Pierwsze wyniki analizy danych teledetekcyjnych

Transkrypt

1 Pierwsze wyniki analizy danych teledetekcyjnych Krzysztof Stereńczak, Mariusz Ciesielski, Marlena Kycko, Aneta Modzelewska, Patryk Waraksa, Leopold Lesko, Monika Mierczyk, Radosław Gurdak, Sylwia Maciuk, Agata Prociak, Tomasz Hycza, Aleksander Rybski, Radosław Bałazy, Tomasz Zawiła- Niedźwiecki Zakład Informatyki i Modelowania Instytut Badawczy Leśnictwa 1 Plan prezentacji 1. Wstęp 2. Analiza zdjęć satelitarnych i lotniczych 3. Analiza lotniczego skanowania laserowego 4. Numeryczny model terenu 5. Analiza danych pomiarowych z punktu widzenia monitoringu lasu z wykorzystaniem danych naziemnego skanowania laserowego 2

2 Plan prezentacji 3 Wstęp Dane pokrywają w sumie ha, zawierają w sumie pkt. i pikseli. Pierwszy rok pozyskanie i uporządkowanie danych, Drugi rok przetworzenia i analizy wstępne, Prezentacja obejmuje część wykonanych do tej pory prac. 4

3 Plan prezentacji 5 6

4 Klasyfikacja zdjęć satelitarnych Cel badań Określenie obszarów pokrytych przez martwe drzewa/grupy drzew. 7 Klasyfikacja zdjęć satelitarnych Metodyka Usunięto z analizy obszary pokryte przez chmury i obszary o wysokości poniżej 1m. Poszukiwano: drzewostanów iglastych, liściastych i drzew chorych/martwych. Przeprowadzono klasyfikację metodą Maximum Likelihood. Wykorzystywano oryginalne kanały spektralne oraz różne kompozycje zbudowane ze wskaźników wegetacyjnych. 8

5 Klasyfikacja zdjęć satelitarnych Wyniki 9 Klasyfikacja zdjęć satelitarnych Wyniki Dokładności znajdowania martwych/chorych drzew na poligonach weryfikujących dokładność do 60-70%. Odniesienie wyników klasyfikacji do analiz na ortofotomapie dało następujące wyniki: A 81% B 84% C 87% 10

6 Klasyfikacja zdjęć satelitarnych Przyszłość Wykorzystanie dodatkowych znalezionych w literaturze wskaźników do określania kondycji roślin w poszczególnych pikselach. Analiza porównawcza pomiędzy sezonami w 1 roku. Włączenie do analizy danych z SILP

7 Analiza wskaźników wegetacyjnych Cel badań Analiza ma na celu stwierdzenie jak bardzo różni się od siebie wartość wskaźników/indeksów wegetacyjnych w zdrowych drzewostanach świerkowych w zależności od wybranych cech taksacyjnych oraz wielkości pola analizy. Im wartość wskaźnika mniej zmienia się w zależności od cechy taksacyjnej tym wskaźnik bardziej odporny i lepszy do analizy zdrowotności. 13 Analiza wskaźników wegetacyjnych Metodyka Indeks/wskaźnik wegetacyjny jest ilościowym wskaźnikiem określającym ilość biomasy, stan rozwojowy oraz kondycję roślinności. Jest sztucznym obrazem powstałym w wyniku przetworzenia 2 lub więcej kanałów spektralnych np. satelitarnych. 14

8 Analiza wskaźników wegetacyjnych Metodyka W badaniach analizowane są następujące wskaźniki NDVI, GNDVI, NDRE, WDRVI, EVI2, EVIRE, SR i SR2, Cechy taksacyjne: wysokość, zagęszczenie, zapas, pierśnica i udział świerka, Analiza odchylenia standardowego i średniej wartości odbitej w klasach, 1327 drzewostanów. 15 Analiza wskaźników wegetacyjnych Metodyka 16

9 Analiza wskaźników wegetacyjnych Pierwsze wnioski Trendy wartości średnich NDVI dla wydzielonych grup są podobne dla wszystkich analizowanych wariantów obszaru, Wartości odchylenia standardowego są najwyższe dla całych wydzieleń, a najniższe dla obszaru zredukowanego do 4 rastrów. 17 Analiza wskaźników wegetacyjnych Przyszłość Analiza statystyczna istotności różnic pomiędzy grupami zmiennych w zależności od wariantu obszaru analizy i cechy taksacyjnej, Wybranie wskaźników wykazujących największą odporność na zmienne drzewostanowe. 18

10 19 Analiza zmian Cel Określenie zmian: las nie las nie las las na analizowanym obszarze działania gospodarcze. Detekcja zmian w stanie roślinności działanie czynników biotycznych i abiotycznych. 20

11 Analiza zmian Metodyka Wycięcie ze zdjęć satelitarnych dla 2012 i 2013 roku obszaru zajmowanego przez drzewostany, Utworzenie warstwy wektorowej obejmującej obszar zajmowany przez chmury i cienie chmur, Utworzenie warstwy wektorowej obejmującej obszar zajmowany przez drogi publiczne i leśne poszerzony o maksymalną wartość przesunięcia pomiędzy zdjęciami, Maskowanie przy użyciu wyżej wymienionych warstw wektorowych. 21 Analiza zmian Przetworzenia wstępne Maskowanie chmur i dróg ze zobrazowań Rapid Eye 22

12 Analiza zmian Metodyka m. postklasyfikacyjna Utworzenie poligonów testowych i kontrolnych dla 1% badanego obszaru na podstawie obrazów satelitarnych Rapid Eye w kompozycji barwnej NIR/RED/GREEN dla 2 klas: Las i Nie-las Wykonano klasyfikację nadzorowaną metodami: Mahalanobisa i Maximum Likelihood Sklasyfikowane obrazy wyeksportowano do warstwy wektorowej i dokonano intersekcji. Mapa wynikowa składa się z 4 klas: Las Las, Nie-las Nie-las, Nie-las Las i Las Nie-las 23 Analiza zmian Wyniki Analiza postklasyfikacyjna Maximum Likelihood Mahalanobisa Dokładność Kappa Dokładność Kappa A ,6 0,97 98,6 0,97 A ,7 0,98 98,1 0,96 B ,6 0,99 99,4 0,99 B ,7 0,99 99,5 0,99 C ,3 0,97 99,2 0,98 C ,9 0,999 99,8 0,997 Porównanie wyników klasyfikacji metodami Mahalanobisa i Maximum Likelihood 24

13 Analiza zmian Podsumowanie - Analiza postklasyfikacyjna Niestety pomimo wysokiej dokładności wykonanych klasyfikacji i wysokich wartości współczynnika Kappa, obszary reprezentujące zmiany na mapie wynikowej nie pokrywają się ze zmianami obserwowanymi w stopniu zadowalającym. Przyczyn takiego stanu rzeczy należy poszukiwać niejednorodnym prawdopodobieństwie przypisania piksela do konkretnej klasy. 25 Analiza zmian Metodyka wskaźnik NDVI Obliczono wartości wskaźnika NDVI dla obrazów satelitarnych Rapid Eye z 2012 i 2013 roku Utworzono obraz różnicowy, Ustalono odpowiednie progi zmian Rezultat obraz wynikowy podzielony na klasy: Brak zmian Las Nie-las (2,03%), Nie-las Las (3,44%) 26

14 Analiza zmian Obraz Rapid Eye 2012 w kompozycji Analiza zmian Obraz Rapid Eye 2013 w kompozycji

15 Analiza zmian Obszary zmian: kolor żółty zmiana Las -> Nie-las, kolor niebieski zmiana Nie-las -> Las 29 Analiza zmian Podsumowanie Metoda bazująca na odejmowaniu wartości wskaźnika NDVI dała lepsze wyniki w badaniu zmian pokrycia terenu od metody analizy postklasyfikacyjnej. 30

16 Analiza zmian Przyszłość Próba określenia ilościowych i powierzchniowych zmian z wykorzystaniem danych teledetekcyjnych. Określenie dokładności obu metod i ograniczeń w ich stosowaniu

17 Ortofoto Cel analizy Pozyskanie danych referencyjnych o kondycji drzewostanów (podział na martwe/chore i żywe) w 2012 na całym obszarze analizy. 33 Ortofoto Metodyka Ortofotomapy z 2012 roku pozyskane w kilku okresach rozdzielczość 0,5m, Podział każdego obszaru na 6 części, Wycięcie powierzchni znajdujących się poniżej 1 metra na podstawie różnicowego modelu pokrycia terenu (ndsm). Dzięki temu wymaskowano obszary zajmowany przez drogi publiczne i leśne, pola, wody oraz wolne przestrzennie pomiędzy drzewami, 34

18 Ortofoto 35 Ortofoto Metodyka Klasyfikacji przeprowadzono w ENVI, metodą Maximum Likelihood Classification., Na obszarach wyznaczano dwie klasy drzew: drzewa zdrowe (barwa zielona) drzewa martwe/chore (barwa czerwona) Dla każdej z sześciu części danego obszaru wyznaczono po 100 poligonów treningowych (1800 w sumie). 36

19 Ortofoto Wyniki Klasyfikacja bardzo dobrze wyznaczyła duże skupiska drzew martwych i chorych. 37 Ortofoto Wyniki Na obszarach B i C ilość drzew martwych i chorych była większa niż na obszarze A, gdzie dominowały drzewa zdrowe. Do weryfikacji wyników użyto wcześniej wyznaczonych poligonów weryfikacyjnych (po 1200 poligonów na obszar 3600 w sumie). Dokłądności całkowite: A 93%, B 94% i C 93%. 38

20 Ortofoto Przyszłość Klasyfikacja obiektowa oraz ilościowe określenie liczby/masy? martwych i żywych drzew oraz odniesienie wyników do informacji zawartych w SILP. Próba połączenia wyników z danymi lotniczego skanowania laserowego. 39 Plan prezentacji 40

21 Analiza przyrostu Cel Określenie dynamiki i kierunku zmian w drzewostanach pomiędzy okresami pozyskania danych teledetekcyjnych. 41 Analiza przyrostu Metodyka W analizie wykorzystujemy dane lotniczego skanowania laserowego pozyskane w 2007 i 2012 roku, Wcześniejsze doświadczenie wskazują na możliwość detekcji przyrostu drzew i drzewostanów przy wykorzystaniu metod bazujących na detekcji pojedynczych drzew (publikacje i analizy w Uroczysku Głuchów). 42

22 Analiza przyrostu Obecnie Skończyliśmy określanie zasięgów poszczególnych drzew na terenie wspólnym dla nalotu z 2007 i 2012 roku - w sumie znaleźliśmy około drzew w Szklarskiej Porębie i około w Świeradowie w 2007 roku, Określiliśmy obszary gdzie nastąpiło wycięcie drzew. 43 Analiza przyrostu 44

23 Analiza przyrostu Przyszłość Określenie przyrostu w zależności od różnych cech drzewostanu i charakterystyk topograficznych (wysokość n.p.m., wystawa), Określenie masy wyciętych drzew i porównanie ich do informacji zawartych w SILP, Określenie wielkości przyrostu i porównanie jej z tablicami, Określenie przyrostu w drzewostanie bez detekcji pojedynczych drzew. 45 Plan prezentacji 46

24 Dokładność NMT Opis analizy Celem weryfikacji było określenie dokładności otrzymanych danych oraz sprawdzenie dokładności numerycznych modeli terenu otrzmanych w wyniku filtracji i interpolacji danych lotniczego skanowania laserowego w różnych programach i przy wykorzystaniu różnych algorytmów interpolujących. 47 Dokładność NMT Opis analizy Pomiar referencyjny na obszarach o różnym spadku, wystawie, w drzewostanach o różnej budowie pionowej, składzie gatunkowym i wieku. Teren pokryty badaniami pokrywał się z 1 pasem skanowania. W terenie pozyskano 1640 punktów. Pomiar geodezyjny. 48

25 Dokładność NMT Opis analizy Dla każdej filtracji (4 warianty) generowaliśmy około 100 modeli w 4 programach. Do szczegółowych analiz wybraliśmy najdokładniejsze modele w grupach. 49 Dokładność NMT Wyniki 50

26 Dokładność NMT Pierwsze wnioski Dokładności numerycznych modeli terenu są bardzo podobne nie zależnie od filtracji i algorytmu interpolującego. Największy wpływ na dokładność ma kąt padania wiązki laserowej na płaszczyznę. wielkość spadku i wysokość runa leśnego. Wydaje się, że struktura drzewostanu nie ma aż tak istotnego wpływu jak pierwotnie myśleliśmy (?). 51 Dokładność NMT Przyszłość Analiza statystyczna uzyskanych różnic oraz wpływu wybranych cech taksacyjnych, topograficznych i technologicznych na dokładność NMT. 52

27 53 Plan prezentacji 54

28 Monitorowanie Celem wykonanej analizy było zbadanie aspektu wzajemnego zacieniania się drzew na stałych powierzchniach obserwacyjnych. Zjawisko to, jest ściśle związane z możliwością wykorzystania jednostanowiskowej metody naziemnego skanowania laserowego w inwentaryzacji drzewostanów. 55 Monitorowanie 56

29 Monitorowanie Analizę wykonano na 57 stałych powierzchniach obserwacyjnych zlokalizowanych na terenie nadleśnictw Świeradów i Szklarska Poręba. 57 Monitorowanie Analizę wykonano w rzucie poziomym na wysokości 1,3 m nad poziomem gruntu (wizualizacja grubości drzew na podstawie pierśnicy), Dla złomów w toku prac terenowych pozyskiwano grubość w połowie wysokości i wysokość. W celu zminimalizowania błędów założono dla wszystkich drzew umowną zbieżystość pnia 0,7 cm i na jej podstawie obliczono grubość złomu na wysokości 1,3 m. Stojących złomów o wysokości mniejszej niż 1,3 m nie uwzględniano w analizie, Nie uwzględniano martwego drewna leżącego. 58

30 Monitorowanie W wyniku dalszych analiz otrzymano poligonowe warstwy wektorowe obszarów zacienionych na powierzchniach obserwacyjnych 59 Monitorowanie Następnie wykorzystując warstwę obszarów zacienionych wyznaczono drzewa żywe i martwe stojące, w różnym stopniu zasłaniane przez pozostałe drzewa. Drzewo żywe całkowicie zacienione Drzewo żywe częściowo zacienione 60

31 Monitorowanie Wyniki cecha wartość liczba SPO 57 liczba drzew żywych na wszystkich analizowanych SPO liczba złomów i posuszu na wszystkich analizowanych SPO Monitorowanie Wyniki cecha drzew żywych zacienionych przez drzewa żywe drzew żywych zacienionych przez złomy i posusz wartość 128 6* * jedno z drzew żywych jest zasłaniane zarówno przez drzewo żywe jak i martwe stojące 62

32 Monitorowanie Wyniki W wyniku analizy wykazano, że na pojedynczą powierzchnię obserwacyjną przypada 1,32 drzewa żywego zakwalifikowanego do klasy niewidoczne i 0,29 drzewa żywego prawdopodobnie niewidocznego. Zatem 1,61 drzewa przypada na jedną SPO. Daje to 8,05 % wszystkich drzew żywych wchodzących w skład powierzchni obserwacyjnej. W dalszej kolejności przeanalizowane zostaną wszystkie powierzchnie (około 600) pomierzone w terenie