Skogsinventering med digitala flygbilder och laserskanning

Transkript

1 Skogsinventering med digitala flygbilder och laserskanning Sammanfattning av ett forskningsprojekt finansierat av Skogsägarna Norrskogs Forskningsstiftelse Beviljat anslag: Projektledare: Syfte kronor Kenneth Olofsson, SLU Syftet med detta projekt har varit att utveckla och testa en fjärranalysmetod för beståndsindelning och beståndsskattning som är baserad på kombinationen av digitala flygbilder och flygburen laserskanning. Bakgrund Under de senaste åren har skogsinventering med fjärranalysmetoder börjat användas allt mer inom skogsbruket, där flygburen laserskanning har blivit en standardmetod för att uppskatta virkesvolym i skogsområden. Lasermätningarna är bra för att uppskatta geometriska mål såsom beståndshöjd och stamvolym, men standardmetoderna har varit mindre framgångsrika med att urskilja trädslag. Att använda digitala flygbilder däremot, har i och med den spektrala signaturen en fördel genom att det då är möjligt att skilja mellan olika trädslag. De är dock inte lika bra för skattning av skogsvolym. Genom att kombinera de två mätmetoderna kan man utnyttja styrkorna från respektive teknik för att erhålla en inventering där skogsbeståndens volym och trädhöjdsfördelning är presenterade med en god noggrannhet. Sammanfattning På SLU utvecklades en programvara som kan extrahera parametrar ur fjärranalysdata såsom höjdpercentiler från laserskanning och färg från digitala flygbilder. Homogena områden i skogsinnehavet avgränsades genom en teknik kallad region merging. Detta möjliggör exempelvis en storskalig uppdatering av beståndsindelning och en noggrannare inventering (stratifiering), se bild.

2 Resultatet från en automatisk beståndsavgränsning med hjälp av laserdata och en digital flygbild över ett skogsområde i närheten av Hölje, Jämtland. Resultat Ett testområde i Remningstorp södra sverige användes vid validering av metoderna. Området domineras av gran men inkluderar även tall, björk och övrigt löv. Provytorna med 10 [m] radie var utlagda i ett systematiskt rutnät med 40 [m] mellanrum. Totalt blev 821 ytor uppmätta där deras centrum sattes med hjälp av GPS. Utvärderingen visar att den automatiska beståndsavgränsningen är jämförbar med gränslinjerna dragna av en professionell flygbildstolkare. De avgränsade bestånden blev lika homogena för båda metoderna, med avseende på stamvolym och trädhöjd.

3 Skogsinventering med digitala flygbilder och laserskanning Slutrapport av ett forskningsprojekt finansierat av Skogsägarna Norrskogs Forskningsstiftelse Beviljat anslag: Projektledare: kronor Kenneth Olofsson, SLU Syfte Syftet med detta projekt har varit att utveckla och testa en fjärranalysmetod för beståndsindelning och beståndsskattning som är baserad på kombinationen av digitala flygbilder och flygburen laserskanning. Bakgrund Under de senaste åren har skogsinventering med fjärranalysmetoder börjat användas allt mer inom skogsbruket, där flygburen laserskanning har blivit en standardmetod för att uppskatta virkesvolym i skogsområden. Lasermätningarna är bra för att uppskatta geometriska mål såsom beståndshöjd och stamvolym, men standardmetoderna har varit mindre framgångsrika med att urskilja trädslag. Att använda digitala flygbilder däremot, har i och med den spektrala signaturen en fördel genom att det då är möjligt att skilja mellan olika trädslag. De är dock inte lika bra för skattning av skogsvolym. Genom att kombinera de två mätmetoderna kan man utnyttja styrkorna från respektive teknik för att erhålla en inventering där skogsbeståndens volym och trädhöjdsfördelning är presenterade med en god noggrannhet.

4 Sammanfattning På SLU utvecklades en programvara som kan extrahera parametrar ur fjärranalysdata såsom höjdpercentiler från laserskanning och färg från digitala flygbilder. Homogena områden i skogsinnehavet avgränsades genom en teknik kallad region merging. Denna teknik möjliggör exempelvis en storskalig uppdatering av beståndsindelning och en noggrannare inventering (stratifiering), se figur 1. Ett testområde i Remningstorp i södra sverige användes vid validering av metoderna. Området domineras av gran men inkluderar även tall, björk och övrigt löv. Provytorna med 10 [m] radie var utlagda i ett systematiskt rutnät med 40 [m] mellanrum. Totalt blev 821 ytor uppmätta där deras centrum sattes med hjälp av GPS. Utvärderingen visar att den automatiska beståndsavgränsningen är jämförbar med gränslinjerna dragna av en professionell flygbildstolkare. De avgränsade bestånden blev lika homogena för båda metoderna, med avseende på stamvolym och trädhöjd. Figur 1 Resultatet från en automatisk beståndsavgränsning med hjälp av laserdata och en digital flygbild över ett testområde i Remningstorp i södra Sverige. De vita punkterna visar placeringen av provytorna och de gula linjerna är resultatet från den automatiska beståndsavgränsningen.

5 Vetenskaplig studie Fältdata Ett testområde i Remningstorp södra sverige användes vid validering av metoderna, figur 1. Ytorna domineras av gran men inkluderar även tall, björk och övrigt löv. Fältinsamlingen skedde 2004 och provytorna med 10 [m] radie var utlagda i ett systematiskt rutnät med 40 [m] mellanrum. Totalt blev 821 ytor uppmätta där deras centrum sattes med hjälp av GPS. Ortofoto Det färginfraröda ortofotot togs i oktober 2003 med Z/I DMC kameran (Z/I Imaging GmbH, Aalen, Tyskland). Marksamplingsavståndet är 0.3 [m] och höjden över marken är 2900 [m]. Manuell beståndsavgränsning Den manuella beståndsavgränsningen utfördes av en professionell flygbildstolkare med hjälp av ortofotot från 2003 och data från Remingstorps skogsbruksplan. Laserdata Data insamlades den 19 augusti 2004 från en helikopter med hjälp av laserskannings-systemet TopEye (Blom Sweden AB, Göteborg). Flyghöjden var 130 [m] över marknivån, flyghastighet 16 [m/s], skanningsvinkel ±20, och pulsfrekvens 7000 [Hz]. Systeminställningarna tillsammans med svepens överlapp resulterade i en medel-densitet på cirka sju mätningar per kvadratmeter. Metod Metoden för automatisk beståndsavgränsning med hjälp av laserdata och digitala flygbilder är en teknik som kallas segmentering genom region merging (Johnson 2007). Metoden bygger på att dela upp området i små enheter, t.ex. 10x10 m2 pixlar i en bild eller polygoner från en GISprogramvara. Dessa små områden fylls med skogliga egenskaper, t.ex. trädhöjdspercentiler från en lasermätning eller färgerna från en digital flygbild. De områden som är mest lika varandra slås ihop till ett större gemensamt område. Genom en iterativ process fortsätter algoritmen att sammanlänka de mest lika områdena tills skillnaderna blir för stora enligt ett förutbestämt tröskelvärde. I denna studie användes så kallade Voronoi-celler som minsta enhet. En Voronoi-cell är det område som anger kortaste avståndet till en punkt. I den här studien är det positionerna för trädtopparna i laserdata som används som ingångsdata vilket ger att Voronoi-cellerna omsluter en trädkrona eller grupper av tätt stående träd. På de ställen där det inte finns några träd kommer Voronoi-cellerna att omsluta buskar eller små höjder i terrängen. Följande steg används av algoritmen: (1) En markmodell med en rastercells-upplösning på 1 m beräknas ur laserdata. (1) Laserdata normaliseras med markmodellen och ett höjdintervall på ( -1 till 40 m) klipps ut för att avlägsna utliggare ur datasetet. (2) En kronhöjdsmodell med 1 m upplösning beräknas ur det normaliserade laserdatat. (3) Lokala maxima (trädhöjdspositioner) från kronhöjdsmodellen inom ett cirkulärt sökfönster med radien 3 m sparas i en tabell.

6 (4) Voronoi-celler skapas med hjälp av de lokala maxima (trädtopparna) och skogliga variabler extraherade ur laserdata och digitalt flygbildsdata sparas inom gränserna för varje cell. (5) De Voronoi-celler som är mest lika varandra länkas samman i en iterativ process för att därigenom skapa skogsbestånd. Markmodell En digital markmodell beräknades från laserdata. Den använda algoritmen är utvecklad av Lindberg et al. (2012) och baseras på iden att sampla laserdata med två raster i olika cellstorlekar för att separera de laserpunkter som hör till marknivån och de som tillhör trädkronorna. För detaljer se Lindberg et al. (2012). Pre-processning av laserdata och flygbildsdata för segmenterings-algoritmen Segmenteringsalgoritmen behöver små start regioner som senare kan sammanlänkas till större regioner tills ett stoppkriterium är uppnått. I den här studien användes Voronoi-celler (Johnsson 2007) omslutande trädkronor som startregioner för beståndsavgränsningen. Vid skoglig segmentering är trädkronan den minsta enheten och startregioner borde ha denna storlek. Emellertid kan trädkronor ha olika storlek och regioner som saknar träd behöver också fyllas med data. En metod för att hitta lokala maxima med ett cirkulärt sökfönster med radien 3 m valdes därför att operera på kronhöjdsmodellen; för att producera det punktdataset med xy koordinater som defineierar Voronoi-cellerna. Storleken på sökfönstret valdes för att vara i samma skala som träden i försöksområdet. I ett område med små träd kommer punkterna att ligga nära varandra medan i ett område med stora träd kommer punkterna att ligga mer glest. I områden som saknar träd kommer små höjder i terrängen och buskar att ge lokala maxima. (se figur 2). En 10 m buffert klipptes ut för vägarna i området. Figur 2. Ett utsnitt av en kronhöjdsmodell beräknat ur laserdata, från Remningstorp försöksyta i södra Sverige, visas i grått. Punkterna visar positionerna för de lokala maxima för kronhöjdsmodellen och polygonerna visar de tillhörande Voronoi-cellerna. Den blå markeringen visar urklippet från en skogsbilväg. Voronoi-cellerna kombinerat med skogliga variabler från laserdata och digitala flygbilder används för metoden för beståndsavgränsning.

7 De skapade Voronoi-cellerna fylldes sedan med lasermetriker och färger från den digitala flygbilden. De variabler som valdes ut var 6 till antalet: Tre från laserdata och tre från färgbilden. Laser höjd percentilen för 90 % (P90) antogs korrelera med trädhöjden.vegetationskvoten (VR) är den mängd laserreturer ovan tröskelvärdet 2 m delat med totala antalet träffar. VR antogs korrelera med densiteten hos vegetationen. För att mäta om hela Voronoi-cellen var täckt med trädkronor eller om det fanns hål mättes medelkronhöjden (ACH) från krontaksmodellen CHM. Ett 3 3 medianfilter applicerades på CHM för att fylla ut saknade värden. Medelhöjden av alla 1 m pixlar inom Voronoi-cellen beräknades för att erhålla ACH värdet. Tre färger från den digitala flygbilden sparades i varje Voronoi-cell: rött, grönt och närinfrarött band (R,G,NIR). Medelvärdet av de pixlar som fanns inom varje cell fick ange färgen för respektive kanal. På detta sätt hade varje Voronoicell 6 värden sparade: P90, VR, ACH, R, G och NIR. Automatisk beståndsavgränsning med segmentering genom region merging Mosaiken av Voronoi-celler beskriven tidigare användes som ingångsdata till segmenteringsalgoritmen. Den iterativa processen region merging mäter skillnaden i egenskaper mellan närliggande regioner. Det normaliserade euklidiska avståndet D användes för att mäta skillnaden mellan två regioner (ekvation 1) så att: D= P ( x i y i )2 i=1 (1) si där xi och yi är värdet av parameter i för region x och y, P är antalet parametrar och si är standardavvikelesen för parameter i. För varje iteration beräknades distansen D mellan alla angränsande regioner. Avstånden sorterades så att de minsta kom först (de regioner som mest liknade varandra). Om distanserna var mindre än ett förvalt tröskelvärde och de omgivande regionerna inte redan var anslutna till någon annan region länkades de två angränsande områdena tillsammans och bildade en ny större region. De nya värdena på kanalerna P90, VR, ACH, R, G och NIR, sattes till det areaviktade medelvärdena av Voronoicellerna som var del av den nya regionen. Bara gränser som var tre meter eller större användes vid segmenteringen för att undvika smala meandrande polygoner. Iterationen avslutaes när det inte längre fanns några regioner att slå ihop (inga fler regioner med distansen under tröskelvärdet). Små isolerade regioner som exempelvis ett fröträd på en föryngringsyta slogs ihop med omgivande regioner oavsett om D var över eller under tröskelvärdet. Alla regioner mindre än 1000 m2 slogs ihop på detta sätt.

8 Utvärdering av kvaliten på beståndsavgränsningen Variationen av provyteobservationerna, volym och höjd, undersöktes för att se om de avgränsade bestånden var homogena. Mustonen et al. (2008) beskriver ett sätt att bestämma beståndens kvalitet genom att använda kvadratsummor: ni k S total= ( xi, j x )2 (2) i=1 j=1 ni k S inom = ( x i, j x i )2 (3) i=1 j=1 där Stotal är den totala kvadratsumman och Sinom är kvadratsumman för variationen inom beståndet, k är antalet bestånd, ni är antalet provytor i bestånd i, xi,j är provyteobservation j i bestånd i, medelvärdet x beräknas för alla provyteobservationer i området och x i är medelvärdet för provytorna i bestånd i. Kvaliteten på avgränsningarna bestämdes genom determinationskoefficienten R2 (equation 4). R2=1 Sinom S total (4) Om R2 ligger nära ett är många av de bildade bestånden homogena. Om R2 är noll finns all variation inom bestånden. Den interna variationen inom bestånd i definieras som variationskoefficienten Ci ni 1 x i, j x i )2 ( σ n j=1 Ci = i = i x i x i (5) där σi är standardavvikelsen för provyteobservationerna i bestånd i, ni är antalet provyteobservationer i bestånd i, xi,j är provyteobservation j i bestånd i, och x i är medelvärdet av provyteobservationerna i bestånd i. Variationskoefficienten av avgränsningen, C, definieras som medelvärdet Ci av bestånden (equation 6) k Ci C= i =1 k där k är antalet bestånd. (6)

9 Resultat Tröskelvärdet sattes till 1 standardavvikelse för det maximala normaliserade euklidiska avståndet mellan två liknande regioner. R2 värdena för avgränsningarna visar att segmenteringen förklarar variationen mellan bestånden (tabell 1). Bestånden är homogena för de två valda skogliga parametrarna volym och trädhöjd. Höjdbestämningarna var något bättre än volymsbestämningarna. Den automatiska avgränsningen har likvärdiga värden som den manuella avgränsningen. Till och med en aning bättre med något mer homogena bestånd. Detta förklaras förmodligen av att den automatiska metoden producerar något mindre ytor för bestånden. Små bestånd är oftast mer homogena. Med andra mer tillåtande tröskelvärden skulle större bestånd kunna produceras. Tabell 1. Tabellen visar determinationskoefficienten R2 och variationskoefficienten C för provytevolymerna och höjderna inom bestånden i det avgränsade området. Den manuella avgränsningen har jämförbara värden med den automatiska metoden. Båda metoderna har lyckats skapa homogena bestånd. R2 Volym CV Volym R2 Höjd CV Höjd Medelarea (ha) Automatisk Manuell Tackord Jag vill rikta ett stort tack till Skogsägarna Norrskogs Forskningsstiftelse som har gjort den här studien möjlig. Den mjukvara som har utvecklats i det här projektet kommer att kunna användas för att svara på många framtida frågeställningar inom skoglig fjärranalysforskning. Referenser JOHNSSON, D., Analysis of Laser and Image Data for Forestry Applications Methods of forest stand delineation. MSc thesis, Luleå University of Technology. LINDBERG, E., HOLMGREN, J., OLOFSSON, K. and OLSSON, H., Estimation of stem attributes using a combination of terrestrial and airborne laser scanning. Eur J Forest Research, 131 pp MUSTONEN, J., PACKALÉN, P. and KANGAS, A., Automatic segmentation of forest stands using a canopy height model and aerial photography. Scandinavian Journal of Forest Research, 23, pp

10 SLU Institutionen för skoglig resurshushållning Linda Ågren Ekonomisk slutredovisning till Skogsägarna Norrskogs forskningsstiftelse Avtalsbeteckning: Skogsinventering med digitala flygbilder och laserskanning Projektledare: Kenneth Olofsson Kostnadspost Beviljat Utfall Kommentar Löner inklusive sociala avgifter kr kr Lön Kenneth Olofsson och Johan Holmgren Köpta tjänster Traktamenten och resekostnader Utrustning Övriga kostnader OH Summa kr kr kr kr kr kr Resekostnader Publicering och övrigt Lokal och OH

11 SLU Institutionen för skoglig resurshushållning Linda Ågren Finansiell sammanställning för projekt med bidrag från Skogsägarna Norrskogs forskningsstiftelse Projektnamn: Skogsinventering med digitala flygbilder och laserskanning Dispositionstid t.o.m Projektnr: Slutrapport senast: Projektledare: Kenneth Olofsson År 2015 År 2016 TOTALT Ingående saldo Intäkter Skogsägaran Norrskogs Forskningsstiftelse Summa intäkter Kostnader Lönekostnader Kenneth Olofsson Johan Holmgren Summa löner Traktamenten m.m. RR Resekostnader Utrustning, förbrukningsmateriel 0 Köpta tjänster 0 Övriga driftskostnader 0 Lokalkostnader + OH Summa kostnader Årets resultat Utgående saldo Kvar att förbruka Sida 2 av 2