{"id":6635,"date":"2026-08-08T04:26:27","date_gmt":"2026-08-08T04:26:27","guid":{"rendered":"https:\/\/technodidact.de\/?p=6635"},"modified":"2026-08-08T04:26:27","modified_gmt":"2026-08-08T04:26:27","slug":"der-blick-durch-das-blaetterdach-wie-lidar-die-vergangenheit-im-wald-enthuellt","status":"publish","type":"post","link":"https:\/\/technodidact.de\/en\/der-blick-durch-das-blaetterdach-wie-lidar-die-vergangenheit-im-wald-enthuellt\/","title":{"rendered":"Der Blick durch das Bl\u00e4tterdach: Wie LiDAR die Vergangenheit im Wald enth\u00fcllt"},"content":{"rendered":"

Autor: DerSchneider<\/strong><\/p>\n\n\n\n

\n\n\n\n

Einleitung<\/h2>\n\n\n\n

Die Vorstellung, dass ein fliegender Laserpointer dichte, jahrhundertealte W\u00e4lder „durchschauen“ und darin l\u00e4ngst vergessene Mauerz\u00fcge oder Gr\u00e4ben sichtbar machen kann, klingt nach Science-Fiction. Doch es ist l\u00e4ngst gelebte Praxis \u2013 eine faszinierende Symbiose aus hochenergetischer Physik, raffinierter Mathematik und arch\u00e4ologischem Sp\u00fcrsinn. LiDAR (Light Detection and Ranging), eine Technologie, deren Wurzeln bis in die fr\u00fchen 1960er Jahre zur\u00fcckreichen und die erstmals \u00f6ffentlichkeitswirksam bei der Apollo-15-Mission zur Vermessung der Mondoberfl\u00e4che eingesetzt wurde <\/a>, hat sich zu einem unverzichtbaren Werkzeug in der Tech-Arch\u00e4ologie entwickelt. Dieser Artikel beleuchtet den komplexen Prozess, wie aus simplen Flugzeitmessungen ein detailliertes Abbild des nackten Bodens unter der Vegetation wird.<\/p>\n\n\n\n

\n\n\n\n

1. Die Technik: Mehr als nur ein Punkt<\/h2>\n\n\n\n

Im Kern eines jeden LiDAR-Systems steht die Zeit-Flug-Messung (Time-of-Flight, ToF). Ein Sender feuert einen kurzen Laserpuls \u2013 meist im nahen Infrarotbereich \u2013 auf das Zielgebiet, w\u00e4hrend ein hochenpfindlicher Detektor das reflektierte Licht einf\u00e4ngt <\/a>. Der Sensor misst die winzige Zeitspanne, die der Lichtpuls ben\u00f6tigt, um zum Objekt und zur\u00fcck zu gelangen. Da die Lichtgeschwindigkeit konstant ist, kann aus dieser Flugzeit mit h\u00f6chster Pr\u00e4zision die Entfernung berechnet werden.<\/p>\n\n\n\n

Der entscheidende Fortschritt liegt jedoch in der F\u00e4higkeit, jeden einzelnen Laserpuls nicht als ein einziges Echo, sondern als ein vollst\u00e4ndiges Wellenform-Signal (Full Waveform) aufzuzeichnen<\/strong> <\/a>. 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 Bl\u00e4ttern zur\u00fcckgeworfen, ein weiterer Teil dringt tiefer ein und wird von \u00c4sten reflektiert, und ein letzter, wenn auch minimaler, Rest erreicht den Boden oder eine darunter liegende arch\u00e4ologische Struktur und kehrt ebenfalls zur\u00fcck. Das Ger\u00e4t zeichnet die Intensit\u00e4t dieses zur\u00fcckkehrenden Signals \u00fcber die Zeit auf \u2013 es entsteht eine charakteristische Wellenform, die ein vertikales Profil des durchquerten Raums liefert <\/a>. Moderne Systeme wie der Single Photon LiDAR (SPL100) schie\u00dfen dabei weit \u00fcber eine Million Pulse pro Sekunde ab und erzeugen Punktwolken mit Dichten von bis zu 14 Punkten pro Quadratmeter <\/a>.<\/p>\n\n\n\n

\n\n\n\n

2. Das Herzst\u00fcck der Bearbeitung: Die Bodenklassifizierung<\/h2>\n\n\n\n

Die rohe Punktwolke ist ein chaotischer Datensalat aus Luft, \u00c4sten, Bl\u00e4ttern, V\u00f6geln und dem Boden. Die eigentliche Meisterleistung ist die rechnerische Entfernung der Vegetation<\/strong>, ein Prozess, der als Bodenfilterung oder Klassifizierung bezeichnet wird.<\/p>\n\n\n\n

Schritt 1: Datenvorbereitung<\/strong>
Bevor die Berechnung beginnt, m\u00fcssen die Daten in einem projizierten Koordinatensystem vorliegen und in handliche Kacheln (z.B. 1×1 km) unterteilt werden. Zudem wird empfohlen, einen r\u00e4umlichen Index zu erstellen, um die Performance der aufwendigen Berechnungen zu verbessern <\/a>.<\/p>\n\n\n\n

Schritt 2: Der Filteralgorithmus<\/strong>
Das Ziel ist es, jeden Punkt einer Klasse zuzuweisen \u2013 prim\u00e4r wird zwischen „Boden“ (Klasse 2) und „Nicht-Boden“ (alles andere) unterschieden <\/a><\/a>. Hierf\u00fcr existieren verschiedene algorithmische Ans\u00e4tze:<\/p>\n\n\n\n

Methode<\/th>Funktionsprinzip<\/th>Charakteristik<\/th><\/tr><\/thead>
Morphologische Filter<\/strong><\/td>Ein virtuelles „Netz“ wird \u00fcber das Gel\u00e4nde gelegt und an die tiefsten Punkte angepasst. Punkte, die nicht in diese glatte Oberfl\u00e4che passen, werden als Vegetation oder Geb\u00e4ude identifiziert <\/a>.<\/td>Bew\u00e4hrt und weit verbreitet. Gut f\u00fcr gleichm\u00e4\u00dfige Landschaften.<\/td><\/tr>
Geometrische Filter<\/strong><\/td>Analysieren lokale Eigenschaften wie Neigung, Rauigkeit oder Punktdichte. Ein Punkt, der mit seinen Nachbarn eine zu steile Neigung bildet, ist vermutlich ein Ast und kein Boden <\/a>.<\/td>Gut f\u00fcr bergiges und felsiges Terrain, aber rechenintensiv.<\/td><\/tr>
Machine Learning \/ Deep Learning<\/strong><\/td>Nutzen neuronale Netze, die anhand von Trainingsdaten lernen, Bodenpunkte zu erkennen. Modernste Systeme wie PointNet oder transformer-basierte Architekturen arbeiten direkt mit den Punktwolken <\/a><\/a>.<\/td>H\u00f6chste Genauigkeit, aber ben\u00f6tigt gro\u00dfe, qualitativ hochwertige Trainingsdatens\u00e4tze und viel Rechenleistung.<\/td><\/tr>
Kombinierte Filter<\/strong><\/td>Verbinden mehrere Ans\u00e4tze, z.B. Morphologie und Farbinformationen, um die Erkennungsrate zu erh\u00f6hen, insbesondere in komplexen Gebieten mit viel Unterholz <\/a>.<\/td>Bieten oft den besten Kompromiss zwischen Genauigkeit und Geschwindigkeit.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

Die Wahl des Algorithmus ist entscheidend. F\u00fcr ein flaches, mitteleurop\u00e4isches Waldgebiet mag ein Standard-Klassifizierer ausreichen, w\u00e4hrend f\u00fcr ein zerkl\u00fcftetes, felsiges Gel\u00e4nde ein „aggressiverer“ Modus oder eine spezielle Methode zur Erhaltung von Bergr\u00fccken n\u00f6tig ist <\/a>. Dieser Schritt ist so komplex, dass er in der Praxis oft von Fachleuten durchgef\u00fchrt und manuell nachgebessert wird, da es nicht immer eine eindeutig „richtige“ Klassifizierung gibt <\/a>.<\/p>\n\n\n\n

Schritt 3: Das Gel\u00e4ndemodell<\/strong>
Das Ergebnis dieser Filterung ist eine Punktwolke, die nur noch die als Boden identifizierten Punkte enth\u00e4lt. Aus diesen Punkten wird nun ein Digitales Gel\u00e4ndemodell (DGM oder DTM)<\/strong> interpoliert \u2013 ein feinmaschiges Raster, das die reine Bodenoberfl\u00e4che abbildet. Alle B\u00e4ume, Str\u00e4ucher und sogar die meisten oberirdischen arch\u00e4ologischen Strukturen sind aus diesem Modell rechnerisch verschwunden <\/a>.<\/p>\n\n\n\n

\n\n\n\n

3. Die Kunst der Sichtbarkeit: Schummerung als Detektivwerkzeug<\/h2>\n\n\n\n

Selbst wenn der Wald weggefiltert ist, sind viele arch\u00e4ologische Relikte \u2013 etwa eingeebnete W\u00e4lle oder verf\u00fcllte Gr\u00e4ben \u2013 im reinen H\u00f6henmodell oft kaum zu erkennen. Ihre H\u00f6henunterschiede betragen nur wenige Dezimeter und gehen im nat\u00fcrlichen Rauschen des Gel\u00e4ndes unter. Hier kommt das visuelle Werkzeug der Wahl zum Einsatz: die Schummerung (Hillshade)<\/strong> <\/a><\/a>.<\/p>\n\n\n\n

Die Schummerung ist keine echte Beleuchtung, sondern eine mathematische Berechnung. F\u00fcr jede Zelle des Gel\u00e4ndemodells wird deren Neigung (Slope) und Ausrichtung (Aspect) berechnet. Dann definiert der Computer eine virtuelle Lichtquelle mit einem bestimmten Azimut (Himmelsrichtung) und einer Zenitdistanz (H\u00f6he \u00fcber dem Horizont). Anhand einer Formel wird nun f\u00fcr jede Zelle berechnet, wie viel Licht sie von dieser virtuellen Sonne erhalten w\u00fcrde <\/a>. Das Ergebnis ist ein Graustufenbild: Fl\u00e4chen, die der Sonne zugewandt sind, erscheinen hell, abgewandte Fl\u00e4chen dunkel.<\/p>\n\n\n\n

Der Profi-Trick: Multi-Azimuth-Beleuchtung<\/strong>
Da sich arch\u00e4ologische 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 (W\u00e4lle) und Vertiefungen (Gr\u00e4ben) unabh\u00e4ngig von ihrer Himmelsrichtung optimal zur Geltung gebracht <\/a>.<\/p>\n\n\n\n

\n\n\n\n

4. Die Grenzen der Technik<\/h2>\n\n\n\n

So leistungsf\u00e4hig die Methode auch ist, sie hat ihre T\u00fccken. Die Qualit\u00e4t der Ergebnisse h\u00e4ngt von zahlreichen Faktoren ab:<\/p>\n\n\n\n