W ramach projektu TreeQuant przeprowadzono ocenę dokładności modelowania zasobności w zależności od wyboru powierzchni próbnych do uczenia modelu (pow. TreeQuant - dokładnie pomierzone, PUL - mniej dokładnie) oraz modelu WMK wybranego do obliczenia statystyk (TreeQuant - zgodny terminem pomiarów terenowych, ISOK - archiwalny, chmury pozyskane 6-9 lat przed pomiarami terenowymi).
Sposób oceny
Określenie dokładności modeli predykcyjnych na powierzchniach kołowych
Porównanie wyników predykcji różnymi modelami na poziomie wydzieleń
Powierzchnie kołowe:
TQ - pozyskane w ramach projektu TreeQuant, 305 szt., dokładność pozycyjna +/- 1m, aktualność: 2019
PUL - pozyskane w ramach tworzenia PUL, 1695 szt., dokładność pozycyjna +/- 5m, aktualność: 2019
WMK:
TQ - WMK utworzony na podstawie chmury ALS pozyskanej w ramach projektu TreeQuant, w sierpniu 2019
ISOK - WMK utowrzony na podstawie chmur punktów ALS pobranych z GUGIK, pozyskanych w latach 2010-2013
Dla każdej kombinacji doboru chm i powierzchni kołowych opracowano model predykcyjny GAM. Jako zmienne objaśniające przyjęto średnią wysokość z WMK dla powierzchni kołowej, wiek i gatunek panujący w wydzieleniu. Do oceny dokładności opracowanych modeli na powierzchniach kołowych TreeQuant, wykorzystano podejście stratified 10-fold cross validation. W przypadku modeli opracowanych na zbiorze kołówek PUL, ocena prowadzona była na tych samych kołówkach co w przypadku odpowiadającego wariantu z kołówkami TreeQuant, jako że dane te charakteryzowały się mniejszym błędem i umożliwiały rzetelniejsze porównanie.
| WMK TreeQuant | powierzchnia TQ | powierzchnia PUL |
| R2 | 0,56 | 0,54 |
| RMSE | 113,6 | 114,9 |
| RMSE% | 28,8 | 29,1 |
| MAE | 83,6 | 83,8 |
| MAE% | 21,2 | 21,2 |
| BIAS | 0,0 | -2,4 |
| BIAS% | 0,0 | -0,6 |
| WMK ISOK | powierzchnia TQ | powierzchnia PUL |
| R2 | 0,44 | 0,46 |
| RMSE | 127,2 | 125,5 |
| RMSE% | 32,3 | 31,8 |
| MAE | 93,6 | 91,9 |
| MAE% | 23,8 | 23,3 |
| BIAS | 0,8 | -1,5 |
| BIAS% | 0,2 | -0,4 |
Wykorzystując 4 warianty modelu GAM przeprowadzono predykcję dla całego obszaru nadleśnictwa, a następnie uśredniono wyniki zasobności dla wydzieleń. Do analizy wyselekcjonowano wydzielenia, w których nie były prowadzone cięcia w analizowanym okresie.
Wysoka zbieżność wyników predykcji modelami opartymi o
statystyki z WMK ISOK (2010-2013) i WMK TreeQuant (2019).
Niezależnie od doboru powierzchni kołowych
(PUL vs. TreeQuant) można zauważyć lekkie przeszacowanie
dla drzew w najniższych klasach wieku w przypadku modeli
opracowanych na WMK ISOK.
Wysoka zbieżność wyników predykcji modelami opartymi o
statystyki z powierzchni PUL i TQ.
Można zaobserwować nieznaczne przeszacowanie
wartości przez model wykorzystujący kołówki PUL.
WYKORZYSTANIE ISTNIEJĄCEJ BAZY POMIARÓW TERENOWYCH
W procesie modelowania zasobności z powodzeniem wykorzystywać można obserwacje z powierzchni kołowych pozyskiwanych w ramach PUL. Pomimo, że charakteryzuje je niższa dokładność pozycyjna, duża liczba obserwacji pozwala zniwelować wpływ błędu pomiaru. By uzyskać wiarygodne wyniki, ze zbioru należy jednak usunąć obserwacje najbardziej odstające.
WYKORZYSTANIE OGÓLNODOSTĘPNYCH DANYCH ALS
Wykorzystanie archiwalnych danych ALS pozwala uzyskać zbliżone wyniki jak w przypadku wykorzystania danych aktualnych, dla wydzieleń na których nie były prowadzone intensywne cięcia tj. trzebieże czy rębnie. W przypadku pozostałych wydzieleń w celu urealnienia wyników należy od wartości zapasu uzyskanego metodą predykcji odjąć miąższość pozyskanego drewna.
Opracowanie powstało w ramach projektu „Treequant -
Opracowanie samouczącej się informatycznej platformy
analitycznej wspomagającej proces zarządzania lasami w
oparciu o dane obrazowe z kamer fotogrametrycznych
oraz chmury punktów multi-spektralnego skanera
laserowego” we współpracy z pracownikami Uniwersytetu
Rolniczego w Krakowie oraz Nadleśnictwa Dobrocin,
metodę zdalnej oceny szkód pohuraganowych.
Powered by
