Luftgestützte Laserscanning-Punktwolken werden landesweit zur Erstellung digitaler Oberflächenmodelle und weiterführend zur Ableitung von Informationen über Waldgebiete verwendet. Diese Aufnahmemethode gilt bis dato als state-of-the-art bei der Aufnahme, vor allem in bewaldeten Gebieten. Da diese jedoch in Österreich und Europa zwar regelmäßig, jedoch selten erstellt werden, ist die Modellierung basierend auf Airborne-Laserscanning-Daten (ALS) von Waldparametern in hoher zeitlicher Auflösung schwierig. Insbesondere die Ableitung von dynamischen Informationen wie Biomasse oder der Zustand eines Baumbestandes nach Umweltereignissen wie Unwettern oder Waldbränden beziehungsweise das Monitoring von Schutzgebieten erfordert relativ hohe zeitliche Auflösungen. Luftbilder und daraus abgeleitete bildbasierte Punktwolken bieten eine Alternative, Oberflächenmodelle zu erstellen. Diese Daten werden in kürzeren Intervallen aufgenommen, wie etwa jährlich in Wien oder flächendeckend für Österreich alle drei Jahre. Vor allem in Gebieten mit hoher Vegetationsbedeckung wie Wälder führen die beiden Modellansätze zu unterschiedlichen Höhenwerten. Das Ziel dieser Arbeit ist es, diese Unterschiede zu quantifizieren und Möglichkeiten zu eruieren, die Image Matching (IM) Modelle an die ALS Modelle anzunähern. Zur Entwicklung und Evaluierung eines solchen Prozesses zur Minimierung der Höhenunterschiede wurde ein Gebiet innerhalb des Wienerwaldes im Bereich des Lainzer Tiergartens ausgewählt. Zunächst wurden aus den gegebenen Punktwolken der beiden unterschiedlichen Verfahren topographische Modelle, wie das normalisierte digitale Oberflächenmodell (nDSM), abgeleitet und innerhalb einer eigens definierten Kronendach-Maske statistische Parameter für verschiedene Kernelgrößen des IM nDSM berechnet. Diese Parameter wurden zusammen mit der bekannten Abweichung zwischen dem ALS- und IM-Modell verwendet, um eine Random Forest Regression für die Erstellung eines Anpassungsmodells der IM an die ALS Daten zu trainieren. Die Validierung, durchgeführt anhand dreier separat definierter Gebiete, zeigt eine Annäherung der Höhenwerte an das als Referenz verwendete Laserscanning-nDSM innerhalb der mit Baumkronen überschirmten Flächen. Diese Verbesserung zeigt eine Annäherung der beiden Modelle von etwa 77% bezogen auf den Median der Abweichungen zwischen dem angepassten und dem gegebenen Modell gegenüber der Ausgangssituation. In langgezogenen Lücken im Kronendach stößt die in Python implementierte Regressionsfunktion an ihre Grenzen und ist daher nicht in der Lage, die im IM-Modell nicht erkennbaren Lücken in bewaldeten Gebieten adäquat an das Laserscanning-Modell an diesen Stellen anzupassen.