Epsilon Archive for Student Projects

Abstract

En komponent i skogsskötseln är röjning, vilket nyttjas för att öka produktiviteten och
den ekonomiska lönsamheten i skogsbruket. Den klassiska metoden för att identifiera
skog i behov av röjning är genom fältinventering. Metoder har även utvecklats för att
göra skattning av röjningsbehov med hjälp av satellitbildsinformation och digital
bildanalys, bland annat med Arc View och Enforma som används i denna studie.
För analyserna har fastigheten Kulbäcksliden l :3 använts. Fastigheten ligger drygt 5
mil nordväst om Umeå i Västerbottens län. Ett antal ytor har inventerats i fält för att
ligga som grund, representerande 'sant marktillstånd'. Inventeringsmetoden är
objektiv och baseras på trädslag, antal stammar och ståndortsegenskaper. Fastigheten
Hummelholm 6:6 har nyttjats för utvärdering, men då endast med plandata som facit.
Hummelholm ligger ca 6 mil sydväst om Umeå.
Valet av stickprovsavdelningar skedde slumpmässigt. Totalt inventerades 102 ytor
fördelade på 34 avdelningar. För navigering och positionering användes GPS. I
analysen användes en satellitbild från SPOT 4 tagen sommaren 1999.
I skattningen av röjningsbehov användes ett vegetationsindex. Det värde som skiljer
röjningsobjekt från ej röjningsobjekt benämns här tröskelvärde. I analysen har två
typer av tröskelvärden utvärderats, dels ett generellt tröskelvärde, del ett anpassat.
Genom nyttjande av fältreferensdata kunde 17 % fler ytor klassificeras korrekt med
det anpassade tröskelvärdet. 73 % av ytorna klassificeras korrekt med det anpassade
tröskelvärdet. Då samma tröskelvärden nyttjades på fastigheten Hummelholm 6:6
blev resultatet inte detsamma. I det fallet klassificeras 5 % fler avdelningar korrekt
med det generella tröskelvärdet än med det anpassade. På fastigheten Hummelholm
kan 75 %av avdelningarna klassificeras korrekt med ett generellt tröskelvärde.
Andelen löv kan anses vara det som skiljer de korrekt klassificerade ytorna från de
felaktigt klassificerade. Analyserna påvisade att de korrekt klassificerade ytorna med
faktiskt röjningsbehov i genomsnitt hade 47 % löv, medan de felaktigt klassificerade
ytorna hade en lövandel på 34 %.

A component of forest silviculture is cleaning, a k a pre-commercial thinning. The
traditional method to identify forests in need of cleaning is by ocular field inventories.
Proeectures have been developed to perform digital image analyses using satellite data
in order to find forest areas with cleaning requirements, e g by using Arc View or
Enforma, software used in this study.
The forest estate Kulbäcksliden l :3 was used as study area, located 50 km north-west
of Umeå in Västerbotten county. Plots were field inventoried, to serve as evaluation
objects. The objective measurements were based on number of stems, tree species
composition and site conditions. The forest estate Hummelholm 6:6 was used in
analyses of results derived from Kulbäcksliden. Hummelholm is located 60 km south­
west of Umeå.
Sampling of camportments were made randomly. Within 34 forest stands, a total of
102 plots were inventoried. Forest maps, campass and GPS were used in the field
navigation, the GPS also to derive a position of the field plots. A SPOT 4 satellite
image acquired during the summer of 1999 was used in the analyses.
The result was presented as amount of correctly and incorrectly classified plots and
compartments. Correctly classified objects indicate those with the same result in the
objective field inventory as in the satellite image-based estimations.
The satellite image estimations were based on pixelwise vegetation indicies and a
threshold value. The threshold value separate areas estimated in need of cleaning from
areas without cleaning requirements. A general threshold value and a fitted threshold
value were developed and analysed. The fitted threshold value maximizes the number
of correctly classified plots. In comparisons between the two values, 17 % more
correct classified plots were obtained when using the fitted threshold value. Using the
same threshold values for Hummelholm, the general threshold value was 5 % more
reliable, thus indicating that a representative field-data is necessary to ensure more
correct classifications.
The difference that characterize the correct classifications could be the amount of
broad-leaved trees. The correct classified plots (of the plots with field measured
cleaning requirements) showed an average of 47 % deciduous trees, while the
incorrect classified plots showed a corresponding amount of 34 % broad-leaves.