Fafaj szintű erdő osztályozás nagyfelbontású távérzékelt
A fajszintű osztályozás több megközelítés tekintetében is jelentős mind az erdészeti tervezésben, mind a lágyszárú növénytársulások vizsgálata esetén. Az egyes fajok vagy társulások spektrális tulajdonságuk ismeretében akár nagyobb területekről is készíthetőek vegetáció térképek (Burai P. et al., 2015). Az invazív növényfajok elleni védekezési eljárás kiválasztásakor a rendelkezésre álló információ (pl. egyedszintű vegetációs térképek), mint döntéstámogató eszköz hozzájárul a tervezés hatékonyságának növeléséhez. A klímaváltozás negatív hatásainak mérsékléséhez (pl. invazív fajok térnyerése a kedvezőbb életfeltételek kialakulása révén) elengedhetetlen a terület minél részletesebb, mélyrehatóbb ismerete.
Ráadásul, a tájidegen növények pozcíójának pontos ismeretében a kezeléshez szükséges vegyszer mennyisége csökkenthető, amely mind környezetminőségi, mind költséghatékonysági szempontból lényeges (Huang, C. – Asner, G.P. 2009).
A fenti kérdéskörhöz kapcsolódóan kutatásunk célja különböző fafaj szintű osztályozási eljárások pontosságának vizsgálata nagyfelbontású légi lézerszkennelésből és hiperpektrális felvételezésből származó adatok felhasználásával erdészeti mintaterületen.
Anyag és módszer
A vizsgált mintaterület a Mecsekerdő Zrt. működési területén, a Közép-Mecsekben, Pécstől északra elhelyezkedő (46°08’04.2”N 18°15’46.9”E) 13,56 km2-es erdős terület volt (1. ábra), ahol nagy sűrűségben megjelentek invazív fás szárú növények.
A mintaterületen a terepi adatgyűjtés során, az erdészet munkatársaival
együttműködve 15 fafajt azonosítottunk, illetve a bálványfa esetében meghatároztunk magszóró, újulat, valamint fehér akáccal kevert osztályokat is (1. táblázat), mivel a bálványfa magszóró egyedei rendkívül nagy kockázatot jelentenek az inváziós fafaj elterjedésében, és ezen egyedek azonosítása, valamint kezelése nagy segítséget nyújt az elterejdésének visszaszorításában.
A felhasznált légi hiperspektrális felvételek 2016.06.29-én felhőmentes időjárási körülmények között készültek, AISA Fenix1k (www.specim.fi) szenzorrendszerrel. A nagy pontosságú navigációs adatokat a rendszehez tartozó OxTS RT3003 GNSS/
IMU egység rögzítette. A felvételek 380–2450 nm spektrális tartományban, 3,5 nm spektrális mintavételezés mellett, 1 m terepi felbontással készültek, melyből az osztályozáshoz a látható és közeli infravörös tartomány zajmentes csatornáit (400–1100nm) használtuk fel. A hiperspektrális adatok radiometriai és geometriai előfeldolgozását CaliGeoPRO (Spectral Imaging Ltd., 2015) szoftverrel végeztük.
A hiperspektrális csatornákon képi jelerősítést végeztünk annak érdekében, hogy a képi zajt a legalacsonyabb szintre redukáljuk. Olyan új mesterséges csatornákat generáltunk, amelyek az információ lehető legnagyobb varianciáját magyarázzák. A képi zaj csökkentésére főkomponens analízist (PCA), és minimális zaj frakció transzformáció (MNF) módszereket alkalmaztunk ENVI/IDL 5.1
Fafaj (magyar) Fafaj (latin) Osztály
kód Tanító
(pixel) Ellenőrző
(pixel) Összes (pixel)
Kocsányos tölgy Quercus robur KST 112 234 346
Kocsánytalan tölgy Quercus petraea KTT 676 1942 2618
Molyhos tölgy Quercus pubescens MOT 124 296 420
Közönséges bükk Fagus sylvatica B 67 153 220
Gyertyán Carpinus betulus GY 243 460 703
Fehér akác Robinia pseudoacacia A 828 1589 2417
Hegyi juhar Acer pseudoplatanus HJ 27 91 118
Mezei juhar Acer campestre MJ 49 120 169
Magas kőris Fraxinus excelsior MK 26 82 108
Virágos köris Fraxinus ornus VK 74 166 240
Ezüsthárs Tilia tomentosa EH 73 176 249
Cseresznye Prunus CS 175 369 544
Lucfenyő Picea abies LF 17 77 94
Fekete fenyő Pinus nigra FF 128 234 362
Bálványfa Ailanthus altissima BL 387 932 1319
Bálványfa (magszóró) BL-msz 94 237 331
Fehér akác, Bálványfa
kevert állomány A+BL 115 271 386
Bálványfa (újulat) BL-csem 49 83 132
1. táblázat A terepen azonosított fafajok és az osztályozáshoz használt tanító és ellenőrző pixelek
szoftverkörnyezetben.
Az egyes osztályok spektrális szeparabilitását Jeffries-Matusita (JM) távolság számításával vizsgáltuk, amely miden osztályt páronként hasonlít össze (Matusita, K. 1966; Ersboll, B.K. 1988). A módszer révén az eloszlásfüggvények kerültek összehasonlításra, értékei 0 és 2 között mozognak, ahol a 2 a nagy szeparabilitást jelenti. Az értékek a következő képlet alapján lettek kiszámítva:
Ahol: i and j = összehasonlított két hullámforma (osztály) Ci = i hullámforma kovariancia mátrixa
mi = i hullámforma átlag vektora
ln = természetes alapú logaritmus függvény |Ci| = Ci determinánsa (mátrix algebra) Forrás: Swain, P.H–Davis, S.M. 1978
A munka során légi lézeres letapogatásból származó adatokat is felhasználtunk az erdő faállományának lombkorona lehatárolásához. A lézerszkennelt adatok 2016.12.07-én, lombmentes állapotban készültek Leica ALS 70HP rendszerrel, átlagosan 6 pont/m2 pontsűrűséggel. A feldolgozott és osztályozott pontfelhőből mozgó parabola interpolációs algoritmussal készítettük el a terület borított felszín modelljét, melyet a lombkorna határok detektráláshoz alkalmaztunk ArcGIS 10.2 szoftverkörnyezetben.
A képosztályozás során irányított (tanítóterületes) algoritmusokat teszteltünk az eredeti és transzformált hiperspektrális csatornákon. Ezek közül a legnagyobb valószínűség (Maximum Likelihood – ML) és a támasztó vektor (Support Vector Machine – SVM) algoritmusokat ENVI/IDL 5.1 szoftverben, míg a Random Forest
(RF) osztályozó algoritmust EnMAP Box 2.02 szoftverkörnyezetben alkalmaztuk. A adatfeldolgozás folyamatát a 2. ábra foglalja össze. Az egyes osztályozási módszerek pontosságát minden esetben konfúziós mátrix segítségével vizsgáltuk.
Eredmények
Az osztályozási algoritmusok tesztelése során kiderült, hogy a Random Forest osztályozás szinte minden esetben jobb eredményt hozott, mint a másik kettő (ML, SVM). A legnagyobb valószínűség (ML) algoritmus a válogatott MNF csatornákon elvégzett osztályozás során kisebb találati pontosságot nyújtott, mint az SVM, viszont minden más esetben jobb eredményt ért el (3. ábra).
A fafajok elkülönítésére a legjobb eredményt az első 13 MNF transzformált csatornán elvégzett legnagyobb valószínűség (ML) osztályozó algoritmus alkalmazásával értük el (teljes pontosság: 82,24 %, kappa = 0,79). A 2. táblázatban látható, az egyes osztályok előállítási és felhasználói pontossága, mely szerint a gyertyánnak volt a legrosszabb osztályozási hatékonysága. Az inváziós fafajok közül a legalacsonyabb találtai pontosság a bálványfa esetében volt tapasztalható (76,61%), de a bálványfának osztályozott területek 93,82%-a ténylegesen bálványfa (felhasználói pontosság).
A hiperspektrális adaton elvégzett pixel alapú képosztályozás legjobb találati pontosságú osztályozott felvételét integráltuk a LiDAR adatból előállított lombkorona határokat tartalmazó modellbe, és az adatok objektum alapú újraosztályozásával hoztuk létre a végleges vektoros fafajtérképet. Ezen művelet segítségével el tudtuk tüntetni a pixel alapú osztályozás eredményezte töredék pixel osztályokat, melyek más fafaj osztályok közé ékelődve maradtak. Továbbá az újraosztályozás után minden egyes fa (lombkorona) már egy fafaj osztályba tartozik. Az elkészített tematikus
réteg a fafajokon kívül a lézeres adatból származó fa magassági adatokat, valamint lomkorona paramétereket is tartalmazhat, ezzel is segítve az erdészet szakembereit az invazív fafajok elleni védekezésben.
Felhasznált irodalom
Abdel-Rahman, E.M. – Mutanga, O. – Adam, E. – Ismail, R. (2014): Detecting Sirex noctilio grey-attacked and lightning-struck pine trees using airborne hyperspectral data, random forest and support vector machines classifiers, ISPRS Journal of Photogrammetry and Remote Sensing, 88, pp. 48–59.
Burai P. - Deák B. - Valkó O. - Tomor T. (2015): Classification of herbaceous vegetation using airborne hyperspectral imagery, Remote Sensing, 7, pp. 2046–2066.
Dalponte, M. – Ørka, H.O.- Ene, L.T. – Gobakken, T. – Næsset, E. (2014): Tree crown delineation and tree species classification in boreal forests using hyperspectral and ALS data, Remote Sensing of Environment, 140, pp. 306–317.
Heinzel, J. - Koch, B. (2012). Investigating multiple data sources for tree species classification in temperate forest and use for single tree delineation, International Journal of Applied Earth Observation and Geoinformation, 18, pp. 101–110.
Huang, C. - Asner, G.P. (2009): Applications of remote sensing to alien invasive plant studies.
Sensors, 9, pp. 4869–4889.
Osztály Előállítási
pontosság (%) Felhasználói pontosság (%)
BL 76,61 93,82
CS 86,18 63,73
KTT 69,26 94,92
GY 67,39 72,60
A 89,93 95,59
B 88,89 66,67
A+BL 93,73 65,80
HJ 98,94 87,74
EH 96,02 78,24
KST 97,86 87,40
BL-msz 87,34 72,38
LF 100,00 96,25
BL-csem 100,00 98,81
MK 91,46 31,65
MOT 82,09 53,76
VK 90,36 66,37
MJ 99,17 85,00
FF 97,86 96,62
2. táblázat A legjobb találati pontosságot elért osztályozás előállítási és felhasználói pontossága osztályonként
Piiroinen, R. - Heiskanen, J. - Mõttus, M. – Pellikka, P. (2015): Classification of crops across heterogeneous agricultural landscape in Kenya using AisaEAGLE imaging spectroscopy data, International Journal of Applied Earth Observation and Geoinformation, 39, pp.
1–8.
Ersboll, B.K. (1988): Transformations and Classifications of Remotely Sensed Data: Theory and Geological Cases, PhD Thesis, Department of Mathematical Modelling, Technical University of Denmark, pp. 297.
Matusita, K. (1966): A distance and related statistics in multivariate analysis. In: (ed.) Krishnaiah, P.R.: Multivariate Analysis. Academic Press, New York, pp. 187–200.
Swain, P.H. – Davis, S.M. (1978): Remote Sensing: The Quantitative Approach. New York, McGraw Hill Book Company.