Bruk av hogstmaskindata som referansedata ved ressurskartlegging av salgbart volum og sagtømmervolum

Abstract

Oversikt over skogens ressurser og tilstand er en viktig forutsetning for å drive rasjonelt skogbruk. En skogbruksplan er en viktig kilde til slik informasjon, og gir grunnlag for fremtidig skogbruksplanlegging. Siden 2000-tallet har den dominerende og mest kostnadseffektive måten å lage skogbruksplaner på vært ved å bruke Flybåren Laser Skanning (FLS). Data fra FLS vist seg å være svært nyttig innen skoginventering og ressurskartlegging, for eksempel for estimering av volum. En stor del av kostnaden ved FLS er forbundet med manuelle prøveflatetakseringer, som er nødvendige for å ha referansedata til å kalibrere laserdataene. I nyere tid har det blitt sett på muligheten for å erstatte de manuelle feltmålingenge, med nøyaktige posisjonerte hogstmaskindata. Det er lite informasjon i dagens skogbruksplaner om kvalitet på tømmervolumet. Selv om informasjon om sagtømmervolum er avgjørende for å ta riktige og lønnsomme beslutninger, finnes det i dag lite av denne informasjon i en skogbruksplan. Hovedmålet i denne oppgaven var å undersøke om hogstmaskindata fra hogstmaskin i kommersiell drift, kan brukes som referansedata for å predikere totalvolum og sagtømmervolum for geografien maskinen arbeider i. Random Forest (RF), K nearest neigbour (Knn) og lineær modellering (LM) ble brukt for å modellere og predikere sagtømmer og totalvolum ved bruk av hogstmaskin data og FLS data. Den såkalte Enhanced area based approach (EABA) ble brukt for å redusere kanteffektene. Modelleringsteknikkene ble vurdert etter Root Mean Squared Error Prosent (RMSE%), i tillegg til gjennomsnitt, standardavvik og maks feil i estimert volum. En hogstmaskin som går i kommersiell drift ble brukt for å samle inn referansedata. Maskinen var utstyrt med ekstrautstyr som ga nøyaktig posisjonering på hogde trær. For totalvolum ble verdier av RMSE% = 39% (RF), 48% (Knn) og 46% for LM oppnådd, mens for sagtømmervolum ble verdier på 64% (RF), 77% (Knn) og 71% for LM oppnådd. Feil på cellenivå utjevnet hverandre, og med gjennomsnittlige feil på – 3,5 m3/ha (RF), 6,11 m3/ha (Knn) og 0,57 m3/ha (LM) for totalvolum. Gjennomsnittlig feil for sagtømmervolum ble -2,24 m3/ha (RF), 1,68 m3/ha (Knn) og -0,08 m3/ha (LM). Gjennomsnittlig feil for både sagtømmervolum og totalvolum anses svert lav. Denne oppgaven demonstrerer en ny og praktisk tilnærming på bruk av hogstmaskindata innen FLS-basert skoginventering. Lav gjennomsnittlig feil tyder på at nøyaktige bestandsestimater kan oppnås. Dette indikerer at det finnes en mulighet for at hogstmaskindata i fremtiden helt eller delvis erstatte manuelle feltmålinger.

An overview of the forest resources and condition is an important prerequisite for sustainable forest management. A forest management plan is a key source for this type of information, and is the basis for future forest planning. Since the 2000s, the dominant and most cost efficient way of carrying out forest inventories has been the use of Airborne Laser Scanning (ALS). Data from ALS have proven to be very useful within forest inventory and resource planning. Much of the costs tied to the use of ALS is associated with laborious field work, which is required to gather reference data used to calibrate the ALS data. In recent times, the opportunity of replacing the laborios field work with accurate positioned harvester data has shown promising. There is little information in today`s forest inventory plans about timber quality such as saw timber. Information about the saw timber volume is crucial to make correct and profitable decisions. However, it exists little of this information in a forest management plan. The main goal in this thesis is to investigate if harvesterdata from a harvester in commercial operation, can be used as referance data to predict total volume and sawtimbervolume for the region it is working in. Random Forest (RF), K-nearest neighbor (Knn) and linear modeling (LM) were used to model and predict saw timber and total volume with the use of harvester data and ALS. The method Enhanced Area Based Approach (EABA) was used to reduce the edge effects. The modelling techniques were assessed according to Root Mean Squared Error Percentage (RMSE%), plus mean, standard deviation and maximum error in estimated volume. A harvester in commercial use, was used to collect reference data. The machine was equipped with accessories that provided the exact (<1m) position of harvested trees. The RMSE% values for total volume was 39% (RF), 48% (Knn) and 46% (LM) achived, while saw timber volume got an RMSE% på 64% (RF), 77% (Knn) and 0.57 (LM). Errors at cell level equalized each other and mean errors were -3,5 m3 /ha for (RF), 6,11 m3 /ha (Knn) and 0,57 m3 /ha (LM) for total volume. The average error for sawn timber volume was -2,24 (RF), 1,68 (Knn) and -0,08 with LM. Mean error for both sawn timber and total volume is considered very low. This thesis demonstrates a new and practiacal approach to use of harvester data within ALS based forest inventory. Low average errors indicate that accurate stock estimates can be obtained. This may indicate that harvester data can partly or completely replace manual field work.