Lidar- und Geodaten in Waldbau und Forstwirtschaft
Wie Geo-Software hilft, zeit- und kostensparend wertvolle Ergebnisse zu produzieren
Kirchdorf, 02.07.2025 (PresseBox) - Lidar und andere Fernerkundungsmethoden haben sich zu einem Standardverfahren für die Vermessung und Interpretation moderner Wälder entwickelt. Inzwischen gibt es bundesweit bei den Vermessungsämtern kostenfreie Geodaten, darunter auch Lidar-Daten, die sich allein schon für verschiedene Auswertungsmöglichkeiten und Einsatzzwecke nutzen lassen.
Waldbegehungen für manuelle Messungen kosten Zeit und Arbeitskraft. Die Vermessung von Wäldern mit Lidar- und anderen Geodaten ermöglichen den Förstern ein besseres Verständnis der vorhandenen Bestandsdynamik zu einem Bruchteil der Arbeitskosten.
In diesem Artikel soll es darum gehen, exemplarisch einige computergestützte Methoden und Verfahren zu erläutern. Schnell zeigt sich, wie einfach mit dem Einsatz eines Geo-Systems selbst komplexe Aufgabenstellungen zu lösen sind. Für diese Auswertungen kam die GIS-Software Global Mapper zum Einsatz.
Mit Lidar-Daten fängt es an
Lidar-Daten (Light Detection and Ranging) werden häufig aus der Luft erfasst, indem ein z.B. Flugzeug über ein Waldgebiet fliegt und mit einem Laser-Scanner die Oberfläche abtastet. Das Ergebnis ist eine sogenannte Lidar-Punktwolke, und der Name ist Programm – eine große Menge an Punkten, von denen nicht nur die räumliche Lage bekannt ist, sondern auch, in welcher Höhe sie liegen. Diese Informationen sind die Grundlage, die in zahlreiche Analysemöglichkeiten münden.
Klassifikation und Extraktion als Basis der Auswertungen
Da echte Lidar-Daten auch dichte Baumkronen durchdringen können, ist es möglich, aus einer Punktwolke sowohl die Bodenoberfläche zu kartieren als auch die Walddichte, Kronenbedeckung und Baumhöhen zu visualisieren. Die Klassifizierung der Punktwolke ist dazu der erste, wichtige Schritt.
Bei der Klassifizierung werden die Punktelemente zur Visualisierung und Analyse in einen Kontext gesetzt. Wir Menschen können den Unterschied zwischen Punkten in Baumkronen und Bodenpunkten klar erkennen. Computer müssen jedoch Objekte in Punktwolken anhand ihrer Eigenschaften und Strukturen identifizieren.
Automatische Lidar-Klassifizierungswerkzeuge ermitteln diese Eigenschaften und können zwischen Boden, Vegetation und anderen Strukturen unterscheiden. Einzelne Bäume können erkannt und auch noch nach ihrer Höhe unterschiedlich klassifiziert werden (niedrige, mittlere oder hohe Vegetation).
Abbildung: Klassifikation einer Punktwolke; die unterschiedlichen Grüntöne spiegeln verschiedene Baumhöhen wider
Wenn dann noch aus den erkannten Bodenpunkten ein Geländemodell abgeleitet wird, steht die Basis für viele Auswertungen zur Verfügung. Die folgenden exemplarischen Beispiele sollen einen plakativen Einblick in die Möglichkeiten geben, die sich mit diesen Daten erschließen.
Der Wald im Profil
Beginnen wir kleinräumig mit einer rein visuellen Betrachtung. Die Option, Punktwolken in einer Profilansicht anzuzeigen, ermöglicht es, beliebige Bereiche eines Waldbestands in einer ganz eigenen Darstellung zu visualisieren. Durch die unterschiedlichen Höhenstufen bei der Klassifikation der Punktwolke bieten diese Ansichten auch sehr gute Interpretationsmöglichkeiten der Unterholz-Vegetation.
Abbildung: Querschnitt durch einen Waldbestand mit klassifizierter Vegetation
Messung der Baumhöhe
Die Baumhöhe ist einer der am häufigsten verwendeten Indikatoren für den Standortindex eines Ökosystems. Sie wird auch zur Quantifizierung von Holzressourcen und zur Messung des Kohlenstoffbestands in Wäldern verwendet und ist für ökologische Studien von grundlegender Bedeutung.
Mit dem zweiten Beispiel bleiben wir noch recht kleinräumig, es ist aber natürlich beliebig skalierbar. Es beginnt damit, dass die über die Klassifikation ermittelten Bäume als Vektorelemente extrahiert werden. Dazu wird für jeden erkannten einzelnen Baum ein Punktelement im Zentrum erzeugt, das den Standort und die Höhenangabe des Baumes beinhaltet. Zusätzlich kann auch ein Flächenelement zur Erfassung der Baumkronen erstellt werden.
Abbildung: Aus den klassifizierten Bäumen wurden Punktstandorte abgeleitet, deren Angaben zur Baumhöhe auch in 3D-Darstellungen eingesetzt werden können.
Diese Daten können für weitere Auswertungen analysiert und exportiert werden: Filtern nach bestimmten Höhen, Statistiken über die Höhenverteilung, vereinzeln ausgewählter Bestände etc.
Veränderungen der Baumhöhe in der Zeit
Lidar-Daten können auch eingesetzt werden, um Bestandsveränderungen zu erfassen. Da nicht immer ältere Lidar-Daten zur Verfügung stehen, können dazu auch Oberflächenmodelle aus vergangenen Jahren eingesetzt werden. Dieses Beispiel nutzt einen klassifizierten Lidar-Bestand, um die verschiedenen Möglichkeiten zu illustrieren.
Mit dem bereits erläuterten Pfadprofil-Werkzeug kann eine sehr klare Sicht auf die zu ermittelnde Veränderung gewonnen werden. Die Abbildung zeigt die Referenz-Geländeoberfläche (grau dargestellt), deren Erhebungen Bäume darstellen. Die grünen Punkte der Punktwolke über diesen Bäumen wurden in jüngerer Zeit aufgenommen, ein deutliches Wachstum ist erkennbar.
Abbildung: Sichtbares Wachstum von Bäumen durch den Vergleich einer jüngeren Punktwolke mit einem älteren Oberflächenmodell.
Da es unrealistisch ist, Profile über die gesamte Punktwolke zu zeichnen, stellt sich die Frage: Wie ist dieser Identifizierungsprozess zu automatisieren? Hier hilft ein Werkzeug, das Punktwolken auch mit Geländeoberflächen vergleichen kann: Zuerst werden alle Baumpunkte identifiziert, die mehr als 2 Meter Unterschied zum Gelände (und damit zu den Bäumen des Vergleichsjahres) aufweisen. Dann können diese einfach in eine neue Ebene kopiert und der Standort als Vektorpunkt ermittelt werden. Das gäbe z.B. die Möglichkeit, diese weiterzugeben und mit mobilen Geräten im Gelände weiter auszuwerten.
Abbildung: Ein Werkzeug zur Element-Extraktion aus Punktwolken setzt für jeden erkannten Baum ein Punkt-Element auf die höchste Erhebung. Hier werden sie durch Baumsymbole dargestellt.
Karte der Walddichte
Wenn der Waldbestand schon vektorisiert wurde, also die einzelnen Punktstandorte der Bäume erfasst sind, ist auf einfachem Wege eine grafische Darstellung der Dichte des Bestands zu ermitteln. Dazu werden sogenannte Heatmaps erstellt, also Dichtekarten, die die Verteilung der Bäume illustrieren, indem je nach Anzahl der Punkte ein abgestuftes Farbschema eingesetzt wird.
Abbildung: Das Werkzeug Dichteraster aus Punkelementen erstellen bildet die Dichte von Punkten oder Attributen wie der Baumhöhe ab und symbolisiert diesen Wert über die Farbgebung von Rot (hohe Dichte) bis Blau (geringe Dichte).
Offene Waldbereiche erfassen
Beim Blick von oben auf klassifizierte Waldbestände erkennen Sie sehr gut die Bereiche, die großflächig als Boden interpretiert wurden und nicht von Wald bedeckt sind. Wenn Sie diese Darstellung als Rasterdatei speichern, können Sie anschließend mit den Vektorisierungsmöglichkeiten der Software diese Bereiche in Flächengeometrien überführen und für statistische und andere Zwecke nutzen.
Abbildung: Vektorisierte Elemente offener Bereiche aus Daten einer Punktwolke.
Kronendach-Höhenmodelle
Ein Kronendach-Höhenmodell (Canopy Height Model, CHM) ist eine Rasterebene, welche die Baumhöhen als kontinuierliche Fläche abbildet. Es spiegelt die Höhe des höchsten Punktes über dem Boden wider. Dazu wird ein DTM (digitales Geländemodell) erzeugt, das nur den Boden darstellt, und ein DSM (digitales Oberflächenmodell), das alle Objekte auf der Erdoberfläche umfasst, also auch die Bäume. Diese beiden Modelle werden dann voneinander abgezogen und in eine neue Ebene übertragen, das CHM, auf der die Struktur der Baumhöhen in einem Untersuchungsgebiet sichtbar wird.
Abbildung: Die Visualisierung der Kronenhöhe eines Waldes als Ganzes hilft, Trends im gesamten Bestand zu erkennen.
Wichtige Einsatzgebiete eines CHM sind u.a.:
- Höhenbestimmung einzelner Bäume oder ganzer Bestände
- Volumenschätzungen, Wachstumsanalysen und Ertragsprognosen
- Erfassung der Kronendichte und -bedeckung, entscheidend für Lichtverhältnisse, Bodenvegetation und Verjüngung
- Zeitreihenanalysen zum Monitoring von Veränderungen wie Zuwachs, Sturmschäden oder Kalamitäten
- Planung forstlicher Maßnahmen wie Auswahl geeigneter Bestände für Durchforstungen, Ernte oder Schutzmaßnahmen
Aussagen zum Gelände
Auch andere, für den Waldbau nützliche Standortdaten sollen nicht unerwähnt bleiben. Wenn Lidar-Daten in ein Höhenmodell überführt werden oder andere Geländemodelle zum Einsatz kommen, so liefern Angaben zur Neigung und zur Hangausrichtung wichtige Grundlagen für die Planung, Bewirtschaftung und den Schutz von. Auch Abfluss- oder Wassereinzugsgebietsanalysen können vor allem in der Gebirgs- und Schutzwaldwirtschaft unverzichtbare Informationen geben.
Überwachung von Waldveränderungen
Zum Abschluss geht es jetzt endgültig um die großräumige Betrachtung von Veränderungen. Basis dieser Analysen sind Fernerkundungsdaten, Multiband-Satellitendaten, die weltweit über Landsat, Sentinel und andere Programme erfasst werden. In der Geo-Software erlauben spezielle Analysemethoden die Erstellung neuer Datenebenen, die die Bodenbedeckung und den Zustand der Vegetation widerspiegeln. Grundlage sind einzelne „Datenbänder“, die nicht nur sichtbares Licht, sondern auch darüberhinausgehende Spektren erfassen. Deren Kombination gibt verschiedene Interpretationsmöglichkeiten:
- Das sogenannte Echtfarbenbild kombiniert drei Farbbänder – Rot, Grün und Blau. Eine klassische und häufig anzutreffende Darstellung, in der die Vegetation anhand der grünen Farbe zu erkennen ist.
Abbildung: Echtfarbenbild aus Satellitendaten
- Einfacher lassen sich die Vegetationsflächen ermitteln, wenn bei der Kombination der Nahinfrarot-Kanal genutzt wird.
Abbildung: Falschfarbenbild aus Satellitendaten mit Nahinfrarot-Kanal
Abbildung: NDVI-Bild zur Visualisierung der Vitalität von Pflanzen
Um diese Werte noch besser sichtbar zu machen, können in Global Mapper eigene Darstellungsformen angelegt werden, welche die vitalen Bereiche deutlicher hervorheben. In dem gezeigten Beispiel werden die NDVI-Angaben in sechs feste Stufen unterteilt.
Abbildung: Die Einstufung des NDVI-Index in sechs Farbstufen, bei der Grün erst ab einem bestimmten Wert gesetzt wird, verdeutlicht das Ergebnis.
Und schließlich erlaubt die Umwandlung der Rasterdaten in Vektorelemente auch quantitative Betrachtungen der Ergebnisse. Durch einen Vergleich der Waldbedeckung zwischen 2013 und 2020 zeigt es sich, dass in diesem Zeitraum rund 375 qkm Wald verloren gingen bei nur rund 16 qkm Neuzuwachs.
Abbildung: Verlust und Zuwachs an Waldfläche in einem Zeitraum von 7 Jahren
Fazit
Von der Betrachtung einzelner Baumstandorte bis hin zu großflächigen Analysen bietet der Einsatz von Geodaten ein enormes Spektrum an Möglichkeiten, Waldbau und Forstwirtschaft effizient zu unterstützen. Dabei illustrieren die gezeigten Beispiele nur einen Teil dessen, was sich mit dem intelligenten Einsatz von Geo-Software erreichen lässt. Themen wie Steuerungsdaten für Pflanzmaschinen oder Standortplanung im Zeichen des Klimawandels – um auch hier in der räumlichen Bandbreite von klein- zu großräumig zu bleiben – zeigen, dass es noch viel mehr zu sagen gäbe. Und dass es für die moderne Fortwirtschaft nahezu unverzichtbar ist, sich mit Geodaten und den Möglichkeiten von aktueller Geo-Software wie Global Mapper auseinanderzusetzen.
