Sich verändernde Rahmenbedingungen des Klimawandels haben einen erheblichen Einfluss auf die Gestaltung der Erdoberfläche. Der Sachverhalt ist anhand unterschiedlicher geomorphologischer Veränderungsprozesse zu beobachten, sei es bei gravitativen Naturgefahren (Felsstürze, Hangrutschungen oder Murereignissen), der Gletscherschmelze in Hochgebirgsregionen oder der Änderungen der Küstendynamik an Sandstränden. Derartige Ereignisse werden durch immer stärker ausgeprägte, extreme Wetterbedingungen verursacht. In diesem Zusammenhang sind präventive Maßnahmen und der Schutz der Bevölkerung im Zuge eines Risikomanagements essentiell. Um mit diesen Gefahren sicher umgehen zu können, sind qualitativ hochwertige drei- und vierdimensionale (3D und 4D) Datensätze der Erdoberfläche erforderlich. Der technische Fortschritt in der Messtechnik und damit verbunden ein Paradigmenwechsel haben die Möglichkeiten in der Erfassung von räumlich als auch zeitlich verdichteten Daten erheblich verbessert. Die Weiterentwicklung von terrestrischen Laserscannern hin zu kommunikationsfähigen, programmierbaren Multisensorsystemen, eine kompakte und robuste Bauweise, hohe Messreichweiten sowie wirtschaftlich attraktive Systeme lassen einen Übergang zu permanentem terrestrischen Laserscanning (PLS) zu. Im Sinne eines adaptiven Monitorings ist PLS für die Integration in echtzeitnahe Assistenz- oder Frühwarnsysteme prädestiniert. Um die Akzeptanz eines solchen Systems zu erreichen sind jedoch transparente, nachvollziehbare Methoden und Prozesse zur Informationsgewinnung und -aufbereitung zu definieren. Ziel dieser Arbeit ist es, PLS als Methode systematisch aufzuarbeiten. Vier wesentliche Schritte entlang der Prozesskette werden identifiziert: (i) Die Datenerfassung einer einzelnen Epoche, (ii) die Bereitstellung eines redundanten Datenmanagements sowie einer sicheren Datenkommunikation zu zentralen Servern, (iii) die multitemporale Datenanalyse und (iv) die Aufbereitung, das Reporting und die Präsentation der Ergebnisse für Stakeholder. Basierend auf dieser Prozesskette ergeben sich zwei Untersuchungsschwerpunkte. Zunächst wird die qualitative Beurteilung der erfassten Punktwolken behandelt. Der Fokus liegt dabei einerseits auf dem Einfluss unterschiedlicher Registrierungsmethoden auf die multitemporalen Punktwolken und andererseits auf dem Einfluss der Atmosphäre auf die Messergebnisse. Es wird nachgewiesen, dass eine Nichtberücksichtigung dieser Einflüsse zu signifikanten Abweichungen führt, welche zu Fehlinterpretationen der abgeleiteten Informationen führen kann. Weiterhin wird gezeigt, dass es an datenbasierten Verfahren zur Berücksichtigung dieser Einflüsse fehlt. Als Grundlage für die Untersuchungen dienen umfangreiche Datensätze aus Noordwijk / Niederlande und Vals / Österreich. Der zweite Schwerpunkt befasst sich mit der Datenanalyse. Die Herausforderung besteht darin, tausende Punktwolken einzelner Messepochen analysieren zu müssen. Bitemporale Methoden sind hier nur eingeschränkt anwendbar. Die vorliegende Arbeit stellt eine zweistufige Methode vor, mit der automatisiert Informationen aus dem umfangreichen Datensatz abgeleitet werden können. Aus der vollumfänglichen 3D-Zeitserie der Szene werden zunächst relevante Merkmale auf Basis von 2D-Rasterbildern durch Clustering extrahiert. Semiautomatisch lassen sich die extrahierten Segmente klassifizieren und so maßgeblichen geomorphologischen Prozessen zuweisen. Dieser Erkenntnisgewinn über den vorliegenden Datensatz wird in einem zweiten Schritt genutzt, um die Szene räumlich zu limitieren und in den Interessensbereichen tiefergehende Analysen durchzuführen. Auf Basis der Methoden «M3C2-EP mit adaptierter Kalman-Filterung» und «4D-Änderungsobjekten» werden zwei Analysetools vorgestellt und auf den Datensatz in Vals angewendet. Die Überwachung topographischer Oberflächenveränderungen mit PLS wird zunehmen und eine große Menge an Daten erzeugen. Diese Datensätze müssen verarbeitet, analysiert und gespeichert werden. Diese Dissertation trägt zum besseren Verständnis der Methodik bei. Anwender bekommen durch die Systematisierung der Methode ein besseres Verständnis über die beeinflussenden Faktoren entlang der Prozesskette von der Datenerfassung bis hin zur Darstellung relevanter Informationen. Mit dieser Dissertation wird eine Toolbox vorgestellt, die es ermöglicht, multitemporale Punktwolken mit Hilfe von unüberwachtem maschinellem Lernen automatisiert auszuwerten und Informationen dem Nutzer zur Verfügung zu stellen. Dieser Ansatz ist einfach und hat ein hohes Potential für die automatische Analyse in zukünftigen Anwendungen.:Kurzfassung i Abstract iii Danksagung v 1. Einleitung 1 2. Deformationsmonitoring mittels terrestrischer Laserscanner: Aktuelle Methoden, Regulierungen und technische Aspekte 5 2.1. Ingenieurgeodätische Überwachungsmessungen . . . . . . . . . . . . . . 5 2.2. Anforderungen an ein integratives Monitoring aus der Sicht eines ganzheitlichen Risikomanagements . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.1. Aktives Monitoring . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.2. Ganzheitliches Risikomanagement . . . . . . . . . . . . . . . . . 9 2.2.3. Qualitätsbeurteilung und Qualitätssicherung . . . . . . . . . . . 12 2.2.4. Relevante Normen, Richtlinien und Merkblätter beim Einsatz von permanentem Laserscanning . . . . . . . . . . . . . . . . . 15 2.3. Terrestrisches Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . 17 2.4. Permanentes Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5. Parameter einer permanenten Installation eines Long Range Laserscanners 24 2.5.1. Registrierung und Georeferenzierung . . . . . . . . . . . . . . . 26 2.5.2. Geodätische Refraktion . . . . . . . . . . . . . . . . . . . . . . . 30 2.5.3. Geodätisches Monitoring mittels terrestrischer Laserscanner . . 36 2.6. Zusammenfassende Betrachtungen . . . . . . . . . . . . . . . . . . . . . 39 3. Ziel und abgeleiteter Untersuchungsschwerpunkt dieser Arbeit 41 4. Konzept eines Echtzeitassistenzsystems basierend auf PLS 43 5. Untersuchung von Einflussfaktoren auf die Messergebnisse von permanent installierten terrestrischen Long Range Laserscannern 47 5.1. Fallstudie I: Noordwijk / Niederlande . . . . . . . . . . . . . . . . . . . 47 5.1.1. Beschreibung der Daten . . . . . . . . . . . . . . . . . . . . . . 48 5.1.2. Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.1.3. Resultate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.1.4. Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . 57 5.2. Fallstudie II: Detektion von Corner Cube Prismen und deren Genauigkeit 58 5.2.1. Prismendetektion aus Daten eines TLS . . . . . . . . . . . . . . 59 5.2.2. Genauigkeitsanalyse der Prismendetektion . . . . . . . . . . . . 59 5.3. Fallstudie III: Valsertal (Tirol) / Österreich . . . . . . . . . . . . . . . 67 5.3.1. Beschreibung des Datensatzes . . . . . . . . . . . . . . . . . . . 68 5.3.2. Geodätische Refraktion als Einfluss auf die Messergebnisse eines PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.3.3. Einfluss von Registrierungsparametern auf die Messergebnisse eines PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 6. Informationsextraktion aus multitemporalen Punktwolken 95 6.1. Stufe I: Segmentierung räumlich verteilter Zeitreihen auf Basis von 2DBildrastern als Methode des unüberwachten maschinellen Lernens . . . 96 6.1.1. Extraktion von Zeitreihen aus den Punktwolken . . . . . . . . . 98 6.1.2. Zeitreihensegmentierung mittels k-Means-Algorithmen . . . . . 101 6.1.3. Zeitreihensegmentierung mittels extrahierter Merkmale auf Grundlage Gaußscher Mischmodelle (GMM) . . . . . . . . . . . . . . . 113 6.2. Stufe II: Zeitreihenanalyse von räumlich hochauflösenden 3D-Daten . . 122 6.2.1. M3C2-EP mit adaptiver Kalman-Filterung . . . . . . . . . . . . 122 6.2.2. 4D-Änderungsobjekte (4D-OBC) . . . . . . . . . . . . . . . . . 128 6.2.3. Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . 132 7. Fazit und Ausblick 135 A. Ergebnisse der Systemuntersuchung in Unna-Hemmerde (21.03.2022) 141 B. Ergebnisse der Zeitreihensegmentierung mittels k-Means 145 B.1. Ergebnistabellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 B.2. Zeitreihen und räumliche Visualisierung - vollständiger Bereich . . . . . 148 B.3. Zeitreihen und räumliche Visualisierung - limitierter Bereich . . . . . . 161 C. Ergebnisse der Zeitreihensegmentierung mittels GMM 164 C.1. Ergebnistabellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 C.2. Zeitreihen und räumliche Visualisierung - vollständiger Bereich . . . . . 166 Literaturverzeichnis 175 Abbildungsverzeichnis 195 Abkürzungsverzeichnis 199 Tabellenverzeichnis 201 Curriculum Vitae 203 / Climate change has an important impact on the scale and frequency with which the Earths surface is changing. This can be seen in various geomorphological change processes, such as gravitational natural hazards (rockfalls, landslides or debris flows), glacier melt in high mountain regions or the quantification of coastal dynamics on sandy beaches. Such events are triggered by increasingly prominent and extreme meteorological conditions. In this context, it is essential to implement preventive measures to protect the population as part of a risk management system. To safely manage these hazards, high quality three- and four-dimensional (3D and 4D) data sets of the Earth’s surface are required. Technological advances in metrology and the associated paradigm shift have significantly improved the ability to collect spatially and temporally distributed data. Progress from terrestrial laser scanners to communication-enabled, programmable multisensor systems, compact and robust design, long range and economically competitive systems allow a transition to a permanent laser scanning (PLS). PLS enables the acquisition of data from a fixed position to a target area kilometers away at high frequency and over a long period of time. In terms of adaptive monitoring, PLS is suitable for integration into near realtime assistance or early warning systems. However, in order to achieve acceptance of these systems, transparent, reproducible methods and processes for extracting information must be defined. The aim of this thesis is to present a methodological framework for PLS. Four crucial steps along the processing chain are identifiable: (i) collecting single epoch data, (ii) providing redundant data management and secure data communication to central servers, (iii) multi-temporal data analysis and (iv) reporting and presenting results to stakeholders. Two main research topics emerge from this processing chain. First, the qualitative assessment of the acquired point clouds, which focuses on the influence of different registration methods on the multitemporal point clouds and the influence of the atmosphere on the measured data. It is shown that ignoring these influences leads to significant deviations, which in turn can result in a misinterpretation of the derived information. It is also shown that there is still a lack of data-based procedures to account for these influences. The investigations are based on extensive data sets from Noordwijk/Netherlands and Vals/Austria. The second research topic addreses data analysis. The challenge is to analyse thousands of point clouds per measurement epoch. In this case, bitemporal methods are limited in their applicability. The thesis presents a two-step method to automatically extract information from the large data set. In the first step relevant features are extracted from the full 3D time series of the scene based on 2D raster images by clustering. The extracted segments can then be semi-automatically classified and assigned to relevant geomorphological processes. Based on this knowledge, the scene is, in the second step, spatially delimited. Deeper analyses can then be performed in areas of interest. Using the «M3C2-EP method with adapted Kalman filtering» and «4D objects-by-change», two analysis tools are presented and applied to the dataset in Vals. The monitoring of topographic surface changes with PLS will increase and generate large amounts of data. These data sets need to be processed, analysed and stored. This thesis contributes to a better understanding of the methodology. Users will gain a deeper understanding of the influencing factors along the processing chain from data acquisition to reporting of relevant information by applying the method in a systematic way. The dissertation presents a toolbox that enables automated evaluation of multitemporal point clouds using unsupervised machine learning and provides relevant information to the user. The approach is straightforward and simple and has a high potential for automated analysis in future applications.:Kurzfassung i Abstract iii Danksagung v 1. Einleitung 1 2. Deformationsmonitoring mittels terrestrischer Laserscanner: Aktuelle Methoden, Regulierungen und technische Aspekte 5 2.1. Ingenieurgeodätische Überwachungsmessungen . . . . . . . . . . . . . . 5 2.2. Anforderungen an ein integratives Monitoring aus der Sicht eines ganzheitlichen Risikomanagements . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.1. Aktives Monitoring . . . . . . . . . . . . . . . . . . . . . . . . . 8 2.2.2. Ganzheitliches Risikomanagement . . . . . . . . . . . . . . . . . 9 2.2.3. Qualitätsbeurteilung und Qualitätssicherung . . . . . . . . . . . 12 2.2.4. Relevante Normen, Richtlinien und Merkblätter beim Einsatz von permanentem Laserscanning . . . . . . . . . . . . . . . . . 15 2.3. Terrestrisches Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . 17 2.4. Permanentes Laserscanning . . . . . . . . . . . . . . . . . . . . . . . . 22 2.5. Parameter einer permanenten Installation eines Long Range Laserscanners 24 2.5.1. Registrierung und Georeferenzierung . . . . . . . . . . . . . . . 26 2.5.2. Geodätische Refraktion . . . . . . . . . . . . . . . . . . . . . . . 30 2.5.3. Geodätisches Monitoring mittels terrestrischer Laserscanner . . 36 2.6. Zusammenfassende Betrachtungen . . . . . . . . . . . . . . . . . . . . . 39 3. Ziel und abgeleiteter Untersuchungsschwerpunkt dieser Arbeit 41 4. Konzept eines Echtzeitassistenzsystems basierend auf PLS 43 5. Untersuchung von Einflussfaktoren auf die Messergebnisse von permanent installierten terrestrischen Long Range Laserscannern 47 5.1. Fallstudie I: Noordwijk / Niederlande . . . . . . . . . . . . . . . . . . . 47 5.1.1. Beschreibung der Daten . . . . . . . . . . . . . . . . . . . . . . 48 5.1.2. Methoden . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51 5.1.3. Resultate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53 5.1.4. Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . 57 5.2. Fallstudie II: Detektion von Corner Cube Prismen und deren Genauigkeit 58 5.2.1. Prismendetektion aus Daten eines TLS . . . . . . . . . . . . . . 59 5.2.2. Genauigkeitsanalyse der Prismendetektion . . . . . . . . . . . . 59 5.3. Fallstudie III: Valsertal (Tirol) / Österreich . . . . . . . . . . . . . . . 67 5.3.1. Beschreibung des Datensatzes . . . . . . . . . . . . . . . . . . . 68 5.3.2. Geodätische Refraktion als Einfluss auf die Messergebnisse eines PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72 5.3.3. Einfluss von Registrierungsparametern auf die Messergebnisse eines PLS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89 6. Informationsextraktion aus multitemporalen Punktwolken 95 6.1. Stufe I: Segmentierung räumlich verteilter Zeitreihen auf Basis von 2DBildrastern als Methode des unüberwachten maschinellen Lernens . . . 96 6.1.1. Extraktion von Zeitreihen aus den Punktwolken . . . . . . . . . 98 6.1.2. Zeitreihensegmentierung mittels k-Means-Algorithmen . . . . . 101 6.1.3. Zeitreihensegmentierung mittels extrahierter Merkmale auf Grundlage Gaußscher Mischmodelle (GMM) . . . . . . . . . . . . . . . 113 6.2. Stufe II: Zeitreihenanalyse von räumlich hochauflösenden 3D-Daten . . 122 6.2.1. M3C2-EP mit adaptiver Kalman-Filterung . . . . . . . . . . . . 122 6.2.2. 4D-Änderungsobjekte (4D-OBC) . . . . . . . . . . . . . . . . . 128 6.2.3. Zusammenfassung und Diskussion . . . . . . . . . . . . . . . . . 132 7. Fazit und Ausblick 135 A. Ergebnisse der Systemuntersuchung in Unna-Hemmerde (21.03.2022) 141 B. Ergebnisse der Zeitreihensegmentierung mittels k-Means 145 B.1. Ergebnistabellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 B.2. Zeitreihen und räumliche Visualisierung - vollständiger Bereich . . . . . 148 B.3. Zeitreihen und räumliche Visualisierung - limitierter Bereich . . . . . . 161 C. Ergebnisse der Zeitreihensegmentierung mittels GMM 164 C.1. Ergebnistabellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164 C.2. Zeitreihen und räumliche Visualisierung - vollständiger Bereich . . . . . 166 Literaturverzeichnis 175 Abbildungsverzeichnis 195 Abkürzungsverzeichnis 199 Tabellenverzeichnis 201 Curriculum Vitae 203