Licht für den Wald

Anwendungsmöglichkeiten von Lidar im Forstbereich

Jens Wiesehahn

Einordnung


Recent advances in remote sensing and data processing are revolutionising our ability to accurately measure tree and forest structure from leaves to landscapes. (Lines et al. 2022)


Over the last 20+ years, lidar technology has fundamentally changed the way we observe and describe forest structure, and it will continue to impact the ways in which we investigate and monitor the relations between forest structure and functions. (Beland et al. 2019)

Das Funktionsprinzip

Funktionsweise

Lidar - Light Detection and Ranging

Plattformen


  • Spaceborne laser scanning (SLS) - global
  • Airborne laser scanning (ALS) - 10-1000 km²
  • Unmanned aerial vehicle laser scanning (ULS) - 0.02-10 km²
  • Mobile laser scanning (MLS) - 5-100 ha
  • Personal laser scanning (PLS) - 0.25-5 ha
  • Terrestrial laser scanning (TLS) - 0.01-1 ha

aus (Guo et al. 2022)

Die Datenverfügbarkeit

Europa


Länder in Europa mit ALS Daten als Open Data:

(Austria) , Belgium , Denmark , England , Estonia , Finland , France , (Ireland) , Italy , Latvia , Luxembourg , Netherlands , Norway , Poland , Portugal , Scotland , Slovakia , Slovenia , Spain , Catalonia (Spain) , Sweden , Switzerland , (Wales)

aus Moudrý et al. (2023)


-> Die meisten Europäischen Länder stellen die Daten kostenfrei zur Verfügung

Deutschland


Bundesländer mit ALS Daten als Open Data:

(Bayern), Berlin, Brandenburg, Hessen, Nordrhein-Westfalen, (Sachsen-Anhalt), Sachsen, Thüringen

Tabelle unter gist.github.com/wiesehahn


-> In Deutschland bisher sehr unterschiedliche Verfügbarkeiten (Datenformat, Kosten, etc.)

Niedersachsen


Die Daten sind kostenpflichtig, aber für NW-FVA über Kooperationsvertrag nutzbar

  • Die Daten haben eine Punktdichte von >= 4 Punkte pro m²
  • Flächige Abdeckung mit Daten von ~ 2013-2020
  • Daten außerhalb der Vegetationszeit
  • 2023 evtl. Daten aus Eigenbefliegung für den Solling


-> Daten in Niedersachsen recht heterogen, trotzdem nutzbar

Niedersachsen

Figure 1: Verfügbarkeit von ALS Daten in Niedersachsen nach Aufnahmejahr

ALS Datenverfügbarkeit Niedersachsen

Figure 2: Verfügbarkeit von ALS Daten in Niedersachsen nach Aufnahmemonat

Digitaler Zwilling Deutschland

Projekt für eine bundesweite Lidar-Erfassung

  • Befliegung ab 2023(?)
  • Datenverfügbarkeit ab ?
  • Wiederholung alle 3 Jahre geplant(?), vorerst 2x
  • Befliegung März bis Oktober (Vegetationszeit)
  • ca. >=40 Punkte (Pulses) pro m²
  • Single Photon Lidar (anderes Sensorprinzip)
  • Daten nicht frei zugänglich
  • primär für Bundesbehörden gedacht

Die Daten

Punktwolke

XYZ-Koordinaten - als Textdatei / LAS / LAZ / COPC

Attribute -XYZ

Attribute -Number of Returns

Attribute -Return Number

Attribute -Intensity

abgeleitete Standardprodukte


Punkte werden reduziert auf Oberfläche / Gelände


Gelände

= Digitales Geländemodell (DGM)

= Digital Terrain Model (DTM)


Oberfläche

= Digitales Oberflächenmodell (DOM)

= Digital Surface Model (DSM)


normalisierte Oberfläche

= normalisiertes Oberfllächenmodell (nDOM)

= normalized Surface Model (nDSM)

= Canopy Height Model (CHM)

abgeleitete Standardprodukte


beyond Standardprodukte

Punktbasierte Analysen

Punktbasierte Analysen

Anwendungen im Wald

Publikationen

Figure 3: Number of publications by year for (lidar OR laser) AND (forestry OR forest OR tree) (from dimensions.ai)


19 der 20 meistzitierten Wisschenschaftler kommen aus Skandinavien oder Nordamerika

Waldstruktur

Figure 4: Variables to describe the vertical structure of the vegetation (from Moudrý et al. (2023))

Kronenlücken

Figure 5: Forest Gap Change Detection (from https://github.com/carlos-alberto-silva/ForestGapR)

Umweltmonitoring

LAD/ LAI

from Almeida et al. (2019)

Stichprobeninventuren

aus Weiser et al. (2022)

Stichprobeninventuren

für ein stratifiziertes Sampling neuer oder ergänzender Stichprobenpunkte

aus (Goodbody et al. 2023)

Stichprobeninventuren

aus Jucker et al. (2017)

Biomasse Modellierung

Figure 6: Landscape scale extrapolation of wood volume (from Levick, Hessenmöller, and Schulze (2016))

Waldwachstum

Figure 7: Approaches used to characterize change in forest attributes (from Tompalski et al. (2021))

Multitemporales Beispiel

Bestandesinventur

Figure 8: Concept of updated forest inventory (from Coops et al. (2023))

Totholz

Figure 9: Graphical abstract of tree trunk detection with ALS data (from Heinaro et al. (2021))

Geomorphologie

Figure 10: Multiscale unsphericity curvature calculated from DTM as geomorphometric terrain index.

Hydrologie

Figure 11: Topographischer Feuchteindex (von julius-kuehn.de)

Hydrologie

Figure 12: Simulation des oberflächennaheeen Waserflusses (from baharmon.github.io)

Rückegassen

Figure 13: Skid trails derived from ALS data (from Lenoir et al. (2022))

Rückegassen

Schadensanalyse

Risikomodellierung, Schadensbewertung, Aufforstungsplanung,…

Figure 14: Verschneidung von ALS und kartierten Schadflächen

TLS - Biomasse

Figure 15: 3D TLS data to study biomass of individual trees (from Calders et al. (2022))

TLS - Waldstruktur

Figure 16: Sideview of experimental site in TLS (from twitter.com/LouiseTerrynn)

TLS/PLS - Plotaufnahme

PLS - Poltervermessung

Figure 17: Poltervermessung mit Smartphone (from afz-derwald)

SLS (GEDI) - Biomasse

Zusammenfassung

Einsatzmöglichkeiten NW-FVA

Berührungspunkte zu nahezu allen Forschungs- und vielen Praxisbereichen


Waldwachstum

  • Baumwachstum
  • Bestandesstruktur
  • Risikomodellierung
  • Integration Betriebsinventur

Waldschutz

  • Waldschadenserfassung

Waldgenressourcen

  • Versuchsflächenerfassung (Wachstum, Habitus)

Umweltkontrolle

  • LAI estimation
  • Hydrologische Modellierung
  • Waldzustand

Waldnaturschutz

  • Waldstruktur/ -dynamik
  • Habitatkartierung
  • Totholz

Einsatzmöglichkeiten Forstbetrieb


großes Potenzial für die Integration von Lidar-Daten

  • Forsteinrichtung
  • Waldumbauplanung
  • Waldfunktionenkartierung
  • Anlage permanenter Rückegassen
  • Standortskartierung

Fazit


Nutzung von Lidar im Forstbereich in Deutschland bisher völlig unterschätzt


Lidar Daten werden in Zukunft zentraler Datenbestandteil sein

  • Datenerfassung wird billiger (Sensoren, IPhone)
  • Öffentliche Daten immer mehr Open Data
  • große Projekte zur Datenerfassung (BKG)
  • Datenverarbeitung wird effizienter (AI)
  • Situation erfordert neue Wege (Klimawandel, Personalmangel)


Können wir Messungen im Feld jetzt einstellen?

  • nein, (Inventurpunkte, Untersuchungsflächen,…) bleiben enorm wichtig


Wir brauchen mehr Austausch (und digitale Kompetenzen)

Appendix

Gelände

Tree detection

Figure 18: Example of individual tree detection from ALS data (from www.wur.nl)

Pflanzegesellschaften

Figure 19: Using Lidar to highlight legacy effects still affecting the current composition of understory plant communities and their responses to macro-environmental changes (from Lenoir et al. (2022))

Forst-Fernerkundungs Studien in Deutschland

Figure 20: Anzahl von Studien pro Bundesland und Orte mit den meisten Studien

aus Holzwarth et al. (2020)

Genutzte Sensoren in Deutschland

Figure 21: Anzahl der Studien sortiert nach Plattform und Sensor getrennt nach Untersuchungsebene

aus Holzwarth et al. (2020)

Lidar Sensoren

Figure 22: Comparison of lidar sensor types used in airborne systems (from Mandlburger, Lehner, and Pfeifer (2019))

ALS CHM vs. image based CHM

Figure 23: Comparison of ALS- and image-based canopy height model (from White et al. (2013))

Enhanced forest inventory

Figure 24: Enhanced forest inventory for continuous data integration

Terrain Produkte

Figure 25: Terrain model derived descriptors to support forest decisions (from Assmann et al. (2022))

Waldwachstum

Figure 26: Approaches used to estimate past change in forest inventory attributes (from Tompalski et al. (2021))

Referenzen

Almeida, Danilo Roberti Alves de, Scott C. Stark, Gang Shao, Juliana Schietti, Bruce Walker Nelson, Carlos Alberto Silva, Eric Bastos Gorgens, Ruben Valbuena, Daniel de Almeida Papa, and Pedro Henrique Santin Brancalion. 2019. “Optimizing the Remote Detection of Tropical Rainforest Structure with Airborne Lidar: Leaf Area Profile Sensitivity to Pulse Density and Spatial Sampling.” Remote Sensing 11 (1): 92. https://doi.org/10.3390/rs11010092.
Assmann, Jakob J., Jesper E. Moeslund, Urs A. Treier, and Signe Normand. 2022. “EcoDes-DK15: High-Resolution Ecological Descriptors of Vegetation and Terrain Derived from Denmark’s National Airborne Laser Scanning Data Set.” Earth System Science Data 14 (2): 823–44. https://doi.org/10.5194/essd-14-823-2022.
Beland, Martin, Geoffrey Parker, Ben Sparrow, David Harding, Laura Chasmer, Stuart Phinn, Alexander Antonarakis, and Alan Strahler. 2019. “On Promoting the Use of Lidar Systems in Forest Ecosystem Research.” Forest Ecology and Management 450 (October): 117484. https://doi.org/10.1016/j.foreco.2019.117484.
Calders, Kim, Hans Verbeeck, Andrew Burt, Niall Origo, Joanne Nightingale, Yadvinder Malhi, Phil Wilkes, Pasi Raumonen, Robert G. H. Bunce, and Mathias Disney. 2022. “Laser Scanning Reveals Potential Underestimation of Biomass Carbon in Temperate Forest.” Ecological Solutions and Evidence 3 (4). https://doi.org/10.1002/2688-8319.12197.
Coops, Nicholas C, Piotr Tompalski, Tristan R H Goodbody, Alexis Achim, and Christopher Mulverhill. 2023. “Framework for Near Real-Time Forest Inventory Using Multi Source Remote Sensing Data.” Edited by Fabian Fassnacht. Forestry: An International Journal of Forest Research 96 (1): 1–19. https://doi.org/10.1093/forestry/cpac015.
Davison, Sophie, Daniel N. M. Donoghue, and Nikolaos Galiatsatos. 2020. “The Effect of Leaf-on and Leaf-Off Forest Canopy Conditions on LiDAR Derived Estimations of Forest Structural Diversity.” International Journal of Applied Earth Observation and Geoinformation 92 (October): 102160. https://doi.org/10.1016/j.jag.2020.102160.
Goodbody, Tristan R H, Nicholas C Coops, Martin Queinnec, Joanne C White, Piotr Tompalski, Andrew T Hudak, David Auty, et al. 2023. “sgsR : A Structurally Guided Sampling Toolbox for LiDAR-based Forest Inventories.” Edited by Fabian Fassnacht. Forestry: An International Journal of Forest Research, February, cpac055. https://doi.org/10.1093/forestry/cpac055.
Guo, Qinghua, Xinlian Liang, Wenkai Li, Shichao Jin, Hongcan Guan, Kai Cheng, Yanjun Su, and Shengli Tao. 2022. “LiDAR Remote Sensing of Forest Ecosystems: Applications and Prospects.” In New Thinking in GIScience, edited by Bin Li, Xun Shi, A-Xing Zhu, Cuizhen Wang, and Hui Lin, 221–31. Singapore: Springer Nature Singapore. https://doi.org/10.1007/978-981-19-3816-0_24.
Heinaro, Einari, Topi Tanhuanpää, Tuomas Yrttimaa, Markus Holopainen, and Mikko Vastaranta. 2021. “Airborne Laser Scanning Reveals Large Tree Trunks on Forest Floor.” Forest Ecology and Management 491 (July): 119225. https://doi.org/10.1016/j.foreco.2021.119225.
Holzwarth, Stefanie, Frank Thonfeld, Sahra Abdullahi, Sarah Asam, Emmanuel Da Ponte Canova, Ursula Gessner, Juliane Huth, Tanja Kraus, Benjamin Leutner, and Claudia Kuenzer. 2020. “Earth Observation Based Monitoring of Forests in Germany: A Review.” Remote Sensing 12 (21): 3570. https://doi.org/10.3390/rs12213570.
Jarron, Lukas R., Nicholas C. Coops, William H. MacKenzie, Piotr Tompalski, and Pamela Dykstra. 2020. “Detection of Sub-Canopy Forest Structure Using Airborne LiDAR.” Remote Sensing of Environment 244 (July): 111770. https://doi.org/10.1016/j.rse.2020.111770.
Jucker, Tommaso, John Caspersen, Jérôme Chave, Cécile Antin, Nicolas Barbier, Frans Bongers, Michele Dalponte, et al. 2017. “Allometric Equations for Integrating Remote Sensing Imagery into Forest Monitoring Programmes.” Global Change Biology 23 (1): 177–90. https://doi.org/10.1111/gcb.13388.
Lenoir, Jonathan, Eva Gril, Sylvie Durrieu, Hélène Horen, Marianne Laslier, Jonas J. Lembrechts, Florian Zellweger, et al. 2022. “Unveil the Unseen: Using LiDAR to Capture Time-Lag Dynamics in the Herbaceous Layer of European Temperate Forests.” Journal of Ecology 110 (2): 282–300. https://doi.org/10.1111/1365-2745.13837.
Levick, Shaun R., Dominik Hessenmöller, and E-Detlef Schulze. 2016. “Scaling Wood Volume Estimates from Inventory Plots to Landscapes with Airborne LiDAR in Temperate Deciduous Forest.” Carbon Balance and Management 11 (1): 7. https://doi.org/10.1186/s13021-016-0048-7.
Lines, Emily Rebecca, Fabian Jörg Fischer, Harry Jon Foord Owen, and Tommaso Jucker. 2022. “The Shape of Trees: Reimagining Forest Ecology in Three Dimensions with Remote Sensing.” Journal of Ecology 110 (8): 1730–45. https://doi.org/10.1111/1365-2745.13944.
Mandlburger, G., H. Lehner, and N. Pfeifer. 2019. “A COMPARISON OF SINGLE PHOTON AND FULL WAVEFORM LIDAR.” ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences IV-2/W5 (May): 397–404. https://doi.org/10.5194/isprs-annals-IV-2-W5-397-2019.
Moudrý, Vítězslav, Anna F. Cord, Lukáš Gábor, Gaia Vaglio Laurin, Vojtěch Barták, Kateřina Gdulová, Marco Malavasi, et al. 2023. “Vegetation Structure Derived from Airborne Laser Scanning to Assess Species Distribution and Habitat Suitability: The Way Forward.” Diversity and Distributions 29 (1): 39–50. https://doi.org/10.1111/ddi.13644.
Nowak, Maciej M., Katarzyna Pędziwiatr, and Paweł Bogawski. 2022. “Hidden Gaps Under the Canopy: LiDAR-based Detection and Quantification of Porosity in Tree Belts.” Ecological Indicators 142 (September): 109243. https://doi.org/10.1016/j.ecolind.2022.109243.
Rocha, Kleydson Diego, Carlos Alberto Silva, Diogo N. Cosenza, Midhun Mohan, Carine Klauberg, Monique Bohora Schlickmann, Jinyi Xia, et al. 2023. “Crown-Level Structure and Fuel Load Characterization from Airborne and Terrestrial Laser Scanning in a Longleaf Pine (Pinus Palustris Mill.) Forest Ecosystem.” Remote Sensing 15 (4): 1002. https://doi.org/10.3390/rs15041002.
Tompalski, Piotr, Nicholas C. Coops, Joanne C. White, Tristan R. H. Goodbody, Chris R. Hennigar, Michael A. Wulder, Jarosław Socha, and Murray E. Woods. 2021. “Estimating Changes in Forest Attributes and Enhancing Growth Projections: A Review of Existing Approaches and Future Directions Using Airborne 3D Point Cloud Data.” Current Forestry Reports 7 (1): 1–24. https://doi.org/10.1007/s40725-021-00135-w.
Weiser, Hannah, Jannika Schäfer, Lukas Winiwarter, Nina Krašovec, Fabian E. Fassnacht, and Bernhard Höfle. 2022. “Individual Tree Point Clouds and Tree Measurements from Multi-Platform Laser Scanning in German Forests.” Earth System Science Data 14 (7): 2989–3012. https://doi.org/10.5194/essd-14-2989-2022.
White, Joanne, Michael Wulder, Mikko Vastaranta, Nicholas Coops, Doug Pitt, and Murray Woods. 2013. “The Utility of Image-Based Point Clouds for Forest Inventory: A Comparison with Airborne Laser Scanning.” Forests 4 (3): 518–36. https://doi.org/10.3390/f4030518.