Instytut Badawczy Leśnictwa

Transkrypt

1 Instytut Badawczy Leśnictwa Monitorowanie stanu obszarów leśnych z wykorzystaniem danych teledetekcyjnych na przykładzie Puszczy Białowieskiej Krzysztof Stereńczak, Miłosz Mielcarek, Bartłomiej Kraszewski, Żaneta Piasecka, Aneta Modzelewska, Małgorzata Białczak, Rafał Sadkowski, Agnieszka Kamińska, Maciej Lisiewicz, Renata Wilkowska, Instytut Badawczy Leśnictwa

2 Wstęp

3 Dostępne informacje o PB przed 2013 rokiem Pozyskiwane były przez różne jednostki zarządzające PB Nie miały jednolitej struktury Dotyczyły określonych obszarów Powodowały konflikty

4 Zdiagnozowane potrzeby Jednorodna i obiektywna obserwacja procesów zachodzących w PB Stała i jednorodna sieć powierzchni naziemnej Wskazanie innych danych umożliwiających wnioskowanie o stanie PB Poznanie historii PB

5 Jedno z możliwych rozwiązań - projekt

6 Cele projektu

7 Cele projektu Projekt ma na celu opracowanie i zastosowanie metody monitoringu dużego obiektu leśnego z wykorzystaniem danych teledetekcyjnych. W szczególności: Monitorowanie dynamiki drzewostanów w Puszczy Białowieskiej z wykorzystaniem pomiarów naziemnych i danych teledetekcyjnych Analiza sposobów odnawiania się, odmładzania i regeneracji drzewostanów, w tym z wykorzystaniem naturalnie powstających luk Monitorowanie drzewostanów świerkowych ze szczególnym uwzględnieniem dynamiki aktualnej gradacji kornika drukarza Opracowanie zestawienia różnego rodzaju technik i danych teledetekcyjnych, optymalnego dla potrzeb monitorowania lasów Promocja Puszczy Białowieskiej, programu LIFE + i wyników projektu

8 Dane Zdj. K. Pilch

9 Powierzchnie naziemne

10 Powierzchnie naziemne

11 Dane pozyskane z poziomu lotniczego i satelitarnego CNES 2015, Dystrybucja AIRBUS DS

12 Dane pozyskane z poziomu lotniczego i satelitarnego ALS DANE HIPERSPEKTRALNE DANE SATELITARNE DANE SATELITARNE DANE HIPERSPEKTRALNE DANE MULTISPEKTRALNE DANE MULTISPEKTRALNE ALS DANE HIPERSPEKTRALNE DANE MULTISPEKTRALNE

13 Wyniki analiz teledetekcyjnych

14 Rozwój metod Rozwój metod będzie trwał do końca projektu i postępował w układzie iteracyjnym.

15 Dane lotniczego skanowania laserowego

16 Detekcja pojedynczych drzew

17 Detekcja pojedynczych drzew

18 Weryfikacja segmentacji Dane referencyjne drzewa z naziemnych powierzchni monitoringowych (widoczność 1 i 2) Powierzchnie weryfikacyjne 20 powierzchni w drzewostanach iglastych (udział świerka i sosny ponad 90%) 26 powierzchni w drzewostanach liściastych (udział drzew liściastych powyżej 90%) 23 powierzchnie w drzewostanach mieszanych (drzewa liściaste i iglaste około 50%) Weryfikacji podlegało 1200 drzew (łącznie na 3 kategoriach powierzchni weryfikacyjnych) Ocena wizualna weryfikacja właściwa porównanie lokalizacji drzew z pomiaru terenowego z segmentami powstałymi w procesie delineacji koron. Wyróżniono 2 podstawowe rodzaje błędów w segmentacji: B Nadsegmentacja C Podsegmentacja A Segmentacja poprawna Dokładność segmentacji [ % poprawnie rozsegmentowanych drzew ] liściaste iglaste mieszane 80,6 83,9 75,3

19 Cechy pojedynczych drzew Wysokość drzewa Objętość korony Wysokość podstawy korony Powierzchnia rzutu korony

20 Wysokość

21 Zasobność drzewostanów PB Przeciętna zasobność lasów Puszczy Białowieskiej wynosi ok. 380 m 3 /ha, a zapas 22,0 mln m 3.

22 Monitorowanie gradacji kornika drukarza

23 Detekcja martwych stojących drzew

24 Detekcja martwych stojących drzew

25 Detekcja martwych stojących drzew

26 Potencjalne zagrożenie przy szlakach

27 Potencjalne zagrożenie przy szlakach 1 przy szlaku znajduje się >10* zagrażających martwych drzew 2 przy szlaku znajduje się 1-10* zagrażających martwych drzew 3 przy szlaku brak* zagrażających martwych drzew. *Wartości określone dla 50 metrów bieżących szlaku

28 Skład gatunkowy - ALS

29 Skład gatunkowy - ALS 1 SOSNA - ŚWIERK - LIŚCISTE W PODZIALE NA ŻYWE I MARTWE a b b c c c ALS_s CIR_ALS_s CIR_ALS_w ALS_w ALS_sw CIR_ALS_sw OA Kappa

30 Skład gatunkowy - ALS 1 ŻYWE - MARTWE a b b b b b ALS_w ALS_s ALS_sw CIR_ALS_w CIR_ALS_s CIR_ALS_sw Accuracy Kappa

31 Skład gatunkowy - ALS

32 Dynamika zamierania świerka w roku 2015 (zdjęcia hiperspetralne) WMK Segmentacja Wybór segmentów reprezentujących drzewa martwe Wynik klasyfikacji obrazu Drzewa martwe inne

33 Dynamika zamierania świerka w latach tys. m tys. m tys. m 3 Lipiec 2015 r. Sierpień 2015 r. Październik 2015 r.

34 Dynamika zamierania świerka w latach tys. m tys. m 3 Sierpień 2016 r. Październik 2017 r.

35 Dynamika zamierania świerka w roku 2015 Możliwe scenariusze rozprzestrzenienia się gradacji: BRAK ZMIAN Rozprzestrzenianie się gradacji w kolejnych terminach Pojawianie się nowych ognisk gradacji

36 Liczba nowo powstałych grup drzew martwych Wielkość grupy Sierpień 2015 Październik (1 drzewo) (2-5 drzew) (>5 drzew) 64 4 suma:

37 Dynamika zamierania świerka w roku 2015 Liczba nowo powstałych grup w odniesieniu do kierunków świata W NW N NE E SW SE S August sierpień October październik

38 Zamieranie świerka w 2015 roku (ALS) determinanty drzewostanowe ZWARCIE KORON GATUNEK PANUJĄCY WYSOKOŚĆ DRZEW łącznie ok. 40% zmienności wyjaśnionej

39 Zamieranie świerka w 2015 roku (ALS) determinanty topograficzne TPI-5000 NACHYLENIE DEM WYSTAWA łącznie ok. 25% zmienności wyjaśnionej

40 Dalsze prace nad wynikami klasyfikacji i segmentacji Połączone w 1 klasę Nadsegmentacja Żywe drzewo Martwe drzewo Pień Inne Połączone w 1 klasę Połączone w 1 klasę Jedna gałąź Dwie gałęzie Kilka gałęzi Jedna gałąź z 1 drzewem Dwie gałęzie z dwoma drzewami

41 Modelowanie warunków świetlnych na podstawie danych ALS Zastosowanie technologii skanowania laserowego (LIDAR) w modelowaniu warunków świetlnych w lasach gospodarczych Puszczy Białowieskiej. Monitorowanie i kwantyfikacja warunków świetlnych ma znaczenie w hodowli lasu oraz studiach nad rozwojem roślinności. Dane wejściowe: - Zdjęcia hemisferyczne (100 powierzchni badawczych, 5 zdjęć na powierzchnię) - Dane ALS

42 Modelowanie warunków świetlnych na podstawie danych ALS Wartość średniego dziennego nasłonecznienia bezpośredniego (a) i rozproszonego (b)

43 Analiza składu gatunkowego na podstawie zdjęć hiperspektralnych Lipiec Sierpień Październik

44 Analiza składu gatunkowego na podstawie zdjęć hiperspektralnych Lipiec Sierpień Październik

45 Analiza składu gatunkowego na podstawie zdjęć hiperspektralnych Wynikowa mapa składu gatunkowego Powstała na podstawie głosowania z zachowaniem następujących warunków: Piksel 2 lub 3 razy w klasie k klasa k 3 razy różna klasa wartość z sierpnia (najwyższa dokładność) Wartość NA w październiku (wcześniej drzewo liściaste) wartość z sierpnia Wartość NA w lipcu wartość z sierpnia

46 Leśna Mapa Numeryczna vs Klasyfikacja

47 Podsumowanie

48 Najważniejsze fakty dotyczące projektu Pierwsza w historii sieć powierzchni obejmująca cały obszar PB i tak kompleksowo mierzona Opracowywanie autorskich metod i algorytmów analizy danych teledetekcyjnych dla tak dużego obszaru Obiektywizacja interpretacja danych automatyzacja analiz Integracja różnych danych Ponad 50 umów dotyczących wdrożenia efektów projektu

49 Dziękuję za uwagę.