gis.Open Paper

Seite drucken

Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten

Deep Learning-based Tree Species Classification UsingMulti-temporal ALS Data

In diesem Beitrag werden Methoden zur Baumartentrennung (Fichte, Kiefer und Laubbäume) auf Basis von multitemporalen ASL-Daten mit einem Deep-Learning(DL)-Ansatz unter Verwendung von Convolutional Neural Network (CNN) untersucht. Die Baumartentrennung wurde auf Einzelbaumbasis durchgeführt. Die erreichten Genauigkeiten für einzelne Datenepochen variieren zwischen 60 % und 80 %. Durch das Zusammenführen von einzelnen Ergebnissen zu einer multitemporalen Klassifikation konnte eine Genauigkeit von knapp 90 % erreicht werden.

In this paper Deep Learning (DL) methods including Convolutional Neural Network (CNN) for tree species classification (spruce, pine and deciduous trees) are presented on the base of multi-temporal ALS data. The tree classification was performed at single tree level. The accuracies achieved for individual datasets vary between 60 % and 80 %. By combining individual results into a multi-temporal classification, an accuracy of almost 90 % could be achieved.

Autor / Author: Mustafić, Sead; Schardt, Mathias
Institution / Institution: Technische Universität Graz, Österreich; Technische Universität Graz, Österreich
Seitenzahl / Pages: 9
Sprache / Language: Deutsch
Veröffentlichung / Publication: AGIT ‒ Journal für Angewandte Geoinformatik, 5-2019
Tagung / Conference: AGIT 2019 – Symposium und Fachmesse Angewandte Geoinformatik
Veranstaltungsort, -datum / Venue, Date: Salzburg, Österreich 03-07-19 - 05-07-19
Schlüsselwörter (de): ALS, LiDAR, multitemporal, Baumartentrennung, Deep Learning
Keywords (en): ALS, LiDAR, multi-temporal, tree species classification, Deep Learning
Paper review type: Extended Abstract Review
DOI: doi:10.14627/537669031
5889 - Deep-Learning-basierte Baumartenklassifizierung auf Basis von multitemporalen ALS-Daten