Feature extraction and selection in remote sensing-aided forest inventory

Show full item record



Permalink

http://urn.fi/URN:ISBN:978-951-651-451-5
Title: Feature extraction and selection in remote sensing-aided forest inventory
Author: Haapanen, Reija
Other contributor: Helsingin yliopisto, maatalous-metsätieteellinen tiedekunta, metsatieteiden laitos
Helsingfors universitet, agrikultur-forstvetenskapliga fakulteten, institutionen för skogsvetenskaper
University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences
Publisher: Helsingin yliopisto
Date: 2014-12-05
Language: en
Belongs to series: Dissertationes Forestales - URN:ISSN:1795-7389
URI: http://urn.fi/URN:ISBN:978-951-651-451-5
http://hdl.handle.net/10138/136313
http://www.metla.fi/dissertationes/df181.htm
Thesis level: Doctoral dissertation (article-based)
Abstract: This dissertation explored the potential of image features derived from remotely sensed data in the context of large-area forest inventory. The study areas were located in Finnish boreal forests, with one exception in Northern Minnesota, USA. Estimation of forest variables was carried out at pixel (or an equidistant grid) level. The non-parametric k nearest neighbour estimation method was applied throughout the study. The used remotely sensed data included Landsat 7 Enhanced Thematic Mapper Plus (ETM+) satellite images, colour infra-red aerial photographs, TerraSAR-X radar and airborne laser scanning (ALS) data. An indicative suitability order of these image types for estimation of forest variables was ALS, TerraSAR-X, aerial photographs and Landsat 7 ETM+. Special emphasis was placed on combining features extracted from individual remotely sensed data sources and searching for sets of image features that led to the best performance for estimation of forest variables. Selection of the image features was mainly carried out using a genetic algorithm. The resulting relative root mean square errors (RMSEs) ranged from 23% to 77% in the case of estimating mean volume of growing stock. The best results were obtained employing ALS and aerial photograph-based feature combinations. These combinations led to relative RMSEs of 23 30% when estimating mean volume of growing stock, depending on the landscape complexity. Combining image types with complementary properties typically improved the estimation accuracy. Automatic selection of image feature sets greatly reduced noise and dimensionality of the large feature sets used as input data and resulted in better performance in terms of estimation error. In studies employing ALS data, the ALS observations describing the vertical structure of forest stands played a critical role in decreasing the estimation error.Yksi tapa hyödyntää kaukokartoitusaineistoja metsien inventoinnissa on käyttää niistä irrotettavia tilastollisia tunnuksia, nk. piirteitä ja yleistää maastossa mitattujen koealojen tiedot näiden piirteiden avulla jatkuvaksi pinnaksi koko tarkasteltavalle alueelle. Tavallisimmat kaukokartoitusaineiston kuvatulkintapiirteet ovat karkearesoluutioisen kuvan pikselien sävyarvot tai hienoresoluutioiselta kuvalta esim. maastokoealan kokoa vastaaville ruuduille lasketut sävyarvojen keskiarvot ja keskihajonnat. Arvojen järjestäytymistä, tekstuuria, voidaan myös hyödyntää. Näitä piirteitä on mahdollista irrottaa hyvin suuri joukko, etenkin jos yhdistellään erilaisia, toistensa ominaisuuksia täydentäviä aineistotyyppejä. Kaikki piirteet eivät kuitenkaan ole hyödyllisiä kuvatulkintaprosessissa osa voi olla jopa haitallisia. Lisäksi samaa asiaa kuvaavat piirteet ovat turhia ja kovin suuri määrä on laskennallisesti työläs sekä haittaa joidenkin menetelmien toimivuutta. Piirteiden joukosta on siksi syytä valita pienempiä osajoukkoja, joiden kyky erotella erilaisia metsäkohteita on mahdollisimman suuri. Tässä työssä paneuduttiin eri kuvatyypeistä irrotettujen piirteiden yhdistelyyn sekä mahdollisimman toimivien, suppeiden piirreyhdistelmien valintaan. Piirteiden valinta tehtiin pääasiassa geneettisen algoritmin avulla. Kaukokartoitusaineistona oli satelliittikuvia, tutkakuvia, ilmakuvia sekä lentokoneesta tehtävän laserkeilauksen (ALS) pisteistöjä. Puustotunnukset saatiin maastossa mitatuilta koealoilta. Tutkimusalueita oli useita, pääasiassa Suomessa. Halutunkokoisille kuvan ruuduille tuotettiin puustotunnukset antamalla niille muutaman kuvapiirteiltään samankaltaisimman maastokoealan tunnukset (ns. k:n lähimmän naapurin menetelmä). Eri piirreyhdistelmien tuottamaa virhettä arvioitiin ristiinvalidoinnin avulla. Tuloksina saadut suhteelliset keskineliövirheen neliöjuuret (RMSE) asettuivat välille 23 77 %, kun kyseessä oli puuston keskitilavuuden arviointi. Parhaat tulokset saatiin yhdistelemällä ALS- ja ilmakuvapiirteitä. Tällöin suhteelliset RMSE-arvot puuston keskitilavuudelle olivat 23 30 %, maisemakuvasta riippuen. Yleensä toisiaan täydentävien kuvatyyppien käyttö paransi arvioiden tarkkuutta. Piirrevalinta vähensi suuresti hälyn sekä piirteiden määrää alkuperäiseen syötteeseen verrattuna ja johti parempaan estimointitulokseen.
Subject: metsävarojen hallinta
Rights: Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.


Files in this item

Total number of downloads: Loading...

Files Size Format View
featuree.pdf 1.178Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record