Vis enkel innførsel

dc.contributor.advisorGobakken, Terje
dc.contributor.advisorØrka, Hans Ole
dc.contributor.authorIversen, Erik Armand
dc.coverage.spatialNorwayen_US
dc.date.accessioned2020-09-30T12:02:43Z
dc.date.available2020-09-30T12:02:43Z
dc.date.issued2020
dc.identifier.urihttps://hdl.handle.net/11250/2680527
dc.description.abstractThe forest is an important renewable resource in a sustainable bioeconomy. Yearly, fungal decay causes economical losses that exceed 100 million NOK within the Norwegian forest sector. Root and butt rots are the main contributors and Heterobasidion spp. and Armillaria spp. are the most common fungi registered. Norway spruce (Picea abies (L.) Karst.) is Norway’s most significant commercial tree species and is especially exposed to infections from pathogenic fungi. It is estimated that one out of four spruce trees is infected at final felling. Infected trees are difficult to map over large areas as they show few external symptoms, and only manual methods currently exist. With future climate change, the extent of the damage is expected to increase, and new methods need to be developed which can detect rot with high accuracy over large areas. The spectral signature of trees can reveal information about plant health and laser data can be used to segment individual trees. A combination of airborne hyperspectral images and laser scanning was used to develop logistic regression and random forest models capable of predicting rot in spruce. Laser data were used to create individual tree crowns (ITC) from which hyperspectral pixels were extracted. The visible, near-infrared (NIR) and infrared (IR) parts of the electromagnetic spectrum were analyzed (400-2500 nm) with data from a VNIR and SWIR sensor. There were partial significant differences between healthy and infected trees in the spectrum, but a defined rule to separate them was difficult to establish. Additionally, significant wavelengths are not easily comparable with similar studies, as many factors can affect the hyperspectral images. Significant wavelengths from all parts of the analyzed spectrum were incorporated into the models. Mean prediction accuracy was 63%, which is a modest improvement from previous research. The inclusion of laser data did improve the results, but the implementation needs to be further addressed. As continuous advances within hyperspectral sensors are made, the combination of airborne hyperspectral images and laser scanning to detect rot in spruce forests with high accuracy is promising.en_US
dc.description.abstractSkogen er en viktig fornybar ressurs i en bærekraftig bioøkonomi. Årlig forårsaker råteskader økonomiske tap som overstiger 100 millioner NOK innenfor den norske skogsektoren. Rotråte er den største bidragsyteren hvor Heterobasidion spp. og Armillaria spp. er de vanligste råtesoppene registrert. Gran (Picea abies (L.) Karst.) er Norges viktigste kommersielle treslag og er spesielt utsatt for angrep fra råtesopper. Det er estimert at en av fire grantrær er infisert ved slutthogst. Det er vanskelig å kartlegge infiserte trær ettersom de viser få eksterne symptomer, og det eksisterer kun manuelle metoder foreløpig. Med framtidige klimaendringer er det forventet at omfanget av skadene kommer til å øke, og det er behov for å utvikle nye metoder som kan detektere råte med høy nøyaktighet over større områder. Spektralsignaturen til et tre kan avsløre informasjon om plantehelse og laser data kan benyttes til å segmentere individuelle trær. En kombinasjon av flybåren hyperspektrale bilder og laserskanning ble benyttet til å utvikle logistisk regresjon og random forest modeller. Laser data ble brukt til å lage individuelle trekroner (ITC) som hyperspektral piksler ble ekstrahert fra. De synlige, nær infrarød (NIR) og infrarøde (IR) delene av det elektromagnetiske spekteret ble analysert (400-2500 nm) med data fra en VNIR og SWIR sensor. Delvis var det signifikante forskjeller mellom friske og infiserte trær i spekteret, men en definert regel for å skille mellom disse var vanskelig å etablere. Videre er signifikante bølgelengder lite sammenlignbare med lignende studier ettersom mange faktorer kan påvirke hyperspektrale bilder. Signifikante bølgelengder fra alle deler av det analyserte spekteret bli inkorporert i modellene. Gjennomsnittlig prediksjonsnøyaktighet var 63% som er en beskjeden forbedring fra tidligere forskning. Inkluderingen av laser data førte til en forbedring av resultatene, men implementering må adresseres ytterligere. Kontinuerlige fremskritt innen hyperspektrale sensorer gjør at kombinasjonen av flybåren hyperspektrale bilder og laserskanning til å detektere råte i granskog med høy nøyaktighet ser lovende ut.en_US
dc.language.isoengen_US
dc.publisherNorwegian University of Life Sciences, Åsen_US
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internasjonal*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.no*
dc.subjectArmillaria sppen_US
dc.subjectHeterobasidion sppen_US
dc.subjectALSen_US
dc.titleDetection of root and butt rot in Norway Spruce (Picea Abies) using airborne hyperspectral images and laser scanningen_US
dc.typeMaster thesisen_US
dc.subject.nsiForestryen_US
dc.source.pagenumber58en_US
dc.relation.projectNFR Project No. 281140en_US
dc.description.localcodeM-SFen_US


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel

Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal
Med mindre annet er angitt, så er denne innførselen lisensiert som Attribution-NonCommercial-NoDerivatives 4.0 Internasjonal