagekraft besitzt

(HEBER 1993; KENNEWEG 2002).


9

Die GVZ gibt somit an, wie groß das oberirdische Volumen des Grünraumes aller auf einer Grund-

fläche stehenden Pflanzen (d.h. angepflanzter und nicht angepflanzter) ist bzw. sein sollte (GROß-

MANN et al. 1984). Das Grünvolumen wird dabei mit Hilfe von idealen geometrischen Primitiven

wie Quader, Zylinder, Kugel und Kegel modelliert (Abb. 2).

Abb 2: Schematische Körperberechnung des Grünvolumens von Rasen-, Strauch- und Baumbestand

(Quelle: GROßMANN et al. 1984)

Aus der Volumensumme aller auf einer Fläche befindlichen Vegetationsobjekte ergibt sich dann

die GVZ. Alternativ wird die GVZ auch als spezifische Grünvolumen bezeichnet (ARLT ET AL. 2005)

und bezieht sich immer auf eine Fläche (z.B. Flurstück o. Baublock), so dass sie mit der Einheit

[m³/m²] angegeben wird.

In der Praxis werden für eine Grünvolumenberechnung eines Flurstückes alle Volumen der geo-

metrischen Körper ermittelt, aufsummiert und in Beziehung zur Fläche gesetzt (F. 6). Folgende

Formeln (F. 2 – F. 5) bilden die Grundlage zur Ermittlung des Grünvolumens:

hFGVQuader (F. 2)

hrGVZylinder ² (F. 3)

³34 rGVKugel (F. 4)

hrGVKegel ²31

(F. 5)

Rasen, Kräuter sowie Sträucher werden dabei vereinfacht mit Quadern modelliert, so dass sich das

Grünvolumen durch Multiplikation der Fläche mit der mittleren Vegetationshöhe ergibt (F.2).

Bäume werden hingegen je nach Kronenform durch Zylinder (z.B. Pappel), Kugel (z.B. Eiche) oder

Kegel (z.B. Nadelbaum) beschrieben (F.3 – F.5). So erhält man bei einem Laubbaum mit einem ku-

geligen Kronendurchmesser von 10 m mit Formel F.4 ein absolutes Grünvolumen von 524 m³.

Würden sich drei solcher Bäume auf einem Flurstück mit einer Gründstücksfläche von FG = 1000

m² befinden, ergäbe sich mit Formel F.6 ein spezifisches Grünvolumen von ca. 1,57 m³/m².


10

n

ii

GGV

FGVZ

1

1 (F. 6)

Auch wenn die Vegetation in vielfältigen Erscheinungsformen auftreten kann, müssen solche ent-

wickelten Richtwerte sehr vereinfacht werden, um sie allgemein verständlich zu halten und in der

Planungspraxis anwenden zu können (ANDREÄ 1987). In Anbetracht der ökologischen und sozia-

len Funktion der Vegetation ist die Einführung der Grünvolumenzahl deshalb ein guter Mittelweg.

So berücksichtigt sie neben der Anzeige der ökologischen Leistung eben auch die quantitative

Wahrnehmung des Menschen, welche durch die Biomasse oder der alleinigen Betrachtung des

Blattflächenindex nicht gegeben wäre.

2.1.4. Grünvolumen in einer ökologisch orientierten Planung Gerade wegen der großen Bedeutung des Stadtgrüns werden seitens der Stadtplanung zunehmend

Indikatoren für eine quantitative Beschreibung der Vegetation benutzt. Für den Vegetationsflä-

chenanteil (Durchgrünungsgrad) reicht die zweidimensionale Erfassung aus. Die alleinige flächige

Betrachtung der Vegetation spiegelt aber ohne das Wissen der Höhe keine wahre Quantität wieder,

so dass das Grünvolumen bzw. die Grünvolumenzahl eingeführt wird.

Allgemein im planerischen Sinne kann die Grünvolumenzahl auf zwei räumlichen Ebenen erhoben

werden (RICHTER et al. 2003). Auf der räumlichen Ebene des Flächennutzungsplans bzw. Land-

schaftsplans im Maßstabsbereich 1 : 5 000 bis 1 : 10 000 sowie auf der Ebene des Bebauungsplans

bzw. Grünordnungsplans im Maßstab 1 : 500 bis 1 : 1 000.

Auf der Ebene des Bebauungsplans wäre es das Ziel, die Grünvolumenzahl für einzelne Gründstü-

cke zu ermitteln bzw. festzulegen, um den Belangen des Natur- und Landschaftsschutzes gerecht

zu werden. So lassen sich Auswirkungen baulicher Verdichtung mit Hilfe der Grünvolumenzahl

sehr gut darstellen (RICHTER et al. 2003). Die GVZ soll damit ein Mindestmaß an Grünausstattung

geben, um die positiven Funktionen des Grüns zu sichern. Eine rein quantitative Festlegung des

Grünvolumens lässt qualitative Anforderungen zur Grünsubstanz unberücksichtigt. Die GVZ zielt

somit auf die allgemeine Verbesserung der Grünsituation ab.

Die alleinige Betrachtung des Grünvolumens bezogen auf eine Grundstücksfläche ist aber proble-

matisch, so dass sie sich rechtlich nicht durchsetzen konnte. So würde z. B. eine 1 000 m² große

Rasenfläche gleichwertig eines neu angepflanzten Baumes mit einem Grünvolumen von 100 m³

sein. In der Planung und bei Fragen des „Eingriffs und Ausgleichs“ kann sich folglich nicht allein

auf die GVZ gestützt werden. GROßMANN et al. (1984) schlagen deshalb die GVZ in Verbindung

mit der Bodenfunktionszahl (BFZ) vor, welche den Anteil biologisch-ökologisch aktiver Flächen

eines Grundstücks angibt. Dabei kann die BFZ höchstens den Wert 1 erreichen. Bei Baugrundstü-

cken ist dieser Wert folglich stets kleiner als 1. Eine Bodenfunktionszahl von 0,75 für ein Grund-

stück bedeutet nach Interpretation durch die Verfasser des Hamburger Gutachtens: "Die Boden-

funktion ist zu 75 % erhalten, zu 25 % zerstört". Die BFZ wird aus den einzelnen Bodenkennwerten


11

verschiedener Oberflächen ermittelt. Weiterführend kann durch Bildung des Produktes aus BFZ

und GVZ die sog. Grünzahl (GZ) beschrieben werden, welche ebenfalls als planungsrelevante

Größe eingesetzt werden könnte, da sie sowohl die Grünvolumenausstattung als auch die Boden-

funktion beschreibt. Allerdings wurde die Praxistauglichkeit der Grünzahl von GROßMANN et al.

(1984) nicht weiter untersucht.

Dies macht deutlich, das rein normative Verfahren juristisch in der Planung schwer einzusetzen

sind, da sie immer eine Verallgemeinerung widerspiegeln. Dennoch können sie ein wichtiges

Hilfsinstrument bei Planern im Auffinden von Gründefizitbereichen sein. Die letzte Entscheidung,

wenn es um Eingriff und Ausgleich in einer Landschaft geht, sollte dann doch nicht nur auf Basis

von ermittelten Kennwerten erfolgen, sondern durch fachlich qualifizierte Planer geprüft werden.

Neben dem theoretischen Einsatz als planerische Mindestfestsetzung ist die Grünvolumenausstat-

tung ein wichtiger Indikator zur Analyse und Bewertung stadtökologischer Qualität. Der Indikator

Grünvolumenausstattung kann neben der herkömmlichen Flächenbilanz dann auch durch Krite-

rien der vorliegenden Vegetationsstruktur und durch Volumenbilanzen erweitert werden. Das

Grünvolumen allein kann nur als eine „grobe Anzeige“ stadtökologischer Qualität aufgefasst wer-

den. ARLT et al. (2005) verwenden das Grünvolumen deshalb in Verbindung mit der zugrunde

liegenden Vegetationsstruktur. Gerade die differenzierte Angabe der Grünvolumenausstattung für

niedrige, mittlere und hohe Vegetation, lässt Aussagen über deren ökologische Wirksamkeit diffe-

renzierter zu.

2.1.5. Grünvolumen in der Praxis Gegenüber der flächigen Erfassung ist für die Erfassung des Grünvolumens zwingend eine drei-

dimensionale Erhebung erforderlich. Zur genauen großmaßstäbigen Erfassung des Grünvolumens

sind deshalb aufwändige terrestrische Messungen notwendig. Da eine Aufnahme in der Art sehr

kosten- und zeitaufwändig ist, haben diese bisher nur für lokale Planungsvorhaben (z.B. zur Un-

tersuchung bioklimatischer Verhältnisse in der Umgebung von Altenwohnheimen) eine Bedeu-

tung und stellen somit keine Standarddatenerhebung dar.

RICHTER et al. (2002) ermittelten das Grünvolumen durch stereoskopische Messungen von Bäu-

men, Hecken und Rasen auf Basis mittels Luftbildpaaren. Solche akribischen Aufnahmen des

Grünvolumens werden genauso nur für lokale Fragestellungen im Zusammenhang mit der plane-

rischen Frage des Eingriffs und des Ausgleichs vorgenommen. Ferner ergab eine Literatur- sowie

Internetrecherche, dass eine gesamtstädtische Grünvolumenerhebung bislang in keiner deutschen

Stadt erfolgte.

Auf der Ebene des Flächennutzungsplans kann das Grünvolumen auf Basis der verschiedenen

Nutzungs- und Bebauungstypen erhoben werden. ARLT et al. (2005) stellen eine Methode zur städ-

tischen Grünvolumenabschätzung im Mittelmaßstabsbereich vor. Dabei wurde die vertikale Vege-

tationsstruktur mittels repräsentativer Flächen für jeden Biotoptyp durch eine Auswertung von

Kapitel 2.2 - Laserscanning

12

CIR-Luftbildern erfasst. Das Ergebnis waren Kenngrößen für Grünflächen und Grünvolumen dif-

ferenziert nach der Vegetationsstruktur niedrig, mittel und hoch für jeden Biotoptyp (insgesamt 52

Stück). Mittels dieser Kennwerte konnte das Grünvolumen für das gesamte Stadtgebiet hochge-

rechnet werden. Weitere Ausführungen bezüglich dieser Methodik wurden bereits in der Studien-

arbeit (HECHT 2005) erörtert.

Andere Daten, aus denen das Grünvolumen abgeleitet werden könnte, sind Erhebungen städti-

scher Grünflächen- oder Baumkataster. Laut einer Umfrage im Jahr 1998 sind ca. 70 % aller deut-

schen Städte mit einem Baumkataster ausgestattet. Allerdings nehmen nur 20 % aller Ämter die

Koordinaten der Baumfußpunkte auf. Die öffentlichen Straßenbäume werden von 91,5 % der Be-

fragten erhoben, während eine komplette Erfassung des öffentlichen Grüns inklusive öffentlicher

Parkanlagen und Friedhöfe nur zu 36 % und eine vollständige Kartierung inklusive aller privaten

Flächen nur zu 1 % erfolgt. 70 % der Grünflächenämter geben an, ihr Kataster mindestens einmal

im Jahr zu aktualisieren. Eine GIS-Integration ist nur bei 15 % aller Grünflächenämter realisiert

(BEISCH 1998). Digitale Baumkataster sowie Grünflächen-Informationssysteme (GRIS) werden al-

lerdings in Zukunft zunehmend eingeführt. Als Beispiel sei hier das gut ausgebaute Berliner GRIS

genannt, welches erfolgreich eingesetzt wird, um die Pflegemaßnahmen zu optimieren (STADT-

ENTWICKLUNG BERLIN 2006). Dennoch werden mittels der Grünflächen- und Baumkataster größten-

teils nur die öffentlichen Flächen erfasst. Die Anzahl der Bäume nichtöffentlicher Flächen ist aber

Schnitt 10 – 15-mal höher als die der öffentlichen Flächen (RINGENBERG 1994), so dass eine flächen-

deckende Grünvolumenabschätzung aus Daten der Grünflächenämter nur sehr grob gemacht

werden könnte.

2.2. LaserscanningDie Grundlagen des Laserscannings wurden bereits in der Studienarbeit erörtert (HECHT 2005). Es

wird deshalb nur noch auf die wichtigsten und vegetationsrelevanten Eigenschaften dieser Ferner-

kundungsmethodik eingegangen.

2.2.1. AllgemeinDas flugzeuggetragene Laserscanning (auch LiDAR, engl. Light Detection and Ranging) ist eine Me-

thode in der Geodäsie zur 3-dimensionalen Erfassung der Erdoberfläche und wird seit mehr als 10

Jahren eingesetzt. Gerade die Möglichkeit sehr schnell große Gebiete in ihrer Höhe zu erfassen,

brachte dieser Methodik den Durchbruch zur operationellen Anwendung, so dass heute schät-

zungsweise 70 verschiedene kommerzielle Laserscannersysteme auf dem Markt sind (MAAS 2005).

In der Fernerkundung spricht man beim Laserscanning von einem aktiven System, da das erfasste

Signal vom System selbst gesandt, an einer Oberfläche reflektiert und von der Empfangseinheit des

Systems wieder empfangen wird. Damit unterscheidet sich diese Methodik grundlegend von der

klassischen Luftbildaufnahme, da keine externe Energie (Sonnenlicht) benötigt wird und somit

auch Aufnahmen in der Nacht möglich sind. Wolken kann ein Laserstrahl aufgrund der Streuvor-


13

gänge jedoch auch nicht durchdringen. Beim Laserscanning kommt man bei der Höhenmessung

mit nur einem Aufnahmestandpunkt aus, wohingegen bei der klassischen Erstellung von Digitalen

Geländemodellen (DGM) mindestens zwei sich überlappenden Luftbilder benötigt werden. Der

Vorteil, der sich daraus ergibt, ist, dass auch Höhenmessungen in texturlosen bzw. -armen Gebie-

ten (z.B. Wiese, Sand o. a. homogene Flächen) mühelos erfolgen können (KRAUS 2000).

2.2.2. Prinzip der Abtastung Das am Flugzeug angebrachte Laserscannersystem tastet während der Fortbewegung die Gelän-

deoberfläche punktweise mit einer hohen Abtastrate ab. Dabei wird ein gepulster Laser vom Sys-

tem gesendet, an einer Oberfläche gestreut und mit der Empfangseinheit empfangen. Die Ablen-

kung quer zur Flugrichtung (Scanner) wird durch eine eingebaute Spiegeloptik (z.B. der

ALTM 1225 der kanadischen Firma Optech Inc.) oder durch Verwendung eines statischen Glasfa-

serarray (z.B. FALCON II) realisiert (Optech 2006; Toposys 2006). Damit ist es durch den Öff-

nungswinkel quer zur Flugrichtung möglich, einen ganzen Geländestreifen in Flugrichtung abzu-

tasten. Durch die gegebene Fluggeschwindigkeit, der Messrate des Systems und der Flughöhe

ergeben sich die Messpunktabstände im Nadir auf dem Boden. Die mittels Impulsverfahren ge-

messene Laufzeit ist ein Maß für die doppelte Entfernung zwischen der Sende- und Empfangsein-

heit und somit die Grundlage der Entfernungsmessung.

2.2.3. Prinzip der Koordinatenbestimmung Das Ergebnis der Laufzeitmessung sind Polarkoordinaten. Um diese in das kartesische Landesko-

ordinatensystem zu bekommen, sind folgende Schritte notwendig. Zunächst müssen die Koordina-

ten des sich laufend fortbewegenden Ursprungs bestimmt werden. Dies geschieht mittels einge-

bautem differentiellen GPS (DGPS), während die sich ständig ändernde Orientierung durch das

Inertiale Navigationssystem (INS) ermittelt wird (Abb. 3).

Abb 3: Abtastender Laserscanner im Flugzeug

(Quelle: KRAUS 2000)


14

Alle drei Komponenten DGPS, INS und der Laserscanner sind dabei synchronisiert. Nach der GPS-

Auswertung erfolgt die Berechnung der Flugwege im WGS 84 (World Geodetic System). Im nächsten

Schritt können die Laserpolarkoordinaten in das kartesisches Koordinatensystem (WGS 84) umge-

rechnet und durch Datumstransformationsformeln in das Landeskoordinatensystem überführt

werden.

2.2.4. Prinzip der Höhenmessung

2.2.4.1. Impulsmessung

Wie schon erörtert, wird die Entfernung der Sendeeinheit zum rückstreuenden Objekt mittels der

Laufzeit des Laserimpulses bestimmt. Der gesendete gebündelte Laserimpuls bildet auf der Erd-

oberfläche einen Spot (auch Abtastfleck oder engl. footprint) ab. Dieser kann bei einer üblichen

Flughöhe von 1 000 m systemabhängig einen Durchmesser von 0,2 – 2,0 m annehmen (WAGNER et

al. 2003). Trifft ein Laserfleck auf eine Gebäudekante, so wird ein Teil der Energie bereits an der

Gebäudekante gestreut, der anderer Teil der Energie erst am Boden. Ähnlich verhält es sich bei der

Vegetation, bei der Teile der Energie in verschiedenen Höhen gestreut werden. Somit entstehen

mehrere Maxima im empfangenen Signal, welche die Impulsform bestimmen. In Abbildung 4 sind

typische Impulsformen für unterschiedliche Streuobjekte (raue Fläche, schräge Fläche, Vegetation)

aufgezeigt.

a) b) c)

Abb 4: Gesendeter Impuls, Streuquerschnitt und empfangender Impuls einer a) rauen Fläche,

b) schrägen Fläche und c) an einem Baum mit Ästen und Unterholz

(Quelle: WAGNER et al. 2003)

Die rechteckigen Sendeimpulse sind idealisiert dargestellt, oft weichen diese aber bei flugzeugge-

tragenen Laserscannern ab. Im Falle einer rauen Fläche (z.B. Acker mit Geländeunebenheiten von 5

cm) ist die Ausdehnung des Objektes in Ausbreitungsrichtung sehr gering und die ursprüngliche

Impulsform wird lediglich an den Rändern abgerundet. Bei einer um 45° gegen die Ausbreitungs-

richtung des Lasersignals geneigten Dachfläche und einem Abtastfleck von 1 m Durchmesser wirkt


15

das Dach auf 1 m Länge als Streuer. Dies verursacht eine Trapezform des empfangenden Impulses.

Bei einer Vegetationsdecke (z.B. Wald) wird der Laserimpuls im oberen und unteren Geäst, im

Unterholz, am Boden sowie in den Blättern der Baumkrone reflektiert. Allerdings wird das Signal

zum Boden hin üblicherweise schwächer und kann bei einer sehr dichten Vegetation zu keiner

Reflexion am Boden führen. Im empfangenen Impuls der Abbildung 4 zeichnen sich drei signifi-

kante Maxima heraus. Der Abstand zweier aufeinander folgenden Maxima sollte aber größer als

das räumliche Trennungsvermögen sein (WAGNER et al. 2003). Der Waldboden und das Unterholz

sind in diesem Beispiel (Impulsdauer 10 ns) in der Impulsform nicht mehr trennbar (Abb. 5 c).

KRAUS (2005) gibt eine Höhe von 1,5 m an, die eine Vegetation mindestens haben muss, damit sie

in der Impulsform vom Maximum, verursacht vom Boden, getrennt werden kann.

2.2.4.2. Diskretisierung der Messung

Zunächst wird der Impuls in Form einer Welle empfangen. Erst mittels eines Verfahrens kann die-

ses Signal in einen diskreten Impuls gebracht werden. Dazu werden Schwellwerte eingesetzt, wel-

che auf ansteigende Impulsflanken ansprechen und somit einen oder mehrere Stopppulse festgele-

gen (Abb. 5). Weitere Methoden der Diskretisierung sind die Schwerpunktbestimmung oder die

Ermittlung lokaler Maxima (WAGNER et al. 2003).

Abb 5: Empfangender Impuls und erfasste Stopppulse (1. und 2. Echo) üblicher

Laserscannersysteme mittels Schwellwertbildung


Das zeitlich erste empfangene Maximum (oder Stopppuls) wird als first pulse (dt. erster Impuls,

erstes Echo) bezeichnet, währenddessen die letzte maximale Reflexion als last pulse (dt. letzter Im-

puls, letztes Echo) benannt wird. Je nach System ist die Aufzeichnung mehrerer Echos möglich. Als

Ergebnis erhält man in der Regel zwei Datensätze, welche in Punktform vom Datenanbieter ausge-

liefert werden (Abb. 6).


16

Abb 6: Querschnitt des first und des last pulse einer Messung im urbanen Gebiet

(Quelle: Eigene Bearbeitung, Daten: ©Optech Inc.)

2.2.4.3. Intensität der Messung

Neben der rein geometrischen Aufnahme der Erdoberfläche sind viele Laserscannersysteme in der

Lage, die Intensität (Empfangsleistung) des rückstreuenden Signals aufzuzeichnen. Die Intensität

ist ein Maß der Amplitude des Echoimpulses und ist bei konstanten Flug- und Systemparametern

vom Streuquerschnitt, als Maß für den Anteil der reflektierten Leistung, abhängig. Dieser wird

wiederum von dem Auftreffwinkel, der Oberflächenbeschaffenheit und der Form und Ausdeh-

nung des Streuobjektes bestimmt. Eine sehr glatte Oberfläche zeichnet sich dabei durch eine ge-

richtete Streuung aus und führt bei einer schrägen Aufnahme zu einem geringen Streuquerschnitt

und folglich zu einer geringen Intensität. Raue Oberflächen hingegen sorgen für eine diffuse Rück-

streuung und somit auch zu einem hohen Rückstreusignal. Auch bestimmen verschiedene Reflexi-

onsgrade der Oberflächematerialien den Streuquerschnitt. So absorbieren Wasser, Eis oder

dunkle Flächen (Asphaltflächen) die meiste Energie, so dass sie einen geringen Reflexionsgrad

aufweisen. Die Form und Ausdehnung eines Objektes bestimmt ebenfalls den Streuquerschnitt.

WAGNER et al. (2003) unterscheiden dabei vier verschiedene Formen (Abb. 7).

Abb 7: Form und Ausdehnung der Streuobjekte: a) kleine Objekte (z.B. Laubblatt), b) längliche Objekte

c) flächige Objekte c) Volumenobjekte (aus vielen kleinen Objekten bestehend)


Unter Annahme einer Flughöhe von R = 1 000 m und eines senkrechten Einfalls des Laserstrahls

mit einem Öffnungswinkel = 1 mrad ermitteln WAGNER et al. (2003) den Streuquerschnitt ver-

schiedener Objekte (Tab. 2). Kleine einzelne Objekte resultieren in einem sehr geringen Streuquer-

schnitt. Man beachte, dass der Streuquerschnitt für Überlandleitung um ein 10-faches größer ist als

a)

b)

a) d) c)b)


17

der eines Laubblattes. Wasser, nasse oder schneebedeckte Flächen äußern sich in geringen Streu-

querschnitten, welches folglich zu einer geringen Intensität führen. Vertiefte Ausführungen zur

Berechnung des Streuquerschnitts und der Intensität sind in WAGNER et al. (2003) zu finden.

Tab. 2: Berechnete Streuquerschnitte nach WAGNER et al. (2003)

Objekt( – Reflexionsgrad)

Streuquerschnitt [m²]

Laubblatt Blatt = 0,6 und einer Fläche von 50 m² 0,01

Überlandleitung mit einem Durchmesser d = 5 cm und Leitung = 0,8 0,16

Asphaltfläche mit Asphalt = 0,2 0,63

Ackerboden mit kerAc = 0,4 1,26

Zement mit Zement = 0,4 1,26

Sandboden (nass) mit )(nassSandboden = 0,15 0,47

Sandboden (trocken) )(trockenSandboden = 0,3 0,95

Schluff mit Schluff = 0,6 1,89

Wasserfläche mit Wasser = 0,01 0,03

Wasserfläche mit Wasser = 0,3 (stark schleifender Einfall) 0,95

Schnee Schnee < 0,25 0,79

2.2.5. Klassifikation der Punkte Zunächst liegen die Daten (first pulse und last pulse) als unstrukturierte und unregelmäßig verteilte

3D-Punkte (Punktwolke) vor und besitzen keinerlei semantische Information (Vgl. Abb. 6). Für die

Generierung eines Digitalen Geländemodells ist deshalb die automatische Klassifikation der

last pulse-Punkte in Bodenpunkte und Oberflächenpunkte ein grundlegender Arbeitschritt und

kann mit einer gleichzeitigen Interpolation gekoppelt sein.

KRAUS & PFEIFER (1998, 2001) entwickelten die Methode der hierarchischen robusten Interpolation

zur Klassifikation der Punktdaten in Boden und Oberflächenpunkte. Dabei wird zunächst eine

approximierende Fläche mittels Prädiktion berechnet. In einem weiteren Schritt werden die positi-

ven und negativen Residuen (Abstände) der Punkte zu der Fläche berechnet. Auf Basis der Resi-

duen erhält jeder Punkt ein Gewicht. Mittels einer definierten Gewichtsfunktion werden dann

jenen Punkten große Gewichte beigemessen, die eine negative oder nur sehr kleine Abweichung

zur approximierten Fläche aufweisen. Ein kleines Gewicht erhalten die Punkte, welche positive

Residuen aufweisen, also sehr hoch über der Fläche liegen. Wird eine Verbesserung überschritten

so wird jenem Punkt ein Gewicht von 0 zugewiesen. Die Gewichte werden zur Bestimmung der

nächsten Fläche (2. Iteration) einbezogen. Somit ziehen Punkte großen Gewichtes die Fläche stär-

ker an sich heran, wohingegen Punkte mit kleinem Gewicht nur einen geringen Einfluss bei der

Interpolation haben. Dieser Vorgang wird iterativ wiederholt bis sich die Fläche an den Boden-

punkte angenähert hat. Der Algorithmus wurde um einen hierarchischen Ansatz erweitert, so dass

mit Datenpyramiden gearbeitet wird (PFEIFER et al. 2001). Dies bringt den Vorteil, der Reduzierung

der Rechenzeit und der Überbrückung von Bereichen ohne Bodenpunkte (z.B. beim dichten Wald).


18

Die Methode ist in der Software SCOP++ (TU WIEN PRODUKTE 2005) integriert und wird von Laser-

scannerdatenanbietern bereits operationell angewendet.

Eine weitere Methode nutzt die bekannten Algorithmen der Bildverarbeitung, um die Laserpunkte

in Boden- und Oberflächenpunkte zu separieren. Dazu werden morphologische Operatoren, wie

die Erosion oder die Dilatation, eingesetzt. Ähnlich der Anwendung auf eine Bildmatrix, wandert

dabei ein Strukturelement punktweise über den Datensatz (VOSSELMANN 2000). Vergleichbare An-

sätze sind in KILIAN et al. (1996) gegeben. Auch kann die Geländeneigung benachbarter Punkte

analysiert werden, um die niedrigsten Punkte (Bodenpunkte) zu erhalten (AXELSSON 2000). Ferner

unterstützt eine first pulse Aufzeichnung die Klassifikation der last pulse Punkte in Bodenpunkte,

sofern man davon ausgeht, dass der Höhenunterschied zwischen der ersten und der letzten Refle-

xion eines Bodenpunktes Null sein muss.

Die Punktfilterung ist folglich ein unverzichtbarer Arbeitsschritt bei der DGM-Erstellung. Trotz

des hohen Automatisierungsgrades sind dennoch, gerade im urbanen Raum, einige interaktive

Nachbearbeitungen nötig, da nicht alle Punkte richtig klassifiziert werden (SCHLEYER 2001).

In vielen Fällen wird die Klassifikation der Punkte von der beauftragten Befliegungs- oder Dienst-

leistungsfirma getätigt. Die in Tabelle 3 aufgezeigten Datensätze können dabei zur Auswertung

zur Verfügung stehen. Multi-pulse-verfahren, welche noch mehr Echos liefern, bleiben bei dieser

Betrachtung unberücksichtigt.

Tab. 3: Datensätze nach einer Klassifikation in Boden- und Oberflächenpunkte

Datensatz Gelände Gebäude Vegetation last pulse (Bodenpunkte) x last pulse (Oberflächenpunkte) x x first pulse (Oberflächenpunkte) x x first pulse (Bodenpunkte)* x

* Teilmenge des last pulse (Bodenpunkte)

Die Bodenpunkte des first pulse können nur eine Reflexion haben und sind deshalb eine Teilmenge

der Bodenpunkte des last pulse. Eine Aggregation der Punkte zu Boden- und Oberflächenpunkten

ist mit einem Datenverlust verknüpft, da dann keine Zuordnung der einzelnen Reflexionen mög-

lich wäre. Teilweise findet aber nur die Aufzeichnung der letzten Reflexion statt, so dass sich nach

der Klassifikation die zwei oberen Datenansätze ergeben.

2.2.6. Ableitung des Digitalen Geländemodells (DGM) Ein digitales Geländemodell (DGM, engl. Digital Terrain Model, DTM) bezeichnet die digitale Dar-

stellung der Geländeoberfläche durch Koordinatentripel einer Menge von Flächenpunkten, z.B. in

Form von Dreiecksvermaschungen (TIN, engl. Triangulated Irregular Network) oder regelmäßigen

Gittern (BILL & ZEHNER 2001). Zur Erstellung eines Digitalen Geländemodells werden die als Bo-

denpunkte klassifizierten Punkte (last pulse) herangezogen. Die Punkte werden durch Interpolation

in ein geordnetes Digitales Geländemodell in Rasterform gebracht. Dabei kann die Interpolation

ein in der Punktklassifikation integrierter Prozess sein (Vgl. Kap. 2.2.5). Analog kann das Modell


19

mit Hilfe einer Dreiecksvermaschung in ein unregelmäßiges TIN ausgegeben werden. Verbessert

werden kann das DGM durch die Einführung von Bruchkanten. BRIESE & ATTWENGER (2005) arbei-

ten derzeit an der Entwicklung einer voll automatischen Methode.

2.2.7. Ableitung des Digitalen Oberflächenmodells (DOM) Ein digitales Oberflächenmodell (DOM, engl. Digital Surface Model, DSM) beschreibt bei Laserscan-

ner-Befliegungen die äußerste Umhüllende, welche im Gegensatz zum DGM die Vegetations- und

Bebauungsoberfläche beinhaltet (BILL & ZEHNER 2001). Zur Ableitung des DOMs werden gewöhn-

licherweise die Oberflächenpunkte (first pulse) und die Bodenpunkte der letzten Reflexion (last

pulse) herangezogen und zu einem regulären Raster interpoliert. Liegen nur die last pulse Daten

vor, so kann zumindest ein DOM mit Einschränkungen der Vegetationsabbildung abgeleitet wer-

den. Bei der Interpolation werden häufig Maximumfilter eingesetzt, um die Vegetationsdecke zu

schließen.

Zur Ableitung eines DOMs im bewaldeten Gebiet können die für die DGM-Modellierung üblichen

Verfahren der Punktklassifikation adaptiert werden (PFEIFER 2003). Dabei werden, nicht wie beim

DGM die niedrigsten last pulse- sondern die höchsten first pulse-Punkte zur Interpolation einbezo-

gen (KRAUS & RIEGER 1999). So kann z.B. durch Invertieren der Gewichtsfunktion dafür gesorgt

werden, dass hohen Punkten ein großes Gewicht und niedrigen ein niedriges Gewicht bei der In-

terpolation beigemessen wird (Vgl. Kap. 2.2.5). Das Modell kann gleichermaßen mit Hilfe einer

Dreiecksvermaschung in ein TIN überführt werden.

2.2.8. Ableitung des normalisierten Digitalen Oberflächenmodells (nDOM) Das normalisierte Digitale Oberflächenmodell (nDOM, engl. normalized Digital Surface Model,

nDSM) erhält man durch Subtraktion des DGM vom DOM (F. 7). Das Ergebnis liefert relative Hö-

hen der Objekte (Gebäude, Vegetation) gegenüber dem Boden. Somit wird der Einfluss der Gelän-

deunebenheiten für die Objekthöhenmessung eliminiert.

DGMDOMnDOM (F. 7)

Mit Hilfe der Rasteralgebra lassen sich normalisierte Oberflächenmodelle in der Bildverarbeitung

berechnen.

2.2.9. Genauigkeiten der Laserscannerdaten Die Laserpunktmessungen sind ohne eine Höhenblockausgleichung mit einem systematischen

Fehler behaftet. Ist dieser mit Hilfe von Referenzmessungen eliminiert, erhält man eine Höhenge-

nauigkeit von ±15 cm für die Messpunkte. KRAUS (2005) gibt eine Faustformel zur Berechnung der

Höhengenauigkeit H (F. 8)


20

tan30n6[cm]H (F. 8)

sowie zur Lagegenauigkeit HL (F. 9) in Abhängigkeit der Punktdichte n (bezogen auf 1 m²) und der

vorliegenden Geländeneigung tan an.

30tann6

tan[cm] H

HL (F. 9)

Die Lageungenauigkeit ist folglich von der Höhengenauigkeit abhängig. Allerdings kann auch eine

Lageungenauigkeit die Ursache einer großen Höhenungenauigkeit sein. So könnte zum Beispiel

ein systematischer Lagefehler bei einer Gebäudekante zu einem beachtlichen Höhenfehler des

Messpunktes von bis zu 20 m führen. Bei der Interpolation der Massenpunkte zu einem Rastermo-

dell kommt es zu weiteren Generalisierungen. SMITH et al. (2003) zeigen das Problem bei der An-

wendung verschiedener Interpolationsmethoden zur DOM-Erzeugung auf.

2.2.10. Anwendungen Die Hauptanwendung von Laserscannerdaten ist die Generierung von Digitalen Geländemodellen,

welche in der Praxis z. B. für Erosions-, Hochwasser- oder Grundwassersimulationen von großer

Bedeutung sind. Da ein Teil der Laserscannerimpulse den Wald nicht durchdringen kann, sind

gerade diese Informationen für die Forstwirtschaft von Interesse. Dabei geht es hautsächlich um

die Aufnahme von Bestandsparametern (wie Baumhöhe, Kronendurchmesser, etc). Neben dem

wissenschaftlichen Aspekt, besteht gerade in den Ländern mit viel Forst ein großes wirtschaftliches

Interesse an aktuellen Bestandsaufnahmen, um Analysen, Baumwuchs und Ertragsabschätzungen

machen zu können. Ein weiteres Anwendungsgebiet ist die 3D-Stadtmodellierung. Aufgrund des

großen Automatisierungspotenzials der Laserscannerdaten besteht die Möglichkeit, Gebäude au-

tomatisch zu extrahieren oder sogar automatisch in 3-dimensionelle Vektormodelle zu überführen

(MAAS 2005). Mit Hilfe der Daten können z.B. Gebäudevolumen bestimmt werden. Weitere An-

wendungen sind die Erfassung von Hochspannungsleitungen, die Untersuchung von Gletschern

und die Analyse der Geomorphologie. Auch werden häufig Laserscannerdaten in der Archäologie

genutzt, um alte Siedlungen oder historische Strukturen der Landnutzung, welche jetzt vollkom-

men mit Vegetation bedeckt sind, zu kartieren (SITTLER 2004). Auch wenn vollautomatische Pro-

zessierungen noch in den Kinderschuhen stecken, so vereinfachen semi-automatische Verfahren

die Erfassung und Nachführung topographischer Informationen. Deshalb werden auch in Zukunft

multitemporäre Auswertungen an Interesse gewinnen.

2.2.11. Vegetationsspezifische Eigenschaften Die in Laserscannerdaten abgebildete Vegetation besitzt die Eigenschaft, dass sie vom Laser

durchdrungen werden kann. Die Durchdringungsrate des Lasers (letzter Impuls) in der Vegetation

hängt von dem Aufnahmezeitpunkt, der Vegetationsdichte und der Größe des Abtastfleckes ab.


21

KRAUS & PFEIFER (1998) erhalten für ein bewaldetes Testgebiet (Wiener Wald) eine Durchdrin-

gungsrate von ca. 25 %, während MEANS (2000) auch sehr geringe Durchdringungsraten von 1-5 %

konstatiert. Im Folgenden werden die entscheidenden Einflussgrößen näher erörtert.

2.2.11.1. Vegetationsdichte

Die Vegetationsdichte bestimmt darüber, ob ein Lasersignal an der Vegetation reflektiert wird oder

nicht. Dichte verholzte Sträucher und Nadelbäume führen zu einer hohen rückgestreuten Energie

und somit zu einem Signal. Laubbäume haben eine größere Durchdringungsrate, da ein Teil des

Laserimpulses durchdringen kann.

2.2.11.2. Saisonale Abhängigkeit

Vegetation verändert sich saisonal. Aufgrund der fehlenden Belaubung im Winter kann der Laser-

impuls die Laubbaumvegetation leichter durchdringen. Im Sommer hingegen kann die Vegetati-

onsdecke vollkommen geschlossen sein, so dass keine Reflexion am Boden stattfindet. Für immer-

grüne Pflanzen, die sich über den Jahresverlauf kaum verändern besteht keine saisonale Abhän-

gigkeit.

2.2.11.3. Systemabhängigkeit

Je nach Divergenz (Öffnungswinkel) und Flughöhe ergibt sich der Durchmesser des Abtastflecks.

Abbildung 8 zeigt das Scanmuster zweier kommerzieller Systeme mit unterschiedlich großen La-

serspots. Der ALTM 1225 bildet bei einer Flughöhe von 1 000 m einen Abtastfleck von ca. 25 cm ab

(Abb. 8 a), während beim FALCON II ein 1 m großer Abtastfleck entsteht (Abb. 8 b).

a) b)

Abb 8: Schematische Darstellung des Scanmusters im Wald

(rot - Oberflächenpunkt, grün – Vegetationspunkt) für a) Optec ALTM 1225 und b) FALCON II

(Quelle: SCHNADT & KATZENBEIßER 2004)

Für die Anwendung im Forstbereich wird die Nutzung von Laserscannersystemen mit einem gro-

ßen Laserspot empfohlen. KATZENBEIßER & KURZ (2004) argumentieren dies mit der besseren Sepa-

ration von First- und Lastpulse (Vg. Abb. 8 b). Allerdings stellt HIRATA (2004) eine Überschätzung

der Höhe bei Nutzung eines großen Laserspots und eine Unterschätzung bei Nutzung eines klei-

nen Laserspots fest. Dabei ist die Wahrscheinlichkeit größer, dass die Lasermessung eine erste Re-


22

flexion im Baumbestand hat. Hingegen führt der große Laserspot bei starken Geländeneigungen

zu ungenaueren Höhenmessungen. Die Diskretisierung der Messung kann aufgrund des längeren

Impulses mit gleicher Leistung nicht eindeutig erfolgen (z.B. bei einem schrägen Dach, Vgl.

Abb. 4 b, Kap. 2.2.4.1). In diesem Falle sind kleinere Laserspots mit einer sicheren Höhenerfassung

vorzuziehen.

a) b) c)

d) e) f)

Abb 9: Digitale Oberflächenmodelle unterschiedlicher Systeme: a) CIR-Luftbild, b) Sommer-DOM (FALCON II), c)

Winter-DOM (FALCON II), d) CIR-Luftbild, e) Sommer-DOM (ALTM 1225) f) Winter-DOM (ALTM 1225)

(Quelle: a, b, c) Testdatensatz ©TopoSys GmbH; d), e), f) WAGNER et al. 2004)

Abbildung 9 zeigt vergleichsweise die Ergebnisse einer DOM-Berechnung für den FALCON II

(großer Laserspot) und für den ALTM 1225 (kleiner Laserspot). Die Sommerbefliegung zeigt bei

beiden eine gut geschlossene Oberfläche. Das berechnete Winter-DOM des ALTM-Scanners zeigt

aber eindeutige Unterschätzungen der Vegetation gegenüber der Sommerbefliegung. Der FAL-

CON-Scanner kann hingegen auch im Winter zu einem DOM führen, welches eine gute Grundlage

für Vegetationsuntersuchungen ist.

2.2.11.4. Verfügbarkeit von Laserscannerdaten in deutschen Städten

Geodaten unterliegen häufig den zuständigen Vermessungsämtern. Dies können das städtische

oder auch das Landesvermessungsamt sein. Allerdings sind neuerdings auch andere Ämter, priva-

te Unternehmen, Forschungsinstitutionen o. ä. Gruppen an hochgenauen Laserscannerdaten inte-

ressiert und geben Befliegungen in Auftrag. Dementsprechend ist es teilweise schwierig zu erfah-

ren, ob Laserscannerdaten einer Stadt verfügbar sind oder nicht.

Kapitel 2.3 - Fuzzy-Logik

23

In vielen Fällen wird eine Laserscannerbefliegung jedoch vom Vermessungs- und Katasteramt

geführt oder in deren Auftrag erfasst. Dabei wird die Vorprozessierung größtenteils von der jewei-

ligen Befliegungsfirma übernommen, so dass klassifizierte Punktdaten oder Rastermodelle über-

geben werden.

Für die 51 größten Städte Deutschlands mit mehr als 150 000 Einwohner (Stand: 31.12.2004, DEUT-

SCHER STÄDTETAG 2006) wurde mittels einer Internetrecherche die Verfügbarkeit von Laserscan-

nerdaten untersucht. Die Ergebnisse zeigten, dass 61% (32 von 52) der Städte über Laserscannerda-

ten mit einer Punktdichte von ca. 1 – 2 Punkten pro m² verfügen. In Anlage A sind die Ergebnisse

und deren Nachweis dargelegt. Die Städte des Bundeslandes Nordrhein Westfalens sind dabei

besonders gut ausgestattet.

Die derzeitigen Befliegungsprojekte der Firma TopScan GmbH zeigen eine landesweite Befliegung

im Auftrag des Baden-Württembergischen Vermessungsamts (TOPSCAN 2006). Die Auswertung der

erfassten Laserscannerdaten ist jedoch noch nicht abgeschlossen (LANDESVERMESSUNGSAMT BADEN

WÜRTTEMBERG 2006). Aufgrund der Möglichkeit hochgenaue Geländemodelle zu erzeugen werden

Laserscannermessungen in Zukunft verstärkt auch für größere Gebiete eingesetzt.

2.3. Fuzzy-LogikDie Fuzzy-Logik (von fuzzy: dt. verschwommen, unscharf) bezeichnet einen Ansatz, der im Gegen-

satz zur klassischen Booleschen Algebra nicht nur zwei „scharfe“ Wahrheitszustände erlaubt, son-

dern mehrere graduelle Zustände zwischen wahr und falsch berücksichtigt (BILL & ZEHNER 2001).

Sie wird als Methode, wie auch neuronale Netze (engl. neural networks, NN), im Forschungsgebiet

der Künstlichen Intelligenz (KI), einem Teilbereich der Informatik, eingesetzt. Die Theorie der Ein-

führung unscharfer Mengen (fuzzy sets) geht auf Lotfi A. Zadeh (Professor für Computerwissen-

schaften an der Universität Berkeley in Kalifornien) zurück, der sich in den 60er Jahren mit der

Sprachanalyse beschäftigte. Seine Theorie fand allerdings erst in den 70er und 80er Jahren Zu-

spruch, da sie erst mit zunehmenden Technologisierungsgrad (z. B. durch Entwicklung elektroni-

scher Geräte) konkrete Anwendungen fand. Heute spielt die Fuzzy-Logik in der Signalverarbei-

tung, Steuerungstechnik und Simulation eine bedeutende Rolle, so dass sie in fast jeden Bereich

(z.B. Steuerung von U-Bahnen, Alarmsysteme, Zwischenfrequenzfilter in Radios) eingesetzt wird.

Nützlich ist der Gebrauch von Fuzzy-Logik oft dann, wenn keine mathematische Beschreibung

eines Sachverhaltes vorliegt, sondern nur eine umgangssprachliche, d.h. verbale. Aus den linguis-

tisch formulierten Sätzen und Regeln können mittels Fuzzy-Logik eine solche mathematische Be-

schreibung gewonnen werden. Eine typische Anwendung bei einer Waschmaschine wäre die regu-

lierte Zufuhr an Waschmittel je nach Verschmutzungsgrad der Wäsche. Der Verschmutzungsgrad

kann aber nicht eindeutig (z. B. 45%) bestimmt werden. Da aber die Menge des Waschmittels den-

noch auf einen festen Wert eingestellt werden muss, benötigt man hier eine Logik, die mit unschar-

fen Begriffen wie „leicht verschmutzt“ oder „stark verdreckt“ umgehen kann. Die Fuzzy-Logik


24

"übersetzt" die Aussagen zur Wäscheverschmutzung in eine fest definierte Waschmittelmenge.

Beispielsweise wird „leicht verschmutzt“ in 23 g Waschmittel und „stark verdreckt“ in 65 g

Waschmittel umgesetzt. Entscheidend ist, dass hinter dieser Logik keine eindeutige mathematische

(lineare) Funktion zu finden ist. Vielmehr müssen die maßgebenden Werte ("23 g" oder "65 g") aus

Erfahrungen, Beobachtungen und empirischen Untersuchungen gewonnen werden (ZIMMERMANN

& ALTROCK 1995).

2.3.1. Fuzzy-Mengentheorie Eine unscharfe Menge Ã über einer scharfen Menge X wird charakterisiert durch eine Zugehörig-

keitsfunktion μÃ(x), die jedem Element aus X eine reelle Zahl aus dem Intervall [0,1] zuordnet. Der

Wert von μÃ an der Stelle x wird als Zugehörigkeitsgrad von x zu der Menge Ã bezeichnet. Je nä-

her der Wert μÃ(x) gegen 1 ist, desto höher ist folglich der Grad der Erfüllung (MECHLER et al.

1993).

(x)μX;x(x))μ{(x,:A~ A~A~ R} (F. 10)

Eine Zugehörigkeitsfunktion kann über einen linguistischer Term (z. B. niedrig, mittel, hoch, kalt,

stark, laut) bestimmt sein. Den Prozess der Transformation reeller Werte in verbale Aussagen be-

zeichnet man als Fuzzifizierung. Soll beispielsweise eine Temperatur von 17 C zwischen den Wer-

tungen „kalt“ und „warm“ eingestuft werden, so lässt sich die Temperatur 17 C beispielsweise mit

25% (μkalt(17°C) = 0,25) zur Menge "kalt" und mit 75% zur Menge "warm" (μwarm(17°C) = 0,75)

rechnen (Abb. 10).

Abb 10: Zugehörigkeitsfunktionen für die linguistischen Terme „kalt“ (μkalt(x)) und „warm“ (μwarm(x))

(Quelle: Eigene Bearbeitung)

Die Zugehörigkeitsfunktionen werden häufig mit Hilfe von Dreiecks- bzw. Trapezförmigen Funk-

tionen definiert, da diese mit wenigen Parametern beschrieben werden können. Allerdings ist de-

ren Anpassung an Idealkurven beschränkt. Weitere parametrisierte Funktionen sind in MECHLER et

al. (1993) dargelegt. Handelt es sich bei der betrachteten Grundmenge um endlich viele Elemente

(diskrete Werte), dann muss für jedes Element explizit ein Zugehörigkeitsgrad definiert werden.

Als Beispiel sei hier die Entscheidung eines Autokaufs in Abhängigkeit der PKW-Farbe genannt.


25

Ähnlich der klassischen Mengentheorie lassen sich auch Mengenoperationen auf unscharfe Men-

gen anwenden. So kann z. B. der Durchschnitt oder die Vereinigung zweier unscharfer Mengen

oder das Komplement einer unscharfen Menge gebildet werden. Da die logischen Operatoren der

klassischen Mengentheorie lediglich binäre Operanden (z.B. binäre Bilder) verknüpfen, müssen die

Konnektoren UND, ODER und NICHT als Funktion eingeführt werden.

]1,0[]1,0[]1,0[:, (F. 11)

Wie die Funktionen im Einzelnen definiert werden, ist von der jeweiligen Anwendung abhängig.

Gefordert wird aber, dass sich die Operanten bei Zugehörigkeitsgraden von 0 oder 1 wie die klas-

sischen Konnektoren verhalten sollen.

Die Operatoren lassen sich in die Gruppen der t-Normen (engl. triangular norms) und t-Conormen

(oder auch s-Normen) enteilen. Die t-Normen sind Funktionen, die ein Fuzzy-UND abbilden, wo-

hingegen die t-Conormen ein Fuzzy-ODER darstellen. In der Tabelle 4 sind die geläufigsten Opera-

toren aufgeführt und anschließend näher beschrieben.

Tab. 4: Operatoren der t-Norm und t-Conorm (Quelle: MECHLER et al. 1993)

t-norm (Fuzzy-UND) t-conorm (Fuzzy-ODER) Minimum-Operator Maximum-Operator

Algebraisches Produkt Algebraische Summe

Der Durchschnitt C~ zweier unscharfer Mengen A~ und B~ ( BAC ~~~ ) ist mit den Zugehörig-

keitsfunktionen (x)A~ und (x)B~

durch die Zugehörigkeitsfunktion (x)C~ definiert. Er wird auch

als Minimum-Operator (Fuzzy-UND-Operator) bezeichnet.

Xx|(x))(x),min(:(x) B~A~C~ . (F. 12)

In analoger Weise, allerdings durch das Maximum an Stelle des Minimums, wird die unscharfe

Vereinigungsmenge ( BAC ~~~ ) festgelegt mit

Xx|(x))(x),max(:(x) B~A~C~ . (F. 13)

Er wird als Maximum-Operator (Fuzzy-ODER-Operator) bezeichnet. Das Komplement ´~A (Nega-

tion) einer unscharfen Menge definiert sich aus

Xx|(x)-1:(x) A~C~ . (F. 14)

Die Rechengesetze (z. B. Kommutativ-, Assoziativ-, oder Distributivgesetz) können ähnlich der

klassischen Mengenoperationen angewandt werden.


26

a) b) c)

Abb 11: Unscharfe Ergebnismenge (rot) nach a) Durchschnitt, b) Vereinigung und c) Negation


Abbildung 11 veranschaulicht die unscharfe Ergebnismenge nach einer Mengenoperation des

UND, ODER bzw. NICHT. Neben dem Minimum- und Maximum-Operator werden für die Ag-

gregation unscharfer Mengen weitere Operatoren eingesetzt (Vgl. Tab. 4). Beispiele wären das

Algebraische Produkt

(x)(x):(x) B~A~B~A~ (F. 15)

sowie die Algebraische Summe

(x)(x)-(x)(x):(x) B~A~B~A~B~A~ . (F. 16)

Auch können mittels Modifikatoroperationen die Formen der Zugehörigkeitsfunktion (z. B. durch

Erosion, Dilatation) verändert werden. Auf diesen Punkt wird nicht näher eingegangen.

2.3.2. Aufbau eines Fuzzy-Modells Ein regelbasiertes Fuzzy-System nutzt definierte unscharfe Mengen um einen bestimmten Prozess

zu steuern. Dabei regulieren mehrere Eingangsvariablen X1, …,Xn eine Ausgabevariable Y. Der

Arbeitsprozess kann in folgende Schritte gegliedert werden (MECHLER et al. 1993).

1) Fuzzifizierung (Festlegung der Eingangs- und Ausgangsvariablen)

2) Erstellen einer Regelbasis

3) Festlegung der Inferenzstrategie

a) Aggregation (Feststellung des Erfüllungsgrades einer jeden Regel)

b) Implikation (Bestimmung der Schlussfolgerung einer jeden Regel)

c) Akkumulation (Bestimmung der Ergebnis-Fuzzy-Menge)

4) Defuzzifizierung (Überführung in scharfe Ausgabegrößen)

2.3.2.1. Fuzzifizierung

Zuerst werden die Eingangsvariablen mittels Fuzzifizierung in linguistische Terme gebracht. Dazu

sind die jeweiligen Zugehörigkeitsfunktionen der Ausprägung jeder Variable aufzustellen (Vgl.


27

Abb. 10). Dabei sind Fuzzy-Mengen linguistischer Terme meist so definiert, dass die Summe der

Zugehörigkeitsgrade zu allen linguistischen Termen einer linguistischen Variablen 1 ergeben. Glei-

ches gilt für die Definition der Ausgabevariablen, welche aber auch nur als Singletons (Zentralwer-

te), die durch ein einzelnes Element definiert sind, festgelegt werden

2.3.2.2. Erstellen der Regelbasis

Mittels der definierten verbalen Aussagen können in einem weiteren Schritt Regeln aufgestellt

werden, welche die Ausgabevariable Y bestimmen. Häufig werden dabei Produktionsregeln („IF-

THEN“-Regeln) angewendet, die den Vorteil einer leichten Verständlichkeit, Erweiterbarkeit und

Modifizierbarkeit besitzen (MECHLER et al. 1993). Die Fakten liegen in der Form n1 A~..,.,A~A als

Ausprägungen der n linguistischen Variablen vor. Zusammengefasst hat eine beliebige Regel j die

folgende Form:

jnjij1j1 B~YTHENA~XAND...A~XAND...A~XIF ni (F. 17)

Die linke Seite der Regeln beinhaltet die Prämissen (IF). Die rechte Seite ist durch die Schlussfolge-

rung (THEN) gekennzeichnet. Die Anzahl der notwendigen Regeln ergibt sich aus allen Kombina-

tionen der linguistischen Terme der Indikatoren. Zusätzlich kann jeder Regel optional ein Sicher-

heitsfaktor als reelle Zahl des Intervalls [0,1] zugeordnet werden, die den Grad des Vertrauens der

Regel angibt.

2.3.2.3. Festlegung der Inferenzstrategie

Das Inferenz-Modul eines regelbasierten Fuzzy-Systems zieht aus den Regeln und Eingangsdaten

Schlussfolgerungen und bildet den Kern des Systems. Zuerst wird das Kompatibilitätsmaß aj (Zu-

gehörigkeitsgrad) jeder Vereinbarung n einer Regel j bestimmt. Anschließend erfolgen die Prozesse

Aggregation, Implikation und Akkumulation.

Aggregation

Bei der Aggregation wird die Verknüpfung der linken Regelseite (Prämisse) entsprechend der

Verknüpfungsvorschrift vorgenommen. Zur Bestimmung des Erfülltheitsgrades der Regeln dient

der Aggregationsoperator, der die bestimmten Kompatibilitätsmaße zu einem Gesamtkompatibili-

tätsmaß aggregiert.

).a...,,a,(aaggOpa nj2j1jj (F. 18)

Bei UND-Verknüpfungen kann eine t-Norm wie der Minimum-Operator (F. 12) oder das Algebrai-

sche Produkt (F. 15) als Aggregationsoperator verwendet werden. Für ODER-Verknüpfungen sind

der Maximum-Operator (F. 13) oder die Algebraische Summe (F. 16) geläufig (Vgl. Tab. 4).

Sicherheitsfaktor


28

Das Gesamtkompatibilitätsmaß kann durch den angegebenen Grad des Vertrauens mittels eines

Sicherheitsfaktors modifiziert werden.

)c,(acerOp*a jjj (F. 19)

Implikation

Bei der Implikation erfolgt die Auswertung der rechten Regelseite (Schlussfolgerung).

).B~,*(ainfOp*B~ jjj (F. 20)

Als Implikations-Operator (oder auch Inferenz-Operator) wird ebenfalls eine t-norm eingesetzt.

Diese kann mittels Minimum-Operator oder durch Bildung des algebraischen Produkts beschrie-

ben sein. Beim Minimum-Operator wird die unscharfe Menge der Schlussfolgerung auf den Erfül-

lungsgrad der Regel abgeschnitten, währenddessen beim Produkt-Operator die Spitze der Funkti-

on auf den Ergebniswert der Aggregation gestaucht wird (Abb. 12)

a) b)

Abb 12: Ergebnismenge der Inferenz nach Anwendung des a) Minimum-Operators und b) dem algebraischen Produkt


Akkumulation

Die Ergebnisse der einzelnen Fuzzy-Regeln in Form von Fuzzy-Mengen müssen nun zu

einer unscharfen Gesamtmenge zusammengeführt werden. Hierzu eignet sich als Akkumulations-

operator (accOp) der t-Conorm wie der Maximum-Operator (F. 13) an. Dieser besteht in einer An-

reihung der Flächen der Einzelergebnisse auf der rechten Seite der Regel.

).*B~...,,*B~,*B~(accOp*B~ k21 (F. 21)

Abbildung 13 zeigt die Ergebnismenge *B~ nach einer Akkumulation mittels eines Maximum-

Operators.


29

Abb 13: Ergebnis der Akkumulation zweier unscharfer Mengen mittels Maximum-Operators (Fuzzy-ODER)


Bei der Anwendung der Fuzzy-Logik in der Steuerungstechnik haben sich standardisierte Infe-

renz-Strategien mit definierten Operatoren herauskristallisiert. Als Beispiel sei hier die Strategie

nach Mamdani im Vergleich zur Strategie nach Larsen in Tabelle 5 aufgezeigt.

Tab. 5: Standardisierte Inferenzstrategien und deren Operatoren

Strategie Aggregation Implikation Akkumulation Gruppe t-Norm1 t-Conorm2 t-Norm1 t-Conorm2

Mamdani Minimum-Operator Maximum-Operator Minimum-Operator Maximum-Operator Larsen Minimum-Operator Maximum-Operator Produkt-Operator Maximum-Operator

1entspricht Fuzzy-UND; 2entspricht Fuzzy-ODER

2.3.2.4. Defuzzifizierung

Das Ergebnis des Inferenz-Prozesses ist eine unscharfe Ausgabemenge (Output-Fuzzy-Set) in Form

einer Zugehörigkeitsfunktion. Ein Gerät oder ein Prozess, das über das Fuzzy-System gesteuert

werden soll, kann mit einer unscharfen Menge nicht arbeiten, sondern benötigt einen exakten Wert

in Form einer reellen Zahl. Die Defuzzifizierung dient somit der Transformation des Fuzzy-Sets in

eine skalare Größe. In der Praxis haben sich dabei verschiedene Methoden etabliert. Die Wahl der

Methode hat dabei einen Einfluss auf das Ergebnis.

Die am häufigsten benutzte Methode ist die Flächenschwerpunktmethode (Center of Gravity Me-

thod). Für die Berechnung des Schwerpunktes xS einer beliebigen stetigen Funktion in x-Richtung

über dem Intervall [a,b] gilt:

dxf(x)

dxf(x)

S

a

x

x

x

b

a

b (F. 22)

Da zur Ermittlung des Schwerpunktes das Integral zu bestimmen ist, sollten die Zugehörigkeits-

funktionen möglichst bekannt sein. Deshalb werden gerade sehr einfache Funktionen (dreiecks-

oder trapezförmig) bei der Fuzzifizierung verwendet. Eine Vereinfachung der Schwerpunktme-

thode ergibt sich durch Definition von singletons als Ausgabegrößen.


30

Die Flächenschwerpunktmethode, aufgezeigt in Abbildung 14 a, ist manchmal nicht ganz optimal,

wenn der Fuzzy-Set ein Nebenmaximum aufweist. Eine weitere Methode der Defuzzifizierung ist

die Ermittlung des maximalen Zugehörigkeitsgrades des Output-Fuzzy-Sets (Maximum-Methode).

Da es aber nicht immer eine eindeutige Lösung gibt, muss über Mittelwert- oder Medianwertbil-

dung die Ausgabegröße bestimmt werden (Abb. 14 b).

a) b)

Abb 14: Bestimmung der reellen Ausgabegröße mittels a) Schwerpunktmethode und b) Maximum-Methode mit an-

schließender Mittelwertbildung bei Uneindeutigkeit


Der Rechenaufwand der Maximum-Methode ist deutlich geringer, dafür neigen diese Methoden

zu teils heftig divergierenden Ausgabewerten. Man sollte dabei bedenken, dass minimale Verän-

derungen der Eingabewerte hier ein „Umkippen“ des Ausgabewerts bewirken könnten, wenn

zwei ähnlich große maximale Ebenen existieren. Bei Nutzung der Flächenschwerpunktmethode

hat man hingegen immer einen eher stetigen Übergang bei kleinen Änderungen der Eingabewerte.

Allerdings hängt die Wahl der Methode von der Anwendung ab.

2.3.3. Anwendungen der Fuzzy-Logik Neben den oben erwähnten Applikationen in der Steuerungstechnik hat sich die Anwendung von

Fuzzy-Systemen in der Geowissenschaft bewährt. Gerade wenn es um die Bewertungen der Land-

schaft unter Einfluss vieler verschiedener Indikatoren geht, erweisen sich entwickelte Regelwerke

unter Nutzung unscharfer Mengen als sehr hilfreich und effizient. THINN & HEDEL (2005) verglei-

chen die Methoden des compromised programming mit der regelbasierten hierarchischen Fuzzy-

Bewertung zur Landnutzungsbewertung des urbanen Raums Dresden.

Fuzzy-Systeme können auch genutzt werden, um biologisches und ökologisches Wissen zu formu-

lieren. So lassen sich beispielsweise Habitatmodelle zur Bewertung von Landschaftsräumen entwi-

ckeln (WIELAND 1997). WILKENING (2004) fordert deshalb den Einsatz transparenter Fuzzy-

Methoden als grundlegendes Werkzeug in der Raumplanung unter ausgewogener Berücksichti-

gung der Belange verschiedener Landnutzer und des Artenschutzes. An einem Beispiel wurde

deshalb die Bewertung des Habitats für verschiedene Vogelarten vor und nach dem Bau neuer

Windkraftanlagen räumlich simuliert.

Regelbasierte Fuzzy-Systeme können des Weiteren in der Bildklassifikation und Bildsegmentie-

rung eingesetzt werden. Nach BLASCHKE et al. (2000) sind die gängigen Fuzzy-Ansätze das fuzzy c-

Kapitel 2.4 - Methoden zur Gewinnung topographischer Informationen aus Laserscannerdaten

31

means clustering (BEZDEK et al. 1984), das possibilistic c-means clustering (KRIHNAPURAM & KELLER

1996) und die überwachte Fuzzy-Klassifikation nach WANG (1990). Gerade erst durch die zuneh-

mend höheren räumlichen Auflösungen von Satellitendaten (z.B. IKONOS) bieten innovative,

nicht nur pixel-basierte Verfahren wie der Einsatz von Fuzzy-Sets oder neuronale Netzen eine

Lösung (NEUBERT & MEINEL 2002).

Es hat sich ebenfalls gezeigt, dass der Einsatz der Fuzzy-Logik bei der Auswertung (Objekterken-

nung) von Laserscannerdaten gute Ergebnisse liefert. Im nächsten Teil wird darauf näher einge-

gangen.

2.4. Methoden zur Gewinnung topographischer Informati-onen aus Laserscannerdaten Laserscannerdaten liefern reine geometrische Informationen der Oberfläche, aus denen eine topo-

graphische Information gewonnen werden soll. Aufgrund des großen Anwendungsspektrums der

Daten (Vgl. Kap. 2.2.10) existiert eine Vielzahl an Publikationen unterschiedlicher Forschungsein-

richtungen. Für jeweilige Anwendungen (z. B. Volumenberechnung, Gebäudeerkennung, Baum-

höhenbestimmung) ist deshalb die Nutzung unterschiedlicher Methoden nötig. Prinzipiell zeich-

nen sich zwei grundlegend verschiedene Herangehensweisen ab. Zum einen sind das die Auswer-

tung der 3D-Messpunkte und zum anderen die Auswertung interpolierter Modelle in Rasterform.

Aufgrund der enormen Datenmengen werden Laserscannerdaten (DGM oder DOM) häufig im

Rastermodell abgelegt, welches die Höhen durch Grauwerte repräsentiert. Somit können gewöhn-

liche Methoden der Bildverarbeitung zum Einsatz kommen. Die Auswertung von Original-3D-

Punktwolken zur Extraktion zieht gewöhnlicherweise immer längere Rechenzeiten mit sich, liefert

aber oft geometrisch genauere Ergebnisse, da keine Generalisierung der Oberfläche durch Interpo-

lation stattfindet. Die meisten Ansätze sind noch nicht für eine vollkommene automatische Prozes-

sierung geeignet und bedingen relativ hohe Punktdichten von über 5 Punkten / m². In der Praxis

werden Städte aber mit einer geringeren Punktdichte (ca. 1 Punkt / m²) aufgezeichnet, so dass

derzeit nur semiautomatische Verfahren Anwendung finden.

2.4.1. Erfassung von Gebäuden Das Interesse an Gebäudedaten und speziell deren Höhe ist sehr groß. Aufgrund des hohen Auto-

matisierungsgrades der Laserscannerdaten besteht gerade deshalb ein großes Verlangen nach voll-

automatischen Lösungen zur Gebäudemodellierung. Dabei kann es das Ziel sein, die 2D-

Gebäudegrundrisse zu extrahieren oder ganze 3D-Gebäudemodelle zu bilden.

2.4.1.1. Modellierung von Gebäudeflächen

Um zu 2D-Gebäudeflächen zu gelangen, werden verstärkt Bildverarbeitungsmethoden eingesetzt.

Dabei wird insbesondere das nDOM, die Differenz vom DOM und DGM, ausgewertet. Dieses bil-


32

det in den meisten Fällen die Grundlage der Modellierung, da sich aus diesem Modell die Gebäu-

dehöhe über Grund ableitet (Abb. 15 a). Baumassenabschätzungen durch Verschneidung mit Ge-

bäudegeometrien der Automatischen Liegenschaftskarte (ALK) sind deshalb schon allein auf Basis

des nDOM möglich (NEIDHART & BRENNER 2003). Um vom nDOM zur gewünschten Gebäudemas-

ke zu kommen, werden sowohl regionenbasierte Auswertungen des nDOM als auch Klassifikatio-

nen angewandt. Die Hauptproblematik in beiden Verfahren liegt darin, die Vegetation und andere

unerwünschte Objekte aus dem nDOM zu eliminieren oder auf Basis einer Klassifikation zu sepa-

rieren.

Bei regionenbasierten Ansätzen werden oft Schwellwertoperation unter Annahme einer Mindest-

gebäudehöhe (z.B. 3,5 m) angewendet. Anschließend werden morphologische Operatoren einge-

setzt, um Einzelpixel zu entfernen. Abbildung 15 b verdeutlicht die Herangehensweise. Zusam-

menhängende Pixel werden anschließend zu Gebäuderegionen zusammengefasst, um diese als

Basis einer regionenbasierten Texturauswertung des nDOM zu nutzen (ROTTENSTEINER & BRIESE

2002). Mit dem Wissen, dass Vegetation eine rauere Oberfläche im nDOM abbildet als z.B. Gebäu-

de oder der Boden, können die unerwünschten Objekte separiert werden, so dass man die Gebäu-

demaske erhält (Abb. 15 c). Für die Texturanalysen werden lokale Filter wie der Laplace-Filter (u. a.

MAAS 1999a; AREFI 2003) oder Filter zur Ermittlung der lokalen Krümmung (STEINLE & VÖGTLE

2001) eingesetzt. Auch können Regionen entfernt werden, welche eine Mindestfläche von z.B. < 40

m² unterschreiten. Darüber hinaus extrahiert ROTTENSTEINER & BRIESE (2002) polymorphe Bild-

strukturen (nach FUCHS 1998) und erhält damit klassifizierte punkt- linien- oder flächenförmige

Regionen. Regiongrowing - Algorithmen können eingesetzt werden, um planare Dachflächen durch

Auswertung ähnlicher Normalvektoren iterativ zu bestimmen.

Abb 15: Gebäudeextraktion: a) nDOM, b) binäre Gebäudemaske nach Schwellwertbildung und

c) Gebäuderegionen nach einer Texturanalyse

(Quelle: ROTTENSTEINER & BRIESE 2002)

Weiterführend kann als Gebäudehypothese die Auswertung der multiplen Echodifferenz erfolgen

(VÖGTLE & STEINLE 2003). Lasermessungen auf Gebäuden, sofern sie nicht an einer Dachkante er-

folgen, sind immer durch eine einzige Reflexion gekennzeichnet. Durch Differenzbildung (first

pulse – last pulse) können sie somit gut von Vegetationsregionen, welche meist eine Mehrfachrefle-

xion aufweisen, unterschieden werden.


33

Neben den eben erläuterten regionenbasierten Verfahren findet auch die aus der Fernerkundung

bekannte Klassifikation Anwendung. Dabei werden Indikatoren, welche für Gebäude sprechen in

separate Bildkanäle gebracht. Dem Inhalt und Kombination der Bildkanäle sind dabei keine Gren-

zen gesetzt. So können neben der normierten Höhe, multiple Echodifferenzen, Texturparameter,

oder berechnete Gradienten eingesetzt werden. Die Klassifikation kann dabei pixelbasiert oder

segmentbasiert erfolgen. MAAS (1999a) oder auch AREFI et al. (2003) nutzen dabei die überwachte

pixelbasierte Maximum-Likelihood-Klassifikation (s. Kap. 3.3.2.2). Weitere Autoren, wie HOFMANN

(2002), wenden segmentbasierte Verfahren an, welche durch Zwischenschaltung eines Segmentie-

rungsalgorithmus (z. B. bei eCognition) Bereiche gleicher Klassen besser abgrenzen. Auch wird

von der Benutzung von Kognitionswerkzeugen Gebrauch gemacht oder die Technologien der Fuz-

zy-Logik eingesetzt (TÓVÁRI & VÖGTLE 2004, SAMADZADEGAN 2004). Die Ergebnisse sind flächen-

hafte Klassifikationen, welche gegebenenfalls mehrere Objektklassen, wie Vegetationsflächen oder

sogar verschiedene Dachformen liefern (u. a. MAAS 1999a). HAALA & BRENNER (1999) unterstützen

ihre Klassifikation durch Hinzunahme spektraler Information aus Luftbildern. Die Ergebnisse lie-

fern bei ausreichender Punktdichte (>5 Punkte/m²) relativ gute Ergebnisse für genügend große

Gebäude, könnten aber durch externe Daten verbessert werden.

Nach oder bei der Verarbeitung der Laserscannerdaten zu Gebäudeklassen oder –regionen können

morphologische Operatoren eingesetzt werden, um die Abgrenzung der Objekte zu verfeinern

oder Ausreißer zu eliminieren. Dabei werden die Basisoperatoren Erosion und Dilatation eingesetzt,

welche die Grundlage der morphologischen Bildverarbeitung bilden. In ROTTENSTEINER & BRIESE

(2002) werden diese Operatoren eingesetzt, um die Gebäudemaske zu verfeinern. Da zur Berech-

nung des Grünvolumens die bebauten Flächen eliminiert werden müssen, werden in Kapitel drei

verschiedene Verfahren zur Gebäudeflächenextraktion getestet (s. Kap. 3.3.3).

2.4.1.2. 3D-Gebäudemodellierung

Mit steigender Punktdichte und Leistungsfähigkeit von Rechnern gewinnt die 3D-

Gebäudemodellierung an Interesse. Im Gegensatz zur rasterbasierten Segmentierung können

durch Nutzung der 3D-Punktwolke die Interpolationseffekte vermieden werden (SMITH et al.

2003). Die in der Literatur angebotenen Ansätze lassen sich nach MAAS (2005) in model-driven und

data-driven unterscheiden, wobei für erstere ein parametrisiertes Gebäudemodell in die Punktwol-

ken eingepasst wird (model-driven) und für letztere aus den Punktwolken einzelne geometrische

Primitive (wie Flächen) extrahiert werden (data driven). So können beispielsweise mittels einer 3D-

Houghtransformation Punkte, die räumlich auf einer Gerade oder in einer Ebene liegen, zusam-

mengefasst und in 3D-Primitive gebracht werden (Abb. 16).


34

Abb 16: 3D-Gebäudemodellierung

(Quelle: SCHWALBE et al. 2005)

In der Dissertation von Hofmann (2005) wird ein Verfahren zur Dachflächenkonstruktion auf Basis

von Clusteranalysen vorgestellt. Dabei werden im voraus die Orientierungsparameter der Drei-

ecke einer TIN-Struktur im Parameterraum ausgewertet und Punkte einer Dachebene zusammen-

gefasst. Anschließend werden approximierende Ebenen konstruiert und durch Verschneidung die

Dachtopologie aufgebaut. Die meisten dieser Verfahren basieren somit auf der Auswertung der

räumlichen Orientierung der Dachflächen und des Aufbaus polyedrischer Dachtopologien (u. a.

ROTTENSTEINER & BRIESE 2002; VOSSELMANN 1999; SCHWALBE et al. 2005). MAAS (1999b) verwendet

für die Gebäudemodellierung den model-driven Ansatz, bei dem mittels Analyse invarianter Mo-

mente von Punktwolken parametrisierte Gebäudemodelle in die Punktwolken gelegt werden.

Durch Verwendung initialer Gebäuderegionen, 2D-Gebäudegrundrissen (u. a. VOSSELMANN &

DIJKMAN 2001) oder anderen Fernerkundungsdaten, wie Luftbilder, können die Ergebnisse um ein

Vielfaches verbessert werden (ROTTENSTEINER 2004, SCHWALBE et al. 2005), da kleinere Punktwol-

ken auszuwerten sind. Die Güte einer automatischen 3D-Modellierung ist schwierig zu bestimmen

(MAAS 2005), so dass nur grobe Abschätzungen gemacht werden können. HOFMANN & SCHWALBE

(2004) schätzen ihre Erfolgsrate auf ca. 70 %, während VOSSELMANN & DIJKMAN (2001) angeben, 83

von 94 Gebäude erfolgreich unter Verwendung der 2D-Gebäudegrundrissen zu modellieren. Mit

zunehmender Punktdichte arbeiten die Verfahren immer sicherer und auch sehr kleine Strukturen,

wie Dachgauben oder Schornsteine können erfasst werden (MAAS 2005).

2.4.2. Erfassung der Vegetation In der Forstwirtschaft besteht ein sehr großes (auch wirtschaftliches) Interesse, den Forstbestand

möglichst effektiv zu inventarisieren. Folglich wird gerade in den skandinavischen Ländern viel

Geld in die Entwicklung ausgefeilter Methoden gesteckt. Die Studien in der Literatur zielen meist

darauf ab, den Baumbestand aufzunehmen und deren Erträge oder den Vitalzustand abzuschät-

zen. Die Auswertung urbaner Vegetation aus Laserscannerdaten wurde bisher etwas vernachläs-

sigt (JANSA & STANEK 2003). Die meisten städtischen Laserscannerbefliegungen werden eingesetzt,

um möglichst genaue Gelände- oder Gebäudemodelle zu liefern. Da Vegetation dazu als störend

eingestuft wird, finden urbane Laserscannerbefliegungen in der laubfreien Periode statt. Somit

sind viele Laserscannerdaten weniger geeignet, um die Vegetation genau zu modellieren. Im Fol-


35

genden werden Methoden in der Forstwirtschaft, sowie Methoden zur Erfassung der Vegetation

im urbanen Raum vorgestellt.

2.4.2.1. Methoden in der Forstwirtschaft

Wie schon erwähnt besteht das Hauptziel der meisten Verfahren in der Inventarisierung des

Baumbestandes. Diese können, ähnlich der Gebäudemodellierung auf Basis der Original-

Lasermessungen oder durch Auswertung des rasterbasierten nDOMs erfolgen. In der Forstwirt-

schaft ist anstelle des nDOMs auch der Begriff des Kronenmodells (engl. Canopy Height Model,

CHM) geläufig. Tendenziell ist eine Unterschätzung der Baumhöhe aus Laserscannerdaten festzu-

stellen (HYYPPÄ et al. 2004), da man mit einer Unterabtastung der Vegetation konfrontiert wird.

Darüber hinaus kann sehr dichter Niedrigbewuchs zu einem überschätzten DGM und somit zu

einer Unterschätzung der Baumhöhe führen (WAGNER et al. 2004). Bei der Analyse immergrüner

Bäume, welche in den skandinavischen Ländern besonders häufig vorkommen, finden deshalb die

meisten Befliegungen im Winter statt. In den publizierten Arbeiten geht es hauptsächlich um die

automatische Erkennung und Attributierung von Einzelbäumen. Neben der Auswertung des

nDOMs können außerdem statistische Modelle angewandt, um Forstparameter zu schätzen.

Baummodellierung

Ein häufig zu lösendes Problem bei der rasterbasierten Auswertung ist die Abgrenzung (Segmen-

tierung) einzelner Bäume im Oberflächenmodell mit dem Ziel der Ermittlung der Koordinaten der

Baumspitze. Dabei kommen wieder die bekannten Verfahren der Bildverarbeitung zum Einsatz. In

der Forstwirtschaft wird schon seit längerem mit Oberflächenmodellen gearbeitet, welche mittels

Bildzuordnungsprozessen (engl. image matching) aus Stereo-Luftbildern gewonnen wurden (FUCHS

2003).

Ein geläufiges Verfahren zur Baumkronenabgrenzung ist die sog. Wasserscheidentransformation

(watershed transformation), welche u. a. von HYYPPÄ et al. (2001), DIEDERSHAGEN et al. (2003) und

STRAUB (2003) eingesetzt wurde. Dabei wird das nDOM zunächst invertiert, so dass Spitzen der

Kronen Tiefpunkte oder Senken (Auffangbecken) bilden. Die Grundidee des Wasserscheidenalgo-

rithmus liegt in der Simulation einer Flutung des Modells (STRAUB 2003). GONZELES & WOODS

(1993) beschreiben den Ablauf des Algorithmus mit der Vorstellung, dass kleine Löcher in jedes

Minimum der Oberfläche gebohrt werden und das Relief langsam in ein Wasserbecken einge-

taucht wird. Durch den allmählichen Anstieg des Wasserstands werden die Senken gefüllt und es

entstehen kleine Staubecken. An den Stellen (Pixeln), an denen das Wasser aus zwei oder mehr

Auffangbecken zusammenfließen würden, wird nun ein Damm errichtet. Die Menge aller Dämme,

welche nach und nach durch sukzessives Eintauchen entstanden sind, bilden die Wasserscheiden-

segmente. Abbildung 17 a, b zeigt die Ergebnisse der Segmentierung an einem Beispiel.


36

a) b) c)

Abb 17: Segmentierung von Baumkronen: a) grauwertkodiertes nDOM b) Ergebnis der Wasserscheidentransformation

(grüne Segmente – Kronenabgrenzung, blaue Segmente - lokale Maxima) und

c) Aggregation von Regionen kleiner Abstände

(Quelle: DIEDERSHAGEN et al. 2003)

Da dieses Verfahren oft mit einer Übersegmentierung behaftet ist, müssen die Segmente weiter

bearbeitet werden. Liegen sehr kleine Regionen vor, welche eine Mindestgröße unterschreiten, so

können diese mit den Nachbarregionen auf Basis der längsten gemeinsamen Grenze verschmolzen

werden (DIEDERSHAGEN et al. 2003). Ebenso können die minimalen Abstände zwischen den lokalen

Maxima berechnet und unter Angabe von Mindestabständen adjazente Regionen zusammenge-

fasst werden (Abb. 17 c). Weiter können die Baumkronen mittels des Ray-Algorithmus (FRIEDLÄN-

DER 2002, DIEDERSHAGEN et al. 2003) verfeinert werden, um die tatsächliche Baumkronen zu erhal-

ten. Dabei werden Strahlen (engl. rays) vom approximierten lokalen Maximum (blaue Segmente in

Abb. 18 c) zu den einzelnen Stützpunkten der Segmente gelegt und die einzelnen Höhenunter-

schiede jeder Zelle zur Baumspitze berechnet. Ist ein bestimmter Höhenunterschied von z.B. 1,5 m

erreicht, bevor der Strahl den Segmentstützpunkt schneidet, so wird die neue Position der Kro-

nengrenze an dieser Stelle festgelegt. Andernfalls bleibt die alte Kronengrenze erhalten. Abbildung

18 zeigt das Ergebnis des Ray-Algorithmus.

a) b) c)

Abb 18: Verfeinerung der Baumkronengrenze mit dem Ray-Algorithmus: a, b) rote Segmente repräsentieren die verfei-

nerte Baumkrone und c) Testgebiet: rote Segmente vor und blaue Segmente nach der Anwendung


Eine andere Methode der Abgrenzung von Baumkronen ist die Segmentierung mittels aktiver sna-

kes. Dieses von KASS et al. (1988) eingeführte Verfahren basiert auf mechanischen Eigenschaften

wie der internen Energie oder der Elastizität von Kantenzügen. Eingesetzt wurde dieses Verfahren

u. a. von STRAUB (2003).


37

Ebenso kann mittels morphologischer Operatoren eine kontinuierliche Oberfläche analysiert und

verändert werden. ANDERSEN et al. (2001) verwenden das Opening zur Extraktion von Baumgip-

feln. Dabei wandert eine Kreisscheibe als Strukturelement unter dem Kronendach des DOMs und

weitet Bereiche um den Betrag des Radius auf. Durch Differenzbildung mit dem Original-DOM

erhält er das top-hat-Modell aus dem nach einer Binarisierung und einer weiteren morphologischen

Filterung die Baumgipfel als binärer Datensatz vorliegen.

Weiterführend kann die Baumkrone auch mittels einer Flächenfunktion (Pollock-Modell) nähe-

rungsweise beschrieben werden (STRAUB 2003). ANDERSEN et al. (2002) setzen dazu Ellipsoide ein,

welche in die Laserpunktwolken einpasst werden. Dadurch, dass aber gerade Bäume nicht immer

eine symmetrische Form haben, geht WEINACKER (2004) einen Schritt weiter und definiert sog.

extended superquadrics, welche die Eigenschaft haben, sich elastisch zu deformieren. Weitere Aus-

führungen bezüglich der Baumkronenmodellierung und deren Forschungsstand sind in HYYPPÄ et

al. (2004) gegeben.

Nach einer Segmentierung einzelner Bäume, können anschließend mehrere Segmentregionen ho-

mogenen Baumbestands zusammengefasst werden (Abb. 19). Bei der Aggregation werden regio-

nenbasierte Parameter wie Baumhöhe, Bestandsdichte oder Berechnung von Texturen, wie lokale

Varianzen verwendet.

Abb 19: Segmentierung geschlossener homogener Baumbestände


Die Modellierung kann durch Fusion der Laserscannerdaten mit multispektralen Daten verbessert

werden. Dazu muss aus dem Luftbild zunächst ein echtes True-Orthophoto berechnet werden

(HYYPPÄ 2004). Die Baumartenbestimmung kann unter Nutzung des NDVI unterstützt werden

(PERSSON et al. 2004). Trends zeigen, dass der simultane Einsatz von Laserscanner und digitalen

Kamerasystemen erfolgsversprechende Ergebnisse liefern kann (HYYPPÄ et al. 2004). Auch durch

den Einsatz von full-waveform Scannern, welche den gesamten rückgestreuten Impuls digital erfas-

sen, könnten die Punkte allein durch die Wellenform klassifiziert oder Aussagen zur Vegetations-

schichtung gewonnen werden (HUG et al. 2004).

Statistische Methoden zur Gewinnung von Forstparametern

Eine weitere Herangehensweise ist die statistische Auswertung des nDOMs oder der Punktwol-

ken. Dabei unterscheidet man flächen- und baumbezogene Methoden (HYYPPÄ et al. 2004). Dazu


38

werden Regressions- oder Diskriminanzanalysen angewandt, um aus verschiedenen Parametern

auf eine forstrelevante Größe zu schließen.

Bei der baumbezogenen Auswertung lassen sich beispielsweise durch Bildung des Verhältnisses

von Höhe und Kronenschirmfläche aus den segmentierten Baumkronengrenzen Aussagen über die

Baumform und -art machen. So ergibt der berechnete Index bei Nadelbäumen größere Werte (klei-

ner Kronenradius bei großer Höhe) als bei Laubbäumen (DIEDERSHAGEN et al. 2003). HOLMGREN &

PERSON (2004) nutzen u. a. das Verhältnis der Punktanzahl von Einfachreflexionen zu Doppelrefle-

xionen sowie Oberflächenpunktanzahl zur Bodenpunktanzahl bei der Klassifikation von Baumar-

ten und haben damit zu 95 % Erfolg, Fichten und Kiefern zu trennen. Auch ist die Berechnung der

multiplen Echodifferenz ein guter Indikator bei der Klassifikation.

Flächenbasierte Auswertungen betrachten einen gesamten Bestand. Auf Basis statistischer Auswer-

tungen der Laserpunkte im Bestand können funktionale Zusammenhänge zu forstlichen Größen

hergestellt werden. Insofern nutzen LEFSKY et al. (1999) Höhen-Perzentile der Verteilung der La-

serpunkte und leiten daraus die mittlere Höhe und das Volumen ab. Auch können mittels der Da-

ten der Blattflächenindex geschätzt werden (HAGIWARA et al. 2004). Dabei werden mit Hilfe einer

Weitwinkelkamera Referenzdaten erhoben und in Beziehung zu der Anzahl verschieden klassifi-

zierter Laserpunkte gesetzt. Mittels Kalibrierung und der Anwendung multipler Regressionsver-

fahren kann dann der Blattflächenindex geschätzt werden. NAESSET (2004) schätzt die Biomasse

über und unter der Erdoberfläche auf ähnliche Weise. Dabei wurde zunächst die Biomasse für

verschiedene Testgebiete mittels konventioneller terrestrischer Aufnahme der Baumart, Höhe und

Brusthöhendurchmesser über die Höhe-Biomasse-Allometrie bestimmt. Anschließend konnten

mittels Auswertung der Laserpunkthöhen-Perzentile, also die räumliche Lage der Laserpunkte,

und anderen Parametern lineare Abhängigkeiten zur Biomasse in Form von Regressionsfunktio-

nen abgeleitet werden (u. a. LIM & TREITZ 2004). Mittels der Herstellung einer funktionalen Ab-

hängigkeit können folglich auch der Brusthöhendurchmesser (BHD) und mit Kopplung der Höhe

sogar das Stammvolumen abgeschätzt werden (NAESSET 2002).

2.4.2.2. Modellierung urbaner Vegetation

Im Gegensatz zu den forstlichen Untersuchungen ist die Erfassung städtischer Vegetation aus La-

serscannerdaten noch recht wenig erforscht. Das liegt meist darin, dass die Datenerhebung urbaner

Gebiete a priori zur DGM-Generierung und nicht zur Ableitung vegetationsrelevanter Parameter

erfolgt und deshalb die Daten meist suboptimal vorliegen. Des Weiteren wird man im Gegensatz

zum Forst mit komplexen räumlichen Strukturen konfrontiert, so dass die entwickelten Verfahren

zur Einzelbaumerkennung nur bedingt auf besiedelte Gebiete übertragen werden können. Deshalb

steht hier zunächst die Aufgabe der Separation des Vegetationsbestandes von den anthropogenen

Objekten als zentrale Aufgabe. Die meisten Publikationen beruhen auf Auswertung des Oberflä-

chenmodells. Würden sämtliche anthropogene Objekte aus dem nDOM entfernt werden, so könnte


39

auf Basis der Geometrien direkt auf die Vegetationshöhe und durch Berechnung der mittleren

Höhe auf ein Volumen geschlossen werden.

Die Vegetationsflächen können ähnlich den Gebäudeflächen mittels Bildverarbeitungsmethoden

extrahiert werden. Dabei werden dieselben Methoden (z.B. Segmentierung, Klassifikation) ange-

wendet. Die Differenz von first pulse und last pulse ist ein gutes Indiz für Vegetation, da nur die

Vegetation in der Lage ist, mehrfache Reflexionen zu verursachen. Allerdings treten auch an Ge-

bäudekanten, Zäunen oder anderen kleineren Objekten Mehrfachreflexionen auf. Andere Indikato-

ren sind die Rauhigkeit, welche mit Hilfe von Texturanalysen ermittelt werden kann (MAAS 1999a).

Die Klassifizierung kann ebenfalls pixel- oder segmentbasiert z.B. mittels eCognition (DEFINIENS

IMAGING 2005) erfolgen. TÓVÁRI & VÖGTLE (2004) klassifizieren das nDOM mittels einer Fuzzy-

Klassifikation und erhalten getrennte Gebäude und Vegetationsflächen. Dabei wurden Gradienten,

die Höhentextur, first und last pulse Differenzen, die Intensität sowie die Form berücksichtigt. ARE-

FI et al. (2004) verwenden dazu eine Maximum-Likelihood-Klassifikation.

Ausführliche Untersuchungen zur automatischen Erkennung und Modellierung von Einzelbäu-

men sind in der Dissertation von STRAUB (2003) beschrieben. Bei der von STRAUB (2003) entwickel-

ten Strategie wird zunächst die watershed-Transformation auf ein tiefpassgefiltertes nDOM ange-

wendet. Zur Separation vegetationsloser Segmente wird bei der Bewertung neben den Hypothesen

der Mindestfläche und der Form auch der NDVI eines Luftbildes verwendet. Anschließend wer-

den die Baumgrenzen mittels Snakes erneut modelliert (Abb. 20). Die Vollständigkeit der Erken-

nung beträgt 76 %, während diese mit einer Güte von 68 % wiedergegeben werden.

Abb 20: Strategie der Extraktion von Bäumen

(Quelle: STRAUB 2003)

MULLER et al. (2004) fusionieren IKONOS Bilder mit Laserscannerdaten um u. a. Einzelbäume zu

segmentieren. Vosselmann (2003) nutzt Katasterinformationen um ein 3D-Stadtmodell zu erzeugen

und kann mit hoher Sicherheit einzelne Bäume detektieren. Allerdings beschränkt er sich dabei auf

die Straßenbäume. Die Gebäude konnten mittels vorhandenen Geometrien modelliert werden.

Zur Detektion der Bäume diente die Bestimmung lokaler Maxima. Anschließend wurden die Bäu-

me mittels einer Kugelform in Abhängigkeit der Höhe modelliert.

Die meisten der Ansätze betrachten allein die Bäume, da diese fürs Katasterwesen und für die Mo-

dellierung von 3D-Stadtmodellen von starkem Interesse sind. Jegliche Sträucher und Niedrig-

wuchs bleiben in den meisten Untersuchungen unberücksichtigt. Keine der Veröffentlichungen

geht auf die Berechnung des städtischen Grünvolumens ein. Dennoch kann festgestellt werden,


40

dass Laserscannerdaten oft erst in Verbindung mit externen Daten, wie Katasterinformationen

oder Fernerkundungsdaten genauere Ergebnisse bei Extraktionen bringen (ROTTENSTEINER et

al. 2003, NEIDHART & BRENNER 2003). Bei Laserscannerdaten winterlicher Befliegungen stellen

WAGNER et al. (2004) eine enorme Vegetationsunterschätzung im nDOM fest. Allerdings kann auch

bei einer Sommerbefliegung die Vegetation unterschätzt werden, da der Laser nicht mehr den Bo-

den erreicht und das DGM überschätzt wird. Ein nDOM, berechnet aus einem Winter-DGM und

einem Sommer-DOM, würde die beste Grundlage für die Untersuchung der Vegetation bieten

(WAGNER et al. 2004). Solch eine Datenlage ist zwar wünschenswert, kann aber aufgrund der ho-

hen Kosten nicht realisiert werden.

Die Stadt Wiesbaden hat deshalb durch Nutzung von Fußpunktkoordinaten städtischer Bäume die

zugehörige Höhe ermittelt und jedem Straßenbaum zugeordnet. Mittels eines 5 m Fangradius

wurde die maximale Höhe ermittelt. Dabei wurden nur Bäume ab einer Höhe von 2,5 m und einer

Mindestkronenfläche von 10 m² erfasst. Die Laserscannerbefliegung fand im April 2001 statt. Mit-

tels des Auffindens lokaler Maxima sollen auch in Zukunft Bäume privater Flächen ermittelt wer-

den (VERMESSUNGSAMT WIESBADEN 2006).

Kapitel 3.1 - Ausgangsdaten – Laserscannerdaten

41

3. Analyse und Methodik

In diesem Kapitel werden zunächst die Ausgangsdaten vorgestellt (Kap. 3.1) und bezüglich des

Lasersignalverhaltens ausgewertet (Kap. 3.2). Anschließend werden verschiedene Methoden zur

Separation der Vegetation dargestellt und getestet (Kap. 3.3). Den umfangreichsten Teil dieses

Kapitels stellt der letzte Abschnitt (Kap. 3.4) dar, in dem die entwickelte modellgesteuerte Korrek-

turmethode vorgestellt sowie dessen Steuerung und Optimierung mittels Fuzzy-Logik erläutert

wird.

3.1. Ausgangsdaten – Laserscannerdaten

3.1.1. AufnahmesituationNach dem verheerenden Hochwasser in Dresden im August 2002 vergab das Städtische Vermes-

sungsamt den Auftrag einer Laserscannerbefliegung zur Erstellung eines hochgenauen Digitalen

Geländemodells für Hochwassersimulationen. Im Dezember 2002, also bei winterlichen Verhält-

nissen, wurde die Befliegung und die anschließende Prozessierung der Rohdaten von der Firma

TopScan GmbH durchgeführt. Die Firma ist mit Laserscannersystemen des kanadischen Herstel-

lers Optech Inc. (OPTEC 2006) ausgestattet und besitzt zurzeit drei verschiedene Messsysteme, wel-

che den Namen ALTM (engl. Airborne Laser Terrain Mapper) tragen. Zum Zeitpunkt der Befliegung

wurde der damals aktuelle ALTM 1225 eingesetzt (TOPSCAN PROJEKTBERICHT 2002).

3.1.1.1. System- und der Flugparameter

Alle Messsysteme der ALTM Reihe basieren auf dem Prinzip einer optischen Querablenkung des

Laserstrahls mittels eines eingebauten Schwingspiegels (Vgl. Kap. 2.2.2). Der ALTM 1225 besitzt

einen maximalen Öffnungswinkel von ca. ±20°, welcher bei einer Flughöhe von 1000 m zu einer

Streifenbreite von ca. 728 m führt. Durch die permanente Ablenkung des Laserstrahls entsteht ein

„Zick-Zack“-Muster der Messpunkte. Eine Strahlendivergenz von 0,25 mrad und eine Flughöhe

von 1000 m ergibt einem Abtastfleck von ca. 25 cm am Boden (WEVER 1999).

Die Messrate von 25 kHz ist vom System streng limitiert und ist die eigentliche Schlüsselgröße für

die sich resultierende Messpunktdichte von ca. 1,1 Punkten pro m². Die Punktdichte quer zur Flug-

richtung nimmt mit zunehmendem Neigungswinkel ab. So muss erwähnt werden, dass heutzuta-

ge mit dem Einsatz des neusten Modells (ALTM 3100) Messungen mit der vierfachen Messrate

möglich sind. Prinzipiell bestimmen die Parameter Messrate, Scanwinkel und Scanfrequenz zu-

sammen mit der Flughöhe über Grund, der Fluggeschwindigkeit, die Dichte und die Verteilung

der Laserpunkte eines Streifens. Da Flugzeuge (im Gegensatz zu Hubschraubern) eine Mindest-

fluggeschwindigkeit nicht unterschreiten können, sind deshalb auch Grenzen bei der Punktdichte


42

in Flugrichtung gesetzt. Der Abstand der Fluglinie bei der Flugplanung bestimmt die Streifenüber-

lappung. Folgende in Tabelle 6 aufgezeigten System- und Flugparameter kennzeichnen die Beflie-

gung (TOPSCAN PROJEKTBERICHT 2002).

Tab. 6: System- und Flugparameter der Laserscannerbefliegung (Quelle: TOPSCAN PROJEKTBERICHT 2002)

Technische Daten und Flugparameter Scannertyp Optech ALTM 1225 (rotierender Spiegel) Befliegungsfirma TopScan GmbH Modus Erster und letzter Impuls (nur der letzte prozessiert) Datum der Aufnahme 12/2002

Innenstadt Randbereiche Abstand der Flugachsen 200 m 300 m Fluggeschwindigkeit 70m/s = 136 Kn 70m/s = 136 Kn Flughöhe 1 000 m 1 000 m Messrate 25 000 Hz 25 000 Hz Scanfrequenz 32 Hz 25 Hz Aufnahmewinkel 12° 20° Punktdichte 1,1 Punkte/m² k.A. Streifenbreite 425 m 728 m Streifenüberlappung 225 m 428 m

Die Befliegung fand in der Zeit vom 08.12.02 bis 13.12.02 an insgesamt vier Tagen statt. Zum Zeit-

punkt der Befliegung herrschte klares Wetter, da dies Vorraussetzung einer erfolgreichen Laser-

scannerbefliegung ist. Zur Untersuchung der Wettersituation wurden die Elemente der Tageswerte

des Deutschen Wetterdienstes hinzugezogen. Die Temperaturen in 2 m über dem Boden beliefen

sich im Mittel auf ca. -7 °C. Minimale Temperaturen von -13°C (5 cm über dem Boden) wurden am

13.12.02 erreicht. Der Luftdruck betrug ca. 1000 hpa. Aus diesen Daten geht hervor, dass eine

Schnee- bzw. Eisdecke vorhanden sein kann, welche aufgrund des geringen Reflexionsgrades den

Laserimpuls hindert, an der Oberfläche rückgestreut zu werden (Vgl. Kap. 2.2.4.3).

3.1.1.2. Anmerkung

Auch wenn die Aufzeichnung des ersten sowie letzten Impulses mit dem ALTM 1225 möglich ist,

so wurde auf eine Prozessierung der ersten Reflexion verzichtet, da das prioritäre Ziel in einer

DGM-Erstellung lag. Ebenso wurde, trotzdem es das System zulässt auf die Aufzeichnung der

Intensität verzichtet, da diese für die Berechnung von Geländemodellen von keinem Nutzen war.

Was das Fehlen des first pulse für die Berechnung des Grünvolumens ausmacht, wird in Kapitel 3.2

deutlich.

3.1.2. Vorprozessierung der Daten durch TopScan GmbH

3.1.2.1. Berechnung der Koordinaten der Laserpunkte

Für die GPS-Auswertung der Laserscannerdaten wurden auf fünf SAPOS-Permanentstationen

(Dresden, Elstra, Hinterhermsdorf und Thiendorf) simultane GPS-Beobachtungen aufgezeichnet.

Diese dienten der Positionsbestimmung und der Berechnung der Flugwege im WGS 84 mit Hilfe

der GPS-Messungen im Flugzeug und dem INS. Über die Laufzeitmessung der einzelnen Impulse


43

sowie die Spiegelablenkung können dann die Koordinaten aller Laserpunkte der letzten Reflexion

berechnet werden.

Ziel war es die Ergebnisse im Zielkoordinatensystem I (RD 83, mit einer Gauß-Krüger-Abbildung)

unter Verwendung des Bessel-Ellipsoids und dem DHHN 92 als Höhenbezugssystem zu liefern.

Dazu musste eine Datumstransformation durchgeführt werden. Die Bestimmung der dafür nöti-

gen Parameter (3 Translationen, 3 Rotationen und der Maßstab) erfolgte mit Hilfe von identischen

Punkten, welche vom Städtischen Vermessungsamt Dresden bereitgestellt wurden. Die Residuen

der identischen Punkte bei der Datumstransformation sind mit 2,0 cm (Rechtswert), 1,6 cm (Hoch-

wert) und 0,1 cm in der Höhe angegeben. Die Laserpunktberechnung im Zielkoordinatensystem

erfolgte unter Berücksichtigung des Quasigeoids, welches sich auf das EGG97-Geoid (Denker)

stützt (TOPSCAN PROJEKTBERICHT 2002).

Eine Analyse der Absolutgenauigkeit basierte auf dem Vergleich der Laserpunkte mit drei vom

städtischen Vermessungsamt bereitgestellten Kontrollflächen. Die Bildung des Differenzmodells

durch Abzug eines berechneten Soll-DGMs ergaben, dass für zwei Kontrollflächen ca. 95 % und für

eine alle Lasermesspunkte eine geringere Abweichung als 30 cm im Vergleich zur Sollhöhe besit-

zen.

3.1.2.2. Automatische Klassifizierung der Laserpunkte und dessen Überprüfung

Die Laserpunkte wurden von der Firma TopScan GmbH in Boden- und Oberflächenpunkte klassi-

fiziert. Der Projektbericht der Laserscannerbefliegung gibt wenig Auskunft über das angewandte

Verfahren der automatischen Punktklassifizierung, ferner wird von der „Anwendung spezieller

Filteralgorithmen“ gesprochen. Eine telefonische Abklärung ergab, dass der von

KRAUS & PFEIFER (1998) entwickelte Filteralgorithmus angewandt wurde, welcher im Programm-

system SCOP++ implementiert ist (Vgl. Kap. 2.2.5). Weiterhin erfolgte eine interaktive Überprü-

fung der Klassifikation durch Überlagerung abgeleiteter Höhenlinien mit der Digitalen Stadtkarte

1: 500 (DSK 500). Bei Anomalien wurden die Attribute der Laserpunkte geändert, welche falsch

klassifiziert worden sind. Insgesamt fand für ca. 1,5 % aller Laserpunkte eine interaktive Attribut-

änderung statt (Tab. 7).

3.1.3. Gelieferte Daten

3.1.3.1. 3D-Messpunkte

Die Lasermesspunkte (ca. 330 Millionen Messpunkte) wurden entsprechend der 4-stelligen ALK

Nomenklatur (1: 1 000) geliefert. Der mittlere Höhenfehler der Daten beträgt nach Angaben des

Datenlieferenten <15 cm und der mittlere Lagefehler <50 cm. Insgesamt war das Stadtgebiet Dres-

den in 419 ALK-Blöcke aufgeteilt, wobei jeder Block 1x1 km abdeckt und sich mit den Nachbarblö-

cken um ca. 30 Meter überlappte. Die Daten lagen klassifiziert in Boden-, Oberflächenpunkte,

Punkte von Kunstbauten und Stabilisierungspunkten vor. Die als Kunstbauten klassifizierten

Kapitel 3.2 - Untersuchung des Lasersignalverhaltens

44

Punkte kennzeichnen Gebäudepunkte, welche erst durch die interaktive Attributänderung ent-

standen sind. Die Stabilisierungspunkte dienten dem Füllen fehlender Messpunkte bei der DGM-

Generierung und wurden ebenfalls von TopScan GmbH erzeugt. Für jeden ALK-Block standen

somit jeweils 4 ASCII-Datensätze mit den Spalten x, y, z zur Verfügung.

Tab. 7: Punktverteilung der Lasermessungen (Quelle: TOPSCAN PROJEKTBERICHT 2002)

Fläche 358 km² Gesamtzahl aller Laserpunkte 329 955 087 Anzahl der Laserpunkte mit Attributänderung 4 837 639 Anzahl der Bodenpunkte (*grd) 258 891 967 Anzahl der Kunstbauten (*kbt) 831 196 Anzahl sonstiger Punkte (*obf) 70 231 924 Mittlerer Punktabstand aller Laserpunkte 1,0 m Mittlerer Punktabstand der Bodenpunkte 1,2 m

3.1.3.2. Abgeleitete Rastermodelle

Weiterhin wurden seitens der Firma TopScan GmbH die mit der Software SCOP++ interpolierten

Rastermodelle mit einer Rasterweite von 1 m geliefert. Das DGM wurde dabei nur aus den Boden-

und Stabilisierungspunkten interpoliert, während das DOM aus allen Messpunkten (ohne den

Stabilisierungspunkten) unter Anwendung eines Maximalfilters (Suchradius 2 m) errechnet wurde.

Als Interpolationsmethode wurde eine lineare Prädiktion mit einer Glockenkurve als Gewichts-

funktion verwendet (TOPSCAN PROJEKTBERICHT 2002).

3.2. Untersuchung des Lasersignalverhaltens

3.2.1. Visuelle Betrachtung der Laserscannerdaten Die klassifizierten Laserpunkte sowie das gelieferte DGM und DOM wurden einer Visualisierung

und Überlagerung mit einem Luftbild (Sommer 1999) unterzogen um einen ersten Eindruck über

das Lasersignalverhalten im städtischen Bereich zu bekommen.

a) b) c)

Abb 21: Ausschnitt der Laserscannerdaten (Dresdner Zwinger): a) Color-Luftbild (1999),

b) geschummertes DOM und c) geschummertes DGM



45

Abbildung 21 zeigt einen Ausschnitt des DGM sowie DOM im Vergleich zum einem Color-

Luftbild. Auffallend ist die unterschiedliche Abbildungsqualität der Vegetation, welche im folgen-

den Kapitel 3.2.2 näher erörtert wird.

Die Gebäudestrukturen sind klar zu erkennen. Bei näherer Betrachtung fallen allerdings Glät-

tungserscheinungen auf, welche auf die von der Firma TopScan angewandten Interpolationsme-

thode zurückzuführen sind. Sehr kleine Gebäude, wie Lauben werden nur sehr grob erfasst. Dies

begründet sich dadurch, dass nach dem Abtasttheorem nur Objektstrukturen rekonstruiert wer-

den, welche mindestens doppelt so groß sind, wie das Abtastintervall (KRAUS 1996). Neben den

Gebäuden und den Vegetationspunkte sind auch Hochspannungsmasten und Baukränen teilweise

erfasst, da diese bei der Messung einen ausreichend großen Streuquerschnitt abbilden (Abb. 22 b).

a) b) c)

Abb 22: Anomalien im DOM durch a) Schornsteinemissionen b) Baukräne und

c) fehlende Messpunkte bei dunklen (nassen/vereisten) Oberflächen


Wasserflächen, sofern sie durch Wind keine angerauten Flächen bilden, führen nach WAGNER et al.

(2003) zu einer sehr schwachen bzw. keiner Reflexion zum Empfänger (Vgl. Kap. 2.2.4.3). Selbiges

Phänomen wurde auch bei einigen Flachdächern bzw. Asphaltflächen festgestellt. Fehlende Ober-

flächenpunkte sorgen deshalb bei der Interpolation zum DOM zu Anomalien der Gebäudekörper

(Abb. 22 c). Ursache dieser Erscheinung sind die meist sehr dunklen, mit Eis oder einem Wasser-

film überzogenen Teerdächer, welche dann zu einem sehr geringen Reflexionsgrad führen und das

Fehlschlagen einer Messung verursachen. Da das Lasersignal nicht ohne Wechselwirkung Rauch,

Dampf oder Wolken durchdringen kann, führte dies zu einigen fehlerhaften Laserpunkten bei

Industrieanlagen mit emittierenden Schornsteinen. Abbildung 22 b zeigt am Beispiel die frühzeiti-

ge Rückstreuung des Impulses und der enormen Höhe (bis zu 200 m) im DOM. Die Lasermess-

punkte können allerdings leicht mittels Höhenschwellwertes eliminiert werden.

3.2.2. Untersuchung der Vegetation auf Basis von Referenzmessun-gen

3.2.2.1. Vorstellung des Referenzdatensatzes „Bertolt-Brecht-Platz“

Im Rahmen einer Studienarbeit wurde ein genaues Oberflächenmodell eines Untersuchungsgebie-

tes („Bertolt-Brecht-Platz“, ca. 25 ha) photogrammetrisch erzeugt. Dabei wurden über 40 000 Vege-


46

tationspunkte stereoskopisch auf Basis eines sehr hochauflösenden Luftbildpaars (10 cm Bodenauf-

lösung) gemessen. Durch Hinzunahme der Laserbodenpunkte in vegetationslosen Bereichen und

einer anschließenden Normierung der Daten konnte ein normalisiertes Vegetations-

Oberflächenmodell (Vegetations-nDOM) interpoliert werden. Abbildung 23 zeigt die gemessenen

Vegetationspunkte (grün) sowie die Laser-Bodenpunkte (braun).

Abb 23: 3D-Visualisierung der photogrammetrisch gemessenen Vegetationspunkte (grün)

und der Laser-Bodenpunkte (braun)


Im Gegensatz zum nDOM enthält das Vegetations-nDOM keine anthropogenen Objekte, wie Ge-

bäude. Somit standen jeweils zwei vergleichbare Datensätze zur Verfügung. Die Referenzhöhen-

messungen sowie die abgeleiteten Volumen konnten anschließend mit den Laserscannerdaten

verglichen werden. Die Ergebnisse sind folgend komprimiert zusammen gefasst. Die genaue Me-

thodik der Referenzerstellung, sowie die Analyse sind in der Studienarbeit (HECHT 2005) detailliert

beschreiben.

Abbildung 24 zeigt das Referenz-Vegetations-nDOM im Vergleich zum Laser-Vegetations-nDOM.

Anthropogene Objekte wurden in beiden Datensätzen vorab mittels vorhandener Vegetationsmas-

ke eliminiert, so dass das nDOM die Grundlage der Grünvolumenberechnung bildet.

Um eine vegetationstypendifferenzierte Betrachtung zu ermöglichen wurde die städtische Vegeta-

tion in Vegetationsklassen gegliedert und zugehörige Referenzflächen im Untersuchungsgebiet

aufgenommen. Tabelle 8 zeigt die definierten Klassen und Abbildung 24 d deren erhobene Refe-

renzflächen im Untersuchungsgebiet. Es wurde sich auf die Erfassung der Referenzflächen für die

drei Hauptvegetationstypen Strauch, Nadel und Laubbaum beschränkt. Rasen- und Wiesenflächen

können aufgrund der geringen Höhe nicht vom Laserscanner erfasst werden, während Kräuter

und Gräser gar nicht erst in der winterlichen Periode vorliegen.


47

Tab. 8: Vegetationsklassifizierung und deren erhobene Referenzflächen

Typ

Vegetationshöhe [m]

Referenzflächen Anzahl

Fläche [m²]

Rasen/Wiese 0 - 0,1 0 0 Kräuter und Gräser 0,1 - 2,5 0 0 Ganzjährige Niedrigpflanzen/Sträucher < 3,0 28 977 Nadelbäume 3 - 30 32 1 924 Laubbäume 3 - 30 67 34 476

Durch Verschneidung der Lasermesspunkte mit den Referenzflächen konnten die Laserpunkte

statistisch in Höhe und Punktdichte ausgewertet. Weiter wurden mittels der Referenzflächen die

jeweiligen Grünvolumen und deren Differenzen auf Basis des nDOM ermittelt.

a) b) c)

Abb 24: Untersuchungsgebiet „Bertolt-Brecht-Platz“: a) Referenz-Vegetations-nDOM,

b) Laser-Vegetations-nDOM, c) Color-Luftbild (2002) und c) Referenzflächen


3.2.2.2. Untersuchung der Vegetation

Der alleinige visuelle Vergleich zeigt, dass große zusammenhängende Laubbaumbestände des

„Großen Gartens“ kaum wieder gegeben werden, während Nadelbaum- und Strauchbestände

hingegen vom Laserscanner problemlos erfasst sind (Abb. 24).

Die Ergebnisse der statistischen Untersuchung sind in Tabelle 9 zusammengefasst. Ein großer An-

teil der Messpunkte (78,3 %) im Vegetationsbestand liegt als Bodenpunkte vor. Der überwiegende

Anteil der Laserimpulse durchdringt das winterliche Astwerk vollständig und wird daher erst am

Boden reflektiert. Nur 21,7 % der Laserstrahlen werden als Oberflächenpunkte erkannt (im Ast-

werk reflektiert), allerdings im Mittel erst auf halber Höhe zwischen Boden und sommerlicher

Laubhülle, das sich aus dem Vergleich der mittleren Vegetationshöhen ergibt. Eine Generierung

des nDOMs nur aus Oberflächenpunkten im Vegetationsbestand würde somit zu einer Unter-

schätzung des Vegetationsvolumens von ca. 50 % führen. Die Berechnung des spezifischen Grün-

volumens des Untersuchungsgebietes weist folglich für die vegetationsbestandenen Flächen eine

Gesamtgrünvolumenunterschätzung von 90% auf.

d)


48

Tab. 9: Lasermessungen im Vergleich zu den photogrammetrischen Messungen

Referenzmodell Laserscannermodell Oberflächenpunkte insgesamt 40 379 57 890 Bodenpunkte insgesamt 189 971 239 483 Messpunkte insgesamt 230 350 297 373 Mittl. Gesamtpunktdichte [pro m²] 0,86 1,11 Oberflächenpunkte im Vegetationsbestand 40 379 27 790 Bodenpunktepunkte im Vegetationsbestand 0 100 481 Bodenpunktepunkte im Vegetationsbestand 40 379 128 271 Oberflächenpunktdichte im Vegetationsbestand [Punkt pro m²] 0,35 0,24 Bodenpunktdichte im Vegetationsbestand [Punkt pro m²] 0 0,87 Mittlere. Vegetationshöhe [m] 11,1 5,2 (Oberflächenpunkte)

1,1 (alle Punkte) Standardabweichung. der Höhe [m] 6,5 5,4 (Oberflächenpunkte)

3,3 (alle Punkte) Referenz-Grünvolumen* 11,38 (7,41) 13,01 (6,42)

Laser-Grünvolumen* 0,54 (1,86) 1,43 (3,08)

Volumendifferenz 10,84 11,58

*Vegetationsbestandene Fläche

Eine Betrachtung der Messpunktanzahl in Abhängigkeit von der Vegetationshöhe hat gezeigt, dass

ein Großteil der Vegetationspunkte in einer Höhe niedriger als 3 m über der Erdoberfläche reflek-

tiert wurde und nur sehr wenige Oberflächenpunkte eine Höhe von 6 m überschreiten. Die Refe-

renzmessungen hingegen weisen im Histogramm eine gleichmäßige Punktverteilung in allen Hö-

hen auf. Aufgrund der hohen Durchdringungsrate existieren deshalb zu wenige Oberflächenpunk-

te mit einer richtigen Höhe und führen somit zu der enormen Gesamtgrünvolumenunterschätzung

von 90%.

3.2.2.3. Typendifferenzierte Analyse

Anschließend wurde eine typendifferenzierte Untersuchung durchgeführt. Die Tabelle 10 fasst die

Ergebnisse zusammen. Die Höhen- und Volumendifferenzen für den Nadel- und Strauchbestand

zeigen relativ geringe Abweichungen bezüglich der Referenz, während der Laubbaumbestand in

der Höhe (nur Oberflächenpunkte) um ca. 64 % und zu 95 % im Grünvolumen unterschätzt wird.

Tab. 10: Referenz- und Lasermodell im Vergleich auf Basis von typendifferenzierten Referenzflächen (SD in Klammern)

Strauch (<3 m)

Nadelbaum(3 - 30m)

Laubbaum (3 - 30m)

Anzahl an Referenzflächen 28 32 67 Fläche [m²] 977 1 924 34 476 Mittlerer Anteil an Oberflächenpunkte [%] 52.0 (23.6) 89.4 (7.5) 5.5 (4.3) Referenzmesspunkthöhe [m] 2.4 (1.6) 12.7 (5.6) 15.6 (5.0) Lasermesspunkthöhe aller Punkte im Vegetationsbestand [m] 1,0 (0,6) 10,9 (3,1) 0,4 (0,4) Lasermesspunkthöhe der Oberflächenpunkte [m] 2.2 (1.2) 13.2 (5.3) 5.6 (6.5) Differenz (Referenz-Laser) [m] +0,2 -0,5 10,0 Mittleres Referenz-Grünvolumen der Referenzflächen [m³/m²] 1.6 (0.7) 11.2 (4.3) 10.9 (5.0) Mittleres Laser-grünvolumen der Referenzflächen [m³/m²] 1.4 (0.7) 11.4 (3.5) 0.8 (0.5) Mittlere Volumendifferenz der Referenzflächen [m³/m²] + 0.2 - 0.2 + 10.2 Spezifisches Referenz-Grünvolumen über alle Flächen [m³/m²] 1,80 12,13 14,63 Spezifisches Laser-grünvolumen über alle Flächen [m³/m²] 1,41 11,74 0,70 Spezifische Volumendifferenz über alle Flächen [m³/m²] +0,39 +0,39 +13,92


49

Die ermittelten Anteile der Oberflächenpunkte zeigen einen Anteil von nur 5,5 % für den Laub-

baumbestand. Für die dichten Vegetationstypen (Nadelbaum und Strauch) ist die Durchdrin-

gungsrate des Lasers geringer, so dass ein Großteil der Lasermessungen (50 % - 90 %) Oberflä-

chenpunkte sind. Im Folgenden werden die Vegetationsklassen näher erörtert.

Rasen/Wiese/Kräuter

Rasen und Wiesenflächen besitzen eine sehr geringe Höhe. Selbst bei Aufzeichnung des first pulse

würde aufgrund des limitierten Trennungsvermögens des Systems keine getrennte Auswertung

der zwei aufeinander folgenden Echomaxima möglich sein (Vgl. Kap. 2.2.4.2). Ebenso verändert

sich die Vegetation saisonal. Viele Kräuter und Niedrigpflanzen sterben nach der Vegetationsperi-

ode ab und liegen in den Wintermonaten gar nicht vor. Folglich ist eine Aufzeichnung dieses Vege-

tationstyps nicht möglich, so dass externe Daten, wie z.B. der NDVI (s. Kap. 3.3.2.1) hinzugezogen

werden müssen.

Strauchbestand

Der Strauchbestand zeichnet sich durch einen dichten Holzanteil aus. Da diese Sträucher (z.B. Bü-

sche, Hecken) etwas lockerer aber auch sehr dicht sein können, so liegt der Anteil der Laseroberflä-

chenpunkte zwischen 30 und 70%. Die Höhen- und Grünvolumenauswertung ergab nur eine sehr

geringe Unterschätzung der Vegetation im nDOM. Diese kann unter Umständen auch durch eine

sehr dichte Vegetationsschicht verursacht werden, da der Laser nicht bis zum Boden durchdringen

kann und folglich das DGM überschätzt wird. Die geringen Abweichungen lassen aber generell

eine Grünvolumenberechnung auf Basis eines nDOMs zu. Abbildung 25 b Laserpunkte im Ver-

gleich zu den photogrammetrischen Messungen.

Nadelbaumbestand

Immergrüne Nadelbäume sind aufgrund ihrer hohen Dichte sehr gut mittels Laserscanning erfass-

bar (Abb. 25 c). Der Anteil der Oberflächenpunkte beträgt zwischen 80 und 100%. KRAUS & PFEIFER

(1998) ermittelten eine äquivalente Durchdringungsrate von ca. 25% (Vgl. Kap. 2.2.11.1). Eine

Grünvolumenberechnung ist somit auf Basis des nDOMs möglich.

Laubbaumbestand

Laubbaumbestände sind die Ursache der Gesamtvolumenunterschätzung der vegetationsbestan-

denen Fläche von über 90%. Nur ca. 0 bis 10% aller Lasermessungen sind Treffer im entlaubten

Geäst. Diese Oberflächenpunkte werden in der Regel nicht auf der Baumkrone, sondern erst im

Mittel etwa auf dem unteren Drittel der Baumhöhe reflektiert. Meist sind nur der Baumstamm

oder sehr ausgeprägten Zweige Ursache eines Treffers. Abbildung 25 a zeigt die wenigen Oberflä-

chenpunkte im Vergleich zu den Referenzmessungen. Nach Interpolation der Oberflächen- und

Bodenpunkte zu einem nDOM, führt das Oberflächenpunktdefizit und die unterschätzte Höhe zu

Kapitel 3.3 - Eliminierung anthropogener Objekte

50

einer Grünvolumenunterschätzung des Laubbaumbestandes von 95%. Somit wäre eine Grünvo-

lumenberechnung auf Basis des nDOMs ohne Korrektur nicht möglich.

Abb 25: Aufriss der Laser- und Referenzmessungen verschiedener Vegetationstypen:

a) Laubbaum, b) Strauch, c) Nadelbaum


Die Ergebnisse zeigen, dass Laserscannerdaten laubfreier Befliegungszeitpunkte zu einer enormen

Grünvolumenunterschätzung bedingt durch den Laubbaumbestand führen. Dadurch, dass nur die

letzte Reflexion zur Verfügung steht, fehlen nötige Oberflächenpunkte zur Modellierung der Vege-

tation. Die im Kapitel 2.4.2 angesprochenen Methoden zur Extraktion von Baumkronen könnten

somit nur für den dichten Nadelbaumbestand angewandt werden. Bei Wissen von Baumfußpunk-

ten kann aber zumindest der höchste Laserpunkt innerhalb eines Suchradius ermittelt werden. Zur

Berechnung des gesamtstädtischen Grünvolumens sehr komplexen städtischen Struktur sind aber

zunächst ausgefeilte Korrekturmethoden für den Laubbaumbestand nötig.

3.3. Eliminierung anthropogener Objekte

3.3.1. ProblematikFür die Grünvolumenberechnung mittels eines nDOMs ist es zwingend erforderlich anthropogene

Objekte wie Gebäude, bodenversiegelte Flächen, aber auch Laternen und Fahrzeuge zu separieren

und aus dem Datensatz zu entfernen. Als Ergebnis erhält man das Vegetations-nDOM. Die Güte

der Grünvolumenbestimmung ist somit stark abhängig von der Exaktheit der Vegetationsmaske.

Trotz des hohen Automatisierungsgrades der Laserscannerdaten sind dafür externe Daten empfeh-

lenswert, um genaue Ergebnisse zu erzielen, da einige Objekte ohne Bildinformation nicht vom

Vegetationsbestand getrennt werden können. Laserscannerdaten sind rein geometrische 3D-Daten,

mit der Folge, dass z.B. parkende Autos nicht von Strauchgut unterschieden werden können. Auf-

a)

b)

c)


51

grund der hohen Dynamik in Städten, sollten hinzugezogene externe Bild- oder Vektordaten mög-

lichst zeitnah zur Laserscanneraufnahme sein.

Im Folgenden werden verschiedene Methoden zur Erstellung einer Vegetationsmaske unter Ver-

wendung externer Daten untersucht sowie die Möglichkeiten und Grenzen bei alleiniger Nutzung

der Laserscannerdaten aufgezeigt.

3.3.2. Eliminierung anthropogener Objekte mittels externer Daten

3.3.2.1. Ableitung einer Vegetationsmaske aus CIR-Luftbildern

Die spektrale Signatur gesunder Vegetation zeichnet sich durch einen hohen Reflexionsgrad im

nahen Infrarot des elektromagnetischen Spektrums von 0,72 – 1,3 μm aus (KAPPAS 1994). Eine

Trennung der Vegetation von versiegelten Flächen und Gebäuden kann somit mit hoher Sicherheit

über die Berechnung des Normalisierten Differenzvegetationsindizes NDVI (engl. Normalized Diffe-

rence Vegetation Index) aus CIR-Luftbildern erfolgen. Der Aufnahmezeitpunkt sollte im günstigsten

Fall im Sommer vor oder nach der winterlichen Laserscannerbefliegung liegen. Die Luftbilder soll-

ten eine ausreichende räumliche Auflösung besitzen, um den geometrischen Anforderungen der

Vegetationsmaske gerecht zu werden (z.B. Bildmaßstab 1: 5 000). Für die Berechnung des NDVI

werden der Rotkanal sowie der Kanal des nahen Infrarots (NIR) hinzugezogen. Berechnet wird

dieser, indem die Wertedifferenz zwischen NIR und dem Rot-Kanal durch die Summe der zwei

Bänder dividiert wird (BILL & ZEHNER 2001).

RotNIRRotNIRNDVI (F. 23)

Die Werte des NDVI können -1 bis +1 annehmen und korrelieren mit der photosynthetischen Ak-

tivität, der Dichte und der Vitalität der Vegetationsdecke. In einem weiteren Schritt müssen der

NDVI anhand eines visuell ermittelten Schwellwertes binarisiert werden, so dass man die ge-

wünschte Vegetationsmaske erhält.

Ein Problem ergibt sich aber für begrünte Dächer. Diese werden bei der Maskierung mittels Luft-

bilder als Vegetation ausgewiesen und führen bei einer anschließenden Grünvolumenberechnung

zu lokalen Fehlern im Vegetations-nDOM.

CIR-Luftbilder liegen für deutsche Städte meist in einer relativ hohen Aktualität vor und sind

leicht erhältliche Geodaten. Trotz der Verfügbarkeit sehr hochauflösender Satellitenbilder (z.B.

IKONOS, Quickbird) reicht deren räumliche Bodenauflösung der Spektralkanäle meist nicht aus,

um eine entsprechend genaue Grünmaske zu liefern.


52

3.3.2.2. Ableitung einer Vegetationsmaske aus Echtfarbenluftbildern

Überwachte Klassifikation

Stehen keine zeitnahen CIR-Daten zur Verfügung, so können auch aus Echtfarbenluftbildern

Grünmasken abgeleitet werden. Mit Hilfe einer überwachten pixelbasierten Maximum-Likelihood-

Klassifikation und einer anschließenden Aggregation der Klassen lassen sich vegetationsbestande-

ne Flächen abgrenzen. Für eine überwachte Klassifikation eines Luftbildes von Dresden (1999)

wurden mittels Definition von Trainingsgebieten die spektralen Signaturen für insgesamt 21 Klas-

sen festgelegt. Nach der Klassifikation (Abb. 27 b) wurden die Klassen zusammengefasst, so dass

die Kategorien „Vegetation“ und „Nicht Vegetation“ und somit eine binäre Bildinformation ent-

steht (Abb. 27 c).

Allerdings sind gerade bei gescannten analogen Luftbildern einige Klassen durch ein hohes Rau-

schen gekennzeichnet, was zum sog. „Salt-and-Pepper-Effekt“ im binären Bild führt. Abhilfe ver-

schaffen dabei morphologische Operatoren (HEROLD 2005). Dazu wird ein Umgebungselement

eingeführt, welches Art und Ausmaß der Pixelmanipulation bestimmt. Das so genannte Struktur-

element bewegt sich dabei über das gesamte Bild hinweg. Dabei werden Pixel von Bereichsrändern

hinzugefügt (Dilatation) oder entfernt (Erosion). Aus diesen Basisoperationen lassen sich die Opera-

tion Opening (Erosion mit anschließender Dilatation) sowie die Operation Closing (Dilatation mit

anschließender Erosion) ableiten. Die Anwendung eines Closing schließt kleinere Lücken innerhalb

einer Region, überbrückt kleine Distanzen und glättet innere Ecken. Das Opening bewirkt, dass

einzelne Pixel entfernt werden, äußere Ecken geglättet, sowie dünne Brücken geöffnet werden.

Eine detaillierte Darstellung der Operationen und dessen Wirkung sind in GONZALES & WOODS

(1993) zu finden. Weiterführend haben sich morphologische Operatoren bei der Analyse kontinu-

ierlicher Oberflächen (Grauwertbilder) bewährt, so dass sie ein nützliches Werkzeug bei der Laser-

scannerdatenverarbeitung sind.

Es hat sich gezeigt, dass sich der Gebrauch des Closing mit anschließendem Opening besonders gut

für die Eliminierung einzelner Pixel mit einer gleichzeitigen Schließung der „löchrigen“ Vegetati-

onsflächen der binären Grünmaske eignet. Für die Operationen wurde jeweils ein 3x3 großes

Strukturelement mit einer Kreuzform gewählt (Abb. 26).

0 1 0 1 1 1 0 1 0

Abb 26: Strukturelement ( 3x3 Pixel, kreuzförmig, 4er-Nachbarschaft)

Abbildung 27 d zeigt die Ergebnisse für einen Ausschnitt in Dresden. Der „Salt-and-Pepper-Effekt“

kann durch die Anwendung morphologischer Operationen verringert werden. Einige beschattete

Asphaltstrassen sowie dunkle Teerdächer (z. B. Garagen) sind aufgrund der ähnlichen spektralen

Signatur als Vegetation klassifiziert. Eine Trennung der Schattenbereiche von der Vegetation ist

ohne einen NIR-Kanal nur bedingt möglich. Bei einer Gebäudehöhe von 20 m beträgt die Schatten-


53

länge für das Luftbild ca. 5 m. Oft befinden sich aber ohnehin Vorgärten bzw. Rasenflächen unmit-

telbar neben dem Gebäude. Die Wahrscheinlichkeit, der Schatten trifft auf anthropogene Objekte

ist somit recht gering. Problematischer sind daher die als Vegetation klassifizierten Gebäude, da sie

bei der Berechnung des Grünvolumens zu erheblichen Überschätzungen führen würden.

Abb 27: Generierung einer Vegetationsmaske mittels NDVI: a) Echtfarbenluftbild von Dresden (1999), b) Ergebnis der

überwachten Maximum-Likelihood Klassifikation c) binarisierte Grünmaske und

d) Grünmaske nach Anwendung morphologischer Operatoren


Unter Beachtung dieser Einschränkungen bildet die Vegetationsmaske eine relativ grobe Grundla-

ge zur Ausschneidung vegetationsloser Flächen. Die Maske kann optimiert werden in dem eine

aus den Laserscannerdaten extrahierte Gebäudemaske (s. Kap. 3.3.3) oder gegebenenfalls andere

Vektordaten hinzugezogen werden. Damit könnten zumindest die als Vegetation klassifizierten

Gebäudeflächen eliminiert werden.

Gegenüber der pixelbasierten Klassifikation würden segmentbasierte Klassifikationsverfahren

bessere Ergebnisse erzielen. Dem „Salt-and-Pepper-Effekt“ könnte durch Zusammenfassung be-

nachbarter, farblich ähnlicher Pixel (Segmentierung) entgegengewirkt werden. Dazu stehen bereits

verschiedene Segmentierungsalgorithmen zur Verfügung. Als Beispiel sei hier die Software e-

Cognition (DEFINIENS IMAGING 2005) genannt. Verschiedene Segmentierungsprogramme wurden

u. a. von MEINEL & NEUBERT (2003) sowie HEROLD (2005) getestet und dessen Vor- und Nachteile

aufgeführt. Andererseits könnten die Ergebnisse der Klassifikation einer Aggregation unter Bil-

dung von Mischklassen unterzogen werden (HEMPEL 2006).

Berechnung des NDGRIV

Eine weitere effektive Methode zur Ableitung einer Grünmaske aus Color-Luftbildern ist die Be-

rechnung des so genannten NDGRVI (engl. Normalized Differenced Green/Red Vegetation Index) nach

MÖLLER & BLASCHKE (2006). NIEDERÖST (2000) spricht auch vom DoA (Degree of Artificiality), dem

„Grad der Unnatur“. Dieser ist wie folgt definiert.

RotGrünRotGrünNDGRVI (F. 24)

Dieser berechnete künstliche Bildkanal repräsentiert, ähnlich dem NDVI, geringe oder fehlende

Vegetation in niedrigen und dichte Vegetation in hohen Werten. Durch Binarisierung des Kanals

mittels eines visuell bestimmten Schwellwertes erhält man anschließend eine Grünmaske.


54

Tab. 11: Typischer NDGRVI für Vegetation (Quelle: MÖLLER & BLASCHKE 2006)

Vegetationstyp NDGRVI Bodendeckendes Grass, vital 0,13 – 0,25 Bodendeckendes Grass, Stress durch Wasser-mangel

0,01 – 0,07

Baum, Busch, vital 0,16 – 0,35

Tabelle 11 zeigt typische Werte für die Vegetation nach MÖLLER & BLASCHKE (2006). Allerdings

können diese Angaben je nach Kamera-, Film- und Aufnahmebedingungen abweichen, da andere

radiometrische Gegebenheiten vorliegen.

Abbildung 28 b verdeutlicht den in Grauwerten kodierten NDGRVI eines Echtfarbenluftbildes von

Dresden. Für die Ableitung der binären Vegetationsmaske wurde visuell ein Schwellwert von 0,05

bestimmt (Abb. 28 c). Gleichermaßen wurde in einem weiteren Schritt die Maske mittels morpho-

logischer Operationen (Closing mit einem anschließenden Opening) verbessert (Vgl. Kap. 3.3.2.1).

a) b) c) d)

Abb 28: Generierung einer Vegetationsmaske mittels NDGRVI: a) Echtfarbenluftbild von Dresden (1999), b) grau-

wertkodierter NDGRVI, c) Maske nach Binarisierung mit dem Schwellwert 0,05 und

d) Grünmaske nach Anwendung morphologischer Operatoren


Gegenüber der überwachten Klassifikation ergibt diese Herangehensweise besser abgegrenzte

Vegetationsflächen. Allerdings besitzen auch sämtliche Gewässerflächen relativ hohe NDGRVI -

Werte, so dass es zu einer Fehlklassifikation kommt. Diese haben zwar keine Höhe, da es aber

teilweise im Randbereich von Gewässern zu Interpolationseffekten wegen fehlender Messpunkte

kommt, wäre die Ausscheidung dieser Flächen sinnvoll. Die bei der überwachten Klassifikation

festgestellten Probleme für sehr dunkle Bildobjekte (Schattenbereiche, geteerte Dächer) treten auch

bei dieser Methode des binarisierten NDGRVI auf. Somit muss auch hier darauf hingewiesen wer-

den, dass die Eliminierung mittels einer aus dem NDGRVI abgeleiteten Grünmaske relativ unsi-

cher ist. Weitere Daten sind deshalb nötig um gegebenenfalls falsch klassifizierte Objekte zu ent-

fernen.

3.3.2.3. Nutzung externer Vektordaten

Teilweise stehen den Städten Gebäudegeometrien zur Verfügung. Diese können genutzt werden,

um die Gebäude aus dem Datensatz zu entfernen. Allerdings beinhalten diese Daten keine Dach-

überstände und die Gebäudeumrisse werden durch das aufgehende Mauerwerk bestimmt. Eine

bessere Grundlage bieten daher Bodenversiegelungskartierungen, da diese zur Berechnung der

gesplitteten Regen- und Abwassergebühren erfasst werden und somit auch die wahren Dachflä-


55

chen beinhalten (MEINEL & HERNIG 2005). Die Erfassung der Daten ist allerdings sehr kostenauf-

wändig und gerade da sie die Grundlage einer Gebühr bilden, für viele Institutionen nicht öffent-

lich zugänglich. Auch muss bei solchen Daten die temporäre sowie geometrische Datenhomogeni-

tät gewährleistet sein.

Eine Verscheidung der Gebäudegeometrien ist in Abb. 29 aufgezeigt. Es zeigt sich, dass die Ge-

bäuderänder des nDOMs etwas über die Dachpolygone hinausragen. Dieser Effekt entsteht durch

die Anwendung von Maximalfiltern bei der Interpolation zu einem DOM (s. Kap. 3.1.3.2). Mit zu-

nehmender Höhe nimmt dieser Effekt zu. Somit müssen die Polygone mit einem Betrag (z.B. 2 m)

nach außen gepuffert werden, damit die Gebäude vollkommen eliminiert werden können.

a) b) c)

Abb 29: Pufferung der Geometrien zur Eliminierung der Gebäude aus dem Datensatz: a) Gebäudegeometrien mit dem

Luftbild und b) mit dem nDOM überlagert sowie c) Gebäudegeometrien nach Pufferung mit 2 m


Mit Hilfe einer Versieglungskartierung ließen sich neben den Gebäuden auch Straßen, Parkplätze

oder Einfahrten ausfindig machen. Man sollte dabei aber beachten, dass auch versiegelte Flächen

von Vegetation überschirmt werden können. Bei der Verwendung von Bilddaten kann die Vegeta-

tion hingegen berücksichtigt werden. Schließlich macht eine Kombination beider Datensätze - Ge-

ometrien als auch aus Bilddaten abgeleitete Grünmasken - Sinn.

3.3.3. Eliminierung der Gebäude auf Basis der Laserscannerdaten

3.3.3.1. Vergleich dreier Methoden zur Gebäudeextraktion

Liegen keine Luftbilddaten vor, so ist zumindest die Ableitung gebäudeloser Flächen mit Genau-

igkeitseinschränkungen auch allein auf Basis der Laserscannerdaten möglich. Ein Nachteil liegt

darin, dass Rasenflächen, welche nach GROßMANN et al. (1984) auch ein Volumen von 0,1 m³/m²

besitzen nicht von versiegelten Flächen ohne Höhe getrennt werden können. Dennoch zählen Ge-

bäude zu den am meisten störenden Objekten bei einer rasterbasierten Grünvolumenberechnung

mittels nDOM und müssen vorab eliminiert werden. Die Literatur (Kap. 2.4.1) bietet eine Vielfalt

an Ansätzen zur Gebäudeextraktion aus Laserscannerdaten an.

Im Folgenden werden drei verschiedene Ansätze zur Gebäudeextraktion vorgestellt und auf Basis

der Laserscannerdaten der Stadt Dresden getestet. In Tabelle 12 sind die untersuchten Verfahren


56

(H, P, M) kurz skizziert. Unter Anlage B. 1 – B. 3 werden die jeweiligen Arbeitsschritte und Zwi-

schenergebnisse in einem Workflow dargestellt.

Tab. 12: Übersicht und Kurzbeschreibung der untersuchten Methoden

Methode Kurzbeschreibung H (Höhenschwellwert) - nach ROTTENSTEINER (2002)

- Höhenthreshold des nDOM (> 3,0 m) - Opening mit kreisrunden Strukturelement (7*7 Pixel) - Erzeugung von Regionen mittels Clump (4er Nachbarschaft) - Eliminierung von Regionen < 40 m² mittels Sieve- Rauhigkeitsuntersuchung jeder Region (Varianz-Filter, 3x3 ) - Eliminierung rauer Regionen (90% der Regionen müssen eine Varianz < 10 besitzen)

P (Punktdichteschwellwert) - nach ROTTENSTEINER (2002), abgewandelt - Threshold des Punktdichtebildes der Bodenpunkte (2 m Suchradius) - Erzeugung von Regionen mittels Clump- Ausscheidung von Regionen, die eine mittlere Höhe von 1,5 m unterschreiten - Rauhigkeitsuntersuchung jeder Region (Varianz-Filter, 3x3 ) - Eliminierung rauer Regionen (90% der Regionen müssen eine Varianz < 10 besitzen)

M (Maximum Likelihood-Klassifikation)

- in Anlehnung an MAAS (1999a) - Erzeugung eines 3-Kanalbildes mit 1. Punktdichte der Bodenpunkte (2 m Suchradius) 2. Laplace-filter des nDOMs (3x3) 3. Anstieg (Maximum Slope) des nDOMs - Überwachte Maximum-Likelihood-Klassifikation des Bildes - Ausscheidung von Regionen, welche eine mittlere Höhe von 1,5 m unterschreiten - Morphologische Filterung

Methode H (Höhenschwellwert)

Die Methode H basiert auf der von ROTTENSTEINER (2002) entwickelten Methode zur rasterbasier-

ten Extraktion von Gebäuden. Dabei wird auf Basis des normalisierten nDOM ein binäres Bild

erzeugt, indem ein Höhenschwellwert angewendet wird. Der Schwellwert wird so gewählt, dass

möglichst viele Gebäude niedriger Höhe erhalten bleiben. Mit abnehmendem Schwellwert ver-

schmelzen allerdings die Gebäudesegmente mit unmittelbar anliegender Vegetation. Abbildung 30

zeigt die Ergebnisse unter Anwendung verschiedener Höhenschwellwerte.

a) b) c) d)

Abb 30: Binarisierung des nDOMs mit einem Höhenschwellwert von b) 1 m c) 3 m und d) 5 m im Vergleich zum a)

Luftbild (Quelle: Eigene Bearbeitung)

Unter Beachtung einer Gebäudemindesthöhe und den Verschmelzungseffekten wurde ein

Schwellwert von 3 m als optimal ermittelt. Mit Hilfe eines Opening können Einzelpixel (z.B. Later-

nen, Vegetation) oder schmale Bänder (z.B. Hecken) eliminiert werden. Für die Operationen wurde


57

jeweils ein 7x 7 großes Strukturelement mit einer runden Form gewählt. Die Anzahl der Regionen

wird dabei bedeutend verringert, was sich positiv auf den Speicherbedarf und die Rechenzeiten

der darauf folgenden Operationen bemerkbar macht. In einem weiteren Schritt werden alle Regio-

nen eliminiert, welche eine Mindestgrundfläche von 40 m² unterschreiten. Dazu wird die sog.

Clump-and-Sieve Funktion eingesetzt. Vegetation besitzt im Gegensatz zu Gebäuden eine sehr raue

Oberfläche. Um die noch übrigen Vegetationsflächen aus der Gebäudemaske zu eliminieren, wur-

de deshalb eine Rauhigkeitsuntersuchung durchgeführt. Mit Hilfe von Texturanalysen können die

Varianz, Laplace, Schiefe und Krümmung auf Basis des nDOMs berechnet, mit einem Schwellwert

binarisiert und mit den Gebäuderegionen verschnitten werden. In Abbildung 31 sind die Flächen

der rauen (rot) und der glatten Oberflächen (weiß) innerhalb der Gebäuderegionen dargestellt.

a) b) c) d)

Abb 31: Texturanalyse: a) Varianz, b) Laplace, c) Skewness (Schiefe) und d) Kurtosis (Krümmung) des nDOMs (Quelle: Eigene Bearbeitung)

Varianz und Schiefe trennen die Vegetation am besten von dem Gebäudebestand. Die Schräge des

Daches scheint somit nur einen sehr geringen vernachlässigbaren Einfluss auf die Varianz und

Schiefe zu haben. Folglich wurde die Varianz als Rauhigkeitsindikator benutzt, um die noch restli-

che Vegetation auszuscheiden. Jeder potenziellen Gebäuderegion wird dabei der Flächenanteil des

binarisierten Rauhigkeitsbildes zugeordnet. Sind mehr als 70 % der Fläche der Gebäuderegion rau

(rot, Abb. 31 a), dann werden diese eliminiert. Der gesamte Ablauf der Prozessierung wird in An-

lage B. 1 dargestellt.

Methode P (Punktdichte)

Die Methode P ist eine abgewandelte Form von Methode H. Gebäude besitzen ausschließlich Ober-

flächenpunkte und weisen somit keine Bodenpunkte auf. Folglich muss die Dichte der Bodenpunk-

te 0 betragen. Durch Berechnung der Bodenpunktdichte mit einem Suchradius von 2 m können

somit Bereiche ohne Bodenpunkte ausgemacht werden. Das Prinzip der Punktdichteberechnung

wird in Kap. 3.4.2.1 näher beleuchtet. Anstelle des nDOM (Vgl. Methode H) wird somit das be-

rechnete Dichtebild der Bodenpunkte als Eingangsdatensatz verwendet. Anlage B. 2 zeigt den Ab-

lauf der Prozessierung.

Im Gegensatz zum Höhenschwellwertansatz (Methode H) wird bei der Binarisierung des Punkt-

dichtebildes mit einem Schwellwert von 0,25 eine bessere Abgrenzung der Gebäude erreicht. Ab-

bildung 32 verdeutlicht den Vorteil, da sich auch sehr niedrige Gebäude wie Garagen (< 3 Meter)

extrahieren lassen.


58

a) b) c)

Abb 32: Vergleich der Binarisierung: a) Luftbild, b) Nutzung des Höhenschwellwertes und

c) Nutzung des Punktdichteschwellwertes (Quelle: Eigene Bearbeitung)

Zur Verbesserung der Maske wurde das Opening angewendet. Im Gegensatz zur Methode H wer-

den teilweise auch sehr dunkle nasse Flächen (Asphaltstrassen) segmentiert, welche zu keiner Re-

flexion des Lasersignals und somit zu keinen Bodenpunkten führen. Diese Regionen lassen sich

durch Definieren einer Mindesthöhe (< 1,5 m) sehr einfach entfernen. Die restliche Vegetation

wurde über Rauhigkeitsanalysen (Vgl. Methode H) entfernt.

Methode M (Maximum-Likelihood-Klassifikation)

Die Methode M baut auf den von MAAS (1999a) entwickelten Ansätzen auf. Dabei wird ein Bild mit

drei Kanälen erzeugt und anschließend durch Definition weniger Trainingsgebiete einer über-

wachten Maximum-Likelihood-Klassifikation unterzogen. Bei MAAS (1999a) ist der erste Kanal mit

dem nDOM belegt. Da sich die Nutzung der Bodenpunktdichte als guter Indikator in Methode P

herausstellte, wurde dieser anstelle der Höhe (nDOM) im ersten Bildkanal genutzt. Der 2. und 3.

Bildkanal sind Texturbilder (Laplace und Steigung), welche durch Filtertechniken berechnet wer-

den können. Der Einsatz des Laplace-Filters (2. Ableitung), dargestellt in Abbildung 33, dient dem

Hervorheben von Kanten an strukturreichen Bereichen und dem Unterdrücken wenig strukturier-

ter Bereiche. Für geneigte glatte Flächen (Schrägdach) ergibt der Laplace-Operator 0. Damit werden

nur nichtlineare Veränderungen der Oberfläche angezeigt. Der maximale Anstieg wird mittels

eines Gradientenoperators berechnet.

0 -1 0 -1 4 -1 0 -1 0

Abb 33: Laplace-Filter (3x3 Pixel)

Zur überwachten Klassifikation der Laserscannerdaten (Dresden) wurden die Klassen Flachdach,

Schrägdach, Vegetation sowie flaches Terrain durch wenige Trainingsgebiete definiert. Durch Ag-

gregation der Klassen (Vgl. Kap. 3.3.2.2.) erhält man eine binäre Gebäudemaske. In Anlage B. 3 ist

der gesamte Workflow aufgeführt.


59

3.3.3.2. Ergebnisse

Die drei Methoden wurden auf ein Testgebiet der Größe 3,6 km² (360 ha) angewandt und die Er-

gebnisse mit einem Referenzgebäudedatensatz verglichen (s. Anlage B. 4). Alle drei Methoden

führen zu einer geringen Unterschätzung des Gebäudeflächenanteils durch nicht erkannte oder

nur teilweise segmentierte Gebäude (Tab. 13). Methode P erkennt ca. 84 % der Gebäudegrundflä-

che. Allerdings werden auch in gebäudelosen Bereichen Objekte segmentiert. Dies führt zu einem

Anteil von 0,3 - 1,6 % der Untersuchungsfläche.

Tab. 13: Anteile richtig und falsch klassifizierter Gebäudepixel [%]

Gebäude (richtig)

Gebäude (falsch)

Gebäudelos (richtig)

Gebäudelos (falsch)

Anteil Falschklassikation an Gesamtfläche

Referenz 20.2 - 79.8 - -

Methode H 15.7 3.9 79.0 1.4 5.4

Methode P 17.0 2.6 78.8 1.6 4.2

Methode M 13.0 6.6 80.1 0.3 6.9

Um die Güte der Gebäudeerkennung zu bestimmen, wurde der Referenzdatensatz mit den jeweils

erzeugten Gebäudemasken verschnitten und für jedes Objekt ausgewertet. Das Vorgehen zur Er-

mittlung der Güte ist in Anlage B. 5 dargestellt. Die Güte der Extraktion, dargestellt in Abbil-

dung 34, ergibt sich aus dem Anteil der richtig erkannten Gebäudepixel. Die Untersuchung der

Güte zeigte die geringsten Anteile an Falschklassifikationen bei Methode P. Dabei werden 90 % der

Gebäudefläche mit einer Güte von 80 – 100 % detektiert. Die Methode H zeigt, dass 20 % der Ge-

bäudefläche überhaupt nicht klassifiziert worden ist. Dies begründet sich aus dem Einsatz eines

Mindesthöhenschwellwerts von 3,0 m zur Vermeidung von Verschmelzungseffekten (Vgl.

Abb. 30). Methode M führt zu relativ vielen extrahierten Flächen mit einer mittleren Extraktionsgü-

te von 50 – 60 %. Die segmentierten Gebäudeflächen sind somit zu klein.


60

Abb 34: Ergebnisse der Gebäudeextraktion und dessen Güte [%]


Eine statistische Auswertung über Häufigkeitsdiagramme sowie die Betrachtung der Abhängigkei-

ten der Güte von Gebäudegröße, -höhe und -volumen zeigte ebenfalls, dass die besten Ergebnisse

Methode P hervorbringt. Im Gegensatz zu den andern beiden Methoden werden auch viele kleine-

re (< 100 m²) und niedrigere Gebäude (< 3 m) erkannt.

Das kumulierte Häufigkeitsdiagramm (Abb. 35) zeigt die Flächenanteile (Pixel) und deren Güte.

Der Kurvenverlauf der Methode P zeigt den geringsten Anteil schlecht klassifizierter Pixel. Somit

sind 90 % der Gebäudefläche mit einer Güte von 80 – 100 % detektiert worden. Die Methode H

zeigt, dass 20 % der Gebäudefläche überhaupt nicht klassifiziert worden sind, was durch den an-

gesetzten Schwellwert von 3,0 m verursacht wird. Der geringe Kurvenanstieg der Methode M

belegt große Anteile von Flächen mit mittlerer Extraktionsgüte. Eine weitere Untersuchung ergab,

dass 95 % (Methode H), 70 % (Methode P) und ca. 60 % (Methode M) der falsch klassifizierten Pixel

auf Verschmelzungseffekte zurückzuführen sind.

a)

b)

c)

Kapitel 3.4 - Modellgesteuerte Korrektur der Laserscannerdaten

61

Kumulierte Darstellung

0

10

20

30

40

50

60

70

80

90

100

0 10 20 30 40 50 60 70 80 90 100

Kumulierter Anteil der Pixel [%]

Güt

e de

r det

ektie

rten

Geb

äude

HMP

Abb 35: Kumulierte Darstellung der Häufigkeit


Die Ergebnisse zeigen eine gute Abgrenzung ausreichend großer Gebäude. Kleinere Garagen bzw.

Anbauten werden nur teilweise segmentiert. So würden Gebäudefehlklassifikationen zu einer Un-

terschätzung und nicht erkannte Gebäude zu einer Überschätzung des Grünvolumens führen. Eine

Verbesserung kann durch die Nutzung eines CIR-Luftbildes erzielt werden, indem der NDVI regi-

onenbasiert ausgewertet wird. Zur Ausscheidung anthropogener Objekte für eine Grünvolumen-

berechnung wäre es aber ratsam, das CIR-Luftbild gleich als Hypothese für das Vorhandensein

von Vegetation zu nutzen.

3.4. Modellgesteuerte Korrektur der Laserscannerdaten

3.4.1. Konzeptionelle KorrekturansätzeDie Ergebnisse der typendifferenzierten Untersuchung des interpolierten DOMs zeigten, dass die

zu wenigen und zu niedrigen Oberflächenpunkte im Laubbaumbestand zu einer enormen Unter-

schätzung des Grünvolumens im nDOM führen (Vgl. Kap 3.2). Ziel ist es somit eine effektive adap-

tive Korrekturmethode herauszuarbeiten. Dabei sind verschiedene Ansätze möglich und werden

bezüglich ihrer Praktikabilität untersucht:

– Einsatz von Korrekturfaktoren

– Interpolation unter der alleinigen Nutzung der Oberflächenpunkte im Vegetationsbestand

– Einsatz morphologischer Operatoren

– Einsatz von Zylindern

3.4.1.1. Einsatz von Korrekturfaktoren

Die Oberflächenpunkte sind im Laubbaumbestand um ca. 64 % zu niedrig. Folglich könnte dem

Höhenverlust mithilfe eines Höhenkorrekturfaktors entgegengewirkt werden. Korrekturfaktoren

können konstanter Art oder in Abhängigkeit einer Funktion angewendet werden. Die wohl sim-

pelste Möglichkeit ist die Bestimmung eines Faktors über die Berechnung der mittleren Abwei-

chung der Laserhöhen zu den Referenzhöhen. Möglich wäre eine vom Vegetationstyp abhängige

Korrektur, zur Vermeidung von zu großen Aufschlägen für die sicher erfassten Vegetationsobjekte.


62

Dafür würden sich ausgearbeitete Indikatoren (s. Kap. 3.4.2) anbieten, welche die Stärke der Kor-

rektur bestimmen.

3.4.1.2. Interpolation aus den alleinigen Oberflächenpunkten

Da ca. 95 % der Laserscannermessungen im unbelaubten Vegetationsbestand als Bodenpunkte

klassifiziert werden, führen diese nach Interpolation zu einer enormen Unterschätzung im Grün-

volumen. Durch Eliminierung dieser Bodenpunkte und der Arbeit allein mit klassifizierten Ober-

flächenpunkten könnte einer Unterschätzung des Grünvolumens begegnet werden. Dazu müssen

alle Bodenpunkte im Vegetationsbestand (ohne Rasen) eliminiert werden. Allerdings besitzt ein

großer Anteil der Oberflächenpunkte eine sehr geringe Höhe, da der Laserimpuls nicht auf der

Baumkrone, sondern größtenteils im Unterholz reflektiert wird. Deshalb müssen diese niedrigen

Punkte (< 2 m) vorab eliminiert werden, wie es bereits von anderen Autoren (u. a. KRAUS & RIEGER

1999, NAUMANN 1998) für forstwirtschaftliche Untersuchungen praktiziert wurde.

a) b) c)

Abb 36: Untersuchungsgebiet Bertolt-Brecht-Platz: a) Luftbild, b) Referenz-Vegetations-nDOM c) Laser Vegetations-

nDOM (im Vegetationsbestand nur aus den Oberflächenpunkten interpoliert)


Abbildung 36 zeigt am Beispiel des Untersuchungsgebiets Bertolt-Brecht-Platz die Verbesserung

im Laubbaumbestand gegenüber dem unkorrigierten nDOM (s. Kap. 3.2, Abb. 24 b). Die Baum-

kronen werden aufgrund der systematischen Höhenunterschätzung weiterhin etwas unterschätzt.

Für die Eliminierung der Bodenpunkte kann keine gewöhnliche Vegetationsmaske verwendet

werden, da die Bodenpunkte der Rasenflächen (Vegetation ohne Höhe) erhalten bleiben müssen.

Zudem ist der Ausschluss der niedrigen Oberflächenpunkte (< 2 m) nicht erwünscht, da sie den

Strauchbestand abbilden. Folglich ist dieser Ansatz zur Korrektur im städtischen Bereich weniger

geeignet.

3.4.1.3. Einsatz morphologischer Operatoren

Morphologische Operatoren, bekannt aus der binären Bildverarbeitung, können auch auf rohe 3D-

Messpunkte oder auf interpolierte Oberflächenmodelle in Form von Grauwertbildern angewandt

werden. Dabei entspricht das Ergebnis einer Dilatation mit einem rechteckigen Strukturelement


63

einer Maximumfilterung, während die Erosion eine Minimumfilterung darstellt. Im Unterschied zu

Filtern erlaubt der Einsatz von Operatoren die Wahl eines beliebig geformten Strukturelements.

ANDERSEN et al. (2001) filtern die Laserpunkte vor der Interpolation zum DOM, indem für ein defi-

niertes Raster nur der höchste Lasertreffer verwendet wird (Maximumfilter). Dies führt zum einen

zur Ausdünnung des Datensatzes und zu einer höheren Wahrscheinlichkeit eines Treffers auf dem

Kronendach. Bei einem mittleren Punktabstand von 4,1 m im Laubbaumbestand (Vgl. Tab. 8) wür-

den allerdings sehr große Filterkernel benötigt werden. Eine globale Anwendung würde dazu

führen, dass die Oberfläche nur noch durch sehr wenige Messungen beschrieben wird und Ober-

flächenpunkte, welche die Vegetation gut erfassen, dabei verloren gehen.

Eine ähnliche Wirkung wird erzielt, wenn der morphologische Operator Dilatation mit einem kreis-

runden Strukturelement auf das interpolierte nDOM angewandt wird. Allerdings steht dem auch

eine Ausweitung der vom Laser gut erfassten Vegetation gegenüber, welche dann zu einer Über-

schätzung in der Fläche und somit auch im Volumen führt (Abb. 37).

a) b) c)

Abb 37: Morphologische Dilatation mit einem kreisrunden Strukturelement: a) 1 m, b) 4 m und c) 6 m


Eine auf den jeweiligen Vegetationstyp angepassten Operator könnte eine gute Basis zur Korrektur

des Flächenverlustes sein. Vorteil dieses Verfahrens wäre der Erhalt der Kleinstrukturen (Sträu-

cher, Nadelbäume) und das Auffüllen großer Datenlücken im Laubbaumbestand. Da eine adaptive

Änderung der Größe des Strukturelementes während der Operation nicht stattfinden kann, müs-

sen im voraus die Dilatation auf das Vegetations-nDOM mit verschieden großen Strukturelemen-

ten angewandt werden. Mit Hilfe der Rasteralgebra und einem Indikator für unterschätzte Vegeta-

tion kann das Ergebnis-nDOM aus den jeweiligen Zellwerten zusammengefügt werden.

Problematisch dabei ist allerdings die Tatsache, dass der Wert einer Zelle durch den höchsten Wert

innerhalb einer Umgebung bestimmt wird. Dabei kann auch Bereichen eine ungewollte Höhe zu-

gewiesen werden, die einem anderen nebenstehenden Objekt angehören. Beispielhaft sei hier ein-

mal ein kleiner Laubbaum neben einem großen Nadelbaum genannt. So würde bei der Korrektur

des Laubbaumes (Herauslesen des Zellwertes aus dem mit einem 4 m großen Strukturelement

„dilatierten“ nDOM), die Höhe des Nadelbaumes übergeben werden, da dieser unmittelbar in

seiner Umgebung steht. Da gerade im Laubbaumbestand sehr große Strukturelemente nötig sind,

kann dieser Effekt zu schwerwiegenden Grünvolumenüberschätzungen führen. Abhilfe verschafft

dabei der nachfolgend konzipierte Ansatz.


64

3.4.1.4. Einsatz von Zylindern

Der Einsatz adaptiver morphologischer Operatoren weist seine Grenzen auf, da sich eng beieinan-

der stehende Objekte gegenseitig beeinflussen können. Somit liegt der Gedanke nahe, die Korrek-

tur direkt vom Objekt aus anzusetzen. Insofern könnte für jeden Oberflächenpunkt im unterschätz-

ten Vegetationsbestand ein Zylinder konstruiert und in das nDOM gesetzt werden. Bei einer Ver-

schneidung mehrere Zylinder ineinander haben dabei die Höheren Priorität. Die Wirkung wäre

die einer Dilatation ähnlich, mit dem Unterschied, dass jeweils die Höhen der Lasermesspunkte des

Objektes die Aufweitung direkt bestimmen.

3.4.2. Ausarbeitung von Indikatoren zur Unterscheidung der Vegeta-tionstypen

3.4.2.1. Relative Dichte der Oberflächenpunkte

Ziel ist es, die Korrektur des Laubbaumbestandes möglichst allein auf Basis der Laserscannerdaten

zu realisieren. Wie bereits Tabelle 8 in Kapitel 3.2.2.2 gezeigt hat, zeichnen sich die drei Vegetati-

onstypen durch sehr verschiedene Anteile an Oberflächenpunkte aus. Deshalb liegt der Gedanke

nahe, die Dichte der Oberflächenpunkte näher zu untersuchen. Für räumlich auf einer Fläche ver-

teilte Punkte lässt sich diese mittels eines definierten Suchfensters (Radius) berechnen (Abb. 38).

Abb 38: Prinzip der Berechnung der Punktdichte für eine Zelle


Die lokale Punktdichte stellt ein Kontinua dar, welches auf Rasterbasis berechnet werden kann.

Dabei wird die Anzahl der Punkte innerhalb des Suchradius bestimmt, in Beziehung zur Einheits-

fläche gesetzt und in die jeweilige Zelle eines definierten Rasters geschrieben. Die Formel zur Be-

rechnung der Punktdichte ergibt sich wie folgt:

²*R

np (F. 25)

Für 10 Punkte innerhalb eines Suchradius von 3,5 Meter würde man eine Punktdichte von 0,26

p/m² erhalten.

Abb. 39 zeigt das Ergebnis der Gesamtpunktdichte für einen Ausschnitt in Dresden. Deutlich er-

kennbar sind die Überlappungen der Flugstreifen, welche sich durch helle Bereiche darstellen und


65

die doppelte Punktdichte aufweisen. Zudem sind auch städtische Strukturen, wie Strassen teilwei-

se zu erkennen, da sich diese aufgrund der Oberflächenbeschaffenheit zu keinem Signal geführt

haben (Vgl. Kap. 3.2.1).

a) b) c)

Abb 39: Berechnete Punktdichte (6 m Radius) a) aller Punkte, b) der Bodenpunkte, c) der Oberflächenpunkte


Eine Berechnung der Oberflächenpunktdichte würde zu verfälschten Ergebnissen in den Überlap-

pungsbereichen führen. Auch treten unterschiedliche Punktdichten durch Schwankungen der

Fluggeschwindigkeit, der Flugbahn sowie durch die Vergrößerung des Punktabstandes quer zur

Flugrichtung auf. Somit ist die Ermittlung des Verhältnisses der Dichte der Oberflächenpunkte zur

Gesamtpunktdichte notwendig. Durch die Bildung der Relation können die Einflüsse der Auf-

nahmesituation eliminiert werden. Die relative Dichte der Oberflächenpunkte definiert sich dem-

nach durch:

[%]100Punktealle

npunkteOberfläche

PDPDPDrel (F. 26)

Abbildung 40 zeigt die relative Oberflächenpunktdichte PDrel berechnet aus den Oberflächenpunk-

ten mit verschiedenen Suchradien. Die Gebäudekanten werden mit zunehmendem Suchradius

unschärfer, wohingegen sich Bereiche mit wenigen Oberflächenpunkten gut lokalisieren lassen.

a) b) c) d)

Abb 40: Berechnung der relativen Oberflächenpunktdichte PDrel mit unterschiedlichen Suchradien:

a) 2 m, b) 4 m, c) 8 m und d) 16 m (Quelle: Eigene Bearbeitung)

Um die Wahl des optimalen Suchradius zu bestimmen wurde die Punktdichte unter Nutzung ver-

schiedener Radien berechnet und typendifferenziert ausgewertet. Dabei wurde jedem Oberflä-

chenpunkt der jeweilige Zellwert des Punktdichtebildes als Attributwert angehangen, mit den

Referenzflächen der Vegetationstypen verschnitten und statistisch ausgewertet.


66

Abb 41: Relative Punktdichte der Hauptvegetationstypen und deren Standardabweichung


Das Diagramm in Abbildung 41 zeigt zusammenfassend die Ergebnisse der ermittelten mittleren

Punkdichte sowie die zugehörigen Standardabweichungen. Trotz der Überlappungen, lassen sich

die drei Vegetationstypen am besten von einander trennen, wenn die relative Dichte der Oberflä-

chenpunkte mit einem Suchradius von 6 m berechnet wird. Dies entspricht auch etwa einem mitt-

leren Kronenradius eines Laubbaumes. In Anlage C sind die Ergebnisse der Berechnung tabella-

risch aufgeschlüsselt.

3.4.2.2. Normierte Höhe

Um den Strauchbestand, der sich durch eine relativ variierende Punktdichte auszeichnet, von dem

Laubbaumbestand zu unterscheiden, ist ein weiterer Indikator notwendig. Aufgrund der niedrigen

Höhe des Strauchbestandes bietet sich die normierte Höhe Hn als idealer Indikator an.

a) b) c) d)

Abb 42: a) Oberflächenpunkte im 2-dimensionalen Merkmalsraum: a) Strauch, b) Nadelbaum, c) Laubbaum

und d) bei einer scharfen Klassentrennung (Quelle: Eigene Bearbeitung)

Wie die Abbildung 42 zeigt, lassen sich die drei Klassen Strauch, Nadel- und Laubbaum im Merk-

malsraum von normierter Höhe und relativer Oberflächenpunktdichte mit geringen Überschnei-

Normierte Höhe Hn [m]

Rela

tive

Punk

tdic

hte

PDre

l[%

]

Normierte Höhe Hn [m] Normierte Höhe Hn [m]


67

dungen gut voneinander trennen. Abbildung 42 b verdeutlicht eine mögliche Klassenbildung unter

Annahme scharfer Intervalle.

Die Oberflächenpunkte des Strauchbestandes besitzen eine niedrige Höhe, während sich Oberflä-

chenpunkte des Nadelbaumbestandes durch größere Höhen in Verbindung mit höheren Punkt-

dichten auszeichnen. Oberflächenpunkte der Laubbaumbestände besitzen dagegen eine vorwie-

gend niedrige Punktdichte. Abbildung 42 a (Laubbaum) zeigt auch, dass unterständiger Wuchs

(dichtes Buschwerk) unter Baumkronen auftreten kann und erst durch den Indikator Höhe wei-

testgehend ausgeschlossen wird. Somit ist die Basis für eine Separation unterschiedlicher Vegetati-

onstypen, die unterschiedlich prozessiert werden müssen, geschaffen.

3.4.3. Prinzip der Korrektur

3.4.3.1. Zylinderkonstruktion

Die Grundlage für eine Separation von Bereichen des Laubbaumbestandes ist mit den Indikatoren

PDrel (relative Oberflächenpunktdichte) und Hn (normierte Höhe) gegeben. Der Einsatz einer adap-

tiven Dilatation hat den Nachteil, dass der Wert einer Zelle durch den höchsten Wert innerhalb

einer Umgebung indirekt bestimmt wird. Des Weiteren kann es bei einer rasterbasierten Korrektur

dazu kommen, dass mit zunehmenden Abstand von einem Bereich mit einer hohen Oberflächen-

punktdichte, diese abnimmt und aufgrund dessen eine ungewollte Korrektur an dieser Stelle statt-

findet. Deshalb wurde sich für den Korrekturansatz der Zylinderkonstruktion entschieden.

Die Zylinder werden dabei mithilfe den ausgearbeiteten Indikatoren in ihrer Höhe und ihrem Ra-

dius gesteuert. Dabei soll zu jedem Oberflächenpunkt im Laubbaumbestand ein Zylinder in das

interpolierte nDOM gesetzt werden. Der Zylinder kompensiert dabei den Flächenverlust mittels

des Radius R, während eine korrigierte Zylinderhöhe dem Höhenverlust entgegen wirkt.

a) b) c) d)

Abb 43: Schematische Darstellung der Korrektur für den Laubbaumbestand: a) Referenzoberflächenmodells b) Lasersig-

nal c) Konstruktion eines Zylinders d) Anwendung eines Höhenkorrekturfaktors


Abbildung 43 verdeutlicht schematisch die Situation an einem Laubbaum mit einem einzigen O-

berflächenpunkt. Jedoch wird ein Laubbaum nicht zwangsläufig mit nur einem Oberflächenpunkt

erfasst, so dass auch mehrere Zylinder mit ihrem abstrakten Volumen, den Laubbaum beschreiben.

3.4.3.2. Steuerung der Zylinderparameter

Die Steuerung der zu konstruierenden Zylinder soll in Abhängigkeit von PDrel und Hn erfolgen.

Somit ergeben sich zwei unbekannte Funktionen:


68

)PD,H( relnfR (F. 27)

)PD,H( relnfHKF (F. 28)

Eine Funktion dient der Steuerung des Radius R und eine weitere zur Steuerung des Höhenkorrek-

turfaktors HKF. Die beiden Funktionen bilden jeweils eine Verhaltensfläche in einem dreidimensi-

onalen Raum.

3.4.4. Empirische Ermittlung der Startparameter zur Zylindersteue-rung

3.4.4.1. Ermittlung der Verhaltensfläche „Zylinderradius“

Um die grobe Beziehung von PDrel zu R bzw. Hn zu R empirisch zu ermitteln, wurden für 760

zufällig gewählte Oberflächenpunkte im Vegetationsbestand jeweilige Radien konstruiert. Diese

wurden in der Form konstruiert, dass sie das Referenz-nDOM („Bertholt-Bracht-Platz“) gut „ab-

decken“ und der Flächenverlust möglichst kompensiert wird. Jedem der 760 Oberflächenpunkte

sind die Messwerte Hn, PDrel sowie der konstruierte Radius R zugeordnet und können visuell und

statistisch ausgewertet werden. Eine Visualisierung zeigte relativ gut verteilt Repräsentanten, le-

diglich fehlte es an sehr hohen Laubbaumpunkten mit niedrigen Punktdichten. Abbildung 44 a

zeigt die Triangulation der Punkte zu der Verhaltensfläche )PD,H( relnfR . Aufgrund subjekti-

ver Vermessung des Radius treten größere Schwankungen (Unsicherheiten) auf, welche sich in der

interpolierten Fläche als Rauschen widerspiegeln. Es wurde daher ein kreisförmiger Tiefpassfilter

mit einem Radius von 5 Pixel (entspricht Hn = 5 m und PDrel = 5 %) angewandt (Abb. 44 b). Für

eine Steuerung der Zylinderradien erwies sich dies als ausreichend. Abbildung 44 c veranschau-

licht die farblich kodierte Verhaltensfläche.

a) b) c)

Abb 44: Empirische Messungen (Radius) im Merkmalsraum Punktdichte und normierte Höhe:

a) interpolierte Verhaltensfläche sowie b, c) geglättete Verfaltensfläche


Rela

tive

Punk

tdic

hte

PD

rel[

%]



69

Die Verhaltensfläche zeigt, dass mit zunehmender Höhe (Hn> 5 m) und abnehmender Punktdichte

(PDrel < 60 %) die zu konstruierenden Radien größer werden müssen. Aufgrund der Glättung zeigt

sich für den Strauchbestand nur eine geringe Abnahme des Radius.

3.4.4.2. Ermittlung der Verhaltensfläche „Höhenkorrekturfaktor“

Ähnlich des Zylinderradius soll der anzuwendende Höhenkorrekturfaktor HKF durch die Indika-

toren (Hn und PDrel) bestimmt werden. Dazu wurde allen Oberflächenpunkten im Vegetationsbe-

stand die Referenzhöhe („Bertolt-Brecht-Platz“) zugewiesen und der zugehörige Soll-HKF berech-

net. Anschließend wurden die Ergebnisse visuell und statistisch ausgewertet.

a) b) c)

Abb 45: Ermittelter Höhenkorrekturfaktor im Merkmalsraum Punktdichte und normierte Höhe:

a) interpolierte Verhaltensfläche sowie b, c) geglättete Verfaltensfläche


Die Messdaten zeigen in Abbildung 45 a eine sehr hohe Varianz. Der Laserimpuls kann im Laub-

baumbestand praktisch in jeder Höhe reflektiert werden. Ein niedriger HKF signalisiert einen rela-

tiv sicheren Treffer (z.B. im oberen Geäst), während hohe Werte für einen sehr niedrigen Treffer

(z.B. im Unterholz) stehen. Die Verhaltensfläche wurde gleichermaßen mit einem kreisförmigen

Tiefpassfilter (Radius 5 Pixel) geglättet (Abb. 45 b, c).

3.4.5. Modellsteuerung mittels Fuzzy-Logik

3.4.5.1. SAMT – Fuzzy Tool

SAMT (engl. Spatial Analysis and Modelling Tool) ist eine Software zur räumlichen Modellierung von

rasterbasierten Geodaten. Diese Linux-basierte Software unterliegt der GNU-Lizenz und bildet mit

der Integration der Fuzzy-Logik (Fuzzy-Tool) und Neuronalen Netzen (NN-Tool) ein wissen-

schaftliches Werkzeug für ein weites Spektrum von Anwendungen (SAMT 2006).

Das SAMT – Fuzzy Tool ist ein Erweiterungsmodul und wurde für rasterbasierte Fuzzy-

Bewertungen konzipiert. Das Programm zeichnet sich durch eine enorme Rechengeschwindigkeit

aus und kann Geodaten in Form von ASCII-Grids lesen und schreiben.


Rela

tive

Punk

tdic

hte

PD

rel[

%]


70

3.4.5.2. Übertragung der Verhalten in Fuzzy-Modelle

Die empirisch ermittelten Verhaltensflächen dienten dem Aufbau der zwei Fuzzy-Modelle „Radi-

us“ und „Höhenkorrekturfaktor“ mit dem Programm SAMT – Fuzzy Tool (Version 0.8). Dieses

Programm erlaubt eine menü- als auch parametergesteuerte Definition von Fuzzy-Modellen. Unter

Anlage D. 1 befinden ausgewählte Screenshots der Programmoberfläche.

Abb 46: Aufbau des Korrektur-Modells aus zwei Fuzzy-Modellen


Abbildung 46 illustriert die beiden Fuzzy-Modelle, welche das Korrektur-Modell definieren. Die

Attribute Hn und PDrel der Oberflächenpunkte stellen dabei die Eingangsvariablen zur Regulierung

der Ausgabegrößen R und HKF dar.

Um die empirisch ermittelten Verhalten in Form von Fuzzy-Modellen zu halten, mussten zunächst

die linguistischen Terme und deren Zugehörigkeitsfunktionen für die zwei Indikatoren aufgestellt

(Fuzzifizierung, Vgl. Kap. 2.3.2.1). Das Fuzzy-Tool erlaubt dabei die Definition dreiecks- sowie

trapezförmiger Funktionen. Dabei musste der gesamte Wertebereich von 0 - 38 m (Hn), sowie von

0 - 100 % (PDrel) mit Zugehörigkeitsfunktionen definiert werden. Anschließend wurden die Ausga-

begrößen und die zugehörige Regelbasis als singletons (Zentralwerte) festgelegt. Die Regeln und

Ausgabegrößen wurden dabei so definiert, dass das Verhalten der Fuzzy-Modelle dem empirisch

ermittelten Verhalten für die Radienkonstruktion sowie für die Höhenkorrektur so ähnlich wie

möglich kommt. Eine Visualisierung der Verhaltensflächen kann direkt im Programm stattfinden,

so dass damit eine sehr schnelle Anpassung erreicht wurde. Als Inferenz-Operator wurde der al-

gebraische Produkt-Operator (Vgl. Kap. 2.3.2.3) verwendet. Ein Sicherheitsfaktor wurde dabei

nicht vergeben. Die Defuzzifizierung erfolgt mit der Singleton-Schwerpunktmethode (singleton

center of gravity).

3.4.5.3. Modellerweiterung durch wissensbasiertes Eingreifen

Die empirisch untersuchten Verhalten decken nur einen Teil des Oberflächenpunktdichte- und der

Höhenspektrums ab. Erst durch Überführung in Fuzzy-Modelle erlaubt das Eingreifen, die Defini-

tion weiterer wissensbasierter Regeln oder die Integration eines Korrekturfaktors. So kann z.B.

Korrektur-Modell(Zylinderkonstruktion)

Fuzzy-Modell

Radius

Fuzzy-Modell

Höhen-korrekturfaktor

Obe

rfläc

henp

unkt

e

Zylin

der

)( reln PD,HfR )( reln, PDHfHKFx,y,z


71

davon ausgegangen werden, dass Bäume in Dresden keine Höhe von 38 m überschreiten und so-

mit der Höhenkorrekturfaktor mit zunehmender Höhe abnehmen muss. Auch darf für relativ

niedrige Oberflächenpunkte im möglichen Strauchbestand (Hn <2 m) kein zu großer Zylinderradi-

us konstruiert werden, wohingegen für sehr hohe Punkte mit einer niedrigen Oberflächenpunkt-

dichte sehr große Radien nötig werden.

3.4.6. Modellkalibrierung

3.4.6.1. Kalibrierung auf Basis des Referenzdatensatzes „Bertolt-Brecht-Platz“

Die Haltung des Korrekturmodells in Fuzzy-Modelle gestattet das Finetuning zur Optimierung der

adaptiven Korrektur. Die Generierung und das Einsetzen der Zylinder in das Vegetations-nDOM

allein durch Benutzung der initialen Fuzzy-Modelle zeigt eine deutliche Verringerung der Grünvo-

lumenresiduen gegenüber der Referenz (Tab. 14). Die immense Unterschätzung des Laubbaumbe-

standes von ursprünglich 95 % konnte damit auf 21 % reduziert werden, währenddessen der

Strauch- und Nadelbaumbestandes halbwegs unberührt von der Korrektur bleibt.

Tab. 14: Korrigiertes Grünvolumen auf Basis der empirisch ermittelten Startparameter

Sträucher(<3 m)

Nadelbaum(3-30 m)

Laubbaum(3-30 m)

Referenz-Grünvolumen in Summe [m³/m²] 1,80 12,13 14,63

Unkorrigiertes Laser-Grünvolumen in Summe [m³/m²] 1,41 11,74 0,70

Korrigiertes Volumen auf Basis der empirisch ermittelten Startparameter in Summe [m³/m²] 1,87 12,40 11,57

Volumendifferenz auf Basis der empirisch ermittelten Startparameter im Vergleich zur Referenz [m³/m²] -0,07 -0,27 3,05

Die visuelle Betrachtung des Vegetations-nDOM auf Basis der empirischen Startparameter zeigt

zwar, dass die Radien und Höhen der Zylinder gut konstruiert wurden, es aber Lücken gibt (21 %

Unterschätzung), die auf das komplette Fehlen von Laserpunkten zurückzuführen ist. Somit wur-

de eine weitere Höhenkorrektur zum Ausgleich dieser Lücken notwendig und konnte durch eine

geringfügige Anhebung der modellierten Zylinderhöhen in dem Fuzzy-Modell „Höhenkorrektur“

erreicht werden. Mittels dieses Vorgehens muss in Kauf genommen werden, dass es bei vorhande-

nen Laubbaummesspunkten zu einer überhöhten Baumhöhe und damit einem überhöhten Grün-

volumen kommt, welches andererseits die fehlende Laubbaummesspunkte und damit fehlendes

Grünvolumen kompensiert.

Anschließend wurden im Kalibrierungsprozess beide Fuzzy-Modelle (Radius und HKF) mithilfe

des Referenzmodells (Bertolt-Brecht-Platz) optimiert. Dazu wurden die prozentualen Differenzen

des Grünvolumens für die jeweiligen Vegetationstypen (blau), des Gesamtgrünvolumens (grün),

sowie das Grünvolumen verschiedener Bebauungstypen (gelb) berechnet (Tab. 15). Die höchste

Priorität bei der Modellkalibrierung hatten die typendifferenzierten Referenzflächen. Dabei galt

das Optimierungsprinzip „Trial and Error“ bis die gemittelten prozentualen Differenzen gegen-

über dem Referenzmodell minimiert wurden.


72

Tab. 15: Grünvolumendifferenzen ausgewählter Versuche beim Kalibrierungsprozess

Versuch Nr. Ref. 51 59 61 62 63 65

FM Radius Nr. 25 28 28 28 29 31

FM HKF Nr. 10 15 17 18 18 18

Referenztypen nGV

[m³/m²] GV

[m³/m²] SD[%]

GV[m³/m²]

SD[%]

GV[m³/m²]

SD[%]

GV[m³/m²]

SD[%]

GV[m³/m²]

SD[%]

GV[m³/m²]

SD[%]

Laubbaum 67 14,63 12,09 -17,36 13,53 -7,51 13,32 -8,95 13,76 -5,94 14,60 -0,20 13,47 -7,92

Nadelbaum 32 12,13 11,59 -4,47 11,70 -3,56 11,70 -3,56 11,73 -3,32 12,09 -0,35 11,71 -3,48

Strauch 28 1,80 1,85 2,75 1,88 4,42 1,84 2,20 1,84 2,20 1,84 2,20 1,84 2,20

Vegetations-nDOM

Bertold-Brecht-Platz 1 3,93 3,45 -12,21 4,00 1,78 3,94 0,18 4,08 3,82 3,77 -4,07 4,00 1,78

Blockgeometrie Offene Blockbebau-ung (2) 4 1,53 1,53 0,00 1,64 7,19 1,61 5,23 1,68 9,80 1,59 3,92 1,65 7,84Zeile/Reihenbebauung (3) 5 1,35 1,28 -5,19 1,44 6,67 1,41 4,44 1,48 9,63 1,32 -2,22 1,38 2,22Einzel- /Doppelhaus (4) 4 1,41 1,49 5,67 1,57 11,35 1,54 9,22 1,59 12,77 1,50 6,38 1,52 7,80

Mischformen (5) 1 1,49 2,26 51,37 2,58 72,81 2,56 71,47 2,72 82,18 2,44 63,43 2,62 75,49großflächige Bebau-ung (6) 1 1,77 1,36 -23,16 1,37 -22,60 1,36 -23,16 1,38 -22,03 1,33 -24,86 1,35 -23,73Grünland/ Gärtnerei (B) 8 7,62 7,37 -3,28 8,70 14,17 8,45 10,89 8,75 14,83 7,71 1,18 8,23 8,01

Parks/Zoo (C) 2 7,78 6,22 -20,05 6,99 -10,15 6,89 -11,44 7,08 -9,00 6,71 -13,75 7,12 -8,48

Blockrestfläche (L) 28 3,01 3,28 8,97 3,82 26,91 3,78 25,58 4,01 33,22 3,56 18,27 3,81 26,58

Gemittelte Relative Abweichungen [%]

Referenztypen 0 -6,36 -2,22 -3,44 -2,35 0,55 -3,07

Vegetations-nDOM 0 -12,21 1,78 0,18 3,82 -4,07 1,78

Blockgeometrie 0 1,79 13,29 11,53 16,43 6,54 11,97FM – Fuzzy-Modell, GV – Grünvolumen, SD –Standardabweichung, n-Anzahl

Jeder Versuch setzt sich aus der Anwendung der jeweils durchnummerierten Fuzzy-Modelle zu-

sammen. Versuch Nr. 63 mit dem Fuzzy-Modell Radius Nr. 29 und dem Fuzzy-Modell HKF Nr. 18

zeigte die besten Ergebnisse bei Betrachtung der typendifferenzierten Grünvolumendifferenzen,

auch wenn bei Anwendung dieser Korrektur das Gesamtgrünvolumen des Bertolt-Brecht-Platz um

ca. 4 % unterschätzt wird. Bei Betrachtung der Grünvolumen der Blocktypenkartierung fällt aber

auf, dass der Großteil dieser Gesamtunterschätzung durch die Parkanlagen verursacht wird, da

diese im Mittel um 1 m³/m² unterschätzt wird. Für die Typen Mischformen und Großflächige Bebau-

ung weicht das Grünvolumen um mehr als 20 % ab. Allerdings befindet sich nur jeweils eine kleine

Fläche im Untersuchungsgebiet.


73

a) b)

Abb 47: Verhaltensflächen der Fuzzy-Modelle für die Steuerung der a) Zylinderradien und der b) Höhenkorrekturfaktor


Die endgültigen Regeln und deren Ausgabegrößen der Fuzzy-Modelle, welche die Zylinder steu-

ern sind in der Anlage D. 2 dargestellt.

3.4.6.2. Ergebnisse

Die berechneten Grünvolumen nach Anwendung der optimierten Korrektur sind in Tabelle 16

aufgeführt. Dabei ist eine deutliche Verbesserung des Grünvolumens für den Laubbaumbestand

zu erkennen, ohne die Grünvolumen für den Strauch- oder Nadelbestand zu beeinflussen.

Tab. 16: Laser-Grünvolumen nach Modellkalibrierung im Vergleich zur Referenz

Sträucher (<3 m)

Nadelbaum(3-30 m)

Laubbaum (3-30 m)

Referenz Grünvolumen in Summe [m³/m²] 1.80 12,13 14,63 Unkorrigiertes Laser-Grünvolumen in Summe [m³/m²] 1.41 11.75 0,70 Korrigiertes Laser-Grünvolumen in Summe [m³/m²] 1,84 12,09 14,60 Volumendifferenz im Vergleich zur Referenz [m³/m²] -0,04 0,04 0,03

Eine in Abbildung 48 dargestellte 3D-Visualisierung des unkorrigierten, des korrigierten und des

Referenz-Vegetations-nDOMs zeigt eine eindeutige Verbesserung des nDOMs durch die ange-

wandte Korrektur. Bei näherer Betrachtung fallen im Laubbaumbestand auch kleinere Lücken auf,

während in anderen Bereichen etwas zu große Zylinder konstruiert wurden. Auf diesen Teil wird

in der Fehlerabschätzung in Kapitel 4.3. näher darauf eingegangen.

Abb 48: 3D-Visualisierung des nDOMs mit Integration der Gebäudemodelle für das Untersuchungsgebiet: a) unkorri-

giertes Laser-nDOM, b) Referenz-nDOM und c) korrigiertes Laser-nDOM


Normierte Höhe Hn [m] Normierte Höhe Hn [m]

Rela

tive

Punk

tdic

hte

PDre

l [%

]

Rela

tive

Punk

tdic

hte

PDre

l [%

]


74

3.4.7. Implementierung der Kronenformkorrektur

3.4.7.1. Problem der Kronenform

Ein bis jetzt noch nicht berücksichtigter Faktor ist die Kronenform. Da ein nDOM nur eine 2,5-

dimensionale Abbildung ist, ein Baum aber aufgrund seiner Form in der Realität ein 3-

dimensionales Objekt darstellt, muss eine Kronenformkorrektur eingeführt werden. Um die Ver-

gleichbarkeit mit dem Referenz-nDOM zu gewährleisten, ist diese Korrektur der letzte Arbeits-

schritt. Deshalb verliert das mit einer Kronenkorrektur behaftete Oberflächenmodell den Vergleich

zum Referenzmodell.

Bei Nadelbäumen ist die Kronenform zu vernachlässigen, da sie meist kegelförmig ein voll ausge-

fülltes Grünvolumen unterhalb des nDOM besitzen (GROßMANN et al. 1984). Die Laubbäume hin-

gegen werden in dem Modell mittels Zylinder modelliert, füllen aber durch ihre in Wahrheit mehr

kugelige Form nicht alles unterhalb des nDOM aus.

ARLT et al. (2005) entwickelten zur Kronenformkorrektur des Laubbaumbestandes eine pauschale

Verhältniszahl (auch Formzahl), welche die Beziehung eines Kugelvolumens zu einem Zylindervo-

lumen definiert. Durch Nutzung von Formel F. 3 und Formel F. 4 (s. Kap. 2.1.3) ergibt sich bei der

Annahme von h = 2r ein Verhältnis von 2/3. Der Faktor wäre somit 0,67.

Allerdings ist die Annahme einer Kugelform recht abstrakt, so dass man nicht bei allen Laubbäu-

men von einem kugeligen Erscheinungsbild ausgehen kann. Beispielsweise besitzt eine Pappel im

Gegensatz zur Eiche eine grundlegend andere Form. Da Dresden über ein Baumkataster (meist

Straßenbäume) verfügt, konnten diese zur Ermittlung eines Formfaktors ausgewertet werden.

3.4.7.2. Ermittlung eines pauschalen Kronenformkorrekturfaktors durch Auswertung der Statistiken des Baumkatasters Dresden

Eine modellgesteuerte baumartenabhängige Kronenformkorrektur kann mit den vorliegenden

Laserscannerdaten nicht realisiert werden, da sich mittels der herausgearbeiteten Indikatoren keine

Laubbaumarten separieren lassen. Gründe hierbei liegen in der Tatsache, dass für jede Baumart

unterschiedliche Baumhöhen (altersbedingt) und Punktdichten vorliegen, so dass sich keine gut

abgrenzbaren Klassen herleiten lassen. Somit kann die Kronenformkorrektur nur pauschaler Art

sein und auf alle Laubbaumarten angewandt werden.

Das Grünflächenamt Dresden stellte eine Baumstatistik auf Basis des vollständigen Baumkatasters

Dresdens zur Verfügung. Dieses beinhaltete insgesamt 66 427 Bäume in 75 verschiedenen Gattun-

gen, welche allerdings nicht verortet und ohne Attribute vorlagen. Eine Analyse des Baumradius-

Baumhöhen-Verhältnis eines verorteten und attributierten Datenausschnittes zeigte, dass ohne

Wissen der Kronenlänge kein Volumen und somit auch kein Kronenkorrekturfaktor herausgear-

beitet werden konnte. Deshalb sind empirisch die Korrekturfaktoren für die am häufigsten vor-

kommenden Laubbaumarten (22 Gattungen von insgesamt 75) herausgearbeitet worden.


75

Zunächst wurden digitale Laubbaumsilhouetten der Literatur und dem Internet entnommen und

ausgewertet. Durch Digitalisierung der Baumkonturen im Aufriss konnten binäre Bilder erzeugt

werden. Bei der Auswahl der repräsentativen Bilder wurde darauf geachtet, dass die Abbildungen

in einer möglichst orthogonalen Projektion vorliegen. Die Formzahl (Kronenkorrekturfaktor) ent-

spricht nun dem Verhältnis von Baumfläche (schwarz) zum umschreibenden Rechteck. Da die

Bäume als rotationssymmetrisch angenommen werden können, entspricht das Flächenverhältnis

dem Volumenverhältnis. Abbildung 49 zeigt das Beispiel einer binarisierten Abbildung eines A-

hornbaum. Die Formzahl beträgt in diesem Fall 0,61.

a) b)

Abb 49: Beispiel eines Ahornbaumes: a) Aufriss, b) binarisierte Hülle

(Quelle: a) ZUSE INSTITUT BERLIN (2006), b) Eigene Bearbeitung)

Nach Aufbereitung und Ermittlung der Formzahlen liegen diese für 63 323 von 66 427 Straßen-

bäumen, also ca. 95 % des im Baumkataster erfassten Bestandes, vor. Abbildung 50 veranschaulicht

die variierenden Formzahlen sowie die relative Verteilung der Laubbaumarten im Kreisdiagramm.

Mithilfe der Statistik über die Anzahl der Gattungen wurden diese Formzahlen gewichtet und zu

einem pauschalen Formkorrekturfaktor der Laubbäume zusammengefasst. In Anlage E sind die

einzelnen ermittelten Formzahlen aufgeführt. Es ergab sich für den Laubbaumbestand ein anzu-

wendender Formkorrekturfaktor von 0,631.

a)

Baumarten und deren ermittelten Formzahlen

0,00

0,10

0,20

0,30

0,40

0,50

0,60

0,70

0,80

Linde

Ahorn

Eiche

Kastan

ie

Kirsch

e, Pfla

ume

Esche

Birne

Platane

Weißdorn

Eberes

che

Pappe

lBirk

e

Scheina

kazie

Schnurb

aum

Haselnuß

Zierapfe

lUlm

e

Hain-/W

eißbu

che

Weide

Lede

rhülsen

baum

Ginkgo

Buche

Baumart

Form

zahl

b)

Anteile verschiedener Baumarten auf Basis des Baumkatasters

Linde 25%

Ahorn 23%

Eiche 7%Kastanie 6%

Kirsche, Pflaume 4%

Esche 3%

Birne 3%

Platane 3%

Weißdorn 3%Eberesche 3%

Pappel 2%

Birke 2%Scheinakazie 2%

Schnurbaum 2%Haselnuß 1%Sonstige 5% ohne Formfaktor 5%

Abb 50: Ergebnisse der Formzahlermittlung: a) Formzahlen für häufige Baumarten und

b) deren Anteile im Baumkataster Dresden (Quelle: Eigene Bearbeitung)


76

3.4.7.3. Einbindung der Kronenformkorrektur in das Fuzzy-Modell HKF

Die Integration des Kronenformkorrekturfaktors erfolgte durch Multiplikation des Faktors (0,631)

mit den definierten Ausgabegrößen des Fuzzy-Modells HKF, welche für die Höhenkorrektur des

Zylinders zuständig sind. Die Anwendung des Faktors darf somit nur bei der Klassifikation als

Laubbaumpunkt, also bei einem ausreichend hohen Oberflächenpunkt (Hn = „kleiner Baum“,

„mittlerer Baum“ oder „Hoher Baum“), welcher gleichzeitig durch eine geringe lokale Oberflä-

chenpunktdichte (PDrel = „niedrig“ oder „sehr niedrig“) gekennzeichnet ist, stattfinden. Die Integ-

ration der Kronenformkorrektur im Fuzzy-Modell ist in Anlage D. 2 (grau schattierte Felder) er-

sichtlich.

3.4.8. Behandlung von Rasen, Wiesen und Ackerflächen Rasen, Wiesen, Kräuter und Ackerflächen besitzen einen hohen ökologischen Wert. Da diese Flä-

chen durch ihre geringe Höhe und stark saisonal bedingte Beschaffenheit (Ackerfruchtstand) nicht

durch den Laserscanner erfasst werden können (Vgl. Kap. 3.2.2.3), sind pauschale Volumenab-

schätzungen notwendig. Als geometrische Basis können leicht verfügbare Geobasisdaten wie klas-

sifizierte CIR-Luftbilder oder bereits vorliegende Geometrien dienen.

Rasen- und Wiesenflächen besitzen nach GROßMANN et al. (1984) eine mittlere Grünhöhe von

0,1 m. Die Integration erfolgt durch Anwendung eines Korrekturaufschlages von 10 cm (entspricht

einem spezifischen Grünvolumen von 0,1 m³/m²) für alle Grünflächen, welche im nDOM keine

ausgeprägte Höhe besitzen. Selbiges Verfahren muss auch für sämtliche landwirtschaftlich genutz-

ten Flächen erfolgen, welche in der Regel mehr Grünvolumen aufweisen als Rasen. Für diese Flä-

chen wird ein pauschaler Wert von 50 cm (0,5 m³/m²) vorgeschlagen.

3.4.9. Klassifizierung des Vegetations-nDOMs Die Untersuchungen der Punktdichte haben einen Zusammenhang zur Vegetationsdichte gezeigt.

Mit wenigen Ausnahmen, kann man z.B. bei einer sehr dichten Vegetationsdecke mit zugehörigen

Mindesthöhen davon ausgehen, dass es sich um einen Nadelbaumbestand handelt. Deshalb ist es

möglich den anstehenden Vegetationsbestand im nDOM zu klassifizieren. Dabei können die in

Tab. 17 aufgezeigten Klassen mittels der relativen Oberflächenpunktdichte, der Vegetationshöhe

und mit den externen Vegetationsmasken definiert werden.

Tab. 17: Berechnungsvorschrift der Klassifikation des Vegetations-nDOMs

Klasse im Vegetations-nDOM Laser-Vegetations-nDOM Hn [m]

Oberflächen-punktdichte PDrel [%]

Rasen-maske*

Acker maske*

Niedrige Vegetation (Buschwerk) 2,0 - 0 0 Dichte hohe Vegetation (meist Nadelbaum) >2,0 >30,0 0 0 Lockere hohe Vegetation (meist Laubbaum) >2,0 30,0 0 0 Rasen 0 - 1 0 Acker 0 - 0 1

* 0 - ja, 1 - nein

Kapitel 4.1 - Aufbereitung der Eingangsdaten

77

4. Berechnung des städtischen Grünvolumens am Beispiel der Stadt Dresden

Nach der Entwicklung der Methodik und der Kalibrierung des Korrekturmodells sollte im Auftrag

des Stadtumweltamtes eine Grünvolumenberechnung für die gesamte Stadtfläche Dresdens

(328 km²) vorgenommen werden. Ziel war es, das spezifische Grünvolumen auf Basis der digitalen

Blockkarte 1: 5 000 zu bestimmen. Auf diesen Geometrien aufbauend werden seit Jahren für stadt-

ökologische Untersuchungen alle Blöcke auf Basis von Satelliten- und Luftbilddaten einem vor-

herrschenden Stadtstrukturtyp zugeordnet (MEINEL & HENNERSDORF 2004). Im Folgenden wird das

Gesamtverfahren zur Berechnung vorgestellt. Neben der Aufbereitung der Eingangs- und Kon-

trolldaten (Kap. 4.1), gefolgt von der Implementierung der Korrektur sowie der Verschneidung mit

den Geometrien (Kap. 4.2), wird insbesondere auf eine Genauigkeitsabschätzung eingegangen

(Kap. 4.3). Abschließend werden die Ergebnisse bewertet, in Form von Karten präsentiert sowie

eine Gesamtbilanz anhand eines Kostenbeispiels gegeben (Kap. 4.4).

4.1. Aufbereitung der Eingangsdaten

4.1.1. DatengrundlageFür die blockbezogene Grünvolumenberechnung wurden neben den Laserscannerdaten weitere

verfügbare Geodaten hinzugezogen und aufbereitet. Verwendet wurden folgende Daten:

– Klassifizierte 3D-Laserscannerpunktdaten (Winter 2002)

– Geliefertes 1m-Raster-DGM zur Normierung der Oberflächenpunkte

– Color-Luftbild (Sommer 1999) zur Erzeugung einer Vegetationsmaske

– Color-Luftbild (Frühjahr 2003/2004) als Grundlage visueller Überprüfungen

– Stadtstrukturtypenkartierung Dresden (Stand 2004) als Bezugsgeometrie für die Grünvolu-

menberechnung

– Gebäudegeometrien einer Versiegelungskartierung (2000)

Nach der Datenaufbereitung sollen folgende Eingangsdaten zur Grünvolumenberechnung zur

Verfügung stehen:

– Normierte Oberflächenpunkte

– Normalisiertes Oberflächenmodell (nDOM)

– Vegetationsmaske

– Stadtstrukturtypenkartierung Dresden (Stand 2004) als Bezugsgrundlage


78

4.1.2. Arc/Info-DatenimportDie klassifizierten Bodenpunkte (*.grd) und die Oberflächenpunkte (*.obf und *.kbt) wurden

jeweils in das Arc/Info-Coverage importiert, so dass sich pro ALK-Block zwei Datensätze ergaben

(obf und bod). Aufgrund einer räumlichen Überlappung von ca. 30 m zwischen den einzelnen

ALK-Blöcken treten redundante Punkte auf, welche mittels Wandlung in ein TIN beseitigt wurden.

4.1.3. Bildung von Blöcken zur optimalen Datenverarbeitung Wegen der enormen Datenmenge von ca. 18.7 GB (ca. 300 Millionen Punkte) wurde eine Struktu-

rierung der Daten in insgesamt 18 Blöcken vorgenommen, um die Handhabung zu erleichtern.

4.1.4. Normierung der Lasermesspunkte Um die normierte Höhe (Oberflächepunkthöhe über der Erdoberfläche) zu erhalten, wurden die

DGM-Höhen jedem Oberflächenpunkt als Attribut angehangen und die Differenz zur Oberflä-

chenpunkthöhe gebildet. Die Bodenpunkte und die normierten Oberflächenpunkte dienten als

Eingangsdaten der folgenden Korrekturmethode.

4.1.5. Interpolation des normierten Digitalen Oberflächenmodells Bei dem gelieferten von TopScan GmbH interpolierten DOM wurde bei der Prozessierung mit

Maximumfilter gearbeitet (Vgl. Kap. 3.1.3.2), welche sich ungünstig auf die Gebäudekanten aus-

wirken (s. Abb. 51 c).

a) b)

c) d)

Abb 51: Generierung des nDOMs: a) Color-Luftbild (Frühjahr 2003), b) nDOM abgeleitet

aus dem gelieferten DGM und DOM, c) erneut interpoliertes nDOM und

d) interpoliertes nDOM nach morphologischer Filterung (Closing)



79

Darüber hinaus zeichnete sich das nDOM durch eine sehr geglättete Oberfläche aus und bietet

daher ungünstige Bedingungen für eine genaue Betrachtung des Grünvolumens. Deshalb wurde

erneut ein nDOM aus den auf Null gesetzten Bodenpunkten und den normierten Oberflächen-

punkten interpoliert.

Um den negativen Einfluss einzelner Treffer am Boden bei dichter Vegetation (s. Abb. 51 c) zu

eliminieren, wurde eine morphologische Filterung Closing (Dilatation mit anschließender Erosion)

mit einem kreuzförmigen Strukturelement von 3x3 Pixel angewandt (s. Abb. 51 d). Somit konnten

kleine Lücken geschlossen werden, ohne dabei geradlinige Kanten zu verändern. Das nDOM in

Abbildung 51 d bildet die Basis für die weiteren Berechnungen.

4.1.6. Erzeugung der Vegetationsmaske Die Methoden zur Erzeugung der Vegetationsmaske wurden bereits in Kapitel 3.3.2 getestet. Für

Dresden lagen zwar CIR-Daten aus dem Jahr 1999 vor, allerdings nur in einer analogen und damit

für die Prozessierung ungeeigneten Form. Eine Alternative bildete in diesem Fall ein Color-

Luftbildmosaik aus dem Jahr 1999. Durch die Berechnung und Binarisierung des NDGRVI konnte

eine vorläufige Grünmaske erzeugt werden.

Da allerdings einige Gebäude mit sehr dunklen Dächern ohne einen Infrarot-Kanal schlecht von

beschatteter Vegetation getrennt werden konnten, wurden die mit 2 m gepufferten Gebäude-

grundrisse der Versiegelungskartierung hinzugezogen (Vgl. Kap. 3.3.2.3). Die falsch klassifizierten

Gewässerflächen konnten mit Hilfe der Geometrien der Strukturtypenkartierung identifiziert wer-

den. Da der Strukturtyp allerdings nach dem Flächendominanzprinzip zugewiesen wurde, konn-

ten nicht alle Gewässer übernommen werden, so dass zusätzliche Editierungen nötig waren. Be-

dingt durch die Inaktualität des verwendeten Color-Luftbildmosaiks (1999) und der Versiege-

lungskartierung (2000) war es notwendig, weitere Digitalisierungen (ca. 2 000 Polygone) vorzu-

nehmen. Als Grundlage diente des nDOM (2002) und das Luftbildmosaik der Winterbefliegung

von 2003/04. Digitalisiert wurden unter anderem fehlende nicht erkannte Gebäude, Aufschüttun-

gen, Teile industrieller Anlagen, Züge, Schiffe, Kräne und restliche Gewässerflächen.

Somit setzte sich die Vegetationsmaske aus den folgenden Daten zusammen:

– Binäre Grünmaske (Color-Luftbild 1999)

– Gebäudegeometrien

– Binäre Maske der Gewässerflächen (abgeleitet aus Strukturtypenkartierung)

– Binäre Maske zusätzlich digitalisierter Objekte

Diese Datensätze wurden mittels logischem UND miteinander verknüpft. Trotz des genannten

zusätzlichen Aufwandes, bildet die Vegetationsmaske eine gute Grundlage zur Ausschneidung

vegetationsloser Flächen. In der Regel liegen CIR-Luftbilder vor, so dass sich eventuelle Digitalisie-

Kapitel 4.2 - Berechnung des blockbezogenen Grünvolumens für das Stadtgebiet Dresden

80

rungen und die Verwendung einer Gebäudemaske erübrigen würden. Abbildung 52 zeigt das

Ergebnis der Vegetationsmaske zur Ausscheidung der anthropogenen Objekte.

a) b)

Abb 52: a) Color-Luftbild und b) die daraus abgeleitete Vegetationsmaske


4.2. Berechnung des blockbezogenen Grünvolumens für das Stadtgebiet Dresden

4.2.1. Implementierung des KorrekturverfahrensDer Arbeitsablauf erfolgte größtenteils mithilfe von Programmen in der Programmiersprache Arc

Macro Language (AML), welche einzelne Prozessierungsschritte blockweise unter dem Software-

paket Arc/Info Workstation von ESRI abarbeiten. Das SAMT Fuzzy Tool diente der Steuerung der

Zylinder mittels Fuzzy-Logik. Unter Anlage I sind die wichtigsten Ausschnitte des Programmco-

des der AMLs zu finden.

Das interpolierte nDOM bildete die Ausgangssituation für die Korrektur, in welches die Zylinder

hineingesetzt werden. Die Berechnung der relativen Dichte der Oberflächenpunkte (Vgl.

Kap. 3.4.2.1) mit einem Suchradius von 6 m erfolgte mit dem Programm pointdensity.aml. Er-

gebnis war ein Rasterbild, welches die Werte von 0 (kein Oberflächenpunkt) bis 100 (alles Oberflä-

chenpunkte) annehmen konnte. Um die Trennung des Laubbaumbestandes zu optimieren, wurden

im Voraus die Oberflächenpunkte ( 2 m) in Bodenpunkte umklassifiziert

[obf_lt2m_to_bod.aml]. Dies vermied das Vortäuschen einer zu hohen Punktdichte bei unter-

ständigem Buschwerk unter Laubbäumen, was die Konstruktion keiner bzw. zu kleiner Zylinder

verhinderte.

Im Anschluss wurden die Original-Oberflächenpunkte mithilfe der Vegetationsmaske maskiert, so

dass nur noch die Punkte erhalten blieben, welche sich innerhalb der Vegetation befanden. Diese

Maskierung ist eigentlich nicht nötig, da das Korrekturverfahren den Vegetationsbestand automa-

tisch erkennt und nur diesen korrigiert. Allerdings konnte damit die zu prozessierende Datenmen-

ge um ca. die Hälfte gesenkt werden. Weiter wurden mittels einer Bedingung alle Punkte elimi-


81

niert, welche 38 Meter sind [intersect_mask.aml]. Die Anzahl der ausmaskierten normierten

Oberflächenpunkte, welche tatsächlich in die Korrekturmethode einflossen, betrug 31 572 535

Punkte, was ca. 46 % aller Oberflächenpunkte darstellte (Vgl. Kap. 3.1.3.1, Tab. 7).

Weiter wurde jedem Oberflächenpunkt der Wert der Rasterzelle aus dem Oberflächenpunktdich-

tebild zugewiesen [get_pointdensity.aml]. Anschließend erfolgte schnittstellenbedingt eine

Umwandlung der Attributtabellen in eine ASCII-Datei (ascin.dat) mit den Spalten PDrel und der

Hn [unload.aml]. Die ASCII-Dateien dienen als Eingangsdatensatz für die zwei Fuzzy-Logik-

Berechnungen (Radius und Höhenkorrekturfaktor) mit der Software SAMT, welche jeweils eine

einspaltige Ausgabedatei produzieren. Die Fuzzymodelle sind mit den Dateien fm_radius.fis

sowie fm_hkf.fis definiert. Die Ausgabewerte werden in der Datei ascout.dat (Radius) sowie

ascfactout.dat (Höhenkorrekturfaktor) abgelegt.

Eine Integrierung der Fuzzy-Modelle in die Arc/Info-Umgebung nach HEDEL (2004) wurde ange-

dacht, aufgrund der großen Datenmenge aber nicht realisiert, da diese eine zu lange Rechenzeit

mit sich führen würden. Das SAMT- Fuzzy Tool zeichnet sich durch eine enorm hohe Geschwin-

digkeit in der Linux-Umgebung aus. Für die 31 Millionen Ausgabewerte mit zwei Eingabegrößen

benötigten die Berechnungen nur 10 Minuten. Die SAMT Software ist auf einer bootfähigen

KNOPPIX Live-CD integriert, und kann an gewöhnlichen Standardrechnern ohne Linux-

Betriebssystemen verwendet werden.

a) b) c)

Abb 53: Korrektur des nDOMs: a) Color-Luftbild (1999), b)unkorrigiertes nDOM, c) korrigiertes nDOM

Die eigentliche Korrektur erfolgte anschließend unter Arc/Info. Es wurden mithilfe der Ausgabe-

dateien (ascout.dat und ascfactout.dat) und den Höhen der Oberflächenpunkte die Zylinder

mit dem Radius und der korrigierten Höhe in das nDOM gesetzt [construct_cylinder.aml].

Dabei werden die Daten nach der neuen korrigierten Höhe aufsteigend sortiert, so dass bei Zylin-

derüberlappungen kein niedriger Zylinder einen höheren überschreiben kann (Höhendominanz-

prinzip). Abbildung 53 zeigt einen Ausschnitt des korrigierten nDOM im Vergleich zum unkorri-

gierten nDOM bzw. dem Color-Luftbild.


82

4.2.2. Eliminierung anthropogener Objekte Um aus dem korrigierten nDOM ein Vegetations-nDOM zu erhalten, wurde dieses mit der Vegeta-

tionsmaske verschnitten und die Zellwerte, welche sich nicht innerhalb der Vegetation befanden,

auf Null gesetzt (Abb. 54 c).

a) b) c)

Abb 54: Ergebnis der Eliminierung anthropogener Objekte: a) Luftbild (1999), b) Vegetationsmaske und

daraus c) abgeleitetes Vegetations-nDOM

4.2.3. Pauschaler Aufschlag für Rasen, Wiesen und Ackerflächen Die pauschalen Volumenabschätzungen für Rasen und Ackerflächen wurden bereits in Kapi-

tel 3.4.8 erörtert. Mithilfe der Raster-Algebra kann der pauschale Aufschlag des Grünvolumens für

Rasen- und Wiesenflächen (0,1 m³/m²) und für Ackerflächen (0,5 m³/m²) erfolgen.

Die Grünhöhe landwirtschaftlich genutzter Flächen (Ackerflächen) wurde dem Laser-Vegetations-

nDOM aufgeschlagen, sofern

– die Stadtstrukturtypenkartierung vom Typ Ackerfläche (A) ist,

– sich die Flächen innerhalb der Vegetationsmaske befinden und

– das Laser-Vegetations-nDOM eine Höhe von 0 besitzt.

Mit Rasen- und Wiesenflächen wurde ähnlich verfahren. Eine Addition von 0,1 m³/m² auf das

Vegetations-nDOM erfolgte wenn

– sich die Flächen innerhalb der Vegetationsmaske befinden,

– die Flächen in der Stadtstrukturtypenkartierung nicht vom Typ Ackerfläche (A) sind,

– keine Gewässer darstellen (aus Digitalisierung)

– das Laser-Vegetations-nDOM eine Höhe von 0 besitzt.

Somit ist die Berechnungsgrundlage für das blockbezogene Grünvolumen gegeben.


83

4.2.4. Berechnung des blockbezogenen GrünvolumensFür die Berechnung des blockbezogenen spezifischen Grünvolumens findet eine hybride räumli-

che Verschneidung der Geometrien der digitalen Blockkarte 1: 5 000 mit dem korrigierten Vegeta-

tions-nDOM statt. Dabei wird für jeden Block (Polygon) der zonale Mittelwert des Vegetations-

nDOM herausgelesen und als Attribut angehangen [greenvolume.aml]. Das Absolutvolumen

ergibt sich dann aus der Multiplikation des spezifischen Grünvolumens mit der Polygonfläche.

Das Grünvolumen liegt somit für jedes Polygon als absolute sowie spezifische Angabe vor.

4.2.5. Berechnung der GrünvolumenanteileWegen der relativ guten Trennbarkeit der Vegetationstypen über die Oberflächenpunktdichte

konnten die Anteile der Volumen aus dem Vegetations-nDOM über die in Kapitel 3.4.9, Tabelle 15,

aufgezeigte Berechnungsvorschrift separiert werden. Auf Basis der Stadtstrukturtypenkarte erfolg-

te die Berechnung der Grünvolumenanteile pro Baublock mittels gleichen Vorgehens wie für die

Gesamtgrünvolumenberechnung. Die daraus abgeleiteten Volumenanteile wurden ebenfalls in

absoluter [m³], spezifischer [m³/m²] sowie in anteiliger [%] Form als Attribut der Strukturtypen-

kartierung angehangen. Die Abbildung 55 zeigt das geschummerte Vegetations-nDOM, eingefärbt

nach den klassifizierten Vegetationstypen Rasen, Strauch sowie Laub- und Nadelbaum.

a) b)

Abb 55: Grundlage zur Berechnung der Grünvolumenanteile: a) Color-Luftbild (1999), b) klassifiziertes Vegetations-

nDOM mit halbtransparenter Schummerung als Grundlage zur Berechnung der Grünvolumenanteile: blau - Nadel-

baum, grün - Laubbaum, braun - Strauch, hellgrün – Rasen


4.2.6. Berechnung der Vegetationsflächenanteile Die Vegetationsflächenanteile wurden aus dem klassifizierten Vegetations-nDOM durch eine Ab-

frage abgeleitet. Der Flächenanteil „lockerer hoher Vegetation“ (Laubbaum) kann dabei etwas un-

terschätzt werden, da die nicht erkannten Bäume lediglich durch eine Höhenkorrektur der Zylin-

der ausgeglichen werden, nicht aber in der Fläche (dem Radius). Die anteilige Angabe erfolgt in

Prozent an der Blockfläche.

Kapitel 4.3 - Fehlerabschätzung

84

4.3. FehlerabschätzungUm eine Genauigkeitsabschätzung machen zu können, wurden externe Kontrolldaten hinzugezo-

gen und mit den Ergebnissen der Grünvolumenberechnung verglichen. Dazu waren zunächst ei-

nige Aufbereitungen nötig. Im Anschluss dieses Teils werden einige synoptische Anmerkungen

bezüglich zur Genauigkeit gegeben, welche nicht in Zahlen wiederzugeben sind.

4.3.1. Aufbereitung der Kontrolldaten

4.3.1.1. Auszug verorteter Straßenbäume des Baumkatasters Dresden

Vom Grünflächenamt (GFA) der Stadt Dresden wurden ein Auszug der Baumkatasterdaten, wel-

cher ausschließlich verortete Straßenbäume Dresdens beinhaltet, zur Verfügung gestellt. Diese

Daten dienen im Folgenden als Kontrolldaten zur Evaluierung der Genauigkeit der Grünvolumen-

berechnung. Neben dem Alter, der Baumart lagen die Baumhöhe, sowie der Kronendurchmesser

vor. Von 7 342 Bäumen (28 verschiedene Baumarten) konnten insgesamt 7 153 verwendet werden,

da für einige Bäume keine Höheninformation oder die Kronendurchmesser vorlagen. Die als Excel-

Tabellen gelieferten Daten konnten über eine ASCII-Datei in ein Arc/Info-Coverage überführt

werden. Dabei wurden die Parameter Lage (x, y), Höhe und der Kronenradius benutzt, um Baum-

zylinder zu definieren. Diese Zylinder konnten in einem weiteren Schritt räumlich mit den Laser-

scannerdaten oder dem Luftbild verschnitten oder überlagert werden (s. Kap. 4.4.3).

4.3.1.2. Daten des Forstlichen Geoinformationssystems (FGIS)

Das Landesforstpräsidium Graupa (LFP) stellte einen Ausschnitt aus dem Forstlichen Geoinforma-

tionssystem (FGIS) für das Stadtgebiet Dresden in Form einer relationalen Datenbank (Walddaten-

bank – WDB) und den zugehörigen Geometrien (Forstgrundkarte) zur Verfügung. Um eine relativ

gut vergleichbare Datengrundlage zu schaffen, mussten zunächst die flächenbezogenen Volumen

auf Basis der Verbindungsadresse (BEADR) aus der Walddatenbank ermittelt werden.

Da die geometrischen Flächen in der Datenbank in weitere Teilflächen aufgeteilt sind, musste eine

Abfrage unter ©Microsoft Office Access erfolgen. Das Volumen ermittelte sich aus den Anteilen der

bestandenen Flächen, deren Baumoberhöhen, der Schichtart und dem jeweiligen Bestandes-

schlussgrades. Tabelle 18 zeigt die verwendeten Attribute und deren Herkunft (Tabelle, Spalten-

name) aus der Walddatenbank.

Tab. 18: Übersicht der verwendeten Attribute aus der Walddatenbank

Bezeichnung Spaltenname in Tabelle Tabelle in WDB Teilflächenanteile Anteilflaeche Exp4_baumartenzeile Baumoberhöhe Oberhoehe Exp4_baumartenzeile Bestandesschlussgrad (von räumdig (0,3) bis gedrängt (1,2)) Bestandesschluss Exp3_schicht Schichttyp (Unterstand, Nachwuchs, Oberstand) Schicht Exp4_baumartenzeile Baumart Ba Exp4_baumartenzeile Forsteinrichtungsstichjahr Stichj Exp1_teilflaeche


85

Zunächst wurden die nach Baumarten untergliederten Teilflächenanteile mit der Oberhöhe multip-

liziert. Da der Waldbestand in Schichten weiter differenziert ist, wurden nur die Flächenanteile

benutzt, welche den Schichttyp „Nachwuchs“ oder „Oberstand“ besitzen. Der Schichttyp „Unter-

stand“ besitzt durch den Vergleich mit dem 2,5-dimensionalen Vegetations-nDOM nur dann eine

Bedeutung, wenn weitere obere Schichten existieren und nicht vollkommen geschlossen sind. Der

Bestandesschlussgrad ist dem Kronenschlussgrad gleichzusetzen und wurde mit dem Volumen

multipliziert. Die Summe aller Volumen der Teilflächen sowie das Stichjahr und auch der Baumtyp

(Laub, Misch oder Nadelwald) wurden dem Polygon als Attribut hinzugefügt.

Die Daten wurden für die jeweiligen Flächen in unterschiedlichen Forsteinrichtungsstichjahren

aufgenommen (1981-2003). Um unterschiedliche Erhebungszeitpunkte (die wuchsbedingt unter-

schiedliche Baumhöhen bewirken) zu vermeiden, wurden nur Daten aus dem Jahre 1994 benutzt.

Es muss hier darauf hingewiesen werden, dass nicht alle Polygonadressen des FGIS (13 % des Be-

stands) eine Entsprechung in der Walddatenbank fanden (Tab. 19).

Tab. 19: Flächenanteile der verwendeten Geometrien der Forstgrundkarte

Fläche [m²] Anzahl der Flächen

Forstgrundkarte mit Eintrag in der WDB 57 301 771 m² 1 850

Forstgrundkarte mit Eintrag in der WDB und Stichjahr 1994 50 754 195 m² 1 559

Forstgrundkarte – Dresden 65 575 311 m² 2 777

Von den gelieferten Geometrien der Forstgrundkarte konnten somit 77 % verwendet werden und

dienten als Basis für den Vergleich mit dem laserbasierten Vegetations-nDOM (s. Kap. 4.3.4).

4.3.2. Analyse auf Basis des Referenzdatensatzes „Bertolt-Brecht-Platz“Eine Genauigkeitsbewertung des geschätzten Grünvolumens offenbart sich als recht problema-

tisch. Dies liegt u. a. am Fehlen ausreichend genauer flächendeckender Referenzdaten. Das photo-

grammetrisch aufgenommene Untersuchungsgebiet „Bertolt-Brecht-Platz“, mit den dazugehörigen

Referenzflächen, bot zwar eine ausreichende Genauigkeit und Vergleichbarkeit, dennoch ist es mit

einer Ausdehnung von 520 x 514 Meter nicht sehr umfassend. So deckte das Referenzgebiet insge-

samt nur 28 Polygone der Strukturtypenkartierung (ohne Blockrestfläche) vollständig ab, wovon

wiederum nur 15 Polygone einem Bebauungstyp angehören.

Als Vergleichsdaten standen weiterhin die verorteten Baumkatasterdaten und relevante Teile des

sächsischen FGIS zur Verfügung. Die Daten des Baumkatasters beschränken sich nur auf Straßen-

bäume, die Daten des FGIS decken hingegen nur den Waldbestand ab. Schlussfolgerungen konn-

ten somit nur auf vollständig begrünte Flächen übertragen werden.

Im Folgenden wird eine Differenzanalyse des Untersuchungsgebietes auf Rasterbasis, auf Basis der

Vegetationstypen und der Stadtstrukturtypenkartierung gegeben. Eine anschließende verbale Ab-

schätzung der Fehler und deren Quellen tragen zum besseren Verständnis der schwierigen Frage

nach der Bestimmungsgüte bei.


86

4.3.2.1. Bildung des Differenz-nDOMs

Zunächst wurde das korrigierte Vegetations-nDOM (1m Rasterweite) mit dem photogrammetrisch

erhobenen Referenzmodell verglichen. Da dieses nur die Oberfläche beschreibt und die Kronen-

form nicht berücksichtigt, musste für eine Vergleichbarkeit auch beim Vegetations-nDOM auf die

Baumkronenkorrektur vorerst verzichtet werden.

Tab. 20: Spezifisches Gesamtgrünvolumen („Bertolt-Brecht-Platz“)

Spezifisches Grünvolumen [m³/m²]

Referenz-nDOM 3,93 Laser-nDOM 3,77 Differenz 0,16

Bei Betrachtung des Gesamtgrünvolumens in Tabelle 20 des Untersuchungsgebiets („Bertolt-

Brecht-Platz“) ist eine Gesamtdifferenz des spezifischen Grünvolumens von 0,16 m³/m² festzustel-

len. Da dieses Referenzmodell zur Kalibrierung der Korrekturparameter verwendet wurde, und

die bebauten Flächen Dominanz bei der Optimierung hatten, entsteht diese Grünvolumendifferenz

wegen der geringen Unterschätzungen der Gebiete des Großen Gartens.

4.3.2.2. Berechnung der Residuen für unterschiedliche Rasterweiten

Um eine Genauigkeitsabschätzung für die auf Basis der Stadtstrukturtypenkarte abgeleiteten

Grünvolumen zu bekommen, würde die Angabe der Standardabweichung des Differenz-nDOM

(Referenz-Vegetations-nDOM – Laser-Vegetations-nDOM) nicht repräsentativ sein. Ferner hängt

die Genauigkeit der ermittelten Volumen von der Größe der Bezugsfläche ab. Dafür wurden die

Standardabweichungen des Differenz-nDOM mit verschiedenen Rasterweiten untersucht (Tab. 21).

Tab. 21: Standardabweichung des Differenz-nDOMs in Abhängigkeit der Rasterweite

Rasterweite [m]

Zellgröße [m²]

SD (Differenz-nDOM) [m³/m²]

1 1 6,20 (158 %) 5 25 4,90 (125 %)

10 100 3,90 (99 %) 15 225 3,16 (80 %) 20 400 2,70 (69 %) 25 625 2,44 (62 %) 30 900 2,10 (53 %) 35 1 225 1,86 (47 %) 40 1 600 1,74 (44 %) 45 2 025 1,49 (38 %) 50 2 500 1,47 (37 %) 55 3 025 1,36 (35 %) 60 3 600 1,30 (33 %) 65 4 225 1,27 (32 %) 70 4 900 1,15 (29 %) 75 5 625 0,98 (25 %) 80 6 400 1,08 (28 %) 85 7 225 1,04 (27 %) 90 8 100 1,00 (25 %) 95 9 025 1,08 (28 %)

100 10 000 0,93 (24 %)


87

Die erzeugten Zellgrößen sind auf die Polygongrößen der Stadtstrukturtypenkartierung übertrag-

bar. Die Abhängigkeit der Genauigkeit von der Bezugsflächengröße ist der Tabelle 21 oder dem

Diagramm in Anlage G. 1 zu entnehmen. Je kleiner die Bezugsfläche ist, desto ungenauer ist das

Grünvolumen.

Folglich spielt die Größe der Bezugsfläche bei der blockbezogenen Berechnung eine große Rolle

und es gilt, je größer eine Fläche ist, desto genauer kann die Grünvolumenangabe gemacht wer-

den. Eine Abschätzung des Fehlers ist nun über die Kenntnis der mittleren Größe der Blöcke der

Stadtstrukturtypenkartierung möglich. Sie beträgt 15 000 m² (ohne Einbeziehung der Blockrestflä-

che) und liegt damit noch über dem höchsten Wert der Zellgröße (10 000 m²) in Tabelle 21.

4.3.2.3. Berechnung des Korrelationskoeffizienten für unterschiedliche Rasterweiten

Eine ähnliche Verbesserung der Ergebnisse ist bei Betrachtung des Korrelationskoeffizienten zwi-

schen dem Laser-Vegetations-nDOM und dem Referenz-Vegetations-nDOM (Tab. 22) festzustellen.

Es ist ersichtlich, das der Koeffizient bei einer Rasterweite von 1 Meter sehr gering ist. Dies ist

durch die kurzwelligen Differenzen begründet. Verwendet man größere Rasterweiten bei der Un-

tersuchung, ergeben sich Koeffizienten bis 0,97 (Rasterweite 100 m).

Das dazu dargestellte Diagramm in Anlage G. 2 zeigt eine logarithmische Annäherung des Korre-

lationskoeffizienten an den Wert 1 bei zunehmender Rasterweite. Die Rasterweite lässt sich hier

wiederum auf die Bezugsflächengröße übertragen. Bei der Annahme einer Bezugsfläche von

100 x 100 Metern beträgt der Korrelationskoeffizient 0,97.

Tab. 22: Korrelation der Zellwerte zwischen dem Laser- und

Referenz-Vegetations-nDOM in Abhängigkeit der Rasterweite

Raster-weite [m]

Zellgröße [m²]

Korrelationskoeffizient r (Pearson)

1 1 0,654 5 25 0,728

10 100 0,789 15 225 0,837 20 400 0,867 25 625 0,885 30 900 0,906 35 1 225 0,921 40 1 600 0,928 45 2 025 0,941 50 2 500 0,942 55 3 025 0,946 60 3 600 0,948 65 4 225 0,947 70 4 900 0,954 75 5 625 0,965 80 6 400 0,962 85 7 225 0,961 90 8 100 0,962 95 9 025 0,959

100 10 000 0,971


88

4.3.2.4. Analyse auf Basis unterschiedlicher Vegetationstypen

Um die Genauigkeit differenziert nach den Vegetationstypen zu betrachten, wurden die Referenz-

flächen der Hauptvegetationsarten als Basis hinzugezogen. Die ursprünglich immense Unterschät-

zung des Volumens der Laubbäume (90 %) konnte in Summe ausgeglichen werden, während das

Volumen der Nadelbäume und der Sträucher nahezu unverändert blieb (Vgl. Kap 3.4.6.2, Tab. 16).

Die Volumendifferenzen zeigen allerdings größere Schwankungen (Tab. 23), welche durch zum

Teil sehr kleine Referenzflächen begründet sind. Sträucher sind mit ihrer niedrigen Höhe und den

kleinen Referenzflächen sehr sensibel und haben aber einen sehr geringen Anteil am Gesamtgrün-

volumen (1,5 % des Gesamtgrünvolumens von Dresden).

Tab. 23: Standardabweichung der Differenzen des Vegetations-nDOM bezüglich der Referenz

Sträucher (<3 m)

Nadelbaum(3-30 m)

Laubbaum (3-30 m)

Flächenanzahl 28 32 67 Gemittelte Standardabweichung der Differenzen bezüglich der Referenz ±68 % ±14 % ±41 %

Nadelbaumbestand kann mit einer Genauigkeit von ±14 % bestimmt werden. Die Schwankungen

von ±41 % im Laubbaumbestand begründen sich durch den Ausgleich der Baumlücken mit einem

Aufschlag auf die Höhe bei der Modellierung. Dabei kann es zu örtlichen Unter- und Überschät-

zungen kommen, welche sich allerdings beim blockbezogenen Volumen in Grenzen halten. Folg-

lich hängt die Genauigkeit der Grünvolumenbestimmung von dem vorliegenden Vegetationstyp

ab.

4.3.2.5. Analyse auf Basis der Stadtstrukturtypenkartierung

Weiter wurde das Laser-Vegetations-nDOM auf Basis der Blockstrukturtypen mit der Referenz

verglichen. Da das Referenzgebiet des „Bertolt-Brecht-Platzes“ recht klein ist, existieren nur weni-

ge repräsentative Flächen. Trotz der geringen Anzahl sind hier einige Ergebnisse zusammenge-

fasst.

Die Tabelle 12 zeigt die berechneten Volumen (aus der Summe des Volumens und der anschlie-

ßenden Relativierung bezüglich der Fläche) des jeweiligen Strukturtyps und deren Differenzen. Es

kommen nur die aufgezählten Strukturtypen innerhalb des Untersuchungsgebietes vor und diese

teilweise auch nur mit einem Repräsentanten. Es sind nur in Parkanlagen geringe Volumendiffe-

renzen festzustellen. Die bebauten Flächen werden recht gut abgebildet (s. Abb. 56).


89

Tab. 24: Grünvolumen und dessen Differenzen für verschiedene Strukturtypen Offene Bebau-ung (2)

Zeilen-bebauung

(3)

Einzel-/ Doppel-haus (4)

Misch-form (5)

Großflächige Bebauung (6)

Grünland / Gärtnerei

(B)

Parks (C) Block-restflä-che (L)

AlleBlöcke

Anzahl der Flächen 4 5 4 1 1 8 2 28 53 Fläche [m²] 21 111 45 786 43 547 8 000 2 322 12 700 79 818 53 854 267 136 GVReferenz[m³/m²] 1,53 1,35 1,41 1,49 1,77 7,62 7,78 3,01 3,94 GVLaser (unkorrigiert) [m³/m²] 0,39 0,21 0,60 0,15 0,17 0,09 0,41 0,25 0,35 GVLaser (korrigiert) [m³/m²] 1,59 1,32 1,50 2,44 1,33 7,71 6,71 3,56 3,77 GVDifferenz[m³/m²] -0,05 0,04 -0,09 -0,95 0,43 -0,09 1,07 -0,55 0,17

GV - Grünvolumen

Die Ermittlung der Varianz erfolgte über alle Grünvolumendifferenzen der Blöcke (Tab. 13). Die

Blockrestfläche wurde dabei separiert ausgewertet, da sie mit ihren oft sehr kleinen Flächen andere

Eigenschaften aufweist. Es fällt auf, dass für diese statistische Auswertung die Anzahl der Flächen

sehr gering ist. Es ist für die Bebauungstypen daher eine Genauigkeit von ±60 % zu rechnen. Die

Blockrestflächen besitzen mit den Straßenbäumen eine höhere Standardabweichung, da es sich

zum Teil um sehr kleine Flächen mit Laubbaumbewuchs handelt.

Tab. 25: Gemittelte Grünvolumen, Differenzen und deren Standardabweichung auf Basis der Strukturtypen

Strukturtyp Flächen-anzahl

Mittl. GVReferenz

[m³/m²]

Mittl. GVLaser (unkorrigiert)

[m³/m²]

Mittl. GVLaser (korrigiert)

[m³/m²]

Mittl. GVDifferenz [m³/m²] und deren SD [%]

Alle 53 3,15 0,29 3,51 -0,36 ±58 % (2, 3, 4, 5, 6) 15 1,30 0,34 1,53 -0,23 ±58 % (C, B, L) 38 3,88 0,26 4,30 -0,41 ±55 % Blockrestfläche (L) 28 2,70 0,31 3,55 -0,85 ±73 % (C, B) 10 7,18 0,14 6,40 0,78 ±29 %

GV - Grünvolumen

Abbildung 12 zeigt das in Grauwerten kodierte Differenz-nDOMs (Referenz-nDOM – laserbasier-

tes Vegetations-nDOM) überlagert mit der Blockkarte. Blaue Flächen schließen auf eine Überschät-

zung durch das laserbasierte nDOM. Dies betrifft zum Großteil Blockrestflächen, aber auch Typen

der Bebauung. So ragen z. B. große konstruierte Zylinder von der Blockrestfläche (begrünte Straße)

in eine Zeilenbebauung hinein und können das Volumen dieser Fläche sehr schnell verdoppeln

(Abb. 56). In der Realität profitieren diese Flächen von begrünten Nachbarflächen und Baumkro-

nenüberhänge sind kein Einzelfall. Bei Betrachtung der einzelstehenden Mischfläche mit einer

Grünvolumenüberschätzung von 0,95 m³/m² (s. Abb. 56 und Tab. 25) wird deutlich, wie viel Ein-

fluss ein einzelner zu groß konstruierter Zylinder auf das Endergebnis hat. Dadurch, dass die Kro-

nenformen sehr variabel sein können, kann es im Einzelfall immer wieder zu Über- oder Unter-

schätzungen kommen.


90

1,060793

-0,000971

0,016386

-0,068108

0,191949

-0,067750

0,940943

-0,946592

0,064402

-0,558099

-0,411430

-0,276679

0,4093402,905480

-2,255618

-0,009069

-1,470874-2,013604

-0,199575

1,050239

-0,161052

0,126523

-2,799348

0,432908

-0,427574

3,214975

-1,165588

-0,731452

-1,873421

-0,559252

1,772690

-0,211928

0,111937

-1,671290

0,238885

-1,989072

-1,265670

0,351723

-6,461405

-0,847956

1,115742

-0,144714

-0,161291

-1,008597

-3,348852-1,077955

0,0402600,119575

-0,001579

6,025580

-0,0000430,000155

-5,7169180,140364

0,426980

1,154537

LegendStrukturtypenkartierungVolumendifferenz [m³/m²]

<-5,00

> -5,00 - -2,00

> -2,00 - -1,00

> -1,00 - -0,50

> -0,50 - 0,50

> 0,50 - 1,00

> 1,00 - 2,00

> 2,00 - 5,00

> 5,00

Abb 56: Grauwertkodiertes Differenzmodell (hell – positiv, dunkel – negativ) mit

überlagerten Blockgeometrien und dessen Differenzen


4.3.3. Analyse auf Basis der verorteten StraßenbäumeZum Vergleich des Grünvolumens im Straßenbereich wurden die verorteten Geometrien mit dem

korrigierten nDOM (inkl. Baumkronenkorrektur) räumlich verschnitten. Als Gesamtreferenzvolu-

men dienten die Zylinder (Höhen und Kronendurchmesser) der Referenzbäume, welche ebenfalls

mit einer Kronenformkorrektur über die ermittelten Formzahlen (Vgl. Kap. 3.4.7) versehen werden

mussten, um die Vergleichbarkeit zu gewähren. Das Wissen der Kronenlänge der Einzelbäume

hätte eine bessere Abschätzung der Straßenbaumvolumen erzielt, diese Größe gehört aber nicht zu

den Inventarisierungsparametern des Dresdner Baumkatasters. Die Anzahl der Lasertreffer sowie

das entsprechende Volumen für jeden Straßenbaum konnte mittels der konstruierten Zylinder der

Oberflächenpunkte erfolgen und jedem verorteten Baum zugeordnet werden. Die Ergebnisse der

Volumendifferenz sind in Tabelle 26 dargelegt.

Tab. 26: Laser-Grünvolumen im Vergleich zu den verorteten Straßenbäumen

Baumvolumen aller verorteten Bäume [m³]

Baumvolumen aller vom Laser erkannten verorteten Bäume [m³]

Grünvolumen (Straßenbäume) 3 406 237 2 583 252 Laservolumen 2 388 028 2 388 028 Differenz 1 018 209 (29,9 %) 195 224 (7,6 %)

Es wird eine Gesamtvolumenunterschätzung von 30 % deutlich, welche auf das Nichtvorhanden-

sein von Lasermesspunkten höher als 2 Meter (24 % des Volumens werden dabei eingebüßt) und

auf eine Volumenunterschätzung von 8 % aller vom Laser erkannten Bäume zurückzuführen ist.

Von 6 809 Bäumen werden lediglich 3 478 (51 %) vom Laser erfasst. Nennenswert ist, dass sich das

mittlere Baumvolumen der 3 331 nicht erkannten Straßenbäume auf ca. 230 m³, der Kronenradius

im Mittel auf 2,5 Meter, der Stammdurchmesser im Mittel auf 21 cm und die Baumhöhe im Mittel

ca. 9 Meter beläuft.

Legende


91

a) b) c)

d) e) f)

Abb 57: Überlagerung der Kronenradien der verorteten Straßenbäume mit: a, d) Luftbild (Sommer 1999), b, e) Luftbild

(Frühjahr 2004), c, f) Laser-Vegetations-nDOM


Bei einer Überlagerung der Baumkatasterdaten mit dem Luftbild und dem Laser-nDOM werden

die Probleme deutlich (Abb. 57 a – c). Allerdings fällt auch auf, dass die vom GFA ermittelten Kro-

nenradien z. T. größer sind als in der Realität (Abb. 57 d – f).

4.3.4. Analyse auf Basis des FGIS Die Aufbereitung des Vergleichsdatensatzes auf Basis des FGIS wurde bereits erläutert. Bei Be-

trachtung der absoluten Volumen fällt eine Differenz gegenüber dem Lasermodell von knapp 20 %

auf. Diese Volumendifferenzen begründen sich aus der vereinfachten Annahme eines Quaders bei

der Ermittlung des Volumens der Walddatenbank. Selbst im Nadelbaumbestand (Laserscannerda-

ten werden in der Literatur oft als Referenzdatensatz verwendet) ist bei der Betrachtung trotz der

8 Jahre Zeitunterschied kein Zuwachs des Bestandes zu erkennen, obwohl Nadelbäume gegenüber

Laubbäumen schneller wachsen.

Weiter kann sich nach mündlicher Mitteilung von Herrn Seiger (LFP) der Verlass auf den Bestan-

desschlussgrad als problematisch herausstellen, da die stichprobenartige Aufnahme einen „hohen

Grad an Subjektivität“ besitzt. Der Bestandesschluss gibt an, wie dicht der Baumbestand einer Art

auf einer Fläche vertreten ist. Die Kronenform wird dabei nicht berücksichtigt, was bei einem Na-

delbaumbestand mit kegelförmigen Baumformen zu einer großen Überschätzung führt.

Trotz diesem unzureichend vergleichbaren Datensatz sind die Ergebnisse hier zusammengefasst.

Die Tabelle 27 zeigt die Volumen, Standardabweichungen und die Korrelation der ermittelten Vo-


92

lumen aus der Walddatenbank und den aus dem korrigierten Lasermodell. Der Korrelationskoeffi-

zient von 0,93 deutet auf einen hohen Ähnlichkeitsgrad des absoluten Laservolumens gegenüber

dem Referenzvolumen (WDB) hin. Ein Diagramm verdeutlicht dies in Anlage G. 3.

Tab. 27: Berechnete Grünvolumen der Walddatenbank im Vergleich zum Laser-Grünvolumen

Gesamt Laub Nadel Mischwald Anzahl der Flächen 1 559 176 362 1 021 Fläche [m²] 50 754 195 3 031 441 10 038 967 37 683 787 Walddatenbank (WDB) [m³] 681 954 950 44 433 100 99 925 600 537 596 250 Laserunkorrigiert [m³] 362 304 113 4 851 040 88 836 224 268 616 848 Laserkorrigiert [m³] 549 868 888 38 079 396 97 845 613 413 943 879 Differenz (Laserkorrigiert – WDB) [m³] 132 086 061 6 353 704 2 079 987 123 652 371

Differenz (Laserkorrigiert – WDB) [%] 19,37 14,30 2,08 23,00 SD der Differenzen [%] 53,60 54,80 40,60 51,10 Korrelationskoeffizient r der Volumina 0,93 0,92 0,96 0,93

Die Standardabweichung der Differenzen liegt im Mittel bei ±50 %. Dies spiegelt selbst im Nadel-

baumbestand große Unsicherheiten wider (±40 %). Bei Betrachtung der spezifischen Laser-

Grünvolumen in unterschiedlichen Höhenklassen liegt das Volumen von Baumbeständen (<5 m)

über dem Volumen aus der Walddatenbank. Baumbestände hoher Bäume dagegen deuten auf ein

niedrigeres Laser-Volumen hin. Der Scatterplot und das zugehörige Diagramm verdeutlichen die

unterschiedlichen Volumendifferenzen (Tab. 58).

Volumendifferenzen in verschiedenen Höhenklassen

-250

-200

-150

-100

-50

0

50

100

<2m

2- <

4m

4 - <

6m

6 - <

8m

8 - <

10m

10 -

<12m

12 -

<14m

14 -

<16m

16 -

<18m

18 -

<20m

20 -

<22m

22 -

<24m

24 -

<26m

26 -

<28m

28 -

<30m

30m

Höhenklasse

Volu

men

diffe

renz

[%]

Abb 58: Volumendifferenzen auf Basis der Polygone der Forstgrundkarte in

Abhängigkeit der Bestandesoberhöhe aus der Walddatenbank

Die Differenzen im niedrigen Baumbestand deuten auf einen schnellen Wuchs von Jungpflanzen

im Zeitraum von 1994 (WDB – Erhebung) bis 2002 (Laserscanneraufnahme) hin. Die positiven Dif-

ferenzen im ausgewachsenen Bestand können durch die Gleichsetzung des sehr subjektiven Be-

standesschlusses mit dem Kronenschluss begründet sein. Selbst die Flächen mit vollem Nadel-

baumbestand >10 m³/m²) haben eine positive Volumendifferenz von 22 %.

Die Daten der Walddatenbank konnten folglich nicht als Referenzdatensatz, sondern lediglich als

begleitende Kontrolldaten gesehen werden. Wenn auch die Volumen der Walddatenbank von dem

Lasermodell abweichen, so lässt sich zumindest ein starker linearer Zusammenhang im Absolutvo-

lumen zwischen beiden Modellen feststellen.


93

4.3.5. Synoptische Anmerkungen zur GenauigkeitÜber die Genauigkeit des Endergebnisses einer blockbezogenen Grünvolumenbestimmung ent-

scheiden mehrere verschiedene Faktoren. Diese werden hier kurz erläutert. Wie deutlich wurde,

liegen die größten Unsicherheiten im Laubbaumbestand, welcher ca. die Hälfte des gesamten

Grünvolumens des Stadtgebietes Dresdens ausmacht. Das Fehlen der Firstpulse-Information und

der suboptimale Aufnahmezeitpunkt machten eine massive Korrektur nötig. Man beachte, dass

das Volumen des Laubbaumbestandes (Bertolt-Brecht-Platz) „verzwanzigfacht“ werden musste

und daher Abweichungen konstruierter Zylinder sehr sensibel das Grünvolumen pro Bezugsfläche

beeinflussen. Der Zylinderradius und der Höhenkorrekturfaktor entstammen einem Fuzzy-

Modell, basierend auf statistischen Auswertungen. Ein Kronenradius kann demzufolge auch ein-

mal zu groß (z. B. Pappel) oder der Höhenkorrekturfaktor zu klein (z. B. bei einem zu niedrigen

Laserreflexionspunkt) sein.

Des Weiteren existiert die Diskrepanz zwischen einer Unterschätzung des Volumens in Parkanla-

gen und der Überschätzung bebauter mit Einzelbäumen bestandener Flächen (Abb. 56). Bebaute

Flächen hatten bei der Modelloptimierung Dominanz, so dass in Parkanlagen oder Laubbaumwäl-

dern mit geringen Unterschätzungen gerechnet werden muss. Auch der Vergleich mit den verorte-

ten Straßenbäumen machte deutlich, dass eine Einzelbaumbestimmung kleiner Laubbäume kaum

möglich ist. Der Ausgleich der Lücken erfolgte über einen Aufschlag in der Höhe der Zylinder,

was bedeutet, dass die Zylinderhöhen nicht mehr der realen Höhe entsprechen. Gerade kleinere

Bäume mit einem kleinen Stammdurchmesser können wegen des geringen Laserpunktdurchmes-

sers von ca. 25 cm nur mit einer geringen Wahrscheinlichkeit erfasst werden. Dies betrifft zum

Großteil Neuanpflanzungen von Straßenbäumen, welche überhaupt nicht bzw. höchstens durch

einen einzigen Laseroberflächenpunkt erfasst werden. Weiter kann es durch Straßenlaternen, Wä-

schepfähle, Palisaden o. ä. zu Überschätzungen kommen, da ein einzelner genügend hoher Punkt

einen Laubbaum vortäuschen kann.

Der Unsicherheit der Laubbaumvolumenschätzung liegt demzufolge eine Reihe verschiedener

Faktoren zugrunde. Die Angabe der Volumenanteile des Laubbaumbestandes (hohe lockere Vege-

tation) pro Baublock kann dabei eine hilfreiche Information sein. Setzt sich das Grünvolumen zu

einem Großteil aus dichter Vegetation zusammen, so kann man mit einer höheren Genauigkeit

rechnen, als bei einer komplett von Laubbäumen bestandenen Fläche. Einen weiteren großen Ein-

fluss auf das Gesamtergebnis hat die Grünmaske. Fehlklassifikationen durch Schattenschläge von

Gebäuden können dabei zu Volumenüberschätzungen durch parkende Autos o. ä. führen. Weiter

kann es aufgrund der Aufnahmegeometrie des Color-Luftbildmosaiks zu perspektivischen Verzer-

rungen der Baumkronen kommen, welche die Laserscannerdaten mit einem Versatz ausmaskiert.

Die vereinfachte Annahme eines pauschalen Formfaktors kann in manchen Laubbaumbeständen

zu Über- oder Unterschätzungen führen. Literatur zu Formzahlen städtischer Laubbäume gibt es

kaum, so dass eigene zufällig gewählte Bilder der Baumgattungen als repräsentativ angenommen

Kapitel 4.4 - Bewertung der Ergebnisse

94

werden. Natürlicherweise kann jeder Baum einer Art unabhängig vom Alter eine abweichende

tatsächliche Formzahl besitzen. Durch das Fehlen geeigneter Referenzdaten konnte der Einfluss

dieses Faktors nicht evaluiert werden.

Bei der räumlichen Verschneidung von Bezugsgeometrien mit dem Vegetations-nDOM kann es zu

Randeffekten kommen. Diese Überschätzungen innerhalb eines Bezugsblockes treten durch über-

ragende Zylinder von Nachbarblöcken auf. Ein laubbaumbegrünter Straßenzug kann durch zum

Teil zu große Zylinder das Volumen des angrenzenden versiegelten Wohnblockes z. B. verdoppeln

(Abb. 56). Zusammenfassend haben der vorliegende Vegetationstyp und die Größe der Bezugsflä-

che den größten Einfluss auf die Genauigkeit der blockbezogenen Berechnung. Die Grünvolumen-

zahl einer vegetationsbestandenen Fläche wird somit umso genauer, je größer die Bezugsfläche

und je dichter die vorliegende Vegetation geschaffen ist.

Ein aus Laserscannerdaten abgeleitetes Oberflächenmodell (DOM) beschreibt die Vegetation nur

2,5-dimensional. Eine Volumenberechnung durch Subtraktion des DGM vom Vegetations-nDOM

nimmt das gesamte Volumen unter der Vegetationsoberfläche als gefüllt an. In der Realität besit-

zen Bäume bis zum Kronenansatz nur ein Stammvolumen. Auf der anderen Seite kann aber Un-

terholz vorliegen. Beim Wissen des Kronenradius und der Baumhöhe ist das exakte Volumen noch

nicht bestimmt. Über pauschale Formzahlen kann dann das tatsächliche Volumen lediglich ge-

schätzt werden. Jungbäume sind in der Krone meist komplett mit Blättern besetzt, währenddessen

Altbäume im Kroneninneren ausgelichtet sind. Folglich führt jede Generalisierung der komplexen

Vegetation zu Unsicherheiten in der Volumenbestimmung. Eine Genauigkeitsbestimmung kann

somit nur sehr schwer in Zahlen wiedergegeben werden.

4.4. Bewertung der Ergebnisse

4.4.1. Auswertung des blockbezogenen Grünvolumens der Stadt DresdenDie Auswertung des blockbezogenen Grünvolumens ergab ein spezifisches Gesamtgrünvolumen

Dresdens von 3,08 m³/m². ARLT et al. (2005) schätzen das Gesamtgrünvolumen Dresdens auf

2,75 m³/m² (Statistik aus Biotoptypenkartierung). Die Abbildung 59 gibt einen Überblick über die

Grünvolumenausstattung einzelner Stadtstrukturtypen. In Anlage H. 1 befinden sich die zugehö-

rigen Werte mit der Standardabweichung in tabellarischer Form.

Der Grünvolumenbeitrag von Kleingärten ist mit einem mittleren spezifischen Grünvolumen von

1,02 m³/m² geringer als das vieler Bebauungstypen wie der offenen Blockbebauungen (1,2 m³/m²),

der Einzel-/Doppelhausbebauung (1,50 m³/m²) sowie der von Mischformen (1,17 m³/m²). Die

geschlossene Bebauung ist erwartungsgemäß mit einem sehr geringen Grünvolumen (0,40 m³/m²)

ausgestattet, gefolgt von der großflächigen Bebauung (0,56 m³/m²).


95

Spezifisches Grünvolumen [m³/m²]der Stadtstrukturtypen Dresdens

0,0

1,0

2,0

3,0

4,0

5,0

6,0

7,0

8,0

9,0

Gesch

losse

ne Beb

auun

g

Offene

Bebau

ung

Zeilen

/ Reih

enbe

bauu

ng

Einzel-

/Dop

pelha

us

Mischfo

rmen

Großflä

chige

Beb

auun

g

Sport/

Spielan

lagen

Kleing

ärten

Gleisa

nlage

nAck

er

Grünlan

d-/ G

ärtne

reien

Parks /Zoo

Friedh

öfe Wald

Wasse

rfläch

en

Abrgab

unge

n/ Aufs

chütt

ung

Bauste

llen

Verkeh

rsfläc

hen,

Garage

n

Brachfl

äche

n

Blockre

stfläc

he

Grü

nvol

umen

[m³/m

²]

Abb 59: Spezifisches Grünvolumen der Stadtstrukturtypen Dresdens

(Quelle: Eigene Darstellung)

Durch die sehr große Fläche der Dresdener Heide und ihrem Bestand an hohem Nadelgehölz stellt

sie über 50 % des Grünvolumens Dresdens, obwohl der Flächenanteil unter 25 % beträgt. Das größ-

te spezifische Grünvolumen erreichen Waldflächen (7,90 m³/m²), Friedhöfe (4,08 m³/m²) und

Parkanlagen (3,76 m³/m²). Die Grünvolumenanteile der Wasserflächen ergeben sich aus der Block-

kartierung, die nach Flächendominanzprinzip erfolgte. In Wasserflächen sind also häufig auch

vegetationsbestandene Randflächen enthalten. Auch der Kronenüberstand baumbestandener Ufer-

säume schmaler Fließgewässer trägt erheblich zu einem spezifischen Grünvolumen von

2,30 m³/m² für Gewässerflächen bei. Das spezifische Grünvolumen von Ackerflächen beträgt 1,20

m³/m² und liegt damit über dem festgesetzten von 0,5. Diese Abweichung wird wiederum durch

die Integration auch von baumbestandenen Flächen in Ackerflächen erklärt (Flächendominanz-

prinzip der Stadtstrukturtypenkartierung). Blockrestflächen, die in Dresden aufgrund der Netto-

blockabgrenzung nur Straßenflächen darstellen, besitzen mit 1,28 m³/m² einen ungewöhnlich ho-

hen Wert. Dieser Wert erklärt sich aus den schmalen, linienhaften Straßenflächen, die häufig durch

Straßenbäume überkront sind. Die Ergebnisse der Berechnung der typendifferenzierten Grünvo-

lumen und deren Vegetationsflächenanteile jeden Blockes sind in Anlage H. 2 gegeben. Daraus

lässt sich die Zusammensetzung des Grünvolumens einzelner Strukturtypen nachvollziehen.

Tab. 28: Anteile der Vegetationstypen am Gesamtgrünvolumen

Grünvolumen [m³/m²] Anteil [%] Niedrige Vegetation ( 2 m) 0,18 6 Hohe Vegetation (> 2 m) 2,90 94 Laubbaum (> 2 m) 1,48 48 Nadelbaum (> 2 m) 1,42 46 Gesamt 3,08 100

Eine gesamtstädtische Betrachtung ergibt, dass sich das Grünvolumen aus 48% Laubbaum, 46%

Nadelbaum und 6% Strauch-, Rasen und Ackerflächen zusammensetzen (Tab. 28).


96

4.4.2. Präsentation der Ergebnisse in Karten Die berechneten Ergebnisse des blockbezogenen spezifischen Grünvolumens wurden in Form

thematischer Karten präsentiert (s. Kartenteil). Neben dem Gesamtgrünvolumen (Karte 1) und

dem Vegetationsflächenanteil (Karte 14) wurden die spezifischen Grünvolumen einzelner Vegeta-

tionstypen differenziert in Einzelkarten (Karte 2 – 6) visualisiert. Weitere Karten zeigen hingegen

die Grünvolumenanteile (Karte 7 – 11) sowie die Grünflächenanteile der Vegetationstypen (Kar-

te 13 – 17). Die kartographische Darstellung erfolgte mittels der Flächenkartogramm-Methode

(BOLLMANN & KOCH 2002).

Das spezifische Grünvolumen (Karte 1) ist die aussagekräftigste Darstellung, da hier unabhängig

von der Blockgröße ein direkter Vergleich zwischen einzelnen Blöcken gemacht werden kann. Eine

Darstellung des absoluten Grünvolumens würde aufgrund unterschiedlicher Bezugsflächengrößen

keine Vergleichbarkeit zwischen den Blöcken zulassen und ist für die Präsentation weniger geeig-

net. Die Darstellung der Grünvolumenanteile für Laubbaum, Nadelbaum und Sträucher geben

aufschlussreiche Informationen über die Zusammensetzung der Vegetation innerhalb der Blöcke.

Aufgrund der sehr niedrigen Vegetationshöhe der Rasen- und Wiesenflächen zeigen diese in der

relativen Darstellung der Grünvolumenanteile sehr kleine Werte.

Durch die Karten werden Bereiche deutlich (Dresdner Heide), welche besonders zum Gesamt-

grünvolumen beitragen. So sind auch Gebiete im Stadtzentrum (Großen Garten und das Ostrage-

hege) deutlich zu erkennen, da sie über große baumbestandene Flächen verfügen. Kleinere Parkan-

lagen wie Wald- und Beutler Park tragen zwar nicht viel zum Gesamtgrünvolumen bei, erfüllen

aber wichtige Funktionen als lokale Grünoase.

Grünvolumendefizitbereiche werden im inneren Stadtkern klar. Die Elbwiesen zeichnen sich aller-

dings auch durch ein niedriges Grünvolumen aus, sind aber ökologisch sehr wertvoll für die

Durchlüftung der Stadt. An dieser Stelle wird es deutlich, dass mit dem alleinigen spezifischen

Grünvolumen nicht unmittelbar die ökologische Wirkung wiedergegeben wird und die Karten des

typendifferenzierten Grünflächenanteils mit Aussagen zur Grünbedeckung eine gute Ergänzung

wären.

Allerdings können auch Verkehrsflächen relativ hohe Werte annehmen. Dies ist auf den Effekt der

Baumüberschirmung und der meist sehr kleinen Bezugsfläche zurückzuführen. In der Kartendar-

stellung wurden diese Flächen nicht nach dem Grünvolumen eingefärbt, da sie eine Blockrestflä-

che bilden und für die eigentlichen Untersuchungen (Grünvolumen der Strukturtypen) nicht von

Interesse sind. Möglich wäre allerdings der Aufschlag des Volumens der adjazenten Verkehrsflä-

chen auf die jeweiligen Blöcke.

4.4.3. Inwertsetzung von Geodaten – ein Kostenbeispiel Gerade die Möglichkeit des Laserscannings Vegetation zu durchdringen und den Erdboden sowie

Gebäude mit einer hohen Punktdichte vermessen zu können, bringt dem entwickelten Verfahren


97

den Durchbruch zur operationellen Anwendung. Um eine Höhengenauigkeit im Dezimeterbereich

zu garantieren sind, wie bereits erwähnt, winterliche Befliegungen notwendig. Eine zusätzliche

sommerliche Befliegung zur Erfassung der Vegetation wäre zwar wünschenswert, die Kosten

würden allerdings in keinem Verhältnis zum Nutzen stehen.

So liegen die Kosten einer Laserscannerscannerbefliegung je nach Punktdichte zwischen 200 und

800 € / km² (BILL & SCHMIDT 2004). Zusätzlich sind 150 € / km² für die Punktklassifikation zu ver-

anschlagen (BRIESE et al. 2001). Für die Stadtfläche Dresdens von 328 km² würde die Erfassung

(500 € / km²) und Aufbereitung (150 € / km²) insgesamt 213 000 € kosten. Allein diese Zahl zeigt,

dass eine erneute Aufnahme zur alleinigen Grünvolumenbestimmung in keinem Verhältnis steht.

HECHT (2005) hat gezeigt, dass die automatische Ableitung der Vegetationsdecke durch Bildzu-

ordnungsprozesse überlappender Luftbilder zu keinen befriedigenden Ergebnissen führt. Eine

Erfassung des Grüns mittels Begehungen oder mittels stereoskopischer Luftbildauswertung würde

durch den erheblichen zeitlichen Personalaufwand ähnliche Kosten verursachen.

Die vorgestellte Methodik zur Grünvolumenbestimmung zeigt somit auf, dass eine blockbezogene

Grünvolumenberechnung mittels suboptimaler Datenlage möglich ist und ein großer Mehrwert

abgeleitet werden konnte. Da bereits viele Städte über Laserscannerdaten verfügen, könnte die

Methodik bei gleichen Flug- und Systemparametern auf andere Gebiete übertragen werden.

Kapitel 5.1 - Anwendungen in der Raumplanung

98

5. Anwendungen der Daten

Die Anwendung des spezifischen Grünvolumens ist in der Praxis kaum erprobt, da bisher keine

gesamtstädtischen Erhebungen mit hinreichender Genauigkeit vorlagen. Deshalb sollen in diesem

Kapitel Beispiele möglicher Anwendungen in der Raumplanung gegeben werden (Kap. 5.1). Wei-

ter wird das Potenzial der Daten bei Nutzung anderer Bezugsgeometrien aufgezeigt (Kap. 5.2)

und die Einbindung des Grünvolumens in Simulationen und Eignungsbewertungen (Kap. 5.3)

vorgestellt. Eine abschließende kritische Diskussion rundet das Kapitel ab (Kap. 5.4).

5.1. Anwendungen in der Raumplanung Die Raumordnung bietet Instrumente, die zu einer Verbesserung der ökologischen Qualität sowie

der Wohn- und Lebensqualität führen bzw. eine Verschlechterung verhindern können (Nachhal-

tigkeit). Richtwerte, wie die Grünvolumenzahl können dann den Zielen des Naturschutzes und der

Landschaftspflege eine angemessene Gewichtung bei der Planung verleihen (ANDREÄ 1987). Auf-

grund der Genauigkeitseinschränkungen ab einer Fläche von ca. 0,16 ha (Vgl. Kap. 4.3.2.2, Tab. 21)

können grundstücksscharfe Aussagen zum Grünvolumen nur bedingt gemacht werden, so dass

die Hauptanwendung bei der Planung im mittelmaßstäbigen Bereich liegt (z.B. Flächennutzungs-

und Landschaftsplan). In den meisten Fällen bietet die Stadtbiotoptypenkartierung eine gute

Grundlage zur flächigen qualitativen Beschreibung der Vegetation. Die Ergebnisse der Grünvolu-

menberechnung bilden somit eine neue, quantitative Komponente. Im Folgenden sollen einige

mögliche Beispiele gegeben werden, wie das Grünvolumen oder dessen Verknüpfung mit anderen

Indikatoren eingesetzt werden kann.

5.1.1. Dreidimensionale Darstellung des Grünvolumens Aufgrund dieser neuen Daten gewinnt die dreidimensionale Darstellung der Ergebnisse an Bedeu-

tung. Gegenüber einer flächenhaften Darstellung, kann bei solchen kartenähnlichen Raummodel-

len das spezifische Grünvolumen durch die Höhe der Blöcke kodiert werden. Dies hat den Vorteil

einer sehr schnellen Informationsvermittlung, da dazu keine Legende, sondern lediglich die An-

gabe der Skalierung nötig ist. Vergleiche zwischen den Blöcken lassen sich mithilfe solcher Darstel-

lungen besonders gut machen. Abbildung 60 sowie Karte 21 im Kartenteil zeigt das spezifische

Grünvolumen des Großen Gartens mit einer 10-fachen Überhöhung. Eine weitere farbliche Kodie-

rung des Grünvolumens verstärkt den Eindruck.

Kapitel 5.1 - Anwendungen in der Raumplanung

99

Abb 60: Dreidimensionale Darstellung des Grünvolumens mit einer Überhöhung von 10


Deutlich zu erkennen sind auch sehr kleine baumbestandene Flächen (z.B. grüne Verkehrsinseln),

welche zu einem sehr hohen spezifischen Grünvolumen führen und sich in der überhöhten Be-

trachtung als kleine „Türme“ darstellen. Solche Darstellungen und die Möglichkeit sich in diesem

Raum interaktiv bewegen zu können, könnten ein hilfreiches Werkzeug bei den Planungsprozes-

sen sein.

5.1.2. Berechnung der Grünzahl (GZ) Neben der reinen Betrachtung des spezifischen Grünvolumens, können weitere Berechnungen

durchgeführt werden. So kann nach GROßMANN et al. (1984) die Grünzahl, ein Produkt aus dem

spezifischen Grünvolumen (Grünvolumenzahl, GVZ) und der Bodenfunktionszahl (BFZ), berech-

net werden (Vgl. Kap. 2.1.3). Liegen keine Bodenkennwerte oder Versiegelungsgrade zur Ermitt-

lung der BFZ vor, so kann vereinfachend auch der Vegetationsflächenanteil (VFA) genutzt werden,

um den Grad der natürlichen Funktion eines Blockes von 0,0 (keine Vegetation) bis 1,0 (alles Vege-

tation) anzugeben. Im Gegensatz zur Grünzahl (im Sinne von Großmann al. 1984) besitzt diese die

Einheit m³/m².

VFAGVZGZ (F. 29)

Anlage H. 4 zeigt an einem Beispiel die Grünzahl im Vergleich zur Grünvolumenzahl. Vorteil die-

ser Zahl ist die Relativierung des Grünvolumens bezüglich der vegetationsbestandenen Fläche. So

besitzen z.B. die Elbwiesen bei einer GVZ = 0,20 m³/m² und einem VFA = 1,00 (100 %) eine Grün-

zahl von 0,20 m³/m². Eine großflächige Bebauung mit der gleichen GVZ = 0,20 m³/m² würde bei

einem VFA = 0,20 (20%) in einer sehr geringen Grünzahl von 0,04 m³/m² resultieren. Bei Fragen

des Eingriffs und Ausgleichs in der Landschaftsplanung kann die Nutzung der Grünzahl geeigne-

ter sein, da sie neben der Quantität der Vegetation auch den Grad der natürlichen Funktion bein-

haltet. Damit kann z.B. verhindert werden, dass wenige Einzelbäume ausreichend wären, eine

große geschlossene Rasenfläche auszugleichen.

Kapitel 5.2 - Grünvolumen auf Basis anderer Bezugsgeometrien

100

Für das Stadtgebiet Dresden wurde die Grünzahl berechnet. Die Grünzahl bebauter Blöcke ist

dabei um einiges geringer als die Grünvolumenzahl. Unter Anlage H. 2 sind die gemittelten

Kennwerte der Grünzahl für jeden Strukturtyp aufgezeigt.

5.1.3. Grünvolumen in Verbindung mit dem Bauvolumen Oft spielt die Ausgewogenheit zwischen der Vegetation und der Bebauung eine wichtige Rolle in

der Planung. Das spezifische Bauvolumen (BV) pro Block gibt an, wie viel Kubikmeter Baumasse

pro Quadratmeter auf einer Bezugsfläche stehen. Das Bauvolumen lässt sich mittels einer Gebäu-

demaske und dem nDOM ermitteln (Vgl. Kap. 2.4.1.1). Durch eine Differenzbildung zwischen dem

Grünvolumen (GV) und dem Bauvolumen (BV) lassen sich hoch verdichtete Bebauungen mit zu

wenig Grün identifizieren. Weiterführend bietet es sich an, einen normierten Index IGV-BV zwischen

dem GV und dem BV zu bilden, welcher wie folgt eingeführt wird:

BVGVBVGVI BVGV (F. 30)

Die normierte Differenz kann Werte zwischen -1 und +1 annehmen. So äußern sich Werte größer 0,

wenn mehr Volumen an Grün als an Baumasse vorliegt. Negative Werte stehen dabei für einen

Mangel an Grün im Gegensatz zum Bauvolumen. Der Index gibt den Grad der Natürlichkeit wie-

der, welcher am Volumen der Objekte in der Landschaft gemessen wird. Einen ähnlichen Index

ließe sich auch bezüglich der Flächen ermitteln. Eine direkte Ratio-Bildung resultiert in Werten

mit einer sehr breiten Spanne und ist deshalb weniger aussagekräftig.

Anlage H. 5 zeigt anhand eines Ausschnitts die Einfärbung wenig begrünter Blöcke unter Nutzung

des Grünvolumens, der Differenz und der normierten Differenz zum Baumvolumen. Die berech-

neten mittleren Kennwerte einzelner Strukturtypen für Dresden befinden sich in Anlage H. 3. Die

Zahl spiegelt allerdings nur ein Verhältnis wieder. So besitzt eine vegetationslose unbebaute Fläche

den gleichen Wert, wie ein Wohnblock mit einer BVZ = GVZ.

5.2. Grünvolumen auf Basis anderer Bezugsgeometrien Neben der blockbezogenen Berechnung kann das Grünvolumen auf andere Geometrien bezogen

werden. Möglich ist dabei die Verschneidung des Vegetations-nDOMs mit der Stadtbiotoptypen-

kartierung, welche mit der sehr detaillierten Aussage zur Bedeckungsart um das Grünvolumen

ergänzt werden kann. Neben dem Grünvolumen könnte auch die mittlere Grünhöhe geschätzt

werden, in dem vorab keine Kronenformkorrektur angewandt wird. Auch könnte hier die Dichte

der Vegetation von Interesse sein, so dass mit der Berechnung anteiliger Grünvolumen der hohen

dichten zur hohen lockeren Vegetation, eine Aussage zur Zusammensetzung einer Mischwaldflä-

che (z.B. 69 % Laubbäume, 30 %Nadelbäume) gemacht werden können. Obwohl die Genauigkeit

mit kleiner werdender Bezugsfläche abnimmt, so lässt das biotoptypenspezifische Grünvolumen

dennoch eine differenziertere Betrachtung zu, als das blockbezogene Grünvolumen (s. Karte 18).

Kapitel 5.3 - Einbindung des Grünvolumens in Simulationen und Eignungsbewertungen

101

Einen besten räumlichen Vergleich des Grünvolumens erhält man mittels geographischer Raster

als Bezugsgeometrien in Form koordinatengebundener Zellen. In diesem Sinne ist das Vegetations-

nDOM selbst eine solche Darstellung bezogen auf Rasterzellen mit einer Gitterweite von 1 m. Auf-

grund gleichgroßer Bezugsflächen über die gesamte Stadt, stellen die Absolutwerte zugleich Dich-

tewerte dar.

Karte 19 zeigt eine solche Berechnung auf Basis eines 100 x 100 großen Rasters. Nach Tabelle 21

(s. Kap. 4.3.2.2) lässt diese Zellgröße eine Grünvolumenberechnung mit einer Unsicherheit von

±24 % zu. Die Darstellung erlaubt räumlich fein ausdifferenzierte Werte des spezifischen Grünvo-

lumens. Abbildung 61 verdeutlicht eine mögliche Darstellung des Grünvolumens bei Planungsfra-

gen durch Überlagerung mit einer Topographischen Karte 1: 10 000 (TK 10).

Abb 61: Überlagerung des Grünvolumens bezogen auf ein Raster (100 x 100 m) mit der TK 10


Die Nutzung eines rasterbasierten Raumbezuges beginnt sich erst durchzusetzen und

PRINZ et al. (2006) sehen darin eine klare Erhöhung der Entscheidungsqualität in raumbezogenen

Fragestellungen. Erst mittels dieses Bezuges können Nachbarschaftsanalysen durchgeführt wer-

den oder Indikatoren wie das Isolations-, Lakunaritäts- sowie Verbundmaß zur Beschreibung und

Bewertung von Grünmustern berechnet werden (ARLT et al. 2005).

5.3. Einbindung des Grünvolumens in Simulationen und EignungsbewertungenNeben der planerischen Anwendung spielt das spezifische Grünvolumen eine wichtige Rolle in

der Stadtforschung, wenn es um vegetationsstrukturelle Analysen von Städten und deren Ver-

gleich geht (ARLT et al. 2002). Deshalb kann die Grünvolumenzahl als Indikator in Simulationen

von Stadtklimaszenarien (z.B. Umweltatlas) oder zur Bewertung der Wohnqualität nützlich einge-

setzt werden. Im Folgenden werden ausgewählte Anwendungsbeispiele skizzenhaft dargelegt.


102

5.3.1. Bestimmung der Wohn- und Lebensqualität Die Grünflächenausstattung einer Stadt ist ein Indikator zur Beurteilung der Wohn- und Lebens-

qualität. Somit lautet die aus menschlicher Sicht aufgestellte Formel „je mehr Grün, desto besser“.

Die Vegetation scheint dabei ein wichtiger Entscheidungsfaktor bei der Wahl des Wohnortes zu

sein.

MÖLLER & BLASCHKE (2006) berechneten deshalb einen Indikator zur Abschätzung des „Wohlfüh-

lens in einer naturnahen Umgebung“. Als Basis dienten dabei aus Fernerkundungsdaten abgeleite-

te Grün- und Gebäudeflächen. Mit Hilfe konzentrischer Kreise um jedes Wohngebäude wurden

die jeweiligen Vegetationsflächenanteile berechnet.

Weiterführend kann man diesen Ansatz durch Nutzung des Grünvolumens anstatt der nur 2-

dimensionalen Flächenverhältnisse erweitern, da das Grünvolumen noch stärker im Zusammen-

hang zur Wohnqualität steht.

Abb 62: Prinzip der Berechnung des FSV


Abbildung 62 verdeutlicht das Prinzip am Beispiel eines Ausschnittes in Dresden. Die mit jeweils

10 Meter Abständen konstruierten Kreisringe um den Zentroiden der Gebäudefläche (Flächenmit-

telpunkt) bilden die Berechnungsgrundlage. MÖLLER & BLASCHKE (2006) bezeichnen den berechne-

ten Flächenanteil der umgebenen Vegetation als FSV (engl. fraction of surrounding vegetation).

Mit der Nutzung des Vegetions-nDOMs als Basis der Berechnung werden gegenüber dem FSV

keine Flächenanteile, sondern das spezifische Grünvolumen eines jeden Kreisringes bestimmt.

Deshalb kann eine neue Größe, der FSVV (engl. fraction of surrounding vegetation volume) eingeführt

werden. Nach MÖLLER & BLASCHKE (2006) ist der Kreisring (10 – 20 m) besonders wichtig für das


103

menschliche Wohlbefinden. Durch die Berechnung des FSVV in dem Kreisring eines jeden Wohn-

gebäudes können anschließend Aussagen zur Grünausstattung bzw. zur Wohnqualität oder sogar

zur Wertschätzung einer Immobilie (GALK 2006) gemacht werden. Allerdings lässt die Berechnung

mit dem Vegetations-nDOM bei Nutzung des Kreisringes zwischen 10 und 20 m (ca. 943 m²) nur

eine Genauigkeit von ca. ±50 % zu (s. Kap. 4.3.2.2, Tab. 21). Dennoch spielt auch das Wohnumfeld

(von 10 bis 100 m) eine bedeutende Rolle und könnte hinsichtlich des Grünvolumens genauer un-

tersucht werden.

Weiterführende Ansätze wären die Berechnung der Grünvolumenanteile und dessen Gewichtung

in Bezug auf die Wertigkeit bei den Stadtbewohnern (Umfragen). So könnte neben den von

LANG et al. (2006) entwickelten gewichteten Grünindex auch ein gewichtetes Grünvolumen einge-

führt werden. Auch wäre das einwohnerspezifische Grünvolumen, welches Rückschlüsse auf die

Versorgung der Einwohner mit Vegetation innerhalb der Stadt gibt, interessant.

5.3.2. Simulation der Temperatur Die temperatursenkende Wirkung von Großgrün an heißen Tagen und die nächtliche Abkühlung

über einer Rasenfläche indizieren einen vegetationsstrukturellen und quantitativen Zusammen-

hang. Mit der vorliegenden Datenbasis, der differenzierten Aussage zum Grünvolumen von Groß-

grün und niedriger Vegetation, ist die Basis zur Nutzung als Indikator für Temperatursimulation

gegeben. Die temperatursenkende Wirkung am Tag steht dabei im direkten Zusammenhang zum

Grünvolumen des Großgrüns. In der Nacht ist die Wirkung von Großgrün zwar auch gegeben, die

Abkühlung über Rasen- und Wiesenflächen aber bedeutend stärker. Die Ergebnisse der Grünvo-

lumenberechnung könnten somit durch wissensbasiertes Eingreifen in die Temperaturmodellie-

rung einfließen.

5.3.3. WindsimulationIm Kontext der stadtökologischen Qualität ist die Winddämpfung ebenfalls abhängig von der vor-

liegenden Vegetationsstruktur, respektive dem Grünvolumen. Hohe dichte Gehölzbestände

schwächen die Winde ab und setzen die Luftzirkulation herab. Lockere Gehölzbestände bremsen

hingegen nur sehr starke Winde ab, so dass schwache Winde ungehindert durch gelassen werden

(ARLT et al. 2002). Die Trennung des Grünvolumens für dichte und lockere Vegetation ist durch

die unterschiedliche Durchdringungsrate gegeben. Somit könnten die Daten des Vegetations-

nDOMs als unterstützender Parameter bei der Windsimulation integriert werden. Allerdings muss

hier darauf hingewiesen werden, dass eine Windabdämpfung zu einer Verschlechterung der

Durchlüftung führen kann (s. u.).

5.3.4. Bewertung des Staubbindevermögens Pflanzungen und deren reduzierender Einfluss auf den Feinstaubanteil der Luft können wesentlich

zu der geforderten Begrenzung bzw. Verringerung der Feinstaubbelastung beitragen. Wie anfangs


104

erwähnt (Vgl. Kap. 2.1.2.2) besteht hier ein direkter Zusammenhang zwischen dem Blattflächenin-

dex und dem Staubbindevermögen. Allerdings werden in der Literatur auch vegetationsstrukturel-

le Unterschiede beschrieben. So sollte die Vegetation „leicht durchblasbar“ angelegt sein (BECKRÖ-

GE 1988), damit möglichst viele Partikel an der Blattoberfläche hängen bleiben und später durch

den Regen ausgewaschen werden können. Unter Nutzung des Grünvolumens anstelle des Blattflä-

chenindex ist die Bewertung des Staubbindevermögens auf Basis des Vegetations-nDOMs dennoch

gegeben, da der Blattflächenindex mit dem Grünvolumen grob korreliert. Der exakte funktionale

Zusammenhang zwischen dem Grünvolumen und der Staubindung bleibt aber aufgrund der ar-

tenspezifischen Wirkung ungeklärt.

Die Ergebnisse der Bewertung des Staubbindevermögens können wiederum in Simulationen von

einer Emissionsausbreitung genutzt werden. Bei der Modellierung gehen die Schadstoffquellen

(Emitter) als negative Indikatoren (z.B. eine hoch frequentierte Strasse oder ein industrieller Kom-

plex) ein. Indikatoren wie der Abstand, das Staubindevermögen oder das Abtransportvermögen

durch eine gute Durchlüftung sind dann positive Komponenten.

5.3.5. Simulation des Wasserhaushaltes Die Vegetationsbedeckung beeinflusst den Wasserhaushalt auf verschiedene Weise. Der Abfluss-

vorgang im Wasserhaushalt wird vor allem durch die vegetationsspezifischen Prozesse der Inter-

zeption (Verdunstung des durch die Pflanzenoberflächen abgefangenen Niederschlagswassers in

Form einer Evaporation) und der Transpiration (der Verdunstung von Wasser über die Spaltöff-

nungen in den Blättern der Pflanzen) geprägt (BONGARTZ 2001). Da beide Prozesse Einfluss auf die

Gesamtverdunstung eines Gebiets haben, besteht eine starke Abhängigkeit zwischen der Vegetati-

on und der Höhe des Abflusses. Der Interzeptionsverlust (verdunstetes Wasser) des Niederschlags

wird im mittelmaßstäbigen Bereich oft als Funktion des Bedeckungsgrades und der Speicherkapa-

zität der vorherrschenden Vegetation berechnet. Folglich könnte auch hier das Grünvolumen als

Indikator in Wasserhaushaltsberechnungen Anwendung finden. So besitzen Laubbäume im Som-

mer eine höhere Interzeptionsspeicherkapazität als im Winter, wohingegen das Wasseräquivalent

von interzeptiertem Schnee auf Fichten deutlich höher ist, als die Speicherkapazität für Regen

(BONGARTZ 2001). Die Speicherkapazität ist dabei saisonal abhängig und kann in Größenordnung

der täglichen maximalen Speicherkapazität angegeben werden (Tab. 29)

Tab. 29: Interzeptionsspeicherkapazität verschiedener Vegetationsarten (Quelle: BONGARTZ 2001)

Speicherkapazität (Winter) [mm]

Speicherkapazität (Sommer) [mm]

Nadelbäume 5,00 5,00 Laubbäume 0,25 1,60 Gras 1,00 1,00 Acherfrüchte 0,00 1,00

Die Transpiration hingegen ist wiederum sehr von der Art und der Blattoberfläche abhängig. Bei

der Modellierung müssten deshalb Vereinfachungen durch Nutzung des Grünvolumens in Kauf

genommen werden. Ergebnisse der Simulation können der Oberflächenabfluss, die Versickerung

Kapitel 5.4 - Diskussion

105

oder die Verdunstung. So wurde in Berlin als stadtweites Berechnungsmodell für die verschiede-

nen Größen des Wasserhaushaltes das Programm ABIMO (Abflussbildungsmodell) erfolgreich

eingesetzt (STADTENTWICKLUNG BERLIN 2006). Eine Integration des Grünvolumens als Indikator bei

der Modellierung wäre somit denkbar.

5.4. DiskussionNeben dem blockbezogenen Grünvolumen kann in vielen Anwendungen das detaillierte Vegetati-

ons-nDOM bzw. das Grünvolumen bezogen auf regelmäßige Raster die Indikatorfunktion spielen.

Auch wenn die Angaben mit abnehmender Zellgröße unschärfer werden, so ist es bei bestimmten

Fragestellungen gerade wichtig zu wissen „wo was steht“ oder „wo was fehlt“. Insbesondere die

strukturelle Differenzierung mit den Grünvolumenanteilen (der dichten lockeren Vegetation) ver-

birgt wertvolle Informationen, welche auf Basis einer Sommerbefliegung nicht gegeben wären. So

könnte je nach Aufgabenstellung das Grünvolumen als Indikator nach der jeweils vorliegenden

Struktur (z.B. Niedrige Vegetation, Großgrün) gewichtet werden.

Der Zusammenhang zwischen den Größen Blattflächenindex, Biomasse und Grünvolumen wird in

der Literatur teilweise strittig betrachtet. Eine Aufnahme der Biomasse oder des Blattflächenindex

ist sehr aufwändig (Vgl. Kap. 2.1.2), so dass die verallgemeinerte Größe des spezifischen Grünvo-

lumen zwangsläufig verwendet werden muss. Allerdings ist die Vegetation im städtischen Bereich

durch eine enormen Artenvielfalt geprägt und damit der Blattflächenindex von Großgrün ver-

schiedene Größen annehmen kann, im Grünvolumen aber gleiche Ausmaße besitzt. Da eine quali-

tative Unterscheidung der Vegetation in ihrer Höhe und Dichte gegeben ist, könnte diese Informa-

tion genutzt werden, um auf die Größen Biomasse oder Blattflächenindex zumindest grob zu

schließen.

Im Hinblick einer ökologisch orientierten Planung macht die alleinige Nutzung der Grünvolumen-

zahl nicht immer Sinn. Somit ist bei bestimmten Fragestellungen nicht immer eine große GVZ ge-

wünscht. Zu dicht gepflanzte Straßenbäume können bei einer geschlossenen Bebauung und regem

Verkehr zu einer Schadstoffkonzentration, wegen fehlender vertikaler Durchlüftung führen. Daher

bieten gerade Fassadenbegrünungen, mit ihrem hohen Staubbindevermögen, eine gute Alternative

zu Bäumen im innerstädtischen Bereich (THÖNNESSEN 2006), welche neben sämtlichen Dachbegrü-

nungen nicht im Vegetations-nDOM integriert sind.

Das Grünvolumen der Vegetation unterliegt theoretisch einer saisonalen Abhängigkeit. Die Ergeb-

nisse der angewandeten Methodik beruhen zwar auf einer winterlichen Momentaufnahme, mittels

der angepassten Korrekturen stellen sie aber die Situation in der Vegetationsperiode dar (z.B.

Laubbaumkorrektur, Integration der Ackerflächen). Eine Anpassung des Modells in den „Winter-

Modus“ würde aufgrund der Definition des Grünvolumens („außeren Hülle“) keinen Sinn ma-

chen. Folglich kann die Wintersaison erst in der Simulation der Wirkung integriert werden.

Kapitel 6.1 - Zusammenfassung

106

6. Zusammenfassung und Ausblick

6.1. ZusammenfassungStädtisches Grün mit seinen wichtigen ökologischen und sozialen Funktionen wurde bisher nur

qualitativ flächendeckend erfasst. Auch wenn bereits Indikatoren, wie das Grünvolumen, zur

quantitativen Beschreibung der Vegetation ausgearbeitet wurden, so konnte es aufgrund des sehr

hohen Erfassungsaufwandes noch nicht flächendeckend für eine Stadt genau bestimmt werden.

Mit der zunehmenden Verfügbarkeit dreidimensionaler Messungen auf Basis flugzeuggetragener

Laserscannersysteme ist die Grundlage der Grünhöhenmessung gegeben. Durch Differenzbildung

des Digitalen Oberflächenmodells (DOM) und Digitalen Geländemodells (DGM) erhält man das

normalisierte DOM (nDOM), welches die relativen Höhenwerte der Vegetation beinhaltet. Prob-

lematisch ist allerdings, dass 90 % aller städtischen Laserscannerbefliegungen in der laubfreien Zeit

stattfinden, da das Hauptziel in der Ableitung hochgenauer Geländemodelle liegt und sich Vegeta-

tion in dieser Aufgabenstellung als störend darstellt.

Die bereits in der Studienarbeit (HECHT 2005) geleisteten Vorarbeiten der Erstellung eines Refe-

renzdatensatzes haben nach einer Analyse gezeigt, dass die fehlende Belaubung und die Aufzeich-

nung nur der letzten Reflexion zu einer enormen Unterschätzung des Laubbaumbestandes (95 %)

führen, dichte Vegetation wie Nadelbäume oder Sträucher allerdings gut abgebildet werden. Da

viele Städte in der Regel nicht mit optimalen Laserscannerdaten ausgestattet sind, müssen deshalb

ausgefeilte Korrekturmethoden entwickelt werden.

Ziel der vorliegenden Arbeit war es somit, neben der automatischen Erfassung des Grünvolumens,

eine geeignete Korrekturmethode zu entwickeln, die es erlaubt das blockbezogene Grünvolumen

auf Basis suboptimaler Laserscannerdaten zu bestimmen. Konzeptionelle Überlegungen der Kor-

rektur zeigten, dass die alleinige Nutzung der Oberflächenpunkte zur Interpolation bzw. die An-

wendung morphologischer Operatoren negative Effekte aufweisen. Deshalb wurde eine neue mo-

dellgesteuerte Korrekturmethode ausgearbeitet, die die im Grünvolumen unterschätzten Bereiche

(Laubbaumbestand) automatisch erkennt und mittels abstrakter Volumina in Form von Zylindern

korrigiert.

Die Konstruktion der Zylinder erfolgt für jeden Oberflächenpunkt im potenziellen Laubbaumbe-

stand. Anschließend werden die Zylinder in das nDOM gesetzt, so dass sie mit ihrem Ausmaß ein

Volumen repräsentieren. Die Steuerung des Radius und der Zylinderhöhe erfolgt mit den Techno-

logien der Fuzzy-Logik in Abhängigkeit der Oberflächenpunktdichte (Durchdringungsrate) und

der Höhe des Punktes über dem Boden. Durch wissensbasiertes Eingreifen in die Regelbasis der

Fuzzy-Modelle und den Vergleich mit Referenzmessungen konnte das Modell kalibriert und dar-

Kapitel 6.1 - Zusammenfassung

107

über hinaus eine Kronenformkorrektur integriert werden. Die ausgearbeiteten Indikatoren

(Durchdringungsrate und Höhe) erlauben die Trennung von hoher und niedriger sowie dichter

und lockerer Vegetation, so dass neben der reinen geometrischen Erfassung sogar semantische

Informationen bezüglich der Vegetation abgeleitet werden können.

Mit dieser neuen automatisierten modellgesteuerten Korrekturmethode konnte dem negativen

Einfluss der fehlenden ersten Reflexion und des winterlichen Befliegungszeitpunktes entgegenge-

wirkt werden. Vorteilhaft ist, dass für die Korrekturmethode neben den in Boden- und Oberflä-

chenpunkten klassifizierten Messpunkten keine weiteren Daten benötigt werden.

Um die Basis zur Berechnung des Grünvolumens zu schaffen, müssen sämtliche anthropogenen

Objekte aus dem nDOM entfernt werden. Deshalb sind in dieser Arbeit verschiedene Methoden

unter Nutzung externer Standard-Geodaten vorgestellt und untersucht worden. Zur Gebäudeeli-

minierung allein aus Laserscannerdaten wurden drei verschiedene Methoden am Beispiel der

Stadt Dresden getestet. Ein neuer Ansatz unter Nutzung der Bodenpunktdichte als Gebäudehypo-

these erzielte dabei bessere Ergebnisse als die übliche Verwendung von Höhenschwellwerten, da

auch sehr niedrige und kleine Gebäude extrahiert werden konnten.

Im Auftrag des Stadtumweltamtes Dresden erfolgte die Berechnung des Grünvolumens mittels

hybrider Verscheidung des korrigierten nDOMs mit den Bezugsgeometrien der digitalen Blockkar-

te 1: 5 000. Neben dem Grünvolumen konnten die Grünvolumen-, sowie Flächenanteile einzelner

Vegetationstypen ermittelt und die Ergebnisse in Form thematischer Karten 1: 100 000 präsentiert

werden.

Eine Genauigkeitsabschätzung konnte mittels photogrammetrischer Referenzmessungen, Kon-

trolldaten aus dem Baumkataster, sowie Daten des FGIS (Forstliches Geoinformationssystem) ge-

macht werden. So werden viele kleinere Einzelbäume mit geringem Stammdurchmesser gar nicht

vom Laser erfasst (30 %). Eine Einzelbaumbestimmung ist mittels dieser suboptimalen Daten des-

halb nicht möglich. Die Auswertung auf Basis des Untersuchungsgebietes zeigte andererseits eine

Abnahme des Fehlers bei zunehmender Bezugsflächengröße. So können ab einer Bezugsfläche von

1 ha relativ sichere Angaben (±24 %) gemacht werden. Eine ermittelte Unterschätzung des Grünvo-

lumens von 19 % im Forstbestand kann als sehr vage angesehen werden, da die sehr komplex

strukturierten flächenbezogenen Daten des FGIS nur bedingt mit den Laserscannerdaten ver-

gleichbar waren.

Durch das große Potenzial der Laserscannerdaten und einer speziell entwickelten

Korrekturmethodik kommt man trotz der vegetationsfreien Aufnahmezeit und dem Fehlen der

ersten Laserreflexion zu einem ausreichend genauen Ergebnis, um das Grünvolumen auf

Baublockebene zu erfassen. Die entwickelte Korrekturmethode zeichnet sich insgesamt durch

einen hohen Automatisierungsgrad aus und kann, sofern die Lasersystem- und

Aufnahmeparameter übereinstimmen, auch auf andere Gebiete übertragen werden. Die

vorliegende Untersuchung hat gezeigt, dass aus einem Datenbestand, der für eine andere

Kapitel 6.2 - Ausblick

108

Aufgabenstellung, nämlich der DGM- und Gebäudeableitung, erhoben wurde, auch

vegetationsrelevante Daten erfasst werden konnten und infolgedessen ein enormer Mehrwert

erzielt wurde, so dass sich eine erneute Befliegung erübrigte.

Im abschließenden Teil dieser Arbeit wurden anhand von Anwendungsbeispielen die Ergebnisse

kritisch diskutiert. So kann es für manche Fragestellungen besser sein, das Produkt von Grünvo-

lumen und der vegetationsbestandenen Flächengröße als Indikator in der Planung zu verwenden,

da somit auch Rasenflächen eine höhere Gewichtung bei der Beurteilung der ökologische Qualität

bekommen. Weiterhin ergab die Entwicklung eines normierten Index zur Angabe der „Grünvolu-

men-Bauvolumen-Differenz“ einen praktikablen Indikator, um hoch verdichtete unbegrünte Blö-

cke zu identifizieren.

Im Zuge dieser neuen 3D-Vegetationsinformationen werden deshalb Beiträge für die Landschafts-

und Flächennutzungsplanung für die Stadt Dresden erwartet. Neben den Ergebnissen der gesamt-

städtischen Erfassung des Grünvolumens für die Stadt Dresden leistete die Arbeit auch einen Bei-

trag in der Forschung und wurde auf mehreren nationalen und internationalen Konferenzen vor-

gestellt.

6.2. Ausblick Das relativ junge Verfahren des flugzeuggetragenen Laserscannings und dessen Methoden zur

Auswertung stellen neue Ansätze bereit, die die GIS-Datenbestände neben dem Standardprodukt

DGM bereichern. Wegen der prioritären Erzeugung eines DGMs in der Praxis müssen allerdings

zurzeit Genauigkeitseinschränkungen bei der Erfassung der Vegetation hingenommen werden.

Verbesserungen der Ergebnisse könnten durch die Fusion anderer externer Geometrien erzielt

werden. Mit der bereits begonnenen Verortung aller Straßenbäume des Baumkatasters Dresdens,

könnten die Ergebnisse der Grünvolumenberechnung verbessert werden, indem aus Baumhöhe

und Kronendurchmesser das Einzelbaumvolumen geschätzt und in die Berechnungen integriert

wird.

Die Quantifizierung der Vegetation mit ihren komplexen Strukturen in einer komplexen Umge-

bung (Stadt) benötigt aber noch generellen Forschungsbedarf. Auch wenn in der Arbeit bereits

Ansätze zur Anwendung des spezifischen Grünvolumens gegeben werden, so sollte der Wir-

kungszusammenhang zwischen dem Grünvolumen und der ökologischen Qualität mit Biologen,

Ökologen und Stadtplanern zunächst weiter untersucht und geklärt werden.

Mit einer besseren Datenlage (first pulse in Verbindung mit einem großen Laserspot oder mit zu-

sätzlichen Daten einer Sommerbefliegung) könnten genauere Ergebnisse der Grünvolumenberech-

nung erzielt werden, so dass auch eine Anwendung im großmaßstäbigen Bereich möglich wäre.

Ein simultaner Einsatz von Laserscanner und digitalen Kamerasystemen könnte die Genauigkeit

der Punktklassifikation erhöhen (z.B. ALS 50 in Verbindung mit dem ADS 40, ©Terra Digital 2006).

Kapitel 6.2 - Ausblick

109

Die Verfügbarkeit solcher neuen Daten kann die Grundlage zum planerischen Einsatz des Kenn-

wertes Grünvolumen auf der Ebene des Bebauungsplans liefern. So wichtig allerdings einmalige

Erhebungen auch sind, desto wichtiger ist es die Daten auch fortzuschreiben. Multitemporäre

Auswertungen der Laserscannerdaten würden die Grundlage des Grünvolumenmonitorings lie-

fern. Die durch die Planung verursachten Umweltauswirkungen könnten damit frühzeitig erkannt,

beseitigt oder vermieden werden.

Trends zeigen, dass gerade die rasante innovative Entwicklung neuer Laserscannersysteme mit

zunehmenden Messraten und damit verbundenen höheren Punktdichten (> 10 m-2) in Zukunft

eine immer präzisere Beschreibung der Objekte auf der Erdoberfläche erlaubt. Durch den Einsatz

von multi-pulse- oder full-waveform Scannern, welche den gesamten rückgestreuten Impuls digital

in 128 Werten erfassen, könnten die Punkte allein durch die Wellenform klassifiziert oder Aussa-

gen zur Vegetationsschichtung gewonnen werden (HUG et al. 2004). Der Nutzer wird dabei aller-

dings mit einer enormen Datenmenge konfrontiert, mit der Folge, dass auch neue Anforderungen

an effektive Algorithmen und vor allem an die Hardware gestellt werden.

Auch wird deutlich, dass großflächige Befliegungsprojekte (z.B. die landesweite Aufnahme von

Baden-Württemberg) verstärkt durchgeführt werden, so dass in Zukunft die Laserscannerbeflie-

gung eine Standarddatenerhebung wie die Luftbildbefliegung darstellen könnte. Durch Verwen-

dung gleicher Systeme und Flugparameter kann unter Nutzung gleicher Methoden eine sehr hohe

Vergleichbarkeit der Ergebnisse zwischen Städten und Gemeinden erreicht werden.

Weitere Datenquellen zur Grünvolumenberechnung könnten digitale flugzeuggetragene Kamera-

systeme (z.B. ADS40) liefern, welche durch den 3-Seitenblick die Ableitung eines DOMs mittels

Bildzuordnungsprozessen ermöglichen (VOZIKIS 2004). Überdies gibt es bereits Versuche, aus

hochauflösenden Satellitenbildpaaren (z.B. IKONOS, Quickbird) Oberflächenmodelle zu generie-

ren (JACOBSEN 2006).

Nicht zuletzt spielt die Erfassung des Grüns eine bedeutende Rolle in der 3D-Stadtmodellierung.

Dabei könnte die Vegetation für touristische Zwecke in Form von Objekten in virtuellen Welten

(engl. virtual reality) eingebunden und mittels Softcopy-Visualisierung autostereoskopisch darge-

stellt werden (BUCHROITHNER & WÄLDER 2002).

Im Kontext einer nachhaltig orientierten Stadtplanung zeigt sich generell ein zunehmendes Inte-

resse am Schutz des städtischen Grüns, welches immer höhere Anforderungen an präzise Daten-

grundlagen voraussetzt.

Literaturverzeichnis

110


ANDERSEN et al. (2001): ANDERSEN, H.-E., REUTEBUCH, S. E., SCHREUDER, G. F.: Automated Individ-

ual Tree Measurement through Morphological Analysis of a LIDAR-based Canopy Surface

Model. In: Proceedings of 1st International Precision Forestry Symposium. Seattle, Washington,

USA, University of Washington, College of Forest Resources, 2001, S. 11-22

ANDERSEN et al. (2002): ANDERSEN, H.-E., REUTEBUCH, S. E., SCHREUDER, G. F.: Bayesian Object Rec-

ognition for the Analysis of Complex Forest Scenes in Airborne Laser Scanner Data. Inter-

national Archives of Photogrammetry and Remote Sensing, Graz, Austria, 2002, Vol. XXXIV,

Part 3A, S. 35-41.

ANDREÄ (1987): ANDREÄ, W.: Grünvolumenzahl und Bodenfunktionszahl, Hamburg, Umweltbe-

hörde, 1987

AREFI (2003): AREFI, H., HAHN, M., LINDENBERGER, J.: LIDAR Data Classification with Remote Sens-

ing Tools. In: Challenges in Geospatial Analysis, Integration and Visualization II, Joint ISPRS

Commission IV Workshop, 8-9. September, Stuttgart, 2003, S. 131-136

ARLT et al. (2002): ARLT, G., FÜRLL L., HENNERSDORF, J., KOCHAN, B., LEHMANN, I., MATHEY, J.,

SCHWARZ, M., STUTZRIEMER, S., THIN., N. X. (2002): Stadtökologische Qualität und Vegetati-

onsstrukturen städtischer Siedlungsräume. Dresden, IÖR-Texte, Nr. 139

ARLT et al. (2005): ARLT, G., HENNERSDORF, J., LEHMANN, I, THIN, N. X. : Auswirkungen städtischer

Nutzungsstrukturen auf Grünflächen und Grünvolumen. Dresden, 2005, IÖR-Schriften

Band 47

AXELSSON (2000): AXELSON, P.: DEM Generation from Laser Scanner Data Using Adaptive Tin

Models. International Archives of Photogrammetry and Remote Sensing, Amsterdam, Vol.

XXXIII Part B4, S. 110-117

BAESELER et al. (1974): BAESELER, H., GELBRICH, GREIER, J., STEFKE, E., THIEMANN, H.: Grünanlagen

im Wohngebiet. In: Bauakademie der DDR. Berlin, Institut für Städtebau und Architektur,

1974

BECKRÖGE (1988): BECKRÖGE, W.: Veränderungen des Klimas im Stadtbereich. In: Stadtklima und

Luftreinhaltung. Berlin, Springer Verlag 1988, Wissenschaftliches Handbuch für die Praxis

in der Umweltplanung, 1988, S. 41-90

BEISCH (1998): BEISCH, T.: Städtische Baum- und Grünflächeninformationssysteme - Ein Beitrag zur

stadtökologischen Forschung. Georg-August-Universität Göttingen, Dissertation, 1998, In-

ternet: http://webdoc.sub.gwdg.de/diss/1998/beisch/2kapitel.pdf (Stand: 1.2.2006)


111

BERNATZKY (1973): BERNATZKY, A.: Baum und Mensch. Kramer, Frankfurt a. M., 1973

BERTALANFFY (1951): BERTALANFFY, L.: Theoretische Biologie, 2. Band: Stoffwechsel, Wachstum. 2.

Auflage, Bern, A. Francke AG Verlag, 1951

BEZDEK et al. (1984): BEZDEK, J., EHRLICH, R., FULL, W.: FCM: The Fuzzy C-Means Clustering Algo-

rithm. Computers and Geosciences 10, 1984, S. 91-203

BILL & SCHMIDT (2004): BILL, R., SCHMIDT, F.: Relief. In: Managementsystem für den ortsspezifischen

Pflanzenbau. Verbundprojekt pre agro, Abschlussbericht, Kap. 3. 2004, Internet:

http://www.preagro.de/Veroeff/preagro_Endbericht_Relief.pdf (Stand: 1.2.2006)

BILL & ZEHNER (2001): BILL R., ZEHNER M.: Lexikon der Geoinformatik, Wichmann Verlag, 2001

BLASCHKE et al. (2000): BLASCHKE, T., LANG S., LORUP E., STROBL, J., ZEIL, P.: Object-Oriented Image

Processing in an Integrated GIS /Remote Sensing Enviroment and Perspectives For Envi-

ronmental Application. In: Environmental Information for Planing Politics and Public Vol. 2.

Marburg, 2000, S. 555-570

BOLLMANN & KOCH (2002): BOLLMANN, J., KOCH, W.-D. (HRSG.): Lexikon der Kartographie und

Geomatik. Heidelberg - Berlin, Spektrum Verlag, 2002. 2. Band

BONGARTZ (2001): BONGARTZ, K.: Untersuchung unterschiedlicher Flächendiskretisierungs- und

Modellierungskonzepte für die hydrologische Modellierung am Beispiel Thüringer Vorflu-

ter. Friedrich-Schiller Universität Jena, Dissertation, 2001

BRIESE & ATTWENGER (2005): BRIESE C., ATTWENGER M.: Modellierung dreidimensionaler hydrolo-

gisch und hydraulisch relevanter Geländekanten aus hochauflösenden Laser-Scanner-

Daten. In: Praxisorientierte und vielseitig nutzbare Fernerkundungseinsätze an der Elbe. Bundes-

anstalt für Gewässerkunde, 2005, S. 35-45

BRIESE et al. (2001): BRIESE, C., KRAUS, K., MANDLBURGER, G., PFEIFER, N.: Einsatzmöglichkeiten der

flugzeuggetragenen Laser-Scanner. In: Tagungsband der 11. Internationalen Geodätischen Wo-

che in Obergurgl, 2001, Hrsg.: Institut für Geodäsie der Universität Innsbruck, Institutsmit-

teilungen, Heft 19, 2001, S. 17 - 26

BUCHROITHNER & WÄLDER 2002: BUCHROITHNER M. & WÄLDER F.: Visualisierung von Geodaten:

Gegenwart und Zukunft In: Aspekte heutiger Kartengestaltung - Herrn Doz. i. R. Dr. sc. techn.

Werner Stams zum 75. Geburtstag, Manuskriptdruck TU Dresden 2002, S. 13-15


112

BUNDESWEITE UMFRAGE DER BÜRGERZUFRIEDENHEIT MIT KOMMUNALEN GRÜNFLÄCHEN (2004): Bun-

desweite Internetbefragung zur Messung der Bürgerzufriedenheit mit den kommunalen

Grünflächen. Abschlussbericht, Gartenamtsleiterkonferenz für alle Aufgabenfelder des öf-

fentlichen Grün der Städte und Kommunen, Köln, 2004. Internet: http://www.

galk.de/arbeitskreise/ak_orga_betriebswirt/down/kgst_buergerumfrage_041027.pdf

(Stand: 2.12.2005)

DEFINIENS IMAGING (2005): Definiens Imaging: The world leader in Enterprise Image Intelligence

Solutions. Internet: http://www.definiens-imaging.com/ (Stand: 2.3.2006)

DEUTSCHER STÄDTETAG (2006): Deutscher Städtetag - Mitglieder des Deutschen Städtetages Ein-

wohner. Internet: http://www.staedtetag.de/10/staedte/nach_einwohner/index.html

(Stand: 3.3.2006)

DIEDERSHAGEN et al. (2003): DIEDERSHAGEN, O., KOCH, B., WEINACKER, H., SCHÜTT, C.: Combining

Lidar- and GIS Data for the Extraction of Forest Inventory Parameters. In: Proceedings of the

ScandLaser Scientific Workshop on Airborne Laser Scanning of Forests. Umeå, Sweden, Septem-

ber 2003, S. 157-165

FINKE (1994): FINKE, L.: Landschaftsökologie – Das Geographische Seminar. Brauchschweig, Wes-

termann, 1994

FRIEDLÄNDER (2002): FRIEDLÄNDER, H: Die Anwendung von flugzeuggetragenen Lasersannerdaten

zur Ansprache dreidimensionaler Strukturelemente von Waldbeständen. Albert-Ludwigs-

Universität Freiburg i. Brsg., Dissertation, 2002

FUCHS (1998): FUCHS, C.: Extraktion polymorpher Bildstrukturen und ihre topologische und geo-

metrische Gruppierung. Institut für Photogrammetrie, Universität Bonn, Dissertation, 1998

FUCHS (2003): FUCHS, H.-J.: Methodische Ansätze zur Erfassung von Waldbäumen mittels digitaler

Luftbildauswertung. Göttingen, Fakultät für Forstwissenschaften, Dissertation, 2003.

GALK (2006): GALK - Die Seite der Gartenamtsleiterkonferenz für alle Aufgabenfelder des öffentli-

chen Grün der Städte und Kommunen, Internet: http://www.galk.de (Stand: 3.3.2006)

GONZALES & WOODS (1993): GONZALES, R. C., WOODS, R. E.: Digital Image Processing. Addison-

Wesley Publishing Company, 1993

GROßMANN et al. (1984): GROßMANN M., SCHULZE H.-D., POHL W.: Bodenfunktionszahl, Grünvolu-

menzahl, Grünzahl. Gutachten im Auftrag der Umweltbehörde Hamburg. Schriftenreihe

der Umweltbehörde Hamburg, Heft 9, 1984

HAALA & BRENNER (1999): HAALA, N., AND BRENNER C.: Extraction of Building and Trees in Urban

Environments, ISPRS Journal of Photogrammetry & Remote Sensing, 54(2-3), S. 130-137


113

HAGIWARA (2004): HAGIWARA, A., IMANISHI, Y., HASHIMOTO, H., MORIMOTO, Y.: Estimating Leaf

Area Index in Mixed Forest Using an Airborne Laser-Scanner. In: Laser-Scanners for Forest

and Landscape Assessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004,

IAPRS Vol. XXXVI, PART 8/W2, S. 298-300

HEBER (1993): HEBER, B., LEHMANN, I.: Stadtstrukturelle Orientierungswerte für die Bodenversiege-

lung in Wohngebieten, IÖR-Schriften 05, 1993

HECHT (2005): HECHT, R.: Untersuchung von Laserscannerdaten für die Erfassung von städtischen

Grünvolumen auf Basis photogrammetrischer Referenzmessungen, Technische Universität

Dresden, Institut für Kartographie, Studienarbeit, 2005

HECHT et al. (2006): HECHT, R., MEINEL, G., BUCHROITHNER, M.: Estimation of Urban Green Volume

Based on Last Pulse LiDAR Data at Leaf-Off Aerial Flight Times. Proceedings of the First

Workshop of the EARSeL SIG on Urban Remote Sensing, Humboldt-Universität zu Berlin, 2-3

March 2006

HEDEL (2004): HEDEL, R.: Landschaftsökologische Bewertung und Entwicklung von AML-

Programmen zur multikriteriellen Kompromiss-Optimierung von Flächennutzungen.

Technische Universität Dresden, Diplomarbeit, 2004

HELMSCHROT (1999): HELMSCHROT, J.: Integration von Fernerkundung, GIS und empirischer Gelän-

deaufnahme zur Parameterisierung physiographischer Faktoren für die distributive hydro-

logische Modellierung. Institut für Geographie der Friedrich-Schiller-Universität Jena, Dip-

lomarbeit, 1999

HEMPEL (2006): HEMPEL, A.: GIS-gestützte, kontextbezogene Aggregation fraktionierter Flächen

durch Bildung von Mischklassen. Technische Universität Dresden, Institut für Kartogra-

phie, Diplomarbeit, 2006

HEROLD (2005): HEROLD, H.: Beiträge zum Vergleich von Segmentierungsprogrammen fernerkund-

licher Bilddaten, Technische Universität Dresden, 2005

HIRATA (2004): HIRATA, Y.: The Effects of Footprint Size and Sampling Density in Airborne Laser-

Scanning to Extract Individual Trees in Mountainous Terrain. In: Laser-Scanners for Forest

and Landscape Assessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004,

IAPRS Vol. XXXVI, PART 8/W2, S. 102-107

HOFMANN (2002): HOFMANN A.: An Approach to 3D Building Model Reconstruction from Airborne

Laser Scanner Data Using Parameter Space Analysis and Fusion of Primitives. Technische

Universität Dresden, Institut für Photogrammetrie, Dissertation, 2005

HOFMANN & SCHWALBE (2004): HOFMANN, A.D., SCHWALBE, E.: Evaluation automatisch rekon-

struierter Gebäudemodelle aus Flugzeuglaserscannerdaten. In: Tagungsband der 24. Wissen-

schaftlich-Technische Jahrestagung der DGPF, Bd. 13, 2004, S. 51-58


114

HOLMGREN & PERSON (2004): HOLMGREN, J., PERSSON, Å.: Identifying Species of Individual Trees

Using Airborne Laser Scanning. Remote Sensing of Environment 90, S. 415-423

HUG et al. (2004): HUG, C., ULLRICH, A., GRIMM, A.: Litemapper 5600 – A Waveform-Digitizing Li-

DaR Terrain and Vegetation Mapping System. In: Laser-Scanners for Forest and Landscape As-

sessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS Vol.

XXXVI, PART 8/W2, S. 24-29

HYYPPÄ et al. (2001): HYYPPÄ, J., SCHARDT, M., HAGGRÉN, H., KOCH, B., LOHR, U., SCHERRER, H.U.,

PAANANEN, R., LUUKKONEN, H., ZIEGLER, M., HYYPPÄ, H., PYYSALO, U., FRIEDLÄNDER, H.,

UUTTERA, J., WAGNER, S., INKINEN, M., WIMMER, A., KUKKO, A., AHOKAS, E., KARJALAINEN,

M., 2001: HIGH-SCAN: The First European-wide Attempt to Derive Single-tree Informa-

tion from Laserscanner Data. The Photogrammetric Journal of Finland, 17, S. 58-68

HYYPPÄ et al. (2004): HYYPPÄ, J., HYYPPÄ, H., LITKEY, P., YU, X., HAGGRÉN, H., RÖNNHOLM, P., PYY-

SALO, U., JUHO PITKÄNEN, J., MALTAMO, M.: Algorithms and Methods of Airborne Laser-

Scanning for Forest Measurements. In: Laser-Scanners for Forest and Landscape Assessment.

Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS Vol. XXXVI, PART

8/W2, S. 82-89

JACOBSEN (2006): JACOBSEN, K.: Digital Surface Models of City Areas by Very High Resolution

Space Imagery. Proceedings of the First Workshop of the EARSeL SIG on Urban Remote Sensing,

Humboldt-Universität zu Berlin, 2-3 March 2006

JANSA & STANEK (2003): J. JANSA, H. STANEK: Ableitung von Stadtmodellen aus Laser-Scanner-

Daten, Grundrissplänen und photographischen Aufnahmen. Österreichische Zeitschrift für

Vermessung und Geoinformation (VGI), 91. Jahrgang (2003), 4, S. 262-270

KAPPAS (1994): KAPPAS, M.: Fernerkundung - nah gebracht, Leitfaden für Geowissenschaftler.

Dümmler Fachbuch 7871, Bonn, 1. Auflage, 1994

KASS et al. (1988): KASS, M., WITKIN, A. AND TERZOPOULUS, D.: SNAKES: Active Contour Models,

International Journal of Computer Vision, Vol. 1, S. 321-331

KATZENBEIßER & KURZ (2004): KATZENBEIßER, R., KURZ, S.: Airborne Laser-Scanning, ein Vergleich

mit terrestrischer Vermessung und Photogrammetrie. In: Photogrammetrie – Fernerkundung

– Geoinformation 3/2004, S. 179-187

KENNEWEG (2002): KENNEWEG, H.: Neue methodische Ansätze zur Fernerkundung in den bereichen

Landschaft, Wald und räumliche Planung. In: Tagungsband 19. DFD-Nutzerseminar, 15.-

16.10. 2002, S. 127-137

KILIAN et al. (1996): KILIAN, J., HAALA, N., ENGLICH, M.. Capture and Evaluation of Airborne Laser

Scanner Data. International Archives of Photogrammetry and Remote Sensing, Vienna, Austria,

v. XXXI, Part B3, S. 383-388


115

KRAUS (1996): KRAUS, K.: Photogrammetrie, Band 2 – Verfeinerte Methoden und Anwendungen, 3.

Auflage, Dümmler Verlag, Bonn, 1996

KRAUS (2000): KRAUS, K.: Photogrammetrie, Band 3 – Topographische Informationssysteme, 1. Auf-

lage, Dümmler Verlag, Bonn, 2000

KRAUS & PFEIFER (1998): KRAUS, K., PFEIFER, N.: Determination of terrain models in wooded areas

with airborne scanner data. ISPRS Journal of Photogrammetry and Remote Sensing, Volu-

me 53, 1998, S. 193 - 203

KRAUS & PFEIFER (2001): KRAUS, K., PFEIFER, N.: Advanced DTM Generation from LiDaR Data. In-

ternational Archives of Photogrammetry and Remote Sensing, Volume XXXIV-3/W4 Annapolis,

MD, 22-24 Oct. 2001, S. 23-35

KRAUS & RIEGER (1999): KRAUS K., RIEGER W.: Processing of Laser Scanning Data for Wooded Areas.

In: Photogrammetric Week '99 , Wichmann Verlag, Stuttgart, 1999, S. 221 - 231

KRIHNAPURAM & KELLER: KRISHNAPURAM, R., KELLER, J.: The Possibilistic C-Means Algorithm: In-

sights and recommendations. IEEE Transactions on Fuzzy Systems, 1996, Vol. 4, S. 385--393

KUBLIN (2003): KUBLIN, E.: Einheitliche Beschreibung der Schaftform - Methoden und Programme

BDATPro. Forstwissenschaftliches Centralblatt 122 (3), S. 183-200

KÜHBAUCH (2003): KÜHBAUCH W.: Einsatz von Fernerkundungsdaten und bodengestützten Daten

zur regionalen Ertragsvorhersage von Baugerste. Hohe Landwirtschaftliche Fakultät der

Rheinischen Friedrich-Wilhelms-Universität zu Bonn, Dissertation, 2003

LACAZE (1996): LACAZE, B.: Spectral Characterisation of Vegetation Communities and Practical Ap-

proaches to Vegetation Cover Changes Monitoring. In: The Use of Remote Sensing for Land

Degradation and Desertification Monitoring in the Mediterranean Basin - Proceedings of an Ex-

pert Workshop, 13 - 15 Juni 1994, Valencia, S. 149-165

LANDESVERMESSUNGSAMT BADEN WÜRTTEMBERG (2006): Internet: http://www.lv-bw.de/lvshop2/

index.htm (Stand: 3.3.2006)

LANG et al. (2006): LANG, S., JEKEL, T., HÖLBING, D., SCHÖPFER, E., PRINZ, T., KLOYBER, E., BLASCHKE,

T.: Where The Grass is Greener - Mapping of Urban Green Structures According to Rela-

tive Importance in the Eyes of the Citizens. Workshop of the EARSeL Special Interest Group on

Urban Remote Sensing, Berlin 2-3 March 2006, CD-ROM

LEFSKY et al. (1999): LEFSKY, M. A., HARDING, D., COHEN, W. B., PARKER, G., & SHUGART, H.: Surface

Lidar Remote Sensing of Basal Area and Biomass in Deciduous Forests of Eastern Mary-

land. Remote Sensing of Environment, USA, 67(1), S. 83–98


116

LIM & TREITZ (2004): LIM, K., TREITZ, P.: Estimation of Aboveground Forest Biomass Using Airborne

Scanning Discrete Return LIDAR in Douglas-fir. In: Laser-Scanners for Forest and Landscape

Assessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS Vol.

XXXVI, PART 8/W2, S. 149-152

MAAS (1999): MAAS, H.-G.: The Potential of Height Texture Measures for the Segmentation of Air-

borne Laserscanner Data. Fourth International Airborne Remote Sensing Conference and Exhibi-

tion/21st Canadian Symposium on Remote Sensing, Ottawa, Ontario, Canada, 21-24 June 1999.

S. 154-161

MAAS (1999B): MAAS, H.-G.: Closed Solutions for the Determination of Parametric Building Models

from Invariant Moments of Airborne Laserscanner Data. In: Automatic Extraction of GIS Ob-

jects from Digital Imagery, ISPRS Conference, Munich, 6.-10.9.99. International Archives of

Photogrammetry and Remote Sensing Vol. 32, Part 3-2W5, S. 193-199

MAAS (2005): MAAS, H.-G.: Akquisition von 3D-GIS-Daten durch Flugzeug-Laserscanning. In: Kar-

tographische Nachrichten, Jahrgang 55. No. 1, S. 3-11

MEANS (2000): MEANS, J. E.: Comparison of Large-footprint and Small-footprint Lidar Systems:

Design, Capabilities and Uses. In: Proceedings of the Second International Conference on Geo-

spatial Information in Agriculture and Forestry, Lake Buena Vista, Florida, 10-12 January,

2000, S 185-192

MECHLER et al. (1993): MECHLER B., MAYER A., SCHLINDWEIN A., WOLKE R.: Fuzzy Logic – Einfüh-

rung und Leitfaden zur praktischen Anwendung. Mit Fuzzy Shell in C++. Addison-

Wesley, Bonn, 1993

MEINEL & HENNERSDORF (2004): MEINEL G., HENNERSDORF J.: Fortschreibung der Stadtstrukturty-

penkarte der Stadt Dresden auf Basis von Ortholuftbilddaten der Jahre 2003/2004, Ab-

schlussbericht für das Umweltamt der Stadt Dresden

MEINEL & HECHT (2004): MEINEL, G., HECHT, R.: Determination of urban vegetation volume on the

basis of laser scan data at non-leaf aerial flight times. In: Laser-Scanners for Forest and Land-

scape Assessment, Proceedings of Natscan-Conference, Freiburg, 03-06.10.2004, International

Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol.

XXXVI, PART 8/W2, S. 334-339

MEINEL & HECHT (2005): MEINEL, G., HECHT, R.: Reconstruction of Urban Vegetation Based on Laser

Scanner Data at Leaf-Off Aerial Flight Times – First results. Proceedings of the 31st Interna-

tional Symposium on Remote Sensing of Environment, Saint Petersburg, Russian Federation

June 20-24, 2005


117

MEINEL & HERNIG (2005): MEINEL, G., HERNIG, A.: Inwertsetzung von Geobasisdaten für Fachan-

wendungen am Beispiel der Bodenversiegelungserhebung auf Grundlage des ATKIS Basis-

DLM, In: Publikationen der Deutschen Gesellschaft für Photogrammetrie, Fernerkundung und

Geoinformation, Band 14, 25. Wissenschaftlich-Technische Jahrestagung der DGPF, Rostock,

2005

MEINEL & NEUBERT (2003): MEINEL, G., NEUBERT, M.: Bildsegmentierer – Ansätze, vergleichende

Untersuchungsmethodik und erste Ergebnisse. In: Vorträge 23. Wissenschaftlich-technische

Jahrestagung der DGPF. Publikationen der Deutschen Gesellschaft für Photogrammetrie,

Fernerkundung und Geoinformation, Band 12, Münster: S. 187-194.

MEINEL et al. (2006): MEINEL, G., HECHT, R., SOCHER, W.: Städtisches Grünvolumen – neuer Basisin-

dikator für die Stadtökologie? Bestimmungsmethodik und Ergebnisbewertung. In: Sustai-

nable solutions for the information society. International Symposium (CORP), Wien Februar

2006. Internet: http://www.corp.at/Download/CORP2006_CDRom/archiv/papers2006/

CORP2006_MEINEL.pdf (Stand: 3.3.2006)

METTE & KORELL (1989): METTE HJ & KORELL U.: Richtzahlen und Tabellen für die Forstwirtschaft.

VEB, Berlin, 1989

METTE et al. (2003): METTE T., PAPATHANASSIOU K., HAJNSEK I., ZIMMERMANN R.: Waldhöhe und -

biomasse Bestimmung im Fichtelgebirge unter Verwendung polarimetrischer SAR-

Interferometrie (Pol-InSAR). In: Tagungsband 20. DFD-Nutzerseminar, 6.-8. Oktober 2003, In-

ternet: http://www.dlr.de/caf/aktuelles/veranstaltungen/nutzerseminar/dfd_20/

publikationen /papers/paper_mette_form.pdf (Stand: 3.3.2006)

MÖLLER & BLASCHKE (2006): MÖLLER, M. UND BLASCHKE, T.: GIS-gestützte Bildanalyse der städti-

schen Vegetation als Indikator urbaner Lebensqualität. Photogrammetrie – Fernerkundung –

Geoinformation 1/2006, S. 19-30

MULLER et al. (2004): MULLER J. P., KIM J. R., KELVIN J.: Automated 3D Mapping of Trees and Build-

ings and It's Application to Risk Assessment of Domestic Subsidence in The London Area.

Geo-Imagery Bridging Continents XXth ISPRS Congress, 12-23 July 2004 Istanbul, Turkey

Commission 2 Internet: http://www.isprs.org/istanbul2004/comm2/papers/239.pdf

(Stand: 2.2.2006)

NAESSET (2002): NÆSSET, E.: Predicting Forest Stand Characteristics with Airborne Scanning Laser

Using a Practical Two-stage Procedure and Field Data. Remote Sensing of Environment, 80, S.

88-99

NAESSET (2004): NAESSET, E.: Estimation of Above- and Below-Ground Biomass in Boreal Forest

Ecosystems. In: Laser-Scanners for Forest and Landscape Assessment. Proceedings of NA-

TSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS Vol. XXXVI, PART 8/W2, S. 145-148


118

NAUMANN (1998): NAUMANN, K.: Überprüfung der Möglichkeit der Gewinnung von Baumhöhen-

informationen aus Laserscanningdaten am Beispiel des Blattes 5050-NO der TK 10. Tech-

nische Universität Dresden, Studienarbeit, 1998

NEIDHART & BRENNER (2003): NEIDHART, H., BRENNER, C.: Automatic Calculation of Building Vol-

umes for an area-wide Determination of Heat Requirements. ISPRS Commission IV Joint

Workshop Challenges in Geospatial Analysis, Integration and Visualization II, Proceedings,

September 8 - 9, 2003, Stuttgart, Germany, S. 137-142

NEUBERT & MEINEL (2002): NEUBERT, M. & MEINEL, G.: Segmentbasierte Auswertung von IKONOS-

Daten - Anwendung der Bildanalyse-Software eCognition auf unterschiedliche Testgebie-

te. In: Fernerkundung und GIS: Neue Sensoren - innovative Methoden. H. Wichmann Verlag,

Heidelberg, S. 108-117

NIEDERÖST (2000): NIEDERÖST, M.: Reliable Reconstruction of Buildings for Digital Map Revision.

International Archives Photogrammetry and Remote Sensing, ISPRS, Amsterdam, Netherlands,

Vol. XXXIII, Part B3, S. 635-642

OPTECH (2006): Optech Incorporated. Internet: http://www.optech.ca/index.htm (Stand: 12.1.2006)

PERSSON et al. (2004): PERSSON, A., HOLMGREN, J., SÖDERMAN, U., OLSSON, H.: Tree Species Classifi-

cation of Individual Trees in Sweden by Combining High Resolution Laser Data with High

Resolution Near-Infrared Digital Images. In: Laser-Scanners for Forest and Landscape Assess-

ment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS Vol. XXXVI,

PART 8/W2, S. 104-107

PFEIFER (2003): N. PFEIFER: Oberflächenmodelle aus Laserdaten. Österreichische Zeitschrift für Ver-

messung und Geoinformation (VGI), 91. Jahrgang (2003), 4, S. 243-252

PFEIFER et al. (2001): PFEIFER, N., STADLER, P., BRIESE, C.: Derivation of Digital Terrain Models in the

SCOP++ Environment. In: Proceeding of OEEPE Workshop on Airborne Laserscanning and In-

terferometric SAR for Detailed Digital Terrain Models. Stockholm, Sweden, 2001, Internet:

http://www.ipf.tuwien.ac.at/publications/np_stockholm.pdf (Stand: 3.3.2006)

PLAPADA (2006): Plant Parameter Database – Blattflächenindexdatenbank (LAI) der Universität

Giessen. Internet: http://www.uni-giessen.de/~gh1461/plapada/php/list/content.php

(Stand: 1.11.2006)

PRINZ et al. (2006): PRINZ, T., DOLLINGER, F., WONKA, E.: Erfassung von Siedlungsräumen mit Hilfe

von statistischer Rasterdaten am Beispiel Salzburgs. In: Sustainable solutions for the informa-

tion society. International Symposium (CORP), Wien Februar 2006. Internet:

http://www.corp.at/Download/CORP2006_CDRom/archiv/papers2006/CORP2006_PRI

NZ.pdf (Stand: 3.3.2006)


119

RICHTER et al. (2003): RICHTER, M., GRUNICKE, U., BÖCKER, R.: Boden- und Flächenressourcen-

Management in Ballungsräumen: Entwicklung von Bewertungsrahmen zur Beurteilung

der ökosystemaren Potentiale verschiedener Nutzungs- und Strukturtypen im urbanen Be-

reich – Abschlußbericht, Institut für Landschafts- und Pflanzenölologie (320), Universität

Hohenheim, 1999. Internet: http://bwplus.fzk.de/berichte/SBer/BWC99007SBer.pdf

(Stand: 1.12.2005)

RINGENBERG (1994): RINGENBERG J.: Analyse urbaner Gehölzbestände am Beispiel der Hamburger

Wohnbebauung. Schriftenreihe agrarwissenschaftliche Forschungsergebnisse, Band 3,

Hamburg 1994, 220 S.

ROTTENSTEINER & BRIESE (2002): ROTTENSTEINER, F., BRIESE, C.: A New Method for Building Extrac-

tion in Urban Areas from High-Resolution Lidar Data. International Archives Photogram-

metry and Remote Sensing (IAPRS), Vol. 34, no. 3A, 2002, S. 295-301

ROTTENSTEINER et al. (2003): ROTTENSTEINER F, TRINDER J., CLODE S., AND KUBIK K.: Detecting Build-

ings and Roof Segments by Combining LIDAR Data and Multispectral Images. In: Proceed-

ings of the Image and Vision Computing New Zealand (IVCNZ), Massey University, Palm-

erston North, New Zealand, 2003, S. 60-65

SAMADZADEGAN (2004): SAMADZADEGAN F.: Object Extraction and Recognition from Lidar Data

Based On Fuzzy reasoning and Information Fusion Techniques. Proceedings of the ISPRS

Congress in Istanbul, July 2004 , S. 921

SAMT (2006): Spatial Analysis and Modelling Tool developed by Institute of Landscape Systems

Analysis (ZALF), Internet: http://www.zalf.de/home_samt-lsa/index.html (Stand:

3.3.2006)

SCHLEYER (2001): SCHLEYER, A.: Das Laserscan-DGM von Baden Württemberg. In: Photogrammetric

Week ’01, Wichmann Verlag, Heidelberg, S. 217-225

SCHNADT & KATZENBEIßER (2004): SCHNADT, K., KATZENBEIßER R.: Unique Airborne Fiber Scanner

Technique for Application-Oriented LIDAR Products. In: Laser-Scanners for Forest and Land-

scape Assessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS

Vol. XXXVI, PART 8/W2, S. 19-23

SCHWALBE (2004): SCHWALBE, E.: 3D Building Model Generation from Airborne Laserscanner Data

by Straight Line Detection in Specific Orthogonal Projections. IAPRS International Archives

of Photogrammetry and Remote Sensing and Spatial Information Sciences Vol. 34, Part 3 B3, S.

249-254


120

SCHWALBE et al. (2005): SCHWALBE, E., MAAS, H.-G., SEIDEL, F: 3D Building Model Generation from

Airborne Laser Scanner Data Using 2D GIS Data and Orthogonal Point Cloud. In: Laser

scanning 2005. ISPRS WG III/3, III/4, V/3 Workshop, Enschede, Netherlands, September

12-14, 2005, S. 209-214

SITTLER (2004): SITTLER, B.: Revealing Historical Landscapes by Using Airborne Laser-Scanning - A

3D-Modell of Ridge and Furrow in Forests near Rastatt (Germany). In: Laser-Scanners for

Forest and Landscape Assessment, Proceedings of NATSCAN-Conference, Freiburg, 03.-

06.10.2004, IAPRS Vol. XXXVI, PART 8/W2, ISSN 1682-1750, S. 258-261

SMITH et al. (2003): SMITH, S. L., HOLLAND, D., LONGLEY, P.: Interpreting Interpolation: The Pattern

of Interpolation Errors in Digital Surface Models Derived from Laser Scanning Data. GIS-

RUK, London. Internet: http://eprints.ucl.ac.uk/archive/00000229/01/paper66.pdf

(Stand: 1.12.2005)

STADTENTWICKLUNG BERLIN (2006): Senatsverwaltung für die Stadtentwicklung Berlin -

Oberflächenabfluss, Versickerung, Gesamtabfluss und Verdunstung aus Niederschlägen

(Ausgabe 2005) Internet: http://www.stadtentwicklung.berlin.de/umwelt/umweltatlas/

da213_03.htm (Stand: 3.3.2006)

STEINLE & VÖGTLE (2001): STEINLE, E. & VOEGTLE, T.: Automated Extraction and Reconstruction of

Buildings in Laserscanning Data for Disaster Management. In: Automatic Extraction of Man-

Made Objects from Aerial and Space Images (III), Lisse, The Netherlands, 2001, S. 309-318

STRAUB (2003): STRAUB, B.: Automatische Extraktion von Bäumen aus Fernerkundungsdaten. Wis-

senschaftliche Arbeiten der Fachrichtung Vermessungswesen der Universität Hannover,

Dissertation, 2003

TER-MIKAELIAN & KORZUKHIN (1997): TER-MIKAELIAN, M.T., AND KORZUKHIN, M.: Biomass Equati-

ons of Sixty-five North American Tree Species. Forest Ecology and Management No. 97, S. 1–

24

TERRA DIGITAL (2006) : Terra Digital – Ausrüstung - Internet: http://www.terra-digital.net

/index.php?main=au/als50&sub=au&bg=ausst (Stand: 3.3.2006)

THINN & HEDEL (2005): THINH, N. X., HEDEL, R.: Vergleich zwei räumlicher Bewertungsmethoden –

Compromise Programming und regelbasierte hierarchische Fuzzy-Bewertung. In: Simulati-

on in Umwelt- und Geowissenschaften. Umweltinformatik, Shaker Verlag Aachen, S. 57–66

THÖNNESSEN (2006): THÖNNESSEN, M.: Staubfilterung und immissionshistorische Aspekte am Bei-

spiel fassadenbegrünenden Wilden Weines (Parthenocissus tricuspidata). In: Umweltwis-

senschaften und Schadstoff-Forschung 18/1, Internet: http://www.rvr-online.de

/umwelt/Luft_medien /Vortrag_Thoennessen.pdf (Stand: 3.3.2006)


121

TOPOSYS (2006): TopoSys GmbH - LIDAR Systeme - LIDAR Software - Laserscanner - Digitale Hö-

henmodelle. Internet: http://www.toposys.de/ (Stand: 3.3.2006)

TOPSCAN (2006): TopScan - Gesellschaft zur Erfassung topographischer Information mbH - Airbor-

ne Laserscanning Projekte in Deutschland. Internet: http://www.topscan.de/wir

/projektkarte.html (Stand: 3.3.2006)

TOPSCAN PROJEKTBERICHT (2002): Städtisches Vermessungsamt Dresden, interner Projektbericht,

2002

TÓVÁRI & VÖGTLE (2004): TÓVÁRI, D., VÖGTLE, T.: Object Classification in Laser-Scanning Data. In:

Laser-Scanners for Forest and Landscape Assessment. Proceedings of NATSCAN-Conference,

Freiburg, 03.-06.10.2004, IAPRS Vol. XXXVI, PART 8/W2, S. 45-49

TU WIEN PRODUKTE (2005): Institute of Photogrammetry and Remote Sensing - TU Vienna. Inter-

net: http://www.ipf.tuwien.ac.at/products/products.html (Stand: 1.12.2005)

VERMESSUNGSAMT WIESBADEN (2006): Wiesbaden 2006 - Baumhöhen und Grünflächenbäume. In-

ternet: http://www.wiesbaden.de/die_stadt/vermessungsamt/download/Baumhoehen_

neu.pdf (Stand 3.3.2006)

VÖGTLE & STEINLE (2003): VÖGTLE, T., STEINLE, E.: On the Quality of Object Classification and

Automated Building Modelling Based on Laserscanning Data. In: Proceedings of the ISPRS

working group III/3 workshop 3-D reconstruction from airborne laserscanner and InSAR data, In-

ternational Archives of Photogrammetry, Remote Sensing and Spatial Information Sci-

ences, Volume XXXIV, Part 3/W13, Dresden, Germany 8-10 October 2003, S. 149 - 155

VOSSELMANN (2000): VOSSELMANN G.: Slope Based Filtering of Laser Altimetriy Data. International

Archives of Photogrammetry and Remote Sensing, Vol. 33, Part B3. S. 935-942

VOSSELMANN (2003): VOSSELMAN, G.: 3-D Reconstruction of Roads and Trees for City Modelling

International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, Vol.

34, Part 3/W13, Dresden, 2003, S. 231-236

VOSSELMANN & DIJKMAN (2001): VOSSELMAN, G., DIJKMAN, S.: 3D Building Model Reconstruction

from Point Clouds and Ground Plans. IAPRS International Archives of Photogrammetry and

Remote Sensing. Vol. 34, Part 3-W4, S. 37-43

WAGNER et al. (2003): WAGNER, W., ULLRICH A., BRIESE C.: Der Laserstrahl und seine Interaktion mit

der Erdoberfläche. Österreichische Zeitschrift für Vermessung und Geoinformation (VGI), 91.

Jahrgang (2003), 4, S. 223 – 235


122

WAGNER et al. (2004): WAGNER, W., EBERHÖFER, C., HOLLAUS, M., SUMMER, G.: Robust Filtering of

Airborne Laser-Scanner Data for Vegetation Analysis. In: Laser-Scanners for Forest and Land-

scape Assessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS

Vol. XXXVI, PART 8/W2, S. 56-61

WANG (1990): WANG, F.: Fuzzy Supervised Classification of Remote Sensing Images. IEEE Transac-

tions on Geoscience and Remote Sensing 28, 1990, S. 194-201

WEINACKER (2004): WEINACKER, H., KOCH, B., HEYDER, U., WEINACKER, R.: Development of Filter-

ing, Segmentation and Modelling Modules for LIDAR and Multispectral Data as a Funda-

ment of an Automatic Forest Inventory System. In: Laser-Scanners for Forest and Landscape

Assessment. Proceedings of NATSCAN-Conference, Freiburg, 03.-06.10.2004, IAPRS Vol.

XXXVI, PART 8/W2, S. 50-55

WEVER (1999): WEVER, C: Laserscannermessungen – ein Verfahren setzt sich durch. In: GIS – Geoin-

formationssysteme. 12 (2), S. 12-17

WIELAND (1997): WIELAND, R., K.-O. WENKEL, M. VOSS & B. WILKENING: Einsatz von Neuro-Fuzzy-

Technologien zur Habitatmodellierung. In: Erkenntnisse, Methoden und Lösungsansätze für

eine dauerhafte Naturentwicklung in Mitteleuropa. 27. Jahrestagung der Gesellschaft für Öko-

logie (1.-6. September, Müncheberg, 1997

WILKENING (2004): WILKENING, B.: Habitatmodellierung mit SAMT, ZALF – Institut für Land-

schaftssystemanalyse, Dezember, 2004. Internet: http://www.zalf.de/home_zalf/

download/lsa/agtool/samt/Fuzzy-wilkening10_12_04.pdf (Stand: 3.3.2006)

ZIMMERMANN & ALTROCK (1995): ZIMMERMANN, H.-J., ALTROCK, C. V.: Fuzzy Logic- Anwendungen.

Band 2, München, Oldenbourg Verlag, 2. Aufl., 1995

ZUSE INSTITUTE BERLIN (2006): Zuse Institute Berlin. Internet: http://www.zib.de/ (Stand:

1.11.2005)

Anlagen

123

Anlagen

Anlagen

124

A Verfügbarkeit von Laserscannerdaten für die 52 größten Städte Deutschlands Stadt Einwohner Verfügbarkeit Internetnachweis (Stand 03/2006)Aachen 257.821 k.A.Augsburg 260.407 k.A.Berlin 3.387.828 k.A.Bielefeld 328.012 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmBochum 388.179 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmBonn 311.938 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmBraunschweig 245.872 x http://vv.braunschweig.de/vv/III/61/61_2/stadtmodell.phpBremen 545.932 k.A.Chemnitz 248.365 k.A.Dortmund 588.680 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmDresden 487.421 x http://www.topscan.deDuisburg 504.403 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmDüsseldorf 572.663 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmErfurt 202.450 x http://www.topscan.deEssen 588.084 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmFrankfurt am Main 646.889 k.A.Freiburg im Breisgau 213.998 k.A.Gelsenkirchen 270.107 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmHagen 198.780 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmHalle (Saale) 238.497 k.A.Hamburg 1.734.830 x http://www.itwm.fraunhofer.de/de/sks__projects__sks_hochwasser_und_risikomanagement/lasersc/Hamm 184.926 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmHannover 515.841 x http://www.ikg.uni-hannover.de/publikationen/publikationen/2004/oldenburg_brenner_dold2004_v2.pdfHerne 171.831 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmKarlsruhe 284.163 x http://www.topscan.deKassel 194.464 k.A.Kiel 233.329 k.A.Köln 969.709 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmKrefeld 238.270 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmLeipzig 498.491 k.A.Leverkusen 161.601 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmLübeck 211.874 k.A.Ludwigshafen 162.836 x http://www.topscan.deMagdeburg 226.675 k.A.Mainz 186.061 x http://www.wiesbadener-kurier.de/region/objekt.php3?artikel_id=2285733Mannheim 307.499 x http://www.topscan.deMönchengladbach 261.966 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmMülheim an der Ruhr 170.327 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmMünchen 1.249.176 x http://www.cybercity.tv/munich_d.htmMünster 270.038 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmNeuss 151.875 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmNürnberg 495.302 k.A.Oberhausen 219.309 k.A.Oldenburg 158.394 k.A.Osnabrück 164.489 k.A.Rostock 198.993 k.A.Saarbrücken 180.269 k.A.Solingen 164.205 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htmStuttgart 590.657 x http://www.isi.fraunhofer.de/e/publikation/waerme/PW-Band-1-311120.pdfWiesbaden 274.076 x http://webserver.fb1.fh-frankfurt.de/asset/office/03681.pdfWuppertal 361.077 x http://www.lverma.nrw.de/produkte/landschaftsinformation/hoehenmodelle/oberflaechenmodelle/dom5/DOM5.htm

Anlagen

125

B.1 Gebäudeextraktion - Workflow Methode H

nDOMHöhenschwellwert: > 3,0 m

Opening (7x7, rund)Varianz - Filter3x3 Pixel

GebäudemaskeLuftbild

Sieve: Regionen mit rauen Flächenanteil > 70 %

Sieve: Regionen mit Fläche < 40 m²

Clump

Schwellwert: < 10

nDOMHöhenschwellwert: > 3,0 m

Opening (7x7, rund)Varianz - Filter3x3 Pixel


Sieve: Regionen mit rauen Flächenanteil > 70 %

Sieve: Regionen mit Fläche < 40 m²

Clump

Schwellwert: < 10

Anlagen

126

B.2 Gebäudeextraktion - Workflow Methode P

Schwellwert: < 0,25 m

Opening (3x3)


Sieve: Regionen mit rauenFlächenanteil des nDOMs > 70%

Sieve: Regionen mit mittlerer Höhe < 1,5 m

Clump

Varianz 3x3

Berechnung der Punktdichte mit einem Suchradius von 2 m

Bodenpunkte

nDOM

Schwellwert: Varianz < 10

Anlagen

127

B.3 Gebäudeextraktion - Workflow Methode M


Überwachte Maximum-LikelihoodKlassifikation

Berechnung der Punktdichte

mit einem Suchradius von

2 m

Bodenpunkte

nDOMLaplace, 3x3

4er-NachbarschaftGradient (Maximaler Anstieg)

Binarisierung durch Aggregation

Eliminieren vonGebäudepixel < 1,5 Meter

Opening-Closing3x3 Pixel

3-Kanal-Bild

Anlagen

128

B.4 Gebäudeextraktion - Ergebnisse der Gebäudeextraktion

Anlagen

129

B.5 Gebäudeextraktion - Prinzip zur Ermittlung der Güte Die Güte der Extraktion ergibt sich aus dem Anteil richtig klassifizierter Pixel innerhalb der Referenzgeometrien (Gebäude einer Versiegelungskartierung):

Anlagen

130

B.6 Gebäudeextraktion - Güte der Gebäudeextraktion Güte der extrahierten Objekte und deren Häufigkeit:

Häufigkeitsverteilung der Objekte für H

0

200

400

600

800

1000

1200

1400

1600

0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100

Güte der Extraktion [%]

Anz

ahl d

er O

bjek

te

Häufigkeitsverteilung der Objekte für P

0

200

400

600

800

1000

1200

1400

1600

0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100


Anz

ahl d

er O

bjek

te

Häufigkeitsverteilung der Objekte für M

0

200

400

600

800

1000

1200

1400

1600

0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80 80-90 90-100


Anz

ahl d

er O

bjek

te

Güte der Extraktion in Abhängigkeit der Objektgröße: Güte der Extraktion in Abhängigkeit der Objektgröße für

H

0100020003000400050006000700080009000

10000

0 20 40 60 80 100


Grö

sse

der O

bjek

te [m

²]

Güte der Extraktion in Abhängigkeit der Objektgröße für P

0

1000

2000

3000

4000

50006000

7000

8000

9000

10000

0 20 40 60 80 100


Grö

sse

der O

bjek

te [m

²]

Güte der Extraktion in Abhängigkeit der Objektgröße für M

0100020003000400050006000700080009000

10000

0 20 40 60 80 100


Grö

sse

der O

bjek

te [m

²]

Güte der Extraktion in Abhängigkeit der Gebäudehöhe: Güte der Extraktion in Abhängigkeit der Gebäudehöhe für H

0

5

10

15

20

25

0 20 40 60 80 100


Geb

äude

höhe

der O

bjek

te [m

]

Güte der Extraktion in Abhängigkeit der Gebäudehöhe für P

0

5

10

15

20

25

0 20 40 60 80 100


Grö

sse

der G

ebäu

dehö

he [m

]

Güte der Extraktion in Abhängigkeit der Gebäudehöhe für M

0

5

10

15

20

25

0 20 40 60 80 100


Geb

äude

höhe

der

Obj

ekte

[m]

Güte der Extraktion in Abhängigkeit vom Gebäudevolumen: Güte der Extraktion in Abhängigkeit des Gebäudevolumens

für H

0

20000

40000

60000

80000

100000

0 20 40 60 80 100


Geb

äude

volu

men

[m³]

Güte der Extraktion in Abhängigkeit des Gebäudevolumens für P

0

20000

40000

60000

80000

100000

0 20 40 60 80 100


Geb

äude

volu

men

[m³]

Güte der Extraktion in Abhängigkeit des GEbäudevolumens für M

0

20000

40000

60000

80000

100000

0 20 40 60 80 100


Geb

äude

volu

men

[m³]

Anlagen

131

C Auswertung der Punktdichte Berechnete mittlere Oberflächenpunktdichte (PDrel) mit zugehöriger Standardabweichung (S )für die Hauptvegetationstypen:

Gesamt Laubbaum Strauch Nabelbaum Anzahl der Referenzflächen 128 67 28 32 Anzahl Oberflächenpunkte 4668 2188 595 1885 ø PDrel (1 m Suchradius) [%] 65,88 83,44 92,49 SD 25,51 21,41 15,76 ø PDrel (2 m Suchradius) [%] 41,00 68,84 85,75 SD 22,04 23,29 18,04 ø PDrel (4 m Suchradius) [%] 24,05 52,21 76,82 SD 17,04 20,65 18,04 ø PDrel (6 m Suchradius) [%] 18,49 42,30 68,44 SD 14,21 17,52 16,90 ø PDrel (8 m Suchradius) [%] 15,69 36,34 60,37 SD 12,39 14,80 15,19

Anlagen

132

D.1 Programmoberfläche des SAMT Fuzzy-Tools Aufstellung von Zugehörigkeitsfunktionen für den Indikator Höhe (Hn) und der Relativen O-berflächenpunktdichte (PDrel):

Definieren der Ausgabegrößen in Form von Singletons und die Aufstellung des Regelwerks:

Visualisierung der Verhaltensfläche (Radius = f (Höhe, Punktdichte)) und das Menü zum Lesen der Eingangsdaten:

Anlagen

133

D.2 Regelbasis der Fuzzy-Modelle Regelwerk des Fuzzy-Modells Radius Nr.29 (grau - Laubbaumbestand)

Zugehörigkeitsfunktionen der zwei Eingangsgrößen Prämisse KonklusionNormierte Höhe Hn

Relative Punktdichte PDrel

Radius R [m]

Strauch AND Sehr niedrig 0 Strauch AND Sehr hoch 0 Niedriger Baum AND Sehr niedrig 3Niedriger Baum AND Sehr hoch 0 Mittlerer Baum AND Sehr niedrig 5Mittlerer Baum AND Sehr hoch 0 Hoher Baum AND Sehr niedrig 10Hoher Baum AND Sehr hoch 0 Zu Hoch AND Sehr niedrig 0 Zu Hoch AND Sehr hoch 0

Regelwerk des Fuzzy-Modells HKF Nr.18 mit (HKF*) und ohne (HKF) Kronenformkorrektur (grau - Laubbaumbestand)

Zugehörigkeitsfunktionen der zwei Eingangsgrößen Prämisse Konklusion Normierte Höhe Hn

Relative Punkt-dichte PDrel

Höhen- korretur- faktor HKF

Höhen- korretur- faktor HKF*

Niedrig AND Sehr niedrig 1 1 Niedrig AND Niedrig 1 1 Niedrig AND Mittel 1 1 Niedrig AND Sehr hoch 1 1 Kleiner Baum AND Sehr niedrig 2,5 1,578 Kleiner Baum AND Niedrig 1,5 0,947 Kleiner Baum AND Mittel 1 1 Kleiner Baum AND Sehr hoch 1 1 Mittlerer Baum AND Sehr niedrig 2,75 1,735 Mittlerer Baum AND Niedrig 1,75 1,104 Mittlerer Baum AND Mittel 1 1 Mittlerer Baum AND Sehr hoch 1 1 Hoher Baum AND Sehr niedrig 1,1 0,694 Hoher Baum AND Niedrig 1 0,631 Hoher Baum AND Mittel 1 1 Hoher Baum AND Sehr hoch 1 1

Anlagen

134

E. Kronenformkorrektur - Empirisch ermittelte Formzahlen

Gattung Anzahl Anteil [%] Formzahl Binärbild Linde 16481 24,81 0,620

Ahorn 15357 23,12 0,610

Eiche 4646 6,99 0,720

Kastanie 4236 6,38 0,720

Kirsche, Pflaume 2556 3,85 0,610

Esche 2297 3,46 0,665

Birne 2129 3,21 0,630

Platane 2113 3,18 0,570

Weißdorn 1777 2,68 0,700

Eberesche 1726 2,60 0,600

Pappel 1616 2,43 0,580

Birke 1347 2,03 0,650

Scheinakazie 1321 1,99 0,590

Schnurbaum 1237 1,86 0,620

Haselnuß 910 1,37 0,630

Zierapfel 563 0,85 0,650

Ulme 504 0,76 0,720

Hain-/ Weißbuche 470 0,71 0,590

Weide 443 0,67 0,710

Lederhülsenbaum 392 0,59 0,530

Ginkgo 391 0,59 0,510

Buche 373 0,56 0,730

Sonstige 3542 4,67 - Gesamt 66 427 100,00 0,631 -

Anlagen

135

F Workflow der Grünvolumenberechnung Dresden

Fuzzy-Modell RadiusRadius = f (NH, PD)

Bodenpunkte (x,y,z)

Fuzzy-Modell HKFHöhenkorrekturfaktor = f (NH, PD)

Relative Punktdichte (PD)Anteil der Oberflächen-punkte innerhalb eines 6 m Suchradius in %.

DGM aus Bodenpunkten interpoliert (TopScan)

Zylinder-Radius Ausgabegröße als ASCII-Datei

HöhenkorrekturfaktorAusgabegröße als ASCII-Datei

Generierung der Zylinder aus Radius und der korrigierten Höhe nur für den Laubbaumbestand

Oberflächenpunkte(x,y,z)

Normierte OberflächenpunkteMit entsprechender normalisierter Höhe (NH) und der relativen Punktdichte (PD) für jeden Punkt

nDOMInterpoliert aus normierten Ober-flächenpunkten mit Hinzunahme der Bodenpunkte mit konstanter Höhe 0.

Klassifizierte 3D-Laserpunkte

Rel

ativ

e P

unkt

dich

te

Rel

ativ

e P

unkt

dich

te

Normierte Höhe Normierte Höhe

Oberflächenpunkte (x, y, z)

Kreisscheiben (x, y, z, r)

Zylinder (x, y, z, r)

Zylinder mit Höhenkorrektur(x, y, z * f, r)

Maskierte normierte Oberflächenpunktezur Datenreduzierung (nur Vegetationspunkte, nur Punkte 38 m)

Vegetationsmaske

Korrektur des nDOM mit den Zylindern

Ableitung des Vegetations-nDOM

Maskierung des nDOMs durch Vegetationsmaske und synthetischer Volumenaufschlag für Rasen- und Ackerflächen.

Das Vegetations-nDOM kann nun mit Bezugsgeometrien verschnitten werden, um das spezifische oder absolute Grünvolumen pro Fläche zu bestimmen.

Die Berechnung erfolgte mit dem Fuzzy-Tool von SAMT. Als Schnittstelle dienten Input ASCII-Dateien mit der Höhe und der relativen Punkt-dichte. Die Ausgabegrößen der Fuzzyberechnungen wurden ebenfalls über ASCII-Dateien ausgegeben.

Das Fuzzy-Modell „Höhenkorrekturfaktor“ beinhaltet die Kronenformkorrektur von 0,631 für alle Punkte im Laubbaumbestand.

Fuzzy-Input RASCII-Datei

Umklassifizierung der Oberflächenpunkte 2 m in Bodenpunkte

Fuzzy-Input HKFASCII-Datei

Datenfluss der Oberflächenpunkte

Anlagen

136

G.1 Genauigkeitsabschätzung – Differenzen in Abhängigkeit der Rasterweite

Rasterweite [m]

Zellgröße [m²]

SD (Differenz-nDOM) [m³/m²]

1 1 6,20 (158 %) 5 25 4,90 (125 %) 10 100 3,90 (99 %) 15 225 3,16 (80 %) 20 400 2,70 (69 %) 25 625 2,44 (62 %) 30 900 2,10 (53 %) 35 1 225 1,86 (47 %) 40 1 600 1,74 (44 %) 45 2 025 1,49 (38 %) 50 2 500 1,47 (37 %) 55 3 025 1,36 (35 %) 60 3 600 1,30 (33 %) 65 4 225 1,27 (32 %) 70 4 900 1,15 (29 %) 75 5 625 0,98 (25 %) 80 6 400 1,08 (28 %) 85 7 225 1,04 (27 %) 90 8 100 1,00 (25 %) 95 9 025 1,08 (28 %)

100 10 000 0,93 (24 %)

Genauigkeitsbetrachtung basierend auf dem Differenz-nDOM

0

20

40

60

80

100

120

140

160

180

0 20 40 60 80 100

Rasterweite [m]

Gen

auig

keit

des

Grü

nvol

umen

s [+

/-%]

Anlagen

137

G.2 Genauigkeitsabschätzung – Korrelationskoeffizient in Abhän-gigkeit der Rasterweite

Raster-weite [m]

Zellgröße [m²]

Korrelationskoeffizient r (Pearson)

1 1 0,654 5 25 0,728 10 100 0,789 15 225 0,837 20 400 0,867 25 625 0,885 30 900 0,906 35 1 225 0,921 40 1 600 0,928 45 2 025 0,941 50 2 500 0,942 55 3 025 0,946 60 3 600 0,948 65 4 225 0,947 70 4 900 0,954 75 5 625 0,965 80 6 400 0,962 85 7 225 0,961 90 8 100 0,962 95 9 025 0,959

100 10 000 0,971

Korrelationskoeffizient in Abhängigkeit der gewählten Rasterweite

0,00

0,20

0,40

0,60

0,80

1,00

1,20

0 20 40 60 80 100

Rasterweite [m]

Kor

rela

tions

koef

fizie

nt

Anlagen

138

G.3 Genauigkeitsabschätzung – Korrelation der Berechnungen zum Volumen aus der Walddatenbank

Scatter Plot der Volumen aud der Walddatenbank und dem Lasermodell

0

0,5

1

1,5

2

2,5

3

3,5

4

4,5

5

5,5

6

0 0,5 1 1,5 2 2,5 3

Volumen aus WDB [m³ 10^6]

Volu

men

aus

Las

erm

odel

[m³ 1

0^6]

Scatterplot der Volumen aus der Walddatenbank und dem

Lasermodell

Anlagen

139

H.1 Grünvolumen der Bebauungstypen Dresden

Strukturtyp spez. GV

[m³/m²]

SD spez. GV

[m³/m²]

Max. spez. GV

[m³/m²]

Anteil an Gesamt-

GV[%]

Block-an-

zahl

Gesamt-fläche

[m²]

Geschlossene Blockbebauung (1) 0,40 0,34 1,24 0,05 95 1 179 609 Offene Blockbebauung (2) 1,20 0,91 6,85 1,44 696 10 510 455

Zeilen-/Reihenhausbebauung (3) 0,96 0,71 5,47 1,44 862 13 876 326 Einzel-/Doppelhausbebauung (4) 1,50 1,30 10,70 3,96 1 317 22 907 224

Mischformen (5) 1,17 1,10 8,96 2,79 830 19 706 338 Großflächige Bebauung (6) 0,56 0,61 5,55 1,47 412 23 956 350 Sport-/Freizeitanlagen (7) 1,79 1,53 8,80 0,37 41 2 317 370

Kleingärten (8) 1,02 0,67 5,24 0,88 196 8 761 414 Gleisanlagen (9) 1,05 1,62 10,59 0,58 160 3 915 189

Acker (A) 1,20 1,16 7,05 11,25 361 81 736 211 Grünland/Gärtnereien (B) 1,28 1,81 13,12 2,34 885 27 102 432

Parkanlagen/Zoo (C) 3,76 2,58 13,63 1,77 129 3 307 809 Friedhöfe (D) 4,08 1,67 8,94 1,20 47 2 067 402

Wald (E) 7,90 4,31 19,71 67,35 271 75 852 750 Wasserflächen (F) 2,30 3,21 19,54 0,27 277 6 329 228

Abgrabungen/Aufschüttungen (G) 0,67 0,63 1,90 0,07 10 1 257 613 Baustellen (H) 0,40 1,07 5,32 0,03 46 1 030 075

Verkehrsflächen, Garagen (I) 0,45 0,88 7,85 0,09 281 2 072 448 Brachflächen (K) 0,54 0,50 1,80 0,03 28 493 392

Blockrestflächen (L) 1,28 2,13 22,90 2,63 9 799 20 198 579 Insgesamt 16 743 328 578 214

GV – Grünvolumen, SD – Standardabweichung

Anlagen

140

H.2 Grünvolumen- und Vegetationsflächenanteile der Bebauungs-typen Dresden

Struktur-typ

GVGesamt

[m³/m²]

VFAGesamt

[%]

GVLaub-baum

[m³/m²]

GVNadel-

baum[m³/m²]

GVStrauch

[m³/m²]

GVRasen

[m³/m²]

GVAcker

[m³/m²]

VFALaub-baum

[%]

VFANadel-

baum[%]

VFAStrauch

[%]

VFARasen

[%]

VFAAcker

[%]

GZ

1 0,40 15,86 0,34 0,03 0,02 0,01 0,00 3,84 0,65 2,98 8,39 0,00 0,09

2 1,20 37,30 0,87 0,26 0,06 0,02 0,00 9,65 4,22 7,95 15,48 0,00 0,54

3 0,96 44,32 0,78 0,11 0,05 0,03 0,00 9,47 2,08 7,09 25,69 0,00 0,48

4 1,50 55,19 0,92 0,46 0,10 0,02 0,00 11,4 7,98 12,92 22,87 0,00 0,94

5 1,17 42,59 0,87 0,22 0,06 0,02 0,00 10,08 3,99 7,83 20,67 0,00 0,64

6 0,56 28,52 0,43 0,08 0,03 0,02 0,00 5,16 1,53 4,63 17,20 0,00 0,21

7 1,79 56,53 1,55 0,17 0,03 0,04 0,00 13,80 2,43 4,85 35,42 0,00 1,13

8 1,02 63,23 0,59 0,26 0,15 0,03 0,00 10,20 6,57 19,67 26,80 0,00 0,71

9 1,05 47,43 0,84 0,13 0,05 0,03 0,00 9,60 2,24 7,87 27,72 0,00 0,74

(A) 1,20 98,52 0,62 0,11 0,02 0,00 0,44 5,50 1,41 2,44 0,17 88,99 1,18

(B) 1,28 70,85 1,09 0,10 0,04 0,05 0,00 11,27 1,91 5,45 52,19 0,00 1,05

(C) 3,76 79,63 3,43 0,25 0,05 0,04 0,00 29,11 3,65 6,46 40,41 0,00 3,19

(D) 4,08 83,25 2,83 1,12 0,10 0,03 0,00 25,67 14,13 14,84 28,61 0,00 3,50

(E) 7,90 91,40 6,44 1,37 0,07 0,02 0,00 45,61 13,00 9,64 23,12 0,00 7,45

(F) 2,30 33,13 1,77 0,48 0,05 0,00 0,00 15,89 5,35 8,66 3,05 0,00 1,48

(G) 0,67 51,17 0,58 0,02 0,04 0,04 0,00 6,63 0,47 6,87 37,17 0,00 0,37

(H) 0,40 51,00 0,31 0,02 0,02 0,04 0,00 2,91 0,47 4,24 43,23 0,00 0,32

(I) 0,45 31,83 0,38 0,02 0,02 0,02 0,00 4,67 0,55 3,52 22,71 0,00 0,23

(K) 0,54 35,12 0,45 0,03 0,03 0,02 0,00 6,12 0,86 5,03 23,12 0,00 0,25

(L) 1,28 33,11 1,10 0,13 0,05 0,02 0,00 6,11 1,91 5,52 15,58 0,00 0,78

GV- Grünvolumen, VFA – Vegetationsflächenanteil, GZ – Grünzahl (GV*VFA)

(1) Geschlossene Blockbebauung

(2) Offene Blockbebauung

(3) Zeilen-/Reihenhausbebauung

(4) Einzel-/Doppelhausbebauung

(5) Mischformen

(6) Großflächige Bebauung

(7) Sport-/Freizeitanlagen

(8) Kleingärten

(9) Gleisanlagen

(A) Acker

(B) Grünland/Gärtnereien

(C) Parkanlagen/Zoo

(D) Friedhöfe

(E) Wald

(F) Wasserflächen

(G) Abgrabungen/Aufschüttungen

(H) Baustellen

(I) Verkehrsflächen, Garagen

(K) Brachflächen

(L) Blockrestflächen

Anlagen

141

H.3 Grünvolumen-Bauvolumen-Differenz der Bebauungstypen Dresden

Strukturtyp GV [m³/m²]

BV [m³/m²]

GV-BV [m³/m²]

Normalisierte Differenz zwischen I GV - BV

Geschlossene Blockbebauung (1) 0,40 7,83 -7,43 0,87 Offene Blockbebauung (2) 1,20 2,95 -1,74 0,40

Zeilen-/Reihenhausbebauung (3) 0,96 3,04 -2,08 0,48 Einzel-/Doppelhausbebauung (4) 1,50 1,11 0,38 -0,09

Mischformen (5) 1,17 2,78 -1,60 0,21 Großflächige Bebauung (6) 0,56 2,11 -1,55 0,45 Sport-/Freizeitanlagen (7) 1,79 0,40 1,39 -0,60

Kleingärten (8) 1,02 0,30 0,73 -0,60 Gleisanlagen (9) 1,05 0,18 0,87 -0,76

Acker (A) 1,20 0,04 1,16 -0,93 Grünland/Gärtnereien (B) 1,28 0,08 1,20 -0,85

Parkanlagen/Zoo (C) 3,76 0,09 3,67 -0,93 Friedhöfe (D) 4,08 0,19 3,88 -0,89

Wald (E) 7,90 0,10 7,80 -0,96 Wasserflächen (F) 2,30 0,02 2,27 -0,93

Abgrabungen/Aufschüttungen (G) 0,67 0,03 0,64 -0,90 Baustellen (H) 0,40 0,51 -0,11 -0,70

Verkehrsflächen, Garagen (I) 0,45 0,09 0,36 -0,72 Brachflächen (K) 0,54 0,33 0,20 -0,60

Blockrestflächen (L) 1,28 0,12 1,17 -0,79

GV- Grünvolumen, BV – Bauvolumen

Anlagen

142

H.4 Kartenbeispiel – Grünzahl

Anlagen

143

H.5 Kartenbeispiel – Bauvolumen

Anlagen

144

I Quellcodes der AML-Programme construct_cylinder.aml/****************************************** /* Datei: construct_cylinder.aml /* Bearbeiter: Robert Hecht /* Letzte Änderung: 01.03.2006/* Beschreibung:/* Auslesen und Zuweisen der Zylinderradien und des Höhenkorrekturfaktors der PAT/* Schreiben eines GEN-FILES /* Konstruktion der Zylinder in das nDOM /****************************************** /* USAGE: CONSTRUCT <cover> <index> /* <cover> - Normiertes Punktcoverage /* <index> - Fortlaufende Nummerierung des Blockes /******************************************/********* HAUPTPROGRAMM*******************/******************************************&args cover number extent_grid&if ^ [exists %cover% -cover] &then&do &set errortype = nocover &call usage&end

&sv file = ascout[value number].txt&sv faktfile = ascfaktout[value number].txt&call readfile /*Lesen der ASCII-FILES&call gencircles /*Schreiben eines nach der Höhe sortierten GEN-FILES&call kreisgrid /* Konstruktion der Zylinder in das nDOM&ret &inform Info: Berechnungen erfolgreich beendet.

/* ------------------------------------------------------------------------------- /* Routine zum Lesen des ASCII-Files (ascout.dat und ascfaktout.dat mit den Kreisradien (output aus SAMT-Berechnung)/* ------------------------------------------------------------------------------- &routine readfile

&sv cov = %cover% /*Name des INPUT-Point-Coverages mit den Items - NZ (Hoehe) und Pointdensity (PD) /* Nur Vegetationsoberflächenpunkte gehen hier rein. /* Nur Höhenwerte größer Null, ansonsten auf 0 gesetzt

&if [iteminfo %cov%.pat -info rad -exists] &then &ty Item exists - The values will be over written&else additem %cov%.pat %cov%.pat rad 4 12 f 3&if [iteminfo %cov%.pat -info newz -exists] &then &ty Item exists - The values will be over written&else additem %cov%.pat %cov%.pat newz 4 12 f 3 ap &sv inunit1 := [open %file% openstatus -read] &if %openstatus% <> 0 &then &return &warning Error opening radius-file. &sv inunit2 := [open %faktfile% openstatus2 -read] &if %openstatus2% <> 0 &then &return &warning Error opening fakt-file.

&sv line1 = [read %inunit1% readstatus] &if %readstatus% <> 0 &then &return &warning Could not read radius-file.

&sv line2 = [read %inunit2% readstatus2] &if %readstatus2% <> 0 &then &return &warning Could not read fakt-file.

nselect %cov% point nselect %cov% point

CURSOR cur_pat DECLARE %cov%.pat info rw CURSOR cur_pat OPEN

&do &while %:cur_pat.aml$next% &sv :cur_pat.rad [extract 1 [unquote %line1%]] &sv :cur_pat.newz = %:cur_pat.nz% * [extract 1 [unquote %line2%]] &sv line1 := [read %inunit1% readstatus] &sv line2 := [read %inunit2% readstatus2] CURSOR cur_pat NEXT &end CURSOR cur_pat CLOSE CURSOR cur_pat REMOVE q

&if [close %inunit1%] <> 0 &then &return &warning Unable to close %file%.&if [close %inunit2%] <> 0 &then &return &warning Unable to close %faktfile%.

&ret /* ------------------------------------------------------------------------------- /* Routine zum schreiben eines nach der Zylinderhöhe sortierten gen-files /* ------------------------------------------------------------------------------- &routine gencircles &sv genline = gen-circle.txt /*NAME ERZEUGTE GENLINE &sv circles = circles /*NAME DES ERZEUGTES LINIENCOVERAGE

/*Loeschen alter Temporaerer Datensaetze

&if [exists tab -info] &then killinfo tab&if [exists %genline% -file] &then [DELETE %genline% -FILE]precision double doubletables copy %cov%.pat tabq

ae edit tab info sel all sort newzqyy

ae

Anlagen

145

&sv writefile [open %genline% openstatus -write]

edit %cov% point select all &sv numpoi [show number select] &ty Anzahl der Punkte ist %numpoi% apc nselect tab info nselect tab info CURSOR cur_info DECLARE tab info ro CURSOR cur_info OPEN &do &while %:cur_info.aml$next% &if %:cur_info.rad% ne 0 &then &do &sv temp = %:cur_info.nveg1#% &sv recline [quote %:cur_info.nveg1#% ,%:cur_info.x-coord%, %:cur_info.y-coord%, %:cur_info.rad%, %:cur_info.newz% ] &if [write %writefile% %recline%] <> 0 &then &type Could not write file. &ty %:cur_info.x-coord%, %:cur_info.y-coord% %:cur_info.nveg1#% von %numpoi% done. &end CURSOR cur_info NEXT &end /* Point-Schleife CURSOR cur_info CLOSE CURSOR cur_info REMOVE &if [close %writefile%] <> 0 &then &return &warning Unable to close %gen-line%. qq

&type Es wurde eine Datei %genline% erzeugt.&if [exists %circles% -cover] &then kill %circles% allgenerate %circles% input %genline% circlesqbuild %circles% arc

/* Eine Coverage %circles% wurde erzeugt.&if [exists tab -info] &then killinfo tab&ret

/* ------------------------------------------------------------------------------- /* Routine zum Erzeugen eines GRIDs/* ------------------------------------------------------------------------------- &routine kreisgrid

&sv gen_circle = gen-circle.txt &sv outgrid = filt[value number] &sv extent_grid = lat7 &sv gridsave_number = 500000

/*Loeschen alter Datenbestaende&if [exists %outgrid% -grid] &then kill %outgrid% all grid setwindow %extent_grid% setcell %extent_grid% setmask %extent_grid% status disp 9999 mapextent %extent_grid% %outgrid% = float(%extent_grid%)

gridedit edit %outgrid% setwindow %outgrid% setcell %outgrid% sHADECOLORRAMP 0 60 black white &sv inunit1 := [open %gen_circle% openstatus -read] &if %openstatus% <> 0 &then &return &warning Error opening text-file.

gruenvolumen.aml/******************************************/* Datei: gruenvolumen.aml/* Bearbeiter: Robert Hecht/* Letzte Änderung: 01.03.2006/* Beschreibung: Berechnung des Gruenvolumens durch hybride Verscheidung/* von Vektordaten mit einem Grid /******************************************

/* USAGE: GRUENVOLUMEN <cover> <grid> <itemname>/* <cover> - Bezugsgeometrien/* <grid> - Vegetations-nDOM/* <itemname> - Name des angelegten Items zur Gruenvolumenberechnung

&args INCOV INGRID&sv incov = part1 &sv ingrid = D:\gruenvolumen_gt2m\correction_cfc_Randfehler_extra\correction_cfc_mit_rand\grvol &sv itemname = GV &sv cellsize = 1

/*Loeschen von Konfliktbereitenden Daten &if [exists %incov%g -grid] &then kill %incov%g all &if [exists %incov%z -grid] &then kill %incov%z all

describe %incov% &sv xmax = [calc [truncate %DSC$xmax%] + 2.5] &sv ymax = [calc [truncate %DSC$ymax%] + 2.5] &sv xmin = [calc [truncate %DSC$xmin%] - 2.5] &sv ymin = [calc [truncate %DSC$ymin%] - 2.5]

&sv row = [calc %xmax% - %xmin%] &sv col = [calc %ymax% - %ymin%] polygrid %incov% %incov%g %incov%# %cellsize%n%xmin%, %ymin% %col%, %row% gridsetwindow %incov%g %incov%z = ZONALMEAN (%incov%g, %ingrid%, DATA) q

Anlagen

146

createlabels %incov% addxy %incov% point

&if [iteminfo %incov%.pat -info %itemname% -exists] &then &type Item exists. It will be overwritten. &else additem %incov%.pat %incov%.pat %itemname% 4 2 f 3

ap

display 9999 mape %ingrid%

cursor ptcur declare %incov% poly rw cursor ptcur open cursor ptcur next

&do &while %:ptcur.aml$next% &sv cv [calc [show cellvalue %incov%z %:ptcur.x-coord% %:ptcur.y-coord%] / 100.0] &ty cellvalue is %cv% on position [show select %incov% poly 1 xy] &if %cv% gt 0 &then &do &sv :ptcur.%itemname% = %cv% &ty [value :ptcur.%itemname%] &end &else &ty Kein wert!

cursor ptcur next &end

cursor ptcur close cursor ptcur remove

q /* quit from arcplot

/*Loeschen temporaerer Daten &if [exists %incov%g -grid] &then kill %incov%g all &if [exists %incov%z -grid] &then kill %incov%z all

&ret

get_pointdensity.aml

/******************************************/* Datei: get_pointdensity.aml/* Bearbeiter: Robert Hecht/* Letzte Änderung: 01.03.2006/* Beschreibung: AML Zum herauslesen eines Höhenwertes für jeden Punkt eines Eingangs-Coverages/******************************************

/* USAGE: GET_POINTDENSITY <grid> <cover>/* <grid> - Eingangsgrid/* <cover> - Punkt-Coverage

&args grid_name ptcov &if [iteminfo %ptcov%.pat -info pd6 -exists] &then &do &type PD6 existiert bereits. Vorhandenes Item in %ptcov%.PAT wird überschrieben.&end&else additem %ptcov%.pat %ptcov%.pat pd6 4 12 f 3

/* Start ARCPLOT um Werte herauszulesen

apdisplay 9999/* Deklarieren eines Cursor mit Lese- und Schreibrechten cursor ptcur declare %ptcov% points rw cursor ptcur open

&do &while %:ptcur.aml$next%

&sv cv [show cellvalue %grid_name% [show select %ptcov% points 1 xy]] &ty %cv% &if [quote %cv%] eq NODATA &then &do &ty ******************************** NODATA VALUE ******************* &sv :ptcur.pd6 = -9999 &end &else &sv :ptcur.pd6 = [calc %cv% / 10.0]

cursor ptcur next&endcursor ptcur close cursor ptcur remove q /* quit from arcplot &ret

intersect_mask.aml/******************************************/* Datei: intersect_mask.aml/* Bearbeiter: Robert Hecht/* Letzte Änderung: 01.03.2006/* Beschreibung: Verschneidung der Punkte mit einer Vegetationsmaske/* Filterung der Punkte ausserhalb der Vegetationsmaske, Filterung von Punkten GE 38 oder L /******************************************

/* USAGE: INTERSECT_MASK.AML

&sv startwert = 1&sv endwert = 18

/*Eingangsdaten

&sv obf = ncov /*Oberflächenpunkte&sv class_obf = nmask /*Mit Vegetationsmaske verschnittene Oberflächenpunkte&sv filt_obf = nveg /*Gefilterte Oberflächenpunkte&sv maskpoly = maskpoly /*Vegetationsmaske

precision double double

Anlagen

147

&do i = %startwert% &to %endwert% intersect [value obf]%i%c %maskpoly% [value class_obf]%i% point 0.0001 copy [value class_obf]%i% [value filt_obf]%i%ae edit [value filt_obf]%i% points sel grid-code eq 0 deleteqyyae edit [value filt_obf]%i% points sel nz ge 38 OR nz le 0 or pd6 gt 100 or pd6 lt 0 delete q y y&end&ret

obf_lt2m_to_bod.aml/******************************************/* Datei: obf_lt2m_to_bod.aml/* Bearbeiter: Robert Hecht/* Letzte Änderung: 01.03.2006/* Beschreibung: Umklassifizierung der Oberflächenpunkte kleiner als 2 Meter in Bodenpunkte /******************************************

/* USAGE: obf_lt2m_to_bod.aml

&sv startwert = 1 &sv endwert = 18

precision double double

&do i = %startwert% &to %endwert% &sv obf = nmask%i% &sv bod = D:\gruenvolumen_gt2m\bodenlt2m\cov%i% ae edit %obf% points sel nz lt 2 put %bod% y q

ae edit %obf% points sel nz lt 2 delete qyy&end&ret

pointdensity_6m.aml /******************************************/* Datei: pointdensity_6m.aml/* Bearbeiter: Robert Hecht/* Letzte Änderung: 01.03.2006/* Beschreibung: Berechnung der relativen Oberflächenpunktdichte mit einem Suchradius von 6 m/******************************************

/* USAGE: pointdensity_6m.aml

&do i = 1 &to 18 &sv bodcov = D:\gruenvolumen_gt2m\bodenlt2m\cov%i% /* Bodenpunkte &sv obfcov = D:\gruenvolumen_gt2m\nmask%i% /* Oberflächenpunkte

&describe %bodcov% &sv xmin = [calc [TRUNCATE %DSC$XMIN% ] - 0.5] &sv ymin = [calc [TRUNCATE %DSC$YMIN% ] - 0.5] &sv xmax = [calc [TRUNCATE %DSC$XMAX% ] + 0.5] &sv ymax = [calc [TRUNCATE %DSC$YMAX% ] + 0.5] grid disp 9999

SETWINDOW %xmin% %ymin% %xmax% %ymax% &ty Punktdichteberechnung (BODENPKT) des %i%.ten Blocks mit einem Radius von 6m pd6_bod%i% = POINTDENSITY (%bodcov%, NONE, 1, KERNEL, 1, 6) &ty Punktdichteberechnung (OBF) des %i%.ten Blocks mit einem Radius von 6m pd6_obf%i% = POINTDENSITY (%obfcov%, NONE, 1, KERNEL, 1, 6)

temp6_1 = pd6_obf%i% / (pd6_obf%i% + pd6_bod%i%) * 100 temp6_2 = con (isnull (temp6_1), 0, temp6_1) rel6_%i% = con (temp6_2 gt 100, 100, temp6_2) q&if [exists temp6_2 -GRID] &then kill temp6_2 all &if [exists temp6_1 -GRID] &then kill temp6_1 all &end&ret

Anlagen

148

unload.aml/******************************************/* Datei: unload.aml/* Bearbeiter: Robert Hecht/* Letzte Änderung: 01.03.2006/* Beschreibung: Erzeugung eines ASCII-Files/* mit normierter Höhe und der Punktdichte/******************************************

/* USAGE: unload.aml

tables&sv startwert = 1 &sv endwert = 18 &do i = %startwert% &to %endwert% sel nveg%i%.pat unload ascin1 nz pd6&endq&ret

Anlagen

149

J Parameterdateien der Fuzzy-Modelle fm_radius.fis (Fuzzy-Modell Radius Nr. 29)

input dsm 5 member busch trapeze -6.001 -6.000 2.500 5.000 member niedbaum triangular 2.500 5.000 10.000 member mittelbaum trapeze 5.000 10.000 12.326 24.884 member hochbaum trapeze 12.326 24.884 38.953 40.814 member zu_hoch trapeze 38.953 40.814 64.000 65.000 input pd 2 member sehr_niedrig trapeze -1 -0.99 5.97 30.97 member sehr_hoch trapeze 5.97 30.97 100 100.01 outputs radius 4 output 0 0 output 3m 3 output 5m 5 output 10m 10 rules 10 0 0 0 1 0 1 0 1 1 0 1 1 1 1 0 1 2 0 2 1 2 1 0 1 3 0 3 1 3 1 0 1 4 0 0 1 4 1 0 1

fm_hkf_o.fis (Fuzzy-Modell HKF Nr. 18)

input Dsm 4 member niedrig trapeze -2.000 -1.000 3.667 6.167 member kleiner_Baum triangular 3.667 6.167 10.000 member mittel_baum triangular 6.167 10.000 20.167 member hoherbaum trapeze 10.000 20.167 99.000 100.000 input PD 4 member sehr_niedrig triangular 0 0.01 5.41 member niedrig triangular 0.01 5.41 21.828 member mittel triangular 5.41 21.828 48.321 member sehr_hoch trapeze 21.828 48.321 100 101 outputs Korrekturfaktor 6 output 1 1 output 1.1 1.1 output 1.5 1.5 output 1.75 1.75 output 2.5 2.5 output 2.75 2.75 rules 16 0 0 0 1 0 1 0 1 0 2 0 1 0 3 0 1 1 0 4 1 1 1 2 1 1 2 0 1 1 3 0 1 2 0 5 1 2 1 3 1 2 2 0 1 2 3 0 1 3 0 1 1 3 1 0 1 3 2 0 1 3 3 0 1

Anlagen

150

fm_hkf.fis (Fuzzy-Modell HKF Nr. 18 inklusive Kronenformkorrektur) input Dsm 4 member niedrig trapeze -2.000 -1.000 3.667 6.167 member kleiner_Baum triangular 3.667 6.167 10.000 member mittel_baum triangular 6.167 10.000 20.167 member hoherbaum trapeze 10.000 20.167 99.000 100.000 input PD 4 member sehr_niedrig triangular 0 0.01 5.41 member niedrig triangular 0.01 5.41 21.828 member mittel triangular 5.41 21.828 48.321 member sehr_hoch trapeze 21.828 48.321 100 101 outputs Korrekturfaktor 7 output 1*0,631 0.631 output 1.1*0.631 0.6941 output 1.5*0.631 0.9465 output 1 1 output 1.75*0.631 1.10425 output 2.5*0.631 1.5775 output 2.75*0.631 1.735 rules 16 0 0 3 1 0 1 3 1 0 2 3 1 0 3 3 1 1 0 5 1 1 1 2 1 1 2 3 1 1 3 3 1 2 0 6 1 2 1 4 1 2 2 3 1 2 3 3 1 3 0 1 1 3 1 0 1 3 2 3 1 3 3 3 1

Anlagen

151

K Kartenteil

Karte 1: Spezifisches Grünvolumen (Blockkarte)

Karte 2: Spezifisches Grünvolumen Laubbaum (Blockkarte)

Karte 3: Spezifisches Grünvolumen Nadelbaum (Blockkarte)

Karte 4: Spezifisches Grünvolumen Strauch (Blockkarte)

Karte 5: Spezifisches Grünvolumen Rasen, Wiese (Blockkarte)

Karte 6: Spezifisches Grünvolumen Acker (Blockkarte)

Karte 7: Grünvolumenanteil Laubbaum (Blockkarte)

Karte 8: Grünvolumenanteil Nadelbaum (Blockkarte)

Karte 9: Grünvolumenanteil Strauch (Blockkarte)

Karte 10: Grünvolumenanteil Rasen, Wiese (Blockkarte)

Karte 11: Grünvolumenanteil Acker (Blockkarte)

Karte 12: Vegetationsflächenanteil (Blockkarte)

Karte 13: Flächenanteil Laubbaum (Blockkarte)

Karte 14: Flächenanteil Nadelbaum (Blockkarte)

Karte 15: Flächenanteil Strauch (Blockkarte)

Karte 16: Flächenanteil Rasen, Wiese (Blockkarte)

Karte 17: Flächenanteil Acker bezogen (Blockkarte)

Karte 18: Spezifisches Grünvolumen (Stadtbiotoptypenkartierung)

Karte 19: Spezifisches Grünvolumen (regelmäßiges Raster (100 x 100 m)

Karte 20: Grünvolumen-Bauvolumen-Differenz (Blockkarte)

Karte 21: 3D-Darstellung des Grünvolumens (Blockkarte)

Documents

Diplomarbeit - ioer.de · GmbH) sowie Katrin Schnadt (©Toposys GmbH) für die Bereitstellung von Testdatensätzen und Informationen bedanken. Bedanken möchte ich mich bei Prof