Towards Generalizable Mapping of Hedges and Linear Woody Features from Earth Observation Data: a national Product for Germany

Technische Zusammenfassung: Auf dem Weg zu einer generalisierbaren Kartierung von Hecken und linearen holzigen Merkmalen aus Erdbeobachtungsdaten

Problemstellung
Lineare holzige Merkmale (LWF), wie Hecken, Baumreihen und Ufervegetation, sind entscheidend für die Biodiversität, die Klimaanpassung und den Bodenschutz. Die systematische, großräumige Kartierung dieser Merkmale mittels Erdbeobachtungsdaten (EO) stellt jedoch weiterhin eine methodische Herausforderung dar. Bestehende Ansätze sind häufig hochspezialisiert und beruhen auf engen Kombinationen spezifischer Sensoren, räumlicher Auflösungen und Erfassungsbedingungen (z. B. belaubt vs. unbelaubt). Folglich fehlt diesen Workflows die Übertragbarkeit; die Anwendung eines auf einem Datensatz trainierten Modells auf eine andere Region oder einen anderen Sensortyp führt typischerweise zu einer signifikanten Leistungsverschlechterung oder erfordert ein umfangreiches Nachtrainieren. Darüber hinaus fehlt für die Vielfalt verfügbarer EO-Daten in Deutschland – von hochauflösenden Orthofotos bis hin zu Kronendachhöhenkarten – eine einheitliche Verarbeitungspipeline, die diese Heterogenität bewältigen kann, während ein einziges wiederverwendbares Segmentierungsmodell erhalten bleibt.

Methodik
Die Autoren schlagen einen modularen Workflow vor, der die Generierung einer binären Maskierung holziger Vegetation von der morphologischen Trennung linearer Merkmale entkoppelt. Der Workflow besteht aus zwei unabhängig optimierbaren Komponenten:

1. Schnittstelle für heterogene Eingangsdaten: Dieses Modul konsolidiert diverse EO-Datenquellen zu einem einheitlichen Zwischenprodukt: einer binären Maskierung holziger Vegetation. Die Studie nutzt drei verschiedene Eingangsquellen für Deutschland:

   • BKG-Daten: Eine Kombination aus 20-cm-Digitalen Orthophotos (DOP20), 1-m-Digitalen Oberflächenmodellen (DSM), 1-m-Digitalen Geländemodellen (DTM) und Gebäudegrundrissen. Aufgrund des mosaikartigen Charakters der DOP20 (unterschiedliche Erfassungsdaten, belaubte/unbelaubte Bedingungen und Kontrastverstärkungen) wird eine bedingte Verarbeitungslogik angewendet. Dies umfasst die Generierung eines normalisierten DSM (nDSM), die Erstellung einer Gebäude-Maske und die Anwendung einer kachel-spezifischen NDVI-Schwellenwertbildung basierend auf den Erfassungs-Metadaten zur Ableitung der Vegetationsmaske.
   • Kronendachhöhenkarte (CHMv2): Ein globales Produkt, abgeleitet aus Maxar-Bildern (ca. 0,73 m Auflösung in Deutschland), verarbeitet über einen einfachen Höhenschwellenwert.
   • Kronendachhöhenkarte nach Liu et al. (2023): Ein Produkt mit 3 m Auflösung, abgeleitet aus PlanetScope-Bildern, ebenfalls verarbeitet über eine Höhenschwellenwertbildung.

2. Tiefes neuronales Netzwerk zur morphologischen Trennung: Ein Deep-Learning-Modell, basierend auf einer modifizierten U-Net-Architektur, wird trainiert, um lineare Merkmale von nicht-linearen (fleckenhaften) Merkmalen innerhalb der binären Vegetationsmasken zu trennen.

   • Trainingsstrategie: Entscheidend ist, dass das Modell ausschließlich auf prozedural generierten synthetischen Daten trainiert wird. Dies vermeidet die Abhängigkeit von standortspezifischen Realwelt-Labels und verbessert die räumliche Übertragbarkeit. Der synthetische Datengenerator erstellt 1.024 × 1.024 Pixel große Szenen mit randomisierten Kombinationen aus Hintergrund, linearen Merkmalen (winkeligen und organischen Formen) und Flecken (groß, mittel, klein).
   • Architektur und Eingabe: Das Modell akzeptiert einen dreikanaligen Input: die binäre Vegetationsmaske, ihr Skelett und eine Distanztransformation. Es nutzt zwei Ausgabeköpfe: einen für die dreiklassige Segmentierung (Hintergrund, linear, nicht-linear) und einen sekundären Kopf zur Skelettvorhersage, der auf lineare Merkmale beschränkt ist.
   • Verlustfunktion: Das Trainingsziel kombiniert eine gewichtete Kreuzentropie, einen Dice-Verlust, der sich auf die unterrepräsentierte lineare Klasse konzentriert, und einen auf dem Skelett basierenden Verlust, um topologische Kontinuität zu erzwingen.
   • Inferenz: Das Modell verarbeitet die landesweiten Masken in überlappenden Kacheln. Die Nachverarbeitung umfasst eine auf dem Skelett basierende Verfeinerung (Entfernung von Pixeln, die weit vom vorhergesagten Skelett entfernt sind) und den Ausschluss bekannter nicht-vegetierter linearer Strukturen (z. B. Brücken, Solarparks) unter Verwendung von Vektordaten.

Hauptbeiträge

• Ein konzeptioneller Workflow: Eine einheitliche Pipeline, die heterogene Eingangsdaten (Orthofotos, DSM/DTM, Kronendachhöhenkarten) in eine einzige binäre Zwischenmaske integriert und die Verwendung eines einzigen trainierten Modells über verschiedene Datenkonfigurationen hinweg ermöglicht.
• Synthetische Trainingsmethodik: Ein Trainingsansatz, der vollständig auf der Generierung synthetischer Daten basiert und ein räumlich unabhängiges Modell ermöglicht, das beim Einsatz in neuen Regionen oder mit neuen Sensortypen kein Nachtrainieren erfordert.
• Landesweite Produkte: Die Ableitung dreier landesweiter Karten linearer holziger Merkmale für Deutschland mit räumlichen Auflösungen von 0,73 m, 1 m und 3 m, was die Flexibilität des Workflows demonstriert.
• Bewertungsrahmen: Eine umfassende Bewertung unter Verwendung unabhängiger Referenzdaten aus vier Bundesländern (Bayern, Brandenburg, Baden-Württemberg, Nordrhein-Westfalen) und einer neuartigen, auf dem Skelett basierenden Metrik (AUC der F1-Werte über variierende Distanzschwellen), um die topologische Übereinstimmung zu bewerten und die Empfindlichkeit pixelweiser Metriken gegenüber Auflösungsunterschieden zu mindern.

Ergebnisse
Die Studie bewertete die drei abgeleiteten Karten gegen Referenzdaten und zwei bestehende Datensätze (Huber-García et al., 2025; Muro et al., 2025).

• Leistung: Der Workflow lieferte an allen Evaluierungsstandorten konkurrenzfähige Ergebnisse. Die aus den BKG-Daten (1 m) und CHMv2 (0,73 m) abgeleiteten Modelle schnitten im Hinblick auf die topologische Korrektheit im Allgemeinen besser ab als die Modelle mit 3 m Auflösung (Liu et al. und Muro et al.).
• Einfluss der Auflösung: Obwohl höher aufgelöste Eingaben detailliertere Ausgaben lieferten, zeigte die auf dem Skelett basierende Bewertung, dass die Leistungslücke zwischen den Auflösungen weniger ausgeprägt war, wenn der Fokus auf der topologischen Ausrichtung statt auf einer strikten Pixelüberlappung lag.
• Generalisierbarkeit: Ein einzelnes, auf synthetischen Daten trainiertes Modell verarbeitete erfolgreich drei verschiedene Eingangsquellen ohne Nachtrainieren, was die Übertragbarkeit des Workflows validiert.
• Einschränkungen: Die 1-m-Auflösung der aus BKG-Daten abgeleiteten Maske (eingeschränkt durch das DSM) führte zum Ausschluss niedrig wachsender linearer Merkmale, was eine Leistungslücke im Vergleich zur Studie mit 20-cm-Auflösung von Huber-García et al. zur Folge hatte. Zudem erforderten Kacheln, die unter unbelaubten Bedingungen erfasst wurden, einen vereinfachten Verarbeitungszweig, der gelegentlich nicht-vegetierte Strukturen (z. B. Brücken) einbrachte, die eine nachträgliche Entfernung erforderten.

Bedeutung
Die Arbeit argumentiert, dass der vorgeschlagene Workflow die kritische Engstelle der räumlichen Übertragbarkeit bei der Kartierung linearer holziger Merkmale adressiert. Durch die Abstraktion der Eingangsdaten in eine binäre Maske und die Behandlung der Extraktionsaufgabe als ein generalisiertes morphologisches Trennungsproblem, das von einem auf synthetischen Daten trainierten Modell gelöst wird, entfällt die Notwendigkeit einer regionspezifischen Nachtrainierung. Diese Modularität ermöglicht es Fachexperten, die Generierung der Vegetationsmaske basierend auf verfügbaren lokalen Daten zu optimieren, während Deep-Learning-Spezialisten das Segmentierungsmodell unabhängig verbessern können. Die Autoren gehen davon aus, dass dieses Design eine Grundlage für eine skalierbare Kartierung jenseits Deutschlands bietet, die sich potenziell auf europäische oder globale Maßstäbe unter Verwendung bestehender globaler Kronendachhöhenprodukte erstrecken lässt, sofern standardisierte Benchmark-Datensätze für zukünftige Validierungen etabliert werden.