🔬 applied physics

Watershed vs. Region Growing for Individual Tree Segmentation from Airborne LiDAR: An Urban Case Study in Bologna

Deze studie vergelijkt watershed- en region growing-algoritmen voor het segmenteren van individuele stedelijke bomen uit airborne LiDAR in Bologna, waarbij verschillende detectieprofielen voor elke methode worden onthuld terwijl de beperkingen van bestaande gemeentelijke registers als grondwaarheid worden benadrukt en een modulaire pijplijn wordt gedemonstreerd voor het afleiden van vegetatieindicatoren zoals biomassa en pollenproductie.

Oorspronkelijke auteurs: Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

Gepubliceerd 2026-07-30

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Aldo Canfora, Tommaso Rondini, Matteo Falcioni, Mirko Degli Esposti

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 detective bent die een mysterie probeert op te lossen in een gigantisch, onzichtbaar bos. Maar dit is geen bos van aarde en bladeren die je kunt aanraken; het is een bos van lichtstralen. Wetenschappers gebruiken een speciaal instrument genaamd LiDAR (Light Detection and Ranging) om lasers vanuit de lucht af te vuren. Deze lasers kaatsen terug van alles—gebouwen, auto's en bomen—en vertellen ons precies hoe hoog ze zijn. Het is alsof de stad een 3D-pak draagt gemaakt van miljoenen kleine puntjes.

Stel je nu voor dat je een enorme stapel van deze puntjes hebt, en je taak is om uit te zoeken welke puntjes bij welke boom horen. Dit wordt segmentatie genoemd. Het is lastig omdat bomen in een stad vaak dicht bij elkaar groeien, hun takken in elkaar verstrengeld zijn als een kom spaghetti, en sommige hoog terwijl andere laag zijn. Als je niet het onderscheid tussen twee bomen kunt maken, kun je ze niet tellen, hun gezondheid niet meten of raden hoeveel koolstof ze uit de lucht opzuigen. Dit is belangrijk omdat steden warmer worden, en bomen zijn de natuurlijke airconditioners. Om hen te beheren, moeten we precies weten wie wie is in de groene menigte.

Dit artikel gaat over twee verschillende detectives die proberen dit puzzelstukje op te lossen in Bologna, Italië. De eerste detective gebruikt een methode genaamd Watershed, wat lijkt op het gieten van water over een bobbelig landschap. Het water stroomt naar beneden in valleien, en waar het water van twee verschillende valleien elkaar ontmoet, daar bevindt zich de grens tussen twee bomen. De tweede detective gebruikt Region Growing, wat meer lijkt op een spelletje "verbinding maken tussen de punten". Het begint bij de absolute top van een boom en grijpt zich vast aan nabijgelegen punten die eruitzien also ben deel uitmaken van dezelfde familie, waarbij de boom naar buiten toe groeit totdat hij een buurman raakt.

De onderzoekers testten beide detectives op 12 verschillende segmenten van de stad. Dit is wat ze vonden: De Watershed-detective vond meer bomen—7.589 in totaal! Maar het leek een beetje te enthousiast. Het hakte grote bomen in veel kleine stukjes en vond een enorm aantal kleine boompjes die slechts ongeveer 5 meter hoog waren. Het was alsof je een enorme eik zag en dacht dat het eigenlijk een bos van kleine zaailingen was, omdat het "water" bleef steken in de kleine kuiltjes van de bladeren.

De Region Growing-detective was behoudender. Hij vond minder bomen—6.432—maar was beter in het opsporen van de reuzen. Hij identificeerde succesvol bomen die meer dan 40 meter hoog waren, die de andere methode miste. Dit gebeurde omdat Region Growing de data niet gladstreek; het hield de scherpe, hoge punten van de hoogste bomen intact.

Het team probeerde ook hun werk te controleren aan de hand van de officiële lijst van de stad, een database genaamd Alberi in manutenzione. Ze hoopten deze lijst als een "waarheid" te gebruiken om te zien wie er gelijk had. Maar de lijst bleek een beetje een rommeltje te zijn. Ongeveer de helft van de bomen die de LiDAR zag, stond helemaal niet op de lijst. Sommige plekken op de lijst bevatten bomen die er niet meer waren, en de hoogtegegevens waren grotendeels van 20 jaar geleden. Het was alsof je je huiswerk probeerde te controleren tegen een tekstboek van een decennium oud waarvan de helft van de pagina's ontbrak. Vanwege hiervan konden de auteurs niet met zekerheid zeggen welke detective perfect was, maar ze konden wel zien dat de oude lijst van de stad niet goed genoeg was om de scheidsrechter te zijn.

Ondanks de verwarring gebruikten het team hun nieuwe boomkaarten om enkele interessante cijfers te berekenen. Ze schatten hoeveel koolstof elke boom opslaat (wat helpt bij het bestrijden van klimaatverandering) en hoeveel pollen ze zouden produceren (wat mensen kan laten niezen). Ze veranderden al deze gegevens in een interactieve kaart waar je op een boom kunt klikken om de hoogte, de grootte en de "pollencapaciteit" te zien.

De belangrijkste les? De oude boomlijst van de stad is verouderd en onbetrouwbaar. De nieuwe LiDAR-methoden werken, maar ze moeten zorgvuldig worden afgesteld. De "Watershed"-meth methode is snel maar ziet misschien te veel kleine bomen, terwijl "Region Growing" geweldig is voor het opsporen van de reuzen, maar misschien wat details mist. De auteurs suggereren dat we in de toekomst deze luchtscans moeten combineren met scans vanaf de grond en verse veldonderzoeken om het perfecte plaatje te krijgen. Tot die tijd geeft deze nieuwe pijplijn de stad een krachtige, actuele manier om haar groen te zien, zelfs als de oude kaarten nog achterlopen.

Technische Samenvatting: Watershed versus Region Growing voor de Segmentatie van Individuele Bomen in Bologna

Probleemstelling
Het artikel behandelt de uitdaging van het segmenteren en karakteriseren van individuele hoge stedelijke bomen in Bologna, Italië, met behulp van luchtgestuurde LiDAR-puntenwolken. Een primair geïdentificeerd obstakel is het gebrek aan betrouwbare grondwaarheidgegevens voor validatie. De gemeentelijke Open Data-catalogus (Alberi in manutenzione) blijkt aanzienlijk verouderd (met gegevens die ongeveer twee decennia teruggaan), incompleet (ongeveer 50% van de door LiDAR gedetecteerde bomen in bemonsterde gebieden ontbreekt) en inconsistent (bevat geografische punten waar geen bomen aanwezig zijn). Bijgevolg wordt standaard validatie tegen bestaande gemeentelijke registers als ongeschikt beschouwd, wat een vergelijkende analyse van segmentatie-algoritmen op basis van hun structurele outputs in plaats van externe grondwaarheid noodzakelijk maakt.

Methodologie
De studie stelt een modulaire, end-to-end pijplijn voor die begint bij luchtgestuurde LiDAR-puntenwolken die vooraf zijn geclassificeerd als "hoge vegetatie" met behulp van een Random Forest-model. De kern van de methodologie omvat de implementatie en vergelijking van twee verschillende strategieën voor individuele boomsegmentatie (ITS):

Watershed-algoritme:
- Input: Een Canopy Height Model (CHM) afgeleid door het Digital Terrain Model (DTM) af te trekken van het Digital Surface Model (DSM) beperkt tot vegetatiepunten.
- Proces: Het CHM wordt behandeld als een topografisch oppervlak. Lokale maxima (boomtoppen) dienen als zaadpunten voor een overstromingssimulatie. Watershed-lijnen, die de grenzen vertegenwoordigen waar water uit aangrenzende bassins samenkomt, omlijnen de boomkronen.
- Output: 2D-polygonaal kronenomtrek dat wordt gebruikt om de oorspronkelijke 3D-puntenwolk ruimtelijk te filteren.
Region Growing-algoritme:
- Input: De 3D LiDAR-puntenwolk geclassificeerd als hoge vegetatie.
- Proces: Een iteratieve, punt-gewijze toewijzingsstrategie. Punten worden gesorteerd op hoogte in afdescenderende volgorde. Het hoogste punt initieert een nieuwe boom. Vervolgende punten worden toegewezen aan de huidige boom als ze voldoen aan nabijheids- en structurele continuïteitscriteria (bijv. onder een eerder geanalyseerd punt liggen en de label ervan erven, of een takachtige structuur vormen nabij de huidige boomtop). Als een punt niet past, blijft het ontoegegaan voor een volgende passage.
- Output: 3D-puntclusters toegewezen aan specifieke bomen, zonder een inherente 2D-polygonaal omtrek die aanvullende reconstructie vereist.

Belangrijkste Bijdragen en Resultaten
De studie analyseert 12 ruimtelijke tegels die het wijkgebied Talea (Montagnola, Via Indipendenza, Stazione Centrale area) beslaan om de prestaties van beide methoden te vergelijken:

Segmentatieaantallen en Hoogteverdeling:
- Watershed: Detecteerde 7.589 bomen. De verdeling wordt gedomineerd door korte bomen, met een piekhoogte rond de 5 meter. De auteurs schrijven dit toe aan het gladstrijken van het CHM, wat de CHM kan fragmenteren in meerdere lokale maxima, wat leidt tot oversegmentatie.
- Region Growing: Detecteerde 6.432 bomen. Deze methode behoudt de hoogste LiDAR-returns en identificeert succesvol individuen die de 40 meter in hoogte overschrijden. Het vermijdt de kunstmatige fragmentatie van hoge bomen die bij de watershed-benadering wordt gezien, omdat het direct op 3D-punten werkt zonder een smoothing-stap.
- Overeenkomst: Beide methoden zijn het eens over het aantal bomen groter dan 10 meter en de piek in de kroonradiusverdeling (2–3 meter). Discrepanties concentreren zich in het lagere deel van de hoogteverdeling.
Datavalidatie:
- Een vergelijking met de gemeentelijke Alberi in manutenzione-dataset toonde aan dat ongeveer de helft van de door LiDAR gedetecteerde bomen afwezig was in de catalogus, terwijl sommige gecatalogiseerde punten overeenkwamen met locaties waar geen bomen aanwezig waren. Dit bevestigt de ongeschiktheid van deze dataset als grondwaarheidreferentie voor het trainen of evalueren van ITS-algoritmen.
Vegetatie-indicatoren:
Gebruikmakend van de gesegmenteerde bomen (specifiek de watershed-output, die kant-en-klare polygonen biedt voor soorttoewijzing), berekenden de auteurs twee voorlopige indicatoren:
1. Koolstofopslag: Geschatte bovengrondse biomassa (AGB) met een allometrisch model ( $AGB = \alpha \cdot [H \cdot \ln(\pi R^2)]^\beta$ ) gebaseerd op boomhoogte ( $H$ ) en kroonradius ( $R$ ). Koolstof werd afgeleid met standaard IPCC-coëfficiënten. De auteurs merken op dat dit een benadering van de eerste orde is vanwege het gebruik van coëfficiënten gekalibreerd op dawn redwood-plantages in plaats van de loofbossen in de stedelijke omgeving van Bologna.
2. Allergeen Potentieel: Geschatte jaarlijkse pollenproductie ( $P = D \cdot V_{crown} \cdot E$ ) met soortspecifieke inflorescentie-coëfficiënten. Het kroonvolume werd benaderd als een sferoïde met een vaste kroondiepteverhouding ( $L = H/2$ ), een conservatieve aanname gezien het onvermogen van luchtgestuurde LiDAR om de kroonbasis in dichte stedelijke kronen te detecteren.
Visualisatie:
Alle resultaten, inclusief metadata (soort, hoogte, kroonradius, koolstof, pollen), werden geïntegreerd in een interactieve per-boom kaart met behulp van de folium-bibliotheek.

Betekenis en Claims
Het artikel positioneert zichzelf als een fundamenteel werk in plaats van een definitieve oplossing, waarbij expliciet de beperkingen in validatie en parameterkalibratie worden erkend. De betekenis ligt in:

Demonstratie van een Schaalbare Pijplijn: Het biedt een modulair kader dat kan worden hergekalibreerd naarmate er betere classificaties, veldgegevens of sensortechnologieën (bijv. terrestrische LiDAR) beschikbaar komen.
Documentatie van Datagaten: Het documenteert rigoureus de ontoereikendheid van de huidige gemeentelijke Open Data voor stedelijk bosbeheer, en pleit voor het gebruik van periodieke luchtgestuurde LiDAR om inventarissen met betrekking tot de aanwezigheid, hoogte en kroonomvang van bomen bij te werken.
Algoritmische Vergelijking: Het biedt een praktische vergelijking van de watershed- en region growing-technieken in een stedelijke context, waarbij wordt opgemerkt dat hoewel watershed rekenkundig licht is en 2D-polygonen levert, region growing de verticale structuur van hoge bomen beter behoudt.
Voorlopige Indicatoren: Het stelt de haalbaarheid vast van het afleiden van ecologische indicatoren (koolstof en pollen) uit LiDAR-gegevens, wat dient als basis voor toekomstige, meer verfijnde gemeentelijke groenstrategieën.

De auteurs concluderen dat de pijplijn is ontworpen om mee te evolueren met de strategische prioriteiten van de gemeente, waarbij toekomstig werk zich zal richten op het verbeteren van de controle op takstructuren in region growing, het creëren van gecureerde referentiedatasets via veldcampagnes en het verfijnen van indicatoren op basis van soortspecifieke kalibraties.

Meer zoals dit