Stedelijke boomanalyse met behulp van 3D-puntwolken

Dit project komt voort uit het Mobile Mapping programma van de stad waarin wordt onderzocht hoe 3D puntenwolken kunnen worden gebruikt om inzicht te krijgen in de openbare ruimte, wat op zijn beurt het beheer van activa kan vergemakkelijken. Actieve boommonitoring kan helpen bij regulier onderhoud en stelt beleidsmakers in staat om weloverwogen beslissingen te nemen over onderwerpen als klimaatadaptatie en stadsplanning.

Het doel van het project was om inzicht te verschaffen in de bruikbaarheid van verschillende technieken voor het vastleggen van puntenwolken voor het extraheren van boomkenmerken op stedelijke schaal. Dergelijke informatie kan nuttig zijn bij het bepalen van de meest geschikte vastleggingstechniek op grote schaal. In deze blogpost beschrijven we onze pipeline voor het extraheren van boomkenmerken en vergelijken we de resultaten op verschillende puntenwolkgegevensbronnen. De code voor het project is beschikbaar op , onze github-pagina.

De pijplijn bouwen

Het eerste deel van het project bestond uit het bouwen van een universele pijplijn om kenmerken van gescande bomen te extraheren. Als invoer nemen we een gesegmenteerde 3D puntenwolk van een individuele boom en als uitvoer genereren we een lijst met kenmerken die geassocieerd zijn met de specifieke boom. De kenmerken die we extraheren variëren van meer algemene informatie zoals hoogte, vorm en locatie tot meer specifieke informatie zoals kroonvolume, stamhoogte en -diameter. Een overzicht van de pijplijn die we creëren is te zien in Figuur 1 hieronder.

Figuur 1: Een overzicht van de pijplijn

De eerste stap in onze pijplijn is de voorbewerking, die we gebruiken om het detailniveau te controleren en de bladeren van de boom eruit te filteren, omdat deze de prestaties van de volgende stappen beïnvloeden. Om het detailniveau te controleren, downsamplen we elke ruwe puntenwolk uniform door elk punt in voxels van 3 cm te verdelen.

Skeletreconstructie

Nadat we onze invoerpuntenwolk hebben voorbewerkt, reconstrueren we het skelet van de boom met behulp van AdTree, een 3D tool voor boommodellering geproduceerd door de 3D Geoinformation Research Group van de TU Delft. Dit hulpmiddel is vooral nuttig omdat het een structurele netwerkweergave van de boom geeft in de vorm van randen en knooppunten. Een illustratie is te zien in Figuur 2 hieronder.

Figuur 2: Onbewerkte boompuntenwolk (L) en het gereconstrueerde skelet (R).

Vervolgens kunnen we met behulp van de structurele weergave onze analyse verfijnen door de kroon van de stam van de boom te scheiden. We doen dit door de eerste tak te lokaliseren die uit de hoofdstam groeit, die we definiëren als de eerste knoop met twee of meer uitgaande randen. Alle punten onder deze knoop worden gelabeld als stam en erboven als kroon.

Analyse van de stam

Met behulp van de stampunten die we van de rest van de boom hebben gescheiden, schatten we twee kenmerken: de stamdiameter op borsthoogte (1,3 m) en de hellingsgraad. Dit doen we door een 3D cilinder te passen op de boomstampunten die zich binnen 15 cm van borsthoogte bevinden met behulp van het kleinste-kwadraten algoritme op een geparametriseerd verticaal-cilinder model zoals gepresenteerd in [1]. Met het model kunnen we de as en straal van de gepaste cilinder bepalen. Voor de mate van schuinte schatten we eenvoudig het hoekverschil tussen de z-as en de as van de gepaste cilinder. In Figuur 3 hieronder wordt een boomstam en de bijbehorende cilinder getoond.

Figuur 3: Een plak van een boomstam (L) en de bijbehorende aangepaste cilinder in rood (R).

Kroonanalyse

Met behulp van de kroonpunten schatten we de volgende boomkenmerken: kroonbasishoogte (kroon tot grond), kroondiameter (breedte), kroonvorm en kroonvolume. De kroonbasishoogte berekenen we door de minimale afstand van alle kroonpunten tot de grond te nemen. Voor de diameter, of breedte van de kroon, maken we gebruik van het kleinste omsluitende cirkelalgoritme [2] op een top-down projectie van de kroonpunten. Door een top-down projectie te gebruiken, kunnen we de maximale diameter van de kroon bepalen. Figuur 4 toont een illustratie van de kleinste omsluitende cirkel van een geprojecteerde kroon.

Figuur 4: kleinste omsluitende cirkel van een geprojecteerde boomkroon.

Het derde kenmerk dat we uit de kroonpunten halen, is de vorm van de kroon. We categoriseren de kroon in een van de volgende vier vormtypes: cilindrisch, bolvormig, kegelvormig en omgekeerd kegelvormig (zie figuur 5 hieronder). Om te bepalen tot welk vormtype een kroon behoort, schatten we de diameter van de kroon op 3 hoogtes. Als bijvoorbeeld de diameter van de kroon bovenaan en onderaan de boom kleiner is dan in het midden, is de kroonvorm bolvormig.

Figuur 5: Illustratie van de kroonvormtypes, van links naar rechts: conisch, omgekeerd conisch, cilindrisch, bolvormig

Het laatste kenmerk dat we schatten met behulp van de kroonpunten is het volume van de kroon. Er zijn verschillende benaderingen om het kroonvolume te schatten. De eenvoudigste maar minst nauwkeurige benadering is om de kroon als een cilinder te beschouwen en het volume te definiëren door pi*r^2*h. De meeste bomen hebben echter geen perfect gevormde kroon in de vorm van een cilinder. In onze benadering reconstrueren we de kroon als een waterdichte mesh met behulp van de kroonpunten en het alfavormenalgoritme [3]. Een voorbeeld van een gereconstrueerde mesh van een puntwolkkk wordt getoond in Figuur 6 hieronder.

Figuur 6: Puntwolk van de kroon van een boom (L) en de bijbehorende mesh (R).

Verschillende datasets vergelijken

Aangezien het hoofddoel van het project was om inzicht te geven in de bruikbaarheid van verschillende technieken voor het vastleggen van puntenwolken voor het extraheren van boomkenmerken, hebben we gekeken naar 18 bomen rond de Nieuwmarktbuurt in Amsterdam uit drie verschillende gegevensbronnen. De eerste scan is AHN4, eenopenbaar beschikbare LIDAR-scan van Nederland vanuit de lucht. De tweede bron, geleverd door Cyclomedia, is verkregen met behulp van een mobiel LIDAR-apparaat dat op een voertuig is gemonteerd. De derde bron, geleverd door Sonarski, werd verkregen met behulp van een mobiel LIDAR-apparaat gemonteerd op een rugzak. Als resultaat hebben we in totaal 54 (3x18) puntenwolkbomen. Met behulp van de pijplijn die we eerder hebben gepresenteerd, is het mogelijk om de bruikbaarheid van elke puntenwolkgegevensbron te beoordelen en te concluderen of deze geschikt is voor grootschalige toepassing. Een vergelijking van de 3 datasets voor elk kenmerk wordt weergegeven in de onderstaande figuren

Figuur 7: Vergelijking van de geschatte boomhoogte.

Figuur 8: Vergelijking van het geschatte kroonvolume.

Figuur 9: Vergelijking van de geschatte stamdiameter.

Het eerste wat opvalt bij het bekijken van de resultaten, is dat er geen schattingen zijn van de stamkarakteristiek van de boom voor de AHN4 dataset. De AHN4 dataset bevat te weinig stampunten om een goede inschatting van de stam van de boom te kunnen maken. Bovendien heeft het AHN4 voor het kroonvolume en de boomhoogte ook de neiging om lagere schattingen te produceren in vergelijking met de terrestrische scantechnieken (Cyclomedia en Sonarski). Tussen de Cyclomedia en Sonarski dataset lijken er weinig verschillen te zijn in de resultaten. Merk op dat er een tijdsverschil is tussen de datasets: AHN4 is opgenomen in 2020/21, de Cylomedia data is van 2020, en Sonarski data van 2022. Bovendien is er een natuurlijke variabiliteit in deze metriek door de seizoenen heen die een directe vergelijking inherent moeilijk maakt.

Volgende stappen

Gedetailleerde analyses op het niveau van individuele bomen met behulp van point cloud processing kunnen van grote waarde zijn voor zowel vermogensbeheerders als beleidsmakers. Voor beheerders kunnen deze gegevens beslissingen onderbouwen over snoeien of herplanten, en kunnen ze helpen bij het monitoren van de boomgroei. Voor beleidsmakers kunnen de gegevens bijvoorbeeld informatie verschaffen voor beslissingen met betrekking tot klimaatadaptatie en waterbeheer. Bovendien kunnen de 3D-modellen worden toegevoegd aan digitale tweelingen zoals 3D Amsterdam.

Om deze doelen te bereiken zijn nog een paar stappen nodig, die we momenteel onderzoeken. Allereerst gaat de hier gepresenteerde methode ervan uit dat individuele bomen gesegmenteerd zijn. In veel gevallen bestaan bomen in clusters waarbij de kronen in elkaar verstrengeld kunnen zijn. Het scheiden van dergelijke clusters in individuele bomen vormt nog steeds een uitdaging en maakt nog geen deel uit van onze annotatiepijplijn. Ten tweede hebben de drie gegevensbronnen die hier zijn gebruikt een verschillende dekking en kunnen ze dus verschillende behoeften dienen. De AHN4-gegevens kunnen nuttig zijn om een breed overzicht te krijgen van statistieken op hoog niveau in de hele stad, terwijl de mobiele LIDAR-scans kunnen worden gebruikt om de gegevens lokaal te verrijken waar beschikbaar.

Blijf kijken voor toekomstige updates over deze uitdagingen!

Referenties

[1] Chan, T., en D. Lichti. "Cilindergebaseerde zelfkalibratie van een panoramische terrestrische laserscanner." Int. Arch. Photogramm. Remote Sens. Spat. Inf. Sci 39.B5 (2012): 169-174.

[2] Welzl, Emo. "Smallest enclosing disks (balls and ellipsoids)." New Results and New Trends in Computer Science: Graz, Oostenrijk, 20-21 juni 1991 Proceedings. Berlijn, Heidelberg: Springer Berlin Heidelberg, 2005.

[3] Edelsbrunner, Herbert, David Kirkpatrick, and Raimund Seidel. "On the shape of a set of points in the plane." IEEE Transactions on information theory 29.4 (1983): 551-559.