Forschungsfragen Klima

Urban Tree Health Classification Across Tree Species by Combining Airborne Laser Scanning and Imaging Spectroscopy

Chi, Dengkai; Degerickx, Jeroen; Yu, Kang; Somers, Ben · · Remote Sensing, Vol. 12, Art. 2435 (MDPI)

PaperGold OAEUInhalt verifiziert
Verifikationshinweis (Inhalt):Die inhaltliche Eignung dieser Quelle wurde manuell akzeptiert (Single-Screener-Recherche). Der externe Link kann sich seit der Prüfung verändert haben — sollte er nicht mehr erreichbar sein, empfehlen wir die archivierte Version via Wayback Machine.Beleg: override-applied 2026-07-16 by Bernhard+Claude

Bibliographische Details

Quellen-ID
2020-chi-urban-tree-health-remote-sensing
DOI
10.3390/rs12152435
URL
Zur Quelle (doi.org)
Abgerufen

Notizen

Methodenstudie zur flächigen, sensorbasierten Erfassung des Gesundheitszustands von Stadtbäumen: kombiniert Airborne Laser Scanning (ALS, Struktur) mit abbildender Spektroskopie (Hyperspektral, physiologische Signatur) und klassifiziert per Machine Learning den Vitalitätszustand über mehrere Arten hinweg (Fallstudie belgische Stadt). Demonstriert, wie digitale Fernerkundungs-/ KI-Technologien die Bestandspflege durch objektives, skalierbares Vitalitäts-Monitoring unterstützen können — statt rein manueller Einzelbaumkontrolle.

Zentrale Befunde

  • Sensor-Fusion für Vitalität: Die Kombination aus ALS-Struktur und hyperspektraler Signatur klassifiziert den Baumgesundheitszustand über Arten hinweg zuverlässiger als ein Datentyp allein.
  • Digitales Monitoring skalierbar: Fernerkundung + ML ermöglicht ein flächendeckendes, wiederholbares Vitalitäts-Screening des Baumbestands — Grundlage für priorisierte, datengestützte Pflegeeinsätze.
  • Artenübergreifend: Der Ansatz funktioniert über mehrere Arten, was ihn für heterogene städtische Baumbestände praxistauglich macht.

Methodik

Verschneidung von Airborne-Laser-Scanning- und abbildenden Spektroskopie-Daten; überwachte Machine-Learning-Klassifikation des Baumgesundheitszustands auf Einzelbaumebene, validiert gegen Feld-Vitalitätsbewertungen in einer belgischen Stadt.

Einschränkungen

  • Aufwändige Datenerhebung (Befliegung, Hyperspektralsensorik); operative Routine erfordert Infrastruktur/Kosten.
  • Fallstudie eine Stadt; Übertragung auf Wiener Bestände und Artenspektrum ist zu validieren.

Relevanz für den Forschungskatalog

Kernbeleg für WFK-6.5.2a (Verbesserung/Erleichterung der Bestandspflege durch digitale Technologien): zeigt konkret, wie Fernerkundung und Machine Learning ein objektives, skalierbares Vitalitäts-Monitoring des Baumbestands liefern. Stützt zudem WFK-6.5.2 (gesunder Erhalt der bestehenden Vegetation durch frühzeitige, datengestützte Zustandserkennung).

Zitiert in 2 Forschungsfragen

Quelldatei

sources/2020-chi-urban-tree-health-remote-sensing.md

Auf GitLab anzeigen (raw)