Bruk av flybåren hyperspektral sensor for påvisning av råte i stående granskog (Picea abies)

Abstract

Det økonomisk viktigste treslaget i Norge er gran (Picea abies (L.) Karst.). Kvaliteten på tømmeret er en avgjørende faktor for det økonomiske utbytte en skogeier vil få fra skogen. Råte er en skadegjører som påvirker den økonomiske verdien av tømmerstokken. Rotkjuke (Heterobasidion parviporum) er den vanligste råten som infiserer gran, den utvikler seg som en kronisk innråte. Råten brer seg i tillegg oppover i stammen, hvor den kan nå høyder på opptil 12 meter. Et tre under angrep vil i liten grad ha ytre symptomer, men skranting av kronen og klorose kan forekomme. Mangel på symptomer gjør det utfordrende å påvise råte i stående skog, og omfanget i et bestand er ofte usikkert. Det vil derfor være av stor interesse å kunne påvise råte eller områder med råte i et bestand. I denne studien har jeg undersøkt hvorvidt hyperspektrale data kan benyttes for å påvise råte i gran. Hyperspektrale sensorer montert på fly registrerer en reflektert elektromagnetisk stråling på pikselnivå for det avbildede området. Radiansen registreres i et stort antall nærliggende bånd i et spekter. T-tester viser at det for enkelte båndintervaller er signifikante forskjeller i den registrerte radiansverdien for friske trær og trær med råte. Men denne forskjellen ble ikke observert i alle bestand. Dette kan indikere at det også er andre faktorer som påvirker den registrerte radiansverdien. Det ble tilpasset to modeller for klassifisering av råte ut i fra hyperspektrale data; en logistisk regresjonsmodell og en Random Forest modell. Samlet for hele datasettet leverte den beste modellen en nøyaktighet på 59 % og Cohens kappa på 0,1. Random Forest tilpasset enkeltbestand viste et annet resultat, for enkeltbestand ble det observert nøyaktigheter opp mot 71 %, men også ned til 51 %. Det viser seg at det er variasjoner i hvor godt modellen presterer på enkelte lokaliteter.

Norway spruce (Picea abies) is the most important commercial tree species in Norway. The quality of the sawn wood is of great importance regarding economical exploitation of the forest resource. In Norway, the pathogen that causes the most damage is Heterobasidion parviporum. This a root and butt rot that mainly affects Norway spruce in Norway. The rot often presents itself as chronic, develops internally and can reach heights up to 12 meters. An infected tree is hard to detect externally, as there are few if any external symptoms. However, signs of infection can be abnormal needle growth, discoloration and thin crown. The lack of external symptoms makes estimation of the amount of rot in an area difficult. Such information would be of great importance for the forest owner or decision maker. In this study, I have assessed the potential of using a hyperspectral scanner to detect the presence of root rot in forest stands. Hyperspectral sensors are known for their high spectral resolution, with over one hundred narrow bands describing the electromagnetic spectrum. T-tests used to discriminate the radiance value of trees with and without root rot showed a significant difference between the two. However, this difference was not observed in all stands indicating that there may be other factors influencing the obtained spectral signature. Two models were fitted to predict the abundance of rot in areas covered by hyperspectral images. The models were fitted using stepwise logistical regression and Random Forest. The Random Forest model delivered an accuracy of 59 % and a Cohen’s Kappa of 0.1. The Random Forest model was also fitted each stand individually, the model delivered accuracies ranging from 51-71 %. This shows that there are some differences in how well the model performs fitted to different stands and locations.