Abstract
Extensive ground surveys of forest resources are expensive, and remote sensing is commonly used to extend surveys to large areas for which no ground data are available to provide more accurate estimates for forest management decisions. Remote-sensing data for tree type classification are usually analysed at the individual tree level (objectbased). However, due to computational challenges, most object-based studies cover only smaller areas and experience of larger areas is lacking. We present an approach for an object-based, unsupervised classification of trees into broadleaf or conifer using airborne light detection and ranging (lidar) data and colour infrared (CIR) images on a countrywide scale. We adjusted the classification procedure using field data from countrywide tree species trial (TST) plots, and verified it on data from the National Forest Inventory (NFI). Results of the object-based classification of the TST plots showed an overall accuracy of 84% and a kappa coefficient (κ) of 0.61 when using all plots, and 92% and 0.79, respectively, when leaving out plots with larch. NFI plots were assigned to conifer- or broadleaf-dominated or mixed depending on the area covered by the segments of the two tree types. In areas where lidar data were collected specifically during leaf-off conditions, 71% of the NFI plots were assigned correctly into the three categories with κ = 0.53. Using only NFI plots dominated by one type (broadleaf or conifer), 78% were categorized correctly with κ = 0.61. These results demonstrate that using wall-to-wall remote-sensing data, unsupervised classification of forest stands into broadleaf, conifer, or mixed is possible with an accuracy comparable to that of limited area studies. However, challenges and restrictions of using countrywide airborne remote sensing data lie in the costs associated with data collection and the data processing time
چکیده
بررسی گسترده ی زمین منابع جنگلی، گران است و سنجش از راه دور به طور رایج برای گسترش بررسی بر روی مناطق بزرگ به کار می رود زیرا هیچ داده ی زمینی برای تهیه ی تخمین های دقیق تر جهت تصمیمات مدیریت جنگل وجود ندارد. داده های سنجش از راه دور برای طبقه بندی نوع درخت معمولاً در سطح یک درخت تحلیل می شوند (مبتنی بر شیء). با این حال، به خاطر چالش های محاسباتی، بیشتر مطالعات مبتنی بر شیء تنها مناطق کوچکتر را پوشش می دهند و در مورد تجربه ی مناطق بزرگ تر کمبود وجود دارد. ما رویکردی برای طبقه بندی بدون نظارت مبتنی بر شیء درختان به دو دسته ی پهن برگ و مخروطیان با استفاده از داده های لیدار هوابرد و تصاویر مادون قرمز رنگی در مقیاس کشوری ارائه می کنیم. ما با استفاده از داده های زمین از پلات های کشوری tree species trial (TST) رویه ی طبقه بندی را وفق دادیم و آن را روی داده های National Forest Inventory (NFI) تصدیق کردیم. نتایج طبقه بندی مبتنی بر شیء پلات های TST وقتی از همه ی پلات ها استفاده شده بود، دقت کلی 84% داشت و ضریب کاپای 0.61 هنگامی که پلات های دارای سیاه کاج کنار گذاشته شد، این مقادر به ترتیب 92% و 0.79 بودند. پلات های NFI بسته به منطقه ای که توسط قطعه هایی از دو نوع درخت پوشش داده شده بودند، به دسته ی مخروطی غالب یا پهن برگ غالب یا ترکیبی نسبت داده شدند. در مناطقی که داده های لیدار به خصوص در هنگام شرایط بی برگی جمع آوری شده بودند، 71% از پلات های NFI با کاپای 0.53 به درستی به سه دسته انتساب داده شدند. تنها با استفاده از پلات های NFIیی که یکی از این دو نوع (پهن برگ یا مخروطی) در آن ها چیره شده بود، 78% به درستی طبقه بندی شدند با کاپای برابر 0.61. این نتایج ثابت می کنند که با استفاده از داده های سنجش از راه دور کامل، طبقه بندی بدون نظارت جنگل به پهن برگ، مخروطی یا ترکیبی با دقتی قابل مقایسه با دقت مطالعات مناطق محدود، شدنی است. با این حال، چالش ها و محدودیت های استفاده از داده های سنجش از راه دور هوابرد کشوری، در مخارج مربوط به جمع آوری داده ها و زمان پردازش داده ها وجود دارد.
1- مقدمه
اطلاعات راجع به منابع جنگلی موجود و تخصیصات آن ها یک پیش نیاز مهم برای تضمین مدیریت جنگل های طبیعی است. هم چنین، دانش در مورد توزیع انواع درختان (مخروطی یا پهن برگ) در یک ناحیه یا یک جنگل مهم است زیرا انواع مختلف درختان منابعی برای محصولات مختلفی هستند و بنابراین هم بر روی برنامه ریزی جنگل و هم بر روی اختصاص محصول اثر می گذارند. این اطلاعات معمولاً به وسیله ی فهرست موجودی زمین به دست می آیند. در بعضی از کشورها، فهرست موجودی جنگل ها توسط تکنیک های سنجش از راه دور مبتنی بر منطقه مانند اسکن لیزری پشتیبانی می شوند...