Estimering av sagtømmerandel ved hjelp av flybåren laserskanning

Abstract

Flybåren laserskanning er den mest brukte metoden for å kartlegge skogressurser i dagens skogbruk i Norge. For å kunne drive et rasjonelt skogbruk er man avhengig av å vite mest mulig om de ressurser som står tilgjengelig. Detaljert beskrivelse av volum, middel-høyde, antall trær og grunnflatesum er eksempler på informasjon estimert med flybåren laserskanning. Det kreves fortsatt manuelle prøveflatetakseringer i felt for å kalibrere laserdataene, dette er både tidkrevende og dyrt. Det finnes lite informasjon om tømmerkvalitet eller et estimat for sagtømmer i skogbruksplaner. Marginene i skogbruket blir stadig lavere, og behovet for mer presis informasjon om hvilke ressurser som er tilgjengelig er viktig for å kunne utnytte dem på best mulig måte. I denne studien har det blitt gjort et forsøk på å modellere sagtømmerandel og klassifisering av andelen sagtømmer ved hjelp av flybåren laserskanning. Modellene ble laget og testet med feltdata i form av produksjonsfiler som referansedata til flybåren laserskannerdata. Feltdata ble innhentet av en hogstmaskin i kommersiell drift. Hogstmaskinen ble utstyrt med ekstra posisjoneringsutstyr som logget nøyaktig posisjon til hogstmaskinaggregatet til enhver tid, ved felling ble posisjonen lagt inn som en egen parameter i produksjonsfilen. Feltdata ble delt opp i virtuelle prøveflater på 100m², 200m² og 400m², og sagtømmerandelene for prøveflatene ble beregnet. Det ble brukt laserdata med forskjellig punkttetthet, for å se om dette ville gjøre utslag i modellen. Det ble brukt to laserdatasett med 0.7 punkter pr. m² og 2 punkter pr. m². Random Forest ble brukt til å utvikle modeller for estimering og klassifisering av sagtømmerandel, modellene utviklet med Random Forest ble deretter kryssvalidert. Modellen klarte å estimere sagtømmerandel med en RMSE (Root mean square error) på 0.14 og RMSE% på 29.4. RMSE var generelt lavest for de modellene som ble kjørt på 400m² prøveflater. Det ble påvist stor forskjell i forhold til prøveflatestørrelse i modellene, der de mindre prøveflatene gå liten eller ingen sammenheng mellom sagtømmerandel og laserdata. Det var liten forskjell i forhold til punkttettheten i laserdata med 0.7pkt/m² og 2pkt/m². Det ble forsøkt å klassifisere datasettet i to klasser; under eller over 50% sagtømmer. Ved klassifisering med klasser på over eller under 50% sagtømmer viste den beste modellen en gjennomsnittsfeil på 28.8%. Det ble funnet en moderat sammenheng mellom sagtømmerkvalitet og laserdata. Modellene kan hjelpe en beslutningstaker i skogbruket med å prioritere riktig bestand for avvirkning.

Airborne laser scanning is the most commonly used method for mapping forest resources in today's forestry in Norway. In order to have a rational forestry, we are dependent on knowing the resources available. Detailed description of volume, mean height, number of trees and basal area are examples of information estimated with airborne laser scanning. There are still required manual sample plot inventories in the field to calibrate laser data, this is both time consuming and expensive. There is little information about timber quality or an estimate of sawlog volume in forest inventories. Forestry margins are getting lower and the need for more precise information about what resources are available is important in order to exploit them in the best possible way. In this study, an attempt has been made to model the sawlog proportion and classify the proportion of logs by means of airborne laser scanning. The models were created and tested with field data in the form of production files as reference data for airborne laser scanner data. Field data was obtained by a harvester in a commercial operation. The harvester was equipped with additional positioning equipment which logged the exact position of the harvester head at any time. By felling a tree, the position was entered as a separate parameter in the production file. Field data was divided into virtual test areas of 100m², 200m² and 400m² plots, and the sawlog proportions for the test plots were calculated. Laser data with different density was used to see if this would change result in the model. Two laser data sets were used with 0.7 points per m² and 2 points per m². Random Forest was used to develop models for estimation and classification of the sawlog share, models developed with Random Forest were then cross validated. The model was able to estimate the sawlog share with an RMSE (Root mean square error) of 0.14 and RMSE% of 29.4. RMSE was generally the lowest for the models that were run on 400m² plots. A significant difference was observed in relation to the sample plot size in the models, where the smaller plots leave little or no correlation between sawlog proportions and laser data. There was a slight difference in the density of laser data with 0.7pkt/m² and 2pkt/m². There was an attempt to classify the data set into two classes; Below or above 50% sawlog. When classified with classes above 50% or less, the best model showed an average error of 28.8%. A moderate relationship between sawlog quality and laser data was found. The models can help a decision maker in the forestry to prioritize the correct stand for harvest.