Please use this identifier to cite or link to this item: http://hdl.handle.net/2067/2906
Title: Statistical analyses and techniques for forest volume estimation and stand structural classification using airborne laser scanner data
Other Titles: Analisi e tecniche statistiche per la stima del volume e la classificazione della struttura di popolamenti forestali attraverso dati da scansione laser area
Authors: Torresan, Chiara
Keywords: Lidar;Forest inventory;Forest management;Standing wood volume estimation;Basal area;Forest structure classification;Statistical methods;Inventari forestali;Assestamento forestale;Stima del volume;Struttura forestale;Metodi statistici;AGR/05
Issue Date: 24-Jun-2014
Publisher: Università degli studi della Tuscia - Viterbo
Series/Report no.: Tesi di dottorato di ricerca. 26. ciclo
Abstract: 
Forests represent an important environmental and economic resource and an accurate knowledge of the amount of timber volume and their structural features allows efficient forest management strategies on which decision making processes depend.
Airborne laser scanning (ALS) is widely used for the retrieval of detailed information on height and cover of forests at different levels, whether for individual trees, plots, stands or on a nationwide forest scale. Coupling aerial laser scanner data with inventory data provides information on timber volume and forest structural characterization, and improves the precision of forest inventory estimates.
This thesis attempted to provide specific solutions to some problems and objectives encountered by the Forest Service of Trento Province (Northern East of Italy) pertaining to both forest volume estimation at the forest compartment level and area of classification of structure of forest stands.
Volume estimation at stratum level can be obtained from field plots located within, on the contrary volume estimation in portions of strata may be problematic due to the small number or even the absence of plots in those portions. But if a Canopy Height Model (CHM) is available for the whole area under planning, height at pixel level can be used as auxiliary information. A ratio model presuming a proportional relationship between heights and volumes at pixel level was adopted to lead to an estimation. From this model, the volume within any portion was estimated as the proportionality factor estimate multiplied by the total of heights in that portion. This volume estimator was considered from the model-based, design-based and hybrid perspectives, and variances and their estimator were derived under the three approaches. Volume estimator and the model-based, design-based, and hybrid variance estimators were checked by a simulation study performed on a real forest in Val di Sella (South-Eastern of Trento Province), considered as a fixed population in which plots were randomly allocated at each simulation run. Furthermore, volume estimator and the hybrid variance estimator were applied to infer the volume of four forest compartments in the public forest estate of San Martino di Castrozza (North-Eastern of Trento province). The simulation and the case study showed that the bias of the volume estimator derived from the ratio model adopted depends on the similarity of the whole stratum and the portion of stratum in which estimation is performed. In presence of negligible bias, the results from simulation and case study are satisfactory in terms of relative root mean square error and hybrid variance estimates, respectively.
The Forest Service of Trento Province presently uses a structural classification system based on the percentage of basal area in small (or understory), medium (or mid-story), and large (or
overstory) trees. The classification in forest structural types is one of the primary goals along with species composition, for forest managers to identify the strata in the process of forest inventory based on stratified sampling. Moreover, the forest structural classification is used during the decision making process.
This dissertation examined the use of CHM-derived metrics to predict one of the twelve forest structure classes of the classification system utilized by the Forest Service. Two approaches to predict size-based forest classifications were evaluated: in the first, supervised classification with both linear discriminant analysis (LDA) and random forest (RF) was attempted; in the second, basal areas of small, medium, and large trees from CHM-derived variables by k-nearest neighbor imputation (k-NN) and parametric regression were predicted, and then classified observations based on their predicted basal areas. Leave-one-out cross-validation was used to evaluate the ability to predict forest structure classes from CHM data and in the case of prediction-based classification approach the performances in predicting basal area were evaluated. The strategies proved moderately successful, being the LDA the techniques with best performance. In general, the prediction of basal areas of understory and overstory trees was the most successful.
An additional study was carried out to assess whether metrics extracted this time from lidar raw point cloud can be exploited to discriminate different forest types through machine learning techniques such as classification trees. This study suggests that the proportion of basal area in diameter size-classes is a valuable parameter to distinguish between different forest structural clusters through clustering analysis. The five airborne laser scanner metrics selected for this study were able to confirm that at least one of the five forest structure patterns identified by the clustering analysis (pole-stage, young, adult, mature, and old forests) is different from the other patterns. The classification tree model built into this study provided moderately satisfactory results in term of classification performance. The binary tree representing the model is clearly interpretable and easily usable by forest technicians in operational contexts.
This dissertation contributed to the body of knowledge that is related to the application of statistical analyses and techniques for forest resources inventory using airborne laser scanner data. Nevertheless, more work is suggested. Future research emphasis could be on how reflectivity from a laser of different wavelengths could be used to discriminate between different types of forest cover. Moreover fusion between lidar data and other image sources could be investigated.

I boschi rappresentano un’importante risorsa ambientale ed economica, pertanto un’accurata conoscenza dell’ammontare del volume assestamentale e delle caratteristiche della loro struttura è alla base del processo di presa di decisioni nell’ambito di un’efficace pianificazione e gestione forestale.
La scansione attraverso laser aviotrasportato, o scansione lidar o scansione laser aerea, ha determinato la possibilità di utilizzare la terza dimensione nel contesto forestale e ricavare dati su parametri morfometrici e strutturali a diversi livelli, dal singolo albero, alle aree di saggio, ai popolamenti forestali, alle foreste su scala regionale. L’abbinamento di dati lidar con dati inventariali consente di ricavare informazioni sul volume forestale e di caratterizzare la struttura dei popolamenti, incrementando la precisione delle stime inventariali.
Attraverso questa tesi si è voluto fornire soluzioni a specifici quesiti del Servizio Foreste e Fauna della Provincia Autonoma di Trento legati alla stima del volume a livello di particella e alla classificazione della struttura dei popolamenti forestali.
Nell’ambito dell’assestamento trentino, la stima del volume a livello di strato è ottenuta dai valori di volume delle aree di saggio che ricadono nello strato stesso; la stima a livello di sezione, che si genera dall’intersezione strato-particella forestale, può risultare non accurata a causa del numero ridotto o addirittura dall’assenza di aree di saggio nelle sezioni. Disporre del Modello Digitale delle Chiome, ottenuto da dati lidar per l’intera area sottoposta a pianificazione, consente di utilizzare l’altezza ricavabile a livello di pixel come informazione ausiliaria. Un modello che presuppone una relazione proporzionale tra l’altezza e il volume a livello di pixel è stato adottato per condurre alla stima del volume a livello di sezione. Attraverso questo modello, il volume è stimato come prodotto tra il fattore di proporzionalità proprio dello strato e la somma delle altezze nella sezione. Lo stimatore del volume è stato considerato secondo una metodologia basata sul modello, sul disegno campionario e ibrida e la varianza e il suo stimatore sono stati considerati secondo i tre approcci. Attraverso una simulazione basata su dati reali rilevati su una superficie forestale, considerata come unico strato, in Val di Sella, nel Trentino Sud-Orientale, sono stati analizzati lo stimatore del volume a livello di sezione e gli stimatori della varianza. Inoltre lo stimatore del volume e lo stimatore della varianza sono stati impiegati per stimate il volume di quattro particelle forestali del piano di San Martino di Castrozza, nel Trentino Nord-Orientale, secondo l’approccio ibrido. Sia la simulazione che il caso di studio hanno dimostrato che la distorsione dello stimatore del volume dipende dalla similitudine tra le caratteristiche dell’intero strato e quelle della sezione in cui viene effettuata la stima. In presenza di una distorsione trascurabile, i risultati ottenuti sia nell’ambito della simulazione che del caso di studio sono stati
soddisfacenti rispettivamente in termini di errore quadratico medio relativo e di stima della varianza ibrida.
In Trentino, la classificazione della struttura dei popolamenti forestali, assieme alla composizione, è il principale criterio adottato in fase di stratificazione nell’ambito di campionamenti stratificati con finalità inventariali. Inoltre, nella scelta degli interventi selvicolturali, i tecnici forestali considerano il sistema di classificazione dei tipi forestali per identificare le potenziali transizioni di un tipo forestale verso altri e per decidere di conseguenza quali interventi mettere in atto per guidare questo passaggio. Il Servizio Foreste e Fauna attualmente utilizza un sistema di classificazione basato sulla ripartizione percentuale dell’area basimetrica nelle piante piccole, medie e grosse. Attraverso questa tesi si è voluto esaminare l’impiego di statistiche (i.e. metriche) estratte dal Modello Digitale delle Chiome per predire uno dei dodici tipi di struttura che costituiscono il sistema di classificazione usato in Trentino. Due approcci sono stati adottati: nel primo è stata applicata una classificazione supervisionata, attraverso analisi discriminante lineare e foreste casuali; nel secondo l’area basimetrica delle piante piccole, medie e grosse è stata predetta attraverso l’algoritmo k-nearest neighbor e regressioni parametriche e successivamente le osservazioni sono state classificate sulla base dei valori di area basimetrica predetti. Per valutare la capacità predittiva delle tecniche di classificazione supervisionata si è usata la leave-one-out cross-validation, mentre la performance delle tecniche usate nel secondo approccio è stata valutata analizzando la capacità di predizione dell’area basimetrica. In generale le tecniche adottate hanno fornito livelli di accuratezza di classificazione moderatamente soddisfacenti, essendo l’analisi discriminante lineare a fornire la migliore prestazione. Inoltre, miglior accuratezza di predizione dell’area basimetrica si è verificata nel caso delle piante piccole e grosse.
Un ulteriore studio è stato compiuto per valutare se variabili predittive ottenute stavolta direttamente dalla nuvola di punti lidar potessero essere utilizzate con successo per discriminare diversi tipi strutturali mediante l’impiego di tecniche di machine learning, quali gli alberi di classificazione. L’impiego di un algoritmo di classificazione gerarchica prima e del k-means algoritmo in seguito nell’ambito della cluster analisi ha consentito di assegnare le osservazioni a cinque categorie non definite a priori: spessine, boschi giovani, adulti, maturi, vetusti. Il test di Kruskal-Wallis ha dimostrato che le cinque variabili lidar selezionate sono in grado di confermare che almeno uno dei cinque patterns strutturali identificati attraverso la cluster analisi è diverso dagli altri gruppi. La performance del modello di classificazione sviluppato per predire i cinque tipi strutturali è stata valutata sulla base dell’errore di classificazione ed il modello è stato validato attraverso una procedura di validazione esterna. L’albero decisionale prodotto dallo studio e la
rispettiva regola individuata potranno venire impiegati dai tecnici forestali in un contesto operativo per classificare nuovi popolamenti forestali del Trentino.
Le ricerche svolte nell’ambito di questo dottorato di ricerca hanno contribuito al corpo delle conoscenze legato all’applicazione di tecniche ed analisi statistiche per il monitoraggio e l’inventariazione delle risorse forestali attraverso l’impiego di dati da scansione laser aerea. Tuttavia, le ipotesi per successive ricerche non mancano. Successivi studi potranno riguardare l’utilizzo della componente di intensità del segnale laser di ritorno come fonte di informazione: in particolare l’attenzione potrà essere dedicata a comprendere come la riflettività ottenuta in risposta ad impulsi laser di varie lunghezze d’onda possa essere utilizzata per discriminare differenti tipi di copertura forestale. Altro oggetto di studio potrà essere la fusione tra dati lidar e dati provenienti da altre fonti di telerilevamento e l’impiego di ulteriori algoritmi di apprendimento automatico rispetto a quelli considerati in questa tesi con finalità di analisi morfometrico-strutturale.
Description: 
Dottorato di ricerca in Ecologia forestale
URI: http://hdl.handle.net/2067/2906
Appears in Collections:Archivio delle tesi di dottorato di ricerca

Files in This Item:
File Description SizeFormat
ctorresan_tesid.pdf4.97 MBAdobe PDFView/Open
Show full item record

Page view(s)

1
Last Week
0
Last month
1
checked on Nov 25, 2020

Download(s)

2
checked on Nov 25, 2020

Google ScholarTM

Check


This item is licensed under a Creative Commons License Creative Commons