BAMspecies

Ein Benchmark Datensatz für die Klassifikation einzelner Bäume nach Spezies, anhand hochauflösender RGB-Bilder und LiDAR-Punktwolken

BAMspecies kombiniert ultrahochauflösende RGB-Bilder mit LiDAR-Punktwolken sowie Annotationen einzelner Baumkronen und Baumarten. Der Datensatz erweitert BAMFORESTS um Baumspezies und 3D-Punktwolken. Er ermöglichtdie Baumartenklassifikation auf Einzelbaumebene, zur Instanzsegmentierung von Baumkronen, zur semantischen Segmentierung und zum multimodalen Lernen.

Der Datensatz umfasst drei Waldgebiete in der Region Bamberg in Deutschland. Die RGB-Orthofotos haben eine Bodenauflösung von 2 cm. Der Datensatzenthält 89 Bildausschnitte und 76 LiDAR-Punktwolkenausschnitte, die in vordefinierte Trainings-, Validierungs- und Testdatensätze aufgeteilt sind.

Untersuchungsgebiete

Untersuchungsgebiet

Fläche

Stadtwald

152 ha

Tretzendorf-1

65 ha

Tretzendorf-2

47 ha

Total

264 ha

Der Stadtwald liegt etwa 5 km südöstlich des Bamberger Stadtzentrums. Das in BAMFORESTS enthaltene Gebiet Hain ist nicht Bestandteil von BAMspecies.

Annotationen und Klassen

BAMspecies stellt Annotationen einzelner Baumkronen und semantische Baumartenlabels bereit. Die Instanz-IDs der Bäume wurden innerhalb jedes Plots separat gelabelt und sind daher im gesamten Datensatz nicht eindeutig.

Die Baumartenlabels verwenden folgende Klassen-IDs:

Klassen-ID

Klasse

0

Hintergrund

1

Kiefer

2

Buche

3

Oak

4

Fichte

5

Lärche

6

Douglasie

7

Tanne

8

Sonstige

9

Tote Bäume

Struktur des Datensatzes

Der Datensatz enthält vier Datenkomponenten. Jede Komponente ist in die Unterordner train, val und test gegliedert.

Ordner

Inhalt

Format

images_2D/

RGB-Bildausschnitte

PNG-Bilder mit PGW-Georeferenzierungsdateien

masks_treeInstances_2D/

Instanzannotationen einzelner Baumkronen

ESRI-Shapefiles mit SHP-, SHX-, DBF- und CPG-Dateien

masks_treeSpecies2D/

Semantische Baumartenmasken

PNG-Masken mit PGW-Georeferenzierungsdateien

point_clouds_3D/

Annotierte LiDAR-Punktwolken

LAS-Dateien mit den Attributen Instance_ID und Class_ID

Das Punktwolkenattribut Instance_ID kennzeichnet einzelne Baumkronen, während Class_ID die Baumartenklasse angibt.

Dataset/

├── images_2D/

│ ├── train/

│ ├── val/

│ └── test/

├── masks_treeInstances_2D/

│ ├── train/

│ ├── val/

│ └── test/

├── masks_treeSpecies2D/

│ ├── train/

│ ├── val/

│ └── test/

└── point_clouds_3D/

├── train/

├── val/

└── test/

Zusammengehörige Datenkomponenten verwenden exakt dieselben Ausschnittsbereiche und -namen. Allerdings ist nicht für jeden 2D-Ausschnitt eine entsprechende 3D-Punktwolke vorhanden.

Aufteilung des Datensatzes

Der 2D-Datensatz enthält 60 Trainingsausschnitte, 16 Validierungsausschnitte und 13 Testausschnitte. Der 3D-Datensatz enthält 51 Trainingsausschnitte, 14 Validierungsausschnitte und 11 Testausschnitte.

Zusammengehörige 2D- und 3D-Ausschnitte sind derselben räumlichen Datenaufteilung zugeordnet. Verwenden Sie die vordefinierten Aufteilungen für eine reproduzierbare Auswertung.

Kennungen der Ausschnitte

Die folgenden numerischen Kennungen entsprechen den Ausschnittsnamen Area_XX.

Teilmenge

2D-Ausschnitte

Gebietskennungen

Training

60

02, 04, 05, 06, 07, 10, 12, 13, 14, 16, 18, 19, 20, 21, 22, 24, 25, 26, 27, 30, 31, 33, 34, 35, 36, 38, 39, 40, 43, 44, 46, 47, 48, 49, 50, 51, 52, 53, 56, 57, 60, 61, 64, 67, 68, 69, 70, 72, 74, 75, 76, 78, 79, 80, 81, 84, 86, 87, 88, 89

Validierung

16

09, 11, 17, 28, 29, 32, 37, 45, 54, 58, 66, 71, 77, 82, 83, 85

Test

13

01, 03, 08, 15, 23, 41, 42, 55, 59, 62, 63, 65, 73

Verfügbarkeit entsprechender 3D-Daten

Teilmenge

2D -Ausschnitte

3D-Ausschnitte

Ausschnitte ohne entsprechende 3D-Daten

Training

60

51

Area_47, Area_50, Area_51, Area_52, Area_56, Area_67, Area_74, Area_88, Area_89

Validierung

16

14

Area_82, Area_85

Test

13

11

Area_42, Area_55

Gesamt

89

76

13 Ausschnitte

Vorverarbeitung

Die 2D-Kacheln wurden mit einem gleitenden Fenster und einer Überlappung von 50 % sowohl in horizontaler als auch in vertikaler Richtung erzeugt. Es wurden weder Padding noch zusätzliche Verfahren zur Randbehandlung angewendet.

Die LiDAR-Daten behalten ihre ursprünglichen georeferenzierten Koordinaten bei. Sie werden als Punktwolken bereitgestellt, bei denen jedem Punkt ein Instanzlabel und ein Baumartenlabel zugeordnet sind.

Ordnen Sie für multimodale Experimente mit RGB und LiDAR Daten, diese anhand der Kennungen einander zu. Verwenden Sie ausschließlich Ausschnitte, für die beide Modalitäten vorliegen. Behalten Sie bei der Vorbereitung der Trainings- und Auswertungsdaten die vordefinierten Zuordnungen zu den Teilmengen bei.

Bekannte Einschränkungen

  • Unvollständige 3D-Abdeckung: Für 13 Bildausschnitte sind keine entsprechenden LiDAR-Punktwolken vorhanden. Diese Ausschnitte müssen aus multimodalen Experimenten ausgeschlossen werden, die gepaarte 2D- und 3D-Eingaben benötigen.
  • Area_64: Der Plot hat einen Unterschied zwischen der 2D- und der 3D-Darstellung, der mit der Datenqualität zusammenhängt, da die 3D-Punktwolken nicht komplett sind für Area_64. Prüfen Sie diesen Ausschnitt vor der Verwendung für ein Training mit gepaarten Daten und schließen Sie ihn aus, falls die Abweichung das Experiment beeinflusst.
  • Klassenungleichgewicht: Die Baumartenklassen sind unterschiedlich stark vertreten. Ihre Anteile unterscheiden sich zwischen den Teilmengen und Modalitäten.
  • Flächenbezogene Instanz-IDs: Instanz-IDs kennzeichnen Bäume innerhalb einzelner Untersuchungsflächen. Sie dürfen nicht als global eindeutige Baumkennungen interpretiert werden.

Erste Schritte

  1. Laden Sie die für Ihre Aufgabe benötigten Datenkomponenten von HuggingFace herunter. https://huggingface.co/datasets/MareikeW/BAMspecies.
  2. Behalten Sie die Ordnerstruktur mit train, val und test bei.
  3. Speichern Sie PGW-Georeferenzierungsdateien zusammen mit den zugehörigen PNG-Dateien und behalten Sie sämtliche bereitgestellten Shapefile-Komponenten bei.
  4. Lesen Sie semantische Masken als Klassen-ID-Labels ein.
  5. Verwenden Sie für LiDAR-Daten Instance_ID zur Kennzeichnung einzelner Baumkronen und Class_ID für die Baumartenlabels.
  6. Ordnen Sie für multimodale Experimente die Ausschnitte anhand ihrer Kennungen einander zu und prüfen Sie die Tabelle zur Verfügbarkeit der 3D-Daten.

Lizenz

cc-by-nc-nd-4.0

Wenn Sie diese Daten für kommerzielle Zwecke verwenden möchten oder anderweitig veröffentlichen wollen, kontaktieren Sie uns bitte.

Zitierhinweis

Weishaupt, M., Fan, W., Ben Ghorbel, Y., Panangian, D., Troles, J., Schmid, U., & Tian, J. (2026). *BAMspecies: A Benchmark Dataset for Individual Tree Species Classification from Ultra High-Resolution RGB Imagery and LiDAR Point Cloud*. ACCV, Osaka, 2026.

Links

Kontakt

Dr. Stefan Auer

Abteilungsleitung
Institut für Methodik der Fernerkundung
Photogrammetrie und Bildanalyse
Oberpfaffenhofen, 82234 Weßling