ForestTimeMachine
Wir wollen eine visuelle Historie zur Walddynamik erstellen, anhand von hochaufgelösten 360° Bildern sowie mittels automatischer Objekterkennung wesentliche Kenngrössen für die Bewirtschaftung berechnen.
Steckbrief
- Lead-Departement Hochschule für Agrar-, Forst- und Lebensmittelwissenschaften
- Weitere Departemente Technik und Informatik
-
Institut(e)
Multifunktionale Waldwirtschaft
Institute for Cybersecurity & Engineering (ICE) -
Forschungseinheit(en)
Waldökosystem und Waldmanagement
ICE / Cyber Threat Intelligence - Förderorganisation BFH
- Laufzeit 01.01.2018 - 31.12.2018
- Projektverantwortung Prof. Dr. Christian Rosset
- Projektleitung Prof. Dr. Christian Rosset
-
Projektmitarbeitende
David Paul Coutrot
Prof. Dr. Ulrich Fiedler
Prof. Dr. Christian Rosset
Viola Sala
Valère Martin
Manuel Kohler -
Partner
Forstbetrieb der Burgergemeinde Bern
BFH Technik und Informatik - Schlüsselwörter 360° Bilder, digitale Zwillinge, Bildverarbeitung, Objekterkennung
Ausgangslage
Ziel ist die Erarbeitung eines Aufnahmenverfahrens für 360° Fotospähren. Entwicklung einer auf Objekterkennung basierten Toolbox zur (teil-)automatisierten Quantifizierung des Zustandes. Bereitstellung und Verwaltung von digitalen Zwillingen.
Vorgehen
Durch das Projekt werden vorhandene Tools und Kompetenzen in der Bilderfassung und -verarbeitung genutzt, um eine digitale Historie der Walddynamik von innen zu erstellen und über Objekterkennung biologische Kenngrössen automatisiert zu berechnen. Damit ist die Grundlage zur Erstellung von digitalen Zwillingen gelegt. Dies ist nicht nur für Holzproduktion relevant, sondern auch für zunehmend wichtiger werdende Bereiche, wie Waldökologie und Waldbiodiversität.
Ergebnisse
Zweckmässige und effiziente Aufnahmeverfahren für 360° Bilder über grosse Flächen und erste (teil-) automatisierte Tools zur Informationsgewinnung aus den Bildern. Bis 2019 haben wir uns auf die Akquisition der drei folgenden Projekte konzentriert : habitat.sylvotheque.ch, maforet.ch, martelage.sylvotheque.ch 2. Das Potenzial des Forest Time Machine Projekts ist jedoch größer und wir werden den Akquisitionsaufwand in Richtung Machine Learning und Waldinventur fortsetzen.
Ausblick
FTM hat das Potential, eine attraktive Alternative zum terrestrischen, meist kostspieligen Waldinventurverfahren zu werden, aber auch zur Effizienzsteigerung bei der Lenkung und Kontrolle der biologischen Prozesse.