doktorska disertacija
Povzetek
Naloga je sestavljena iz dveh sklopov. V prvem sklopu smo razvili novo metodo izdelave
lidarskega DMR, v drugem pa smo lidarske vertikalne profile vegetacij uporabili za modelno
napovedovanje deležev drevesnih vrst v gozdu in svetlobnih lastnosti gozda. Obstoječi
algoritmi za izračun DMR iz lidarskih podatkov imajo v strmem gozdnatem reliefu težave z
razlikovanjem talnih odbojev od vegetacije, saj ima v strmem reliefu lokalna okolica v oblaku
podobne značilnosti kot vegetacija. V prvem sklopu naloge smo razvili novo metodo izdelave
DMR, imenovano REIN, posebej namenjeno uporabi v strmem gozdnatem reliefu: Metoda za
zmanjšanje napak izkorišča preobilje lidarskih odbojev (redundanco) in ne spada v nobeno od
skupin znanih algoritmov, saj uporablja naključno vzorčenje oblaka lidarskih odbojev. REIN
ima večjo zmožnost prilagajanja raznolikim razmeram v strmem gozdnatem terenu. Ker ima
vsak del analiziranega območja enako možnost biti izbran v vzorec, je izračunan DMR
homogen tudi pri nehomogenih vhodnih podatkih. REIN rešuje tudi problem negativnih
osamelcev, ki so rezultat mnogokratnih odbojev. V drugem sklopu naloge smo lidarske
vertikalne profile vegetacije, izračunane iz podatkov diskretnega lidarja majhnega odtisa,
uporabili za modelno napovedovanje deležev drevesnih vrst v gozdu in svetlobnih lastnosti
gozda. Za gradnjo modelov smo uporabili ansambelske metode strojnega učenja ter različne
kombinacije pojasnjevalnih spremenljivk, izpeljanih iz diskretnih lidarskih podatkov in iz
infrardečih aeroposnetkov. Za osem najbolje napovedanih ciljnih spremenljivk modelne
korelacije znašajo od 0,76 do 0,83. Razmeroma nizke vrednosti pripisujemo raznolikosti
gozda v testnem območju, napakam v učnem vzorcu in nenatančnemu pozicioniranju
vzorčnih ploskev (nenatančen GPS v gozdu), zaradi česar je lahko prišlo do zamika terenskih
glede na daljinsko zaznane podatke. Pri ciljnih spremenljivkah, ki se nanašajo na drevesno
sestavo, k točnosti napovedi največ prispevajo infrardeče pojasnjevalne spremenljivke,
lidarski podatki pa so boljši pri pojasnjevanju svetlobnih značilnosti gozda, ki so tesno
povezane s prostorsko razporeditvijo biomase. Strojno naučeni ansambelski modeli so
točnejši in robustnejši od lineranih regresijskih modelov, večciljni modeli pa so primernejši
od modelov z eno ciljno spremenljivko, saj je skupen čas za pripravo enega modela krajši od
časa za pripravo mnogih enociljnih modelov, pa tudi lažje jih je implementirati. Gozdni
prostor smo razčlenili na gozdne sestoje s slikovno segmentacijo na podlagi modelnih
rastrskih kart.
Ključne besede
geodezija;disertacije;lidar;gozd;DMR;strojno učenje;model;
Podatki
Jezik: |
Slovenski jezik |
Leto izida: |
2011 |
Tipologija: |
2.08 - Doktorska disertacija |
Organizacija: |
UL FGG - Fakulteta za gradbeništvo in geodezijo |
Založnik: |
[A. Kobler] |
UDK: |
528.7/.8:630*5:(043.3) |
COBISS: |
5489249
|
Št. ogledov: |
2125 |
Št. prenosov: |
634 |
Ocena: |
0 (0 glasov) |
Metapodatki: |
|
Ostali podatki
Sekundarni jezik: |
Angleški jezik |
Sekundarni naslov: |
New methods of prosessing [!] aerial laser scanner data for forest ecosystem monitoring |
Sekundarni povzetek: |
The thesis is composed of two parts. In the first part we developed a new method for lidar
DTM generation. In the second part we used vertical lidar profiles for model-based prediction
of the percentages of individual tree species in the forest and to predict different light
properties of the forest In steep forested relief, the existing algorithms for computing DTM
from the lidar data have problems to distinguish between the ground returns and the
vegetation returns, because on the steep slopes the local cloud neighborhood has properties
similar to the vegetation. In the first part of the thesis we introduced a new method of DTM
computation from the lidar data, called REIN, which is especially adapted to the steep
forested topography. The method makes use of the lidar point redundancy to mitigate errors.
It does not belong into any of the known algorithm groups, because it randomly samples the
point cloud. REIN has a greater ability to adapt to variations in the terrain and forest cover.
Because of ensuring that each part of the area of interest gets equal probability of being
sampled, REIN results in a homogeneous DTM even under non-homogeneous data input
conditions. REIN also takes care of the problem of negative outliers due to multi-path
reflections. In the second part of the thesis we used vertical vegetation profiles, computed
from the small-footprint discrete lidar data, to predict the percentages of individual tree
species in the forest and to predict different light properties of the forest. The ensemble
methods of machine learning were used together with different combinations of the
explanatory variables, derived both from the discrete lidar data and from the aerial infra-red
imagery. The correlations for the eight best modeled target variables are between 0,76 and
0,83. Relatively modest correlations are attributed to the heterogeneity of forests in the test
area, to the errors in the training set, and to the imprecise positioning of the field plots (due to
GPS errors under the forest canopy), resulting in a possible spatial shift between the field data
and lidar data. Infrared explanatory variables contribute the most to the predictions of target
variables referring to the tree composition. Lidar data are better suited to explain the forest
light properties, which in turn are linked to the spatial distribution of the above-ground forest
biomass. The machine-learned ensemble models are more accurate and more robust than the
linear regression models. The multi-target models are more suitable than the single-target
ensemble models, because the total time to set up a multi-target model is shorter than the time
needed to set up multiple single-target models. The multi-target models are also easier to
implement. The forest has been delimited into the forest stands by image segmentation based
on the model-based raster maps. |
Sekundarne ključne besede: |
doctoral thesis;deformation analysis;lidar;forest;DTM;machine learning;model; |
Vrsta datoteke: |
application/pdf |
Vrsta dela (COBISS): |
Doktorska disertacija |
Komentar na gradivo: |
Univ. v Ljubljani, Fak. za gradbeništvo in geodezijo |
Strani: |
XVIII, 131 str. |
ID: |
8711006 |