Algorithmische Rekonstruktion von Baumstrukturen

Kontext:

Terrestrische Laserscanner ermöglichen die hochauflösende Erfassung von Bäumen als Punktwolken. Open-Source-Werkzeuge wie SimpleTree transformieren diese Daten in sogenannte Quantitative Structure Models – zylinderbasierte Approximationen von Stamm- und Astsegmenten.
Diese Modelle beschreiben Geometrie: Position, Länge, Durchmesser und Richtung einzelner Segmente. Was sie nicht explizit enthalten, ist Struktur.
Ein Baum ist jedoch kein loses Aggregat von Zylindern, sondern ein hierarchisch organisiertes, gerichtetes System. Zwischen zwei Segmenten besteht entweder eine strukturelle Beziehung – oder keine. Diese Information fehlt.
PruneBridge setzt genau an dieser Schnittstelle an.

Prozess & Challenge:

Der Kern des Projekts liegt in der Übersetzung von Geometrie in Topologie. Geometrie beschreibt Koordinaten und Winkel. Topologie beschreibt Verbindungen, Knoten, Richtung und Hierarchie.

Zunächst werden fehlorientierte Segmente automatisch erkannt und korrigiert, sodass eine konsistente Flussrichtung vom Stammfuß zur Baumkrone entsteht. Anschließend werden strukturelle Knoten identifiziert, indem Endpunkte innerhalb definierter Toleranzen zusammengeführt werden. Lose Enden werden analysiert, projiziert und – wenn geometrisch plausibel – verbunden. Erst nachdem eine stabile Knoteninfrastruktur etabliert ist, erfolgt die hierarchische Klassifikation in Stamm, Äste und Zweige. Diese Umkehrung – Topologie vor Hierarchie – erwies sich als robuster gegenüber Scanartefakten und Segmentfehlern.
Neben der geometrischen Rekonstruktion stand insbesondere ein technischer Schwerpunkt im Vordergrund: die Arbeit mit Schnittstellen zwischen unterschiedlichen Programmen, Systemen und Datenformaten. Die Pipeline reichte von TLS-Scans über QSM-Modelle bis hin zur Weiterverarbeitung in Rhino/Grasshopper und einer eigenständig entwickelten Python-Struktur.

Das Projekt war zugleich eine intensive Auseinandersetzung mit Python als Werkzeug.
Der Code umfasst ca.700 Zeilen und läuft in mehreren Stufen mit starker Datenabhängigkeit. Es gibt 15 Funktionen und 33 Debugging-Ausgaben im Code. Statusanzeigen, Fehlererkennungn und Überprüfung von Berechnungen während der Laufzeit.
Ein wesentlicher Bestandteil des Prozesses war dabei das strukturierte Arbeiten mit KI-gestützter Unterstützung. Die Erarbeitung komplexer Programmierlogiken und Datenstrukturen erfolgt im akademischen Kontext oft autodidaktisch und stößt selbst bei engagierter Betreuung an Grenzen. Durch den gezielten Einsatz von KI als Sparringspartner konnten Syntax, Architekturentscheidungen und Datenflüsse iterativ reflektiert, überprüft und weiterentwickelt werden.

Synthese:

PruneBridge ist kein weiteres Rekonstruktionswerkzeug für Punktwolken. Es ist ein strukturelles Interpretationssystem. Während SimpleTree organische Formen geometrisch approximiert, rekonstruiert PruneBridge die implizite Logik dieser Struktur – als gerichtetes, graphbasiertes Baum-Modell
Die eigentliche Lernleistung lag über dem Schreiben und vor allem Entwerfen, Implementieren und Strukturieren der einzelner Funktionen im Aufbau eines nachhaltigen Workflows: Probleme strukturieren, Hypothesen formulieren, Codes testen, evaluieren und systematisch weiterentwickeln. Dieser methodische Zugang zur algorithmischen Arbeit stellt rückblickend einen der nachhaltigsten Lernerträge des Projekts dar.
Das Projekt steht exemplarisch für systemisches Denken über Softwaregrenzen hinweg. Es verbindet algorithmische Präzision mit strukturellem Verständnis und zeigt, wie aus digitalen Fragmenten ein konsistentes, lesbares System entstehen kann.
Nicht das einzelne Segment ist entscheidend – sondern die Beziehungen zwischen ihnen.