Utility of remotely sensed spectral information in forest variable estimation
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Insinööritieteiden korkeakoulu |
Master's thesis
Authors
Date
2018-12-10
Department
Major/Subject
Geoinformatics
Mcode
ENG22
Degree programme
Master's Programme in Geoinformatics (GIS)
Language
en
Pages
62 + 4
Series
Abstract
Three-quarters of Finland’s land surface area (22.8 million hectares) is filled with forests. In Finland, forests serve as a resource for the nature conservation as well as for the forestry industry. In addition, forests compose a great part of the country’s biomass and carbon sinks. At present, remote sensing technology is the main instrument in acquiring up-to-date and near real time information on the forests. Moreover, open and free Earth observation (EO) data volume increases constantly. In future also hyperspectral satellite missions (e.g., Sentinel-10) will start providing remote sensing data to support the needs of forestry and other natural resource management practices. However, to this day it is unclear what will be the additional value of hyperspectral remote sensing data compared to multispectral data in forest variable and biomass estimation. Therefore, the present thesis investigated the influence of spectral and spatial resolution of remote sensing data on forest variable estimation in the boreal forests of Finland. The study used the remote sensing data by Sentinel-2 and hyperspectral AISA imager. As reference data, study used forest resource data provided by the Finnish Forest Centre and additional independent in situ measurements. Machine learning based regression models were applied to relate the forest variables of interest with the remotely sensed data. Based on recent studies, Gaussian process regression (GPR) and Support vector regression (SVR) were selected. Both of these have proven to work well with hyperspectral and multispectral remote sensing data. Regression estimations were performed for seven different forest variables: mean height, stem count, stem biomass, leaf area index (LAI), basal area, leaf biomass and main tree species. Estimation accuracies were mainly examined with absolute and relative root-mean-square errors (RMSE). The forest variable estimations with both algorithms and the reference data by the Finnish Forest Centre were successful. Compared with previous stand-wise estimations of forest variables in Finland, the machine learning approach used in this study was more accurate. The estimation accuracies of the algorithms were similar. However, the faster SVR algorithm was found to be more practical. Best estimation accuracies were obtained for the same variables that were given most accurately in the reference data. Respectively, the weakest estimations were for the same variables that had the worst accuracy in the reference data. Results of this study showed that stand-wise forest variable estimations have approximately the same accuracy with multi- and hyperspectral remote sensing imagery, and that the hyperspectral data improves only the estimation accuracies of main tree species and mean height. In stand-wise forest variable estimations, the importance of spatial resolution was minor.Metsät peittävät kolme neljäsosaa Suomen maapinta-alasta (22,8 miljoonaa hehtaaria). Suomessa metsät toimivat resursseina niin metsäteollisuudelle kuin luonnonsuojelullekin. Lisäksi metsät kattavat suuren osan maan biomassasta sekä hiilinieluista. Tällä hetkellä kaukokartoitustekniikka on pääasiallinen menetelmä ajantasaisen ja lähes reaaliaikaisen metsätiedon keräämisessä. Avoimen ja ilmaisen kaukokartoitusaineiston saatavuus kasvaa myös jatkuvasti. Tulevaisuudessa hyperspektriset satelliittimissiot (esim. Sentinel-10) aloittavat myös kaukokartoitusaineiston tuottamisen metsätalouden ja muun luonnonvaratalouden tarpeisiin. On kuitenkin edelleen epäselvää minkälaisen lisäarvon hyperspektrinen kaukokartoitusaineisto tuo multispektriseen aineistoon verrattuna metsämuuttujien ja biomassan arvioinnissa. Tämän vuoksi tässä tutkimuksessa tutkittiin kaukokartoitusaineiston spektrisen ja spatiaalisen resoluution vaikutusta metsämuuttujien arviointiin Suomen boreaalisen vyöhykkeen metsissä. Tutkimuksessa käytettiin kaukokartoitusaineistona Sentinel-2 sekä hyperspektristä AISA kuvaa. Referenssiaineistoina käytettiin Metsäkeskuksen avointa metsävaratietokantaa sekä itsenäisiä maastomittauksia. Koneoppiin pohjautuvia regressiomalleja käytettiin yhdistämään metsämuuttujat sekä kaukokartoitusaineisto. Viimeaikaisten tutkimuksien pohjalta työhön valittiin regressiomalleiksi Gaussin prosessi -regressio sekä tukivektoriregressio. Molemmat regressioalgoritmit ovat todettu hyvin toimiviksi hyper- ja multispektristen kaukokartoitusaineistojen kanssa. Regressioestimointeja tehtiin seitsemälle eri metsämuuttujalle, joita olivat keskipituus, runkoluku, runkobiomassa, lehtialaindeksi, pohjapinta-ala, lehtibiomassa ja pääpuulaji. Estimointitarkkuuksia tutkittiin pääasiassa absoluuttisten sekä suhteellisten keskivirheiden avulla. Metsämuuttujaestimoinnit molemmilla algoritmeilla sekä Metsäkeskuksen referenssiaineistolla olivat onnistuneita. Verrattuna edellisiin Suomessa tehtyihin metsäkuviotason metsämuuttujien arviointeihin, tässä työssä käytetyt koneoppimenetelmät antoivat tarkempia tuloksia. Algoritmien välillä arviointitarkkuudet olivat samanlaiset. Tukivektoriregressio oli kuitenkin nopeampi ja todettiin täten käytännöllisemmäksi. Parhaimmat arviointitarkkuudet saavutettiin samoilla metsämuuttujilla, joilla oli parhaimmat tarkkuudet myös Metsäkeskuksen lähtöaineistossa. Vastaavasti, huonoimmat arviointitarkkuudet saavutettiin metsämuuttujille, joiden tarkkuustaso oli myös heikoin lähtöaineistossa. Tutkimuksen tulokset osoittivat, että metsäkuviotasoisessa metsämuuttujien arvioinnissa saavutetaan suunnilleen sama tarkkuus sekä hyper- että multispektrisellä kaukokartoitusaineistolla. Hyperspektrinen aineisto parantaa ainoastaan pääpuulajin sekä keskipituuden arviointitarkkuuksia. Metsäkuviotasoisessa arvioinnissa spatiaalisen resoluution merkitys oli vähäinen.Description
Supervisor
Rautiainen, MiinaThesis advisor
Mõttus, MattiKeywords
hyperspectral imaging, Sentinel-2, forest variables, machine learning, support vector regression, Gaussian process regression