Tree species diversity estimation using airborne imaging spectroscopy

Show full item record



Permalink

http://urn.fi/URN:NBN:fi-fe2017112251001
Title: Tree species diversity estimation using airborne imaging spectroscopy
Author: Schäfer, Elisa
Contributor: University of Helsinki, Faculty of Science, Department of Geosciences and Geography
Publisher: Helsingfors universitet
Date: 2015
Language: eng
URI: http://urn.fi/URN:NBN:fi-fe2017112251001
http://hdl.handle.net/10138/153119
Thesis level: master's thesis
Discipline: Geography
Maantiede
Geografi
Abstract: With the ongoing global biodiversity loss, approaches to measuring and monitoring biodiversity are necessary for effective conservation planning, especially in tropical forests. Remote sensing is a very potential tool for biodiversity mapping, and high spatial resolution imaging spectroscopy allows for direct estimation of tree species diversity based on spectral reflectance. The objective of this study is to test an approach for estimating tree species alpha diversity in a tropical montane forest in the Taita Hills, Kenya. Tree species diversity is estimated based on spectral variation of high spatial resolution imaging spectroscopy data. The approach is an unsupervised classification, or clustering, applied to objects that represent tree crowns. Airborne imaging spectroscopy data and species data from 31 field plots were collected from the study area. After preprocessing of the spectroscopic imagery, a minimum noise fraction (MNF) transformation with a subsequent selection of 13 bands was applied to the data to reduce its noise and dimensionality. The imagery was then segmented to obtain objects that represent tree crowns. A clustering algorithm was applied to the segments, with the aim of grouping spectrally similar tree crowns. Experiments were made to find the optimal range for the number of clusters. Tree species richness and two diversity indices were calculated from the field data and from the clustering results. The clusters were assumed to represent species in the calculations. Correlation analysis and linear regression analysis were used to study the relationship between diversity measures from the field data and from the clustering results. It was found that the approach succeeded well in revealing tree species diversity patterns with all three diversity measures. Despite some factors that added error to the relationship between field-derived and clustering-derived diversity measures, high correlations were observed. Especially tree species richness could be modelled well using the approach (standard error: 3 species). The size of the considered trees was found to be an important determinant of the relationships. Finally, a tree species richness map was created for the study area. With further development, the presented approach has potential for other interesting applications, such as estimation of beta diversity, and tree species identification by linking the reflectance properties of individual crowns to their corresponding species.Luonnon monimuotoisuuden maailmanlaajuisen vähenemisen vuoksi biodiversiteetin mittaus- ja tarkkailumenetelmiä tarvitaan tehokkaaseen suojelualueiden suunnitteluun, erityisesti trooppisissa metsissä. Kaukokartoitus on erittäin lupaava väline biodiversiteetin kartoitukseen, ja spatiaalisesti tarkka hyperspektraalinen aineisto (kuvantava spektroskopia) mahdollistaa puiden lajidiversiteetin arvioinnin suoraan niiden spektraalisen heijastuksen perusteella. Tämän tutkimuksen tarkoitus on kokeilla lähestymistapaa puulajien alfadiversiteetin mittaamiseen trooppisessa vuoristometsässä Kenian Taitavuorilla. Puulajien monimuotoisuutta arvioidaan spatiaalisesti tarkan hyperspektraalisen aineiston heijastuksen vaihtelun avulla. Lähestymistapa on puunlatvuksia edustaville kohteille tehty ohjaamaton luokittelu, tarkemmin ilmaistuna klusterointi. Tutkimusalueelta kerättiin hyperspektraalista ilmakuva-aineistoa sekä puulajitiedot 31 maastokoealalta. Hyperspektraalisen aineiston esikäsittelyn jälkeen sen hälyä ja ulottuvuuksia vähennettiin tekemällä sille MNF (minimum noise fraction) –muunnos ja valitsemalla 13 parasta kanavaa. Tämän jälkeen ilmakuva segmentoitiin puunlatvuksia kuvaaviksi kohteiksi. Kohteet klusteroitiin klusterointialgoritmia käyttäen, tarkoituksena ryhmitellä spektraalisesti samankaltaiset puunlatvukset. Ihanteellisen klusterimäärän löytämiseksi tehtiin kokeiluja. Puulajirunsaus ja kaksi diversiteetti-indeksiä laskettiin maastoaineistolle ja klusteroinnin tuloksille. Klustereiden oletettiin edustavan puulajeja laskelmissa. Maastoaineistosta ja klusterointituloksista laskettujen diversiteettimittareiden suhdetta tutkittiin korrelaatioanalyysin ja lineaarisen regressioanalyysin avulla. Lähestymistapaa soveltaen onnistuttiin hyvin paljastamaan puulajien monimuotoisuuden piirteitä kaikkien kolmen diversiteettimittarin avulla. Huolimatta tekijöistä, jotka aiheuttivat virhettä maastoaineistoon ja klusterointituloksiin perustuvien diversiteettimittareiden suhteeseen, korrelaatioasteet olivat korkeita. Varsinkin puiden lajirunsautta pystyttiin mallintamaan hyvin lähestymistavan avulla (keskivirhe: kolme lajia). Mukaanluettujen puiden koko oli tärkeä tekijä muuttujien suhteissa. Lopuksi tehtiin kartta puulajirunsaudesta tutkimusalueelle. Jatkokehittämisen avulla esitellyllä lähestymistavalla on mahdollisuuksia muihinkin mielenkiintoisiin sovelluksiin, kuten betadiversiteetin arvioimiseen, sekä puulajien tunnistukseen, kun yksittäisten latvusten heijastusominaisuudet liitetään niitä vastaaviin lajeihin.


Files in this item

Total number of downloads: Loading...

Files Size Format View
Pro_gradu_Schafer_Elisa.pdf 4.543Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record