Прогнозування таксаційних показників деревостанів на основі k-NN методу
DOI:
https://doi.org/10.31548/forest2019.02.051Анотація
Дані дистанційного зондування Землі (ДЗЗ) є важливим джерелом додаткової інформації про параметри лісових насаджень, яку використовують під час інвентаризації лісів. Серед відомих технік, які дають змогу поєднати інформацію, одержану наземними та дистанційними методами, дуже поширеним став непараметричний метод відновлення пропущених значень – метод k найближчих сусідів (k-NN). Із метою дослідження ефективності цього методу за різної комбінації вхідних параметрів залучено матеріали експериментальної інвентаризації лісів на 141 вибіркових одиницях, де реалізовано принципи відбору дерев з імовірністю, пропорційною їхній кількості та розмірам. Дослідна територія розташована в центральній частині Київської області та має площу близько 56 км2. Як джерело додаткової інформації використано три типи даних супутникової зйомки: 1) сезонні мозаїки супутникових знімків Landsat 8 OLI; 2) окрему сцену знімка SPOT 7; 3) часову серію спостережень PlanetScope. Ми встановили, що точність прогнозування сум площ поперечних перерізів дерев у насадженні для всіх типів даних ДЗЗ є вищою для реласкопічного методу наземної таксації деревостанів. Серед залучених спектральних даних менші помилки одержано для щільних часових серій супутникових спостережень Landsat та PlanetScope. При цьому виявлено, що значення темпорального розрізнення супутникових знімків для прогнозування сум площ перерізів дерев на 1 га є більшим, аніж їхнє просторове розрізнення. У роботі встановлено, що імплементація k-NN методу за k = 1, забезпечує збереження коваріації між змінними, тоді як збільшення величини k звужує діапазон мінливості таксаційних показників, особливо це стосується малих вибірок. Серед методів пошуку найближчих сусідів більшої точності досягнуто при застосуванні алгоритму Random Forest.
Ключові слова: вибіркова інвентаризація лісу, кругові пробні площі, реласкопічна таксація, класифікація.Посилання
Beaudoin, A., Bernier, P. Y., Guindon, L., Villemaire, P., Guo, X. J., Stinson, G., ... Hall, R. J. (2014). Mapping attributes of Canada's forests at moderate resolution through k NN and MODIS imagery. Canadian Journal of Forest Research, 44 (5), 521-532. https://doi.org/10.1139/cjfr-2013-0401
Bernier, P. Y., Daigle, G., Rivest, L.-P., Ung, C.-H., Labbé, F., Bergeron, C., & Patry, A. (2010). From plots to landscape: A k-NN-based method for estimating stand-level merchantable volume in the Province of Québec, Canada. The Forestry Chronicle, 86 (4), 461-468. https://doi.org/10.5558/tfc86461-4
Bilous, A., Myroniuk, V., Holiaka, D., Bilous, S., See, L., & Schepaschenko, D. (2017). Mapping growing stock volume and forest live biomass: a case study of the Polissya region of Ukraine. Environmental Research Letters, 12 (10), 13. https://doi.org/10.1088/1748-9326/aa8352
Breiman, L. (2001). Random forests. Machine Learning, 45 (1), 5-32. https://doi.org/10.1023/A:1010933404324
Chirici, G., McRoberts, R. E., Fattorini, L., Mura, M., & Marchetti, M. (2016). Comparing echo-based and canopy height model-based metrics for enhancing estimation of forest aboveground biomass in a model-assisted framework. Remote Sensing of Environment, 174, 1-9. https://doi.org/10.1016/j.rse.2015.11.010
Crookston, N. L., & Finley, A. O. (2008). yaImpute : An R Package for k NN Imputation. Journal of Statistical Software, 23 (10). https://doi.org/10.18637/jss.v023.i10
Franco-Lopez, H., Ek, A. R., & Bauer, M. E. (2001). Estimation and mapping of forest stand density, volume, and cover type using the k-nearest neighbors method. Remote Sensing of Environment, 77 (3), 251-274. https://doi.org/10.1016/S0034-4257(01)00209-7
Haapanen, R., Ek, A. R., Bauer, M. E., & Finley, A. O. (2004). Delineation of forest/nonforest land use classes using nearest neighbor methods. Remote Sensing of Environment, 89 (3), 265-271. https://doi.org/10.1016/j.rse.2003.10.002
Hou, Z., McRoberts, R. E., Ståhl, G., Packalen, P., Greenberg, J. A., & Xu, Q. (2018). How much can natural resource inventory benefit from finer resolution auxiliary data? Remote Sensing of Environment, 209, 31-40. https://doi.org/10.1016/j.rse.2018.02.039
Hudak, A. T., Crookston, N. L., Evans, J. S., Hall, D. E., & Falkowski, M. J. (2008). Nearest neighbor imputation of species-level, plot-scale forest structure attributes from LiDAR data. Remote Sensing of Environment, 112 (5), 2232-2245. https://doi.org/10.1016/j.rse.2007.10.009
Kirchhoefer, M., Schumacher, J., Adler, P., & Kändler, G. (2017). Considerations towards a Novel Approach for Integrating Angle-Count Sampling Data in Remote Sensing Based Forest Inventories. Forests, 8 (7), 239. https://doi.org/10.3390/f8070239
Latifi, H., Fassnacht, F. E., Hartig, F., Berger, C., Hernández, J., Corvalán, P., & Koch, B. (2015). Stratified aboveground forest biomass estimation by remote sensing data. International Journal of Applied Earth Observation and Geoinformation, 38, 229-241. https://doi.org/10.1016/j.jag.2015.01.016
Maltamo, M., Korhonen, K., Packalen, P., Mehtatalo, L., & Suvanto, A. (2007). Testing the usability of truncated angle count sample plots as ground truth in airborne laser scanning-based forest inventories. Forestry, 80 (1), 73-81. https://doi.org/10.1093/forestry/cpl045
McRoberts, R. E. (2009a). A two-step nearest neighbors algorithm using satellite imagery for predicting forest structure within species composition classes. Remote Sensing of Environment, 113 (3), 532-545. https://doi.org/10.1016/j.rse.2008.10.001
McRoberts, R. E. (2009b). Diagnostic tools for nearest neighbors techniques when used with satellite imagery. Remote Sensing of Environment, 113 (3), 489-499. https://doi.org/10.1016/j.rse.2008.06.015
McRoberts, R. E. (2012). Estimating forest attribute parameters for small areas using nearest neighbors techniques. Forest Ecology and Management, 272, 3-12. https://doi.org/10.1016/j.foreco.2011.06.039
McRoberts, R. E., Liknes, G. C., & Domke, G. M. (2014). Using a remote sensing-based, percent tree cover map to enhance forest inventory estimation. Forest Ecology and Management, 331, 12-18. https://doi.org/10.1016/j.foreco.2014.07.025
McRoberts, R. E., Nelson, M. D., & Wendt, D. G. (2002). Stratified estimation of forest area using satellite imagery, inventory data, and the k-Nearest Neighbors technique. Remote Sensing of Environment, 82 (2-3), 457-468. https://doi.org/10.1016/S0034-4257(02)00064-0
Mozgeris, G. (2008). Estimation and Use of Continuous Surfaces of Forest Parameters: Options for Lithuanian Forest Inventory. Baltic Forestry, 14 (2), 9.
Myroniuk, V. (2017). Variable selection in the context of forest cover mapping using seasonal Landsat mosaics. Scientific Herald of NULES of Ukraine, 278, 66-76 (in Ukrainian).
Myroniuk, V. (2018). Forest cover mapping using Landsat-based seasonal composited mosaics. Scientific Bulletin of NFWU of Ukraine, 28 (1), 28-33 (in Ukrainian). https://doi.org/10.15421/40280105
Ohmann, J. L., Gregory, M. J., & Roberts, H. M. (2014). Scale considerations for integrating forest inventory plot data and satellite image data for regional forest mapping. Remote Sensing of Environment, 151, 3-15. https://doi.org/10.1016/j.rse.2013.08.048
Packalén, P., Temesgen, H., & Maltamo, M. (2012). Variable selection strategies for nearest neighbor imputation methods used in remote sensing based forest inventory. Canadian Journal of Remote Sensing, 38 (5), 557-569. https://doi.org/10.5589/m12-046
Reese, H., Nilsson, M., Sandström, P., & Olsson, H. (2002). Applications using estimates of forest parameters derived from satellite and forest inventory data. Computers and Electronics in Agriculture, 37 (1-3), 37-55. https://doi.org/10.1016/S0168-1699(02)00118-7
Tomppo, E., & Halme, M. (2004). Using coarse scale forest variables as ancillary information and weighting of variables in k-N-N estimation: a genetic algorithm approach. Remote Sensing of Environment, 92 (1), 1-20. https://doi.org/10.1016/j.rse.2004.04.003
Tomppo, E., Kuusinen, N., Mäkisara, K., Katila, M., & McRoberts, R. E. (2017). Effects of field plot configurations on the uncertainties of ALS-assisted forest resource estimates. Scandinavian Journal of Forest Research, 32(6), 488-500. https://doi.org/10.1080/02827581.2016.1259425
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Стосунки між правовласниками і користувачами регулюються на умовах ліцензії Creative Commons Із Зазначенням Авторства – Некомерційна – Поширення На Тих Самих Умовах 4.0 Міжнародна (CC BY-NC-SA 4.0):https://creativecommons.org/licenses/by-nc-sa/4.0/deed.uk
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див.The Effect of Open Access).