Kvantifikace a detekce kůrovcových souší pomoci DPZ

Bc. Daniel Nový

Master's thesis

Quantification and detection of dead trees by remote sensing methods

Abstract:

Diplomová práce si stanovuje za cíl vytvořit klasifikace leteckých snímků na základě zdravotního stavu stromů a výsledky mezi sebou porovnat. Dále je v rámci diplomové práce prováděno terénní šetření, na základě kterého je získána zásoba na zkusné ploše a porovnána s daty získanými z leteckého snímku. Výzkum byl prováděn na porostech nacházejících se v národním parku České Švýcarsko, protože zde ve velké míře dochází k umírání smrkových porostů z důvodu kůrovcové kalamity. V roce 2021 zde bylo provedeno letecké snímkování a sběr terénních dat na zkusných plochách. Na 11 leteckých snímcích byla provedena klasifikace ve třech různých programech: ArcGis Pro, Erdas Image a eCognition 9.5. Bylo zároveň využito třech různých algoritmů pro zpracování klasifikace – algoritmy random forest, support vector machine a maximum likelihood. Ze všech získaných přesností byly stanoveny střední hodnoty, které byly porovnány mezi sebou. Nejvyšší přesnosti bylo dosaženo v programu ArcGis Pro s využitím algoritmu support vector machine a to 99,8 %. V programu Erdas Image a algoritmu maximum likelihood byla dosažena přesnost 94 %. V programu eCognition 9.5. a algoritmu random forest byla přesnost 92,93 %. Jednotlivé přesnosti byly porovnány ANOVA testem a dále Tukeyho posthoc testem. Testy prokázaly, že u přesností dosažených programy ArcGis – Erdas a ArcGis – eCognition 9.5. byly statisticky signifikantnímu rozdíly. Dále proběhlo stanovení zásoby na 89 zkusných plochách za pomocí rovnic z Československých objemových tabulek. U stejných ploch došlo k extrakci dat z leteckého snímku. Byl pozorován vztah zásoby plochy získanou výpočtem z terénního měření a sumou hodnot výšek, průměrem výšek (střední hodnota výšek) a percentil 90 (horní výška) získaných z leteckého snímku. Na základě korespondujících dat z leteckého snímku byly sestrojeny lineární modely, z kterých lze zásobu odvodit pro části, kde nebyly pozemní data měřeny. Z modelu využívající k odvození sumu výšek lze zásobu odvodit s 89,7 % přesností. Model využívající průměr výšek (střední hodnota výšek) dosáhl přesnosti 89,59 % a model využívající percentil 90 (horní výšku) dosáhl přesnosti 86,45 %. Nakonec byla provedena metoda stepwise regression k nalezení „nejlepšího“ modelu. Metoda stepwise regression vybrala tři veličiny – sumu výšek, průměr výšek (střední hodnota výšek) a percentil 90 (horní výšku), z kombinace těchto veličin byl vytvořen model, který dosáhl přesnosti 89,8 %.

Abstract:

The thesis aims to create classifications of aerial images based on tree health and compare the results with each other. Furthermore, a field survey is carried out within the thesis, based on which the standing volume on the sample plot is obtained and compared with the data obtained from the aerial photograph. The research was carried out on stands located in the Czech Switzerland National Park, because spruce stands are dying to a large extent due to the bark beetle calamity. In 2021, aerial photography and field data collection were carried out in sample plots. The 11 aerial images were classified in three different programs: ArcGis Pro, Erdas Image and eCognition 9.5. At the same time, three different algorithms were used to process the classification – random forest, support vector machine and maximum likelihood. From all the obtained accuracies, mean values were determined and compared with each other. The highest accuracy was achieved in ArcGis Pro using the support vector machine algorithm at 99.8 %. In Erdas Image and the maximum likelihood algorithm, an accuracy of 94 % was achieved. In eCognition 9.5 and the random forest algorithm, the accuracy was 92.93 %. The individual accuracies were compared by ANOVA test and Tukey's posthoc test. The tests showed that for the accuracies achieved by the programs Additionally, inventory was determined on 89 sample plots using equations from the Czechoslovak volume tables. For the same plots, data were extracted from aerial photography. The relationship of sample plot inventory obtained by calculation from field measurements and the sum of height values, mean (mean value of heights) and percentile 90 (top height) obtained from the aerial photograph was observed. Based on the corresponding aerial photograph data, linear models were constructed from which inventory can be derived for the portions where ground data were not measured. From the model using the sum of heights to derive the stock can be derived with 89.7 % accuracy. The model using the mean (mean value of heights) achieved 89.59 % accuracy and the model using the 90th percentile (top height) achieved 86.45 % accuracy. Last, a stepwise regression method was performed to find the "best" model. The stepwise regression method selected three variables – sum of heights, mean (mean value of heights) and percentile 90 (top height), the combination of these variables was used to create a model that achieved 89.8 % accuracy.

Keywords

Dálkový průzkum Země, souše, kůrovec, inventarizace, klasifikace, ArcGis Pro, Ecognition 9.5., Erdas Image, random forest, support vector machine, maximum likelihood

Keywords

Remote sensing, dead tree, bark beetle, inventory, classification, ArcGis Pro, Ecognition 9.5., Erdas Image, random forest, support vector machine, maximum likelihood

Language used: Czech

Date on which the thesis was submitted / produced: 9. 4. 2022

Thesis defence

• Supervisor: doc. Ing. Peter Surový, PhD.

Czech University of Life Sciences Prague

Faculty of Forestry and Wood Sciences

Master programme / field:
Forestry Engineering / Forest Engineering