Effekten av redusert arealdekning av tilgjengelig beregningsceller på presisjonen til bonitetsestimat ved anvendelse av direkte metode for skogbonitering

Abstract

Rasjonell skogforvaltning krever nøyaktig og presis informasjon om skogen og skogmarka. Bonitet har vist seg å være en variabel som fastsettes med betydelig usikkerhet ved tradisjonelle skogbruksplantakster, i tillegg har de tradisjonelle boniteringsmetoder vært arbeidsintensive, og forutsatt at det gjøres omfattende feltarbeid. Fordi bonitet er en variabel som er svært sentral ved planlegging av skogbrukstiltak er den også knyttet til store nåverditap når den er tilknyttet usikkerhet. Noordermeer et al. (2018) presenterte to nye teknikker for bonitering av skog i Norge. Disse teknikkene – kalt «direkte metode» og «indirekte metode» – baserer seg på implementering av FLS-data og arealbasert metode for skogtaksasjon til å estimere bonitet. Ved bruk av den direkte metoden tilpasses modeller basert på laservariabler fra to forskjellige tidspunkt, og deretter predikeres bonitetsverdier for gridceller lagt over skogarealet som skal boniteres. Gjennomsnittsverdien av de predikerte verdien brukes som endelig estimat på skogens bonitet.

Fordi skoger er komplekse, dynamiske systemer vil det over tid oppstå forstyrrelser som kan påvirke trærnes overhøydeutvikling eller FLS-variablene som beregnes for skogarealet. Dette gjør at ikke alle gridceller egner seg for prediksjon av bonitet, som medfører at disse må tas ut før beregningene kan utføres. Det er foreløpig ikke kjent hvilken effekt dette uttaket av gridceller vil ha på bonitetsestimatet, og det er derfor dette var fokus for denne oppgaven.

For å studere effekten av redusert arealdekke av beregningsceller tilgjengelig til prediksjon ble det utført simulering av ulike nivåer av tilgjengelige beregningsceller. Dette ble gjort ved å først tilpasse modeller basert på laserdata fra to forskjellige tidspunkt (2010 og 2022). Det ble tilpasset modeller for prediksjon av H40-bonitet basert på disse variablene. Fordi det ble antatt stor innbyrdes variasjon mellom laservariablene ble det lagt ekstra vekt på å unngå multikollinearitet, samtidig som modellene skulle klare å forklare variasjonen i dataene på en god måte. Det ble testet to forskjellig modelleringsteknikker, mixed-effect modeller og treslagvsie modeller, for å se om det var noen forskjell mellom teknikkene. De tilpassede modellene ble brukt til å predikere bonitetsverdier innen grid lagt over enkelte bestand. Selve simuleringsprosessen besto av å trekke utvalg av ulik størrelse fra 5 % til 95 % i 5 % klasser (5 %, 10%, …,95 %). Det ble trukket 10 000 sampler for hver utvalgsprosent, og basert på utvalgsgjennomsnittene ble middelfeilen estimert for hvert bestand og hver utvalgsprosent. For å sjekke at antallet iterasjoner ble satt høyt nok til gi pålitelige estimater av middelfeilen ble det beregnet en variansstabiliseringskriterium basert på funn gjort av McRoberts et al. (2022). Fordi middelfeilen må antas å være avhengig av bonitetsvariasjonen innen bestand, ble det også treslagssammensetning og bonitetsvariasjonen beregnet for alle bestand.

Modelleringsteknikkene presterte svært likt, men de treslagvise modellene presterte marginalt bedre. Middelfeilen viste seg å avta med økende utvalgsprosent, der den avtok mest for små verdier av beregningsceller. Variansstabiliseringskriteriet viste at det bare ble utført nok iterasjoner i litt over halvparten av simuleringene, men i de tilfeller det ikke ble utført nok iterasjoner lå kriteriet svært nærme grensen som ble satt for å si at kriteriet var oppfylt. Fordi trenden til middelfeilutvikling var så tydelig, og fordi antallet iterasjoner måtte antas å ligge svært nære grensen, ble det allikevel antatt at resultatet ville blitt det samme dersom antallet iterasjoner hadde blitt økt.

Simuleringen ble utført med tilfeldige utvalg av gridceller, og tok derfor ikke hensyn til den romlige autokorrelasjonen som stort sett er til stede i romlige data. Det blir derfor gitt forslag til hvordan simuleringsarbeidet kan bli utført for å ta hensyn til dette ved en annen anledning.

Rational forest management requires accurate and precise information. Site index has been shown to be determined with considerable errors when it is estimated for use in forestry, in addition, the traditional methods are also very labor-intensive, and rely on extensive field work. Site index is a very important variable when planning for forestry measures, and it is linked to large net present value losses when it is associated with uncertainty. Noordermeer et al. (2018) presented two new techniques for assessing site index in Norwegian forests. These methods are called “direct method” and “indirect method”. The two methods are based upon implementation of ALS-data and the area-based approach used for forest assessment. The direct method uses models fitted to laser derived metrics from two different point in time to predict site index values for a grid tessellating the area to be assessed. The mean value of the cells is used as the final estimate of a stands site index.

Because forest are complex, dynamic systems, disturbances that can affect the trees height development or the laser derived metrics, will occur over time. The implication of which, is that not all grid cells are suitable for prediction of site index. The cells not suitable for prediction must be removed before the site index can be estimated. The effect of removing gridcells are currently not known, thus it was the main focus of this thesis.

To study the effect of reduced area coverage of cells suitable for prediction of site index, an intensive simulation was carried out for different levels of cells. This was done by first fitting linear regression models based on laser derived metrics from two point in time (2010 & 2022). It was assumed large multicollinearity between the derived metrics, thus extra care was taken to make sure the selected model concurred the principle of parsimony – that is, a model with enough complexity to explain the variance without being overfitted. Both mixed-effects models and species-specific models were fitted. The fitted models were used to predict the site index values of grids laid over selected stands. The simulation was conducted by randomly sampling 5 % up to 95 % of the gridcells in 5 % classes (5 % , 10 %, …, 95 %). 10 000 samples were randomly picked for each stand and each sampling fraction. The standard error of the mean value was calculated as the standard deviation of the 10 000-sample means. To check if the number of iterations in the simulation procedure was sufficient a variance-stabilization criterion after findings made by McRoberts et al. (2022) was calculated for each stand and sampling fraction. Because the standard error is assumed to be dependent on the site index variation within each stand, the tree species distribution and site index variability within each stand was calculated.

The standard error was shown to decrease with increasing sampling fraction, where the effect was largest for small fractions. Based on the variation-stabilization criterion it was concluded that the number of iterations was sufficient only in about half of the simulations. Though, in the cased where the criterion was not met, the criterium was quite close to the threshold. The effect of decreasing standard error with increasing sampling fractions was really pronounced, and it was assumed that the result would be the same, even if the number of iterations was to be increased.

The simulation was carried out with random sampling of grid cells; thus, it doesn’t account for the spatial autocorrelation that usually is present in spatial data. Suggestions are given for how the simulation can be carried out to account for the autocorrelation if the study is to be repeated.