A: Fjärranalyse barkborre angrepp med bruk av ADS 80 data B: ITC prosessering for GeoEye data, Barkborre område

Transkript

1 A: Fjärranalyse barkborre angrepp med bruk av ADS 80 data B: ITC prosessering for GeoEye data, Barkborre område Dette er en gjennomgang av de 2 prosjektene utført for A: Skogsstyrelsen, Norra Jämtlands distrikt og B:Sveaskog. Presentasjon av data gjøres med programmet SpacEyes og PCI FreeView som er inkludert på tilsendte harddisk. Egne notat beskriver gjennomgangen ved bruk av programmene. Thanks: We want to thank company Leica Geosystems for providing the excellent data sets free of charge. A special thank to Arthur Rohrbach, Sensor Sales Manager Europe, Middle-East and Africa (EMEA) and Jacques Markram, both from Leica Geosystems for their good support and help with the processing of data. Bakgrunn: Prosjektet er 2 oppdrag for henholdsvis Skogsstyrelsen og for Sveaskog. Følgende er utført for Skogsstyrelsen: Kartlegging av skadad eller angripen skog: o Barr o Løv o Skadad eller angripen skog o Død skog Oppdatert terrengmodell. Forslag til nye hogstkanter i stående skog (hvor bør bestandsgrensen gå) Bratthet Retning Oppdaterte ortofotokart En modell som kan brukes i ecognition Arkitekt slik at Skogsstyrelsen selv kan anlaysere skadad eller angripen skog. ecognition Arkitekt er ikke inkludert. ecognition developer som Skogsstyrelsen allerede har kjøpt, vil kunne kjøre modellen vi utvikler. Bruk av laserdata sammen med stereobilder for å bygge bestandsmodell Følgende er utført for Sveaskog: (a) Gjennomføre ITC for eldre skog basert på GeoEye data; (b) Bruke Shape filer fra Sveaskog for å avgrense de områdene som skal analyseres; (c) Resultatet leveres som shape filer eller GeoTiff filer; (d) Følgende klasser blir analysert: barr, løv, syk og død skog; Etter samråd med Fredrik Gunnarsson i Sveaskog og Alf Pedersen i Skogsstyrelsen, er de 2 prosjektene samlet i en dokumentasjon som begge organisasjoner får.

2 Områder: Det er spesielt området i Jämtland som er hårdt drabbad av barkborre. Dette området fikk arbeidstittelen Barkborre. Det andre området Västmanland ble plukket ut som underlag for den første undersøkelsen. Det fikk arbidstittelen Underlag. Barkborre området ligger i Jämtland: I området Barkborre (merket med rødt) ble det kartlagt bådet med Leica ADS 80 og satellitten GeoEye. Begge sensorer kartlegger med RGB+NIR. Området Underlag ligger i Västmanland: Begge områder dekker store områder for Sveaskog og for private skogeiere. I området Underlag i Västmanland ble det kun fløyet Leica ADS80 sensor. Lidar data kom fra Lantmäteriet.

3 Sensorene: Leica ADS80 er en av markedets beste flybårne sensorer. ADS80 er en linjeskanner og arbeider likt med satellitt sensorer. Den har egentlig 3 sensorer: Nadir, Backward og Forward. Ved å kombinere Nadir med Backward, får vi stereo bilder av høy kvalitet. Ut til sidene er det sentral projeksjon som ved vanlige flybilder mens det langs med flylinjen er sentral projeksjon. Ut til siden vil trærne lute utover og i midten av flylinjen vil alltid trærne peke rett opp. Radiometrisk er Leica ADS80 svært god. Den gir fargebilder med høyeste oppløsning direkte uten behov for pan sharpening. GeoEye sensoren er en av satellittene med høyest oppløsning. Den funksjonerer veldig likt med ADS 80. På grunn av flyhøyden virker det som om alle trærne luter like lite. Avhengig av hvor stor sidevinkel satellitten registrerer med, vil trærne lute mer eller mindre. Vedlagte pdf filer inneholder mer tekniske detaljer om sensorene. Det elektromagnetiske spekter: Denne plansjen fra professor Dr Andreas Kaab ved universitetet i Oslo viser hvilke deler av det elektromagnetiske spektret som trenger gjennom atmosfæren og gir oss lys. Til venstre har vi Blått, Grønt og Rødt (RGB). Det er den delen av spektret som det menneskelige øyet har tilpasset seg. Sensorene vi har brukt kan i tillegg registrere lys i den Nær InfraRøde (NIR) delen. Produksjon av klorofyll vises best i den infrarøde delen. Derfor bruker vi den aktivt ved analyse av syke versus friske trær. I de fleste illustrasjonene vi bruker, har vi erstattet Rødt med NIR. Løvtrær med ettårige blader med høy produksjon blir sterkt røde. Syke trær med lite produksjon får lite rødfarge og blir nærmest blå.

4 Kvalitet: ADS 80 og GeoEye registrerte begge data i august GeoEye over en lengre periode for å unngå skyer. Leica ADS 80 hadde kun en dag til rådighet og kunne ikke unngå at deler av datasettet har for mye skyer. Data er stilt til rådighet av selskapet Leica gratis for dette formål. En profesjonell flyvning ville medført en 3 dobling av prosjekt kostnadene eller mer. Bildet viser Leica data som opprinnelig er kartlagt i 4 striper nord/syd. Midtstripen til venstre hadde svært mye skyer. Vi har redusert skymengden ved å bruke overlappende data fra sidene. I en del områder var det umulig å unngå skyer. I en profesjonell kartlegging ville dette ikke skje. En viss liten mengde skyer vil ofte måtte godtas, men aldri så mye som her. Flyet hadde bare denne ene dagen til rådighet i dette området. GeoEye foretok sine opptak over en lengre periode i august Satellitt selskapene har god kontroll på hvor skyene er og kartlegger de deler som er skyfrie. Det betyr at alle data i dette bildet ikke er fra samme dag. I den venstre delen er det tydelig dis i bildet. Vi har klart å justere for dette i analysen. Når hele bildet sees samtidig, kan man se at venstre delen er litt mere dimmig.

5 Kvaliteten på data fra område Underlag er svært god. Bortsett fra en liten sky og en liten svart stripe som dukket opp etter mosaikkering, har bildet gode data. Som de andre Leica datasettene, kunne også dette blitt optimalt hvis opptakene hadde blitt gjort mellom 10:00 og 14:00 om dagen i stedet for tidlig på morgenen. Opptakene ble gjort mellom 06:00 og 10:00. Det eneste lille problemet med dette datasettet er skygger. For analysen av död og drabbad skog har det ikke så stor betydning. Skulle man kartlagt trädslag som tall og gran, ville vi ønsket oss opptak midt på dagen. Pixelstorlek: Analysen av döde og drabbade träd i gammelskog gjøres godt med 50cm pixelstorlek. Det gir mest effektive opptak og er den beste oppløsningen satellitter kan gi. Militære hensyn setter begrensninger nedover. Et stort tre kan dekke ca 5*5m eller 100 pixler. Et mindre tre dekker 3*3m eller 36 pixler. Det er tilstrekkelig for klassifisering. Høydemodell: Et problem som vi først ble klar over da vi skulle lage presentasjon av resultatene var at høydemodellen fra Sveaskog var feil. Vi har mottatt 2 høydemodeller: En for område Barkborre på 50*50 m som ser korrekt ut. En som dekker både Barkborre og Underlag på 17*74m(?). Denne inneholder tydelige forskjeller fra modellen for kun Barkborre. Vi har valgt å legge modellen med 50*50 m til grunn for presentasjonene. Hvilke feil har oppstått: Modellen med 17*74 m har tydelig bølgeterreng. Der modellen med 50*50m gir jevne overflater, gir den andre modellen et terreng som går opp og ned. For klassifisering av skog gir dette små problemer, men det påvirker ortorektifiseringen av bildene. Det innebærer at pixler som normalt skulle danne et rundt fint tre kan risikere å bli avlangt. Farger kan også bli endret. Terrenganalyser for retning, hellning (lutning) og HOH måtte gjøres på nytt. Denne feilen medførte flere dagers ekstra arbeid. Først måtte vi finne ut hva som var feil og hvorfor terrenget så rart ut i 3D modellen. Dernest måtte all prosessering med 3D analyser gjøres på nytt. Videre dekker ikke 3D modellen på 50*50 m hele området for Barkborre Leica ADS80 data. SpacEyes viser kun data som dekks av 3D høydemodellen. Programmet FreeView som følger med gratis, vil kunne vise hele modellen med klassifisering korrekt, men ikke i 3D.

6 Analyse med ITC på GeoEye i område Barkborre Data fra GeoEye ble utført med Individual Tree crown Classification eller ITC. Metoden er utviklet av Dr. François A. Gougeon (Canadian Forest Service). Metoden kort summert: 1: Avgrens alle områder med skog som skal analyseres. 2: Bruk en algoritme til å skille ut skyggen mellom alle trærne. Det som ikke er skygge er trær. 3: Bruk klassifiserings algoritmer for å bestemme treslag: Död, drabbad, gran, tall, löv etc. Dette er SCA sin skog som gruppen besøkte fredag 15. juni Området hadde mange döde og sjuke träd. ITC metoden krever gode provyter, spesielt for sjuke/drabbade träd. Döde träd er intet problem. Vurderingen av klassningen gjøres best i SpacEyes modellen som er vedlagt. Se egne dokument for hvordan presentere analysene.

7 Analyse med ecognition og Leica ADS80 data i område Barkborre + Provyter Leica data ble kartlagt med inndeling i polygon basert på ecognitions patenterte segmenteringsteknikker. Teknikkene krever tilpasninger av parametere for å bli korrekte. Det er også her en fordel, men ikke forutsetning å dele inn bildet i skog som skal analyseres. Når alle trær er delt inn i ett eller flere polygon, samles det provyter og klassifisering kan gjøres. Teknikken som benyttes er Nearest Neighbour NN med nødvendige tilpasninger for å få best mulig resultat. ecognition inneholder en lang rekke funksjoner som sammen med NN gir et godt resultat. Et delmål med prosjektet var å lage rutiner som Skogsstyrelsen kan bruke til å prosessere data. Programmet er klart og funksjonerer slik det skal i ecognition Developer. Før vi installerer det hos Skogsstyrelsen, må arbeidsgang og bruk av data diskuteres. Områder med skyer, hogstflater, grusveger og gallringer gir utslag som död og sjuk skog. Vi valgte å fjerne mange av områdene, men ikke alle. Det spiller ingen rolle om hogsflaten (kalhyggen) inneholder döde träd som gjør utslag. Det er gammelskogen som er viktig å tolke. Visuelt gir dette et litt rotete inntrykk, men ingen feil. I område Underlag har vi gjort en rekke forbedringer i analysen basert på lidar data fra Lantmäteriet. Når skogsverige er dekket med lidar data, vil det kunne effektivisere skogkartlegging vesentlig. Metoden er beskrevet i detalj nedenfor. Da unngår man å kartlegge grusveger som død skog. Man kan også bestemme selv hvilke

8 Analyse med ecognition Developer for Leica ADS80 og lidar data område Underlag. Vi velger å beskrive metodikken for analyse av optiske data kombinert med lidar for område Underlag. Vi beskriver hva som skiller ITC fra ecognition sine segmenteringsteknikker og hvordan begge løsninger vil kunne utnytte lidar til sine formål. Ortorektifisering/Pan Sharpening: GeoEye og Leica data ble ortorektifisert med PCI Geomatica. Etter ortorektifisering blir bildene mosaikkert, dvs man lager ett bilde av flere. Til venstre prosessen med å velge striper i Leica ADS80 og område for ferdig bilde. Det ferdige bildet til høyre. I denne prosessen valgte vi å ikke farge utjevne bildene. For analyse ønsker vi å jobbe med orginale data. Ser man på Leica ADS 80 data for område Barkborre, ser man tydelig skille mellom bildene som gikk inn i modellen. GeoEye data kom som 2 filer: RGB+NIR og Pan (sort hvit) som dekket samme område. Filene ble ortorektifisert og pansharpened. PCI sin pansharpening modul gir små endringer i fargegjengivelsene. Leica ADS 80 kom med høy oppløsning i farger og ble kun ortorektifisert og mosaikkert. Bildene over er fra område Underlag.

9 Høydemodell basert på lidar data og stereo optiske bilder Lidar data finnes foreløpig bare for deler av SkogSverige, men vil om få år dekke hele landet. Denne delen av prosjektet viser hvor viktig denne informasjonen er for Svensk skogbruk. Vi anskaffet de lidar data som fantes for område Underlag som dekkes av Leica ADS80 data. Ved hjelp av programvaren LP360 kontrollerte vi data og laget 2 terrengmodeller: DEM bakke og DSM for tretopphøyde. Modellene ble laget i 2,4,6,8 og 10 m pixelstørrelse. Det viktigste var DEM bakke. Fra Leica fikk vi en DSM tretopp høyde laget fra stereobetraktning av Leica ADS80. Som dokumentasjonen til Leica viser, har de egentlig 3 sensorer: 1 Panchromatic som ser forover samt 2 farge sensorer som ser rett ned (Nadir) og bakover (Backwards). Data for Nadir og Backwards er tatt opp nesten samtidig og gir en glimrende terreng modell. Datamodellen vi fikk fra Leica inneholdt både tynnede og orginal data i samme format som Lidar filer: *.las. Punktskyen fra Leica var på 450 millioner punkt. LP360 håndterte denne datamengden uten problem og laget i løpet av minutter de analyser vi ønsket: DSM lidar og DSM ADS80 samt DEM lidar. (DSM: Digital Surface Model tretopphøyde, DEM: Digital Elevation Model bakkemodell). Data ble brukt til å lage bestandshøyde for modellen: DSM-DEM. På neste side viser vi resultatet av disse analysene.

10 Bildene: Øverst bestandshøyde (Canopy Surface Model CSM) fra Lidar. Midten: CSM fra Leica ADS80. Nederst: Ortofoto fra Leica ADS80. Blå farge betyr 0 høyde. Rød farge betyr m. Det er verdt å merke seg at det er stor sammenheng mellom CSM fra Lidar og fra Leica. Ser man data sammen ortofoto ser vi at høydene stemmer overens med skogsbildet. Det spesielle er at lidar data er registrert tidligere enn Leica ADS 80. En del hogstflater som er korrekt beregnet til 0m høyde i Leica ADS80 CSM, har høyde mellom 20 og 30m i Lidar CSM. Dette skyldes at skogen har blitt avvirket etter at lidar data ble registrert. Det er stor samstemmighet mellom Leica ADS80 CSM og Lidar CSM der skogen står. Det synes som om lidar data har flere «hull» i skogen enn Leica ADS80. Høydene i de to modellene korrelerer så godt at vi kan bruke Leica ADS80 CSM for beskrivelse av bestandshøyde. Med en nøyaktig DEM fra Lidar, kan vi beregne bestandshøyden maskinelt fra stereobilder. I fremtiden trenger man derfor ikke lidar for å beregne høyden på skog, kun gode stereobilder fra flybårne eller satellitt sensorer. Siden skogbruket alltid trenger gode optiske data for ortofoto og klassifikasjon, sparer man store beløp på å slippe å fly lidar. Nøyaktigheten for DSM for flybårne sensorer er normalt 2-3 gg pixelstørrelsen på bildene.

11 Bruk av metoden Det er primært område Underlag som viser hvordan metoden skal brukes i fremtiden. Bruk av lidar data sammen med optiske stereo bilder gir mye skoglig informasjon: Bakke høyde (DEM) Tretopphøyde (DSM/CSM) Bestandshøyde (DSM/CSM DEM) Död skog Drabbad skog (sjuk) Trädslag: tall, gran, löv (evt også contorta) Nøyaktigheten er avhengig av antall provytor som legges ut. Döde träd kan kartlegges med en nøyaktighet på 95-98%. Syk skog er vanskeligere. Både tall og gran kan ha döde grener som slår ut som sjuk skog. Tall har en spektral signatur (mätning i ulike kanaler) som kan ligge opp til sjuk skog. Noe feiltolkninger vil det derfor være på sjuk skog. Har man et område med mye skog som er klassat som sjuk, må man besøke bestandene og vurdere tiltak. Visuelt er det enkelt å vurdere hvilken skog som bør besøkes og hvilke som kan vente. For område Underlag har vi laget en rutine som samler områder med mye sjuk og död skog. Rutinen kan enkelt tilpasses slik at den blir praktisk anvendbar. Tall, gran og löv ble kartlagt med brukbar kvalitet. Det er for få provytor til å bruke resultatet av disse klassene til vurdering av volum og kvalitet. For GeoEye tyder visuell tolkning på en underklassning av löv som er klassat som yngre barskog. For Leica kan det være at noe tall har blitt klassat som löv. Provytor: Vi besøkte en del områder i felt sammen med Skogsstyrelsen og Sveaskog. Områdene ligger inne som valg i SpacEyes modellen. Data fra disse områdene ble brukt i klassningen. Fra Leica fikk vi heldekkende data med 50cm oppløsning. For deler av området fikk vi data med 10cm og 25 cm oppløsning. Vi brukte 10cm bilder til å finne frem til sjuke träd. Det vil være en stor hjelp å ha 10 cm bilder tatt spredt over hele området. Vi ser på bruk av UAV for dette formålet. UAVer har i dag RGB kamera mens vi ønsker oss RGB + NIR kamera. Evt NIR + GB. Med UAV data kan vi redusere behovet til provytor fra felt. Data: Vi brukte i denne undersøkelsen GeoEye og Leica ADS80. Data fra Intergraph DMC og Vexcel Ultracam har tidligere vært brukt for kartlegging av skog i Norge og Sverige med godt resultat. Vi brukte DMC data fra LM for kartlegging av skader etter Gremeniella for Stora Enso med godt resultat. Lidar data fra Lantmäteriet kombinert med stereomodell fra Leica ADS80 ga svært gode terrenganalyser. Stereomodeller fra DMC og Vexcel Ultracam skal kunne gi terrengmodeller av samme kvalitet. Avvirkningsplanlegging: 3D data sammen med klassninger, kan gi gode forslag til hvor nye bestandskanter bør ligge. Ved å utnytte eksisterende hull i bestandet og lövskog, kan man få bestandskanter som er stormsterke og gir mindre solsviing. En visuell terrengmodell Det er tydelig i datasettene at barkborre angrepp starter fra bestandskanter og går inn i bestandet. Det er viktig med bestandskanter med skjerming mot sol og vind. Sol er spesielt farlig for bestandskanter.

12 Oppsummering: Metoden er rimelig, rask og gir gode resultat for sjuk og död skog. I tillegg kan data brukes i skoglig kartering. Satellittbildene kostet SEK eller ca 1.5 SEK pr ha. Med analyser er vi oppe i ca 4-5 SEK pr ha. Metoden krever bruk av flere avanserte program og mye data. For å kjøre analysene må man ha kraftige PCer og profesjonelle operatører. Deler av analysene kan med fordel gjøres av «vanlige» skogsmästere/jägmästere. Skoglig utbildning er viktigere enn datautbildning. Dataprosessene kan læres mens den skoglige vurderingen som operatørene gjør, krever skoglig erfaring. Metoden gir ingen fasit eller superløsning på et vanskelig problem med barkborrar. Metoden er et verktøy som viser hvor sjude/döde träd finnes og hvor man finner mulighet for å lage best mulige nye bestandskanter. Innsamlede data gir gode muligheter for bruk i skoglig kartering/planering. TerraNor 5. august 2012 Nils Erik Jørgensen