Mapping individual tree species using airborne imaging spectroscopy and laser scanning data in Taita Hills, Kenya

Show full item record



Permalink

http://urn.fi/URN:NBN:fi-fe2017112252305
Title: Mapping individual tree species using airborne imaging spectroscopy and laser scanning data in Taita Hills, Kenya
Author: Viinikka, Arto
Contributor: University of Helsinki, Faculty of Science, Department of Geosciences and Geography
Publisher: Helsingfors universitet
Date: 2016
URI: http://urn.fi/URN:NBN:fi-fe2017112252305
http://hdl.handle.net/10138/160166
Thesis level: master's thesis
Abstract: Information related to forest areas and individual trees, such as number of trees and diversity of different species are essential for sustainable land use planning and land management. Mapping this information using remote sensing (RS) methods has improved a lot over the past decades due to the new high resolution sensors and advanced image processing techniques. Especially in large and remote areas with low accessibility, RS is one cost-effective source for accurate information. Imaging spectroscopy (IS) with high spatial and spectral resolution together with the airborne laser scanning (ALS) data were used to map individual tree species in tropical agroforestry area in Taita Hills, Kenya. Field data from 77 different plots including 534 tree measurements were used as a reference data. Trees were segmented using spectral information from the minimum noise fraction (MNF) transformed bands together with a simple height threshold to extract trees from other vegetation. This was derived from the canopy height model (CHM). Trees were classified using the MNF transformed bands together with vegetation indices (VI's) sensitive to canopy chlorophyll content. Classification was conducted using random forest (RF) classification algorithm. Finally, occurrences of the different tree species were predicted in the study area. Segmentation worked well for estimating the total amount of trees inside the study plots resulting detection rate of 99.8 %, but for correctly identified species the accuracy was quite low of 47 %. Classification could separate three exotic species of Grevillea robusta, Eucalyptys sp. and Acacia mearnsii from the other species with producer's accuracy (PA) varying from 71% –79 % and user's accuracy from 58 %–79%. Overall accuracy (OA) was quite low of 54.2 % as other species were not classified correctly. Classification was repeated using four classes of Grevillea robusta, Eucalyptys sp., Acacia mearnsii and combined tree class with all other species that increased the overall accuracy by 22.3 %.Metsäisten alueiden ja yksittäisten puulajien kartoitus tarjoaa tärkeätä tietoa kestävän maankäytön suunnittelun tueksi. Tämän tiedon hankkiminen kaukokartoitusmenetelmien avulla on kehittynyt huimasti viimeisen muutaman vuosikymmenen aikana tarkempien sensoreiden ja kehittyneiden prosessointitekniikoiden ansiosta. Etenkin laajoilla ja vaikeasti saavutettavilla alueilla kaukokartoitus tarjoaa kustannustehokaan menetelmän tarkan tiedon hankkimiseen. Korkean spatiaalisen ja spektrisen resoluution omaavaa kuvantavaa spektroskopiaa ja laserkeilausta hyödynnettiin yksittäisten puulajien kartoituksessa trooppisella peltometsäalueella, Taita-vuorilla Keniassa. Referenssiaineistona käytettiin kenttämittauksia, jotka sisälsivät 534 eri puuta 77 eri alueelta. Puut segmentoitiin hyödyntäen lajien spekristä eroavaisuutta käyttämällä minimum noise fraction -menetelmää, joka vähensi kuvien ulottuvuuksia ja kohinaa. Tämän lisäksi käytettiin yksinkertaista kynnysarvoa korkeudelle, jolla eroteltiin puut muusta kasvillisuudesta. Tämä johdettiin latvuston korkeusmallista. Puiden luokittelussa hyödynnettiin minimum noise fraction – muunnettuja kanavia ja kasvillisuusindeksejä, jotka ovat sensitiivisiä klorofyllin määrälle. Luokitteluun käytettiin random forest – luokittelualgoritmia. Lopuksi eri puulajien esiintyminen mallinnettiin tutkimusalueella. Segmentointi toimi hyvin puiden kokonaismäärälle muodostaen 99.8 % segmentointitarkkuuden kenttäaineistoon verrattuna. Tunnistettujen lajien tarkkuus oli alhaisempi 47 %. Luokitus onnistui tunnistamaan kolme eksoottista puulajia jotka olivat Grevillea robusta, Eucalyptys sp. ja Acacia mearnsii. Tuottajan tarkkuus (producer's accuracy) vaihteli 71 % ja 79 % välillä ja käyttäjän tarkkuus (user's accuracy) 58 % ja 79 % välillä. Muiden luokkien osalta luokitus ei toiminut ja kokonaistarkkuus oli 54.2 %. Luokitus toistettiin vähentämällä luokkamäärä neljään, sisältäen tunnistetut kolme lajia, sekä yhden ns. kaatoluokan, mihin oli yhdistetty kaikki muut lajit. Tällöin luokituksen kokonaistarkkuus nousi 22.3 %.
Discipline: Geography
Maantiede
Geografi


Files in this item

Total number of downloads: Loading...

Files Size Format View
Gradu_Viinikka.pdf 3.793Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record