Vegetationsklassning med en kombination av SPOT-bilder och LiDAR

1. Vegetationsklassning med en kombination avSPOT-bilder och LiDAR Karin Nordkvist, Ann-Helen Granholm, Mats Nilsson, Håkan Olsson karin.nordkvist@slu.se Skoglig resurshushållning

2. Bakgrund • Datakällor • Flygburen LiDAR (=laserskanning) • Satellitbild (SPOT 5) • Flygbildstolkning • Klassning • Resultat • Slutsatser Skoglig resurshushållning

3. Bakgrund • Stort behov av vegetationsinformation bl.a. för ekologisk forskning • Enda rikstäckande produkten idag är GSD Marktäckedata (klassning och • tolkning av Landsat-bilder) • SPOT-data för hela landet finns fritt tillgängligt årligen sedan 2007 • (Lantmäteriets Saccess-databas) • Lantmäteriet arbetar sedan 2009 med en nationell laserskanning Kan laserdata användas för att förbättra noggrannheten i en satellitbildsklassning? Skoglig resurshushållning

4. Två kompletterande datakällor • SPOT-bild, 2D : färg • LiDAR, 3D : höjd, täthet, vertikal struktur • Referensdata för klassningen • 780 flygbildstolkade provytor Föröksområde: ett 25 × 50 km område väster om Gävle. Skoglig resurshushållning

5. Flygburen LiDAR i korthet En laserpuls sänds ut och ekot registreras. Genom att mäta tid för ekot samt instrumentets position och tittvinkel får man fram xyz-koordinat för det som laserpulsen studsat mot (mark, träd, byggnad...). LiDAR-punktmoln i profil. Rosa punkter är klassade som mark, gula som vegetation Skoglig resurshushållning

6. Behandling av LiDAR-datat • Punkterna klassas som mark eller vegetation • Markträffarna används för att göra en markmodell • För vegetationsträffarna beräknas höjd över marken • I rasterceller om 10 m × 10 m beräknas höjdpercentiler p10, p20, ..., p100 • samt vegetationskvot, vk. Endast träffar över en viss tröskel räknas här som • vegetation. Skoglig resurshushållning

7. Behandling av LiDAR-datat Höjdpercentil px : x% av vegetationsträffarna finns under denna höjd. Vegetationskvot: Kvoten mellan vegetationsträffar och totalt antal träffar. • Korrelation mellan • höjdpercentiler och • vegetationens höjd • vegetationskvot och • krontäckning Skoglig resurshushållning

8. Överraskning i LiDAR-datat Tunna (~1 pixel) linjer med mycket låg vegetationskvot påträffas i kanterna av skanningsstråken. I ytterkanten av skanningsstråket ser lasern ”in under trädkronorna”, och andelen markträffar blir därför hög. Bredden på detta område beror på skanningsvinkeln och vegetationens höjd. LiDAR-punktmoln i profil. Vita punkter hör till ett stråk och röda till ett annat, överlappande. Rasterbild med vegetationskvot från LiDAR Skoglig resurshushållning

9. LiDAR-data • från Lantmäteriets nationella laserskanning • Sensor : Leica ALS 50-II • Flyghöjd : ca 2000 m • Punkttätehet : ca 1.4 pt/m2 • Datum : 29-31 maj 2009 • Använda variabler: • höjdpercentiler 50 och 100 (p50, p100), • vegetationskvot (vk) Höjdpercentil 50. Svart = lågt, vitt = högt Skoglig resurshushållning

10. Satellitbild • SPOT 5-bild från 31 maj 2009 • 10 m × 10 m pixlar • Band : Grönt, rött, NIR, SWIR • Geometriskt korrigerad till 0.5 pixels • noggrannhet RGB: NIR, SWIR, rött Skoglig resurshushållning

11. Flygbildstolkning • av bilder från Lantmäteriet, gjord i digital fotogrammetisk arbetsstation • DMC-bilder, stereo • Flyghöjd : ca 4800 m • 780 provytor med 10 m radie • 500 m grid • Tolkat : Trädhöjd, krontäckning, • marktyp, vegetationsklass • ca 100 provytor besöktes i fält för • en kvalitetskoll Skoglig resurshushållning

12. Fjärranalysdata Klassning Referensdata Skoglig resurshushållning

13. Maximum likelihood-klassning • Enbart SPOT • Enbart LiDAR • Kombination av SPOT och LiDAR Klasser Hygge Ungskog Barrskog 5-15 m Barrskog >15 m Lövskog Blandskog Myr • Klassningsträd (Decision tree) • Kombination av SPOT och LiDAR Träningsdata: 2/3 av de flygbildstolkade ytorna Utvärderingsdata: 1/3 av ytorna Skoglig resurshushållning

14. Resultat Andel rätt klassade pixlar* i %. *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

15. Resultat Andel rätt klassade pixlar* i %. *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

16. Resultat Andel rätt klassade pixlar* i %. Vegetationskvot och höjddata från LiDAR hjälper till att skilja mellan hygge och ungskog *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

17. Resultat Andel rätt klassade pixlar* i %. *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

18. Resultat Andel rätt klassade pixlar* i %. Höjddata från LiDAR hjälper till att skilja mellan barrskog av olika höjd. *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

19. Resultat Andel rätt klassade pixlar* i %. Höjddata från LiDAR fungerar dåligt för att hitta hyggen, p.g.a. överståndare. Vegetationskvot fungerar bättre. *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

20. Resultat Andel rätt klassade pixlar* i %. Högst klassningsnoggrannhet fås när SPOT-bilden kombineras med p50 och vk i en maximum likelihood-klassning. +14% *S.k. producer’s accuracies och over-all accuracy Skoglig resurshushållning

21. a) SPOT-bild b) LiDAR-raster p50 c) Klassning SPOT d) Klassning SPOT, p50, vk Skoglig resurshushållning

22. Slutsatser • LiDAR-data innehåller användbar information om vegetationens • höjd och krontäckning... • ... medan färginformationen i optiska satellitdata behövs • för att klassa trädslag. • Genom att använda båda datakällorna kan man på ett enkelt sätt • få betydligt högre klassningsnoggrannhet än om bara satellitbilder • (eller bara LiDAR) används. • Dessutom: Kompletterande flygbildstolkning skulle kunna användas för mer detaljerad kartering av särskilt intressanta områden. Skoglig resurshushållning

23. Tack till... ... Rymdstyrelsen för finansiering ... Naturvårdsverkets EMMA-program för finansiering ... Lantmäteriets NNH-projekt för laserdata ... Lantmäteriets Saccess-databas för SPOT-data Skoglig resurshushållning