Estimation of Scots pine defoliation by the Common pine sawfly (Diprion pini L.) using multi-temporal radar data
| Title: | Estimation of Scots pine defoliation by the Common pine sawfly (Diprion pini L.) using multi-temporal radar data |
| Author(s): | Latva-Käyrä, Petri |
| Contributor: | University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences |
| Discipline: | Forest Resource Science and Technology |
| Language: | English |
| Acceptance year: | 2012 |
| Abstract: |
The intensity and frequency of insect outbreaks have increased in Finland in the last decades and they are expected to increase even further in the future due to global climate change. In 1998-2001 Finland suffered the most severe insect outbreak ever recorded, over 500,000 hectares. The outbreak was caused by the common pine sawfly (Diprion pini L.). The outbreak has continued in the study area, Palokangas, ever since. To find a good method to monitor this type of outbreaks, the purpose of this study was to examine the efficacy of multitemporal ERS-2 and ENVISAT SAR imagery for estimating Scots pine defoliation.
The study area, Palokangas, is located in Ilomantsi district, Eastern-Finland and consists mainly even-aged Scots pine forests on relatively dry soils. Most of the forests in the area are young or middle-aged managed forests. The study material was comprised of multi-temporal ERS-2 and ENVISAT synthetic aperture radar (SAR) data. The images had been taken between the years 2001 and 2008. The field data consisted 16 sample plots which had been measured seven times between the years 2002 and 2009. In addition, eight sample plots were added afterwards to places which were known to have had cuttings during the study period.
Three methods were tested to estimate Scots pine defoliation: unsupervised k-means clustering, supervised linear discriminant analysis (LDA) and logistic regression. In addition, it was assessed if harvested areas could be differentiated from the defoliated forest using the same methods. Two different speckle filters were used to determine the effect of filtering on the SAR imagery and subsequent results. The logistic regression performed best, producing a classification accuracy of 81.6% (kappa 0.62) with two classes (no defoliation, >20% defoliation). LDA accuracy was with two classes at best 77.7% (kappa 0.54) and k-means 72.8 (0.46). In general, the largest speckle filter, 5 x 5 image window, performed best. When additional classes were added the accuracy was usually degraded on a step-by-step basis. The results were good, but because of the restrictions in the study they should be confirmed with independent data, before full conclusions can be made that results are reliable. The restrictions include the small size field data and, thus, the problems with accuracy assessment (no separate testing data) as well as the lack of meteorological data from the imaging dates.
Hyönteistuhojen intensiteetti ja toistumistiheys ovat kasvaneet viime vuosikymmeninä ja niiden uskotaan asvavan entisestään ilmastonmuutoksen seurauksena. Vuosina 1998-2001 Suomessa tapahtui suurin koskaan tallennettu hyönteistuho, jossa hyönteistuho koski yli 500 000 hehtaaria metsää. Hyönteistuho oli pilkkumäntypistiäisen (Diprion pini L.) aiheuttama. Hyonteistuho on jatkunut Palokankaan alueella siitä lähtien. Jotta tällaisten tapausten monitorointiin löytyisi hyvä tapa, tämän tutkimuksen tarkoituksena oli testata multitemporaalista ERS-2 ja ENVISAT aineistoa männyn neulaskadon estimoinnissa.
Tutkimusalue, Palokangas, sijaitsi itäisessä Suomessa Ilomantsin kunnan alueella. Metsä koostui pääasiassa tasaikäisestä männystä, joka sijaitsi kuivalla kangasmaalla. Suurin osa alueen metsistä on joko nuorta tai keski-ikäistä hoidettua metsää. Tutkimusaineisto koostui multitemporaalisesta ERS-2 ja ENVISAT synteettisisestä apertuuri tutka (SAR) aineistosta. Tutkakuvat olivat otettu vuosien 2001 ja 2008 välillä. Maastoaineisto koostui 16 koealasta, jotka oli mitattu seitsemän kertaa vuosien 2002 ja 2009 välillä. Lisäksi kahdeksan koealaa lisättiin tutkakuville kohtiin, joissa tiedettiin olleen hakkuita tutkimusperiodin aikana.
Tutkimuksessa testattiin kolme erilaista metodia estimoida männyn neulaskatoa: ohjaamaton k-means klusterointi, ohjattu lineaarinen diskriminantti analyysi (LDA) sekä logistinen regressio. Neulaskadon lisäksi tutkimuksessa testattiin, käyttäen samoja metodeja, miten harvennetut ja päätehakatut metsäalueet erottuvat neulaskadosta kärsivistä metsistä. Kaksi erilaista keskiarvoistavaa häilyntäsuodatinta käytettiin suodattamattomien kuvien lisäksi, jotta voitiin testata suodattamisen vaikutusta SAR kuviin ja tuloksiin.
Logistinen regressio antoi parhaat tulokset antaen kahden luokan (ei neulaskatoa, >20% neulaskato) luokitustarkkuudeksi 81,6% (kappa 0,62). LDA luokitustarkkuus kahdella luokalla oli parhaimmillaan 77,7% (kappa 0,54) ja k-means 72,8% (kappa 0,46). Yleisesti ottaen suurin häilyntäsuodatin (5 x 5 pikseliä) tuotti parhaimmat tulokset. Kun useampia luokkia lisättiin luokitukseen luokitustarkkuus laski. Tulokset olivat yleisesti hyviä, mutta koska tutkimuksessa oli rajoittavia tekijöitä, tulokset tulisi vahvistaa itsenäiselllä aineistolla ennen kuin tulokset voidaan kokonaisuudessaan hyväksyä. Tutkimuksen rajoittavaia tekijöitä olivat muun muassa maastoaineiston pieni koko, jonka vuoksi tarkkuuden laskenta aiheutti ongelmia (ei erillistä testiaineistoa), sekä meteorologisen aineiston puuttuminen tutkakuvien kuvaus päiviltä.
|
| Keyword(s): | Scots pine defoliation Diprion pini SAR ERS-2 ENVISAT classification speckle filtering männyn neulaskato luokitus häilyntäsuodatus |
Files in this item
| Files | Size | Format | View |
|---|---|---|---|
| gradu_Petri_Latva-Käyrä_HY.pdf | 1.516Mb |