Növényzettípusok lehatárolása gépi tanulással légi LiDAR felvételek alapján egy alsó-tiszai hullámtéri mintaterületen
DOI:
https://doi.org/10.56617/tl.3490Palavras-chave:
döntési fa, scikit-learn, hullámtéri vegetáció, Python, LiDAR pontfelhő, kereszt-validálásResumo
Az utóbbi évtizedekben végbemenő környezeti és társadalmi változások hatására a Tisza hullámterén jelentősen nőtt a növényzeti sűrűség, amely hozzájárult az emelkedő tetőző vízszintek kialakuláshoz. A probléma megoldásához elengedtethetetlen a meder és hullámtér megfelelő kezelése. Célunk egy olyan gépi tanuláson alapuló osztályozási módszer kidolgozása, amellyel naprakész, pontos és térben folytonos adatok biztosíthatók a hullámtéri vegetációt kezelők számára. A tanulmányban a növényzetet reprezentáló légi LiDAR pontfelhő statisztikai paramétereit számítottunk ki 15*15 méteres felbontásban, majd egy döntési fa algoritmus segítségével osztályoztuk a kapott eredményeket. Az algoritmus pontosságának ellenőrzésére tízszeres keresztvalidálás (10-fold cross-validation) technikát alkalmaztunk. Az algoritmus terepi validációját is elvégeztük, mely során valós növényzeti kategóriákat a döntési fa által adott növényzeti kategóriákkal összesen 72 cella esetében vetettük össze. A kapott eredményeket egy keveredési mátrixban rögzítettük. A vizsgált hullámtéri területen az osztályozás pontossága 83% volt.
Referências
Abernethy, B., Rutherfurd, I.D. 1998: Where along a river’s length will vegetation most effectively stabilise stream banks? Geomorphology 23: 55–75. https://doi.org/10.1016/S0169-555X(97)00089-5
Bengio, Y., Grandvalet, Y. 2004: No unbiased estimator of the variance of K-Fold cross-validation. Journal of Machine Learning Research 5: 1089–1105.
Brooks, G.R. 2005: Overbank deposition along the concave side of the Red River meanders, Manitoba, and its geomorphic significance. Earth Surface Processes and Landforms 30: 1617–1632. https://doi.org/10.1002/esp.1219
Corenblit, D., Tabacchi, E., Steiger, J., Gurnell, A.M. 2007: Reciprocal interactions and adjustments between fluvial landforms and vegetation dynamics in river corridors: A review of complementary approaches. Earth-Science Reviews 84: 56–86. https://doi.org/10.1016/j.earscirev.2007.05.004
Geerling, G.W., Kater, E., van den Brink, C., Baptist, M.J., Regas, A.M.J., Smits, A.J.M. 2008: Nature rehabilitation by floodplain excavation: The hydraulic effect of 16 years of sedimentation and vegetation succession along the Waal River, NL. Geomorphology 99: 317–328. https://doi.org/10.1016/j.geomorph.2007.11.011
Grabmeier, J. L., Lambe, L. A. 2007: Decision trees for binary classification variables grow equally with the Gini impurity measure and Pearson’s chi-square test. International Journal of Business Intelligence and Data Mining 2(2): 213. https://doi.org/10.1504/IJBIDM.2007.013938
Heurich, M., Thoma, F. 2008: Estimation of forestry stand parameters using laser scanning data in temperate, structurally rich natural European beech (Fagus sylvatica) and Norway spruce (Picea abies) forests. Forestry, 81: 645–661. https://doi.org/10.1093/forestry/cpn038
Hudak, A., Crookston, N., Evans, J., Hall, D., Falkowski, M. 2008: Nearest neighbour imputation of species-level, plot-scale forest structure attributes from lidar data. Remote Sensing of Environment 112: 2232–2245. https://doi.org/10.1016/j.rse.2007.10.009
Jalonen, J, Järvelä, J, Virtanen, J.P., Vaaja, M, Kurkela, M, Hyyppä, H. 2015: Determining characteristic vegetation areas by terrestrial laser scanning for floodplain flow modelling. Water 7(2): 420–437. https://doi.org/10.3390/w7020420
Jung, S.E., Kwak, S.A., Park, T., Lee, W.K, Yoo, S. 2011: Estimating crown variables of individual trees using airborne and terrestrial laser scanners. Remote Sensing 3: 2346–2363. https://doi.org/10.3390/rs3112346
Kiss, T., Fiala, K., Sipos, Gy., Szatmári, G. 2019a: Long-term hydrological changes after various river regulation measures: are we responsible for flow extremes? Hydrology Research 50(2): 417–430. https://doi.org/10.2166/nh.2019.095
Kiss, T., Nagy, J., Fehérváry, I., Vaszkó, Cs. 2019b: (Mis)management of floodplain vegetation: The effect of invasive species on vegetation roughness and flood levels. Science of the Total Environment 686: 931–945. https://doi.org/10.1016/j.scitotenv.2019.06.006
Kiss, T., Sándor, A. 2009: Land-use changes and their effect on floodplain aggradation along the Middle-Tisza River, Hungary. AGD Landscape and Environment 3(1): 1–10. https://doi.org/10.14232/jengeo-2008-43855
Kovács S., Váriné Szöllősi I. 2003: A Vásárhelyi Terv Továbbfejlesztését megalapozó hidrológiai és hullámtér hidraulikai vizsgálatok eredményei a Közép-Tiszán. MHT XXI. 2/12: 1–11.
Laes, D., Reutebuch, S., McGaughey, B., Maus, P., Mellin, T., Wilcox, C., Anhold, J., Finco, M., Brewer, K. 2008: Practical lidar acquisition considerations for forestry applications. RSAC-0111-BRIEF1. U.S. Department of Agriculture, Forest Service, Remote Sensing Applications Center, Salt Lake City, ÚT. 32 p.
Madsen, B., Treier, A. U., Zilinszky, A., Lucieer, A., Normand, S. 2020: Detecting shrub encroachment in seminatural grasslands using UAS LiDAR. Ecology and Evolution 10(11): 4876–4902. https://doi.org/10.1002/ece3.6240
Manners, R., Schmidt, J., Wheaton, M.J. 2013: Multiscalar model for the determination of spatially explicit riparian vegetation roughness. Journal of Geophysical Research: Earth Surface 118: 65–83. https://doi.org/10.1029/2011JF002188
McGaughey, R. 2018: Users Manual of Fusion/LDV: Software for LIDAR Data Analysis and Visualization. United States Department of Agriculture, Forest Service, Pacific Northwest Research Station
Michez, A., Piégay, H., Lisein, J., Claessens, H., Lejeune, P. 2016: Classification of riparian forest species and health conditionusing multi-temporal and hyperspatial imagery from unmanned aerial system. Environmental Monitoring and Assessment 188: 146. https://doi.org/10.1007/s10661-015-4996-2
Naesset, E., Gobakken, T., Holmgren, J., Hyyppa, J., Maltamo, M., Nilsson, M., Olsson, H., Persson, A., Doderman, U. 2004: Laser scanning of forest resources: the Nordic experience. Scandinavian. Journal of Forest Research 19: 482–499. https://doi.org/10.1080/02827580410019553
Nagy J., Kiss T., Fiala K. 2018: Hullámtér-feltöltődés vizsgálata az Alsó-Tisza mentén. II. Folyóhátak (parti hátak) feltöltődését befolyásoló tényezők. Hidrológiai Közlöny 98(1): 33–40.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., Duchesnay, É. 2011: Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research 12(85): 2825–2830.
Rátky I., Farkas P. 2003: A növényzet hatása a hullámtér vízszállító képességére. Vízügyi Közlemények 85(2): 246–264.
Saarinen, N., Vastaranta, M., Vaaja, M., Lotsari, E., Jaakkola, A., Kukko, A., Kaartinen, H., Holopainen, M., Hyppä, H., Alho, P. 2013: Area-Based Approach for Mapping and Monitoring Riverine Vegetation Using Mobile Laser Scanning. Remote Sensing 5: 5285–5303. https://doi.org/10.3390/rs5105285
Schaffer, C. 1993: Overfitting Avoidance as Bias. Machine Learning 10: 153–178. https://doi.org/10.1007/BF00993504
Steiger, J, Gurnell, A.M., Ergenzinger, P., Snelder, D.D. 2001: Sedimentation in the riparian zone of an incising river. Earth Surface Processes and Landforms 26: 91–108. https://doi.org/10.1002/1096-9837(200101)26:1<91::AID-ESP164>3.0.CO;2-U
Vetter, M., Höfle, B., Hollaus, M., Gschöpf, C., Mandlburger, G., Pfeifer, N. 2011: Vertical vegetation structure analysis and hydraulic roughness determination using dense ALS point cloud data–a voxel based approach. International archives of the photogrammetry, remote sensing and spatial information sciences 38(5): 200–206. https://doi.org/10.5194/isprsarchives-XXXVIII-5-W12-265-2011
Zellei L., Sziebert J. 2003: Árvizi áramlásmérések tapasztalatai a Tiszán. In: Szlávik L. (szerk.) Elemző és módszertani tanulmányok az 1998-2001. évi ár- és belvizekről. Vízügyi Közlemények 4: 133–144.
Waldhauser, C., Hochreiter, R., Otepka, J., Pfeifer, N., Ghuffar, S., Korzeniowska, K., Wagner, G. 2014: Automated classification of airborne laser scanning point clouds, solving computationally expensive engineering problems. In: Koziel, S., Leifsson, L., Yang X. (eds.) Springer Proceedings in Mathematics & Statistics 97: 269–292. https://doi.org/10.1007/978-3-319-08985-0_12
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2020 Fehérváry István, Kiss Tímea
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
A folyóirat Open Access (Gold). Cikkeire a Creative Commons 4.0 standard licenc alábbi típusa vonatkozik: CC-BY-NC-ND-4.0. Ennek értelmében a mű szabadon másolható, terjeszthető, bemutatható és előadható, azonban nem használható fel kereskedelmi célokra (NC), továbbá nem módosítható és nem készíthető belőle átdolgozás, származékos mű (ND). A licenc alapján a szerző vagy a jogosult által meghatározott módon fel kell tüntetni a szerző nevét és a szerzői mű címét (BY).
