Algoritmer til at forbedre skovbeholdninger

En EPFL ph.d.-studerende har fundet frem til metoder til at kortlægge skove mere effektivt ved hjælp af fjernmåling fra luften, til støtte for skovopgørelser på jorden.

Skove er en væsentlig bestanddel af verdens økosystemer og en nøgleindikator for vores planets sundhed. De giver værdifulde ressourcer – som træ til byggeri og opvarmning – og de filtrerer regnvand, beskytte mod erosion og laviner, og kan bruges til mange fritidsaktiviteter. Af disse og andre grunde, det er vigtigt at overvåge deres udvikling gennem regelmæssige skovopgørelser. Opgørelser på jorden, ud over at være underlagt iagttagernes subjektivitet, er dyre og besværlige og kan kun udføres i let tilgængelige regioner. Som resultat, de udføres ikke særlig ofte, og kun i begrænsede områder. I Schweiz, for eksempel, den nationale opgørelse er kun blevet opdateret hvert tiende år siden 1985.

Aerial remote sensing kan være et godt supplement til overvågning på jorden. Det er mere objektivt og billigere, og det kan dække et større område. To teknikker bruges i øjeblikket:luftbåren laserscanning, som bestemmer skovens tredimensionelle struktur, og hyperspektral billeddannelse, som identificerer den præcise farve på trækronen, selv uden for det synlige lysspektrum. Forskere ved, hvordan man indsamler disse to typer data, men det er mere kompliceret at udtrække de nødvendige oplysninger til at overvåge og administrere skove.

"Hakker ned" 5, 000 træer i hånden

For sin ph.d. afhandling, Matthew Parkan, fra EPFL's Laboratory of Geographic Information Systems, udviklet en række algoritmer, der er i stand til automatisk at bestemme bestemte beholdningsparametre – såsom trunkplacering, estimeret diameter og art – over store områder. Disse algoritmer kan bruges, for eksempel, at oprette et detaljeret kort over et område som forberedelse til træafmærkning (før skæring), nøje at følge udviklingen af ​​individuelle træer og identificere levesteder, der er mere egnede til visse dyrearter.

For at kalibrere og validere sine algoritmer, Parkan måtte bygge et referencedatasæt ved manuelt at udtrække mere end 5, 000 træer fra en 3-D punktsky. For det, han skabte en digital skovbrugsværktøjskasse for at lette den manuelle ekstraktion af træer og den visuelle identifikation af træarter. Dette gjorde det muligt for ham at verificere, at algoritmerne pålideligt kunne detektere placeringen og formen af ​​træer, og at kalibrere hans klassifikationsmodeller for ni træarter, der almindeligvis findes i schweiziske skove.

Et supplement, ikke en erstatning

"Mit mål var at udvikle metoder og værktøjer, der kan supplere opgørelser på jorden i stedet for at erstatte dem, " siger Parkan. Inventar på jorden er stadig afgørende for kalibrering af modeller, validering af resultater og identifikation af subtile egenskaber – som dødt ved på jorden, habitattræer og træernes detaljerede sundhed – som ikke kan detekteres ved de fleste af de teknikker til fjernmåling fra luften, der er tilgængelige i øjeblikket. Da træer er komplekse organismer, hvis form og rumlige struktur varierer enormt i en skov, det er meget svært automatisk at opdage alle deres egenskaber. "Indtil videre, ingen algoritme kan give et fuldstændigt pålideligt sæt resultater, " siger Parkan. "Når det er sagt, store fremskridt vil blive gjort i de kommende år, efterhånden som flere og flere meget højopløselige data bliver tilgængelige, og vi udvikler algoritmer, der fungerer næsten lige så godt som den menneskelige hjerne."