Original paper

Using Digital Aerial Photogrammetry and the Random Forest Approach to Model Forest Inventory Attributes in Beech- and Spruce-dominated Central European Forests

Straub, Christoph; Stepper, Christoph

Abstract

Surface models generated using dense image matching of aerial photographs have potential for use in the area-based prediction of forest inventory attributes. Few studies have examined the impact of the forest type on the performance of models used to predict forest attributes. Moreover, with regard to central European forests, little is known about how accurately attributes other than volume and basal area can be estimated using image-based surface models. Thus, in this study, we assessed the accuracy of such estimates for five forest attributes – stem density N, basal area G, quadratic mean diameter QMD, volume V, and Lorey's mean height HL – for a beech- and a spruce-dominated forest in northern Bavaria, Germany. These estimates were made using a workflow combining data from aerial photographs obtained from regularly scheduled surveys and field plot measurements from periodic forest inventories conducted in Bavarian state forests. Semi-Global Matching was used to derive surface models from the air photos which were normalized with terrain models from airborne laser scanning to derive canopy height models (CHM). Based on the CHM values at the respective field plots, a set of 14 predictor variables characterizing tree height distribution was computed. For the prediction, individual random forest models were trained and cross-validated separately for both test sites. With respect to relative RMSEs, i. e., divided by the observation means, most distinct differences were observed for the prediction of QMD with a slightly higher level of accuracy for the spruce-dominated forest. Best results were achieved for HL , while poorest model performances were obtained for N. The relative plot-level RMSEs for N, G, QMD , V, and HL were: 70.3%, 36.0%, 32.3%, 37.8%, and 12.4% for the beech-dominated and 74.9%, 35.2%, 24.9%, 33.3%, and 12.4% for the spruce-dominated forest. Thus, with the exception of QMD, the forest type did not considerably influence the model accuracies. Verwendung von photogram-metrischen Oberflächenmodellen und Random Forest zur Modellierung forstlicher Kenngrößen in buchen- und fichtendominierten Wäldern in Mitteleuropa. Aus Stereo-Luftbildern abgeleitete Oberflächenmodelle können für die flächige Modellie - rung forstlicher Kenngrößen verwendet werden. Bisher wurde der Einfluss des Waldtyps auf die Genauigkeit der Modellierung nur in wenigen Studien untersucht. Außer für die Kenngrößen Holzvolumen und Grundfläche gibt es für mitteleuropä ische Wälder bisher wenig Erfahrung, mit welcher Genauigkeit forstliche Kennwerte mit bildbasierten Oberflächenmodellen modelliert werden können. Deshalb wurde in dieser Studie die Modellierungs- genauigkeit für fünf verschiedene forstliche Inven- turmerkmale untersucht – Stammzahl N, Grundfläche G, quadratischer Mitteldurchmesser QMD, Volumen V und Lorey'sche Mittelhöhe HL – sowohl für eine buchendominierte als auch für eine fichtendominierte Untersuchungsfläche im Norden von Bayern. Hierfür wurde ein Arbeitsablauf angewen- det, der regelmäßig erhobene amtliche Luftbilder mit terrestrischen Stichprobenmessungen einer Forstbetriebsinventur in bayerischen Staatswald- flächen kombiniert. Die Berechnung von Oberflä-chenmodellen aus den Luftbildern erfolgte mittels Semi-Global Matching, welche zur Ableitung von Kronenhöhenmodellen (KHM) mit einem Gelän - demodell aus Laserscannermessung normalisiert wurden. Auf Grundlage der KHM wurden an den Stichprobenkreisen der Forstbetriebsinventur 14 Prädiktorvariablen zur Charakterisierung der Hö- henverteilung abgeleitet. Für die Schätzung wurden einzelne Random Forest Modelle jeweils getrennt für beide Untersuchungsgebiete trainiert und validiert. Bezogen auf relative RMSEs, d. h. norma-lisiert mit dem Mittelwert der Beobachtungen, wurden die deutlichsten Unterschiede für die Schätzung des QMD festgestellt, mit einer etwas besseren Genauigkeit für die fichtendominierte Fläche. Die besten Ergebnisse wurden für die Modellierung der HL erzielt, wohingegen die geringsten Genauigkeiten für N festgestellt wurden. Auf Inventurkreisebene wurden die folgenden relativen RMSEs für N , G, QMD, V, und HL berechnet: 70.3%, 36.0%, 32.3%, 37.8% und 12.4% für die buchendo-minierte Fläche und 74.9%, 35.2%, 24.9%, 33.3% und 12.4% für den fichtendominierten Wald. Mit Ausnahme für den QMD hatte der Waldtyp demnach keinen maßgeblichen Einfluss auf die Genauigkeit der Modelle.

Keywords

forest inventorycanopy height modelrandom forestsemi-global matchingdigital aerial photographs