Deteksjon av rotråte i granskog med fjernmåling

Benjamin Allen forsvarte sin doktorgradsavhandling, “Deteksjon av rotråte i granskog med fjernmåling”, den 24 mars 2023.

Tema for prøveforelesningen var “Challenges in area-wide biodiversity inventories in Scandinavian boreal forests”. Vi gratulerer med graden!

OLYMPUS DIGITAL CAMERA

 

Sammendrag av avhandlingen

Rotråte (RR) er blant de viktigste skogpatogenene i Norge. RR fører til forstyrrelse av vaskulært vev, redusert virkeskvalitet og tilhørende økonomiske tap. Nedsatt vaskulær funksjon fører til reduksjon i treets vekst og til og med dødelighet hos visse arter. Flere metoder er benyttet eller foreslått for håndtering av RR i gran (Picea abies L. Karst), inkludert tidlig avvirkning av sterkt infiserte bestand og endring av treslagssammensetning ved foryngelse. Å skaffe informasjon om forekomsten av RR med feltmetoder er tid- og kostnadskrevende på grunn av mangelen på tydelige visuelle symptomer. Bruk av fjernmå data har blitt foreslått som en alternativ metode for å oppdage RR. Hovedmålet med det foreliggende arbeidet var å teste nytten av ulik fjernmålte datakilder for å påvise RR i gran.

Den første studien involverte bruk av data fra hyperspektrale bilder innsamlet med en flybåren sensor for å oppdage RR. To klassifiseringsalgoritmer ble brukt: support vector machines og random forest. Total klassifiseringsnøyaktighet på 64,8 % (κ=0,27) ble oppnådd med data fra hyperspektrale bilder innsamlet fra fly. Den andre studien utforsket potensialet for å oppdage RR med data fra hyperspektrale bilder innsamlet med droner, og sammenlignet bruken av to forskjellige sensorer: en med 488 bånd og en med 29 bånd. Høyeste nøyaktighet ble oppnådd med 488-bånds sensoren (75.8%, κ=0.24) sammenlignet med 29-bånds sensoren (60.1%, κ=0.13). Sammenligninger av spektralindekser ble også utført; resultater tyder på at RR kan påvirke verdiene til flere spektralindekser. Den tredje studien sammenlignet klassifiseringsnøyaktighetene oppnådd med hyperspektrale bilder, laserscanning og historiske multispektrale bilder innsamlet fra fly der de ulike datatypene ble brukt alene og i kombinasjon. Kombinasjon av hyperspektrale bilder data fra laserscanning ble funnet å gi den høyeste klassifiseringsnøyaktigheten (66.1%, κ=0.32). Hyperspektrale bilder ga den høyeste nøyaktigheten for en enkeltstående datakilde brukt alene (64.3%, κ=0.28), etterfulgt av data fra laserscanning (59.3%, κ=0.19).

Det foreliggende arbeidet viser at påvisning av RR-smitte i gran er mulig, selv om klassifiseringsnøyaktighetene var moderate. Hyperspektrale bilder og data fra flybåren laserscanning ser ut til å være de mest lovende teknologiene for å oppdage RR med fjernmålte data. Videre forskning bør ta sikte på å anvende disse metodene for å oppdage RR i andre treslag og å vurdere nytten av å anvende disse metodene i operativt skogbruk.

Veiledere

Hovedveileder: Professor Terje Gobakken, MINA-NMBU
Medveiledere:
Dr. Michele Dalponte, Fondazione E. Mach
Dr. Hans Ole Ørka, MINA-NMBU
Professor Erik Næsset, MINA-NMBU

Bedømmelseskomité:

Professor Fabian Faßnacht, Freie Universität Berlin
Professor Markus Holopainen, University of Helsinki
Associate Professor Kyle Eyvindson, MINA-NMBU

Referanse: