💻 computer science

TreeDGS: Aerial Gaussian Splatting for Distant DBH Measurement

TreeDGS is een nieuwe methode voor luchtfotografie die 3D-Gaussian Splatting gebruikt om de stamdiameter op borsthoogte (DBH) van bomen nauwkeuriger en goedkoper te meten dan bestaande LiDAR-baselines, zelfs in complexe bosomgevingen waar stammen slechts enkele pixels groot zijn.

Oorspronkelijke auteurs: Belal Shaheen, Minh-Hieu Nguyen, Bach-Thuan Bui, Shubham, Tim Wu, Michael Fairley, Matthew David Zane, Michael Wu, James Tompkin

Gepubliceerd 2026-03-13

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Belal Shaheen, Minh-Hieu Nguyen, Bach-Thuan Bui, Shubham, Tim Wu, Michael Fairley, Matthew David Zane, Michael Wu, James Tompkin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een bos van bovenaf bekijkt met een drone. Je wilt weten hoe dik de stam van elke boom is op borsthoogte (in de vakjargon: de DBH). Dit is cruciaal voor bosbeheerders om te weten hoeveel hout er is of hoeveel koolstof bomen vasthouden.

Het probleem? Vanuit de lucht zijn boomstammen vaak maar een paar pixels breed op je camera. Het is alsof je probeert de dikte van een potlood te meten terwijl je er 70 meter vandaan naar kijkt. Traditionele methoden met laserscanners (LiDAR) werken goed, maar zijn duur en zwaar. Methoden die alleen met camera's werken (fotogrammetrie), slaan vaak op omdat ze niet genoeg details kunnen "zien" tussen de takken en bladeren door.

Hier komt TreeDGS om de hoek kijken. Het is een slimme nieuwe manier om boomstammen te meten met alleen een gewone drone-camera. Hier is hoe het werkt, vertaald naar alledaagse taal:

1. Het probleem: De "Fluffy" Wolk

Stel je voor dat je een 3D-model van een boom maakt. Traditionele methoden proberen een strakke, gladde huid te maken. Maar bij bomen, waar je maar een paar hoeken vanaf kunt kijken, wordt dat model vaak "fluffy" (pluizig) of onvolledig. Het lijkt meer op een wolk dan op een harde stam. Als je daarop probeert te meten, krijg je onnauwkeurige resultaten.

2. De oplossing: 3D-Gaussian Splatting (De "Kleverige Ballen")

TreeDGS gebruikt een nieuwe techniek genaamd 3D Gaussian Splatting.

De analogie: In plaats van te proberen een strakke huid te maken, vult het de ruimte rond de boom met miljoenen kleine, onzichtbare, "plakkerige" ballen (Gaussians).
Sommige ballen zijn heel "plakkerig" (ze hebben een hoge opaciteit of ondoorzichtigheid), wat betekent dat ze zeker weten dat daar een boomstam zit.
Andere ballen zijn dun en wazig, wat betekent dat het misschien gewoon een wazig stukje bladeren is of een foutje.

3. De slimme filter: "Wie zit er echt in de weg?"

Nu heb je een enorme hoeveelheid van deze ballen. Hoe meet je de stam?

De oude fout: Als je gewoon naar het midden van elke bal kijkt, krijg je een heel leeg, versnipperd model (zoals in Figuur 10 van het paper).
De TreeDGS-methode: Het systeem kijkt naar elke bal en vraagt: "Zijn deze ballen in meerdere foto's van verschillende hoeken consistent zichtbaar?"
- Als een bal in elke foto "plakkerig" is, is het waarschijnlijk de echte stam.
- Als een bal maar in één foto zichtbaar is en in de rest verdwijnt, is het waarschijnlijk een blader of een foutje.
Het systeem plakt een vertrouwensscore op elke punt. Hoe meer foto's het punt zien, hoe hoger het vertrouwen.

4. De meting: Het "Vertrouwde" Cirkeltje

Nu heeft TreeDGS een puntwolk die alleen bestaat uit de punten waar het systeem zeker van is dat het de stam is.

Het snijdt de boom in horizontale plakken (zoals een worst).
In elke plak tekent het een cirkel om de stam.
De truc: Het geeft punten met een hoge "vertrouwensscore" meer gewicht. Een punt dat in 10 foto's zichtbaar is, telt zwaarder mee dan een punt dat maar in 1 foto zichtbaar is.
Hierdoor kan het systeem zelfs een perfecte cirkel tekenen, zelfs als de stam in sommige foto's gedeeltelijk door bladeren wordt verstoppt.

Waarom is dit zo cool?

Goedkoper: Je hebt geen dure laserscanner nodig, alleen een standaard drone met een camera.
Nauwkeuriger: In de test bleek TreeDGS zelfs nauwkeuriger te zijn dan de dure LiDAR-methode! De foutmarge was ongeveer 4,8 cm, terwijl LiDAR 7,9 cm fout had.
Slim: Het begrijpt dat "onzichtbaar" niet altijd "niet aanwezig" betekent, maar dat het systeem moet kijken waar de data consistent is.

Kort samengevat:
TreeDGS is als een detective die duizenden foto's van een boom bekijkt. In plaats van te vertrouwen op één wazige foto, zoekt hij naar de plekken waar alle foto's het eens zijn over de vorm van de stam. Door alleen die "zekere" plekken te gebruiken, kan hij de dikte van de boom meten alsof hij er met een meetlint bij staat, terwijl hij toch 70 meter boven de grond vliegt.

Titel

TreeDGS: Aerial Gaussian Splatting voor het meten van Distant DBH (Diameter op Borsthoogte)

1. Het Probleem

Het nauwkeurig meten van de Diameter op Borsthoogte (DBH) van bomen via luchtfotografie is een fundamentele uitdaging in de bosbouw en het koolstofbeheer. Hoewel drones (UAV's) efficiënt grote gebieden kunnen verkennen, falen bestaande methoden vaak in complexe bosomgevingen vanwege:

Beperkte observatie: Op typische vluchthoogten (ca. 70 meter) zijn boomstammen slechts enkele pixels breed in de afbeeldingen.
Beperkt zicht: De borsthoogte-zone (ongeveer 1,37 m boven de grond) wordt vaak geblokkeerd door bladerdak, takken en ondergroei, waardoor slechts een paar oblique (schuine) zichtlijnen beschikbaar zijn.
Tekortkomingen van bestaande methoden:
- Traditionele SfM/MVS (Structure-from-Motion): Levert vaak onvolledige of fragmentarische geometrie op bij verre stammen door gebrek aan textuur en onderbroken zichtlijnen.
- Laser Scanning (LiDAR): Hoewel LiDAR goed is voor het bovenste bladerdak, levert het bij luchtopnames vaak een schaarse en ongelijkmatige puntendichtheid op de stammen zelf, verontreinigd met vegetatie.

2. Methodologie: TreeDGS Pipeline

TreeDGS is een nieuwe pijplijn die 3D Gaussian Splatting (3DGS) gebruikt als een continue, verrijkbare representatie van de scène, specifiek geoptimaliseerd voor het meten van DBH vanuit alleen RGB-beelden.

De workflow bestaat uit de volgende stappen:

Initiële reconstructie (SfM/MVS):
- Camera-posities worden geschat met een aangepaste SfM-pijplijn (gebruikmakend van TopicFM voor betere matching in bosrijke omgevingen).
- Een initiële, dichte puntwolk wordt gegenereerd met OpenMVS om als prior te dienen voor de Gaussian-optimalisatie.
Optimalisatie met 3D Gaussian Splatting (RaDe-GS):
- De scène wordt gemodelleerd als een set van anisotrope 3D-Gaussianen.
- Er wordt gebruik gemaakt van RaDe-GS, een variant die diepte-informatie expliciet rasteriseert. Dit is cruciaal voor het later extraheren van een oppervlakte-consistente puntwolk.
- De Gaussianen worden geoptimaliseerd op basis van multi-view fotometrische consistentie.
Oppervlakte-extractie met Opacity-aware Sampling:
- In plaats van simpelweg het middelpunt van elke Gaussian te exporteren (wat leidt tot een te schaarse wolk), gebruikt TreeDGS een dichtheidsbewuste steekproefmethode.
- Er worden punten getrokken binnen het volume van de Gaussianen, gewogen door hun opacity (dekkingsgraad).
- Multi-view Opacity Support Score: Voor elk geprojecteerd punt wordt berekend hoeveel "opacity" er voor dat punt langs de kijkstraal is opgehoopt in alle camera's. Dit levert een betrouwbaarheidsscore ( $\bar{\alpha}$ ) op. Punten die consistent worden ondersteund door meerdere weergaven krijgen een hoge score; "drijvende" punten (artefacten) of vegetatie krijgen een lage score.
Semantische Tronk-extractie:
- De gegenereerde puntwolk bevat nog steeds bladeren en struiken. Een 3D-semantisch segmentatiemodel (ForestFormer3D) wordt gebruikt om alleen de punten die tot de stam behoren te isoleren.
DBH-schatting met Opacity-gewogen fitting:
- De stam wordt in horizontale plakken (slices) verdeeld rond de borsthoogte.
- In plaats van een dunne ring te passen (zoals bij traditionele LiDAR), past TreeDGS een vaste cirkel (solid-circle) aan de punten binnen de doorsnede aan, omdat de steekproefmethode punten binnen de stam genereert.
- RANSAC met gewichten: Een RANSAC-algoritme past een cirkel aan, waarbij punten worden gewogen op basis van hun multi-view opacity-score. Dit onderdrukt ruis en onbetrouwbare punten.
- Een taper-regressie (afname in diameter naarmate de hoogte toeneemt) wordt toegepast om de DBH op 1,37 m nauwkeurig te extrapoleren.

3. Belangrijkste Bijdragen

TreeDGS Framework: De eerste methode die 3D Gaussian Splatting direct toepast voor het meten van DBH vanuit UAV-RGB-beelden in een regime met beperkte pixels en weergaven.
Opacity-gestuurde Extractie: Een innovatieve methode om een dichte, betrouwbare puntwolk te extraheren uit een Gaussian-veld, waarbij multi-view consistentie wordt gebruikt om ruis te filteren.
Betrouwbaarheidsgewogen Fitting: Het introduceren van een gewogen cirkel-aanpassing die gebruikmaakt van de leerde opacity als een betrouwbaarheidssignaal, wat essentieel is voor nauwkeurigheid in onvolledige data.
Prestatiesuperioriteit: Het aantonen dat RGB-only data, verwerkt via deze methode, nauwkeuriger kan zijn dan ultra-hoogresolutie UAV-LiDAR voor DBH-metingen.

4. Resultaten

De methode is getest op 10 testvlakken in een beheerd loblolly-dennenbos (Arkansas, VS), met 210 manueel gemeten bomen als ground truth.

Nauwkeurigheid: TreeDGS (met opacity-gewogen cirkel-aanpassing) bereikte een RMSE van 4,79 cm en een MAE van 3,67 cm.
Vergelijking met LiDAR: Dit is een verbetering van 39,4% ten opzichte van de state-of-the-art UAV-LiDAR-baseline (die een RMSE van 7,91 cm had).
Vergelijking met andere 3DGS-methoden:
- Het gebruik van een standaard cilinder-aanpassing op TreeDGS-data gaf slechte resultaten (RMSE 13,29 cm), wat aantoont dat de fittingmethode moet matchen met de volumetrische aard van de steekproef.
- Onbewogen cirkel-aanpassing gaf een RMSE van 9,61 cm, wat de noodzaak van de opacity-gewichtsfactor bevestigt.
Robuustheid: De methode presteerde consistent goed in de meeste plots, zelfs in gebieden met dichte ondergroei waar LiDAR faalde door vegetatie-contaminatie.

5. Betekenis en Conclusie

TreeDGS bewijst dat commerciële UAV-RGB-beelden (die veel goedkoper en makkelijker te verkrijgen zijn dan LiDAR) voldoende informatie bevatten voor nauwkeurige bosmetingen, mits de juiste 3D-representatie en extractiemethoden worden gebruikt.

Kostenefficiëntie: Het elimineert de noodzaak voor dure LiDAR-sensoren voor DBH-metingen.
Technologische doorbraak: Het toont aan dat "fluffy" radiance-field reconstructies (zoals 3DGS) kunnen worden vertaald naar meetbare, betrouwbare geometrische attributen, mits er rekening wordt gehouden met de onzekerheid in de data via opacity-gewichten.
Beperkingen: De methode vereist dat de stam op borsthoogte zichtbaar is in ten minste 2-3 informatieve weergaven. Als de stam volledig wordt afgeschermd, kan de geometrie niet worden gereconstrueerd. Ook is de methode afhankelijk van de kwaliteit van de semantische segmentatie.

Kortom, TreeDGS opent een nieuwe weg voor nauwkeurige, schaalbare en kosteneffectieve bosinventarisatie met behulp van standaard drones en geavanceerde computer vision.