Nove metode za obdelavo podatkov letalskega laserskega skenerja za monitoring gozdnih ekosistemovKobler, Andrej (Avtor) Oštir, Krištof (Mentor) Džeroski, Sašo (Komentor) geodezijadisertacijelidargozdDMRstrojno učenjemodelNaloga je sestavljena iz dveh sklopov. V prvem sklopu smo razvili novo metodo izdelave lidarskega DMR, v drugem pa smo lidarske vertikalne profile vegetacij uporabili za modelno napovedovanje deležev drevesnih vrst v gozdu in svetlobnih lastnosti gozda. Obstoječi algoritmi za izračun DMR iz lidarskih podatkov imajo v strmem gozdnatem reliefu težave z razlikovanjem talnih odbojev od vegetacije, saj ima v strmem reliefu lokalna okolica v oblaku podobne značilnosti kot vegetacija. V prvem sklopu naloge smo razvili novo metodo izdelave DMR, imenovano REIN, posebej namenjeno uporabi v strmem gozdnatem reliefu: Metoda za zmanjšanje napak izkorišča preobilje lidarskih odbojev (redundanco) in ne spada v nobeno od skupin znanih algoritmov, saj uporablja naključno vzorčenje oblaka lidarskih odbojev. REIN ima večjo zmožnost prilagajanja raznolikim razmeram v strmem gozdnatem terenu. Ker ima vsak del analiziranega območja enako možnost biti izbran v vzorec, je izračunan DMR homogen tudi pri nehomogenih vhodnih podatkih. REIN rešuje tudi problem negativnih osamelcev, ki so rezultat mnogokratnih odbojev. V drugem sklopu naloge smo lidarske vertikalne profile vegetacije, izračunane iz podatkov diskretnega lidarja majhnega odtisa, uporabili za modelno napovedovanje deležev drevesnih vrst v gozdu in svetlobnih lastnosti gozda. Za gradnjo modelov smo uporabili ansambelske metode strojnega učenja ter različne kombinacije pojasnjevalnih spremenljivk, izpeljanih iz diskretnih lidarskih podatkov in iz infrardečih aeroposnetkov. Za osem najbolje napovedanih ciljnih spremenljivk modelne korelacije znašajo od 0,76 do 0,83. Razmeroma nizke vrednosti pripisujemo raznolikosti gozda v testnem območju, napakam v učnem vzorcu in nenatančnemu pozicioniranju vzorčnih ploskev (nenatančen GPS v gozdu), zaradi česar je lahko prišlo do zamika terenskih glede na daljinsko zaznane podatke. Pri ciljnih spremenljivkah, ki se nanašajo na drevesno sestavo, k točnosti napovedi največ prispevajo infrardeče pojasnjevalne spremenljivke, lidarski podatki pa so boljši pri pojasnjevanju svetlobnih značilnosti gozda, ki so tesno povezane s prostorsko razporeditvijo biomase. Strojno naučeni ansambelski modeli so točnejši in robustnejši od lineranih regresijskih modelov, večciljni modeli pa so primernejši od modelov z eno ciljno spremenljivko, saj je skupen čas za pripravo enega modela krajši od časa za pripravo mnogih enociljnih modelov, pa tudi lažje jih je implementirati. Gozdni prostor smo razčlenili na gozdne sestoje s slikovno segmentacijo na podlagi modelnih rastrskih kart.[A. Kobler]20112015-07-10 10:17:24Doktorska disertacija32550sl