Dronekuvista tulkittujen puustotunnusten tarkkuus
Ikonen, Maisa (2023)
2023
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202305057988
https://urn.fi/URN:NBN:fi:amk-202305057988
Tiivistelmä
Metsien inventoinnilla kerätään tietoa metsävaroista päätöksenteon tueksi. Miehittämättömät ilma-alukset eli dronet ovat uusimpia siihen käyttöönotettuja teknologioita. Dronekuvista muodostetaan fotogrammetrian avulla pistepilviä, joista voidaan tulkita metsikön puustotunnuksia.
Tutkimusalue sijaitsi Keski-Ruotsissa, ja siellä toteutettiin maasto- ja droneinventointi syksyllä 2022. Käsiteltäviä aineistoja olivat referenssiaineistona toimivat maastomittaukset sekä erilaiset dronekuviin pohjautuvat aineistot. Tarkoituksena oli selvittää, mihin tarkkuuteen menetelmillä päästiin. Tutkimuksen aineisto on AFRY:n prosessista välitulos, jota jatkojalostetaan vielä eteenpäin. Tulokset eivät siis kuvaa lopullisen inventointituloksen tarkkuutta.
Tarkasteltavia puustotunnuksia olivat keskitilavuus (V), pohjanpinta-ala (G), keskiläpimitta (D), keskipituus (H) ja runkoluku (N). Puustotunnusten harhat olivat pieniä, mutta RMSE:t olivat suurempia. Dronekuviin pohjautuvassa aineistossa, jossa puuhakuparametrit oli säädetty välttämään puiden lukumäärän yliarviointia, keskitilavuuden (V) suhteellinen harha oli 16 % ja suhteellinen RMSE oli 29 %. Aineistossa, johon oli maastokoealojen avulla kalibroitu lisää puita, keskitilavuuden (V) suhteellinen harha oli 4 % ja suhteellinen RMSE 31 %. Molemmissa aineistoissa kaikkien puustotunnusten regressioanalyysista saadut selityskertoimet R2 olivat yli 0,6.
Dronekuvien pohjalta tulkitut puustotunnukset osoittautuivat luotettaviksi ja lopputuloksissa oli samoja piirteitä aiempien tutkimusten kanssa. Parhaimmat tulokset saatiin hoidetuista ja harvoista metsistä. Eniten haasteita aiheuttivat tiheät ja hoitamattomat metsät. Unmanned aerial vehicles (UAV) i.e., drones are one of the newest technologies in forest inventory. Drone images are processed to point clouds with photogrammetric software. The point clouds are used to estimate forest attributes.
The research area is in central Sweden, and terrain and drone inventory were carried out there in the fall of 2022. There are data based on terrain measurements and drone images. Terrain measurements act as reference data. The purpose of this thesis was to find out what accuracy was achieved with the methods. The research data is an intermediate result of AFRY’s process, which will be advanced in the future. Therefore, the results do not describe the accuracy of the final inventory result.
The observed forest attributes are mean volume (V), basal area (G), mean diameter (D), mean hight (H) and stem number (N). Their relative BIAS were low, but relative RMSE were higher. In the data based on drone images, the relative BIAS of the mean volume (V) was 12 % and the relative RMSE was 30 %. In the drone data with added trees, the relative BIAS of the mean volume (V) was 4 % and the relative RMSE was 31 %. Plot level regression analysis revealed adjusted R2 values over 0.6 for all attributes in both materials.
The forest attributes proved to be reliable, and they were in line with previous studies. The best results came from managed and sparse forests. There were more challenges in unmanaged and dense forests.
Tutkimusalue sijaitsi Keski-Ruotsissa, ja siellä toteutettiin maasto- ja droneinventointi syksyllä 2022. Käsiteltäviä aineistoja olivat referenssiaineistona toimivat maastomittaukset sekä erilaiset dronekuviin pohjautuvat aineistot. Tarkoituksena oli selvittää, mihin tarkkuuteen menetelmillä päästiin. Tutkimuksen aineisto on AFRY:n prosessista välitulos, jota jatkojalostetaan vielä eteenpäin. Tulokset eivät siis kuvaa lopullisen inventointituloksen tarkkuutta.
Tarkasteltavia puustotunnuksia olivat keskitilavuus (V), pohjanpinta-ala (G), keskiläpimitta (D), keskipituus (H) ja runkoluku (N). Puustotunnusten harhat olivat pieniä, mutta RMSE:t olivat suurempia. Dronekuviin pohjautuvassa aineistossa, jossa puuhakuparametrit oli säädetty välttämään puiden lukumäärän yliarviointia, keskitilavuuden (V) suhteellinen harha oli 16 % ja suhteellinen RMSE oli 29 %. Aineistossa, johon oli maastokoealojen avulla kalibroitu lisää puita, keskitilavuuden (V) suhteellinen harha oli 4 % ja suhteellinen RMSE 31 %. Molemmissa aineistoissa kaikkien puustotunnusten regressioanalyysista saadut selityskertoimet R2 olivat yli 0,6.
Dronekuvien pohjalta tulkitut puustotunnukset osoittautuivat luotettaviksi ja lopputuloksissa oli samoja piirteitä aiempien tutkimusten kanssa. Parhaimmat tulokset saatiin hoidetuista ja harvoista metsistä. Eniten haasteita aiheuttivat tiheät ja hoitamattomat metsät.
The research area is in central Sweden, and terrain and drone inventory were carried out there in the fall of 2022. There are data based on terrain measurements and drone images. Terrain measurements act as reference data. The purpose of this thesis was to find out what accuracy was achieved with the methods. The research data is an intermediate result of AFRY’s process, which will be advanced in the future. Therefore, the results do not describe the accuracy of the final inventory result.
The observed forest attributes are mean volume (V), basal area (G), mean diameter (D), mean hight (H) and stem number (N). Their relative BIAS were low, but relative RMSE were higher. In the data based on drone images, the relative BIAS of the mean volume (V) was 12 % and the relative RMSE was 30 %. In the drone data with added trees, the relative BIAS of the mean volume (V) was 4 % and the relative RMSE was 31 %. Plot level regression analysis revealed adjusted R2 values over 0.6 for all attributes in both materials.
The forest attributes proved to be reliable, and they were in line with previous studies. The best results came from managed and sparse forests. There were more challenges in unmanaged and dense forests.