3D-based tree detection in urban areas with airborne laser scanning

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Rönnholm, Petri
dc.contributor.advisor Tanhuanpää, Topi
dc.contributor.author Heinaro, Einari
dc.date.accessioned 2018-12-14T16:10:25Z
dc.date.available 2018-12-14T16:10:25Z
dc.date.issued 2018-12-10
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/35534
dc.description.abstract Urban trees are a valuable resource, as they affect the climate of cities, provide aesthetic and recreational value and maintain the biodiversity in the cities. Thus, cities and municipalities often keep tree registers for monitoring the condition of urban trees. Updating these registers with field measurements is laborious and time-consuming and thus there is a need to automate the updating process. Airborne laser scanning (ALS) provides an efficient option for the tree registry updating process, as it enables acquiring detailed three-dimensional (3D) data from large areas at once. This thesis studied the ALS-based urban tree monitoring process starting from the extraction of vegetation points from the ALS point cloud and ending in the detection and delineation of individual trees. One method was developed and tested for removing falsely classified vegetation points from a pre-classified point cloud. In addition, three individual tree detection (ITD) methods were developed and tested. Method 1 detected trees using region growing, method 2 divided the point cloud into horizontal slices and delineated the trees by merging clusters of each slice, and method 3 detected trees from a surface model. The method for removing falsely classified vegetation points produced varying results. Some false vegetation points originating from flat man-made objects were detected rather well, whereas the detection of vertical and narrow objects was very poor. In conclusion, the method by itself was not sufficient, but it could be used as a part of the vegetation point extraction process. The accuracy of the ITD methods was assessed by calculating the tree detection rates with distance thresholds ranging from 0.5 m to 6 m. The distance threshold determined the maximum locational difference between a delineated tree and a reference tree for these trees to be matched. The detection rates of ITD methods 1,2 and 3 ranged from 0.09 to 0.79, 0.14 to 0.79 and 0.11 to 0.50, respectively. The study showed that none of the tested methods perform sufficiently well by themselves, but a combination of methods 1 and 3 could be a suitable method for detecting urban trees. en
dc.description.abstract Kaupunkipuut ovat tärkeitä, sillä ne vaikuttavat kaupunkien ilmastoon ja biodiversiteettiin sekä tuottavat virkistysarvoa ja esteettistä arvoa. Tämän vuoksi monet kunnat ja kaupungit ylläpitävät puurekisteriä kaupunkipuiden kunnon valvomiseksi. Näitä rekistereitä päivitetään maastomittauksin, mikä on varsin työlästä ja näin ollen rekisterien päivittämistä pyritään automatisoimaan. Ilmalaserkeilaus mahdollistaa rekisterien tehokkaan päivittämisen, sillä ilmalaserkeilaamalla voi kerätä tarkkaa kolmiulotteista informaatiota laajoilta alueilta. Tässä työssä tutustuttiin ilmalaserkeilaukseen perustuvaan kaupunkipuiden monitorointiin alkaen kasvillisuuspisteiden luokittelusta ja päättyen yksittäisten puiden tunnistukseen ja rajaamiseen. Esiluokitellussa pistepilvessä virheellisesti kasvillisuudeksi luokiteltujen laserpisteiden poistamiseksi kehitettiin menetelmä. Tämän lisäksi työssä tutkittiin kolmen yksinpuintulkintamenetelmän toimintaa kaupunkiympäristössä. Menetelmä 1 tunnisti puita alueen kasvatusta hyödyntämällä, menetelmä 2 jakoi laserpistepilven vaakasuoriin liuskoihin ja mallinsi puut yhdistelemällä kunkin liuskan klustereita ja menetelmä 3 tunnisti puita pintamallilta. Virheellisesti kasvillisuuspiteiksi luokiteltujen laserpisteiden tunnistamiseen kehitetty menetelmä toimi vaihtelevasti. Tasapintaisista kohteista syntyneet laserpisteet tunnistettiin melko hyvin, mutta kapeat ja pystysuorat kohteet tunnistettiin varsin huonosti. Näin ollen menetelmä ei yksinään ole riittävä virheellisten kasvillisuuspisteiden poistamiseen, mutta sitä voisi käyttää osana kasvillisuuspisteiden luokitteluprosessia. Yksinpuintulkintamenetelmien tarkkuutta mitattiin laskemalla puiden tunnistusaste, eli kuinka suuri osa koealueiden puista kyettiin tunnistamaan kullakin menetelmällä. Referenssipuun ja yksinpuintulkintamenetelmällä mallinnetun puun yhdistämiseen käytettiin etäisyyden kynnysarvoja, jotka vaihtelivat 0,5 metristä 6 metriin. Menetelmien 1, 2 ja 3 tunnistusasteet vaihtelivat välillä 0,09-0,79, 0,14-0,79 ja 0,11-0,50. Tutkimus osoitti, että yksikään menetelmistä ei yksinään toimi riittävän hyvin. Sen sijaan menetelmien 1 ja 3 yhdistelmä voisi olla sopiva menetelmä kaupunkipuiden yksinpuintulkintaan. fi
dc.format.extent 60 + 2
dc.format.mimetype application/pdf en
dc.language.iso en en
dc.title 3D-based tree detection in urban areas with airborne laser scanning en
dc.title Kolmiulotteinen kaupunkipuiden yksinpuintulkinta ilmalaserkeilausaineistosta fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Insinööritieteiden korkeakoulu fi
dc.subject.keyword individual tree detection en
dc.subject.keyword laser scanning en
dc.subject.keyword airborne laser scanning en
dc.subject.keyword urban trees en
dc.identifier.urn URN:NBN:fi:aalto-201812146550
dc.programme.major fi
dc.programme.mcode ENG22 fi
dc.type.ontasot Master's thesis en
dc.type.ontasot Diplomityö fi
dc.contributor.supervisor Vaaja, Matti
dc.programme Master's Programme in Geoinformatics (GIS) fi
local.aalto.electroniconly yes
local.aalto.openaccess yes


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account