17.03, 09:30–09:50 (Europe/Berlin), Hörsaal 1 (0115)
In diesem Vortrag wird die automatisierte Detektion von Baumstandorten mit Hilfe von machinellem Lernen und Fernerkundungsdaten, die im Zuge eines Projektes mit dem Regionalverband Ruhr (RVR) entwickelt wurde, präsentiert.
Kenntnisse über die Standorte von Einzelbäumen sowie deren Veränderung bilden eine wichtige Grundlage für diverse Fragestellungen mit Bezug zu grüner Infrastruktur, Raumbeobachtung und Klima. Die Informationen dazu liegen in der Metropole Ruhr nur vereinzelt und unvollständig, z.B. in Form von kommunalen Baumkatastern vor. Daher wurde im Rahmen eines Projektes mit dem Regionalverband Ruhr (RVR) eine automatisierte Detektion von Baumstandorten entwickelt.
Innerhalb des Projektes ist ein Open-Source-Ansatz entwickelt worden für die Erfassung von Einzelbäumen, sowie diverser Parameter (Höhe, geschätzte Stammposition, Kronendurchmesser, Abstand zu Gebäuden und anderen Bäumen,...). Dieser Ansatz beinhaltet die Anwendung von maschinellem Lernen (ML – Machine Learning). Als Datengrundlage werden u.a. LiDAR-Punktwolken, Orthophotos und daraus abgeleitete Indizes (z.B. NDVI), sowie Sentinel-2-Zeitreihen genutzt. Ein flächendeckender Datensatz wurde am Beispiel von Herne für das Jahr 2020 berechnet.
Open Source Entwickler GIS / Fernerkundung, Big Data Analysen
Anika studierte an der Universität Bonn Geodäsie und Geoinformation. In ihrer Masterarbeit spezialisierte sie sich auf die Lösung von Fernerkundungsaufgaben mittels eines Deep Learning Verfahrens. Nach dem Studium begann sie bei mundialis als Entwicklerin zu arbeiten. Hier verwendet und entwickelt sie OSGeo-Software. Eine davon ist actinia, an der Anika aktiv mitarbeitet.
Geographin mit Schwerpunkt Fernerkundungsverfahren, seit 2022 Teil des Teams 9.3 Geodaten, Stadtplanwerk, Luftbilder des Regionalverbands Ruhr
Geographin im Referat Geoinformation und Raumbeobachtung des Regionalverbands Ruhr (RVR)