Jaime Candelas Bielza forsvarte sin doktorgradsavhandling «Forbedring av prediksjon av treslagssammensetning i boreale skoger med fjernmåling» den 24. april, 2025.

Tittelen på prøveforelesningen var «Behovet og verdien av treslagsinformasjon for biologisk mangfold, motstandsdyktighet og skogforvaltning».

Sammendrag av avhandlingen
Nøyaktig informasjon om treslagsammensetning er avgjørende for skogforvaltning, da det påvirker hogstplanlegging, valg av foryngelsesmetoder og skogbehandling. I dag bestemmes ofte treslagsfordelingen i operasjonelle skogtakster (FMIs) ved manuell fototolkning, en metode som er kostbar og subjektiv, som gjør det utsatt for systematiske feil. Mens mye forskning har fokusert på treslagsklassifisering (identifisering av treslag), gir treslagsammensetning (kvantifisering av relativ mengde) en mer detaljert beskrivelse av skogen som er spesielt relevant i nordiske land der skoglige attributter rapporteres per treslag. De fleste studier om treslagsklassifisering har vært begrenset til små forsøksområder og enkelttrær, noe som gir begrenset innsikt for operativ anvendelse.

For å adressere disse utfordringene benyttet de to første studiene i denne avhandlingen en arealbasert tilnærming, hvor fjernmålte data ble koblet til prøveflater for å predikere skoglige attributter over større områder. Disse to studiene gjennomført i åtte ulike studieområder gir resultater som er generaliserbare til ulike skogforhold og operasjonelle takster.

Den første studien evaluerte kombinasjoner av fjernmålingsdata (ALS, flybilder og Sentinel-2-bilder) for å identifisere de mest presise prediktorene for treslagsammensetning. Resultatene viste at en kombinasjon av ALS-data og spektrale Sentinel-2-bilder, spesielt når Sentinel-2-bilder fra ulike tider på året ble brukt, forbedret prediksjonen ved å fange opp fenologiske variasjoner. Funnene understreker potensialet til slike datakombinasjoner for å redusere behovet for manuell fototolkning.

Den andre studien sammenlignet parametriske (Dirichlet-regresjon og multinomisk logistisk regresjon) og ikke-parametriske (random forest (RF), k-nærmeste nabo (k-NN), extreme gradient boosting og multilayer perceptron) modelleringsmetoder for å predikere treslagsammensetning. Selv om Dirichlet-regresjon, RF og k-NN viste lignende prediksjonsnøyaktighet uten signifikante forskjeller, tilbyr Dirichlet-regresjon fordeler som enkelhet og lavere datakrav, noe som gjør den mer egnet for FMIs med et begrenset antall prøveflater. På den annen side er ikke-parametriske metoder som RF og k-NN bedre egnet for å modellere mer komplekse sammenhenger i dataene, noe som understreker viktigheten av å velge modelleringsmetoder basert på tilgjengelige data og bruksbehov.

Den tredje studien undersøkte de separate og kombinerte effektene av usikkerhet i prediksjon av treslagsammensetning og bonitet på netto nåverdi, en vanlig økonomisk indikator i skogbruket. Resultatene viste at usikkerhet i bonitet hadde større innvirkning på netto nåverdi enn usikkerhet i treslagsammensetning, og at deres interaksjon forsterket feil i økonomiske beregninger. Studien demonstrerte også at kalibrering av både treslagsammensetning og bonitet reduserte feil i netto nåverdi, noe som understreker verdien av å kalibrere fjernmålte prediksjoner for å minimereusikkerhet i skogsinventeringer.

Samlet sett demonstrerer denne avhandlingen potensialet ved å integrere fjernmålte data og statistisk modellering for å forbedre skogbruksinventeringer. Ved å kombinere ALS- og multisesongale Sentinel-2-data og velge passende modelleringsmetoder, kan treslagsammensetning predikeres med høyere nøyaktighet og pålitelighet enn dagens operative metoder. Disse fremskrittene gir skalerbare og kostnadseffektive alternativer til konvensjonelle metoder, noe som reduserer avhengigheten av manuell fototolkning i skogforvaltningen. Videre fremhever den demonstrerte effekten av prediksjonsusikkerhet på økonomiske verdiberegninger behovet for presise estimater av treslagsammensetning og bonitet i skogplanleggingen. Til slutt bidrar denne forskningen til utviklingen av objektive datadrevne metoder som kan forbedre presisjonen, effektiviteten og tilpasningsevnen til operative FMIs.

Veildedere:
Hans Ole Ørka, Norges miljø- og biovitenskapelige universitet (NMBU)
Lennart Noordermeer, Norges miljø- og biovitenskapelige universitet (NMBU)
Erik Næsset, Norges miljø- og biovitenskapelige universitet (NMBU)

Evalueringskomité:
Joanne C. White, Canadian Forest Service
Lauri Korhonen, University of Eastern Finland (UEF)
Hans Fredrik Hoen, Norges miljø- og biovitenskapelige universitet (NMBU)