Grossflächige Klassifikation von Gebüschwald mit Fernerkundungsdaten

51-59

Artikel

200207493

Schweizerische Zeitschrift für Forstwesen 2020, 171(2): Ist die Schweiz Waldwirtschaft überreguliert? ; Jrg. 171 ; 2 (2020) , 51-59

Informationen über die Ausdehnung und die Entwicklung von Gebüschwäldern sind für verschiedene forstliche und ökologische Fragestellungen von Bedeutung, jedoch sind aktuelle und flächendeckende Datensätze kaum verfügbar. Im Rahmen dieser Arbeit wurde die Kartierung des Gebüschwaldes mit Dominanz von Alpenerle, Legföhre und Hasel für den Kanton Graubünden auf Basis von landesweit verfügbaren Fernerkundungsdaten untersucht. Es wurden die Satellitendaten von Sentinel-1 und Sentinel-2 sowie ein Vegetationshöhenmodell und ein Geländemodell verwendet. Für die überwachte Klassifikation mit Random Forest, einem auf Entscheidungsbäumen basierenden Verfahren des maschinellen Lernens, wurden vom Kanton bereitgestellte und durch Luftbildinterpretation ergänzte Trainingsflächen verwendet. Die unabhängige Validierung der Ergebnisse wurde mit Daten des Landesforstinventars (LFI) durchgeführt. Alpenerlen- und Legföhrenwälder liessen sich mit einer hohen Genauigkeit von 92.1% bzw. 86.7% klassifizieren, für Haselwälder betrug die interne Modellgüte hingegen nur 66.7%. Die resultierende Flächenausdehnung des Gebüschwaldes war vergleichbar mit den Angaben des LFI. Beim direkten Vergleich mit den LFI-Luftbildinterpretationspunkten wurden grössere Abweichungen festgestellt. Der Hauptgrund dafür ist der unterschiedliche räumliche Detaillierungsgrad. LFI-Flächen mit einem hohen Strauchanteil wurden jedoch zuverlässig als Gebüschwald klassifiziert. Die hier vorgestellte Methode unterstreicht das Potenzial von schweizweit verfügbaren Fernerkundungsdaten für eine weitgehend objektive, kosteneffiziente und grossflächige Kartierung von Gebüschwäldern in einer für die Praxis genügenden Genauigkeit.
Keywords: remote sensing, shrub forest, classification, sentinel-1, sentinel-2, vegetation height model
Information on shrub forest distribution and development is important for a range of forestry- and ecologically-related questions, but current and area-wide datasets have been characterized by limited availability. In this study, the mapping of shrub forests dominated by green alder, mountain pine and hazel for the canton of Grison was investigated, based on available nationwide remote sensing data. Satellite data from Sentinel-1 and Sentinel-2, as well as a vegetation height and an elevation model were used. Training areas provided by the canton and supplemented by aerial imagery interpretation were used for a supervised classification with Random Forest, a decision tree-based machine learning algorithm. Independent validation of the results was carried out with data from the National Forest Inventory (NFI). Green alder and mountain pine forests were classified with high accuracy of 92.1% respectively 86.7%, whereas for hazel shrub forests, the internal model accuracy was only 66.7%. The resulting area expansion of the shrub forest was comparable with findings based on the NFI. A direct comparison with the NFI aerial imagery interpretation points revealed major discrepancies. The main reason for this is the different degree of spatial detail. However, NFI areas with a high percentage of shrubs were reliably classified as shrub forest. The method presented here underscores the potential of remote sensing data available throughout Switzerland for an essentially objective, costefficient and large-scale mapping of shrub forests with an accuracy applicable in practice.
Bien que les informations sur l'étendue et l'évolution des forêts buissonnantes soient importantes pour diverses questions forestières et écologiques, rares sont les jeux de données actuels et complets disponibles. Dans le cadre de ce travail, la cartographie des forêts buissonnantes du canton des Grisons dominées par l'aulne vert, le pin mugo et le noisetier a été analysée d'après les données de télédétection disponibles au niveau national. Les données satellites de Sentinel-1 et Sentinel-2 ont été utilisées avec un modèle de hauteur de la végétation et un modèle de terrain. Des placettes d'entraînement mises en place par le canton, complétées par une interprétation d'images aériennes, ont été utilisées pour la classification supervisée par Random Forest, une méthode d'apprentissage automatique basée sur des arbres de décision. La validation indépendante des résultats a été réalisée avec des données de l'inventaire forestier national (IFN). Les forêts d'aulne vert et de pin mugo sont classifiées avec une grande précision, de respectivement 92.1% et 86.7%; pour les forêts de noisetiers en revanche, la qualité interne du modèle n'est que de 66.7%. La superficie de la forêt buissonnante ainsi obtenue est comparable aux données de l'IFN. La comparaison directe avec les points d'interprétation des images aériennes a révélé des écarts importants. La raison principale est un degré de détail spatial différent. Les placettes IFN avec une grande proportion de buissons ont cependant été classifiées de manière fiable en forêt buissonnante. La méthode présentée ici souligne le potentiel des données de télédétection disponibles pour toute la Suisse pour une cartographie des forêts buissonnantes très objective à un coût raisonnable pour de grandes superficies et avec une précision appropriée pour une utilisation pratique.