Artikkelin koko teksti on saatavilla vain PDF-formaatissa.
 

Md Parvez Rana

Selection of training areas for remote sensing-based forest above-ground biomass estimation

Rana M. (2016). Selection of training areas for remote sensing-based forest above-ground biomass estimation. https://doi.org/10.14214/df.227

Tiivistelmä

Tämän työn tavoitteena oli arvioida puuston maanpäällistä biomassaa (AGB) – yhtä keskeistä REDD ja REDD+ MRV -mekanismien metsäinventointiin liittyvistä muuttujista. Tämä tutkimus tarkasteli opetusaluekonseptia kaksivaiheisessa AGB-arvioinnissa käyttäen laserkeilausta (ALS) ja RapidEye -satelliittiaineistoa itä-Suomessa (tutkimus I), opetusalueen sijainnin vaikutusta (tutkimus II) ja (tutkimus II) ja maastoaineiston otoskoon vaikutusta (tutkimus III) käyttäen ALS-, RapidEye- ja Landsat-aineistoa etelä-Nepalissa. AGB-malli sovitettiin käyttäen yksinkertaista lineaarista regressiota (tutkimus I) ja ”sparse bayesialaista” menetelmää (tutkimukset II-III). AGB-mallin tehokkuus testattiin käyttämällä riippumatonta validointiaineistoa ja tehokkuus arvioitiin määrittämällä keskineliövirheen neliöjuuri (RMSE) ja keskipoikkeama. Tutkimuksen I tulokset osoittavat, että RapidEye-mallilla oli lupaava tarkkuus 20%:n suhteellisella RMSE:lla suhteessa riippumattomaan validointiaineistoon. Tutkimuksen II tulokset osoittivat, että etäisyydellä tiestä ja opetusalueen kaltevuudella oli huomattava vaikutus AGB-arvion tarkkuuteen, koska metsän rakenne vaihteli saavutettavuuden mukaan. Tutkimuksen II tulokset osoittavat, että riittävä puuston pituuden ja tiheyden vaihtelevuuden kattavuus oli tärkeä edellytys opetusalueiden valitsemisiin. Suhteellisessa RMSE:ssa havaittiin vain vähäistä nousua, kun opetusalueiden kokonaismäärää pienennettiin. ALS-perusteinen ennustaminen vaati pienimmän määrän opetusalueita verrattuna RapidEye- ja Landsat-aineistoon.

Yhteenvetona: (i) ALS-simuloidut opetusalueet voisivat toimia vaihtoehtona kalliille kenttäkoealueille käyttäen kaksivaiheista lähestymistapaa; (ii) opetusalueen pitäisi kattaa laaja vaihtelevuus suhteessa saavutettavuustekijöihin ja metsän rakenteeseen kuten pituus ja tiheys; (iii) ALS-pohjainen ennustaminen onnistui paremmin kuin satelliittimateriaalipohjaiset (RapidEye- ja Landsat) menetelmät. Nämä arvioidut AGB-inventoinnin konseptit ja tekijät ovat hyödyllisiä tukemassa tulevaisuudessa metsävarojen kestävään käyttöön ja REDD-mekanismiin liittyvää metsien monitorointia ja päätöksentekoa.

Avainsanat
trooppinen metsä; Nepal; LiDAR; RapidEye; otoskoko; hiili; REDD ; boreaalinen metsä

Julkaistu 24.8.2016

Saatavilla https://doi.org/10.14214/df.227 | Lataa PDF

Creative Commons -lisenssi

Osajulkaisut

Rana M.P., Tokola T., Korhonen L., Xu Q., Kumpula T., Vihervaara P., Mononen L. (2014). Training area concept in a two-step biomass inventory using airborne laser scanning and RapidEye satellite data. Remote Sensing 6: 285–309.

https://doi.org/10.3390/rs6010285

Rana M.P., Korhonen L., Gautam B., Tokola T. (2014). Effect of field plot location on estimating tropical forest above-ground biomass of Nepal using ALS data. ISPRS Journal of Photogrammetry and Remote Sensing 94: 55–62.

https://doi.org/10.1016/j.isprsjprs.2014.04.012

Rana M.P., Gautam B., Tokola T. (2016). Optimizing the number of training areas for modeling above-ground biomass with ALS and multispectral remote sensing in subtropical Nepal. International Journal of Applied Earth Observation and Geoinformation 49: 52–62.

https://doi.org/10.1016/j.jag.2016.01.006


Rekisteröidy käyttäjäksi
Paina tätä linkkiä Metsätieteen aikakauskirjan käsikirjoituksen tarjoamis- ja seurantajärjestelmään (OJS) kirjautumiseen.
Kirjaudu sisään
Jos olet kirjautunut käyttäjäksi, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta.



Valitsemasi artikkelit
Rana M. (2016) Selection of training areas for remote sensing-b.. Dissertationes Forestales vol. 2016 no. 227 article id 2009 (poista) | Muokkaa kommenttia
Hakutulokset