Instytut Badawczy Leśnictwa

Instytut Badawczy Leśnictwa www.ibles.pl 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

Wstęp

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

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

Jedno z możliwych rozwiązań - projekt

Cele projektu

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

Dane Zdj. K. Pilch

Powierzchnie naziemne

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

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 2015 2016 2017 2018 2019

Wyniki analiz teledetekcyjnych

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

Dane lotniczego skanowania laserowego

Detekcja pojedynczych drzew

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

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

Wysokość

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

Monitorowanie gradacji kornika drukarza

Detekcja martwych stojących drzew

Potencjalne zagrożenie przy szlakach 1 2 3 4

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

Skład gatunkowy - ALS

Skład gatunkowy - ALS 1 SOSNA - ŚWIERK - LIŚCISTE W PODZIALE NA ŻYWE I MARTWE 0.95 0.9 0.85 0.8 0.75 0.7 a b b c c c ALS_s CIR_ALS_s CIR_ALS_w ALS_w ALS_sw CIR_ALS_sw OA Kappa

Skład gatunkowy - ALS 1 ŻYWE - MARTWE 0.98 0.96 0.94 0.92 0.9 0.88 0.86 0.84 0.82 0.8 a b b b b b ALS_w ALS_s ALS_sw CIR_ALS_w CIR_ALS_s CIR_ALS_sw Accuracy Kappa

Skład gatunkowy - ALS

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

Dynamika zamierania świerka w latach 2015-2017 449 tys. m 3 612 tys. m 3 713 tys. m 3 Lipiec 2015 r. Sierpień 2015 r. Październik 2015 r.

Dynamika zamierania świerka w latach 2015-2017 1175 tys. m 3 1868 tys. m 3 Sierpień 2016 r. Październik 2017 r.

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

Liczba nowo powstałych grup drzew martwych Wielkość grupy Sierpień 2015 Październik 2015 1 (1 drzewo) 1794 1151 2 (2-5 drzew) 598 229 3 (>5 drzew) 64 4 suma: 2456 1384

Dynamika zamierania świerka w roku 2015 Liczba nowo powstałych grup w odniesieniu do kierunków świata W NW 350 300 250 200 150 100 50 0 N NE E SW SE S August sierpień 2015 2015 October październik 2015 2015

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

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

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

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

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

Analiza składu gatunkowego na podstawie zdjęć hiperspektralnych Lipiec Sierpień Październik

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

Leśna Mapa Numeryczna vs Klasyfikacja

Podsumowanie

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

Dziękuję za uwagę.