Material und Methoden Probenmaterial

Die bereits erhobenen Daten wurden von der Firma Hofer & Pautz GbR Ingenieurge-sellschaft aus Altenberge zur Verfügung gestellt. Das aufgenommene Torfabbaugebiet liegt in der so genannten „Esterweger Dose” zwischen Papenburg und Oldenburg in Niedersachsen. Der mittlerweile als Naturschutzgebiet ausgeschriebene „(...) größte Hochmoorkomplex in Niedersachsen” (NABU-^EMSLAND-^NORD.^DE 2016) umfasst eine Flä-che von 4800 Hektar. Abgesehen von relativ homogenen TorffläFlä-chen mit den Erhebun-gen als Torfmieten und Senken als Entwässerungsgräben, gibt es innerhalb des Ge-biets wenig gewachsene Vegetation. Einzig eine große Baumreihe und ein paar Sträu-cher sowie vereinzelte Wasserflächen sind zu finden.

Die Datengrundlage sind 3D-Punktwolken im LAS-Format mit einem durchschnittlichen Punktabstand von 5 cm und georeferenzierte, hochauflösende UAS-Orthofotos als far-biges RGB-Komposit im *.tif-Datenformat. ArcGIS kann diese Datentypen direkt lesen und verarbeiten. Sämtliche Berechnungen und Verarbeitungsschritte erfolgen anhand des LAS-Datensatzes. Das Orthofoto dient zur räumlichen Orientierung und Verifikation der Berechnungen. Anders als bei LAS-Datensätzen, die durch eine Befliegung mit ei-nem LiDAR System aufgenommen wurden, enthält der in dieser Arbeit als Probemate-rial verwendete Datensatz lediglich Lage- und Höheninformationen. Mehrere Returns für einen Punkt in der Lage oder Intensitätswerte liegen nicht vor.

Stüwe, Prinz, Sajtos 122

Methoden

Die gewählte Methode besteht im Wesentlichen aus zwei Komponenten. Zum einen werden die Bereiche der Torfmieten anhand eines neigungsbasierten Ansatzes identifi-ziert und selektiert. Dabei werden die Punkte des LAS-Datensatzes über eine Schwel-lenwerteingabe in „Bodenpunkte” und „Nicht-Bodenpunkte” unterschieden. Da sich durch diese Methode aber nicht nur die gewünschten Torfmietenbereiche ermitteln las-sen, sondern weitere Oberflächenstrukturen mit erfasst werden, wird diese Selektion darüber hinaus über das Konzept des Topographic Position Index (TPI) weiter gefiltert.

Dieser beschreibt einen positiven oder negativen Ganzzahlwert, der durch einen Ver-gleich des eigenen Höhenwertes eines Punktes mit dem Höhenwert benachbarter Punkte berechnet wird. Anhand dieser Werte erfolgt eine Gruppierung in unterschiedli-che Geländeformen (vgl. J^ENNESSENT 2006).

Abbildung 1: Diagramm des prototypischen Arbeitsablaufs bis zur Klassifikation der Punktwolke.

Versuchsdurchführung

Die Grundlage für die Versuchsdurchführung in ArcGIS ist eine Konvertierung der Punktwolke in ein Raster mit Höhenwerten (vgl. Abbildung 1). Dazu wird aus dem LAS-Datensatz ein Multipoint-Feature erstellt, das Grundlage für einen Terrain-Datensatz ist. Die Erstellung eines Terrain-Terrain-Datensatzes wird über Berechnungen von Pyramiden dazu genutzt ein Hochfrequenzrauschen zu minimieren (D ESK-TOP.ARCGIS.COM 2016). Die verschiedenen Pyramidenebenen des Terrain-Datensatzes dienen nicht nur einer besseren Performance in der Anzeige, sondern bewirken auch, dass durch Reduzierung des Rauschens keine größeren Neigungen in eigentlich ebe-nen Flächen erkannt werden. Das Terrain wird in ein Raster mit Höhenwerten überführt.

Dieses Raster ist die Grundlage für alle weiteren Berechnungen. So lassen sich daraus sowohl ein Neigungsraster, bei dem die Werte der Zellen der maximalen Änderungsrate bzgl. einer 3 x 3-Nachbarschaft entsprechen, sowie fokale Statistiken einer Zelle und

somit auch den TPI berechnen. Die Form der Nachbarschaft zur Berechnung der foka-len Statistiken ist ein Kreisring. Als äußerer Radius wird die durchschnittliche Breite ei-ner Torfmiete in Zellen angegeben. Je nach Auflösung der LAS-Daten und des berech-neten Höhenrasters variiert dieser Wert. Der innere Radius entspricht der Hälfte des äußeren Radius. Der TPI wird aus den fokalen Statistiken konktret über die Formel

TPI = Int((Höhenraster - focalStat(nachbarschaft)) + 0,5) berechnet.

Sowohl die Neigungswerte als auch der TPI werden in einem Raster gespeichert, so dass gewünschte Bereiche dieser Raster selektiert werden können. Über eine Schwel-lenwerteingabe werden aus dem Neigungsraster nur Zellen weiter verarbeitet, die über diesem Wert liegen. Das TPI-Raster wird nach kleinen positiven Werten gefiltert, welche eine kleinere Erhebung beschreiben (vgl. JENNESSENT 2006). Beide Selektionen werden in ein Polygon-Feature konvertiert. Die TPI-Flächen werden als Verbindungoperator eingesetzt, damit aus den Neigungsflächen nur die Neigungen an den Torfmieten aus-gewählt werden.

Einige Torfmieten bilden an ihrer höchsten Stelle eine Art Plateau, so dass diese Berei-che der Miete über den neigungsbasierten Ansatz nicht mit erfasst werden (vgl. Abbil-dung 2).

Abbildung 2: Exemplarische 2D-Profilansicht einer Tormiete in ArcGIS zur Verdeutlichung ei-nes Plateaus. Das erzeugte Polygon-Feature (in schwarz) erfasst nur Bereiche mit größeren Neigungswerten.

Die Profilansicht zeigt, dass die höchsten Punkte des Ausschnitts der dargestellten Torfmiete kaum Neigung aufweisen. Das in schwarz dargestellte Polygon ist das Er-gebnis der Selektion des neigungsbasierten Ansatzes. Es werden lediglich Flächen er-fasst, die den Neigungs-Schwellenwert überschreiten. Die Torfmieten weisen jedoch zum Teil, insbesondere an ihren höchsten Stellen, ein solches Plateau auf. Diese Be-reiche liegen unter dem Schwellenwert und werden bei der Selektion des

Neigungsras-Stüwe, Prinz, Sajtos 124

ters nicht erfasst. Das Werkzeug „Union” hilft diese Lücken zu füllen. Wird das Werk-zeug eigentlich dazu gebraucht mehrere Feature-Classes oder Layer zu vereinigen, kann es an dieser Stelle dazu genutzt werden einzelne Features einer Feature-Class zu füllen. Dazu werden die erzeugten Polygon-Features als Eingabefeature gewählt. Zu-sätzlich wird die Option „Lücken erlauben” deaktiviert. In der Ausgabe Feature-Class werden daraufhin für Bereiche, die vollständig innerhalb eines Polygons liegen, Fea-tures mit leeren Attributen erzeugt und so die Lücken gefüllt.

Über einen kleinen Umweg lässt sich daraus ein einheitliches Polygon-Feature erzeu-gen. Dafür wird zunächst ein Rechteck mit Hilfe der Werkzeugleiste „Zeichnen” ge-zeichnet und als Feature gespeichert. Dieses Rechteck sollte in etwa die gleiche Aus-dehnung haben wie der LAS-Datensatz, mindestens aber so groß sein, dass es alle Polygon-Features enthält. Ein Polygon-Feature, das die Bereiche der Torfmieten ab-deckt, wird letztlich aus dem Rechteck extrahiert.

ArcGIS stellt mit dem Werkzeug „LAS-Klassencodes mithilfe von Features festlegen”

der 3D Analyst Toolbox eine Möglichkeit zur Verfügung einen Eingabe LAS-Datensatz anhand von Feature-Datensätzen zu klassifizieren bzw. vorhandene Klassencodes zu ändern. Das Eingabe-Feature ist das zuvor erstellt Polygon-Feature.

3 Ergebnisse (oder Methodenentwicklung)

Die Versuchsdurchführung wurde unter Nutzung des ArcGIS ModelBuilders in einem Prozess zusammengefasst, so dass eine Automatisierung in Klassifikationsprozess der LAS-Daten bzgl. der Torfmieten erfolgt.

Eine Quantifizierung einzelner Torfmieten wird über die Berechnung von zwei Rastern mit Höheninformationen aus dem klassifizierten LAS-Datensatz erzielt. Dabei enthält das erste Raster sämtliche Punkte des LAS-Datensatzes. Das zweite Raster enthält alle Punkte, abgesehen von denen, die als Torfmiete klassifiziert sind. Über eine Auftrags- bzw. Abtragsberechnung wird in einem Ergebnisraster das Volumen und die Oberfläche für einzelne Mieten ermittelt.

Abbildung 3: Ergebnisraster der Auftragsberechnung zur Quantifizierung der Torfmieten. reiche mit einer Volumenänderung werden in einer Attributtabelle des Rasters gespeichert. Be-reiche, die mit dunklerem Grün gekennzeichnet sind, enthalten keine Änderung.

Abbildung 3 zeigt das Ergebnisraster, in dem sich die Mieten deutlich erkennen lassen und als Objekte mit Volumen und Oberfläche zu identifizieren sind.

4 Diskussion

Die Ergebnisse dieser Arbeit zeigen einen prototypischen Arbeitsablauf zur Klassifikati-on vKlassifikati-on Tormieten in ArcGIS auf. Für diesen kKlassifikati-onkreten Anwendungsfall lassen sich so durch UAS gewonnene Daten in ArcGIS integrieren und teilautomatisiert auswerten.

Dieser prototypische Ansatz und bewirkt somit eine Effizienzsteigerung gegenüber einer manuellen Auswertung dieser Daten. Eine Weiterentwicklung bzgl. einer Vorfilterung von Vegetation wäre sinnvoll. Dies wäre ein denkbarer Ansatz, wenn der LAS-Datensatz weitere Informationen (z.B. Rückgabewerte einzelner Punkte), abgesehen von Lage und Höhe, liefert.

Literaturverzeichnis

ASPRS.ORG (2013): LAS SPECIFICATION VERSION 1.4 – R13. URL:

http://www.asprs.org/a/society/committees/standards/LAS_1_4_r13.pdf [Stand: Februar 2016]

BUND.NET (2016): Nutzung von Torf. URL:

http://www.bund.net/fileadmin/bundnet/pdfs/naturschutz/20100128_naturschutz_torf_verwe ndung.pdf [Stand: Februar 2016]

Stüwe, Prinz, Sajtos 126

DESKTOP.ARCGIS.COM (2016): Minimieren von Rauschen aus LIDAR für die Konturlinienabbil-dung und Neigungsanalyse. URL: http://desktop.arcgis.com/de/desktop/latest/manage-

data/las-dataset/lidar-solutions-minimizing-noise-from-lidar-for-contouring-and-slope-analysis.htm [Stand: Februar 2016]

FE-LEXIKON.INFO (2016): LIDAR. URL: http://www.fe-lexikon.info/lexikon-l.htm#lidar [Stand: Februar 2016]

JENNESS,JEFF (2006): Topographic Position Index (TPI) v. 1.2. URL:

http://www.jennessent.com/downloads/TPI_Documentation_online.pdf [Stand: Februar 2016]

NABU-EMSLAND-NORD.DE (2016): Esterweger Dose als Naturschutzgebiet ausgewiesen. URL:

http://nabu-emsland-nord.de/projekte-aktionen/esterweger-dose/ [Stand: Februar 2016]

Ein optimiertes UAV-Hyperspektralkamera-Konzept für den