Entwicklung einer Methode zur Erstellung digitaler Geländemodelle von Bächen mittels UAV-basierter SfM- und LiDAR-Punktwolken

Warum die Kartierung von Flusssohlen wichtig ist

Flüsse transportieren weit mehr als nur Wasser. Ihre Bettläufe, Sandbänke und Ufer steuern Überschwemmungen, schaffen Lebensraum für Tiere und beeinflussen, wie sich Verschmutzung stromabwärts ausbreitet. Dennoch ist es überraschend schwierig, präzise Karten von Flusssohlen und angrenzendem Gelände zu erstellen – besonders in flachen, von Vegetation durchsetzten Bächen, die mit Booten, Sonar oder Vermessungspolen schwer zugänglich sind. Diese Studie zeigt, wie niedrig fliegende Drohnen, Laserscanner und intelligente Computerfilter zusammenwirken können, um detaillierte „Nackterde“-Karten eines koreanischen Bachs zu erstellen und so ein sichereres, schnelleres und vollständigeres Bild der verborgenen Form von Flussbetten zu liefern.

Neue Augen über einem komplexen Bach

Die Forschenden konzentrierten sich auf einen 2,8 Kilometer langen Abschnitt des Bokha-Bachs in Icheon, Südkorea, eine Landschaft aus gewundenen Rinnen, Sandbänken, Überschwemmungsflächen und hohen Uferbäumen. Klassische Vermessungen wären dort langsam, gefährlich und nicht in der Lage, jede Krümmung und Vertiefung zu erfassen. Stattdessen setzte das Team zwei Drohnentypen ein. Eine trug einen Laserscanner (LiDAR), der Lichtpulse aussendet und die Laufzeit bis zur Rückkehr misst, wodurch eine dichte 3D-Punktwolke entsteht, die durch Laub hindurch zum Boden dringen kann. Die andere führte eine Multispektralkamera und nutzte die Structure-from-Motion-(SfM-)Technik, die viele überlappende Fotos zu einer weiteren 3D-Punktwolke zusammenfügt. Gemeinsam lieferten diese komplementären Sichten eine dichte Abdeckung sowohl der bewachsenen Ufer als auch des flachen, meist klaren Flusslaufs.

Wasser von Land und Boden von Störobjekten trennen

Roh-3D-Punktwolken zeichnen alles auf: Blätter, Äste, Gebäude, Luftrauschen und Reflexionen auf welligem Wasser. Um nur das tatsächliche Terrain zu modellieren, müssen diese zusätzlichen Punkte entfernt werden. Das Team unterschied zunächst Wasser von Land mit einem einfachen farbbasierten Indikator, dem Normalized Difference Water Index, der die Helligkeit einzelner Pixel im grünen und im nahen Infrarotbereich des Spektrums vergleicht. Pixel mit Werten oberhalb eines gewählten Schwellenwerts wurden als Wasser markiert. In Landbereichen wurden LiDAR-Punkte bevorzugt, weil Laserpulse zwischen Blättern hindurch zum Boden dringen können. In Wasserbereichen, wo LiDAR meist an der Oberfläche reflektiert und keine Tiefe „sieht“, stützten sich die Forschenden stattdessen auf die foto-basierte SfM-Daten, die in klaren, flachen Abschnitten manchmal auch Merkmale des Flussbetts abbilden können.

Drei digitale Besen im Test

Als nächstes folgte der schwierigere Schritt: Vegetation und andere nicht-bodengebundene Objekte zu entfernen, ohne die echte Form von Ufern und Bett zu verlieren. Das Team verglich drei weit verbreitete „digitale Besen“, also Bodenfilter. Der Cloth-Simulation-Filter stellt sich ein flexibles Tuch vor, das über eine umgedrehte Punktwolke gelegt wird und so als Boden behandelt wird. Der Progressive-TIN-Filter baut schrittweise eine Netzoberfläche aus tiefen Punkten auf und fügt weitere hinzu, wenn sie Höhen- und Steigungsregeln erfüllen. Der Simple Morphological Filter (SMRF) erodiert und expandiert die Oberfläche wiederholt, um hohe Objekte wie Sträucher und Bäume zu entfernen. Für jede Methode testeten die Forschenden zahlreiche Parameterkonfigurationen, abgestimmt für LiDAR an Land und SfM im Wasser, und prüften die resultierenden Gelände gegen 11 sorgfältig vermessene Querprofile, die mit traditionellen Vermessungsinstrumenten aufgenommen wurden.

Die beste Übereinstimmung mit dem realen Fluss finden

Die Genauigkeit wurde anhand der mittleren und der quadratischen Mittelabweichung zwischen modellierten und vermessenen Höhen bewertet. Bei separater Nutzung erzielte die foto-basierte Methode insgesamt bessere Ergebnisse, weil sie teilweise das überflutete Bett erfassen konnte, das LiDAR verpasste. Das klarste Bild ergab sich jedoch, wenn beide Datensätze kombiniert wurden: LiDAR für Land, SfM für Wasser, jeweils bereinigt durch optimierte Filter. Unter den drei Algorithmen lieferte SMRF die beste Gesamtleistung mit Fehlern im Bereich von nur etwa 16 bis 21 Zentimetern über das gesamte Gebiet. Er entfernte dichte Sträucher und hohe Bäume besonders zuverlässig und bewahrte gleichzeitig scharfe Strukturen wie kleine Terrassen und steile Ufer – wichtig für realistische Hochwasser- und Habitatmodelle – wenngleich er in Wasserbereichen manchmal die Höhen leicht unterschätzte.

Was das für Flüsse und ihre Nachbarn bedeutet

Praktisch liefert die Studie ein erprobtes Vorgehen, um unordentliche Drohnenmessungen in genaue Nackterde-Karten kleiner, flacher Bäche zu verwandeln. Durch die automatische Trennung von Wasser und Land und das intelligente Verschmelzen von Laser- und Fotodaten überwindet die Methode viele der blinden Flecken älterer Boots- oder Geländevermessungen. Die Autorinnen und Autoren identifizieren SMRF als den zuverlässigsten Allzweckfilter für solche gemischten Flusskorridore, weisen aber auch darauf hin, dass der Cloth-Simulation-Filter in schwierigen Wasserbereichen mit fehlerhaften Punkten besonders stabil ist. Zusammen können diese Erkenntnisse Ingenieuren und Ökologen helfen, bessere Hochwassermodelle zu erstellen, Wiederherstellungsprojekte zu planen und die Veränderungen von Flüssen im Zeitverlauf zu verfolgen – bei geringerem Feldrisiko und Kosten. Mit dem Fortschritt grünerer Lasersysteme und verbesserter Verarbeitung könnte dieser Ansatz die hochauflösende Flussbettkartierung zu einem Standardwerkzeug im Wasserstraßenmanagement machen.

Zitation: Gou, J., Lee, H., Park, J. et al. Development of a stream DTM generation methodology using UAV-based SfM and LiDAR point cloud. Sci Rep 16, 5178 (2026). https://doi.org/10.1038/s41598-026-35473-x

Schlüsselwörter: Flusskartierung, Drohnenvermessung, LiDAR, digitales Geländemodell, Gewässerökologie