Automatic tree recognition and parameter estimation of Araucaria angustifolia using Remote Sensing data analysis
In: https://freidok.uni-freiburg.de/data/175282
Background: The Atlantic Forest is one, if not the most, diverse ecosystem in the planet. The Atlantic Forest contains an estimated 250 species of mammals (55 endemic), 340 amphibians (90 endemic), 1,023 birds (188 endemic), and approximately 20,000 trees, half of them endemic. Unfortunately, several of these species are currently threatened to become extinct. Amongst those, a tree species from the Araucariaceae family called Araucaria angustifolia can be found. Known as Brazilian Pine or just araucaria, this tree occupies the higher forest stratum, characterizing the landscape of the Atlantic Forest highlands, thus being considered a symbol of the Brazilian southern region. Araucaria trees are profitable regarding non-wood utilisation. The species produces a highly nutritious seed (pinhão in Portuguese), appreciated by humans and animals. There is a culturally established market around the seed, which, unfortunately, is not developed enough to allow sufficient economical return. Araucaria trees are also attractive due to its high quality and aesthetically pleasing wood, which led to its intense exploration in the 1960s and 1970s. Nowadays, the species is classified as critically endangered and is protected by law against illegal logging. However, such restrictive laws have resulted in further threat to the species. Knowing the legal difficulties to remove a grown araucaria tree from their property, landowners remove new natural saplings. Practices have been proposed to promote other sustainable uses for the species. Still, lawmakers in consort with researchers and specialists can only legislate upon detailed data regarding the species. In order to collect such paramount information throughout the species occurrence areas (approx. 200,000 km2 ), specialists face an extremely very fragmented environment, which poses operational and financial difficulties to acquire the data. Aims: The aim of this thesis was to introduce a methodology to automatically detect and measure Araucaria angustifolia in complex native forest formations in southern Brazil. The proposed methodology leverages on light detection and ranging (LiDAR) as well as high resolution aerial imagery. Normally, species mapping and measurement is conducted by combining LiDAR and spectral information (e.g. aerial, satellite or drone imagery). In this study, an analysis was performed to determine if there is, in fact, the necessity to add spectral information to map araucaria trees. Lastly, an alternative method was proposed, where no LiDAR data is required. A novel methodology was developed to detect araucarias from unmanned aerial vehicles (UAV), as an alternative to LiDAR-based methodologies. Research questions: 1. Is spectral information imperative to map A. angustifolia or LiDAR data alone is enough? 2. Can A. angustifolia trees be detected and measured in dense forest formation using Remote Sensing data? 3. If araucaria trees are detectable, can tree parameters (e.g. total height, diameter at breast height (DBH) and crown area) be acquired with reasonable accuracy? 4. Can A. angustifolia trees be detected based on their morphology, i.e. branches distribution? Study site and data: The data analysed in this thesis come from a municipality called Lages, located in the state of Santa Catarina in the Brazilian southern region. The two study sites contain fragments of the Atlantic Forest, where the target species A. angustifolia can be found with 38 and 34 ha for study site A and B, respectively. Both study sites are covered with LiDAR data with an average point density of 14 points/m2 and aerial imagery with 0.1 m spatial resolution. The datasets were collected in the same flight performed in June 2019. In addition, field data from March 2016 was available from 10 plots, each with 0.2 ha (total sampled area of 2 ha), located in site A, where all araucaria trees within the plots were measured and georeferenced. Lastly, UAV imagery with ground sample distance of 5 cm was also available for study site A, also collected in March 2016. Methodological approach: The methodology implemented in this thesis consisted mainly of two parts: (1) araucaria tree mapping and forest parameter estimation using LiDAR and aerial imagery; (2) detection of araucarias based on branch recognition from UAV imagery. 1. In order to map araucaria trees employing LiDAR and aerial imagery, a Random Forest classification was conducted. An analysis was performed to determine the efficiency of the classification when using only LiDAR data and when adding spectral information to it. Moreover, the random forest classifier was trained in site A and tested in site B. With the result of the mapping, a clipping mask was generated and used to clip the LiDAR point cloud. The clipped point cloud was assessed in terms of individual tree detection (ITD) as a means to determine the number of stems per hectare, total tree height and crown area, as well as estimate DBH. 2. A new methodology was developed as an alternative for LiDAR-based approaches. The approach consists of recognizing araucaria branches and use their orientation to determine A. angustifolia tree locations. The approach was implemented using a computer vision method called Probabilistic Hough Transform associated with other image processing techniques such as morphological filtering and image segmentation. By employing such techniques, the branches were detected as lines, which then could be used to calculate branch orientation, culminating on tree location. Results and discussion: LiDAR data is commonly used for commercial conifer tree species mapping and have been used for inventory purposes operationally in many countries such as Finland, Sweden, Canada, the United States and others. However, fewer have explored the applications of LiDAR data in complex environments such as the Atlantic Forest. The reason is mainly due to the multi layer structure in native forests and the high occurrence of tree occlusion, which affects the stems count, an important forest parameter for inventory purposes. In this study, such reasons were also noticed, even considering araucarias' crown size and the fact that the adult individuals of the species usually are located in the upper layer of the forest canopy. Nonetheless, it was possible to determine that the majority of A. angustifolia trees were successfully mapped employing LiDAR data. Moreover, there was enough statistical evidence to state that no difference was found when mapping A. angustifolia employing only LiDAR data and combined spectral information and LiDAR data. When comparing both maps derived from the Random Forest classification, it was possible to observe similar performance from both datasets. Overall accuracies of 90.8% and 89.8% were observed for sites A and B, respectively. Even though adult trees of araucaria are usually visible in the upper forest canopy, a more basic operation such as a height threshold would not be able to separate araucarias from the rest of the species. This happens since there are many other species that occupy the same height level, which could result in commission errors. Hence, a supervised classification such as RF was efficient in removing the remainder of the tree species. When addressing the stems count, after running a ITD approach using local maxima detection an overall accuracy of 73.34% was reached. That resulted in a density of 43 stems/ha, which is below the 61 stems/ha calculated from the field data. This difference in mainly due to tree occlusion, which is often observed in multi layer structure of complex natural environments such as araucaria forests. If a comparison is performed against the actual visible trees, the accuracy would be increased to 87.9%. There is still 12.1% error considering the upper visible forest canopy, which is caused by smaller trees close to dominant ones, resulting in further omissions. One of the challenges of working with LiDAR and araucarias is the species morphology. Araucarias possess a unique crown shape, commonly described in the literature as being similar to a wine glass or an inverted chandelier. However, a combination of uneven terrain and oddly shaped crowns results in a distorted normalized point cloud, which in turn, affects the total tree height generated from it. As a solution, the ITD was performed using the digital surface model (DSM) to detect the local maxima. Once the coordinate of the highest point of a tree was determined, these coordinates were used to retrieve the tree height from the CHM. As a result, the total height and crown diameter measurements reached errors of 1.44 m and 1.72 m, respectively. However, point cloud normalization was not the only probable source of variation. The field measurements were performed in March 2016, while the LiDAR data was acquired in June 2019. This represents a difference of 39 months between measurements. Evidently, adult trees are not expected to grow too much, specially when a slow-growth native species such as araucaria is concerned. Yet, this discrepancy needs to be considered when assessing the results. Hence, it was not possible to determine if the height and crown measurements were affected by the field measurements procedure (field measurement errors), the time difference between LiDAR and field data acquisitions or the methodology proposed in this study. Lastly, considering that the DBH was estimated from the total height and crown diameter, these inconsistencies are carried over to the estimates, yielding a DBH error of 9.89 cm. Araucaria trees are easy to distinguish from other tree species when observed from nadir. Due to the unique format of the species crown, a novel approach based on the branch distribution from an orthogonal view was proposed to automatically detect araucaria trees.After implementing and testing this approach, an overall accuracy of 93% was achieved. During the analysis, a difficulty index was introduced, in which trees easily distinguishable were assigned difficulty level 1 (easy), partially occluded ones received index 2 (medium) and severely occluded but still partially visible ones were assigned index 3 (hard). The highest accuracy was achieved with difficulty index 1 with overall accuracy of 98%, followed by 92% and 89% for difficulty index 2 and 3, respectively. If the difficulty index is ignored and the tree detection is assessed as a whole, an overall accuracy of 93% was reached. The methodology demonstrated to be robust, considering it relies solely on branches to determine the tree location. Nonetheless, limitations were observed with this approach. Considering that branches are the main element of this methodology, if they are not visible, trees are simply not detected. Adult araucaria trees present visible branches, which are commonly very thick (reaching up to 30 cm in diameter based on field observations). However, a high density of secondary and tertiary branches may interfere in the visibility of primary branches. Lastly, adjacent trees with branches similarly oriented also result in omissions, since they seem merged in the image, resulting in only one branch being detected. Conclusions: In this thesis, evidences demonstrated that LiDAR data can be used for A. angustifolia mapping and forest parameter estimation. Moreover, when considering the test sites addressed in this study, the addition of spectral information didn't significantly improve the mapping, leading to the conclusion that LiDAR data alone is enough for A. angustifolia mapping. Lastly, when working with native species, conventional methods might not be the best practice and approaching issues with different perspectives can yield new solutions. The new proposed method is a clear example of that. By using the species unique morphology as basis, the approach has showed promising results, which could be further improved in future research. This thesis constitutes the first study to provide an in-depth analysis on the use of LiDAR data to automatically map Araucaria angustifolia in natural dense forest formations. Moreover, considering the current situation of the species, this work contributes to a better understanding of the challenges when working with araucaria trees as well as working with complex forest structures. In addition, further work can be developed based on this study, which could provide even more accurate large-scale information to lawmakers, researchers and specialists when developing new strategies to sustainably manage the species. ; Hintergrund: Der Atlantische Wald ist eines, wenn nicht das vielfältigste ökosystem der Erde. Der Atlantische Wald beherbergt ungefähr 250 Arten von Säugetieren (55 endemisch), 340 von Amphibien (90 endemisch), 1.023 von Vögeln (188 endemisch) und etwa 20.000 von Bäume, von denen die Hälfte endemisch sind. Leider sind mehrere dieser Arten derzeit vom Aussterben bedroht. Darunter befindet sich auch eine Baumart aus der Familie der Araukariengewächse (Araucariaceae), die Araucaria angustifolia genannt wird. Dieser Baum, der als Brasilianische Kiefer oder einfach Araukaria bekannt ist, nimmt die höhere Waldschicht ein und prägt die Landschaft des Hochlandes des Atlantischen Waldes und gilt daher als Symbol der südlichen Region Brasiliens. Araukarienbäume sind hinsichtlich der Nicht-Holznutzung rentabel. Diese Baumart produziert einen sehr nahrhaften Samen (pinhão auf Portugiesisch), der von Mensch und Tier geschätzt wird. Um das Saatgut herum gibt es einen kulturell etablierten Markt, der leider nicht genügend entwickelt ist, um einen ausreichenden wirtschaftlichen Ertrag zu ermöglichen. Araukarienbäume sind auch wegen ihrer hohen Qualität und ihres ästhetisch ansprechenden Holzes attraktiv, was in den 1960er und 1970er Jahren zu ihrer intensiven Erforschung führte. Heute gilt die Baumart als kritisch gefährdet und ist gesetzlich gegen illegalen Holzeinschlag geschützt. Solche restriktiven Gesetze haben jedoch zu einer weiteren Bedrohung der Baumart geführt. Im Wissen um die rechtlichen Schwierigkeiten, einen gewachsenen Araukarienbaum von ihrem Grundstück zu schlagen, entfernen Landbesitzer neue natürliche Sämling. Es wurden Praktiken zur Förderung anderer nachhaltiger Nutzungen der Art vorgeschlagen. Dennoch kann der Gesetzgeber in Zusammenarbeit mit Forschern und Spezialisten nur auf der Grundlage detaillierter Daten über die Art Gesetze erlassen. Um solch überragende Informationen in den gesamten Vorkommensgebiete der Baumarten (ca. 200.000 km 2 ) zu sammeln, sehen sich Spezialisten mit einer extrem stark fragmentierten Umwelt konfrontiert, was operative und finanzielle Schwierigkeiten bei der Beschaffung der Daten verursacht. Ziele: Das Ziel dieser Doktorarbeit war die Einführung einer Methodik zur automatischen Erkennung und Messung von Araucaria angustifolia in komplexen einheimischen Waldformationen im Süden Brasiliens. Die vorgeschlagene Methodik stützt sich auf light detection and ranging (LiDAR) sowie auf hochauflösende Luftbilder. Normalerweise wird die Kartierung und Messung von Baumarten durch die Kombination von LiDAR und spektralen Informationen (z.B. Luft-, Satelliten- oder Drohnenbildern) durchgeführt. In dieser Studie wurde jedoch eine Analyse durchgeführt, um festzustellen, ob tatsächlich die Notwendigkeit besteht, spektrale Informationen zur Kartierung von Araukarienbäumen hinzuzufügen. Schließlich wurde eine alternative Methode vorgeschlagen, bei der keine LiDAR-Daten erforderlich sind. Als Alternative zu den LiDAR-basierten Methoden wurde eine neue Methode zur Erkennung von Araukarien aus unmanned aerial vehicles (UAV) entwickelt. Forschungsfragen: 1. Ist spektrale Information für die Kartierung von A. angustifolia zwingend erforderlich oder reichen LiDAR-Daten allein aus? 2. Können A. angustifolia-Bäume in dichter Waldbildung mit Hilfe von Fernerkundungsdaten erkannt und gemessen werden? 3. Wenn Araukarienbäume erkennbar sind, können Baumparameter (z.B. Gesamthöhe, Brusthöhendurchmesser (BHD) und Kronenfläche) mit ausreichender Genauigkeit erfasst werden? 4. Können A. angustifolia-Bäume anhand ihrer Morphologie, d.h. der Verteilung der Äste, erkannt werden? Versuchsflächen und Daten: Die in dieser Arbeit analysierten Daten stammen aus einer Gemeinde namens Lages, im Bundesstaat Santa Catarina in der südlichen Region Brasiliens gelegen. Die beiden Versuchsflächen umfassen Fragmente des Atlantischen Waldes, wo die Zielart A. angustifolia zu finden ist, mit 38 bzw. 34 ha für das Versuchsfläche A bzw. B.Beide Versuchsflächen werden mit LiDAR-Daten mit einer durchschnittlichen Punktdichte von 14 Punkten/m2 und Luftbildern mit einer räumlichen Auflösung von 0,1 m abgedeckt. Die Datensätze wurden im selben Flug gesammelt, der im Juni 2019 durchgeführt wurde. Darüber hinaus standen Felddaten vom März 2016 von 10 Parzellen mit jeweils 0,2 ha (gesamte beprobte Fläche von 2 ha) zur Verfügung, die sich an Standort A befanden, wo alle Araukarienbäume innerhalb der Parzellen gemessen und georeferenziert wurden. Schließlich waren auch UAV-Bilder mit einem Bodenprobenabstand von 5 cm für Versuchsfläche A verfügbar, die ebenfalls im März 2016 gesammelt wurden. Methodischer Ansatz: Die in dieser Arbeit implementierte Methodik bestand hauptsächlich aus zwei Teilen: (1) Kartierung von Araukarienbäumen und Schätzung von Wald-parametern mit Hilfe von LiDAR und Luftbildern; (2) Erkennung von Araukarienbäumen basierend auf der Asterkennung aus UAV-Bildern. 1. Zur Kartierung von Araukarienbäumen unter Verwendung von LiDAR und Luftbildern wurde eine Random Forest Klassifikation durchgeführt. Es wurde eine Untersuchung vorgenommen, um die Effizienz der Klassifikation bei ausschließlicher Verwendung von LiDAR-Daten und beim Hinzufügen spektraler Informationen festzustellen. Darüber hinaus wurde der Random Forest Klassifikator in Standort A trainiert und in Standort B getestet. Mit dem Ergebnis der Kartierung wurde eine Ausschnittsmaske generiert und zum Ausschnitt der LiDAR-Punktwolke verwendet. Die abgeschnittene Punktwolke wurde im Rahmen des Einzelbaumnachweises (ITD) als Mittel zur Bestimmung der Anzahl der Stämme pro Hektar, der Gesamtbaumhöhe und der Kronenfläche sowie zur Schätzung des DBH bewertet. 2. Eine neue Methodik wurde als Alternative für LiDAR-basierte Ansätze entwickelt. Der Ansatz besteht darin, Araukarienäste zu erkennen und ihre Ausrichtung zur Bestimmung der Baumposition von A. angustifolia-Bäumen zu verwenden. Der Ansatz wurde mit Hilfe einer Computer Vision Methode namens Probabilistic Hough Transformation in Verbindung mit anderen Bildverarbeitungsverfahren wie morphologischer Filterung und Bildsegmentierung umgesetzt. Durch den Einsatz solcher Techniken wurden die äste als Linien erkannt, die dann zur Berechnung der Astausrichtung bis hin zur Baumposition verwendet werden konnten. Ergebnisse und Diskussion: LiDAR-Daten werden häufig für die Baumkartierung von kommerziellen Nadelbäumen verwendet und wurden in vielen Ländern operationell für Inventurzwecke eingesetzt wie zum Beispiel Finnland, Schweden, Kanada, Vereinigte Staaten und andere. Weniger haben jedoch erkundet die Anwendungen von LiDAR-Daten in komplexen Umgebungen wie dem Atlantischen Wald. Der Grund dafür ist vor allem die mehrschichtige Struktur in einheimischen Wäldern und das hohe Vorkommen von Baumokklusion, die sich auf die Anzahl der Stämme auswirkt, ein wichtiger Waldparameter für die Inventurzwecke. In dieser Studie wurden auch solche Gründe festgestellt, sogar unter Berücksichtigung der Kronengröße der Araukarien und der Tatsache, dass sich die erwachsenen Individuen der Art normalerweise in der oberen Schicht des Walddaches befinden. Dennoch konnte festgestellt werden, dass die Mehrzahl der Bäume von A. angustifolia erfolgreich mit LiDAR-Daten kartiert wurde. Darüber hinaus bestand genügend statistischer Nachweis, um festzustellen, dass bei der Kartierung von A. angustifolia, bei der nur LiDAR-Daten und kombinierte Spektralinformationen und LiDAR-Daten verwendet wurden, kein Unterschied festgestellt wurde. Beim Vergleich beider Karten, die aus der Random Forest Klassifikation abgeleitet wurden, konnte eine ähnliche Leistung beider Datensätze beobachtet werden. Für die Standorte A und B wurden Gesamtgenauigkeiten von 90,8% bzw. 89,8% beobachtet. Obwohl ausgewachsene Araukarienbäume normalerweise im oberen Kronendach des Waldes zu sehen sind, wäre eine einfachere Operation wie eine Höhengrenze nicht in der Lage, Araukarienbäume von den übrigen Arten zu trennen. Dies geschieht, da es viele andere Baumarten gibt, die das gleiche Höhenniveau besetzen, was zu Kommissionsfehlern führen könnte. Daher war eine überwachte Klassifikation wie RF effizient, um den übrigen Baumarten zu entfernen. Bezüglich der Anzahl der Stämme, nach Durchführung eines ITD-Ansatzes mit lokaler Maxima-Erkennung wurde eine Gesamtgenauigkeit von 73,34% erreicht. Daraus ergab sich eine Dichte von 43 Stämmen/ha, die unter dem aus den Felddaten berechneten 61 Stämmen/ha liegt. Dieser Unterschied ist in hauptsächlich auf die Baumokklusion zurückzuführen, die oft in einer mehrschichtigen Struktur von komplexen natürlichen Umweltumgebungen wie Araukarienwäldern beobachtet wird. Wenn ein Vergleich mit den tatsächlich sichtbaren Bäumen durchgeführt wird, würde sich die Genauigkeit auf 87,9% erhöhen. Bei Betrachtung des oberen sichtbaren Kronendaches des Waldes, der durch leinere Bäume in der Nähe der dominanten Bäume verursacht wird, ergibt sich immer noch ein Fehler von 12,1%, der zu weiteren Auslassungen führt. Eine der Herausforderungen bei der Forschung mit LiDAR und Araukarien ist die Morphologie der Baumarten. Araukarien besitzen eine einzigartige Kronenform, die in der Literatur häufig als einem Weinglas oder einem umgekehrten Kronleuchter ähnlich beschrieben. Allerdings ist eine Kombination aus unebenem Gelände und unregelmäßig geformten Kronen führt zu einer verzerrten normalisierten Punktwolke, die sich folglich auf die daraus generierte Gesamthöhe des Baumes auswirkt. Als Lösung wurde das ITD mittels des digitalen Oberflächenmodells (DSM) durchgeführt, um die local maxima zu ermitteln. Nach der Bestimmung der Koordinaten des höchsten Punktes eines Baumes wurden diese Koordinaten verwendet, um die Baumhöhe aus dem CHM abzurufen. Infolgedessen ergaben die Messungen der Gesamthöhe und des Kronendurchmessers Fehler von 1,44 m bzw. 1,72 m. Die Normalisierung der Punktwolken war jedoch nicht die einzige wahrscheinliche Quelle von Abweichungen. Die Feldmessungen wurden im März 2016 durchgeführt, während die LiDAR-Daten im Juni 2019 erfasst wurden. Dies entspricht ein Unterschied von 39 Monate zwischen den Messungen. Offensichtlich wird von erwachsenen Bäumen nicht erwartet, dass sie zu viel wachsen, besonders wenn es sich um eine langsam wachsende einheimische Baumart wie die Araukarien handelt. Diese Abweichung muss jedoch bei der Bewertung der Ergebnisse berücksichtigt werden. Daher war es nicht möglich festzustellen, ob die Höhen- und Kronenmessungen durch das Feldmessverfahren (Feldmessfehler), die Zeitdifferenz zwischen LiDAR und Felddatenerfassung oder die in dieser Studie vorgeschlagene Methodik beeinflusst wurden. Letztendlich da die BHD aus der Gesamthöhe und dem Kronendurchmesser geschätzt wurde, werden diese Abweichungen auf die Schätzungen übertragen, was einen BHD-Fehler von 9,89 cm ergibt. Araukarienbäume sind einfach von anderen Baumarten zu unterscheiden, wenn sie von Nadir aus beobachtet werden. Aufgrund des einzigartigen Kronenformats der Baumart wurde ein neuartiger Ansatz vorgeschlagen, der auf der Astverteilung aus orthogonaler Sicht basiert, um Araukarienbäume automatisch zu erkennen. Nach der Implementierung und dem Testen dieses Ansatzes wurde eine Gesamtgenauigkeit von 93% erreicht. Beider Analyse wurde ein Schwierigkeitsindex eingeführt, bei dem leicht unterscheidbare Bäume der Schwierigkeitsstufe 1 (leicht) zugeordnet wurden, teilweise okkludierte erhielten den Index 2 (mittel) und stark okkludierte, aber noch teilweise sichtbare Bäume den Index 3 (hart). Die höchste Genauigkeit von 98% wurde beim Schwierigkeitsindex 1 erreicht, gefolgt von 92% und 89% beim Schwierigkeitsindex 2 und 3. Wenn man den Schwierigkeitsindex ignoriert und die Baumerkennung als Ganzes bewertet, wurde eine Gesamtgenauigkeit von 93% erreicht. Die Methode erwies sich als robust, da sie sich zur Bestimmung des Baumstandortes ausschließlich auf äste stützt. Trotzdem wurden bei diesem Ansatz Einschränkungen beobachtet. Da die äste das Hauptelement dieser Methodik sind, wenn sie nicht sichtbar sind, werden Bäume einfach nicht erkannt. Ausgewachsene Araukarienbäume weisen sichtbare Äste auf, die in der Regel sehr dick sind (bis zu 30 cm Durchmesser, basierend auf Feldbeobachtungen). Eine hohe Dichte von sekundären und tertiären ästen kann jedoch die Sichtbarkeit der primären äste behindern. Schließlich führen auch benachbarte Bäume mit ähnlich orientierten ästen zu Auslassungen, da sie im Bild verschmolzen erscheinen, so dass nur ein Ast erkannt wird. Schlussfolgerungen: In dieser Arbeit wurde nachgewiesen, dass LiDAR-Daten für die Kartierung von A. angustifolia und die Schätzung von Waldparametern verwendet werden können. Darüber hinaus hat die Hinzufügung von Spektralinformationen bei der Betrachtung der in dieser Studie behandelten Versuchsflächen die Kartierung nicht signifikant verbessert, was zu der Schlussfolgerung führt, dass LiDAR-Daten allein für die Kartierung von A. angustifolia ausreichen. Letztlich, wenn es um die Arbeit mit einheimischen Baumarten geht, sind konventionelle Methoden möglicherweise nicht die beste Praxis, und die Herangehensweise an Probleme mit unterschiedlichen Perspektiven kann zu neuen Lösungen führen. Die neue vorgeschlagene Methode ist ein klares Beispiel dafür. Durch die Verwendung der einzigartigen Morphologie der Baumart als Grundlage hat der Ansatz vielversprechende Ergebnisse gezeigt, die in der zukünftigen Forschung weiter verbessert werden könnten. Diese Doktorarbeit stellt die erste Studie dar, die eine vertiefte Analyse über den Einsatz von LiDAR-Daten zur automatischen Kartierung von Araucaria angustifolia in natürlichen dichten Waldformationen liefert. Außerdem trägt diese Arbeit, unter Berücksichtigung der aktuellen Situation der Baumart, zu einem besseren Verständnis der Herausforderungen bei der Arbeit mit Araukarienbäumen sowie bei der Arbeit mit komplexen Waldstrukturen bei. Darüber hinaus können auf der Grundlage dieser Studie weitere Arbeiten entwickelt werden, die Gesetzgebern, Forschern und Spezialisten bei der Entwicklung neuer Strategien zur nachhaltigen Bewirtschaftung der Baumart noch genauere Informationen in großem Maßstab liefern könnten. ; dados LiDAR são suficientes para o mapeamento de A. angustifolia. Finalmente, quando se trabalha com espécies nativas, os métodos convencionais podem não ser a melhor prática e abordar problemas com perspectivas diferentes pode gerar novas soluções. O novo método proposto é um exemplo claro disso. Utilizando a morfologia única da espécie como base, a abordagem mostrou resultados promissores, que poderiam ser melhorados ainda mais em pesquisas futuras. Esta tese constitui o primeiro estudo a fornecer uma análise aprofundada sobre o uso de dados LiDAR para mapear automaticamente Araucaria angustifolia em formações florestais naturais densas. Além disso, considerando a situação atual da espécie, este trabalho contribui para uma melhor compreensão dos desafios ao trabalhar com araucárias, bem como ao trabalhar com estruturas florestais complexas. Além disso, mais pesquisas podem ser desenvolvidas com base neste estudo, as quais poderiam fornecer informações ainda mais precisas em larga escala a legisladores, pesquisadores e especialistas, auxiliando no desenvolvimento de novas estratégias para administrar a espécie de forma sustentável.