Show simple item record

dc.contributor.advisorLang, Mait
dc.contributor.authorArumäe, Tauri
dc.contributor.otherPackalén, Petteri (opponent)
dc.date.accessioned2020-05-15T12:14:13Z
dc.date.available2020-05-15T12:14:13Z
dc.date.issued2020
dc.identifier.isbn978-9949-698-27-1
dc.identifier.issn2382-7076
dc.identifier.urihttp://hdl.handle.net/10492/5764
dc.identifier.urihttps://doi.org/10.15159/emu.53
dc.descriptionA Thesis for applying for the degree of Doctor of Philosophy in Forestry.eng
dc.description.abstractForest management and planning requires up-to-date data, which commonly is acquired using field experts and ground measurements. Nowadays, more and more of data about forest stands is measured using remotely sensing methods. Most common methods include aerial photography and laser scanning from airplanes, also spectral measurements from satellites or even drone images and applications. This doctoral thesis focuses on developing applications and methods for utilising the airborne laser scanning (ALS) data that is freely available for the whole Estonia. The ALS measurements are carried out by the Estonian Land Board on a routine basis twice a year – in spring and summer. The first variable that was studied in this thesis was forest height. Based on the thesis, the most reliable method for forest height assessment was using the ALS point-cloud 80th height percentile (HP80). The small circular plot (radius of 15…30 m) and stand based studies showed high correlations with the field-measured forest heights and with great confidence it can be said, that ALS-based forest height estimations are close or even with higher accuracy, than field inspected. The second studied variable was standing wood volume. The ALS-based methods and models that were developed throughout this thesis used the idea, that standing wood volume is based on forest height and density. For this the HP80 and a threshold-based point count ratio was used (canopy cover - CC). ALS-based CC (CCALS) estimates were studied and compared with digital hemispherical photo based measurements. The results showed similar errors as were shown in other similar studies, with around 10-15% root mean square error (RMSE). The strongest correlation was shown using all echoes above a 1.3 metre threshold. Combining the CCALS and HP80 showed standing wood volume estimates with a similar error as we would receive from field measurements (<20%). The freely available multitemporal ALS data showed promising results for forest height growth monitoring and detecting small-scale disturbances. CCALS was shown to have strong predictive value, when compared with a four year difference in thinned and unthinned stands. The nation-wide ALS data can also be combined with forest height predictions from satellites, providing a faster update compared to the ALS data. Promising results were shown using the interferometric synthetic aperture radar (InSAR). Stand species maps generated using self-learning algorithms and satellite based spectral data can be used for developing species specific models of standing wood volume prediction. By combining these different datasets we can construct a nation-wide forest resource to help make better decisions for forest management and targeting fieldwork.eng
dc.description.abstractMetsades majandamisotsuste langetamiseks ja metsamajanduslike tööde planeerimiseks on metsaomanikel vaja andmeid. Harjumuspäraselt on andmete kogumiseks tehtud metsas maapealseid mõõtmisi. Viimastel aastakümnetel on metsade inventeerimiseks üha enam aga kasutatud mittekontaktseid mõõtmisi - lennukitelt tehtavad aerofotosid, laserskaneerimist, satelliitidelt tehtavaid kiirgusmõõtmisi või viimastel aastatel ka droonidelt tehtud pilte. Antud doktoritöö on võtnud fookusesse aerolaserskaneerimise (ALS) andmete põhjal Eesti metsadesse sobilike rakenduste väljatöötamise. ALS mõõtmisi teeb Eesti Maa-amet rutiinsete lendude käigus kaks korda aastas, nii kevadel kui ka suvel. Aastast 2008 alustatud mõõtmiste tulemusel on Eesti üks väheseid riike maailmas, kus on vabalt kasutada mitmekordselt kogu riiki kattev ALS andmestik. Doktoritöö tulemusel töötati välja metsa kõrguse hindamiseks sobilikud meetodid, kasutades selleks punktipilvede kõrgusprotsentiile. Tugevamaid seoseid metsas proovitükkidel mõõdetud kõrgustega näitas punktipilve 80-protsentiil (HP80) ja uuringute põhjal võib väita, et metsa kõrguse määramine suvistelt aerolidari andmetelt on ligilähedane täpsustele, mida saadakse metsas kohapeal mõõtes. Teine oluline tunnus, mida metsade majandamise planeerimisel silmas peetakse, on kasvava metsa tagavara. Teadustöö põhjal töötati välja mudelite kujud ja metoodika, mille abil prognoositud tagavara oli sarnase veapiiriga, mis on lubatud metsas hinnanguid tegevatele taksaatoritele (<20%). Väljatöötatud ALS-põhine mudeli kuju järgib loogikat, et metsa tagavara on otseselt seotud mõõdetud kõrguse ja metsa tihedusega. Tihenduse hindamiseks aerolidari andmetelt kasutatakse nivoopõhist punktide suhtearvu ehk nn katvushinnangut (CCALS). Katvushinnangu täpsuse valideerimiseks ja tihedas metsas sobiva prognoosimeetodi väljatöötamiseks tehti välimõõtmisi kasutades poolsfäärikaameraid. Poolsfääripiltide põhjal tehtud valideerimise tulemused andsid sarnaseid veahinnanguid, mida on ka varasemates teadusuuringutes esitletud (RMSE = 10…15%). Kahe sarnasest fenoloogilisest perioodist ALS andmestiku lahutamisel uuriti ka muutuste tuvastamise võimalikkust. Uuringud andsid paljulubavaid tulemusi metsade kõrguskasvu hindamiseks ja CCALS osutus ka oluliseks tunnuseks väiksemate häiringute, nagu näiteks harvendusraie, tuvastamiseks. Kogu riiki katva ALS andmestiku kombineerimisel erinevate satelliitandmetega või näiteks spektraalsete mõõtmiste põhjal tehtud puistu liigiliste koosseisu kaartidega on võimalik antud töös välja pakutud meetodite abil anda igal aastal kogu Eesti metsaressursside ülevaade. Samuti on võimalik koostada vaid kaugseirevahendeid ja proovitükkidel lähendatud mudeleid kasutades eraldiste põhised takseerkirjeldused, mida siis taksaatorid saavad näiteks kasutada oma välitööde kavandamisel.  est
dc.description.sponsorshipPublication of this thesis is supported by the Estonian University of Life Sciences.eng
dc.publisherEesti Maaülikool
dc.relation.ispartofseriesEesti Maaülikooli doktoritööd
dc.rights© Tauri Arumäe 2020
dc.rights.urihttps://www.riigiteataja.ee/en/eli/ee/Riigikogu/act/519062017005/consolide
dc.subjectdissertationseng
dc.subjectdissertatsioonidest
dc.subjectpuistudest
dc.subjectmetsadest
dc.subjectmetsandusest
dc.subjectkaugseireest
dc.subjectmetsatakseerimineest
dc.subjectEestiest
dc.subjectforest taxationeng
dc.subjectEstoniaeng
dc.subjectforestseng
dc.subjectforestryeng
dc.subjectremote sensingeng
dc.subjectforest standseng
dc.titleEstimating forest variables using airborne lidar measurements in hemi-boreal forestseng
dc.title.alternativePuistute takseertunnuste hindamine aerolidari mõõtmisandmete põhjal hemiboreaalsetes metsadesest
dc.typeDoctoral Thesiseng
dc.date.defensed2020-06-17
dc.type.qualificationnamePhD


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record