Seit etwa 15 Jahren bietet die LiDAR-Technologie (Light Detection and Ranging) der Archäologie zahlreiche neue Möglichkeiten, vor allem die der flächendeckenden Erfassung oberirdischer Bodendenkmäler in vegetationsreichen Gebieten. Eine Masterarbeit geht den Datenmengen und einem möglichst effizienten Einsatz in der Archäologie auf den Grund. Denn die systematische und effiziente Auswertung der digitalen Geländemodelle (DGM) stellt bei allem Erfolg immer noch ein Problem dar. Bis auf wenige Ausnahmen werden Verdachtsflächen manuell gesucht und markiert. Dies bringt eine Reihe von Problemen mit sich: Erstens die Abhängigkeit von der Visualisierung (dem DGM) selbst und zweitens der große Zeitaufwand. In Kooperation mit der LWL-Archäologie wurde daher im Rahmen einer Masterarbeit am Geographischen Institut der Ruhr-Universität Bochum eine Möglichkeit gesucht, die großen LiDAR-Datenmengen möglichst effizient auszuwerten und potenzielle Bodendenkmäler weitestgehend automatisiert zu erfassen.

Bei der entwickelten Methode kommt die Software eCognition zum Einsatz, die mit dem Konzept der objektorientierten Klassifikation automatisch nach Bodendenkmälern sucht. Am Ende der Erfassung liegen GIS-kompatible Verdachtsflächen vor, die der Interpretation bedürfen. Um diese ebenfalls zu erleichtern und zu beschleunigen, sind die Verdachtsflächen danach sortiert, wie sehr sie ihrem jeweiligen Idealtyp entsprechen. Auf diese Weise können die interessantesten Flächen zuerst begutachtet und uninteressante zunächst vernachlässigt werden.

Der Workflow ist in Form eines rulesets gespeichert, das sich in neuen Gebieten mit wenig Aufwand anwenden lässt. So entfällt das zeitaufwendige Erstellen der Prozesse und schnelle Analysen neuer Gebiete sind möglich. Die objektorientierte Klassifikation klassifiziert nicht einzelne Pixel, sondern homogene Bildbereiche (Objekte). Diese entsprechen den gesuchten Strukturen, besitzen statistische Eigenschaften und stehen untereinander in Beziehung. „Kleine, runde Objekte, die ausschließlich von niedrigeren Objekten umgeben sind“ repräsentieren beispielsweise Grabhügel.

Bodendenkmäler sind mit dem objektorientierten Ansatz nur begrenzt direkt in einem herkömmlichen DGM zu erfassen: Strukturen an Hängen bereiten Probleme, da die Objektgrenzen den Höhenstufen folgen und dort eben nicht den zu suchenden Strukturen. Deswegen wurde auf eine simple und schnell zu berechnende Visualisierung zurückgegriffen, die dieses Problem löst: Durch Subtraktion eines geglätteten vom originalen DGM ist in der Difference Map nur das Mikrorelief inklusive der möglichen Bodendenkmäler vorhanden – zudem liegt alles in der Ebene. Zur Berechnung dieser Visualisierung wurde ein auf den LWL zugeschnittenes GIS-Tool entwickelt, das vollautomatisch arbeitet.

Das beschriebene Verfahren wurde anhand von Motten, Grabhügeln, Wölbäckern in Testgebieten in Nordwest- und Ostwestfalen entwickelt. Die Ergebnisse zeigen, dass alle drei Bodendenkmaltypen grundsätzlich erfassbar und Trefferquoten von 90-100% – unter Berücksichtigung von Referenzdaten – möglich sind. Bei den Motten werden erfolgreich verschiedene Erhaltungszustände abgedeckt. Der bisher einzige ‚falsche‘ Treffer ist auf die verwendeten Parameter und/oder auf die Difference Map zurückzuführen und sieht außerdem einer Motte recht ähnlich.

Die Grabhügel geben ein sehr diffuses Bild ab. Es zeigt sich, dass die Erfassungsgenauigkeit besonders stark vom Erhaltungszustand und den Klassifikationseinstellungen abhängt. Außerdem gibt es viele natürliche und anthropogene Strukturen, die Grabhügeln sehr ähnlich sehen. Trotz der Schwierigkeiten wurden bereits bisher unbekannte Grabhügel gefunden und in manchen Gebieten sehr gute Trefferquoten erzielt.

Bei den Wölbäckern ist das Ergebnis besser als erwartet. Gerade in flachem Gelände zeigt sich, dass die Klassifikation gut funktioniert. Es ist dabei fraglich, inwieweit ‚falsche‘ Treffer durch Anpassungen des rulesets vermieden werden können, da sie Wölbäckern sehr ähnlich sehen. An Hängen mit hangparallelen Wegen zeigen sich beispielsweise Probleme, da beim Entfernen des Makroreliefs Strukturen entstehen, die in der Difference Map Wölbäckern sehr ähnlich sehen.

Die Qualität der Klassifikation hängt also von mehreren Faktoren ab, insbesondere dem Erosionsgrad der Strukturen, der Überprägung des Testgebietes durch den Menschen, den Klassifikationseinstellungen in eCognition und schließlich auch der Datenqualität. Auch die Anzahl identisch aussehender Strukturen natürlichen und anthropogenen Ursprungs spielt eine Rolle.

Bisher konnte lediglich ein erster Eindruck der Möglichkeiten des Verfahrens erlangt werden. Zukünftig könnte daher einerseits die Qualität der Klassifikation und andererseits der Grad der Automation erhöht werden, was die Methode für größere Untersuchungsgebiete interessant machen würde.

Fabian Meyer