Skip to main content
Login | Suomeksi | På svenska | In English

Numeeriset ilmakuvat ja Landsat TM -satelliittikuvat männyn neulaskadon arvioinnissa

Show full item record

Title: Numeeriset ilmakuvat ja Landsat TM -satelliittikuvat männyn neulaskadon arvioinnissa
Author(s): Ilvesniemi, Saara
Contributor: University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Resource ManagementDepartment of Forest Sciences
Discipline: Forest Resource Science and Technology (Forest inventory)
Language: Finnish
Acceptance year: 2009
Abstract:
Tarkoituksena oli tutkia numeeristen ilmakuvien ja Landsat TM –satelliittikuvien käyttökelpoisuuttaa männyn neulaskadon määrittämisessä. Määritysmenetelminä testattiin ohjaamatonta luokitusta, Maximum likelihood –luokitusta sekä sekamallitekniikkaa ja lineaarista regressiomallia. Neulaskatoa parhaiten selittävät kuvapiirteet valittiin askeltavalla lineaarisella regressiolla ja sekamallitekniikalla. Osatutkimuksena tutkittiin neulaskadon ja lehtialan (LAI) välistä yhteyttä. Lisäksi tarkasteltiin neulaskadon ja LAI:n yhteyttä eri kuvapiirteiden kanssa. Kaukokartoitusaineistona käytettiin numeerisia ilmakuvia ja niille laskettuja tekstuuripiirteitä, sekä Landsat TM –satelliittikuvia ja kuville laskettuja kasvillisuusindeksejä. Maastoaineisto kerättiin ryvösotantana Ilomantsin Palokankaalla. 71 koealaa mitattiin ja paikannettiin GPS-laitteella. Ympyräkoealalta mitattiin rinnankorkeusläpimitaltaan yli 13,9 cm puut 13 metrin säteeltä ja 5,0 – 13,8 cm puut 7 metrin säteeltä. Koealan mäntyjen neulaskato arvioitiin silmänvaraisesti. Koealalle yleistetty neulaskato oli puiden pituudella painotettu neulaskadon keskiarvo. Luokituksessa testattiin neljää eri luokkajakoyhdistelmää, joissa koealat oli jaettu 2, 3, 4 ja 9 luokkaan neulaskatonsa perusteella. Eri piirreyhdistelmillä ja luokitusmenetelmillä saatuja neulaskatoestimaatteja verrattiin maastomittauksiin. Luokituksen tarkkuutta tarkasteltiin laskemalla luokitukselle oikeinluokitusprosentti ja oikeinluokituksen kappa-arvo. Ilmakuvapiirteille tehtiin myös jatkuva lineaarinen sekamalli. Luokitus onnistui kaikilla luokitusmenetelmillä parhaiten ilmakuvalle tehdyn askeltavan valinnan piirreyhdistelmällä. Askeltavan valinnan tuloksessa oli sekä sävy- että tekstuuripiirteitä. Oikeinluokitusprosentit vaihtelivat välillä 38,0 % (9 luokkaa) ja 88,7 % (2 luokkaa). Parhaiten neulaskatoa selitti ilmakuvan NIR-kanavan maksimiheijastus koealan alueelta (r2=0,69). Ohjaamattomalla ja ohjatulla luokituksella saadut tulokset olivat kuitenkin luultavasti liian hyviä aineiston korreloituneisuuden vuoksi. Tämän vuoksi parhaat piirteet valittiin neulaskatoa ennustavaan malliin sekamallitekniikalla, jossa otettiin huomioon aineiston korreloituneisuus. Sekamallin muuttujilla ja lineaarisen regressiomallin sovittella tehty oikeinluokitus vaihteli välillä 35,2 % (9 luokkaa) ja 87,3% (2 luokkaa). Sekamallissa tekstuuripiirteet eivät olleet merkitseviä neulaskadon selittäjiä, eikä tekstuuripiirteiden tarpeellisuudesta neulaskadon määrittämisessä saatu varmuutta. Landsatin piirteillä luokitus onnistui hieman heikommin kuin parhaalla ilmakuvapiirreyhdistelmällä (oikeinluokitusprosentti välillä 25,4 % ja 88,7 %). Syynä tähän oli luultavasti ainakin se, että kuva oli otettu kolme vuotta ennen maastomittauksia.
The purpose of this study was to investigate the usability of aerial images and Landsat TM in estimating Scots pine defoliation. Estimation methods tested were unsupervised classification, maximum likelihood method, mixed model and linear regression model. Image features for needle loss detection were selected with stepwise linear regression and mixed model technique. As a part of the study the relationship between needle loss and leaf area index (LAI) was examined. The relationship between image features, needle loss and leaf area index was also examined. Numerical aerial images and Landsat TM satellite images were used. Textural features were calculated from aerial images and spectral vegetation indices from the satellite image. The study site was located in Ilomantsi, Finland. 71 field sample plots were measured and located with GPS. Field plots were circular plots. Trees with diameter brest height (dbh) over 13,9 cm were measured from 13 meter radius and trees with dbh 5,0 - 13,8 cm were measured from 7 meter radius. Needle loss of all pines was estimated. Needle loss for the plot was calculated as an average weighted by tree height. Four different class combinations were tested in classification. Plots were divided in 2, 3, 4 and 9 classes depending on their needle loss. Different image feature combinations and classification methods were tested. Classification was done by cross validation. Classification results were compared with original classes. The reliability of the classification was tested using accuracy matrix and kappa value. A mixed model was also used for aerial image features. The best image feature combination with all classification methods was the aerial image feature combination selected with stepwise selection method. Both spectral and textural features were included in the stepwise selection result. Classification accuracy varied between 38,0 % (9 classes) and 88,7 % (2 classes). The best explanatory variable for needle loss was the aerial image NIR channel maximum radiation (r2=0,69). However, unsupervised and supervised classification might have produced too positive results because of correlation in the data. Mixed model technique was used to select the variables for the linear model. Mixed model was used to reduce the effects of the correlation. The model classification accuracy varied between 35,2 % (9classes) and 87,3 % (2classes). According to mixed model selection result no textural features were significant predictors for needle loss. Classification results with Landsat image features were slightly poorer than with the best aerial image feature set (accuracy between 25,4 % and 88,7 %). The relationship between needle loss and LAI was poor (r2=0,27). Needle loss and LAI also correlated with different image features. LAI correlated slightly better with textural features than needle loss. Spectral vegetation indices calculated from Landsat TM correlated moderately with both needle loss and LAI. Indices VI3 (r2=0,56), MIR/NIR (r2=0,51) and RSR (r2=0,44) had the strongest connection to needle loss. Spectral vegetation indices could be a potential way for large area needle loss detection.
Keyword(s): needle loss remote sensing Landsat TM numerical aerial photographs texture tone supervised classification unsupervised classification forest inventory neulaskato kaukokartoitus Landsat TM numeerist ilmakuvat tekstuuri sävyarvo ohjattu luokitus ohjaamaton luokitus metsien inventointi


Files in this item

Files Size Format View
PRO_GRADU_SAARA_ILVESNIEMI.pdf 800.9Kb PDF

This item appears in the following Collection(s)

Show full item record