Prediksjon av bonitet i ungskog ved hjelp av laserdata

Abstract

I skogforvaltningen er presis bonitetsinformasjon viktig for å ta riktige beslutninger, både med hensyn til valg av tiltak og optimalt tidspunkt for gjennomføring av tiltakene. I de senere årene har flybåren laserskanning (FLS) gjort seg mer bemerket som datainnsamling i skogtaksering. Hovedmålet med denne oppgaven var å utvikle modeller for bonitetspredikering i ungskog med bruk av terrengvariabler som hjelpemidler. I dette studiet er det sett på hvordan terrengvariabler predikerer bonitet ved å sammenlikne bonitet målt i felt, og differansen mellom bonitetsinformasjon fra felt og skogbruksplanen.

I dag finnes det metoder for estimering av bonitet i eldre skog (h.kl III-V) basert på overhøydeendringer predikert med modeller som er avhengig av informasjon fra flybåren laserdata. Derimot er disse metodene mindre egnet for h.kl I-II da det er større sannsynlighet for forstyrrelser i overhøydeutviklingen som følge av inngrep mellom laserdataopptak. Videre er heller ikke bonitetskurvene er heller ikke kalibrert på data for yngre skog.

Det er i midlertidig en sammenheng mellom terrengets egenskaper og skogens produktivitet. For eksempel er det som regel høyere produktivitet i hellende terreng sammenliknet med flatt terreng, på grunn av økende næringstransport. Med denne kunnskapen som bakgrunn ønsket jeg i dette å undersøke hvordan terrengvariabler kan brukes som hjelpemidler for å predikere bonitet.

I 2022 ble det gjennomført feltarbeid på studieområdet, hvor 178 prøveflater ble bonitert. Disse flatene er også grunnlaget for referansedataene som ble anvendt for modellene i dette studiet. For å representere terrenget, har terrengvariabler blitt generert fra digitale terrengmodeller. Bonitetsinformasjon fra skogbruksplanen er også hentet inn for ytterligere informasjon. Deretter ble to sett med prediksjonsmodeller utviklet: ett sett som utelukkende er avhengig av terrenginformasjon, og et annet sett som også inkluderer bonitet fra skogbruksplanen.

Resultatene viste at modeller som kun er avhengig av terrenginformasjon for gran har RMSE mellom 3,25 m og 4,14 m. Og for furu har RMSE mellom 2,71 m og 3,91 m. Modeller hvor også informasjon fra skogbruksplan ble inkludert for gran har RMSE mellom 2,78 m og 3,38 m. Og modeller med informasjon også fra skogbruksplan inkludert for furu har RMSE mellom 2,12 m og 3,04 m. Modellene i dette studie predikerer altså bedre med informasjon fra skogbruksplanen.

In forest management, accurate site index information is crucial for making informed decisions regarding interventions and determining the optimal timing for these actions. In recent years, airborne laser scanning (ALS) has gained prominence as a data collection method in forest inventory. The primary objective of this study was to develop models for site index prediction in young forests using terrain variables as aids. The study explored how terrain variables predict site index by comparing field-measured site quality, and with the differences between field-measured site index and forestry management inventory.

Existing methods for estimating site index in older forests (development classes III-V) rely on height changes predicted by models dependent on information from airborne laser data. However, these methods are less suitable for development classes I-II due to a higher likelihood of disturbances in height development caused by interventions between laser data captures. Furthermore, the site index curves are not calibrated for younger forests. Nonetheless, there is a connection between terrain characteristics and forest productivity. For instance, sloping terrain generally exhibits higher productivity compared to flat terrain due to increased nutrient transport. With this knowledge as a foundation, the aim was to investigate how terrain variables could be utilized to predict site quality.

Fieldwork was conducted in the study area in 2022, with 178 sample plots being assessed for site index. These plots formed the basis for the reference data used in the models. Terrain variables were generated from digital terrain models to represent the terrain. Site quality information from the forestry management plan was also incorporated for additional context. Two sets of prediction models were then developed: one relying solely on terrain information and another incorporating site index information from the forestry management inventory.

The results indicated that models relying solely on terrain information for spruce had root mean square error (RMSE) between 3.25 m and 4.14 m, while for pine, the RMSE ranged from 2.71 m to 3.91 m. Models that also included information from the forestry management plan for spruce had RMSE between 2.78 m and 3.38 m, and for pine, the RMSE ranged from 2.12 m to 3.04 m. Thus, the models in this study performed better when information from the forestry management inventory plan included.