Ein wesentlicher Forschungsbeitrag ist die Einführung von Conditional Random Fields zur kontext-basierten und punktweisen Klassifizierung von luftgestützten Laserscannerdaten. Die Klassifizierung unter Berücksichtigung von Kontextwissen wird innerhalb eines einheitlichen wahrscheinlichkeitstheoretischen Ansatzes durchgeführt. Die Erweiterung des Kontextterms innerhalb der CRFs unter Einbezug der Merkmale ist nicht auf die Detektion von Vegetation beschränkt, sondern universell anwendbar auf Punktdaten, in denen mehrere Objektklassen unterschieden werden. Eine gesamte Punktwolke lässt sich in einem Zug in unterschiedliche Objekte klassifizieren, wobei die typischen Beziehungen von Klassenübergängen antrainiert werden und zur Verbesserung der Ergebnisse beitragen. Insbesondere Details und kleine Objekte wie z.B. junge Bäume oder Hecken lassen sich auf diese Weise besser detektieren. Das komplexe Interaktionsmodell berücksichtigt die gemeinsame Wahrscheinlichkeitsdichte zweier benachbarter Punkte in Abhängigkeit ihrer Klassenlabel. Dies ist gerade bei der Verwendung von vielen (multiskalaren) Merkmalen, die im Rahmen dieses Projekts verwendet werden, mit dem Lernen einer sehr großen Anzahl von Gewichten bei den linearen Modellen zur Berechnung der Potentiale verbunden. Durch die Verwendung von einem Random Forest Klassifikator lässt sich dieses Problem umgehen. Experimente haben eine genauere und deutlich schnellere Klassifikation gezeigt. Durch die Random Forest werden Klassen mit wenigen Punkten nochmals besser detektiert. Insgesamt wurde somit die Grundlage geschaffen, um Vegetation in städtischen Gebieten zu erkennen und von anderen Klassen zu unterscheiden. Wegen der Wechselwirkungen von Vegetation und anderen Klassen, z.B. der Verformung eines Baumes aufgrund eines Hausdaches, ist die Unterscheidung in eine Vielzahl von Klassen sinnvoll.