L'importance de mesurer les paramètres biophysiques de la forêt pour la surveillance de la santé des écosystèmes et la gestion forestière encourage les chercheurs à trouver des méthodes précises et à faible coût en particulier sur les zones étendues et montagneuses. Dans la présente étude, le lidar satellitaire GLAS embarqué à bord du satellite ICESat (Ice Cloud and land Elevation Satellite) a été utilisé pour estimer trois caractéristiques biophysiques des forêts situées dans le nord de l'Iran:1) hauteur maximale de la canopée (Hmax),2)hauteur de Lorey (HLorey), et 3)le volume du bois (V). Des régressions linéaires multiples (RLM), des modèles basés sur les Forêts Aléatoires (FA : Random Forest) et aussi des réseaux de neurones (ANN) ont été développés à l'aide de deux ensembles différents de variables incluant des métriques obtenues à partir des formes d’onde GLAS et des composantes principales (CP) produites à partir de l'analyse en composantes principales (ACP) des données GLAS. Pour valider et comparer les modèles, des critères statistiques ont été calculées sur la base d'une validation croisée. Le meilleur modèle pour l’estimation de la hauteur maximale a été obtenu avec une régression RLM (RMSE=5.0m) qui combine deux métriques extraites des formes d'onde GLAS (H50, Wext), et un paramètre issu du modèle numérique d'élévation (Indice de relief TI). L'erreur moyenne absolue en pourcentage (MAPE) sur les estimations de la hauteur maximale est de 16.4%. Pour la hauteur de Lorey, un modèle basé sur les réseaux de neurones et utilisant des CPs et le Wext fournit le meilleur résultat avec RMSE=3.4m et MAPE=12.3%. Afin d'estimer le volume du bois, deux approches ont été utilisées:(1)estimation du volume à l'aide d’une relation volume-hauteur avec une hauteur estimée à partir de données GLAS et (2)estimation du volume du bois directement à partir des données GLAS en développant des régressions entre le volume in situ et les métriques GLAS. Le résultat de la première approche (RMSE=116.3m3/ha) était légèrement meilleur que ceux obtenus avec la seconde approche. Par exemple, le réseau de neurones basé sur les PCs donnait un RMSE de 119.9m3/ha mais avec des meilleurs résultats que l’approche basée sur la relation volume-hauteur pour les faibles (<10m3/ha) et les forts (>800m3/ha) volumes. Au total, l'erreur relative sur le volume de bois est estimée à environ 26%. En général, les modèles RLM et ANN avaient des meilleures performances par rapport aux modèles de FA. En outre, la précision sur l’estimation de la hauteur à l'aide de métriques issues des formes d'onde GLAS est meilleure que celles basées sur les CPs.Compte tenu des bons résultats obtenus avec les modèles de hauteur GLAS, la production de la carte des hauteurs d’étude par une utilisation combinée de données de télédétection lidar, radar et optique et de données environnementales a été effectuée à l’intérieur de notre zone. Ainsi, des régressions RLM et FA ont été construites entre toutes les hauteurs dérivées des données GLAS, à l'intérieur de la zone d'étude, et les indices extraits des données de télédétection et des paramètres environnementaux. Les meilleurs modèles entrainés pour estimer Hmax (RMSE=7.4m et R_a^2=0.52) et HLorey (RMSE=5.5m et R_a^2=0.59) ont été utilisées pour produire les cartes de hauteurs. La comparaison des Hmax de la carte obtenue avec les valeurs de Hmax in situ à l'endroit de 32 parcelles produit un RMSE de 5.3m et un R2 de 0.71. Une telle comparaison pour HLorey conduit à un RMSE de 4.3m et un R2 de 0.50. Une méthode de régression-krigeage a également été utilisée pour produire une carte des hauteurs en considérant la corrélation spatiale entre les hauteurs. Cette approche, testée dans le but d'améliorer la précision de la carte de la hauteur du couvert fournie par la méthode non-spatiale, a échouée due à l'hétérogénéité de la zone d'étude en termes de la structure forestière et de la topographie. / The importance of measuring forest biophysical parameters for ecosystem health monitoring and forest management encourages researchers to find precise, yet low-cost methods especially in mountainous and large areas. In the present study Geoscience Laser Altimeter System (GLAS) on board ICESat (Ice Cloud and land Elevation Satellite) was used to estimate three biophysical characteristics of forests located in the north of Iran: 1) maximum canopy height (Hmax), 2) Lorey’s height (HLorey), and 3) Forest volume (V). A large number of Multiple Linear Regressions (MLR), Random Forest (RF) and also Artificial Neural Network regressions were developed using two different sets of variables including waveform metrics and Principal Components (PCs) produced from Principal Component Analysis (PCA). To validate and compare models, statistical criteria were calculated based on a five-fold cross validation. Best model concerning the maximum height was an MLR (RMSE=5.0m) which combined two metrics extracted from waveforms (waveform extent "Wext" and height at 50% of waveform energy "H50"), and one from Digital Elevation Model (Terrain Index: TI). The mean absolute percentage error (MAPE) of maximum height estimates was 16.4%. For Lorey’s height, an ANN model using PCs and waveform extent “Wext” outperformed other models (RMSE=3.4m, MAPE=12.3%). In order to estimate forest volume, two approaches was employed: First, estimating volume using volume-height relationship while height is GLAS estimated height; Second, estimation of forest volume directly from GLAS data by developing regressions between in situ volume and GLAS metrics. The result from first approach (116.3m3/ha) was slightly better than the result obtained by the second approach that is a PCs-based ANN model (119.9 m3/ha). But the ANN model performed better in very low (<10 m3/ha) and very high (> 800 m3/ha) volume stands. In total, the relative error of estimated forest volume was about 26%. Generally, MLR and ANN models had better performance when compared to the RF models. In addition, the accuracy of height estimations using waveform metrics was better than those based on PCs.Given the suitable results of GLAS height models (maximum and Lorey’s heights), production of wall to wall height maps from synergy of remote sensing (GLAS, PALSAR, SPOT5 and Landsat-TM) and environmental data (slope, aspect, classified elevation map and also geological map) was taken under consideration. Thus, MLR and RF regressions were built between all GLAS derived heights, inside of the study area, and indices extracted from mentioned remotely sensed and environmental data. The best resulted models for Hmax (RMSE=7.4m and R_a^2=0.52) and HLorey (RMSE=5.5m and R_a^2=0.59) were used to produce a wall to wall maximum canopy height and Lorey’ height maps. Comparison of Hmax extracted from the resulted Hmax map with true height values at the location of 32 in situ plots produced an RMSE and R2 of 5.3m and 0.71, respectively. Such a comparison for HLorey led to an RMSE and R2 of 4.3m and 0.50, respectively. Regression-kriging method was also used to produce canopy height map with considering spatial correlation between canopy heights. This approach, with the aim of improving the precision of canopy height map provided from non-spatial method, was unsuccessful which could be due to the heterogeneity of the study area in case of forest structure and topography.

L’industrie éolienne et l’aéronautique ont des besoins importants en matière de mesure de vent dans les premières centaines de mètres de l’atmosphère. Les lidars sont des instruments répandus et éprouvés pour ce type de mesure. Cependant, leurs qualités d’acquisition sont atténuées par un bruit de mesure systématique. En utilisant des techniques sur le filtrage nonlinéaire nous avons participé au développement d'un algorithme qui améliore l’estimation du vent et de la turbulence. Cet algorithme est basé sur une représentation de l’atmosphère par des particules fluides. Il utilise un modèle lagrangien stochastique de turbulence et un filtrage par sélection génétique. Son efficacité dépend du réglage de certains paramètres, fixés à une valeur acceptable à l’issue de la phase de développement. Mais l’influence de ces paramètres n’a jamais été étudiée. Ce travail de thèse répond à cette question par une analyse de sensibilité basée sur la décomposition de variance. De nouveaux estimateurs pour les indices de Sobol, utilisant des régression pénalisées, ont été testés. Ces estimateurs mettent les indices de Sobol les plus petits automatiquement à zéro pour faciliter l’interprétation globale. L’analyse de sensibilité permet de réduire le système à 9 entrées et 5 sorties à un système de 3 entrées (le nombre de particules, le bruit d’observation réel et le bruit d’observation donné au filtre) et 2 sorties (la pente du spectre de vent et l’erreur sur le vent). Grâce à ce système réduit, nous mettons en évidence une méthode de réglage des paramètres d’entrée les plus importants. Le bruit d’observation donné au filtre est bien réglé lorsque la pente du spectre est à la valeur cible de -5/3. Une fois ce bruit réglé, l’erreur sur le vent est minimale avec une expression connue. / Wind energy industry and airport safety are in need of atmospheric observations. Remote sensors, such as lidars, are well proven and common technology to provide wind measurements in the first hundreds of meters of altitude. However, acquisition abilities of lidars are polluted by measurement noise. Using non-linear filtering techniques, we took part at the development of an algorithm improving wind and turbulence estimations. The process is based on a representation of the atmosphere with fluid particles. It uses a stochastic Lagrangian model of turbulence and a genetic selection filtering technique. Its efficiency depends of the setting of various parameters. Their values were fixed experimentally during the development phase. But their influence has never been assessed. This work addresses this question with a variance-based sensitivity analysis. New estimators of Sobol indices, using penalized regression have been tested. These estimators ensure the lowest Sobol indices automatically go to zero so the overall interpretation is simplified. The sensitivity analysis allows to reduce the system from 5 outputs and 9 inputs to 3 inputs (number of particles, real observation noise, observation noise given to the filter) and 2 outputs (wind spectrum slope, root-mean-squared error on wind). With this reduced system we determined a procedure to correctly set the most important parameters. The observation noise given to the filter is well set when the wind spectrum slope has the expected value of -5/3. Once it is set correctly, the error on wind is minimum and its expression is known.

Aktuelle 3D-Stadtmodelle werden immer wichtiger in verschiedenen städtischen Anwendungsbereichen. Im Moment dienen sie als Grundlage bei der Stadtplanung, virtuellem Tourismus und Navigationssystemen. Mittlerweile ist der Bedarf an 3D-Gebäudemodellen dramatisch gestiegen. Der Grund dafür sind hauptsächlich Navigationssysteme und Onlinedienste wie Google Earth. Die Mehrheit der Untersuchungen zur Rekonstruktion von Gebäudemodellen von Luftaufnahmen konzentriert sich ausschließlich auf Dachmodellierung. Jedoch treiben Anwendungen wie Virtuelle Realität und Navigationssysteme die Nachfrage nach detaillieren Gebäudemodellen, die nicht nur die geometrischen Aspekte sondern auch semantische Informationen beinhalten, stark an. Urbanisierung und Industrialisierung beeinflussen das Wachstum von urbaner Vegetation drastisch, welche als ein wesentlicher Teil des Lebensraums angesehen wird. Aus diesem Grund werden Aufgaben wie der Ökosystemüberwachung, der Verbesserung der Planung und des Managements von urbanen Regionen immer mehr Aufmerksamkeit geschenkt. Gleichermaßen hat die Erkennung und Modellierung von Bäumen im Stadtgebiet sowie die kontinuierliche Überprüfung ihrer Inventurparameter an Bedeutung gewonnen. Die steigende Nachfrage nach 3D-Gebäudemodellen, welche durch Fassadeninformation ergänzt wurden, und Informationen über einzelne Bäume im städtischen Raum erfordern effiziente Extraktions- und Rekonstruktionstechniken, die hochgradig automatisiert sind. In diesem Zusammenhang ist das Wissen über die geometrische Form jedes Objektteils ein wichtiger Aspekt. Heutzutage, wird das Mobile Laser Scanning (MLS) vermehrt eingesetzt um Objekte im städtischen Umfeld zu erfassen und es entwickelt sich zur Hauptquelle von Daten für die Modellierung von urbanen Objekten. Eine Vielzahl von Objekten wurde schon mit Daten von MLS rekonstruiert. Außerdem wurden bereits viele Methoden für die Verarbeitung von MLS-Daten mit dem Ziel urbane Objekte zu erkennen und zu rekonstruieren vorgeschlagen. Die 3D-Punkwolke einer städtischen Szene stellt eine große Menge von Messungen dar, die viele Objekte von verschiedener Größe umfasst, komplexe und unvollständige Strukturen sowie Löcher (Rauschen und Datenlücken) enthält und eine inhomogene Punktverteilung aufweist. Aus diesem Grund ist die Verarbeitung von MLS-Punktwolken im Hinblick auf die Extrahierung und Modellierung von wesentlichen und charakteristischen Fassadenstrukturen sowie Bäumen von großer Bedeutung. In der Arbeit werden zwei neue Methoden für die Rekonstruktion von Gebäudefassaden und die Extraktion von Bäumen aus MLS-Punktwolken vorgestellt, sowie ihre Anwendbarkeit in der städtischen Umgebung analysiert. Die erste Methode zielt auf die Rekonstruktion von Gebäudefassaden mit expliziter semantischer Information, wie beispielsweise Fenster, Türen, und Balkone. Die Rekonstruktion läuft vollautomatisch ab. Zu diesem Zweck werden einige Algorithmen vorgestellt, die auf dem Vorwissen über die geometrische Form und das Arrangement von Fassadenmerkmalen beruhen. Die initiale Klassifikation, mit welcher die Punkte in Objektpunkte und Bodenpunkte unterschieden werden, wird über eine lokale Höhenhistogrammanalyse zusammen mit einer planaren Region-Growing-Methode erzielt. Die Punkte, die als zugehörig zu Objekten klassifiziert werden, werden anschließend in Ebenen segmentiert, welche als Basiselemente der Merkmalserkennung angesehen werden können. Information über die Gebäudestruktur kann in Form von Regeln und Bedingungen erfasst werden, welche die wesentlichen Steuerelemente bei der Erkennung der Fassadenmerkmale und der Rekonstruktion des geometrischen Modells darstellen. Um Merkmale wie Fenster oder Türen zu erkennen, die sich an der Gebäudewand befinden, wurde eine löcherbasierte Methode implementiert. Einige Löcher, die durch Verdeckungen entstanden sind, können anschließend durch einen neuen regelbasierten Algorithmus eliminiert werden. Außenlinien der Merkmalsränder werden durch ein Polygon verbunden, welches das geometrische Modell repräsentiert, indem eine Methode angewendet wird, die auf geometrischen Primitiven basiert. Dabei werden die topologischen Relationen unter Beachtung des Vorwissens über die primitiven Formen analysiert. Mögliche Außenlinien können von den Kantenpunkten bestimmt werden, welche mit einer winkelbasierten Methode detektiert werden können. Wiederkehrende Muster und Ähnlichkeiten werden ausgenutzt um geometrische und topologische Ungenauigkeiten des rekonstruierten Modells zu korrigieren. Neben der Entwicklung des Schemas zur Rekonstruktion des 3D-Fassadenmodells, sind die Segmentierung einzelner Bäume und die Ableitung von Attributen der städtischen Bäume im Fokus der Untersuchung. Die zweite Methode zielt auf die Extraktion von individuellen Bäumen aus den Restpunktwolken. Vorwissen über Bäume, welches speziell auf urbane Regionen zugeschnitten ist, wird im Extraktionsprozess verwendet. Der formbasierte Ansatz zur Extraktion von Einzelbäumen besteht aus einer Reihe von Schritten. In jedem Schritt werden Objekte in Abhängigkeit ihrer geometrischen Merkmale gefunden. Stämme werden unter Ausnutzung der Hauptrichtung der Punktverteilung identifiziert. Dafür werden Punktsegmente gesucht, die einen Teil des Baumstamms repräsentieren. Das Ergebnis des Algorithmus sind segmentierte Bäume, welche genutzt werden können um genaue Informationen über die Größe und Position jedes einzelnen Baumes abzuleiten. Einige Beispiele der Ergebnisse werden in der Arbeit angeführt. Die Zuverlässigkeit der Algorithmen und der Methoden im Allgemeinen wurden unter Verwendung von drei Datensätzen, die mit verschiedenen Laserscannersystemen aufgenommen wurden, verifiziert. Die Untersuchung zeigt auch das Potential sowie die Einschränkungen der entwickelten Methoden wenn sie auf verschiedenen Datensätzen angewendet werden. Die Ergebnisse beider Methoden wurden quantitativ bewertet unter Verwendung einer Menge von Maßen, die die Qualität der Fassadenrekonstruktion und Baumextraktion betreffen wie Vollständigkeit und Genauigkeit. Die Genauigkeit der Fassadenrekonstruktion, der Baumstammdetektion, der Erfassung von Baumkronen, sowie ihre Einschränkungen werden diskutiert. Die Ergebnisse zeigen, dass MLS-Punktwolken geeignet sind um städtische Objekte detailreich zu dokumentieren und dass mit automatischen Rekonstruktionsmethoden genaue Messungen der wichtigsten Attribute der Objekte, wie Fensterhöhe und -breite, Flächen, Stammdurchmesser, Baumhöhe und Kronenfläche, erzielt werden können. Der gesamte Ansatz ist geeignet für die Rekonstruktion von Gebäudefassaden und für die korrekte Extraktion von Bäumen sowie ihre Unterscheidung zu anderen urbanen Objekten wie zum Beispiel Straßenschilder oder Leitpfosten. Aus diesem Grund sind die beiden Methoden angemessen um Daten von heterogener Qualität zu verarbeiten. Des Weiteren bieten sie flexible Frameworks für das viele Erweiterungen vorstellbar sind. / Up-to-date 3D urban models are becoming increasingly important in various urban application areas, such as urban planning, virtual tourism, and navigation systems. Many of these applications often demand the modelling of 3D buildings, enriched with façade information, and also single trees among other urban objects. Nowadays, Mobile Laser Scanning (MLS) technique is being progressively used to capture objects in urban settings, thus becoming a leading data source for the modelling of these two urban objects. The 3D point clouds of urban scenes consist of large amounts of data representing numerous objects with significant size variability, complex and incomplete structures, and holes (noise and data gaps) or variable point densities. For this reason, novel strategies on processing of mobile laser scanning point clouds, in terms of the extraction and modelling of salient façade structures and trees, are of vital importance. The present study proposes two new methods for the reconstruction of building façades and the extraction of trees from MLS point clouds. The first method aims at the reconstruction of building façades with explicit semantic information such as windows, doors and balconies. It runs automatically during all processing steps. For this purpose, several algorithms are introduced based on the general knowledge on the geometric shape and structural arrangement of façade features. The initial classification has been performed using a local height histogram analysis together with a planar growing method, which allows for classifying points as object and ground points. The point cloud that has been labelled as object points is segmented into planar surfaces that could be regarded as the main entity in the feature recognition process. Knowledge of the building structure is used to define rules and constraints, which provide essential guidance for recognizing façade features and reconstructing their geometric models. In order to recognise features on a wall such as windows and doors, a hole-based method is implemented. Some holes that resulted from occlusion could subsequently be eliminated by means of a new rule-based algorithm. Boundary segments of a feature are connected into a polygon representing the geometric model by introducing a primitive shape based method, in which topological relations are analysed taking into account the prior knowledge about the primitive shapes. Possible outlines are determined from the edge points detected from the angle-based method. The repetitive patterns and similarities are exploited to rectify geometrical and topological inaccuracies of the reconstructed models. Apart from developing the 3D façade model reconstruction scheme, the research focuses on individual tree segmentation and derivation of attributes of urban trees. The second method aims at extracting individual trees from the remaining point clouds. Knowledge about trees specially pertaining to urban areas is used in the process of tree extraction. An innovative shape based approach is developed to transfer this knowledge to machine language. The usage of principal direction for identifying stems is introduced, which consists of searching point segments representing a tree stem. The output of the algorithm is, segmented individual trees that can be used to derive accurate information about the size and locations of each individual tree. The reliability of the two methods is verified against three different data sets obtained from different laser scanner systems. The results of both methods are quantitatively evaluated using a set of measures pertaining to the quality of the façade reconstruction and tree extraction. The performance of the developed algorithms referring to the façade reconstruction, tree stem detection and the delineation of individual tree crowns as well as their limitations are discussed. The results show that MLS point clouds are suited to document urban objects rich in details. From the obtained results, accurate measurements of the most important attributes relevant to the both objects (building façades and trees), such as window height and width, area, stem diameter, tree height, and crown area are obtained acceptably. The entire approach is suitable for the reconstruction of building façades and for the extracting trees correctly from other various urban objects, especially pole-like objects. Therefore, both methods are feasible to cope with data of heterogeneous quality. In addition, they provide flexible frameworks, from which many extensions can be envisioned.

KNAS (Continuous Habitat Mapping of Protected Areas) is a Metria AB project that produces vegetation and habitat mapping in protected areas in Sweden. Vegetation and habitat mapping is challenging due to its heterogeneity, spatial variability and complex vertical and horizontal structure. Traditionally, multispectral data is used due to its ability to give information about horizontal structure of vegetation. LiDAR data contains information about vertical structure of vegetation, and therefore contributes to improve classification accuracy when used together with spectral data. The objectives of this study are to integrate LiDAR and multispectral data for KNAS and to determine the contribution of LiDAR data to the classification accuracy. To achieve these goals, two object-based classification schemes are proposed and compared: a spectral classification scheme and a spectral-LiDAR classification scheme. Spectral data consists of four SPOT-5 bands acquired in 2005 and 2006. Spectral-LiDAR includes the same four spectral bands from SPOT-5 and nine LiDAR-derived layers produced from NH point cloud data from airborne laser scanning acquired in 2011 and 2012 from The Swedish Mapping, Cadastral and Land Registration Authority. Processing of point cloud data includes: filtering, buffer and tiles creation, height normalization and rasterization. Due to the complexity of KNAS production, classification schemes are based on a simplified KNAS workflow and a selection of KNAS forest classes. Classification schemes include: segmentation, database creation, training and validation areas collection, SVM classification and accuracy assessment. Spectral-LiDAR data fusion is performed during segmentation in eCognition. Results from segmentation are used to build a database with segmented objects, and mean values of spectral or spectral-LiDAR data. Databases are used in Matlab to perform SVM classification with cross validation. Cross validation accuracy, overall accuracy, kappa coefficient, producer’s and user’s accuracy are computed. Training and validation areas are common to both classification schemes. Results show an improvement in overall classification accuracy for spectral-LiDAR classification scheme, compared to spectral classification scheme. Improvements of 21.9 %, 11.0 % and 21.1 % are obtained for the study areas of Linköping, Örnsköldsvik and Vilhelmina respectively.

No description available.

Fler och fler industrier vänder blickarna mot A.I. (artificiell intelligens) för att undersöka om och hur det kan användas för att effektivisera olika processer. Men för att träna upp en A.I. krävs oftast stora mängder data där man kan behöva förbereda väldigt mycket manuellt innan man ens kan påbörja träningsprocessen. SCA Skog AB ser dock många fördelar med att göra A.I. till en naturlig del av sin digitaliseringsprocess, där man bland annat är intresserad utav visuella bedömningar av träd. Dataset för visuella bedömningar kan se ut på olika sätt, men i detta fall var det relevant att skapa dataset i form av konturer för trädstammar. Med hjälp av en A.I. som skulle kunna visuellt segmentera och klassificera träd så skulle man öppna upp för många nya möjligheter inom skogsindustrin. Under detta projekt har jag undersökt hur man skulle kunna automatisera processen för skapandet av dataset i  skogsmiljöer för just visuella bedömningar. Som ett resultat av att försöka uppnå detta, så fick jag experimentera med bildbaserade punktmoln som på olika sätt tillät projektet att avancera framåt. Ur dessa punktmoln kunde jag sedan segmentera träden för att i nästa process skapa konturer längs alla träd med hjälp av utvunnen data ur segmenteringen. Jag tittade först och främst på hur man automatiskt skulle kunna skapa konturer för alla träd i bildsekvensen, för att sedan låta en användare gå in och finjustera konturerna. I resultatet kan man sedan tydligt se skillnaden i tidsåtgång för att använda programmet och inte. Programmet kan skapa och uppdatera pixel-masker snabbare än vad jag manuellt kunde utföra samma arbete, där jag dock hade önskat på en mer markant skillnad i tidsåtgång jämfört med den rent manuella insatsen. Under projektets gång så kunde jag identifiera några större problem som förhindrade detta, där man med lämplig utrustning skulle kunna uppnå ett mycket bättre resultat än vad som gjordes under detta projekt. Resultaten talar ändå för att det kan vara lönt att undersöka metoden mer ingående. / More and more industries are turning their eyes towards A.I. (artificial intelligence) and its rapid development, in hope of utilizing it to remove labor intense operations. But large amounts of manually processed data is often required before starting the learning process, which can be a huge problem to deal with. SCA Skog AB is still very curious in how they could use A.I. in forestry, where visual inspection of trees is of particular interest. There are many visual problems that modern A.I. can solve, where in this case it’s a matter of finding contours of trees and classify them. If this would be possible, a lot of interesting opportunities would open up to be experimented with. During this project I’ve examined the possibility of reducing the time it takes to manually create datasets of forest environments for this particular visual problem. As a result of trying to achieve this, I had to examine image-based point clouds and their properties to find out how they could be used in this process. From the SfM-point cloud I was able to segment all visible trees with an segmentation algorithm and isolate these points to extract the 2D→3Dconnection. I could then use that connection to create pixel masks and apply it to the image sequence to paint out all the contours of the segmented trees. A method to automatically update these pixel masks in terms of adding and removal was also implemented, where any update would propagate through the image sequence and reduce the time for manual adjustment. From testing the program, it’s clear that time could be saved doing various kinds of contour updating-operations. The program could by itself create pixel masks that then could be updated in a way that a lot of need for manual updating was reduced, though the result in terms of time saved was not as substantial as one would have hoped for. Issues with the point cloud caused some major  problems due to it’s low precision. Using better equipment for image gathering would most likely be the best way to improve the results of this project. The result still tells us that this method is worth researching further.

To assess information about the optical, microphysical, and radiative properties of aerosol particles the lidar technique and sun photometers are commonly used. Information that result from both lidar and sun photometer data can provide a distinct image of the vertical aerosol properties. The algorithm developed at the Institute of Physics of the National Academy of Science of Belarus (IPNASB) uses lidar measurements at the three wavelengths 355, 532, and 1064 nm and mean backscatter and extinction coefficients retrieved from radiometric data to obtain profiles of fine-mode and coarse-mode concentrations. Within the master thesis the IPNASB algorithm was tested for specific aerosol situations. Three cases are considered representing Saharan dust, smoke and industrial aerosol from East Europe, and volcanic aerosol from the Eyjafjallajokull eruption. The retrieved microphysical aerosol properties are in good to acceptable agreement with findings of well-established methods.

Diese Masterarbeit ist eine Abhandlung zur Auswahl und Einbindung eines Sensors zur Erfassung dreidimensionaler Umgebungsdaten in die TUC DriveCloud. Im zweiten Kapitel werden die grundlegenden Informationen zum Thema behandelt. Anschließend wird auf den aktuellen Stand der Technik eingegangen. Dabei werden die zur Aufnahme und Verwaltung von Umgebungsdaten geeigneten Softwarelösungen sowie bereits existierende Datensätze vorgestellt. Im vierten Kapitel wird das Konzept zur Erweiterung der TUC DriveCloud Architektur für die Aufnahme von Umgebungsdaten vorgestellt. Das darauffolgende Kapitel beschreibt die Umsetzung. Im sechsten Kapitel werden die Ergebnisse präsentiert. Schlussendlich wird die Arbeit zusammengefasst und ein Ausblick gegeben.

Wetlands have been heavily affected by human-alteration, this is done to drain thewetland so that the ground can be used for other purposes such as forestry oragriculture. With high accuracy data available now, it is possible to use differentmethods automatically to identify these ditches in wetlands or other areas. Fourdifferent methods were applied to two areas to delineate ditches. To compare the different methods, the results were quantified by comparing with amanually created map of the ditches. Drainage density and an agreement index wereused. The results indicate that the methods of impoundment index and map gullydepth are best able to distinguish the ditches in wetlands. The former gave a betterresult on areas inside wetlands while the latter gave a better result with non-wetlandareas. The other two methods make mistakes and misjudgements that givemisleading results, they ignore ditches partially or completely, or finds ditches inareas without them. Even so, all methods are at least a clear improvement over thecurrently available property map's water flows, but not in the same class as the timeconsumingmanual method. / Våtmarker har påverkats mycket av människan genom dikning, detta görs för attdränera våtmarken så att marken kan användas för andra syften som skogsbruk ellerjordbruk. Med höjddata i hög noggrannhet som nu finns tillgänglig är det möjligt attanvända olika metoder för att urskilja dessa diken i våtmarker. Fyra olika metodermed applicerades på två olika områden för att undersöka möjligheten att urskiljadiken. För att jämföra de olika metoderna kvantifieras resultaten genom att jämföras meden manuellt skapad karta över diken. Dränerings densitet och ettöverensstämmelseindex användes. Resultaten pekar på att metoderna fördämningsindex (impoundment index) och ravindjupskartering (map gully depth) klarar bäst avatt urskilja diken i våtmarker. Där den föregående ger ett gav ett bättre resultat inomvårmarker och den senare gav ett bättre resultat generellt över området. De tvåandra metoderna gör missar och felbedömningar som ger missvisande resultat.Oavsett det, så är karteringen av dikena i nuläget en klar förbättring överFastighetskartans vattenflöden, men inte i samma klass som den tidskrävandemanuella metoden.

La connaissance détaillée et le suivi de la végétation urbaine représentent un enjeu important, tant pour les scientifiques qui étudient les relations paysage-écosystème, que pour les gestionnaires qui sont chargés de l'entretien et de la gestion de la végétation. Le principal objectif de cette thèse est d'évaluer l'intérêt des images à THRS pour cartographier la végétation en ville. Plus précisément, elle vise à évaluer le potentiel des images THRS sur trois composantes : la résolution spatiale, la résolution spectrale et l'altimétrie. Pour cela, nous avons traité plusieurs types de données optiques THRS acquises sur la Ville de Rennes et le Site des Prairies Saint-Martin : des images 2D multispectrales et superspectrales, des images multispectrales 2,5D et des données 3D acquises par un LiDAR bi-spectral. Dans un premier temps, nous avons évalué l'intérêt d'utiliser des images THRS 2D multispectrales pour identifier et caractériser la végétation et des images THRS super spectrales afin d'identifier les espèces végétales. Dans un second temps, nous avons évalué l'apport de données multispectrales THRS 2,5D et 3D pour cartographier les formes de végétation en milieu urbain en utilisant des variables spectrales, contextuelles et de hauteur. Dans un troisième temps, avons cherché à évaluer l'impact, de l'intégration des informations sur la végétation dérivées de données de télédétection THRS dans deux modèles environnementaux, un permettant d'étudier la relation paysage-biodiversité, l'autre la relation paysage- îlot de chaleur urbain / Abstract: Detailed knowledge and monitoring of urban vegetation is an important issue, both for scientists studying landscape-ecosystems relationships, and for the managers who are in charge of the vegetation management. The main objective of this thesis is to evaluate the interest of THRS images to map urban vegetation. More specifically, it aims to evaluate the potential of THRS images on three components: spatial resolution, spectral resolution and altimetry. For this purpose, we processed several types of THRS optical data acquired on the City of Rennes and the Prairies Saint-Martin Site: multispectral and superspectral 2D images, 2.5D multispectral images and 3D data acquired with a bi-spectral LiDAR. Firstly, we assessed the interest of using 2D multispectral THRS images to identify and characterize vegetation and superspectral THRS images to discriminate plant species. Secondly, we assessed the contribution of THRS 2.5D and 3D multispectral data to map vegetation patterns in urban areas using spectral, contextual and height variables. Thirdly, we sought to evaluate the impact, of the integration of vegetation information derived from THRS remote sensing data into two environmental models, one to study the landscape-biodiversity relationship, the other to analyze the landscape- urban cool island relationship.