Mapping forest structure with Gini coefficient using digital aerial photogrammetric data from an unmanned aerial system

Näytä kaikki kuvailutiedot

Permalink

http://urn.fi/URN:NBN:fi:hulib-201802261360
Julkaisun nimi: Mapping forest structure with Gini coefficient using digital aerial photogrammetric data from an unmanned aerial system
Tekijä: Nyman, Johannes
Muu tekijä: Helsingin yliopisto, Matemaattis-luonnontieteellinen tiedekunta
Opinnäytteen taso: pro gradu -tutkielmat
Tiivistelmä: Metsän sisäisen rakenteen tutkiminen on oleellista tietoa kartoitettaessa metsien monimuotoisuutta, hiilivarantoja tai sisäisiä muutoksia metsän rakenteessa. Tällä hetkellä kaukokartoitusmenetelmät tarjoavat parhaan menetelmän kerätä yksityiskohtaista tietoa metsän rakenteesta laajoilta alueilta. Metsien kaukokartoituksessa kaksi yleisimmin käytettyä menetelmää ovat lentolaserkeilaus ja ilmakuvaus. Niitä voidaan soveltaa myös metsien rakenteen tutkimiseen vertailemalla esimerkiksi puiden pohjapinta-alojen jakaumia, sillä puiden erikokoisuus liittyy oleellisesti metsän rakenteen käsitteeseen. Jakaumista voidaan muodostaa erilaisia jakaumaindeksejä, joista Gini indeksi on osoittautunut lentolaserkeilaustutkimuksissa parhaaksi puiden erikokoisuutta kuvaavaksi indeksiksi. Tutkimalla kaukokartoitusmenetelmien tarkan korkeustiedon yhteyttä kenttätöillä mitattuihin todellisiin jakaumaindekseihin, voidaan metsän rakennetta mallintaa laajoille alueille. Tässä tutkimuksessa kerättiin fotogrammetrinen kolmiulotteinen pistepilviaineisto miehittämättömällä ilmaaluksella Lammin tutkimusaseman ympäristöstä. Tutkimuksen tarkoituksena oli testata fotogrammetrisen aineiston kyvykkyyttä metsän rakenteen mallintamisessa hyödyntäen Gini-indeksiä. Vertailuaineistona käytettiin Maanmittauslaitoksen lentolaserkeilausaineistoa. Tutkimuksen kenttäaineisto koostui 50 ympyränmuotoisesta tutkimusalasta (säde 5m), joista mitattiin puiden ympärysmitat. Näistä laskettiin puiden pohjapinta-alat ja tutkimusalakohtaiset Gini-indeksiluvut. Molemmista kaukokartoitusaineistoista laskettiin koealoille korkeuteen perustuvia pistepilvimuuttujia, joista parhaat muuttujat valittiin käyttäen hyödyksi automatisoitua muuttujavalintafunktiota. Lineaarista betaregressiota hyödyntäen valituista muuttujajoukoista koostettiin molemmille aineistoille parhaat mahdolliset Gini-indeksi mallit. Lopuksi nämä mallit yleistettiin koko tutkimusalueelle ja kartat ennustetuista gini-indekseistä koostettiin. Luodut mallit suoriutuivat Gini-indeksin ennustamisesta keskivertoisesti. Parhaan fotogrammetrisen mallin suhteellinen ristiinvalidoitu keskivirhe oli 29,8% ja parhaan laserkeilauspohjaisen mallin 27,2%. Lentolaserkeilausmallin selitysaste (0,49) osoittautui myös paremmaksi kuin fotogrammetriapohjaisen mallin (0,39). Lentolaserkeilausmallin laatuluvut olivat hiukan heikompia kuin vastaavissa aiemmissa tutkimuksissa, mikä saattoi johtua osittain ei-optimaalisesta keilausajankohdasta. Fotogrammetrinen mallin käytöstä metsän rakenteen tutkimisessa ei ole aikaisempia tutkimuksia. Tämän tutkielman tulokset puoltavat lentolaserkeilauksen käyttämistä metsän rakenteen kartoittamisessa fotogrammetrian sijaan. Fotogrammetrinen metodi osoittautui edulliseksi ja joustavaksi tavaksi kerätä kolmiulotteista tietoa metsistä, mutta sen kyvyttömyys kerätä informaatiota latvuskerroksen alta huononsi sen suoriutumista.Gathering information on forest structure is vital in estimating forest biodiversity, carbon stocks and temporal changes in standing forests. Currently the only viable method of collecting such information in vast areas is remote sensing (RS). Two commonly used RS methods for acquiring high resolution three dimensional information on forest structure are airborne laser scanning (ALS) and digital aerial photogrammetry (DAP). In quantifying forest structure, the distributions of tree basal areas have been used because the variation in tree sizes is closely linked to the whole concept of forest structure. Retrieving information on these distributions can be done by modelling the relationship of in situ measured distribution indices and the remotely sensed elevation information. One of these distribution indices is the Gini coefficient which has been shown to be a prominent index in describing the forest structure from ALS data. In this study, DAP data was gathered with an unmanned aerial system (UAS) from the vicinity of the Lammi research station with the intention of investigating its suitability on modelling forest structure by using Gini coefficient (GC). Airborne laser scanning data retrieved from the National land survey was used as a comparison dataset. The in situ measured field data consisted of tree circumference measurements from 50 circular plots (r = 5m). From these measurements, the tree basal areas were calculated and the plot level Gini coefficients determined. A comprehensive set of plot level point cloud variables were also calculated from both ALS and DAP point clouds. The most important predictor variables were chosen from the point cloud variables with an automatic exhaustive variable selection function. Then, beta regression modelling was applied to both sets of predictor variables and the best GC models determined. Finally, the models were generalized to the whole study area and GC maps were produced. The resulting GC models for both datasets performed in a mediocre way. The best DAP model had a cross-validated RRMSE of 29.8% and the best ALS model had RRMSE of 27.2%. The coefficient of determination (R2) was also better in the ALS model (0.49) than in the DAP model (0.39). The performance of the ALS model was slightly worse than in previous studies using ALS to predict GC. Part of this might be a repercussion of the non-optimal acquisition time of the ALS dataset. For DAP, there were no previous studies. The results of this study suggest that ALS is a more prominent method in mapping forest structure with GC. The DAP proved to be an inexpensive and flexible method of gathering three dimensional information on forests but it had poor canopy penetration abilities which affected the modelling performance negatively.
URI: URN:NBN:fi:hulib-201802261360
http://hdl.handle.net/10138/233025
Päiväys: 2018-02-27
Oppiaine: Maantiede


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
Gradututkielma_JohannesNyman.pdf 3.504MB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot