DETEKCJA LICZBY DRZEW Z DANYCH SKANOWANIA LASEROWEGO

Transkrypt

1 DETEKCJA LICZBY DRZEW Z DANYCH SKANOWANIA LASEROWEGO Marcin MYSZKOWSKI, Marek KSEPKO, Krzysztof GAJKO Biuro Urządzania Lasu i Geodezji Leśnej Oddział w Białymstoku 1. WSTĘP W wachlarzu danych o lesie, gromadzonych dzisiaj w ramach róŝnego rodzaju prac inwentaryzacyjnych nie ma dokładnej informacji o liczebności populacji jaką jest kaŝdy drzewostan. Wydaje się, Ŝe powszechne posługiwanie się technikami modelowania zjawisk środowiskowych, a w szczególności z wykorzystaniem modeli predykcyjnych, wymaga moŝliwie precyzyjnego pomiaru zmiennych empirycznych w celu podniesienia dokładności modelowania. Stosowane na obszarach leśnych automatyczne metody określania liczby drzew, bazujące na technikach teledetekcji pasywnej, są nieprecyzyjne i stosunkowo skomplikowane. Większość algorytmów opiera się na zaleŝnościach pomiędzy jasnością a połoŝeniem pikseli w lotniczych lub satelitarnych zobrazowaniach koron drzew. Przełom nastąpił wraz z upowszechnieniem lotniczego skanowania laserowego, które daje moŝliwość automatycznego określenia wiarygodnej liczby drzew, na dowolnie duŝym obszarze bez potrzeby przeprowadzania prac terenowych. Istnieje wiele opracowań przedstawiających problemy i metody wyznaczania liczby drzew (4, 5, 9). 2. OBIEKT BADAŃ Białostocki Oddział Biura Urządzania Lasu i geodezji Leśnej w porozumieniu z miejscową Regionalną Dyrekcją Lasów Państwowych, zlecił wykonanie skanowania laserowego z pułapu lotniczego dla kompleksu leśnego o powierzchni 50 km 2. Jest to fragment Obrębu Zajma naleŝącego do Nadleśnictwa śednia. Teren ten jest fragmentem Puszczy Knyszyńskiej. Dominującymi gatunkami są tu sosna pospolita (Pinus sylvestris L.) oraz świerk pospolity (Picea abies L. Karst.). Obręb leśny Zajma charakteryzuje się duŝym udziałem mezotroficznych siedlisk boru mieszanego świeŝego (BMśw) i lasu mieszanego świeŝego (LMśw), które stanowią ponad 70% powierzchni obrębu (6). Drzewostany o złoŝonej budowie piętrowej (dwu- i wielopiętrowe) stanowią prawie 30% lasów na zobrazowanym obszarze.

2 3. DANE 3.1. Lotniczy skaning laserowy Dane z lotniczego skaningu laserowego zostały pozyskane urządzeniem ALTM 3100 firmy Optech. Podstawowe parametry nalotu przedstawia tabela nr 1. Tab.1. Podstawowe parametry skanowania laserowego. Optech ALTM 3100 Wysokość lotu 700 m Prędkość 220 km/h Częstotliwość skanowania 100 khz Dywergencja wiązki 0.3 mrad Średnica plamki ok. 15 cm Średnia gęstość chmury punktów 12 pkt/m2 Ilość rejestrowanych odbić Dane referencyjne powierzchnie kołowe Jako materiał referencyjny wykorzystano terenowe powierzchnie kołowe. Współrzędne środków powierzchni określono za pomocą odbiornika GPS Thales Pro Mark III z anteną zewnętrzną w technologii pomiaru róŝnicowego DGPS (Differential Global Positioning System). Wyrównania do stacji bazowej Białystok (system ASG EUPOS), dokonano w oprogramowaniu GNSS Solutions Do pomiarów dendrometrycznych wykorzystano urządzenia firmy Hagloff: średnicomierz elektroniczny Digitech Professional oraz Postex - przyrząd słuŝący do określenia względnych współrzędnych drzewa (rys.1.). Więcej na temat zestawu PosTex moŝna znaleźć w (10). W ten sposób zinwentaryzowano 52 powierzchnie kołowe z czego 7 o promieniu 20 m oraz 45 o promieniu 25 m. Wielkość powierzchni była uzaleŝniona od budowy drzewostanu oraz jego wieku. Cechy te miały wpływ na moŝliwości techniczne zastosowanego sprzętu. W partiach lasu o mocno rozwiniętym dolnym piętrze oraz drzewostanach w wieku poniŝej 40 lat, ze względu na duŝe zakłócenia sygnału ultradźwiękowego, pomiar powierzchni o promieniu 25 m nie był moŝliwy. Łącznie pomierzono 5485 drzew, z czego 4268 stanowiły element składowy górnego piętra. Na 47 powierzchniach gatunkiem panującym była sosna, na pozostałych 5 świerk pospolity. Dwadzieścia pięć powierzchni zostało załoŝonych w drzewostanach monokulturowych. Na potrzeby tej analizy za drzewostany monokulturowe uznano takie, gdzie jeden gatunek (tutaj sosna) stanowił co najmniej 90 % składu górnej warstwy drzewostanu. Na kaŝdej powierzchni próbnej pomierzono średnicę pnia na wysokości 1.3 m od podłoŝa (pierśnica), połoŝenie pnia drzewa względem środka powierzchni współrzędne

3 X,Y oraz wysokość wybranych drzew, reprezentatywnych dla warstw gatunkowo-wiekowych. Ponadto dla kaŝdego drzewa określono przynaleŝność do piętra górnego. Rys. 1. Zestaw PosTex z klupą elektroniczną Digitech Professional 4. METODYKA Obecnie liczba drzew nie jest przedmiotem prac inwentaryzacyjnych urządzania lasu. Jednak informacja ta jest waŝnym parametrem innych cech drzewostanu np. miąŝszości (zasobności) jako jednego z podstawowych parametrów pozyskiwanych w drodze pracochłonnych i kosztownych prac terenowych. Określenie liczby drzew wiąŝe się zazwyczaj z podziałem (segmentacją) modelu powierzchni koron na fragmenty określające zasięg pojedynczego drzewa. W wyniku tego procesu, wykorzystując dodatkowo model terenu pozyskany z chmury punktów, moŝemy obliczyć wysokość drzewa. Istnieje kilka zbadanych algorytmów wykorzystywanych do detekcji wierzchołków i określenia zasięgu koron. PrzewaŜają w nich metody oparte na poszukiwaniu lokalnych maksimów. Do najszerzej wykorzystywanych naleŝy zaliczyć: algorytm pouring, algorytm lokalnego maksimum oraz algorytm zlewniowy (ang. watershed algorithm) (7). Ostatni, z nich wymaga odwrócenia modelu koron przez pomnoŝenie wartości zapisanych w pikselu przez -1 (wierzchołki stają się zagłębieniami). Na tak stworzonym modelu algorytm wyszukuje mikrozlewnie - naśladując rozlewanie wody. Punkt o najmniejszych wartościach zostaje wyznaczony jako wierzchołek. Granica takiej zlewni jest uznawana za granice korony drzewa (11). W doświadczeniu zastosowano dedykowaną aplikację pod nazwą Tiffs (Toolbox for Lidar Data Filtering and Forest Studies) (1). Za jej pomocą wygenerowano modele terenu, modele powierzchni terenu oraz znormalizowane

4 modele powierzchni koron o rozdzielczości terenowej piksela w przedziale 0,3-1 m (kolejno: 0,3 m, 0,4 m, 0,45 m, 0,5 m, 0,55 m, 0,6 m, 0,7 m, 0,8 m, 0,9 m, 1 m). Następnie, wykorzystując moduł Canopy aplikacji Tiffs bazujący na algorytmie zlewniowym oraz filtrze Gaussa, wyznaczono połoŝenie wierzchołków drzew dla kaŝdego z powyŝszych modeli. Dla wszystkich wariantów detekcję drzew poprzedzono przefiltrowaniem modelu (filtrem uśredniającym Gaussa) z maską 3x3. Dodatkowe informacje wydobyte podczas procesu detekcji to wysokość drzewa oraz średnica korony. Przeprowadzono analizę porównawczą danych pozyskanych metodą automatyczną z danymi z powierzchni kołowych. Komparacji podlegała liczba drzew na poszczególnych powierzchniach w trzech wariantach: 1. porównanie z danymi z wszystkich powierzchni (wszystkie drzewa), 2. porównanie z danymi z wszystkich powierzchni (drzewa zaliczone do piętra górnego), 3. porównanie z danymi z powierzchni załoŝonych w drzewostanach monokulturowych (drzewa zaliczone do piętra górnego). Wyniki analizowano przede wszystkim pod względem wielkości piksela oraz parametrów drzewostanu (udział gatunkowy, budowa piętrowa). Parametry te stanowią główne determinanty procesu segmentacji. 5. WYNIKI W pierwszym wariancie przeanalizowano liczbę wszystkich drzew pomierzonych w terenie, zarówno piętra górnego jak i pięter dolnych, z kaŝdej powierzchni próbnej. Rysunek 2 przedstawia wartości współczynnika determinacji (R 2 ) względem liczby drzew określonej automatycznie i empirycznie, w zaleŝności od wielkości piksela zastosowanego modelu powierzchni koron.

5 0,6 0,559 0,5703 0,5432 0,5275 Współczynnik determinacji 0,5 0,4 0,3 0,2 0,1 0,2539 0,3115 0,4744 0,4394 0,4122 0, ,3 0,4 0,45 0,5 0,55 0,6 0,7 0,8 0,9 1 Rys. 2. Wyniki detekcji liczby drzew wszystkie drzewa pomierzone na powierzchniach W drugim wariancie porównano liczbę wykrytych drzew z liczbą drzew zaliczonych do górnego piętra drzewostanu, z kaŝdej powierzchni próbnej. Wyniki przedstawia rysunek 3 oraz tabela 2. Współczynnik determinacji 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0,8612 0,8789 0,8531 0,7894 0,7077 0,6514 0,5658 0,4788 0,4284 0,3642 0,3 0,4 0,45 0,5 0,55 0,6 0,7 0,8 0,9 1 Wielkośc piksela [m] Rys. 3. Wyniki detekcji liczby drzew drzewa zaliczone do górnego piętra Tab. 2. Wyniki detekcji liczby drzew drugi wariant. Dane dla trzech rezultatów o największym R 2. Stosunek liczby wykrytych drzew do pomierzonych w terenie Min. Maks. Średnia

6 Trzeci wariant składał się z drzewostanów monokulturowych, czyli takich gdzie jeden gatunek (tutaj sosna) stanowił co najmniej 90 % składu warstwy górnej drzewostanu. Wyniki przedstawia rysunek 4, 5 oraz tabela 3. Wsółczynnik determinacji Rys. 4. Wyniki detekcji liczby drzew drzewa zaliczone do piętra górnego w monokulturach sosnowych. Liczba drzew określona automatycznie R 2 = 0,9024 R 2 = 0,9239 R 2 = 0, Liczba drzew pomierzona w terenie 0.5 m 0.55 m 0.6 m Liniowy (0.5 m) Liniowy (0.55 m) Liniowy (0.6 m) Rys. 5. ZaleŜności liczby drzew określonej z danych LIDAR do liczby drzew pomierzonej w terenie dla trzech rezultatów o największym R 2 drzewa zaliczone do piętra górnego w monokulturach sosnowych.

7 Tab. 3. Wyniki detekcji liczby drzew trzeci wariant. Dane trzech rezultatów o największym R 2 Stosunek liczby wykrytych drzew do pomierzonych w terenie Min. Maks. Średnia Wyniki przeprowadzonego doświadczenia wskazują na duŝą skuteczność wykrywania drzew górnego piętra, a w szczególności dla monokultur sosnowych. W drzewostanach tych osiągnięto dokładność rzędu %. Najlepsze wyniki uzyskano dla modeli o rozdzielczości 0,55 m (współczynnik determinacji 0,92). Drzewa z dolnego piętra, ze względu na zastosowaną metodę bazującą na modelu powierzchni koron, są trudne do wykrycia. MoŜna zauwaŝyć wyraźne pogorszenie wyników w wariancie pierwszym, gdzie do analizy wzięto wszystkie pomierzone drzewa, równieŝ te podokapowe. NaleŜy ponadto stwierdzić, Ŝe udział gatunków liściastych wpływa na pogorszenie wyników. W drzewostanach o jednolitym składzie gatunkowym, zarówno liściastych jak i iglastych, gdzie poszczególne korony mają zbliŝone rozmiary i kształty, proces detekcji daje zadawalające rezultaty. Natomiast tereny leśne o mieszanym składzie gatunkowym są niełatwym przedmiotem tego typu badań. Wynika to z faktu Ŝe dla drzewostanów liściastych naleŝy stosować modele o większym rozmiarze piksela, dodatkowo model taki powinien być mocniej wygładzany, w innym przypadku przeplatające się nawzajem gałęzie są często interpretowane jako osobne drzewa (2). Jednak powiększanie rozmiaru piksela powoduje utratę informacji o liczebności gatunków iglastych. Odpowiednim rozwiązaniem tego problemu jest rozdzielenie przed analizą obiektu na gatunki liściaste i iglaste (8). Przy zmieszaniu jednostkowym (gatunki domieszkowe występują jednostkowo, bez grup i wyraźnych kęp (3)) automatyczne wydzielenie drzew iglastych od liściastych wymagałoby poznania zasięgu koron drzew poszczególnych gatunków, co z kolei wiąŝe się z segmentacją i określeniem zasięgu jego korony czyli faktycznym wyznaczeniem liczby drzew. W drzewostanach w wieku poniŝej 30 lat, ze względu na niewielkie rozmiary koron zadawalające wyniki uzyskano przy wielkości piksela równej 0,4 m (rys. 6). Przy korzystaniu z programu TIFFS zaleca się stosowanie modeli o rozdzielczości terenowej co najmniej 0,4 m. Jest to wartość krytyczna, po jej przekroczeniu obserwujemy redundancję wyznaczanego parametru (rys. 7).

8 Stosunek liczby drzew wyznaczonych automatycznie do pomiaru w terenie 1,20 1,00 0,80 0,60 0,40 0,20 0,00 1,04 0,80 0,73 0,58 0,51 0,4 0,45 0,5 0,55 0,6 Rys. 6. Wyniki detekcji drzew dla monokultury sosnowej w wieku 28 lat Stosunek liczby drzew wyznaczonych automatycznie do pomiaru w terenie Monokultury sosnowe Wszystkie powierzchnie - piętro górne Rys. 7. Wyniki detekcji drzew

9 TREE NUMBER DETECTION USING AIRBORNE LASER SCANNING DATA Summary Purpose of this investigation was a comparative analysis of tree number automatic delineated from LIDAR data with tree number obtained from terrestrial sample plot. Data were collected by Optech ALTM 3100 device. Different resolution canopy height models were examined, in range 0,3 to 1,0 m. In this investigation application Tiffs was used which module "Canopy" is utilized, among other things, to determine the number of trees in forest areas based on watershed algorithm and Gaussian smoothing filter. Study area was a part of primeval forest Puszcza Knyszyńska. Research result shows that we can define tree number of higher stand layer with accuracy of %, reaching coefficient of determination (R 2 ) 0,92. Mixed stands with a substantial share of deciduous species require specific approaches. They indicate considerable variation in shape and form of the crown which adversely affects the number of trees found in comparison with reference data. The best results were reached using a model of resolution in range of m. Summarizing, we can say that laser scanning data gives the possibility of full automatic, believable tree number to any large area without necessity of field work. LITERATURA 1. Chen, Q., Airborne Lidar Data Processing and Information Extraction. PE&RS 73(2), pp , (2007),. 2. Diedershagen O., Koch B., Weinacker H., Schütt Ch., Combining LIDAR and GIS Data for the extraction of forest inventory parameters. ScandLaser, Umea, Szwecja, (2003). 3. Instrukcja Urządzania Lasu, Centrum Informacyjne Lasów Państwowych, Warszawa (2003). 4. Mei Ch., Durrieu S., Tree crown delineation from digital elevation models and high resolution imagery, Laser-Scanners for Forest and Landscape Assessment, WG VIII/2. Freiburg, Niemcy,(2004). 5. Pitkänen J., Maltamo M., Hyyppä J., Yu X., Adaptive methods for individual tree detection on airborne laser based canopy height model, International Archives of Photogrammatry, Remote Sensing and Spatial Information Science, Vol. XXXVI - 8/W2, (2004). 6. Plan Urządzenia Lasu Nadleśnictwa śednia, Biuro Urządzania Lasu i Geodezji Leśnej Oddziale Białymstoku, Białystok, (2009), [niepublikowane]. 7. Stereńczak K., Single tree detection based on airborne LIDAR (ALS) data, Annals of Geomatics, Volume VII, number 2(32), s , (2009). 8. Zawiła-Niedźwiecki T., Sprawozdanie z realizacji tematu badawczego Opracowanie metody inwentaryzacji lasu opartej na integracji danych pozyskiwanych róŝnymi

10 technikami geomatycznymi, Warszawa, (2009). 9. Wack R. Combined use of satellite imagery and laser scanner data for the assessment of forest stand parameters, Workshop on 3D Remote Sensing in Forestry, Wieden, Austria, (2006). 10. Wang Y., Weinacker H., Koch B., Stereńczak K., LIDAR point cloud based fully automatic 3D single tree modeling in forest and evaluations of the procedure, The International Archives of The Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XXXVII Part B6b, ISPRS Congress Beijing, (2008). 11. WęŜyk P., Sroga R., Szwed P., Precyzyjne pozycjonowanie pni drzew na kołowych powierzchniach próbnych przy uŝyciu urządzenia PosTex, Roczniki Geomatyki, Tom VI. Zeszyt 8, s , (2008).