8 Ausblick 
91 
8 Ausblick 
Im Rahmen dieses Projektes haben sich in Bezug auf die Laserbathymetrie einige Punkte als 
besonders wichtig herausgestellt, welche jedoch nicht weiter untersucht werden konnten bzw. bei 
denen noch Forschungsbedarf liegt, um die Qualität der Ergebnisse weiter zu verbessern. 
Für das Gewährleisten einer sicheren Seeschifffahrt ist es notwendig, dass alle Unterwasserobjekte 
ab einer gewissen Größe in flacheren Gewässern detektiert und in den Seekarten als Gefahrenstelle 
markiert werden. Nach dem aktuellen Stand der Technik ist das Erkennen von Unterwasserobjekten 
in den durch Laserbathymetrie erzeugten Punktwolken noch nicht zuverlässig möglich. In den 
Testdatensätzen konnten nahezu keine Objektpunkte gefunden und als solche klassifiziert werden. 
Dabei liegt die Schwierigkeit in der Unterscheidung der Objektpunkte von 
Unterwasservegetationspunkten und Messrauschen innerhalb der Wassersäule. Dies hängt mit zwei 
Aspekten zusammen, die verbesserungswürdig sind. Zum einen ist der Algorithmus zur Prozessierung 
der Full-Waveform grundlegend, welcher anhand der reflektierten Signalenergie die 3D Punkte 
ableitet. Forschungsarbeiten könnten helfen, eine effektivere Auswertung zu gewährleisten, die 
einerseits die Zahl der Rauschpunkte minimiert, während tatsächlich gewünschte Bereiche des 
Signals verstärkt werden müssten. Es handelt sich also um ein Mustererkennungsproblem, bei dem 
das Signal vom Rauschen getrennt werden soll. Der andere Aspekt ist die Klassifikation selbst, die 
insbesondere Bezug auf Unterwasserobjekte Optimierungspotential bietet. 
Bei der Klassifikation im Allgemeinen ist aktuell für die Auswertefirmen noch sehr viel manuelle 
Arbeit notwendig, die die Bearbeitung zeitaufwendig und teuer macht. Zudem ist sie anfällig für 
Fehler. Die derzeit in den gängigen Softwarepaketen verfügbaren Klassifikationsverfahren für 
Laserbathymetrie sind nicht optimal und teilweise auch nicht öffentlich bekannt. Üblicherweise wird 
dabei jeder Punkt unabhängig seiner Nachbarschaft einer Objektklasse zugeordnet. Bei Punktwolken 
topographischer Laserdaten hat sich jedoch gezeigt, dass die Berücksichtigung der lokalen 
Nachbarschaft zu jedem Punkt zu einer Verbesserung führen kann. Dies trifft insbesondere zu für 
Objektklassen, die durch eine verhältnismäßig geringe Anzahl von Punkten repräsentiert werden 
(Niemeyer et al., 2014a). Im Falle der Laserbathymetrie wären dies die Unterwasserobjekte und 
Unterwasservegetationspunkte. Es könnte also gut sein, dass eine kontextbasierte Klassifikation z.B. 
mithilfe von Conditional Random Fields (Kumar& Hebert, 2003) eine Steigerung der Qualität bei der 
Klassifikation herbeiführen und dabei speziell die Detektionsrate der Unterwasserobjekte erhöht 
werden könnte. Alternativ könnte eine Klassifikation auf Basis der Waveforms anstelle der Punkte, 
etwa wie in (Tulldahl& Wikström, 2012) beschrieben wird, eine vielversprechende Methode sein. 
Im Zusammenhang zu dem beschriebenen Problem mit der Klassifikation steht auch der nächste 
Punkt, für den in zukünftigen Arbeiten Lösungen gefunden werden sollten. Im Rahmen des Projektes 
ist aufgefallen, dass die Qualität der Klassifikation von Auftragnehmer zu Auftragnehmer stark 
schwankt. Um gegebenenfalls einen Datensatz zur erneuten Überarbeitung zurückweisen zu können, 
wird ein Gütekriterium für die Klassifikation benötigt, an das sich der Auftragnehmer zu halten hat. 
Derzeit ist es schwierig zu beurteilen, ab wann ein ausgeliefertes Ergebnis als gut oder als schlecht 
anzusehen ist. Auch ein Vergleich von Ergebnissen unterschiedlicher Auftragnehmer ist nicht 
möglich.