Punktwolke

Erzeugung

Die Erzeugung einge Kann Grundsätzlich über Scanning Elle Verfahren (z. B. terrestrische oder flugzeuggestütztes Laser Scanning ) oder photogrammetrische Elle Verfahren ^[2] ERFOLG Eulen allgemein Profilierung mittels Abtastung von Objektoberflächen Durch Systeme Wie Koordinatenmessmaschinen oder Tastenende 3D – Scanner . Optische Scanner untergliedert Mann in LASERTECHNOLOGIE , sterben nach DM Triangulationsprinzip Arbeiten, und Normallicht Scanner, sterben nach DM Streifenlichtverfahren ( „codiert-light“) Arbeiten. EINEN zusammenfassenden Überblick über sterben Vielfalt und Leistungsfähigkeit Aktueller Optische Scanning Methoden und Weiterverarbeitung der resultierenden 3D – Daten / Punktwolke sterben Gibt beispielsweise C. Teutsch. ^[3] Durch Die mehrfach erfassung Eines räumlichen Ausschnitt zu Unterschiedlich Zeitpunkten Lässt sich ein vier Dimension Ales (zeitvariantes) Discrete Räumliches Modell Wacholder Umgebung Aufbau. ^[4] Jeder Punkt , wo Wolke Wird dabei zeitlich und räumlich ( XYZ Koordniaten ) lokalisiert und Kann in Weiterer Folge Auch georeferenziert Werden. ^[5]

Speicherung

Aufgrund Dezembers enormen Datenvolumens tot für sie eine sterben Herausforderung Speicherung hinsichtlich Dezember Speicherplatz und die Effizient Zugriffs auf einzelnen Bereich Wacholder Punktwolke. Zur Implementierung von Speicherverfahren kommt Multi Resolution Datum Struktur zum Einsatz: „Um Daten Daten effizient verarbeiten und in Echtzeit sterben und zu can, Wurde in Software-Implementierungen zu visualisieren Out-of-Core – Algorithmen und Niveau-of-Detail – Struktur benötigt.“ ^{[6] [7 ]} BEKANNT umsetzung ERFOLG in Formular von Octrees . ^[8]Es wird erwartet, dass Dat Datapeckung von 3D-Punktwolken zu standardisieren, kompatibel mit einem anderen Ziel ist. Neben der Kompatibilität können die großen Datenmengen auch zu verwaltenden Signalen, und interaktiven Forschungsansätzen leicht sein. Vater wurde fleißig. ^[9]

Visualisierung

Zur Visualisierung – Massiv Punktwolken Sind Out-of-Core – Algorithmus erforderlich Sie sterben EIN Effizient, auflösungsabhängigen zugriff der 3D – Rendering – Systeme auf Punkte Einer Punktwolke erlaub. ^[10] [11] Insbesondere Punkt-basierten Rendering ermöglicht Eine Differenzierte Grafische Darstellung von Punktwolken, z. B. in für Punkte Unterschiedlich Kategorie (z. B. Fassadenpunkte, Dachpunkte, Vegetationspunkte, etc.). ^[12] Aus Punktwolken mit ausreichend Hohen Punktdichte can über 3D Renderingverfahren Kontinuierliche OBERFLäCHE abgeleitet Werden, um so Eine Möglichst geschlossen Visualisierung von Oberflächenbereichen zu erzielen. ^[13]

Es ist möglich, die Möglichkeiten zu verwenden, eine Punktwolke einer geschlossenen 3D-Oberfläche zu erstellen. Einige Herangehensweisen, die Delaunay Triangulation , alpha shapesoder ball pivoting , bauen ein Netzwerk von Dreiecken über die Normalvektoren der einzelnen Punkte auf. Andere Herangehensweisen, die z. B. der Marching-Cubes -Algorithmus, außergewöhnliches Polygonnetz über Voxel-basierte Ansätze. ^[14] This spielen vor Allem für Bildgebende Elle Verfahren in der Medizin Eine Rolle. Sind die aktuellen Testtests offen? Source- Visualisierungsprogramme für 3D-Punktwolken zählenCloudCompare und MeshLab . Sie und Ihre Gedanken in der Weisheit. Beide Programme sind entworfen, um die Wolken zu punktieren, und so sind die Programme und die Kommunikation über 3D-Daten, eine Bearbeitung der Punktwolke ist nur nur beschrkt möglich. Hinkommt, dass die zu vergebende Datenmenge für das Programm ist limitiert ist. ^[15]

Seit 2011 ist sterben freie Programmbibliothek, wo Point Cloud Library (PCL) verfügbar. This biete zahlreiche Algorithmen zur Verarbeitung n-dimensionaler Punkwolken und Dreidimensionaler Geometrien. Die darin enthaltenen Module ermöglichen z. B. Die Filterung , Registrierung , Segmentierung , Oberflächenrekonstruktion oder Visualisierung. ^{[16] Die} PCL hat für die 3D-Bildverarbeitung einen ähnlichen Status, der OpenCV für die 2D-Bildverarbeitung.

Verwendung

Geomorphologie

Für geomorphologischen Analyse Werden vor Allem digital Höhenmodelle von 3D – Punktwolken abgeleitet. Dürfen wurden von Ernst Vielzahl von Oberflächenbezogen geehrt. ^[17] Bodenerosionsprozess wurde mit terrestrischerLaserscanner untersucht. ^[18] Über den Bodenabtrag zu quantifizieren wurde 3D-Puntwolken zu unterschiedlichen Zeitpunkten gemessen und miteinander verglichen. Dadurch schweißt, um Aussagen darüber zu treffen, die an Sediment gestorben sind Wer wurde genauer auf Folge reduziert. Im Bereich der Glaziologie wurde Mittel Punktwolken der Bewegungen und Veränderungen von Gletschern dokumentiert und untersucht. ^[19]Daruber hinaus Hinaus von Fluvialen Forschungsansätzen bzw. Anwendungen mit der Punktwolken. So wurden die Änderungen von Flussläufen über größere Zeiträume gewonnen. ^[20]

Archäologie

Viele Entwicklungen von Anwendungen Rund um 3D – Punktwolken aus dem Bereich stammen die Archäologie . Durch sterben von Analyze Oberflächenformen Wird dabei auf Vergangene Siedlungsstrukturen geschlossen. Characterized can anthropogene genutzt Flach Erkannt Werden und Derens anordnung und Organisation Analysiert Werden. Punktwolken ermöglichen es in diesem zusammenhang, sterben Dass Einerseits Erdoberfläche und Wird visualisieren um so Archäologe möglichkeit sterben zu Bieten Gezielt nach Bestimmt Struktur und Derens Lage zu suchen, bietet sich sterben andererseits und möglichkeit Durch Automatisierte Ablauf systematisch Größere Flach nach vorab definierten mustern zu Scanner. ^[21] Eine weitere Einsatzmöglichkeit von 3D – Punktwolken in der Archäologie Stellt sterben Modellierung von historic statt dar.^[22]

Agrar- und Forstwirtschaft

In der Agrar- und Forstwirtschaft wurden 3D-Point Clouds für die Monitoring- Anwendungen zurückgespult. Durch die Verwendung von LiDAR -Data wird es möglich, Großräumig agriculturiren Flächen zu überwachen, ohne dabei von Ort zu sein. Es wird durchdrungen, dass durch die Präsenz des Menschen die Nutzpflanzen und deren Umgebung wird oder wird zerstört. Darüber Hinaus kann auf Arbeitsaufwand deutlich reduziert werden, wenn diese Agrarflächen großräumig überwacht werden und zweifellos Einflusssorgen möglich sind. ^[23] [24]BESONDERS im Bereich des Precision FarmingKommen punktwolkenbasierte Verfahren zum Einsatz. Hier sind die Ausstellungen über das Pflanzenwachstum, die durch 3D-Punktwolken analysiert wurden. ^{[25] Das} alleinige Ziel der Analyse ist das Ziel der Landwirtschaftlichen Nutzfläche auszumachen, die besondere Wachstumssummen anstrebt, die alle im einzelnen wichtiger sind. Im Bereich der Forstwirtschaft wird z. B. der Zusammenhängung zwischen Baumgesundheit und Borkenkäferbefall untersucht. ^[26] Aus dem 3D-Punkt konnten Trübungen in den Baumkronenstrukturen geehrt werden. die Gebote der Bäume wurden zur Abgötterei. Auf diese Weise wurde als Opfer von Bäume ausgemacht und in Weiter Folge behandelt.

Stadtgeographie

Im Bereich städtebaulicher und raumplanerischer Prozesse Laserscanning-Daten stärker zum Einsatz. Mittels Computeralgorithmen ist es möglich, 3D-Punktwolken eines Bereichs in verschiedenen Bereichen zu segmentieren. So können Vegetation, Gebäu den und unbebauten Flächen beseitigt werden. ^[27] Information als Ergebnis einer Analyse Analyse im Detail Folge bei stadtplanerischen Entscheidungen berücksichtigt werden. Die einzelnen Bereiche wurden aufgrund der Organisation der gescannten Punkte anerkannt. Erfahrene Baumkronen zeichnen sich durch eine ungewöhnliche Anordnung der Punkte aus wohingegenen Gebäudedeutlichen linearen Strukturen aus. ^[28]Ein weiterer seltsamer Algorithmus der reguläre Bereiche innerhalb einer Punktwolke Filter wurde entwickelt, um potentielle Standorte für Photovoltaikanlagen ausweisen zu können. ^[29] Darüber Hinaus ermöglichen Point Clouds detaillierte 3D-Modelle eines Stadtgebietes zu erzeugen. ^[30] Über bauliche Änderungen innerhalb eines Stadtgebietes zu erledigen, Punktwolken zu unterschiedlichen Zeitpunkten zu erfassen und die Punktabstände zwischen den einzelnen Erhebungen zu ändern. ^[31]

Naturgefahren

Im Naturgefahren- und Risikomanagement ermöglichen 3D-Punktwolken und detaillierte Analysen von Nature Reigns, welche die hoffnungsvollen Potentiale von Gefahrenbereichen sind. Damit wird die Optimierung von Frühwarnsystemen ermöglicht. Gravitations-Massenbewegungen wurden zu Zeitreihen von 3D-Point-Wolken, die so früh wie möglich sind. ^[32] In steinschlaggefährdeten Gebieten können Flächen mit Infrastruktur durch regelmäßiges Scannen und durch die Analyse von 3D-Punktwolken gewonnen werden. Wichtige Informationen für lokales Risikomanagement wurde gewonnen. ^[33]Die Rauigkeit einer Oberfläche ist in der Analyse von Naturgefahren ein wichtiger Parameter. Anhand von 3D-Punktwolken schweißen Sie um Ausagen über die Struktur von Oberflächen zu finden. Sie besitzen auch die Möglichkeit, Hochwasser , Steinschlag oder Lawinen zu Ziehen. ^[34] Für das Risikomanagement ist es wichtig sicherzustellen, dass die Rechte der Begünstigten begründet, rechtmäßig und in Übereinstimmung mit der Anwendung der Schutzmaßnahmen zu rechtfertigen sind. Die Gewinung von 3D-Punktwolken durch Airborne Laserscanning hat im Vergleich zu traditionellen Methoden der Fernerkundung(z. B. Photogrammetrie ) de Vorteil, dass durch das aktive Messsystem die Vegetation durchdringt werden kann und damit Bodenpunkte aufgezogen werden. ^[35]

Computergrafik

Eine Punktwolke wird verwildert:

• zur Visualisierung , um scannen Objekte und Flächen am Computer darzustellen;
• zur Modellierung ; Dabei wird die ursprüngliche Oberfläche rekonstruiert. Diejenigen, die im Besitz von Oberflächen sind, stehen meist aus Polygonen (siehe auch Meshing );
• als Grundlage für geometrische Berechnungen, z. B. zum Vermessen von Menschen (Bodyscanning) oder Gegenständen;
• zum Identifizieren von Menschen oder Gegenständen.
• In der Medizin (Sonderforensik, Kriminalismus); um ein Oberflächenmodell zu erzeugen um zu korrigieren und zu kontrollieren. Diese Methode ist die Kombination von Laserscanning und Radiologieverfahren. Irgendwann kann ein virtuelles 3D-Modell eines Körpers Ersatz sein. In diesem Modell waren alle Verletzungen (innere und äußere) sichtbar. ^[36] [37]

CAD

Karosseriebau

Im Bereich CAD wurden verwöhnte Wolken, um angesagte Designobjekte in das CAD-System einzulesen. Bei der anspruchvollen Form (z. B. Automobilkarosserie) wird nicht selten ein maßstabsgetreues Lehmmodell verwendet) ersetzen. Meine Ziehmesser und andere Handwerkzeuge wurden diese Formen der Modelliermasse erstellt und danach eingescannt. Bey symmetrische Bauteile (z. B. Motorhaube) wird nur eine Seite modelliert. This wird dann mit taktilen, messenden oder optischen Scannern eingescannt. Die erste dreidimensionale Geometrie untersucht von Punkten im Raum (XYZ-Koordinaten). Diese Punktewolke wird in einer speziellen Software auf eine der folgenden Arten verfügbar sein: Direkt in der CAD-Software eingelesen. Das ist oft die Umstellung von Punkten zu einfachen Oberflächennetzwerken, die Computerspiele mit einem hohen Ansehen sucht, was im Automobilbau nicht der Fall ist. Hier waren Bézier – und NURBS-Flächen durch die Punkte fallen und dabei mit Filtermethoden mögliche Messfehler ausgehen. Die sogenannten Flächen haben genaue Flächengrenzen und genau definierte Übergänge zu de angrenzenden Flächen. Dadurch kann das CAD-Modell des Lehmmodell-Eingangs in CAD gespiegelt werden. Dies ist ein Modell mit präzisen Beschreibungen, Modell einer Auto- karserie (oder Teile davon).

Punktwolken in der Statistik

In der Statistik und explorativen Datenanalyse wurden Punktwolken zur Grafendarstellung bivariater Zusammenhänge verworfen (vgl. Streudiagramm , Korrelation ). Sie erlauben es, einen einfachen optischen Eindruck von Richtung und Enge des Zusammenhangs zu gewinnen und Ausreißer im Datensatz aufzuspüren.

Siehe auch

• Liste der Programme zur Punktwolkenverarbeitung

Weblinks

• CloudCompare
• MeshLab
• OpenTopography 3D LiDAR Daten

Einzelstunden

1. Hochspringen↑ J. Otepka, S. Ghuffar, C. Waldhauser, R. Hochreiter, N. Pfeifer: georeferenzierte Punktwolken: A Survey of Funktionen und Punkt Cloud Management. In: ISPRS Int. J. Geo-Inf. 2, 2013, S. 1038-1065. doi: 10,3390 / ijgi2041038
2. Hochspringen↑ F. Leberl, A. Irschara, T. Tasche, P. Meixner, M. Gruber, S. Scholz, A. Wiechert Punktwolken: Lidar im Vergleich zu 3D – Vision. In: Fotogramm. Eng. Fern Sens. 76, 2010, S. 1123-1134.
3. Hochspringen↑ C. Teutsch: Modellbasierte Analyse und Auswertung von Punktsätzen aus optischen 3D-Laserscannern. (= Magdeburger Schriften zur Visualisierung. Band 1). Shaker Verlag , 2007, ISBN 978-3-8322-6775-9 .
4. Hochspringen↑ R. Richter, J. Döllner: Potenzial von massiven 3D-Punktwolkentrends. (Geoinformatik 2012 – „Mobilität und Umwelt“). Shaker Verlag, 2012, S. 215-222.
5. Hochspringen↑ Jochem Andreas, Bernhard Höfle, Martin Rutzinger: Extraktion von vertikalen Wänden aus mobilen Laserscanning-Daten zur solaren Potenzialanalyse. In: Fernerkundung. 3, 4, Dezember 2011, S. 650-667.
6. Hochspringen↑ R. Richter, J. Döllner: Integrierte Echtzeit-Visualisierung von massiven 3D-Punktwolken und Georeferenzien. In: Photogrammetrie Fernerkundung Geoinformation. (PFG), vol. 2011, nein. 3, 2011, S. 145-154.
7. Hochspringen↑ P. Goswami, F. Erol, R. Mukhi, R. Pajarola, E. Gobbetti: Eine effiziente Multi-Auflösung Rahmen für hochwertige interaktive Rendering von massiven Punktwolken überbeanspruchend Multi-Wege – kd-Trees. In: Der visuelle Computer. 29, 1, 2013, S. 69-83.
8. Hochspringen↑ J. Elseberg, D. Borrmann, A. Nüchter: Eine Milliarde Punkte in der Wolke – ein Octree für die effiziente Bearbeitung von 3D-Laserscans. In: ISPRS Journal für Photogrammetrie und Fernerkundung. Februar 2013.
9. Hochspringen↑ P. van Oosterom, O. Martinez-Rubib, M. Ivanovab, M. Horhammerc, D. Geringerc, S. Ravadac, T. Tijssena, M. Kodded, R. Gonçalves: Massiver Punktwolkendaten – Management: Konzeption, Umsetzung und Ausführung eines Punktwolken-Benchmarks. In: Computer & Grafik. 49, 2015, S. 92-125.
10. Hochspringen↑ M. Wimmer, C. Scheiblauer: Sofortige Punkte: Schnelle Wiedergabe oder unverarbeitete Punktwolken. In: Proceedings Symposium über Point-Based Graphics 2006. 2006, S. 129-136.
11. Hochspringen↑ R. Richter, J. Döllner: Out-of-Core-Echtzeit-Visualisierung von massiven 3D-Punktwolken. 7. Internationale Konferenz über virtuelle Realität, Computergrafik, Visualisierung und Interaktion in Afrika, 2010, S. 121-128.
12. Hochspringen↑ R. Richter, M. Behrens, J. Döllner: Objektklassensegmentierung von massiven 3D-Punktwolken von Stadtgebieten mittels Punktwolkentopologie. In: Internationale Zeitschrift für Fernerkundung. Vol. 34, nein. 23, 2013, S. 8394-8410.
13. Hochspringen↑ R. Pintus, E. Gobbetti, M. Agus: Echtzeit-Rendering massiver unstrukturierter roher Punktwolken unter Verwendung von Screen-Space-Operatoren. In: Das 12. Internationale Symposium zu Virtual Reality, Archäologie und Kulturerbe. Oktober 2011, S. 105-112.
14. Hochspringen↑ Paolo Cignoni: Vernetzungspunkt Wolken. 7. September 2009; abgerufen am 19. Februar 2017 (englisch).
15. Hochspringen↑ A. Palha, A. Murtiyoso, J.-C. Michelin, E. Alby, P. Grussenmeyer: Open-Source-Erste-Person-Ansicht 3D Point Cloud Visualizer für große Datensätze. In: I. Ivan, A. Singleton, J. Horák, T. Inspektor (Hrsg.): Der Aufstieg großer räumlicher Daten. Springer International, Cham 2017, S. 27-39.
16. Hochspringen↑ Punktwolkenbibliothek (PCL). Abgerufen am 2. März 2017 (deutsch).
17. Hochspringen↑ M. Rutzinger, B. Höfle, M. Vetter, N. Pfeifer: Digitale Geländemodelle von Airborne Laser Scanning für die automatische Extraktion von natürlichen und anthropogenen linearen Strukturen. In: Mike J. Smith, Paolo Paron, James S. Griffiths: Geomorphologische Kartierung: ein professionelles Handbuch von Techniken und Anwendungen. Elsevier, Oxford 2011, S. 475-488.
18. Hochspringen↑ AD Meijer, JL Heitman, JG White, RE Austin: Messung der Erosion in Langzeit-Bodenbearbeitungs-Parzellen mit bodengebundenem Lidar. In: Boden- und Bodenbearbeitungsforschung. 126, 2016, S. 1-10.
19. Hochspringen↑ N. Micheletti, M. Tonini, SN Lane: Geomorphologische Aktivität an einer Felsgletscherfront mit einem 3D-Dichte-basierten Clustering-Algorithmus. In: Geomorphologie. 278, 2017, S. 287-297.
20. Hochspringen↑ S. Ghosh: Hydrologische Veränderungen und ihre Auswirkungen auf die Flusslandschaft des unteren Damodar-Beckens über einen Zeitraum von 50 Jahren des Aufstauens des Mighty Damodar River in Ostindien. In:Verfahren – Sozial- und Verhaltenswissenschaften. 19, 2011, S. 511-519.
21. Hochspringen↑ D. White, KA Corcoran: Geographische Anwendungen in der Archäologie. In: Internationale Enzyklopädie der Sozial- und Verhaltenswissenschaften. 2, 2015, S. 97-103.
22. Hochspringen↑ JAB López, GA Jiménez, Frau Romero, EA García, SF Martín, AL Medina, ATE Guerrero: 3D – Modellierung in der Archäologie: Die Anwendung der Struktur von Bewegungs Methoden zum Studium der megalithischen Nekropole von Panoria (Granada, Spanien). In: Zeitschrift für Archäologische Wissenschaft. 10, 2016, S. 495-506.
23. Hochspringen↑ B. Höfle: Radiometrische Korrektur von terrestrischen LiDAR-Punktwolkendaten für die individuelle Maispflanzenerkennung. 2014, S. 94-98.
24. Hochspringen↑ G. Vosselman, HG Maas: Luftgestütztes und terrestrisches Laserscanning. Whittles Verlag. Twente 2010.
25. Hochspringen↑ K. König, B. Hofler, M. Hämmerle, T. Jarmer, B. Sigmann, H. Lilienthal: Vergleichende Klassifikationsanalyse nach der Ernte Wachstum Erkennung von terrestrischen LIDAR – Punktwolken in Präzisionslandwirtschaft. In:ISPRS Journal für Photogrammetrie und Fernerkundung. 104, 2015, S. 112-125.
26. Hochspringen↑ FE Fassnacht, H. Latifi, A. Ghosh, PK Joshi, B. Koch: Untersuchung des Potenzials hyperspektraler Bilder zur Erfassung der Borkenkäfer-induzierten Baumsterblichkeit. In: Fernerkundung der Umwelt. 140, 2014, S. 533-548.
27. Hochspringen↑ QY Zhou, U. Neumann: Komplette Sanierung von Wohngebieten aus engen LiDAR-Punktwolken. In: Grafische Modelle. 75, 2013, S. 118-125.
28. Hochsprüngen↑ B. Höfle, M. Hollaus, J. Hagenauer: Urbane Vegetationsdetektion mit radiometrisch kalibrierten luftgetragenen LiDAR-Daten. In: ISPRS Journal für Photogrammetrie und Fernerkundung. 67, 2012, S. 134-147.
29. Hochspringen↑ A. Jochem, B. Höfle, M. Rutzinger, N. Pfeifer: Automatische Dachflächenerkennung und -analyse in Airborne-Lidar- Punktwolken zur solaren Potenzialanalyse. In: Sensoren. 7, 2009, S. 5241-5262.
30. Hochspringen↑ G. Vosselman, HG Maas: Luftgestütztes und terrestrisches Laserscanning. Whittles Verlag. Twente 2010.
31. Hochsprung↑ R. Richter, J. Kyprianidis, J. Döllner: Out-of-Core-GPU-basierte Änderungserkennung in massiven 3D-Punktwolken. In: Transaktionen in GIS. 17, 2013, S. 724-741.
32. Hochspringen↑ J. Travelletti, JP Malet, C. Delacourt: Bildbasierte Korrelation von Laserscanning-Punktwolken-Zeitreihen für das Erdrutsch-Monitoring. In: Internationales Journal für Angewandte Erdbeobachtung und Geoinformation. 32, 2014, S. 1-18.
33. Hochspringen↑ RA Krömer, DJ Hutchinson, MJ Lato, D. Gauthier, T. Edwards: Identifizierung von Gesteinsabfall-Vorstufen mit LiDAR für das Transportkorridor-Gefahrenmanagement. In: Ingenieurgeologie. 195, 2015, S. 93-103.
34. Hochsprüngen↑ M. Hollaus, C. Aubrecht, B. Höfle, K. Steinocher, W. Wagner: Rauhigkeits-Mapping auf verschiedenen vertikalen Skalen auf der Basis von luftgestützten Laserscanning-Vollwellen-Daten. In: Fernerkundung. 3, 2011, S. 503-523.
35. Hochspringen↑ R. Malinowski, B. Höfle, K. Koenig, G. Bräutigam, W. Schwanghart, G. Heckrath: Lokale angelegte Hochwasserkartierung auf bewachsenen Auen von radiometrisch kalibriert LIDAR – Daten. In: ISPRS Journal für Photogrammetrie und Fernerkundung. 119, September 2016, S. 267-279.
36. Hochspringen↑ Ursula Buck: Digitale Photogrammetrie und Laserscanning in der Forensik. Hochschule für Technik Stuttgart, 2006; abgeraufen am 24. Februar 2017 (PDF).
37. Hochspringen↑ Ursula Buck: Laserscanning in der Kriminalistik . In: Zeitschrift für Geodäsie, Geoinformation und Landmanagement . Band 135, Nein. 3, 2010, S. 190-198.