Puistopuiden kartoitustarkkuuden parantaminen puoliautomaattisesti tuotetulla latvuskartalla

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202012104957
Title: Puistopuiden kartoitustarkkuuden parantaminen puoliautomaattisesti tuotetulla latvuskartalla
Alternative title: Improving the accuracy of urban tree mapping with a semi-automatically produced canopy map
Author: Mäkinen, Antti
Other contributor: Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta, Metsätieteiden osasto
University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences
Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten, Avdelningen för skogsvetenskaper
Publisher: Helsingin yliopisto
Date: 2020
Language: fin
URI: http://urn.fi/URN:NBN:fi:hulib-202012104957
http://hdl.handle.net/10138/322799
Thesis level: master's thesis
Discipline: Metsien ekologia ja käyttö
Forest Ecology and Management
skoglig ekologi och resurshushållning
Abstract: Kaupunkipuut ja -metsät ovat tärkeitä niin ihmisen hyvinvoinnin kuin luonnon monimuotoisuuden kannalta. Kaupunkipuut parantavat ilmanlaatua, pienentävät tulvariskiä ja tarjoavat maisema ja virkistys arvoja. Kaupunkipuilla on myös negatiivisia vaikutuksia. Iäkkäät ja huonokuntoiset tai myrskyssä kaatuvat puut voivat aiheuttaa vaaraa ja tiheät ja varjoisat metsäalueet voidaan kokea turvattomiksi. Kaupunkipuut vaativat intensiivistä hoitoa ja niiden kuntoa on tarkkailtava jatkuvasti. Kaupunkipuiden hyötyjen maksimointi ja haittojen ja kustannusten minimointi edellyttää yksityistä tiedonkeruuta kaupunkialueen puista ja tämän vuoksi monet kunnat ja kaupungit ylläpitävät puurekisteriä, jossa on tarkat tiedot yksittäisistä kaupunkipuista. Perinteisesti puurekisterin tietoja on kerätty ja päivitetty maastomittauksin, mikä on työlästä ja kallista. Uudet kaukokartoitus menetelmät ovat tarjonneet mahdollisuuden puurekisterin automaattiseen tiedon keruuseen ja päivittämiseen ja laserkeilausmenetelmien tutkimus ja hyödyntäminen kaupunkipuiden kartoituksessa ja seurannassa ovat olleet viime vuosina nopeassa kasvussa. Tämän tutkimuksen tavoitteena oli selvittää, onko puistopuiden kartoitustarkkuutta mahdollista parantaa puoliautomaattisella tuotetulla latvuskartalla. Työssä tuotettiin ALS-aineistosta automaattisella latvussegmentointimenetelmällä yksityiskohtainen puiden latvuskartta. Latvuskartan luonnissa puiden latvukset rajattiin valuma-aluesegmentoinnilla latvuston pintamallista. Tätä automaattisen menetelmän tuottamaa latvussegmentointia muokattiin visuaalisesti ortoilmakuvia apuna käyttäen ja virheellisesti rajautuneita latvussegmenttejä korjailtiin. Muokkauksen tuloksena saatiin uusi puoliautomaattisella menetelmällä tuotettu latvussegmentointi. Automaattisen ja puoliautomaattisen latvussegmentointimenetelmän tuloksia vertailtiin määrittämällä puiden havaitsemistarkkuus ja puiden läpimitan mallinnustarkkuus. Tuloksia verrattiin maastossa mitattujen puiden määrään jä läpimittoihin, jolloin saatiin tietoa menetelmien paremmuudesta. Läpimittojen mallinnuksessa käytettiin ei-parametrista random forest -menetelmää ja lähimmän naapurin (kNN) menetelmää. Tutkimusalueena oli yhdeksän Helsingin sairaala-aluetta, joiden yhteenlaskettu pinta-ala oli 47,2 ha ja maastossa mitattuja puita oli yhteensä 4365 ja 37 eri puulajia. Automaattinen menetelmä tuottama puumäärä oli 57,2 %:n yliarvio ja puoliautomaattinen menetelmä 19,5 %:n aliarvio referenssipuumäärään nähden. Suurimmillaan yliarvio automaattisella menetelmällä oli Koskelan tutkimusalueella (221,6 %) ja pienimmän aliarvion tuotti puoliautomaattinen menetelmä Suursuon tutkimusalueella (75,5 %). Automaattinen menetelmä tuottamista latvussegmenteistä 63 % oli komissiovirheitä ja puoliautomaattisen menetelmän latvussegmenteistä 33 % oli komissiovirheitä. Läpimittaennusteiden suhteellinen RMSE oli automaattisella menetelmällä 41,8 % ja puoliautomaattisella 35,8 %. Läpimittaennusteet tarkentuivat koko aineistolla 6 %-yksikköä ja neljän yleisimmän puulajin kohdalla 7 %-yksikköä. Tutkimuksen tulokset osoittivat, että ALS-aineistosta yksinpuintulkintamenetelmällä automaattisesti tuotettua latvuskartan tarkkuutta pystyttiin parantamaan puoliautomaattisella menetelmällä. Puiden kartoitustarkkuus parani sekä puiden havaitsemistarkkuuden, että läpimitan mallinnustarkkuuden osalta. Tutkimuksen tulosten perusteella voidaan todeta puoliautomaattisen menetelmän olleen käyttökelpoinen etenkin puistoisilla alueilla, mutta tiheäpuustoisilla metsäalueilla siitä ei ollut merkittävää hyötyä Tämän tutkimuksen perusteella voidaan todeta, että tässä työssä käytetty puoliautomaattinen puiden kartoitusmenetelmä voisi olla hyödyllinen operatiivisessa kaupunkipuiden kartoituksessa ja seurannassa erityisesti puistoisilla alueilla.Urban trees and forests are important for human well-being and the diversity of urban nature. Urban forests maintain biodiversity, improve air quality and offer aesthetic and recreational value. The urban trees have also some negative effects. Trees in bad condition can cause harm or danger to humans property. Dense and shady urban forests may cause feelings of insecurity and tree pollen can cause health problems. The urban trees require intensive management and their condition must be constantly monitored. Maximizing the benefits of urban trees and minimizing disadvantages requires detailed data on urban trees. For this reason, many municipalities and cities maintain a tree register with accurate information on individual city trees. Traditionally, data on urban trees have been collected and updated by field surveys, which is laborious and expensive. New laser scanning methods that produce accurate three-dimensional information offer the opportunity to automatically update the tree register. Interest in utilizing them in urban tree mapping and monitoring has been growing rapidly in recent years. This thesis studied ALS-based individual tree detection methods in urban tree mapping. The aim of this study was to determine whether the accuracy of the automatically generated canopy map from ALS-data could be improved by a semi-automatic method. Initially, a detailed canopy map of trees was produced by automated method. Tree candidates were deliniated from the surface model by utilizing watershed segmentation. The canopy segmentation produced by the automated method was visually modified and incorrectly delimited canopy segments were corrected. This resulted in a semi-automatically produced canopy map. The results of the automatic and semi-automatic canopy segmentation method were compared by determining the detection accuracy of the trees and the modeling accuracy of the tree diameter. The results were compared with the number and the diameter of trees measured in the field. Non-parametric random forest method and the nearest neighbor (kNN) method were used in the diameter modeling process. The study area consisted of nine Helsinki hospital areas with a total area of 47,2 ha. There were 4365 trees and 37 different tree species measured in the field. The automatic method produced 6860 trees and the semi-automatic method produced 3500 trees. Thus, the automatic method produced an overestimation of 57.2% and the semi-automatic method produced an underestimation of 19.5 % compared to the reference trees. The largest overestimation by the automatic method was in the Koskela study area (221.6 %) and the smallest underestimation was produced by the semi-automatic method in the Suursuo study area (75.5 %). 63 % of the canopy segments produced by the automatic method were commission errors and 33% of the canopy segments produced by semi-automatic method were commission errors. With the automatic method, the absolute RMSE of the diameter prediction was 12,84 cm and 10,99 cm with semi-automatic method. The diameter predictions of the whole data were 6 % more accurate with the semi-automatic method. The results of the study showed that the accuracy of the automatically generated canopy map from the laser scanning data can be improved by the semi-automatic method. Tree mapping accuracy improved in terms of both tree detection accuracy and diameter modeling accuracy. Based on the results of the study, it can be stated that the semi-automatic method is useful especially in parkland areas, but in densely wooded forest areas there is still issues to solve make this method practical. The benefits of a semi-automated method should be assessed by comparing the workload with the results. Based on this study, the semi-automatic individual tree detection method used in this work could be useful in the operational mapping and monitoring of urban trees.
Subject: Kaupunkipuu
lentolaserkeilaus
yksinpuintulkinta
kaupunkipuiden kartoitus
random forest
kNN
urban tree
ALS
ITD
urban tree register


Files in this item

Total number of downloads: Loading...

Files Size Format View
Makinen_Antti_tutkielma_2020.pdf 1.738Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record