Metodik för skattning av skogliga variabler Nils Lindgren Forskningsingenjör SLU Swedish University of Agricultural Sciences Forest Remote Sensing
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
Laserdata: Lantmäteriet, NH
Fältdata: riksskogstaxeringen Produktiv skogsmark I första hand permanenta Framskrivs till skanningsår Samma skanner och årstid Geografiskt nära skattningsområdet 200-300 provytor per skattningsområde
Skattning: linjär regression 1. Bygg modell mha provytor 2. Applicera på raster Swedish University of Agricultural Sciences Forest Remote Sensing
skanner Provyteurval Samma skanner Samma årstid Permanenta ytor Max 4 års framskrivning Avstånd årstid
Provyteurval Samma skanner Samma årstid skanner årstid
Provyteurval Samma skanner Samma årstid skanner årstid
Provyteurval Samma skanner Samma årstid skanner årstid
Provyteurval Svårare fall: skanner Leta längre bort? Tillfälliga ytor? Nöja sig med färre? Indikatorvariabler -> blanda skannrar? årstid
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
Regressionsanalys Vilken information används? HGV Höjd mått från punkterna DGV: Högre ger större DGV, ju tätare skog desto mindre GY, VOL, BIO: Ju högre och tätare det är dessto högre grundyta.
Provytemätt höjd Regressionsanalys Glidande medelvärde: Skogliga data mot lasermått: Höjd Vi skattar som om pixeln motsvarar medelskogen. Dragning mot mitten. Lasermått
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
Utvärdering på provytenivå RMSE Område 1 Antal provytor Skanningsår Inv. år Relativ rmse (%) DGV GY HGV Borlänge 143 2010 2013 15.7 23.8 11.2 Gävleborg 87 2009-2011 2013 13.9 17.1 9.4 Dalarna 398 2010, 2011 2012 16.0 24.2 9.1 Dalarna, löv 13 2010, 2011 2012 13.1 34.1 10.9 Dalarna, barr 385 2010, 2011 2012 16.1 23.8 9.0 1) All skanning gjord sommartid = lövat Swedish University of Agricultural Sciences Forest Remote Sensing
Utvärdering på provytenivå Bias Område 1 Antal provytor Skanningsår Inv. år Relativ bias (%) DGV GY HGV Dalarna 398 2010, 2011 2012-4.5-0.7-2.6 Dalarna, löv 13 2010, 2011 2012-1.5 +23.2 4.9 Dalarna, barr 385 2010, 2011 2012-4.6-0.1-2.9 1) All skanning gjord sommartid = lövat Swedish University of Agricultural Sciences Forest Remote Sensing
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
Provytemätt volym Laser i lövskog: Utan löv på träden Skanning utan löv ger mindre skillnad mot barr! Skattad mot mätt volym: Lövandel över 50 % i blått Skattad volym Swedish University of Agricultural Sciences Forest Remote Sensing
Utvärdering på beståndsnivå 30 IPAK -bestånd från Sveaskog, Norrbotten RMSE (%) Skanningsår Inv. år DGV GY HGV VOL 2009 (2011) 2012 12,3 13,0 11.2 22,8 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
Se upp med 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
Slut Tack för uppmärksamheten!! Swedish University of Agricultural Sciences Forest Remote Sensing