Porovnání leaf-off a leaf-on UAV modelů vegetace v bezpečnostním monitoringu

Bc. Barbora Maletínská

Master's thesis

Comparison of leaf-off and leaf-on UAV-based vegetation models in safety monitoring

Abstract:

Diplomová práce se zaměřuje na porovnání výškové přesnosti leaf-on (vegetační období) a leaf-off (mimo vegetační období) modelů vegetace vytvořených na základě dat pořízených UAV (angl. unmanned aerial vehicles) senzory. Mezi dílčí cíle práce patří zjištění přesnosti leaf-on a leaf-off modelů vegetace při určování výšek stromů a jak se přesnost těchto modelů liší v porovnání s terénním měřením. Dále se diplomová práce zaměřuje na otázku, zda existují rozdíly výškové přesnosti modelů pro jednotlivé druhy stromů a zda kombinace leaf-on digitálního modelu povrchu (DSM) a leaf-off digitálního modelu terénu (DTM) přináší zvýšení přesnosti. Součástí je také monitoring zdravotního stavu vegetace podél dopravní infrastruktury pomocí spektrálních indexů Normalized Difference Vegetation Index (NDVI) a Normalized Difference Red Edge Index (NDRE) a vyhodnocení vhodnosti využití těchto indexů pro monitoring stavu vegetace. Výzkum probíhal na třech lokalitách reprezentujících tři rozdílné typy porostu (listnatý, jehličnatý a smíšený) pomocí terénního měření a náletu oblastí bezpilotními prostředky. Z canopy height modelů (CHM) byla následně extrahována a porovnána výška jednotlivých stromů s referenčním měřením pomocí lineární regrese, mean absolute erroru (MAE) a root mean square erroru (RMSE). Nejlepších výsledků v průměru dosahoval leaf-on model, který se zdá být vhodný pro odhadování výšky jak u listnatého typu lesa, tak jehličnatého. Výsledky leaf-off modelu ukazují, že je nevhodný pro odhad výšky listnatých stromů, ale naopak je přínosný pro analýzy jehličnatého typu porostu. Kombinace leaf-on a leaf-off modelů ve většině případů nepřinášela zlepšení výsledků, a to až na odhad výšky u smíšeného typu lesa a následně také u koeficientu determinace u dubu. Z výsledků práce je zřejmé, že lze pomocí UAV dat přesně odhadovat výšky vegetace a je možné je tak považovat za spolehlivou metodu, která má potenciál doplňovat, případně zcela nahrazovat pozemní měření. Dále diplomová práce prokazuje přínosnost vegetačních indexů spočtených z UAV multispektrálních snímků pro monitoring a odhad zdravotního stavu vegetace. NDRE se svými výsledky zdá být citlivější k drobnějším změnám zdravotního stavu vegetace, což může být užitečné pro včasné odhalení zhoršujícího se stavu vegetace.

Abstract:

This thesis focuses on the comparing the height accuracy of leaf-on (growing season) and leaf-off (non-growing season) vegetation models created from data acquired by unmanned aerial vehicles (UAV) sensors. The sub-objectives of the thesis include determining the accuracy of leaf-on and leaf-off vegetation models in determining tree heights and how the accuracy of these models differs compared to field measurements. Furthermore, the thesis focuses on whether there are differences in the height accuracy of the models for different tree species and whether the combination of leaf-on digital surface model (DSM) and leaf-off digital terrain model (DTM) brings an increase in accuracy. The thesis also includes monitoring vegetation health along transportation infrastructure using the Normalized Difference Vegetation Index (NDVI) and Normalized Difference Red Edge Index (NDRE) and evaluating the suitability of using these indices for vegetation health monitoring. The research was conducted at three sites representing a particular vegetation type (deciduous, coniferous and mixed) using field measurements and aerial surveys of the areas by UAV. The height of each tree was then extracted from the canopy height models (CHM) and compared to the reference measurement using linear regression, mean absolute error (MAE) and root mean square error (RMSE). On average, the best results were achieved by the leaf-on model, which seems to be suitable for estimating height in both deciduous and coniferous forest types. The results of the leaf-off model show that it is unsuitable for estimating the height of deciduous trees, but on the contrary it is beneficial for coniferous stand type analyses. The combination of the leaf-on and leaf-off models did not yield improved results in most cases, except for height estimation in mixed forest type and subsequently for the coefficient of determination in oak. From the results of this work it is clear that UAV data can be used to accurately estimate vegetation heights and can be considered as reliable method that has the potential to complement or completely replace ground-based measurements. Furthermore, the thesis demonstrates the usefulness of vegetation indices calculated from UAV multispectral imagery for monitoring vegetation health. NDRE with its results is more sensitive to minor changes in vegetation health, which can be useful for early detection of deteriorating vegetation condition.

Keywords

RMSE, MAE, normovaný digitální model povrchu, canopy height model, Structure from Motion, bodové mračno

Keywords

canopy height model, normalized digital surface model, Structure from Motion, point cloud, MAE, RMSE

Language used: Czech

Date on which the thesis was submitted / produced: 26. 3. 2024

Thesis defence

• Supervisor: Ing. Tomáš Klouček, Ph.D.
• Reader: Olga Špatenková, D.Sc.

Czech University of Life Sciences Prague

Faculty of Environmental Sciences

Master programme:
Spatial Sciences in the Environment