| Popis: |
Magistritöö Metsamajanduse ja metsaökoloogia õppekaval Puistute harvendamise vajadust hinnatakse tavaliselt metsa inventeerimisandmete ja välivaatluste abil, mis on kulukad, ning tihedama intervalliga teavet puistu erinevate takseertunnuste kohta võib saada aerolaserskaneerimisega tehtud mõõtmistest. Käesoleva lõputöö eesmärk oli uurida aerolidari mõõdistusel põhineva harvendusraie vajaduse hindamise mudeli tegemise võimalikkust ja võrrelda tulemusi varasemate sarnaste uuringutega. Harvendusraie vajadust hinnati välitööde põhjal 2022. aasta kevadest kuni 2023. aasta talveni kokku 188 metsaeraldisel Lääne-Virumaal. Maa-ameti kodulehelt laeti alla suvise mõõdistuse 2020. aasta punktipilved ja igale eraldisele arvutati lidarimeetrikud. Koguandmestikust jagati 152 eraldist treeningandmestikuks ja 36 eraldist valideerimisandmestikuks. Harvendusraie vajaduse hindamise mudelid koostati treeningandmestiku põhjal logistilise regressioonianalüüsiga. Kokku loodi võrdlemiseks 20 mudelit. Valideerimisel oli erinevate mudelite prognoositäpsus 78–94% (2–8 erinevust 36 eraldise kohta võrreldes välitööde hinnangutega). Mudelitele tehti tundlikkuse test, selleks jagati kogu andmestikust kümnel korral juhuslikkuse alusel uuesti 36 eraldist testandmestikku. Kõigil kümnel korral testiti mudeleid saadud andmestikel uuesti. Tundlikkuse testi järgi erinesid kümnel korral mudelite prognoosid ja välitööde hinnangud keskmiselt 5,1–6,7 eraldisel. Kõik mudelid prognoosisid küllaltki samaväärselt. Lõputöö tulemuste põhjal võib öelda, et erinevad katvuse ja kõrgusjaotuse meetrikute kombinatsioonid prognoosivad harvendusraie vajadust küllaltki võrdväärselt. Edaspidistes uuringutes võiks analüüsida lidaripõhiste harvendusraiemudelite toimimist erametsade puhul, kuna sealsed puistud võivad olla erineva struktuuri ja majanduspraktikatega. The need for thinning of stands is usually assessed using forest inventory data and field observations which are expensive. In order to obtain information about the various stand characteristics in a shorter time interval, measurements with airborne laser scanning can be made. This thesis aims to investigate the possibility of constructing a model for predicting the need for commercial thinning based on airborne laser scanning. The results are compared with previous similar studies. The need for thinning was assessed based on field work conducted from spring 2022 to winter 2023 in a total of 188 stand subcompartments in Lääne-Virumaa. Point clouds were downloaded from the Estonian Land Board public access website and lidar metrics were calculated for each subcompartment. From the total dataset, 152 partitions were divided into training datasets and 36 partitions into validation datasets. Models for assessing the need for thinning were created using logistic regression analysis based on training data. All in all, 20 models were constructed. Based on validation, the different models had a prediction accuracy of 78–94% (2–8 differences per 36 subcompartments compared to field estimates). The models were subjected to a sensitivity test by randomly dividing the entire dataset ten times into 36 separate test datasets. Each time the models were retested on the resulting datasets. According to the sensitivity test, the mean difference between the models' predictions compared to the field estimates was between 5.1–6.7 differences for the 36 subcompartments on ten occasions. All models made fairly similar predictions. Based on the results of the thesis, it can be said that different combinations of canopy cover and height distribution metrics predict the need for thinning fairly equally. In future studies, the performance of lidar-based thinning models can also focus on private forests, as the stands there may have different structures and previous forest management practices. |
