LiDAR as a tool for timber assortment assessment and characterization in mountains forests
Author(s)
Alvites Diaz, Cesar Ivan
Date Issued
November 30, 2021
Type
Doctoral Thesis
Abstract
The accurate timber assortment estimation from forests offers socio-economic and environmental benefits to humans. Its accurate assessment supports the better allocation and use of timber and reduces timber waste. It is of primordial importance in the sustainable management of forests, and the conservation of biodiversity over time. In the past, the traditional non-destructive estimation method was commonly used, even if highly complex and with low performance, especially in natural and uneven-aged forests and old-intact forests. Now, in the present era, reliable and realistic representation of trees is possible through active remote sensing techniques such as Light Detection and Ranging (LiDAR). However, it has many operational and technical complexities (i.e., require expertise in data collection and processing), and the complexity of forest stand conditions is a further challenge (i.e., forest structure). These complexities are addressed in many studies, but a reliable method for extracting the timber assortment information using LiDAR data is still lacking. Hence, such a method would be extremely useful for valorising the timber resources and for promoting sustainable management activities.
The aim of the thesis was to develop a robust procedure for timber assortment estimation of trees in a mixed-species and multi-layered forest using LiDAR data. To achieve the objective, the thesis is divided into three sub-objectives. The first research aim was to provide an overview of the most recent approaches used in timber assortment estimation using LiDAR data, through a literature review; the second study aim was to provide a stepwise approach to assess the stem volume and carbon stock at single tree level using Airborne Laser Scanning (ALS) data, while the third study aim was to provide a stepwise approach to retrieve the timber assortment information from forest stands using Terrestrial Laser scanning (TLS) data. These studies were carried out in Bosco Pennataro, a Mediterranean forest belonging to the Central Apennine Mountains in Molise (Italy).
The first task on literature study proved that most research studies were focused on forest inventory (45.25 %) and forest productivity (23.46 %) topics, while few studies investigated the relation between the timber assortment and biodiversity conservation (7.26 %). Overall, the two most used LiDAR devices were ALS and TLS. Since 2010, machine learning algorithms have become essential for predicting, upscaling, modelling and classifying the LiDAR data as highlighted in many studies. The second task highlighted that the heterogeneity of forest structure (vertically and horizontally tree profiles) and the point cloud density are crucial for detecting single trees. The average detection rate was 48 % meaning that about half of trees were detected. The detection rate was higher in forests with heterogeneous structures regardless of the density of point clouds, reaching values between 0.49 and 0.65. The carbon stock was accurately predicted, with a bias ranging from -0.3 % to 1.5 %. The third task allowed to demonstrate that TLS greatly supports tree detection, recognizing 84.4% of trees, reconstructing 67% of detected trees and correctly quantifying 75% of merchantable logs. It is worthy to note that the two procedures (second and third studies) proposed in this thesis were tested for the first time for forest monitoring, especially in mixed-species and multi-layered forests. The implemented approach for detecting trees using ALS data was found slightly more accurate in comparison with a study carried out previously in the same study area; improvement was more visible in understory trees. The unsupervised algorithms used in the detection approach
allowed to identify the trees without previous knowledge of tree position and in a fast way. The stepwise approach applied to TLS data proved to be efficient for extracting the timber assortments for many tree species, especially the Q. cerris. Moreover, this approach provided many insights into TLS data improvement and use for timber assortment assessment. For instance, timber-leaf discrimination in the forest is possible through machine learning even in high species richness conditions. This thesis highlights the usefulness of LiDAR data for accurately and directly representing the timber assortment resources, avoiding destructive methods like cutting and felling of trees. This LiDAR technique also supports sustainable forest planning and management.
La corretta stima dei diversi assortimenti legnosi ottenibili dai popolamenti forestali offre all’uomo vantaggi socioeconomici e ambientali. Tale valutazione, se accurata, consente l’uso appropriato del legname con conseguente riduzione dello spreco. Questo è essenziale per gestire i boschi in un modo sostenibile, e anche per conservare la biodiversità nel corso del tempo. Negli anni passati, la tecnica più diffusa per la stima dei diversi tipi di assortimenti era quella tradizionale, anche se questa risultava essere altamente complessa e poco efficace, specialmente nei boschi misti, disetanei e anche boschi vetusti. Adesso, una rappresentazione affidabile e realistica degli alberi è ottenibile mediante la tecnica di telerilevamento attivo, chiamato Laser Scanner LiDAR (Light Detection and Ranging). Tuttavia, questo metodo ha diverse complessità sia di tipo operazionale, sia di tipo tecnico (richiede degli esperti per il processamento dei dati) e la complessità strutturale da diversi tipi forestali diventa anche una sfida. Queste complessità sono studiate da diversi autori, tuttavia, una tecnica attendibile per recuperare tale informazione usando dati LiDAR è ancora necessaria. Dunque, una tale tecnica sarebbe utile per valorizzare la risorsa legno e per consentire l’implementazione delle attività di gestione sostenibili.
Questa tesi si incentra nello sviluppo di una procedura per la stima dei diversi assortimenti legnosi degli alberi in piedi da boschi misti e pluristratificati usando dati LiDAR. Per raggiungere l'obiettivo, la tesi è stata suddivisa in tre sotto-obiettivi. Con il primo sotto-obiettivo ci si è focalizzati nel fornire una sintesi degli approcci recenti testati per la stima dell'assortimento del legno usando dati LiDAR mediante un articolo di revisione bibliografica; con il secondo sotto-obiettivo è stato fornito un approccio per calcolare la biomassa e lo stock di carbonio immagazzinato negli alberi ad una scala di singolo albero usando dati Laser Scanner Aereo (ALS); con il terzo sotto-obiettivo ci si è incentrati nel fornire un approccio per la stima degli assortimenti legnosi usando dati Laser Scanner Terrestre (TLS). Questi studi sono stati sviluppati in un bosco Mediterraneo misto e pluristratificato, chiamato Bosco Pennataro, il quale si trova nelle montagne centrali degli appennini molisani (Italia).
Il primo studio, quello della revisione bibliografica, ci ha rivelato che la maggior parte degli studi LiDAR si sono concentrati sulla estrazione di variabili dendrometriche per fini inventariali (45.25%), nonché per fini di produttività (23.46%), mentre pochi studi hanno cercato di associare la risorsa legno con le variabili di biodiversità (7.26%). I dispositivi LiDAR più usati per la stima dell’assortimento legnoso risultano essere ALS e TLS. Dagli anni 2010, gli
algoritmi di apprendimento automatico sono diventati essenziali per la previsione, la spazializzazione, la modellazione e la classificazione dei dati LiDAR. Il secondo studio ci ha rivelato che l'eterogeneità strutturale (i profili verticale e orizzontale degli alberi) e la densità di punti sono fattori determinanti per l’identificazione degli alberi. Il tasso medio dell’identificazione degli alberi era del 48%, il che significa che circa la metà degli alberi sono stati correttamente riconosciuti. Il tasso dell’identificazione degli alberi era più alto nelle foreste con una struttura eterogenea, e questo a prescindere dalla densità di punti, la quale era compresa tra il 49% e il 65% di alberi identificati. La precisione dello stock di carbonio era compresa tra il -0.3% e l’1.5% di errore. Il terzo studio ci ha permesso di dimostrare che i dati TLS consentono un’accurata identificazione degli alberi, con un tasso dell'84.4% di alberi identificati, e la quantificazione del 75% dei toppi ottenibili dagli alberi identificati. Vale la pena notare che le procedure implementate nel secondo e terzo studio sono state testate per la prima volta per il monitoraggio dei boschi, nello specifico per i boschi misti e pluristratificati.
L'approccio implementato per l’identificazione degli alberi usando dati ALS è risultato leggermente più accurato rispetto ad un approccio testato nella stessa area di studio. Tale miglioramento era più evidente per gli alberi trovatesi nello stratto dominato. Gli algoritmi non supervisionati, quelli usati per l’identificazione degli alberi, ci hanno permesso di trovare gli alberi senza una previa conoscenza della posizione di tali alberi. L'approccio implementato per analizzare i dati TLS ci ha permesso di quantificare e classificare l’assortimento legnoso di alberi di diverse specie, specialmente Q. cerris L.. Inoltre, questo ultimo approccio mette in luce dei metodi innovativi per migliorare l’analisi dei dati TLS. Ad esempio, permette la discriminazione dei punti appartenenti alle foglie dai punti appartenenti al legno mediante il metodo Random Forests. Questa tesi, infine, mette in luce l'utilità dei dati LiDAR nel rappresentare in modo accurato e diretto la struttura degli alberi, permettendo di conseguenza una migliore decisione di taglio e abbattimento degli alberi. I metodi proposti favoriscono una corretta pianificazione e gestione sostenibile dei boschi.
Additional information
Dottorato di ricerca in Scienze, tecnologie e biotecnologie per la sostenibilità
File(s)![Thumbnail Image]()
Name
calvitesdiaz_tesid.pdf
Size
4.23 MB
Format
Adobe PDF
Checksum (MD5)
7272fb8276d51fc4376f7356e1a5309f