Tree Species Classification with Multiple Source Remote Sensing Data

Näytä kaikki kuvailutiedot

Permalink

http://urn.fi/URN:ISBN:978-951-711-289-5
Julkaisun nimi: Tree Species Classification with Multiple Source Remote Sensing Data
Tekijä: Puttonen, Eetu
Muu tekijä: Helsingin yliopisto, matemaattis-luonnontieteellinen tiedekunta, fysiikan laitos
Opinnäytteen taso: Väitöskirja (artikkeli)
Tiivistelmä: Remote sensing is a study that provides information on targets of interest without direct interaction with them. Generally, the term is used for measurement techniques that detect electro-magnetic radiation emitted or reflected from the targets. Commonly used wavelength ranges include visible, infra-red, microwaves, and thermal bands. This information can be exploited to determine the structural and spectral properties of targets. Remote sensing techniques are typically utilized in mapping solutions, environment monitoring, target recognition, change detection, and in creation of physical models. In Finland, remote sensing research is of specific importance in forest sciences and industry as they need precise information on tree quantity and quality over large forest ranges. Tree species information on individual tree level is an important parameter to achieve this goal. The aim of this thesis is to study how individual tree species information can be extracted with multiple source remote sensing data. The aim is achieved by combining spatial and spectral remote sensing data. Structural properties of individual trees are determined from three dimensional point clouds collected with laser scanners. Spectral properties of trees are collected with cameras or spectrometers. The thesis consists of four separate studies. The first study examined how shading information of trees canopies could be exploited to improve tree species classification in data collected with airborne sensors. The second study examined the classification performance of a low-cost, multi-sensor, mobile mapping system. The third study investigated the classification performance and accuracy of a novel, active hyperspectral laser scanner. Finally, the fourth study evaluated the suitability of artificial surfaces as on-site intensity calibration targets. The results of the three classification studies showed that the use of combined point cloud and spectral information yielded the best classification results in all study cases when compared against classification results obtained with only structural or spectral information. Moreover, the studies showed that the improved results could be achieved with a low total number of mixed structural and spectral classification parameters. The fourth study showed that the artificial surfaces work as calibration surfaces only in limited cases. The main outcome of the thesis was that the active remote sensing systems measuring multiple wavelengths simultaneously should be promoted. They have a significant potential to improve tree species classification performance even with a few application-specific wavelengths.Kaukokartoitus on tutkimusala, jossa tutkittavia kohteita havainnoidaan ilman suoraa vuorovaikutusta. Yleisimmin kaukokartoituksella tarkoitetaan mittaustekniikoita, joilla havaitaan kohteiden lähettämää tai heijastamaa elektromagneettista säteilyä. Havainnointi tapahtuu tavallisesti näkyvän valon, infrapunan, mikroaaltojen ja lämpösäteilyn aallonpituusalueilla. Havaittua säteilyä voidaan hyödyntää kohteiden rakenteellisten ja spektraalisten ominaisuuksien määrittämisessä. Kaukokartoitusmenetelmiä käytetään tyypillisesti kartoitussovelluksissa, ympäristönseurannassa, kohde- ja muutostulkinnassa sekä fysikaalisten ilmiöiden mallinnuksessa. Kaukokartoitustutkimuksella on tärkeä osa suomalaisessa metsäntutkimuksessa ja -teollisuudessa. Molemmat tarvitsevat tarkkaa tietoa puuston määrästä ja laadusta suurilta metsäalueilta. Yksittäisten puiden lajitulkinta on tärkeä parametri tavoitteen saavuttamisessa. Väitöskirjatutkimuksen tarkoituksena on selvittää, kuinka yksittäisten puiden lajitieto voidaan määrittää eri mittauslaitteilla kerätystä kaukokartoitusaineistosta käyttämällä samanaikaisesti puustoa kuvaavia muotopiirteitä ja spektrivastetta. Muotopiirteiden keräys tehdään laserkeilaimilla. Spektrivasteet kerätään kameroilla tai spektrometreillä. Väitöskirjan sisältö koostuu neljästä erillisestä tutkimuksesta. Ensimmäisessä tutkimuksessa selvitetään, kuinka ilmasta kerättyä tietoa puiden latvustojen varjostumisesta voidaan hyödyntää puulajitulkinnassa. Toisessa tutkimuksessa arvioidaan puulajitulkinnan toteutettavuutta aineistosta, joka on kerätty edullisista komponenteista kootulla liikkuvalla kaukokartoituslaitteistolla. Kolmas tutkimus tarkastelee uuden, aktiivisesti mittaavan hyperspektrilaserin suorituskykyä ja tarkkuutta puulajitulkinnassa. Neljännessä tutkimuksessa selvitetään voidaanko rakennettuja pintoja hyödyntää intensiteetin maastokalibrointikohteina. Kaikki kolme luokittelututkimusta osoittivat yhdistetyn pistepilvi- ja spektriaineiston suoriutuvan parhaimmin lajitulkinnasta, kun tuloksia verrataan pelkästä rakenne- tai spektrisestä aineistosta laskettuihin tuloksiin. Lisäksi parantuneet tulokset saavuttiin yhdistämällä vain muutamaa rakenne- ja spektri-luokitteluparametria kerrallaan. Neljännen tutkimuksen tulokset osoittivat, että rakennetut pinnat soveltuvat kalibraatiokohteiksi vain rajatuissa tapauksissa. Väitöskirjan tärkein johtopäätös on, että aktiivisten, useaa aallonpituutta samanaikaisesti mittaavien kaukokartoituslaitteistojen kehitystä tulisi edistää. Tällaiset laitteistot voisivat parantaa puuston lajitulkintaa huomattavasti jo muutamaa sovellukseen sopivinta aallonpituutta käyttämällä.
URI: URN:ISBN:978-951-711-289-5
http://hdl.handle.net/10138/33956
Päiväys: 2012-06-29
Avainsanat: fysiikka
Tekijänoikeustiedot: Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
treespec.pdf 3.286MB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot