Der Blick durch das Blätterdach: Wie LiDAR die Vergangenheit im Wald enthüllt

Autor: DerSchneider

Einleitung

Die Vorstellung, dass ein fliegender Laserpointer dichte, jahrhundertealte Wälder „durchschauen“ und darin längst vergessene Mauerzüge oder Gräben sichtbar machen kann, klingt nach Science-Fiction. Doch es ist längst gelebte Praxis – eine faszinierende Symbiose aus hochenergetischer Physik, raffinierter Mathematik und archäologischem Spürsinn. LiDAR (Light Detection and Ranging), eine Technologie, deren Wurzeln bis in die frühen 1960er Jahre zurückreichen und die erstmals öffentlichkeitswirksam bei der Apollo-15-Mission zur Vermessung der Mondoberfläche eingesetzt wurde , hat sich zu einem unverzichtbaren Werkzeug in der Tech-Archäologie entwickelt. Dieser Artikel beleuchtet den komplexen Prozess, wie aus simplen Flugzeitmessungen ein detailliertes Abbild des nackten Bodens unter der Vegetation wird.

1. Die Technik: Mehr als nur ein Punkt

Im Kern eines jeden LiDAR-Systems steht die Zeit-Flug-Messung (Time-of-Flight, ToF). Ein Sender feuert einen kurzen Laserpuls – meist im nahen Infrarotbereich – auf das Zielgebiet, während ein hochenpfindlicher Detektor das reflektierte Licht einfängt . Der Sensor misst die winzige Zeitspanne, die der Lichtpuls benötigt, um zum Objekt und zurück zu gelangen. Da die Lichtgeschwindigkeit konstant ist, kann aus dieser Flugzeit mit höchster Präzision die Entfernung berechnet werden.

Der entscheidende Fortschritt liegt jedoch in der Fähigkeit, jeden einzelnen Laserpuls nicht als ein einziges Echo, sondern als ein vollständiges Wellenform-Signal (Full Waveform) aufzuzeichnen . Ein einzelner Puls, der auf einen Wald trifft, wird nicht einfach von der ersten Baumkrone reflektiert und verschwindet. Ein Teil des Lichts wird bereits von den obersten Blättern zurückgeworfen, ein weiterer Teil dringt tiefer ein und wird von Ästen reflektiert, und ein letzter, wenn auch minimaler, Rest erreicht den Boden oder eine darunter liegende archäologische Struktur und kehrt ebenfalls zurück. Das Gerät zeichnet die Intensität dieses zurückkehrenden Signals über die Zeit auf – es entsteht eine charakteristische Wellenform, die ein vertikales Profil des durchquerten Raums liefert . Moderne Systeme wie der Single Photon LiDAR (SPL100) schießen dabei weit über eine Million Pulse pro Sekunde ab und erzeugen Punktwolken mit Dichten von bis zu 14 Punkten pro Quadratmeter .

2. Das Herzstück der Bearbeitung: Die Bodenklassifizierung

Die rohe Punktwolke ist ein chaotischer Datensalat aus Luft, Ästen, Blättern, Vögeln und dem Boden. Die eigentliche Meisterleistung ist die rechnerische Entfernung der Vegetation, ein Prozess, der als Bodenfilterung oder Klassifizierung bezeichnet wird.

Schritt 1: Datenvorbereitung
Bevor die Berechnung beginnt, müssen die Daten in einem projizierten Koordinatensystem vorliegen und in handliche Kacheln (z.B. 1×1 km) unterteilt werden. Zudem wird empfohlen, einen räumlichen Index zu erstellen, um die Performance der aufwendigen Berechnungen zu verbessern .

Schritt 2: Der Filteralgorithmus
Das Ziel ist es, jeden Punkt einer Klasse zuzuweisen – primär wird zwischen „Boden“ (Klasse 2) und „Nicht-Boden“ (alles andere) unterschieden . Hierfür existieren verschiedene algorithmische Ansätze:

Die Wahl des Algorithmus ist entscheidend. Für ein flaches, mitteleuropäisches Waldgebiet mag ein Standard-Klassifizierer ausreichen, während für ein zerklüftetes, felsiges Gelände ein „aggressiverer“ Modus oder eine spezielle Methode zur Erhaltung von Bergrücken nötig ist . Dieser Schritt ist so komplex, dass er in der Praxis oft von Fachleuten durchgeführt und manuell nachgebessert wird, da es nicht immer eine eindeutig „richtige“ Klassifizierung gibt .

Schritt 3: Das Geländemodell
Das Ergebnis dieser Filterung ist eine Punktwolke, die nur noch die als Boden identifizierten Punkte enthält. Aus diesen Punkten wird nun ein Digitales Geländemodell (DGM oder DTM) interpoliert – ein feinmaschiges Raster, das die reine Bodenoberfläche abbildet. Alle Bäume, Sträucher und sogar die meisten oberirdischen archäologischen Strukturen sind aus diesem Modell rechnerisch verschwunden .

3. Die Kunst der Sichtbarkeit: Schummerung als Detektivwerkzeug

Selbst wenn der Wald weggefiltert ist, sind viele archäologische Relikte – etwa eingeebnete Wälle oder verfüllte Gräben – im reinen Höhenmodell oft kaum zu erkennen. Ihre Höhenunterschiede betragen nur wenige Dezimeter und gehen im natürlichen Rauschen des Geländes unter. Hier kommt das visuelle Werkzeug der Wahl zum Einsatz: die Schummerung (Hillshade) .

Die Schummerung ist keine echte Beleuchtung, sondern eine mathematische Berechnung. Für jede Zelle des Geländemodells wird deren Neigung (Slope) und Ausrichtung (Aspect) berechnet. Dann definiert der Computer eine virtuelle Lichtquelle mit einem bestimmten Azimut (Himmelsrichtung) und einer Zenitdistanz (Höhe über dem Horizont). Anhand einer Formel wird nun für jede Zelle berechnet, wie viel Licht sie von dieser virtuellen Sonne erhalten würde . Das Ergebnis ist ein Graustufenbild: Flächen, die der Sonne zugewandt sind, erscheinen hell, abgewandte Flächen dunkel.

Der Profi-Trick: Multi-Azimuth-Beleuchtung
Da sich archäologische Strukturen je nach Ausrichtung unterschiedlich im Schattenwurf verhalten, erstellt man nicht nur eine, sondern gleich mehrere Schummerungen mit Lichtquellen aus verschiedenen Himmelsrichtungen. Diese werden dann zu einem einzigen Bild kombiniert, beispielsweise mit Methoden wie dem „Sky-View-Faktor“ oder der „Positiven/Negativen Offenheit“. Dadurch werden kleinste Erhebungen (Wälle) und Vertiefungen (Gräben) unabhängig von ihrer Himmelsrichtung optimal zur Geltung gebracht .

4. Die Grenzen der Technik

So leistungsfähig die Methode auch ist, sie hat ihre Tücken. Die Qualität der Ergebnisse hängt von zahlreichen Faktoren ab:

• Punktdichte: Eine zu geringe Auflösung kann kleine Strukturen vollständig verschwinden lassen.
• Vegetationsdichte: In einem tropischen Regenwald mit einem extrem dichten Blätterdach dringt kaum ein Laserpuls bis zum Boden durch.
• Feuchte und Rauigkeit: Nasser Boden oder eine dicke Laubschicht können den Laserpuls stark streuen, was zu ungenauen Punktwolken und folglich zu Fehlinterpretationen im Geländemodell führt.
• Relief: In extrem steilem, felsigem Gelände ist die Unterscheidung zwischen einem Felsbrocken und einer Mauerruine für den Algorithmus eine große Herausforderung.
• Post-Processing: Die Klassifizierung ist niemals zu 100% fehlerfrei und erfordert oft manuelle Nachbearbeitung durch geschulte Spezialisten, was zeitaufwendig und teuer ist .

Fazit und Ausblick

Die LiDAR-gestützte Archäologie hat unseren Blick auf die Vergangenheit revolutioniert. Sie ermöglicht es, ganze Landschaften zu „entblättern“ und die unsichtbare Geschichte unter unseren Füßen sichtbar zu machen. Die Technik ist jedoch kein Allheilmittel, sondern ein hochkomplexes Werkzeug, das fundiertes Wissen über Physik, Datenverarbeitung und Archäologie erfordert. Mit der rasanten Entwicklung von Künstlicher Intelligenz, insbesondere von transformer-basierten Modellen, die ganze Wellenformen kontextuell verstehen können , und der zunehmenden Verfügbarkeit von leistungsfähiger Open-Source-Software (wie der lidR-Bibliothek in R oder PDAL ) wird diese Methode in den kommenden Jahren noch präziser, schneller und zugänglicher werden. Die Zukunft der Archäologie liegt nicht nur im Spaten, sondern auch in den Algorithmen, die das digitale Laub von der Vergangenheit schaufeln.

Quellenangaben

•  Multistage strategy for ground point filtering on large-scale datasets. Springerprofessional. (2024)
•  Create a Hillshade from a Terrain Raster in Python. National Ecological Observatory Network (NEON). (2026)
•  Gaussian decomposition method for full waveform data of LiDAR base on neural network. Scientific Reports. (2025)
•  Informationen zur Bodenklassifizierung. ArcGIS Pro. (2025)
•  Elevation/DE_Lidar_DEM_2023 (ImageServer). firstmap.delaware.gov. (2023)
•  Die Rolle der Lidar-Technik in der Entwicklung des autonomen Fahrens. Elektronikpraxis. (2024)
•  Lidar Waveforms are Worth 40x128x33 Words. IEEE/CVF International Conference on Computer Vision (ICCV). (2025)
•  Vegetation filtering techniques for LiDAR data of levees using combined filters with morphology and color. Korea Science. (2023)