Metodik för skattning av skogliga variabler

Transkript

1 Metodik för skattning av skogliga variabler Jonas Jonzén Forskningsingenjör SLU Swedish University of Agricultural Sciences Forest Remote Sensing

2 Skattade variabler Pixelstorlek 12.5 x 12.5 m Variabel Beskrivning Enhet HGV DGV Grundytevägd medelhöjd Grundytevägd medeldiameter dm cm GY Grundyta m 2 /ha VOL Volym m 3 sk/ha BIO Biomassa ton TS/ha Swedish University of Agricultural Sciences Forest Remote Sensing

3 Laserdata: Lantmäteriet, NH

4 Skanner-modeller Lövat/avlövat

5 Fältdata: Riksskogstaxeringen Produktiv skogsmark I första hand permanenta Framskrivs till skanningsår Samma skanner och årstid Geografiskt nära skattningsområdet provytor per skattningsområde

6 skanner Provyteurval Samma skanner Samma årstid Permanenta ytor Max 4 års framskrivning Avstånd årstid

7 Provyteurval Samma skanner Samma årstid skanner årstid

8 Provyteurval Samma skanner Samma årstid skanner årstid

9 Provyteurval Samma skanner Samma årstid skanner årstid

10 Provyteurval Svårare fall: skanner Leta taxytor längre bort? Använda tillfälliga ytor? Använda mer än 4- årsmängd? Nöja sig med färre? årstid

11 Skattning: linjär regression 1. Bygg modell mha provytor 2. Applicera på raster

12 Provytemätt höjd Regressionsanalys Glidande medelvärde: Skogliga data mot lasermått: Höjd Vi skattar som om pixeln motsvarar medelskogen. Dragning mot mitten. Lasermått

13 Vad mäter man med laser? Hur förhåller de sig till skogliga data? Vegetationkvot: Hur ofta träffar vi träd? Talar om andel trädkrona Percentil: Under vilken höjd finns de flesta träffarna? Vad påverkar dessa mått? Förhållandet mellan trädens volym, diameter, biomassa, grundyta och mängden krona Kronornas form i förhållande till höjden och alla andra skogliga data Källa: FUSION manual

14 Regressionsanalys Vilken information används? HGV Höjdmått från punkterna DGV: Högre ger större DGV, ju tätare skog desto mindre GY, VOL, BIO: Ju högre och tätare det är desto högre grundyta. Källa: FUSION manual

15 Vad betyder detta rent praktiskt? Taxens utlägg är gjort för att representera tillståndet i alla skogar Jämnt utlagt, vanliga skogstyper blir vanligast Regression är ett glidande medelvärde, vi skattar medelskogen! Avvikande skogar blir skattade som om de vore medelskogen Vilka skogar avviker i laser från medelskogen Lövskog (lövad skanning ffa) Extra tätt, tex eftersatt gallring

16 Utvärdering på provytenivå Swedish University of Agricultural Sciences Forest Remote Sensing

17 Swedish University of Agricultural Sciences Forest Remote Sensing

18 Utvärdering på provytenivå RMSE Område 1 Antal provytor Skanningsår Inv. år Relativ rmse (%) DGV GY HGV Borlänge Gävleborg Dalarna , Dalarna, löv > 50 % Dalarna, barr 100 % , , ) All skanning gjord sommartid = lövat Swedish University of Agricultural Sciences Forest Remote Sensing

19 Utvärdering på provytenivå Bias Område 1 Antal provytor Skanningsår Inv. år Relativ bias (%) DGV GY HGV Dalarna , Dalarna, löv , Dalarna, barr , ) All skanning gjord sommartid = lövat Swedish University of Agricultural Sciences Forest Remote Sensing

20 Utvärdering på beståndsnivå 30 IPAK -bestånd från Sveaskog, Norrbotten RMSE (%) Skanningsår Inv. år DGV GY HGV VOL 2009 (2011) ,3 13, ,8 Ca 8 provytor per avdelning, 5-10 m radie Skannade under lövad säsong Genomsnittlig avdelningsstorlek 33.5 ha Mycket heterogena avdelningar uteslöts RMSE för volym 19.8 % om 10 % samplingfel i referensdata Swedish University of Agricultural Sciences Forest Remote Sensing

21 Utvärdering av kombination med satellitdata Volym (m 3 sk/ha). Korsvalidering på provytenivå, Växjö Skanning avlövad säsong Skanning lövad säsong Bias barr n = 265 Bias löv n = 56 Bias barr n = 58 Bias löv n = 7 Laser -3,7 3,1-4,8 16,6 Laser + Landsat -3,3 2,3-4,4 14,9 Lövet skattas relativt bra vid avlövad säsong Satellitbilder (Landsat 8) gav endast marginell förbättring av lövskattningen Swedish University of Agricultural Sciences Forest Remote Sensing

22 Svårigheterna med lövskog Lövskog skannad lövad Swedish University of Agricultural Sciences Forest Remote Sensing

23 Svårigheterna med lövskog Lövskog skannad avlövat Swedish University of Agricultural Sciences Forest Remote Sensing

24 Att tänka på Områden utanför produktiv skogsmark Lövskog skannad under lövad säsong: GY, DGV, volym, biomassa överskattas Vattenbryn: risk för orimliga volymer Dragning mot mitten underskattning av höga volymer, överskattning av låga Överlag: Få ställen där det inte funkar alls. Ex. kraftledningar. Swedish University of Agricultural Sciences Forest Remote Sensing

25 Slut Tack för uppmärksamheten!! Swedish University of Agricultural Sciences Forest Remote Sensing