Remote sensing-driven biodiversity index for forest ecosystems

Thumbnail Image

Files

master_Polvivaara_Antti_2024.pdf (12.35 MB)

URL

Journal Title

Journal ISSN

Volume Title

School of Engineering | Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.

Authors

Date

2024-11-18

Department

Major/Subject

Remote Sensing

Mcode

Degree programme

Master's Programme in Geoinformatics

Language

en

Pages

58

Series

Abstract

Biodiversity is essential for ecosystem resilience and stability. Remote sensing of forest biodiversity is a cost-effective method for large scale ecosystem mapping. Biodiversity is measured through functional, structural, and compositional metrics of the forests that can be captured through the use of different remote sensing sensors. Validating these metrics through ground-truth data allows the use of these traits to be used as proxies for biodiversity. This study aimed to produce a method for modelling biodiversity using a biodiversity index that corresponds to the species richness of the forest. This is done with field reference data consisting of species information of bryophytes, lichens and polypores. Abundance and occurrence of these species constitute the metric for the biodiversity index that is in turn modelled using remote sensing derived features. I also had access to a validation dataset where the performance of the model could be observed in natural like forest sites. The remote sensing data used in this study consists of multitemporal aerial images, LiDAR point clouds and auxiliary data products of topographic features and forest resource information that are freely available and provided by different Finnish organizations through various API:s. Structural features of forests were calculated from LiDAR point clouds, indicator features (dead trees and aspens) were produced using state-of-the-art convolutional neural networks and topographical features were off the shelf products from different service providers. The spatial unit for data-analysis and derived metrics was chosen to be a 16 m x 16 m grid which is a common unit for producing information in Finnish forestry organizations and is a compromise of desired accuracy and variation of forest and biodiversity metrics. The chosen model was a random forest regressor and its performance was quantified by splitting the data to training and tests (80/20%, respectively). The model was then evaluated by comparing Root Mean Square Error (RMSE) and R2 scores of different model permutations. The model with lowest RMSE and highest R2 score was the model with auxiliary forest resource information, and it outperformed the model with in-house metrics only by ~4% increase in R2 score. The topographical and indictor features were also shown to bring valuable information to the model. Results of the study imply that derivation of biodiversity index in scale of Finland using freely available data is possible.

Biodiversiteetti on olennainen mittari ekosysteemin palautumiskyvyn ja vakauden kannalta. Metsien biodiversiteetin kaukokartoitus on kustannustehokas menetelmä ekosysteemien laajamittaiseen kartoittamiseen. Biodiversiteettiä mitataan metsien toiminnallisten, rakenteellisten ja koostumuksellisten mittareiden kautta, joita voidaan havainnoida erilaisten kaukokartoitussensoreiden avulla. Näiden havaintojen validointi maastohavaintojen avulla mahdollistaa kyseisten ominaisuuksien käytön biodiversiteetin korvikemuuttujina. Tämän tutkimuksen tavoitteena oli kehittää menetelmä biodiversiteetin mallintamiseen biodiversiteetti-indeksillä, joka vastaa metsän lajiston monimuotoisuutta. Tämä tehtiin maastoreferenssiaineistolla, joka koostui sammal-, jäkälä- ja kääpälajeista. Näiden lajien runsaus ja esiintyminen muodostavat biodiversiteettiindeksin mittarin, jota sitten mallinnettiin. Käytössäni oli myös validointiaineisto, jonka avulla mallin toimintaa voitiin havainnoida luontaisen kaltaisissa metsäympäristöissä. Kaukokartoitusaineisto koostui moniaikaisista ilmakuvista, laserkeilauspistepilvistä sekä topografisista ominaisuuksista ja metsävaratiedosta, jotka haettiin palveluista, joita eri suomalaiset organisaatiot tarjoavat API-rajapintojen kautta. Metsien rakenteelliset ominaisuudet laskettiin laserkeilauspistepilvistä, indikaattoriominaisuudet (kuolleet puut ja haavat) tuotettiin uusinta tekniikkaa käyttävillä konvoluutioneuroverkoilla ja topografiset ominaisuudet saatiin eri palveluntarjoajilta. Datan analyysiyksiköksi ja johdettujen muuttujien yksiköksi valittiin 16 m x 16 m ruudukko, joka on yleinen yksikkö suomalaisissa metsäorganisaatioissa tiedon tuottamiseen, ja kompromissi halutun tarkkuuden ja metsän- sekä biodiversiteettimittareiden vaihtelun välillä. Valituksi malliksi tuli random forest, ja sen suorituskykyä arvioitiin jakamalla aineisto opetus- ja testiaineistoon (80/20 %). Mallia arvioitiin vertailemalla eri mallivaihtoehtojen neliöllisen keskivirheen (RMSE) ja selitysasteen arvoja. Malli, jossa oli käytössä kaikki piirteet sisältäen metsävaratiedon, osoittautui parhaiten suoriutuvaksi, tuottaen noin 4 % parannuksen selitysastearvossa verrattuna malliin, jossa käytettiin vain itse tuotettuja muuttujia. Myös topografiset ja indikaattoriominaisuudet osoittautuivat arvokkaaksi lisätiedoksi mallille. Tutkimuksen tulokset viittaavat siihen, että biodiversiteetti-indeksin johtaminen Suomen mittakaavassa vapaasti saatavilla olevan aineiston avulla on mahdollista.

Description

Supervisor

Rautiainen, Miina

Thesis advisor

Heinaro, Einari

Keywords

remote sensing, biodiversity, laser scanning, computer vision, machine learning, forest health

Other note

Citation

Permanent link to this item

https://urn.fi/URN:NBN:fi:aalto-202412147765

Collections

[dipl] Insinööritieteiden korkeakoulu / ENG