Identifisering og beskrivelse av livsløpstrær med flybåren laserskanning
Master thesis
Permanent lenke
https://hdl.handle.net/11250/3148307Utgivelsesdato
2024Metadata
Vis full innførselSamlinger
- Master’s theses (MINA) [761]
Sammendrag
Livsløpstrær, både levende og døde, er svært viktig for biodiversitet og fungerer som mikrohabitater for flere sjeldne og rødlistede arter i Norge. Fra 2023, når den nyreviderte PEFC Skogstandarden trådte i kraft, ble det ilagt et krav om at livsløpstrær må kartfestes. Flybåren lasertakst har vist seg lovende innenfor enkeltreidentifisering (ITD) og utgjør dermed et stort potensiale for kartfesting av livsløpstrær. I tillegg er det mulig å klassifisere trærne inn i treslagskategorierer basert på ulike variabler beregnet fra den romlige informasjonen og intensiteten av laserpulsene. I kombinasjon med multispektrale bilder kan man bruke beregne variabler fra fargebånd fra det elektromagnetiske spekteret og øke klassifiseringen ytterligere.
Det ble innhentet informasjon om 900 unike enkelttrær, fordelt på 29 bestand. På forhånd var det taksert med FLS med lasersensoren Riegl VQ1560II-S over området og samtidig tatt multispektrale bilder med kameraet 0110 – UC Osprey 4.1. Trekroner ble segmentert med ITD, undervegetasjon ble filtrert med en tilpasset vegetasjonsgrense per bestand og deretter klassifisert inn i treslagskategoriene gran (Picea abies (L.) Karst.) , furu (Pinus sylvestris L.), osp (populus tremula L.) og bjørk (Betula pendula L., Betula pubescens L.) og andre lauvtreslag samt døde trær med maskinklæringsalgoritmen Random Forest. Til slutt ble diameterprediksjon på enkelttrenivå og volumprediksjon på bestandsnivå evaluert for korrekt klassifiserte treslag.
Den sammenlagte identifiseringsgraden oppnådde 53.6% (F1-score: 0.52) når alle trær ble inkludert i analysen. Det var derimot store mengder commision og omission, som følge av utfordringer knyttet til identifisering av lavere trær i grupper, døde trær og høgstubber. Treslagsklassifiseringen oppnådde høyest sammenlagt nøyaktighet på 61.1 % når prediksjonsvariabler beregnet fra både FLS- og spektraldata ble brukt. De sammenlagt viktigste variablene for klassifiseringsnøyaktigheten til modellen var henholdsvis grønn normalisert differanse-vegetasjonsindeks (GNDVI) og normalisert differanse-vegetasjonsindeks (NDVI). Gran, furu, osp samt bjørk og lauv oppnådde beste RMSE på henholdsvis 5.54 cm, 11.61 cm, 11.83 cm og 8.98 cm. Volumprediksjonen oppnådde en RMSE på 5.2 m3 og m3 for henholdsvis korrekt klassifiserte og klassifiseringer inkludert feilklassifiseringer. Det var betydelige mengder av underprediksjon av diameter, som fulgte volumprediksjonen. Retention trees, both living and dead, are highly important for biodiversity and serve as microhabitats for several rare and red-listed species in Norway. Since 2023, when the newly revised PEFC Forest Standard came into effect, a requirement to map lifetrees became a demand. Airborne laser scanning has shown promise in individual tree detection (ITD) and thus represents significant potential for retention tree mapping. Additionally, it is possible to classify the trees into tree species categories based on various variables calculated from the spatial information and the intensity of laser pulses. In combination with multispectral imagery, calculated variables from color bands from the electromagnetic spectrum can be used to further enhance the classification.
Data were collected for 900 unique individual trees distributed across 29 stands. Prior to this, the area was surveyed using airborne laser scanning with the Riegl VQ1560II-S laser sensor and simultaneous capture of multispectral images with the 0110 – UC Osprey 4.1 camera. Tree crowns were segmented using ITD, understory vegetation was filtered with an adaptive vegetation threshold for each stand. Using the Random Forest machine learning algorithm, the identified trees were classified into tree species categories including spruce (Picea abies (L.) Karst.), pine (Pinus sylvestris L.), aspen (Populus tremula L.), and birch (Betula pendula L., Betula pubescens L.) and other deciduous tree species, as well as dead trees as another separate group. Finally, diameter prediction at the individual tree level and volume prediction at the stand level were evaluated for both correctly classified tree species, and misclassified tree species as well.
The overall identification rate reached 53.6% (F1-score: 0.52) when all trees were included in the analysis. However, there were significant amounts of commission and omission, due to challenges related to identifying smaller trees in groups, dead trees, and snags. The tree species classification achieved the highest overall accuracy at 61.1% when prediction variables calculated from both ALS and spectral data were used. The most important variables for the classification accuracy of the model were green normalized difference vegetation index (GNDVI) and normalized difference vegetation index (NDVI) respectively. Spruce, pine, aspen, and birch achieved the best RMSE at 5.54 cm, 11.61 cm, 11.83 cm, and 8.98 cm respectively. Volume prediction achieved an RMSE of 5.2 m3 and m3 for correctly classified and classifications including misclassifications respectively. There were significant amounts of underprediction of diameter, which followed the volume prediction.