CLASSIFY - Stato di salute dei faggi
Disponibile solo in tedesco e francese - Metodologia per valutare lo stato di salute dei faggi sulla base di immagini aeree e nuvole di punti LiDAR. Amministrazione beneficiaria: Cantone del Jura.
Kontext
Seit einigen Jahren stellt der Kanton Jura ein Buchensterben in seinen Wäldern fest. Dieses Problem betrifft vor allem die Region Ajoie und nimmt jedes Jahr zu. Um die Schäden in betroffenen Gebieten genau zu identifizieren und zu quantifizieren, müssen neue Verfahren eingeführt werden; dies mit dem Ziel, die Ausbreitung des Waldsterbens zu verfolgen, eine gute Verwaltung der Holznutzung zu gewährleisten und die Sicherheit auf den Waldwegen zu garantieren.
Im Jahr 2020 wurden Satellitenbilder verwendet, um globale Karten der im Sommer am stärksten betroffenen Gebiete zu erstellen, doch diese reichen nicht aus, um den Gesundheitszustand der Buchen zu überwachen.
Methodik
In diesem Projekt leitet das Swiss Territorial Data Lab den Gesundheitszustand in drei Kategorien - gesund, absterbend, abgestorben - für zwei repräsentative Waldgebiete ab, mithilfe der Datenwissenschaft und insbesondere eines automatisierten Klassifikationsalgorithmus, dem Random Forest. In diesen beiden Untersuchungsgebieten wurden spezielle Flüge durchgeführt, um hochauflösende Luftbilder (RGB, NIR, 3 cm) und LiDAR-Punktwolken (100 pts/m2) zu erfassen, die die aktuelle Situation vor Ort widerspiegeln.
Ausserdem kann keine automatisierte Voraussage ohne einen Kontrolldatensatz, das sogenannte ground truth (manchmal als Bodenwirklichkeit übersetzt), verifiziert werden. Das ground truth wurde von den kantonalen Förstern vor Ort zur gleichen Zeit wie die Luftaufnahmen erfasst, wodurch eine gute Übereinstimmung zwischen ihnen gewährleistet ist. Im ground truth wurde das Buchensterben anhand von vier Kriterien bewertet (Xavier Gauquelin, Hrsg.. Guide de gestion des forêts en crise sanitaire. Office National des Forêts, Institut pour le Développement Forestier; 2010. 96 p.):
- die Sterblichkeit von Ästen und Zweigen ;
- die Transparenz der Baumkrone ;
- die Verteilung der Blattmasse ;
- der Zustand des Stammes und andere Gesundheitsaspekte.
Die Geo-Datenwissenschaftler des STDL haben in enger Zusammenarbeit mit den Fachleuten die gewonnenen Daten untersucht, um Schlüsselinformationen für die Bewertung des Gesundheitszustands der Buchen zu gewinnen. Die Luftbilder und LiDAR-Punktwolken wurden bearbeitet, um Deskriptoren zu erhalten, die den Gesundheitszustand der Buchen quantifizieren oder qualifizieren können.
Aus der segmentierten LiDAR-Punktwolke für jeden Baum wurden Strukturparameter abgeleitet, die die vertikale und horizontale Verteilung der Punkte beschreiben (keine umfassende Liste):
- Bedeckung des Kronendachs;
- Höhe des Unterholzes;
- Variationskoeffizient der Blattdichte;
- Mittelwert und Standardabweichung des LiDAR-Reflexionsgrades.
Auf der aus den Luftbildern gewonnenen True Orthophoto wurden für jeden Baum Statistiken (Max, Min, Mittelwert, Median, Standardabweichung) für jedes Band (RGB und NIR) und für den abgeleiteten NDVI berechnet. Unter Verwendung des aus der LiDAR-Punktwolke abgeleiteten digitalen Höhenmodells als Maske wurden Pixel, die die Vegetation des Unterholzes repräsentieren, ausgeschlossen.
Die auf waldmonitoring.ch (BFH-HAFL und BAFU) verfügbaren jährlichen NDVI-Schwankungen, die aus den Sentinel-2-Bildern abgeleitet wurden, wurden auch genutzt um historische NDVI-Schwankungen zu berücksichtigen.
Résultats
Ein Random Forest wurde mit aus LiDAR, Luftbildstatistiken, NDVI-Variationen und der Feldwahrheit abgeleiteten Deskriptoren trainiert. Die Feldwahrheit wurde in einen Trainingsdatensatz (70%) und einen Testdatensatz (30%) aufgeteilt. Für den Testdatensatz wurden bis zu 79% korrekte Vorhersagen erzielt, wobei zu beachten ist, dass diese Leistung aufgrund der zufälligen Partitionierung der Daten in den Trainings- und Testsätzen um einige Prozentpunkte schwanken kann. Eine bessere Repräsentativität der Symptome in der Feldwahrheit und in den Deskriptoren wäre notwendig, um stabilere Ergebnisse zu erzielen.
Die Deskriptoren, die am meisten zu den Vorhersagen beitragen, sind :
- die jährliche Veränderung des NDVI zwischen 2018 und 2019;
- der durchschnittliche NDVI;
- die Standardabweichung des blauen Bandes;
- die Standardabweichung des Kronendachs;
- die Standardabweichung des Reflexionsgrades.
Die Inferenzen wurden mit dem besten trainierten Modell berechnet. Sie sind in Form einer thematischen Karte des Gesundheitszustands der Buchen geliefert. Es handelt sich um ein nützliches Produkt, das von Forstexperten validiert wurde. Es kann verwendet werden, um betroffene Gebiete und Individuen zu identifizieren.
Dokumentierte Ressourcen
Alle Arbeiten des STDL werden unter einer offenen Lizenz veröffentlicht und wir empfehlen Ihnen, diese in Ihren Projekten zu verwenden.
Indice
Ritorna alla pagina principale dello STDL
Swiss Territorial Data Lab
Lo Swiss Territorial Data Lab (STDL), lanciato nel 2020 nell'ambito della Strategia svizzera per la geoinformazione (SGS), rientra nel campo d'azione n. 5 «Promozione dell'innovazione». Questo laboratorio offre alle amministrazioni pubbliche uno spazio di sperimentazione in cui possono testare nuovi approcci per rispondere alle loro sfide concrete. Il laboratorio favorisce la collaborazione tra esperti tecnici e professionisti del settore per co-creare soluzioni efficaci e adeguate.
Office fédéral de topographie swisstopo
Seftigenstrasse 264
3084 Wabern