Im Rahmen des Innosuisse-Projektes «Faschinen aus Holzwolle für nachhaltige Hang- und Ufersicherung» befindet sich auf der Fläche des Kieswerk Chur der Firma Calanda ein Grossversuchslabor. Hier schauen die Ingenieure (unter anderem) den Pflanzen beim Wachsen zu.
Faschinen sind ein Mittel zum Erosionsschutz von Hang- und Uferlagen. Es geht darum bei neu erstellten Böschungen oder rutschungsgefährdeten Hängen der Vegetation eine Unterstützung zu bieten, um ein stabiles Wurzelwerk bilden zu können. Traditionell werden Faschinen aus Bündeln von Tot- oder Lebendholz von Ästen und Ruten von Weiden hergestellt. In einem Vorprojekt wurden Faschinen aus Holzwolle-Vlies entwickelt, welche vom Projektpartnern Linder Suisse GmbH aus Wattwil (SG) als Produkt angeboten wird.
Auf der Grossversuchsanlage in Chur soll nun der Begrünungsgrad regelmässig untersucht werden. Es geht darum feststellbare Unterschiede zwischen den Holzwolle Faschinen und den Totholzfaschinen zu untersuchen. Dazu wurden letzten August mehrere Einzelflächen mit Totholz- und Holzwolle Faschinen installiert. Die Entwicklung der Begrünung wird seither mit Wildkameras auf jeder Einzelfläche überwacht.
Automatisierte Auswertung des Begrünungsgrad
Die Schwierigkeit dabei ist, wie der Begrünungsgrad automatisiert untersucht werden kann? Betrachtet man die Bilder von Auge, sieht man einfach eine Entwicklung und erkennt Muster. Dem menschlichen Gehirn fällt das scheinbar leicht. Leider lässt sich aufgrund der Anzahl der Kameras, Bilder und Pixeln in den Bildern die Begrünung nicht manuell auswerten. Die Informationen, die wir von den Kameras haben sind eine Serie von mehrmals täglichen Bildern. In jedem Bild sind das 3900x5200 Pixel mit jeweils einem Wert zwischen 0 und 256 zu jedem Farbkanal (RGB – rot, grün, blau). Leider lässt sich nun nicht lediglich der G – Kanal auswerten, da in Informationen auf alle Kanäle verteilt sind und jeder Grünton eine Mischung aus Werten aller drei Kanäle.
Es wurde daher ein Ansatz gewählt, bei dem, ähnlich wie beim menschlichen Gehirn die Farben geclustert werden (mittels der KMeans Funktion des sklearn.cluster Paket in Python). Das heisst von den theoretisch 2563 verfügbaren Farben wird das Bild auf 20 Farben reduziert wird. Hier kann nun anhand der relativen Häufigkeit der Farben auf den Begrünungsgrad rückgeschlossen werden.
Um jedoch bestimmen zu können, welche der 20 Farben wirklich Grüntöne sind, werden die 20 Farbkategorien vom RGB in den HSV Farbraum transformiert, wo anhand Hue und Saturation die grünen Cluster bestimmt werden können.
Die Auswertung über die ganze Laufzeit steht noch aus. Auch sind wir offen für Inputs und Erfahrungen oder Lösungen für ähnlichen Problemstellungen.
Autor
Dr. Philip Crivelli, absolvierte an der ETH in Zürich das Masterstudium in Maschinenbau. Seine Dissertation zur räumlichen und zeitlichen Dynamik von Triebschneeverfrachtung schloss er 2018 am SLF in Davos ab. Heute arbeitet Philip als Wissenschaftlicher Projektleiter an der Fachhochschule Graubünden.