Ez a disszertáció három szoros összefüggésben lévő témakört ölel fel, amelyek célja új erdészeti eszközök kifejlesztése. Ezek a különböző légi és földi lézer-szkennelt adatok feldolgozását, illetve elemzését segítik. Az első téma egy új egyedfacsúcs detektáló (angolul Individual Treetop Detection) módszert mutat be, amely alacsony pontsűrűségű LiDAR adatokból származó raszter-alapú Canopy Height Modellt használ. Az algoritmus magja a Growing Tree Region koncepció, és célja a fakorona csúcsának pontos lokalizálása különböző erdőtípusokban. A módszer különböző szerkezetű és sűrűségű erdőkben volt tesztelve (a német Hardtwald és Bretten, valamint a debreceni Nagyerdő erdeiben). Az algoritmus hatékonyságát a legelterjedtebb raszter-alapú egyedfacsúcs technikával, a lokálos maxima (angolul Local Maxima) keresővel kombinált variálható ablak szürő (angolul Variable Window Filtering) módszerrel hasonlítottam össze és számos különböző kiértékelési metrikát alkalmaztam (matching rate, extraction rate, commission rate, omission rate, mean absolute error). Az egyedfacsúcs detektáló módszer egy R csomagban, a TREETOPS-ban lett megvalósítva. A második téma egy a fa ágtiszta törzsmagasság (angolul Crown Base Height) lokalizálására szolgáló módszert kínál, amely nagy pontsűrűségű lézer-szkennelt-pontfelhő adatokat dolgoz be. Az előzőleg az egyedfacsúcs-detektáló által szegmentált egyedfa-pontfelhők képezik az beviteli alapot az ágtiszta törzsmagasság-lokalizáló eszközhöz. Ezt szintén egy R csomagban, treecbh néven valósítottam meg. Ez az eszköz automatikusan végzi el a fatörzs és a hozzá tartozó alsó ágak detektálását, amelyhez a treeiso nevű hierarchikus-grafikus egyedfa-szegmentáló eszközt használja. A treecbh a lézer fapontfelhők automatikus feldolgozását teszi lehetővé, és a TREETOPS-hoz hasonlóan Hardtwald, Bretten és Nagyerdő erdeiben voltak tesztelve. A fa ágtiszta törzsmagasság meghatározásának pontossága erdőleltározási adatokkal való összehasonlítással is alátámasztásra került. A törzsmagasság-lokalizátor három beállítási lehetőségét: az egyedfa szegmentálás nélkülit, az alapértelmezettet és az interaktív-vizuálisat teszteltem és kiértékeltem. Ezen kívül, egy pontsűrűség érzékenységi vizsgálat keretén belül a treecbh-ba való beviteli fapontfelhő optimális pontsűrűségét is meghatároztam. A harmadik téma a diszkrét Morse elmélet alkalmazására épül és jelenleg fejlesztés alatt áll. Ez egy új módszert kínál egyedfa elkülönítésére nagy sűrűségű földi lézer-szkennelt adatok alapján. Ennek a módszernek az első lépése az egyedfatörzs lokalizálása és elkülönítése. Ehhez a Wytham Woods erdejében (Oxfordshire, Egyesült Királyság) gyűjtött földi lézer-szkennelt adatokat használtam, és az egyedfatörzs felismerésére egy új algoritmust fejlesztettem ki. Ez disszertáció új, hatékony eszközöket és módszereket mutat be a lézer-alapú erdészeti adatfeldolgozás területén, különös tekintettel a raszter-alapú egyedfatörzs pontos lokalizálására, a fa ágtiszta törzsmagasság meghatározására, valamint az egyedfatörzs lokalizálására és elkülönítésére. Az alkalmazott algoritmusok és eszközök nemcsak a kutatás, hanem az erdőgazdálkodás, erdőleltározás és az erdészeti megfigyelés területén is jelentős előrelépést jelenthetnek, különösen a különböző pontsűrűségű légi és földi lézer-szkennelt adatok kombinált vagy egyedi hatékony feldolgozásában.

This dissertation encompasses three closely related topics aimed at developing new forestry tools. These assist in the processing and analysis of various aerial and terrestrial laser-scanned data. The first topic presents a new Individual Treetop Detection method, which uses a raster-based Canopy Height Model derived from low point density LiDAR data. The core of the algorithm is the Growing Tree Region concept, and its aim is to accurately localize the tree crown peak in different forest types. The method was tested in forests with different structures and densities (in the German Hardtwald and Bretten, as well as in the Nagyerdő forest in Debrecen). I compared the efficiency of the algorithm with the most common raster-based individual tree top techniques, using the local maxima search combined with the variable window filtering method, and applied several different evaluation metrics (matching rate, extraction rate, commission rate, omission rate, mean absolute error). The individual tree top detection method was implemented in an R package called TREETOPS. The second topic offers a method for localizing the Crown Base Height of trees, which processes high point density laser-scanned point cloud data. The individual tree point clouds segmented by the individual tree top detector previously form the input basis for the crown base height localization tool. I also implemented this in an R package called treecbh. This tool automatically detects the trunk and the associated lower branches, using the hierarchical-graphical individual tree segmentation tool called treeiso. The treecbh enables the automatic processing of laser point clouds and, similar to TREETOPS, has been tested in the forests of Hardtwald, Bretten, and Nagyerdő. The accuracy of determining the clean trunk height of the tree was also supported by a comparison with forest inventory data. I tested and evaluated the three settings of the trunk height locator: the individual tree without segmentation, the default, and the interactive-visual. In addition, within the framework of a point density sensitivity analysis, I also determined the optimal point density for the input point cloud into the treecbh. The third topic is based on the application of discrete Morse theory and is currently under development. It offers a new method for the separation of individual trees based on high-density ground laser-scanned data. The first step of this method is the localization and separation of the individual tree trunk. For this, I used ground laser-scanned data collected in Wytham Woods (Oxfordshire, United Kingdom) and developed a new algorithm for individual tree trunk recognition. This dissertation presents new, efficient tools and methods in the field of laser-based forestry data processing, with particular emphasis on the precise localization of raster-based individual tree trunks, the determination of tree clean trunk height, and the localization and separation of individual tree trunks. The applied algorithms and tools can represent significant advancements not only in research but also in forestry management, forest inventory, and forest monitoring, particularly in the effective processing of combined or individual airborne and terrestrial laser-scanned data with varying point densities.