| Popis: |
Magistritöö Metsatööstuse õppekaval Uurimustöö eesmärk oli koostada metsa laserskanneerimise (ALS) andmetel töötav mudel, mis võimaldaks hinnata puistute harvendusraie-eelset hõredust. Selle eesmärgi saavutamiseks modifitseeriti olemasolevat metsaregistri andmetel töötavat raie-eelse hõreduse (Lre) arvutamise mudelit, mille sisendparameetriteks on puistu keskmine diameeter (D) ja kõrgusindeks (H100). Töö esimeseks etapiks oli Maa-Ameti poolt 2013. aastal Laeva katseala kohta kogutud lidariandmete töötlemine, mille tulemusena saadi iga katsealal oleva eraldise kohta punktipilv. Sellele järgnes metsaregistri andmete töötlemine, kust valiti välja potentsiaalselt harvendusraiet vajavad puistud. Kolmanda etapina koostati nende andmetega mudelid, kus prognoositavaks tunnuseks oli Lre. Mudelite koostamisel asendati D erinevate lidari andmete põhjal arvutatud punktipilve kõrgusjaotuse protsentiilidega. Lisaks prooviti mudelisse lisada erinevaid võrastiku katvuse hinnanguid, laserimpulsi peegelduste kõrguste keskväärtust ja standardhälvet. Tulemuseks saadi 14 erineva kujuga kuid statistiliste karakteristikute poolest sarnast mudelit. Mudelites kasutatud ALS meetrikuteks olid kõrgusjaotuse 90 ja 95 protsentiilid (HP90, HP95), kõigi peegelduste katvuse hinnang 1,3 m kõrguselt (KA1,3), esimeste peegelduste katvuse hinnangud 1,3 m ja 8 m kõrguselt (K1_1,3, K1_8) ning punktipilve kõrguste standardhälve (HSD). Kõik mudelid osutusid oluliseks (p>0,001), determinatsioonikordaja (R 2 ) varieerus 0,67-0,72, jääkviga (σ) 0,27-0,29, keskmine hinnangu viga (MEE) 0,08-0,13 ja ruutkeskmine viga (RMSE) 0,37-0,44. Saadud tulemuste valideerimiseks kasutati eraldi andmestikku. Graafikute tõlgendamise ja mudelites kasutatud liikmete seoste uurimisel puistu hõredusega (L) võiks esile tõsta mudelid LreALS7 ja LreALS8, kus olid sõltumatuteks tunnusteks HSD, HP90 ja HP95. The objective of this thesis was to construct models that predict thinning necessity in forest stands by using airborne laser scanning (ALS) data and site index from forest inventory database. To achieve this, a model that predicts the stand sparsity when thinning is required (Lre), was taken as a starting point and modified. First step was to process ALS data gathered by Estonian Land Board in 2013 for Laeva test site. That was followed by processing data from National Register of Forest Resource for the Laeva test site. Third step was to create glm (generalized linear model) models with the data where Lre was the predicted variable. ALS point cloud metrics were used to replace stand breast height diameter (DBH) in the original Lre model. In total 14 models (LreALSn) were created this way. Models were validated using an independent data set from the Laeva test site. The models had 90th and 95th height percentiles (HP90, HP95), canopy cover estimation from all returns at 1,3 m (KA1,3), canopy cover estimations from first returns at 1,3 m and 8 m (K1_1,3, K1_8) and standard deviation of the height points (HSD) as independent variables. Determination coefficient (R2 ) of the models varied from 0,67-0,75, standard deviation (σ) 0,27-0,29, mean estimated error (MEE) 0,08-0,13 and root mean square error (RMSE) 0,37-0,44. All the models were significant (p>0,001). After interpreting validation graphs and looking at correlations between L and all the variables used in the models it can be said that models LreALS7 and LreALS8 should be looked at first when doing further research. |
