Epsilon Archive for Student Projects

Abstract

Pre-harvest clearing is an efficient tool to increase productivity in final harvests in tree stands with dense understory vegetation. As of today however, deeming pre-harvest clearing needs is done manually through forestry professionals field-visiting tracts, and performing an intricate process of assessing whether or not the tract would benefit from being cleared before harvest. This is seen as a very time-consuming process, which is also prone to subjective assessments.

This project explores the potential of digitalizing this process using a non-linear machine learning approach in GIS. The machine learning method is based on Breiman’s (2001) Random forest classification model using raster data derived from LiDAR and other stand-growth-related factors as defined by Albrektson et al. (2012).

This thesis is written on a commission from Holmen Forest. Thus, the classification labels in the data used to train the model are based on real-world pre-harvest clearing decisions made by forestry professionals at Holmen Forest.

The model achieved an overall Matthews correlation coefficient of 0.59 and 0.81 accuracy. The model also showed that elevation, the topographic wetness index, slope and LiDAR-based vegetation point clouds between seven to nine meters were the most important factors in the used dataset.

The analysis identified signs of overfitting in the model and certain sources of error in the LiDAR data. However, the model predicted three out of four tracts correctly when tested on unseen data in a more practical setting. This method therefore shows promise as a digital tool for assessing pre-harvest clearing with further development and increased training data.

Förrensning är en effektiv åtgärd för att öka produktiviteten i en avverkning i bestånd där undervegetationen är tät. I dagens skogsbruk är dock beslutstagandet bakom förrensning gjort via manuella inventeringar, där traktplanerare fysiskt besöker trakten i fråga och gör en bedömning ifall trakten skulle gynnas av en förrensning. Detta anses vara en tidskrävande process, som även är benägen att göras med subjektiva uppfattningar.

Detta arbete undersöker potentialen i att digitalisera denna process med hjälp av en icke-linjär machine learning metod i GIS. Machine learning-modellen är baserad på Breimans (2001) Random forest classification model, med LiDAR data och ståndortsinformation som inputs.

Uppsatsen är skriven på uppdrag av Holmen skog. Därav är träningsdatan för modellen baserad på verkliga förrensningsbeslut tagna av traktplanerare på Holmen skog.

Modellen uppnådde en Matthews Correlation Coefficient på 0.59 och 0.81 accuracy. Modellen visade att elevation, topographic wetness index, lutning och LiDAR-punktmoln baserade på vegetation i intervallen sju till nio meter var de viktigaste faktorerna i arbetets dataset.

Analysen identifierade tecken på overfitting i modellen samt vissa felkällor i LiDAR-datan. Trots det förutspådde modellen rätt på tre av fyra testtrakter i extern validering. Denna metod visar därför på god potential för att bedöma förrensningsbehov med ytterligare utveckling och träningsdata.