Epsilon Archive for Student Projects

Abstract

Inom den svenska skogsbruksplanläggningen sker idag datainsamlingen traditionellt med subjektivt fördelade relaskopsytor. Den subjektiva mätningen varierar mellan och inom planläggare och har generellt ett relativt medelfel (rRMSE) på 9 % för grundytevägd medelhöjd (HGV) och 15–20 % for volym/ha. Att använda data från stereomatchade drönarbilder för att skatta dessa två variabler skulle kunna vara ett alternativ för att göra mätningen vid skogsbruksplanläggning mer objektiv och noggrann. I regel krävs det omfattande fältmätningar för att träna och validera modeller för att få bra skattningar ur de stereomatchade bilderna vilket är dyrt och tar lång tid. För att överkomma modellarbetet använder den här studien de befintliga modellerna som Skogliga grunddata (SG) producerat för HGV och stamvolym/ha. Dessa modeller är redan tränade och validerade men framtagna för laserdata och skattningarna bygger på de metriker som beskriver ett laserpunktmolns struktur. Då modellerna är framtagna för en annan typ av data än drönardata kalibreras skattningarna med pixelkalibrering för enskilda drönarmetriker i varje provyta med fältmätningar för att förbättra precisionen.
Tidigare studier har visat att det är hög korrelation mellan främst överhöjdsmetriker som är framtagna för punktmoln från laser- och drönardata och att det går att skatta höjd och stamvolym med relativt små avvikelser genom att bygga modeller med drönarmetriker som korrelerar väl med lasermetriker. Ingen har ännu testat att ta befintliga modeller från SG som endast är tillämpade för laserdata på drönardata. Studiens syfte är att undersöka skattningspotentialen av HGV och stamvolym/ha i barrdominerade bestånd genom att använda drönarmetriker som tagits fram enligt Skogliga grunddatas villkor i deras befintliga prediktionsmodeller med kalibrering från fältmätningar.
Med kalibreringen blir rRMSE 5,7 % för HGV och 14,18 % för stamvolym/ha. Utifrån studiens resultat är de kalibrerade skattningarna från drönarens metriker bättre än den subjektiva mätningen som används vid traditionell skogsbruksplanläggning. Denna metod skulle eventuellt kunna implementeras vid skogsbruksplanläggning där stödmätningar tas med exempelvis Katams teknologi för mobilmätning eller relaskopytor med en känd centrumkoordinat. Då denna studie använde en annan typ av kalibreringsteknik skulle dessa två typer av stödmätningar behöva utvärderas ytterligare innan de fullt ut implementeras vid skogsbruksplanläggning.

Within Swedish forest management planning today, data collection traditionally takes place with subjectively distributed relascope sample plots. The subjective measurements vary between and within planners and generally has relative mean standard error (rRMSE) of 9% for basal area weighted average height (HGV) and 15–20 % for volume / ha. Using data from stereo-matched drone images to estimate these two variables could be an option to make the measurements in forestry management planning more objective and accurately. In general, there is a need for extensive field measurements to train and validate models to get good estimates from the stereo-matched images. This is expensive and takes a lot of time. To overcome the model work, this study uses the existing models that Skogliga grunddata (SG) produced for HGV and volume / ha. These models are already trained and validated but developed for laser data and the estimates are based on the metrics that describe the structure of a laser point cloud. As the models are developed for a different type of data source than drone data, the estimates for individual drone metrics in each sample area are calibrated using pixel calibration with field measurements to improve accuracy.
Previous studies have shown that there is a high correlation mainly between upper height metrics that are developed for point clouds from laser and drone data. The study results also showed that it is possible to estimate height and stem volume with relatively small deviations by building models with drone metrics that correlate well with laser metrics. No one has yet tested the performance of preexisting models that are only applied to laser data with drone data. The aim of the study is to investigate the performance of estimating HGV and volume / ha in field plots dominated by conifers by using drone metrics in Skogliga grunddatas models. The drone metrics were calculated to fit the to the conditions of the Skogliga grunddata in their existing prediction models. The models’ estimations were calibrated from field measurements.
With the calibration, the rRMSE becomes 5,7% for HGV and 14,18% for volume / ha. Based on the results of the study, the calibrated estimates from the drone's metrics are better than the subjective measurement used in traditional forestry planning. This method could possibly be implemented in forestry planning where supportive field measurements are taken with Katam's technology for mobile phone measurement or relascope sample plots with a known center coordinate. As this study used a different type of calibration technique, these two types of supportive field measurements would need to be further evaluated before they are fully implemented in forestry planning.