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 |
Diese Website nutzt Cookies, um ihre Dienste anbieten zu können und Zugriffe zu analysieren. Dabei ist uns der Datenschutz sehr wichtig.
Legen Sie hier Ihre Cookie-Einstellungen fest. Sie können Sie jederzeit auf der Seite Cookie-Informationen ändern.