Get 20M+ Full-Text Papers For Less Than $1.50/day. Start a 14-Day Trial for You or Your Team.

Learn More →

Odvodenie 3-D modelu povrchu korún lesného porastu a detekcia korún stromov z leteckých snímok s vysokým rozlíšením

Odvodenie 3-D modelu povrchu korún lesného porastu a detekcia korún stromov z leteckých snímok s... rocník 57, císlo 4, 2011, s. 225-236 Section: Forestry DOI: 10.2478/v10114-011-0008-9 ODVODENIE 3-D MODELU POVRCHU KORÚN LESNÉHO PORASTU A DETEKCIA KORÚN STROMOV Z LETECKÝCH SNÍMOK S VYSOKÝM ROZLÍSENÍM TOMÁS BUCHA1, MIROSLAV JURIS2, JOZEF VLADOVIC1 Národné lesnícke centrum - Lesnícky výskumný ústav Zvolen, T. G. Masaryka 22, SK ­ 960 92 Zvolen, e-mail: bucha@nlcsk.org 2Národné lesnícke centrum - Ústav lesných zdrojov a informatiky Zvolen, Sokolská 2, SK ­ 960 52 Zvolen BUCHA T., JURIS M., VLADOVIC J., 2011: Derivation of a 3-D forest canopy model and detection of tree crowns from high-resolution aerial photos. Lesn. Cas. ­ Forestry Journal, 57(4): 225-236, 6 fig., tab. 5, ref. 20. Original paper. ISSN 0323 ­ 1046. This paper presents our proposal of a methodology procedure aimed at derivation 3-D forest canopy model from aerial multi-spectral stereo photos with a high resolution. Digital model is derived from photos using methods of digital photogrammetry. Furthermore, we used this model to determine the tree tops. For this purpose we created a system of criteria based on mathematical and logical relations. Tree tops represent the number of trees in the forest stand. We examined the accuracy of this classification on 5 areas. Errors of automated classification compared to terrestrial measurements ranged from underestimation by 41% to overestimation by 40%. It would require to incorporate a spectral information into the process of tree tops determination in order to improve the classification. Key words: 3-D forest canopy model, digital photogrammetry, tree-top, aerial photos V práci prezentujeme návrh metodického postupu odvodenia 3-D modelu povrchu korún lesného porastu z leteckých meracských multispektrálnych stereosnímok s vysokým rozlísením. Digitálny model odvodzujeme zo snímok metódami digitálnej fotogrametrie. Následne sme model vyuzili pri urcení vrcholov stromov a vymedzení korún. K tomu sme vytvorili systém kritérií zalozený na matematickologických vzahoch. Vrcholy stromov reprezentujú pocet stromov v poraste. Správnos klasifikácie sme preverili na 5 plochách. Chyby automatizovanej klasifikácie sa pohybovali od podhodnotenia o 41 % po nadhodnotenie o 40 % pri porovnaní s terestrickými meraniami. Spresnenie klasifikácie si vyziada zapracovanie spektrálnych informácií do procesu ohranicenia korún stromov. Kúcové slova: 3-D model porastu, digitálna fotogrametria, koruna stromu, letecká snímka 1. Úvod a problematika Zavedením digitálnej fotogrametrie ako rutinnej metódy na vyhodnotenie leteckých meracských snímok do lesníckej praxe sa vytvorili predpoklady pre racionalizáciu mapovacích prác v lesníctve (ZIHLAVNÍK et al. 2005, HALVO 2008). Kvalitne pripravený stereoskopický model snímok je základom pre odvodenie digitálneho modelu terénu (DMT), pre vytvorenie ortofotosnímok a ortofotomáp a alsích lesníckych aplikácií, akými sú urcenie stromových a strukturálnych porastových chaLesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 rakteristík. Príkladmi sú napríklad odvodenie výsok ADLER (2001) a ohranicenia korún stromov PITKÄNEN (2001), POULIOT et al. (2002), SUMBERA (2003), MAJLINGOVÁ (2007), MATJKA (2008). Uvedení autori vychádzali z predpokladu, ze vrchol stromu je mozné detekova na základe najvyssej hodnoty jasu, to jest ze vrchol koruny je najsvetlejsí. Okraj koruny naopak predstavuje minimálna hodnota jasu. Pre spresnenie algoritmov sa zaviedli prahové hodnoty vo vzahu k spektrálnym hodnotám odrazivosti snímky alebo limitná vekos Obr. 1. Modelové územie Medvedia úboc s lokalizáciou výskumných plôch: CIR kompozícia na mozaike leteckých snímok z roku 2009. Kombinácia kanálov infracervený, cervený a zelený kanál. Zrejmá je rozdielna textúra porastov, v závislosti od veku a spôsobu vzniku ako aj rozdielny spektrálny prejav ihlicnatých a listnatých drevín. LS Predajná, Lomnistá dolina ­ lokalita Medvedia úboc Fig. 1. Test area Medvedia úboc with localization of research plots: CIR composition on the mosaic of aerial photos from 2009. Combination of channels ­ infrared, red and green. Evident differences in forest stands texture, according to the age and origin as well as different spectral display of coniferous and broad-leaved tree species. LS Predajná, Lomnistá dolina ­ Locality of Medvedia úboc priemeru koruny. RAWERT (2004), POONE et al. (2005), HIRSCHMUGL et al. (2007) vyuzívajú stereosnímky na odvodenie digitálneho modelu povrchu porastu. Následne ho vyuzívajú na vymedzenie korún jednotlivých stromov, a to v kombinácii s postupmi zalozenými na spektrálnych vlastnostiach snímok, na maximálnej a minimálnej odrazivosti na vrchole koruny a na okraji koruny. Ide o príklad syntézy poznatkov z oboru dvojsnímkovej leteckej fotogrametrie a klasifikácie obrazu z oboru diakového prieskumu Zeme (DPZ). Nedoriesené ostáva polohové stotoznenie DMT a snímky. Napr. HIRSCHMUGL et al. (2007) to riesili vytvorením DMT zo snímok s pozdznym prekrytom 90 %. WOLF & HEIPKE (2007) navrhli postup na automatizované ohranicenie korún stromov z ortorektifikovaných infracervených snímok v kombinácii s DMT zalozený na fuzzy logike a aproximácii koruny stromov elipsou. Z daného rozboru problematiky vyplýva, ze s rozvojom technológií sa aj v lesníctve zvysuje záujem o vyuzitie celého potenciálu leteckých meracských snímok (LMS). Napriek tomuto úsiliu pre podmienky nasich lesov nie sú vyvinuté prakticky realizovatené metódy (algoritmy) pre automatizované zisovanie stromových a porastových taxacných velicín lesných porastov zalozené na kombinácii spektrálnych a geometrických vlastností korún stromov. V nasej práci sa zaoberáme vyuzitím digitálnych leteckých meracských multispektrálnych snímok (LMMS) s vysokým rozlísením pri odvodení 3-D modelu povrchu korún porastu, z ktorého odvodzujeme prvky vnútornej struktúry lesných porastov, a to vrcholy stromov a koruny stromov. Pouzitý prístup je zalozený na vyuzití metód digitálnej fotogrametrie pri tvorbe 3-D modelu povrchu korún a matematicko-logických vzahov pri urcení vrcholov a vymedzení korún stromov. Cieom je navrhnú prakticky aplikovatenú metódu na odvodenie uvedených prvkov výstavby porastov ako súcasti tematického mapovania a klasifikácie priestorovej struktúry porastov. 2. Metodika a materiál 2.1. Základná charakteristika hodnoteného územia Modelové územie Medvedia úboc sa nachádza v Lomnistej doline (obr. 1), v lesnej oblasti 46Ba Nízke Tatry, podoblas umbier, Prasivá, cas juh (VLADOVIC et al. 1994). Organizacne patrí do lesnej správy PredajLesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 Obr. 2. Výskumná plocha VX 1 podrobne meraná technológiou FieldMap ­ vizualizácia jednotlivých stromov, projekcií korún, leziaceho i stojaceho odumretého dreva, druhovej, vertikálnej a horizontálnej výstavbovej struktúry drevinovej zlozky Fig. 2. Research plot VX 1 measured in detail with FieldMap technology ­ visualization of individual trees, projections of tree crowns, lying and standing dead-wood, species, vertical and horizontal structure of tree species composition ná. Územie je charakteristické tým, ze ide o zachovalý komplex prevazne prírodných lesov na stanovistiach v kategórii lesov ochranných s prevazujúcou funkciou ochrany pôdy. Výmera spracovaného územia je priblizne 100 ha a jeho prevazujúca cas sa stotozuje s modelovou lokalitou, ktorá bola v r. 2009 a 2010 predmetom podrobného výskumu a tematického mapovania v rámci vedeckého projektu ,,Výskum metód klasifikácie a strukturálnych modelov priaznivého stavu lesných ekosystémov Slovenska ­ Hodnotenie stavu a vývoja lesov v krajine s podporou DPZ". Posudzované územie má priemerný sklon terénu 32°. Nadmorské výsky sa pohybujú od 684 do 1 054 m n. m. Podklad je tvorený metamorfovanými horninami, prevazujú migmatizované ortoruly a niekoko ostrovov amfibolitov. Územie sa nachádza v jedovo-bukovom vegetacnom stupni. Lokalita sa v rámci výskumu v uvedenom projekte podrobne typologicky zmapovala segmentovou metódou. Bola vyhotovená tiez podrobná litogeografická mapa. Prevazujúce skupiny lesných typov v zmysle geobicenologickej typizácie sú Abieto-Fagetum nst (33 %), Fageto-Abietum nst (27 %), Fageto-Aceretum nst (26 %), Fraxineto-Aceretum nst (12 %). V kazdom segmente sa zaznamenal aj aktuálny stav drevinovej zlozky na úrovni súborov porastových typov (SPT). Prevazujúce SPT sú jedové buciny (51 %), porasty jedle s listnácmi (22 %), buciny s cennými listnácmi (14 %), cenné listnáce a ich zmesi (7 %), smrekovo-bukové jedliny (6 %). V rámci citovaného projektu sa v modelovej lokalite zalozilo 10 trvalých výskumných plôch kruhového tvaru so standardizovanou výmerou 1 000 m2. GPS metódou boli zamerané stredy plôch, technológiou FieldMap pozície jednotlivých stromov na ploche. Zamerané boli Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 priemety korún stromov, výska nasadenia koruny, hrúbka d1,3 a výsky stromov. Výskumné plochy sa zakladali ako reprezentatívne pre plosne prevazujúce strukturálne typy posudzovaného územia. Plochy sú vizualizované v prostredí ArcGIS a v systéme Stand Visualisation System (SVS) (obr. 2). V nasej práci sme 5 plôch vyuzili pri overení správnosti klasifikáciách poctu stromov z LMMS. 2.2. Letecké snímkovanie a spracovanie snímok Letecké snímkovanie sa realizovalo v rámci obnovy LHP na lesných celkoch v obvode LS Predajná. Parametre snímkovania sú uvedené v tabuke 1. Organizacné a administratívne práce ako aj vsetky nálezitosti leteckého meracského snímkovania zabezpecila firma Photomap, s. r. o., Kosice. Samotné snímkovanie realizovala firma ARGUS GEO SYSTÉM, s. r. o., Hradec Králové v doch 1. 9. 2008 a 22. ­ 23. 7. 2009 digitálnou kamerou Vexcel Ultracam X v 4 pásmach, a to modrom, zelenom, cervenom a infracervenom. Dodané snímky boli rádiometricky upravené, s multispektrálnymi kanálmi prevzorkovanými na priestorové rozlísenie panchromatického kanála. 2.3. Podkladové materiály Vyuzili sme lesnícke porastové mapy záujmového územia mierky 1 : 10 000 so stavom k roku 2000. Údaje o porastových charakteristikách jednotlivých jednotiek priestorového rozdelenia lesa (JPRL) sme získali z lesného hospodárskeho plánu (LHP) z opisu porastov pre Lesný celok (LC) Lesy Jasenie. Obnova LHP sa uskutocnila v roku 2000. Údaje z LHP slúzili ako podporné údaje pre spracovanie a vyhodnotenie leteckých snímok. Digitálny model reliéfu (DMR) sme získali cez mapovú Tabuka 1. Parametre leteckého snímkovania Table 1. Flight parameters Meno lokality1) Mierka snímkovania2) Prekryt pozdzny5) p Prekryt priecny q 6) Chabenec 1 : 27 600, resp.3) 1 : 30 358 pre rok4) 2009 60 % 20 % 1. 9. 2008; 22. 7. 2009 (23. 7. 2009) 12,20 ­ 13,51; 10,45 ­ 11,32 h (8,40 ­ 8,50 h) 100,5 14 430 × 9 420 pixelov UltraCam X ­ digitálna multispektrána kamera12) 20 × 20 cm modrý ­ zelený ­ cervený ­ blízky infracervený kanál. Úrove spracovania 315) bez filtra17) 100 ha Dátum snímkovania7) Hodina snímkovania8) Konstanta fotokomory9) (mm) Snímkový formát10) Typ fotokomory11) Priestorové rozlísenie13) Rádiometrické rozlísenie14) Filter16) Plocha analyzovaného územia Medvedia úboc18) Príprava projektu: aerotriangulácia, interná a externá orientácia snímok Prípravu projektu, aerotrianguláciu, internú a externú orientáciu snímok ako aj ortorektifikáciu snímok vykonalo pracovisko diakového prieskumu Zeme a kartografie NLC-ÚLZI Zvolen na pracovnej stanici Image Station. Správnos aerotriangulácie (SMELKO et al. 2003) vyjadrená strednou polohovou súradnicovou chybou mxy bola ~ 0,5 m. Pri transformácii jednotlivých snímok do systému JTSK (ortorektifikácii) sa dosiahla stredná polohová chyba mxy ~ 1 m. Uvedené výsledky sú na hornej hranici, resp. prekracujú kritériá piatej triedy presnosti (STN 01 3410). Pre potreby tematického mapovania prvkov porastovej výstavby vsak plne postacujú. Parametre jednotlivých operácií boli ulozené do projektu. Samotné vyhodnotenie snímok sme vykonali na fotogrametrickej stanici v softvéri PhoTopoL v. 9.0.2, do ktorého sme cez funkcionalitu importu nacítali projekt z Image station so vsetkými potrebnými parametrami. Epipolárna transformácia pre stereo vyhodnotenie snímok Po vykonaní internej a externej orientácie snímok v prostredí PhoTopoL poda parametrov z importovaného projektu sme vykonali epipolárnu transformáciu snímok. Ide o transformáciu snímok, v ktorej sa identické body na snímkach umiestnia do jedného riadku. Tým sa odstráni vertikálna paralaxa. Rozdiel v umiestnení identických bodov v smere x-ovej osi snímok zodpovedá horizontálnej paralaxe. Automatizované vytvorenie siete výskopisných bodov a DMT Pre získanie bodov pre DMT sme pouzili funkcionalitu PhoTopoL na automatickú tvorbu DMT zo stereo dvojice snímok. Zo snímok sme vybrali územie o výmere asi 100 ha v lokalite Medvedia úboc. Výstupom funkcionality pre automatickú tvorbu DMT je súbor bodov ­ diskrétne bodové pole výsok (DBP), ku ktorým je v zvolenej súradnicovej sústave pripojená výsková súradnica Z. Kvalitu odvodeného DMT ovplyvuje nastavenie viacerých parametrov: ­ krok mriezky, pri ,,dospelých" porastoch sa osvedcila vekos 2 × 2 m, ­ okolie záujmu bodu mriezky, najlepsie výsledky sme dosiahli s hodnotou 10 × 10 pixelov, ­ filtrácia bodov odvodeného DMT. Vyuzili sme preddefinované hodnoty korelacného koeficientu (0,15), minimálnej vzdialenosti lúcov (6,0) a rozdielu výsok menej ako 40 m. Parameter ,,rozdiel výsok" sleduje nadmorskú výsku bodov a ak sa niektorý odlísi od susedov o viac ako povolenú hodnotu z výstupu je vylúcený. Týmto spôsobom sme eliminovali chybne vypocítané výsky DBP. Ich výskyt je v podmienkach tvorby DMT v lesnom poraste vysoký. Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 1)Locality, 2)Scale of aerial photography, 3)Or, 4)For, 5)Longitudinal overlap, 6)Cross overlap, 7)Date of aerial photography, 8)Hour of aerial photography, 9)Camera constant, 10)Image format, 11)Camera type, 12)Digital multi-spectral camera, 13)Spatial resolution, 14)Radiometric resolution, 15)Blue ­ green ­ red ­ near infrared channel. Level of processing 3, 16)Filter, 17)Without filter, 18)Analyzed area of Medvedia úboc sluzbu Geodetického a kartografického ústavu. DMR je odvodený z výskopisu základnej mapy SR v mierke 1:10 000. Vsetky údaje boli polohovo zjednotené v systéme JTSK. Získané údaje vyuzívame ako referencné k údajom odvodeným z leteckých snímok. 2.4. Metodika vyhodnotenia snímok Základnou úlohou je vytvorenie digitálneho modelu terénu. V práci rozlisujeme termín digitálny model reliéfu (DMR) a digitálny model terénu (DMT). Termín DMR ponímame v zmysle KRCHA (1990), ktorý definuje reliéf Zeme ako pevné, ale pritom dynamické rozhranie medzi litosférou, resp. pedosférou, na jednej strane a atmosférou, resp. hydroférou na strane druhej. Termín DMT zahruje DMR vrátane vegetácie, budov ci iných technických prvkov. Termín digitálny model povrch korún lesného porastu je v nasej práci synonymom termínu DMT. V oboch prípadoch DMR aj DMT ide o modelovo odvodené rozhranie v pocítacovom prostredí. Postup odvodenia DMT a vymedzenia korún stromov pozostáva z krokov uvedených na obrázku 3. Obr. 3. Postup tvorby DMT a vymedzenia korún stromov z leteckých meracských snímok Fig. 3. Creation of DMT and determination of tree crowns from aerial photos Pri výpocte výsok je potrebné pozna vekosti horizontálnych a vertikálnych paraláx. PhoTopoL pre zjednodusenie výpoctu pracuje s epipolárnymi projekciami, pricom na vyhadávanie zodpovedajúcich si objektov na dvoch susedných stereosnímkach je vyuzitá metóda tzv. plosne zalozeného párovania (Area based correlation matching). Metóda je zalozená na korelácii hodnôt jasu identických objektov. Výstupom z automatickej tvorby DMT je súbor bodov s výskovou súradnicou, ktorá zodpovedá nadmorskej výske povrchu korún porastu. Vytvorenie referencného DMR a odvodenie výsky porastu V modelovom území sa lesné porasty nachádzajú vo výrazne sklonitom teréne (priemerný sklonom svahu je 32º). Pre vyhodnotenie výskovej diferenciácie korún stromov je preto nutné eliminova nadmorskú výsku reliéfu. Rozdiel medzi DMT a DMR nám potom urcuje výsku stromu, resp. výsku objektu v kazdom obrazovom prvku na snímke. Ide o jednoduchý matematický úkon, ktorého praktická realizácia je vsak vemi problematická. Dôvodom je nepoznaná nadmorská výska reliéfu. Praktické odvodenie digitálneho modelu reliéfu v lesných porastoch je prácne, ak aj metóda existuje, pod korunami stromov spravidla zlyháva, napr. laser Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 scanové metódy. V nasom riesení vytvárame referencnú plochu z vrstevníc základnej mapy mierky 1 : 10 000. Ide o zjednodusené riesenie z hadiska geometrickej presnosti, avsak pre potreby urcenia výstavby porastu ho povazujeme za postacujúce. Jednoduchým matematickým výpoctom, rozdielom nadmorských výsok DMT a referencného DMR získame výsku objektu (HVR): HVR = DMT ­ DMR. Touto operáciou eliminujeme vplyv sklonu reliéfu na súradnicu výskopisného bodu Z. Týmto sa jednotlivé výskové body dostanú do vzájomne porovnatenej výskovej pozície, kde porovnávacia rovina má hodnotu 0. V alsom ju nazývame virtuálna rovina. Modelovo je situácia zobrazená na obrázku 4. Z frekvencného histogramu zastúpenia výsok HVR na celom záujmovom území vyplýva, ze najpocetnejsou skupinou DBP sú body s výskou od 14 do 32 m. Z výpoctov sme ako chyby vylúcili body s extrémnymi hodnotami, v nasom prípade islo o body s hodnotami mimo intervalu -10 m az 50 m. Z hadiska alsieho vyuzita údajov pri identifikácii korún stromov majú väcsí význam body na hornej hranici intervalu. Tieto body majú väcsí predpoklad sta sa vrcholom stromu, jadrom entity stromu. Priradenie plochy k jednotlivým výskovým bodom Z bodového poa výsok prostredníctvom funkcionalitu PhoTopoL ,,Vytvorenie oblasti z bodov" sme vytvorili uholníkovú sie, t. j. automatizovane sa priradila oblas ku kazdému výskovému bodu, ktorý sme v predchádzajúcich krokoch odvodili a ktorý presiel stanovenými kritériami kvality. Výhodou tohto prístupu je, ze medzi pôvodnými výskovými bodmi vznikajú topologické a geometrické vzahy (susedí, nesusedí, vyssí, nizsí...), ktoré je mozné kvantifikova a analyzova. Vzhadom k tomu, ze výskové body nie sú vytvorené v pravidelnej sieti, sú vytvorené plochy nepravidelného tvaru a rôznych vekostí. Vekos tejto plochy je daná hustotou získaného výskového bodového poa a algoritmom pouzitého softvéru. 3. Výsledky 3.1. Vymedzenie korún stromov Vymedzenie korún strom sme zalozili na vyuzití topologických vzahov na vytvorenej sieti DMT a formulovaní matematicko-logických kritérií odvodených z poznatkov o vekosti a tvare koruny stromu. Pri urcení vrcholu stromu v skupine plôch sme preverili dva varianty. V prvom variante vychádzame pri urcení vrcholu v skupine plôch z DMT s absolútnymi nadmorskými výskami (obr. 5 vavo). Vrcholom je vzazný bod plochy (azisko plochy), ktorej n.m.v. je vyssia ako n.m.v. susedných plôch. Ak sa veda seba nachádzajú dve alebo viac vrcholových plôch, tieto sa agregujú a vzazný bod novej (zlúcenej) plochy sa stáva vrcholom. V druhom variante sme pri urcení vrcholu stromu metodicky postupovali totozne, avsak namiesto nadmorskej výsky DMT sme pouzili rozdiel výsok HVR vypocítaný poda vzahu: HVR = DMT ­ DMR. Vstupná vrstva je zobrazená na obrázku 5 vpravo. Pre zistenie plôch, ktoré sú výskovo dominantné a je predpoklad, ze budú zodpoveda vrcholcom stromov boli napísané aplikacné formuláre v internom jazyku PhoTopoL, v jazyku Topas. V alsom kroku sme priradili k vrcholu sirsiu oblas ­ entitu. Pod entitou rozumieme skupinu plôch prislúchajúcu k jednému vrcholu. V ideálnom prípade by kazdá entita mala predstavova korunu jedného stromu v poraste. Pre priblízenie sa k tomuto ideálnemu prípadu sme vytvorili systém kritérií, na základe ktorých priraujeme jednotlivé plochy k entite: Obr. 4. Na obrázku vavo je zobrazený reálny stav porastu. Na obrázku vpravo je zobrazene situácia po prepocítaní súradnice Z vzhadom k virtuálnej rovine (HVR = DMT ­ DMR) Fig. 4. Picture shows a real condition of the forest stand on the left. On the right side it shows the situation after recalculation of Z coordinates relative to the virtual plane (HVR = DMT ­ DMR) 230 Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 ­ nadmorská výska plochy je nizsia ako vrchol, ­ testovaná plocha vo vzahu k vrcholu lezí na pomyselnej línii, tvorenej vzaznými bodmi plôch leziacimi medzi testovanou plochou a zisteným vrcholom. Nadmorská výska tejto línie systematicky klesá (povolená malá tolerancia na stúpanie) smerom od vrcholu k testovanej ploche, ­ plocha este nebola zaradená do inej entity, ­ vzazný bod plochy je k danému vrcholu blizsie ako je limita (max. predpokladaná sírka koruny/2), ­ rozdiel medzi n.m.v. plôch je nizsí ako stanovená prahová hodnota. Graficky je uvedený postup zobrazený na obrázku 6. Limita (maximálna ocakávaná sírka koruny) je definovaná ako polovica priemeru koruny najkosatejsieho stromu v skúmanej oblasti. Ziadna entita získaná vyhodnotením údajov preto nemôze ma väcsí polomer. Z praktického hadiska postací kvalifikovaný odhad priemeru plosne najväcsích stromov v stereo móde PhoTopoL. V poslednom kroku algoritmu vymedzenia korún stromov sme spojili výsledky oboch variant rozlísenia korún do jedného výstupu. Vychádzame pritom z empiricky zistenej skutocnosti, ze vrcholy zistené na základe analýzy DMT sú menej pocetné ale spoahlivejsie ako vrcholy zistené analýzou vrstvy DMR. Preto berieme entity z DMT ako základ konecného výstupu. Pri urcení vrcholu stromu môzu nasta tieto situácie: a) patrí do entity odvodenej z DMT, b) patrí súcasne do entity odvodenej z DMT ako aj DMR (v ideálnom prípade tzv. prekryv korún), c) patrí do entity pôvodom z DMR, d) plôsku sa nepodarilo priradi k ziadnemu vrcholu (v ideálnom prípade tzv. redukovaná holina). Za pevne stanovený vrchol koruny stromu povazujeme výstup z prvého kroku odvodený z DMT. Do výstupu sa alej zahrnú tie entity z druhého kroku, ktorých jedinecnos vo vzahu k entitám z DMT nie je spochybnená. Pre vylúcenie duplicitného evidovania entít (korún stromov) sme stanovili prahovú hodnotu ­ limitu v hodnote max. vekos korún/2 (polomer koruny). V prípade porastov na nasom modelovom území ide o hodnotu 5 m. To znamená, ze algoritmus neprevezmeme do výstupu entitu z DMR, ktorej vrchol lezí blizsie ako 5 m k vrcholu entity pôvodom z DMT. V týchto prípadoch predpokladáme, ze vrcholy zobrazujú ten istý objekt (strom). Konecný výstup obsahuje tieto objekty: a) vrcholy (body) zistené na základe DMT, b) vrcholy (body) zistené na základe DMR plôsky po Obr. 5. Vavo: Digitálny model povrchu korún z modelového územia Medvedia úboc. Kolorovanie plôch poda nadmorskej výsky povrchu korún porastu od zelenej po hnedú (najvyssia nadmorská výska). Vpravo: Výsky stromov v poraste vypocítané z rozdielu DMT a DMR. Kolorovanie plôch poda výsky povrchu korún porastu od najnizsej (modrá) po hnedú (nadúrovové stromy). Modré hodnoty HVR < 0, HVR > 0 skála od zelenej po tmavohnedú Fig. 5. Left: A digital model of the of forest canopy in the research area of Medvedia úboc. Coloring the areas by altitude of the tree tops in a forest stand from green to brown (highest altitude). Right: Height of trees in the forest stand calculated from the difference between DMT and DMR. Coloring the areas by heights of the tree tops from the lowest (blue) to brown (dominant trees). Blue values HVR < 0, HVR > 0 range from green to darkbrown Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 Obr. 6. Priraovanie plôch k entite. Plôska s kruhom reprezentuje vrchol stromu. Entita sa rozsiruje postupným priberaním nizsích a este neobsadených plôch, pokia nie je zastavená niektorou z limitných (prahových hodnôt). Limita max. sírky koruny je vyznacená na obrázku kruznicami (ciarkovane). Jednotlivé plôsky sú priraované po etapách. Etapa prebehne naraz pre vsetky entity. Na obrázku etapu 1 znázoruje cervená sípka, 2. etapu modrá, sípky alsích etáp sú ruzové Fig. 6. Assigning areas to the entity. Area with a circle represents the tree top. Entity extends gradually by taking the lower and free areas, unless it is terminated by one of the limits (threshold value). Limit of the maximum crown width is marked with dash circles in the figure. Individual areas are assigned in stages. One stage takes place once for all entities. Figure 1 shows 1. stage with a red arrow, 2. stage with blue, other phases with pink arrow testovaní jedinecnosti vrcholu stromu (limita 1/2 vekosti koruny), c) línie reprezentujúce obvod korún stromov. 3.2. Vyhodnotenie správnosti vymedzenia korún stromov Správnos vymedzenia korún sme overili na 5 plochách, na ktorých sme vykonali podrobné terestrické setrenia a merania. Po zameraní pozícií stromov na ploche boli stromy zaradené poda ich výskového postavenia do 4 tried v zmysle ZLATNÍKA (1976). Prehad zastúpenia jednotlivých tried udáva tabuka 2. Z hadiska drevinového zlozenia ide na plochách VX1, VX4 a VX5 o zmiesané porasty buka s jedou. Na ploche VX3 prevláda v zastúpení jeda s primiesaným bukom a smrekom, na ploche VX8 dominujú listnaté dreviny, zastúpené sú buk, jase stíhly, javor horský a javor mliecny, vtrúsená je jeda. Na vsetkých 5 plochách ide o viacvrstvové porasty. V alsom sú vyhodnocované len stromy výskového postavenia 1 a 2, t. j. nadúrovové a úrovové stromy. Stromy podúrovové (výskové postavenie 3 a 4) je mozné pri prehustlom a ani pri uvonenom zápoji z leteckých snímok identifikova. Uvedené konstatovanie je zalozené na vizuálnom urcení stromov na obrazovke monitora v 3-D zobrazení a porovnaní týchto výsledkov s terestricky zisteným poctom stromov na plochách (tab. 3). Pre porovnanie terestrických meraní s výsledkami odvodenými zo snímok bolo potrebné co najpresnejsie polohovo zosúladi jednotlivé plochy na úrovni stotoznenia jednotlivých stromov. Stotoznenie sa vykonalo na základe vizuálneho posúdenia vzájomného posunu na obrazovke monitora, kde sme polozili polygónovú vrstvu priemetu korún stromov na stereo model leteckej snímky. Vekos posunu v teréne zameraných plôch vzhadom k snímke sa pohybovala od 4,2 m pri ploche VX4 po 7,5 m pri ploche VX5. Z výsledkov v tabuke 3 vyplýva dobrá zhoda medzi terestrickým a operátorom na 3-D modeli odvodeným poctom stromov na plochách c. VX1, VX3 a VX4. Chyba urcenia poctu stromov sa pohybuje o 0 do +10 %, co znamená, ze operátor pocet stromov nadhodnotil. Na plochách VX5 a VX8 operátor pocet stromov podhodnotil o 22 %, resp. o 20 %. V tabuke 4 sú porovnané automatizovane vymedzené koruny s terestrickými meraniami na uvedených 5 plochách. Automatizovaná klasifikácia na plochách Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 VX1, VX3, VX4 a VX5 viedla k podhodnoteniu poctu stromov na plochách od 14 do 41 %. Opacný výsledok, nadhodnotenie o 40 % sme dosiahli na ploche VX8. Ide o plochu s takmer 100 % zastúpením listnatých drevín. Poda výsledkov v tabuke 3 pri uvedenej ploche operátor naopak pocet stromov podhodnotil. To potvrdzuje poznatky z literatúry (KOCH et al. 2006) na problémy urcenia korún stromov v listnatých zapojených porastoch. Výsledky publikované v tabukách 3 a 4 poukazujú na to, ze tak operátor na 3-D modeli ako aj automatizovaná klasifikácia stromov v priemere podhodnocujú pocet stromov oproti referencnému terestrickému zisovaniu. Vekos podhodnotenia o -5 %, resp. -15 % za vsetky plochy spolu poukazuje na mozné vyuzitie prezentovaných prístupov pri odvodení porastových charakteristík (poctu stromov v poraste). Mensie podhodnotenie ako aj mensie variacné rozpätie od -22 % do +10 % bolo dosiah- Tabuka 2. Zaradenie stromov na výskumných plochách poda ich výskového postavenia (ZLATNÍK 1976) Table 2. Categorization of tree on research areas according to their height position (ZLATNÍK 1976) Plocha c.1) VX1 VX3 VX4 VX5 VX8 Spolu3) 1) Terestrické merania: pocet stromov s výskovým postavením2) 1 11 5 3 7 6 32 2 10 22 16 16 14 78 3 8 14 23 14 8 67 4 16 28 26 81 18 169 Spolu3) 45 69 68 118 46 346 Spolu3) 1+2 21 27 19 23 20 110 Priemerná výska4) 1+2 34,5 26,1 30,4 31,2 33 31,04 Plot code, 2)Terrestrial measurement (number of trees and height status), 3)Total, 4)Average height 1+2 Tabuka 3. Porovnanie terestricky zistených a operátorom urcených korún stromov na 5 plochách Table 3. Comparison of terrestrially determined tree tops and tree tops detected by operator on 5 areas 6) Terestrické meranie (pocet stromov)2) 21 27 19 23 20 110 Operátor na 3-D modeli3) 23 28 19 18 16 104 Rozdiel4) +2 +1 0 -5 -4 -4 Chyba v %5) +10 +4 0 -22 -20 -5 + chyba nadhodnotenia ­ Error of overestimation, - chyba podhodnotenia ­ error of underestimation 1)Plot code, 2)Terrestrial measurement (number of trees), 3)Operator of 3D model, 4)Difference, 5)Errors in %, 6)Together Tabuka 4. Porovnanie terestricky zistených a automatizovane vymedzených korún na 5 plochách Table 4. Comparison of terrestrially determined tree tops and automatically detected tree tops on 5 areas 1) 6) Terestrické meranie (pocet stromov)2) 21 27 19 23 20 110 Automatizovaná klasifikácia3) 18 16 16 16 28 94 Rozdiel4) -3 -11 -3 -7 +8 -16 Chyba v %5) -14 -41 -16 -30 +40 -15 + chyba nadhodnotenia ­ Error of overestimation, - chyba podhodnotenia ­ error of underestimation. Plot code, 2)Terrestrial measurement (number of trees), 3)Automated classification, 4)Difference, 5)Errors in %, 6)Together Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 Tabuka 5. Porovnanie automatizovane klasifikovaných a operátorom vymedzených korún, ktoré bolo mozné polohovo jednoznacne stotozni Table 5. Comparison of automatically determined tree tops and tree tops detected by operator, that can be exactly identified in a position 1) 5) 2) Operátor na 3-D modeli2) 23 28 19 18 16 104 3) Automatizovaná klasifikácia / z toho stotoznených3) 18/14 16/9 16/12 16/10 28/11 94/56 Správnos klasifikácie pre prípad stotoznených stromov (%)4) 61 32 63 56 69 54 4) Plot code, Operator of 3D model, Automated classification/from that clearly assigned to the reference trees, Classification accuracy for a case of clearly assigned trees, 5)Together nuté pri vizuálnom urcení korún stromov operátorom na 3-D snímky. Veké variacné rozpätie od -41 % do +40 % v prípade automatizovanej klasifikácie poukazuje na potrebu spresnenia algoritmu vymedzenia korún alebo nastavenia parametrov algoritmu poda stavových parametrov porastu (vek, drevinové zlozenie). Pri uvedenom vyhodnotení správnosti urcenia korún stromov nebolo brané v úvahu polohové stotoznenie stromov na analyzovaných plochách. Porovnané boli len pocty stromov, co môze vies k nadhodnoteniu správnosti ich urcenia. Pre posúdenie vekosti nadhodnotenia sme vykonali klasifikáciu správnosti len na stotoznených stromoch. Postup sme zalozili na porovnaní korún stromov urcených automatizovanou klasifikáciou a tými korunami, ktoré operátor vizuálne vymedzil a následne stotoznil s klasifikáciou na 3-D modeli na obrazovke monitora. Výsledky sumarizujeme v tabuke 5. Z výsledkov vyplýva, ze percento stotoznených stromov sa pohybuje od 32 do 69 %, v priemere za vsetky plochy 54 %. Ide o výsledok, ktorý nepovazujeme za dostatocný pre uplatnenie postupu v hospodársko-úpravníckej praxi. Poukazuje na potrebu podstatnejsieho dopracovania navrhnutého algoritmu vymedzenia korún. Treba poznamena, ze proces polohového stotoznenia korún zameraných terestricky s korunami na snímke je závislý od rozhodnutia operátora, od jeho vyhodnotenia a eliminácie vzájomných posunov vyplývajúcich z chýb zamerania plochy a stromov, presnosti fotogrametrického modelu, naklonenia stromu, viditenosti koruny at. 4. Diskusia Nás experiment potvrdzuje, ze vývoj algoritmov v oblasti spracovania a klasifikácie leteckých snímok vedie k postupnému zvysovaniu presnosti a správnosti odvodenia stromových a porastových velicín. Kým MALLINGER (1997 in KOCH 2006) konstatoval, ze 3-D model povrchu korún je nepresný a preto nevhodný pre odvodenie stromových a porastových charakteris234 tík lesných porastov, ADLER (2001) uz dosiahla 45 % správnos automatickej identifikácie korún stromov v ihlicnatých porastoch. Problémom bola predovsetkým veká spektrálna rozdielnos osvetlenej a zatienenej casti koruny. WASER et al. (2006) dosiahli 74 % správnos urcenia jednotlivých stromov z CIR snímok v kombinácii s lidarovými údajmi. MAJLINGOVÁ (2007) pri vyuzití infracervených snímok dosiahla správnos klasifikácie 71 % v pocte vymedzených stromov, resp. 55 % v pocte stromov jednoznacne stotoznených s referencnými stromami. KOCH et al. (2006) vyuzili pre ohranicenie korún 3-D model povrchu korún odvodený z lidarových údajov. Pri poraste douglasky tisolistej zo 49 stromov urcili automatizovane 47, z coho az 87,3 % jednoznacne stotoznili s pozemnými setreniami. Pri listnatých porastoch (hrab obycajný, javor horský, jase stíhly zo 49 stromov automatizovane vymedzili 30 a z nich bolo mozné len polovicu (50 %) jednoznacne prisúdi k referencným stromom zameraným terestricky. V porovnaní s fotogrametrickým urcením referencných stromov bolo jednoznacne stotoznených 61,7 % automatizovane vymedzených korún. Autori konstatujú, ze pri zapojených listnatých porastoch navyse výskovo homogénnych algoritmus separácie korún stromov zlyháva. Túto skutocnos potvrdzuje aj nás výsledok na ploche VX8, ke pri automatizovanej klasifikácii doslo k nadhodnoteniu o 40 % a naopak pri vyhodnotení korún operátorom na 3-D modeli k podhodnoteniu o 20 %. Z konfrontácie s výsledkami citovaných prác vyplýva, ze výsledky dosiahnuté nami navrhnutým algoritmom pre LMMS s vysokým rozlísením sú porovnatené s výsledkami dosiahnutými citovanými autormi. Dosiahnutá 95 % správnos v pocte stromov urcených operátorom na obrazovke v porovnaní s terestrickým zistením na vsetkých výskumných plochách spolu (tab. 3) ako aj 85 % správnos automatizovaného vymedzenie korún k terestrickému zisteniu (tab. 4) sa javí ako perspektívna pre praktické vyuzitie na úrovni zisovania Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 porastu. Veké variacné rozpätie chýb pri automatizovanej klasifikácii na skusných plochách vsak poukazuje na potrebu spresnenia modelu. Na alsie nedostatky algoritmu poukázalo porovnanie automatizovane klasifikovaných a operátorom urcených korún, ktoré bolo mozné polohovo jednoznacne stotozni. Správnos bola v tomto prípade len 54 % (tab. 5). Tieto výsledky naznacujú, ze okrem doladenia algoritmu bude nutné do neho zahrnú aj alsie kritériá a vstupné parametre ako, napr. spektrálne charakteristiky, prípadne kombinova snímku s údajmi laserového skenovania. alsím limitujúcim faktorom je moznos vymedzenia len úrovových a nadúrovových stromov. Z pohadu vyuzitia odvodeného poctu stromov a vekosti korún pri odhade zásob sa táto skutocnos nemusí javi ako rozhodujúca, vzhadom k tomu ze hlavná cas zásoby sa kumuluje v jedincoch výskového postavenia 1 a 2. Algoritmus odvodenie DMT z leteckých snímok v presnosti potrebnej pre urcenie v práci opísaných stromových charakteristík je výpoctovo nárocný. Pri sieti výskových bodov 2 × 2 m sme sa uz na modelovom území asi 100 ha dostali k stovkám tisícom objektov, navyse s 3-D záznamom (x, y, z súradnica). Bezný 32 bitový softvér má navyse limitovanú správu pamäte schopnosou adresova pamä maximálne na 232 byte, co limituje mnozstvo objektov, ktoré je mozné efektívne spracova. alsím obmedzením, s ktorým sme sa stretli v nasej analýze bolo zlyhanie algoritmu pre odvodenie bodov digitálneho modelu povrchu porastu v nadire snímky. Ide o výrazné obmedzenie, pricom nie je z nasej práce mozné zovseobecni ci ide o neriesitený fotogrametrický problém alebo o nedostatok algoritmu pouzitého softvéru. Pre zistenie plôch, ktoré sú výskovo dominantné a je predpoklad, ze budú zodpoveda vrcholom stromov, boli napísané aplikacné formuláre v internom jazyku PhoTopoLu, v jazyku Topas. Nevýhodou tohto makro jazyka je pomalý prístup k dátam a nemoznos dynamického programovania. V prípade spracovania väcsích území by bolo vhodné prepísa formuláre do iného jazyka ako externé programy. 5. Záver Digitálne multispektrálne snímky s vysokým rozlísením 20 × 20 cm sa stali standardom v lesníckom mapovaní. Pri ich spracovaní sa uz rutinne zaviedli metódy digitálnej fotogrametrie. Vytvorili sa tak predpoklady pre rozvoj specializovaných aplikácií v oblasti tematického lesníckeho mapovania zalozené na vyuzití leteckých meracských snímok. Dosiahnuté výsledky nie sú zatia vyhovujúce pre uplatnenie sa v rámci hospodársko-úpravníckych prác. V alsom výskume sa sústredíme na kombináciu fotogrametrického a spektrálneho prístupu. Kúcovou úlohou je vykona ortorektifikáciu snímok poda DMT Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 odvodeného z fotogrametrického modelu a tým zabezpeci polohové zjednotenie výstupov z fotogrametrického a spektrálneho vyhodnotenia snímok. Vzájomnou kombináciou prístupov sa rozsíri systém kritérií pre vymedzenie korún a vrcholov stromov. alsí mozný smer výskumu je zapracovanie trigonometrických vzahov definujúcich pozíciu slnko ­ strom ­ tie do algoritmu urcenia vrcholov stromov v 3-D priestore. Perspektívne sa javí aj prepojenie digitálnej fotogrametrie a pozemného laserového skenovania, a to predovsetkým pre potreby odvodenia výsok jednotlivých stromov ako aj strednej a hornej výsky porastu. Precíznejsie odvodenie DMR je predpokladom pre alsie rozvinutie problematiky urcenia výsok stromov a s ou súvisiacej problematiky hodnotenie vertikálnej výstavby porastov. Poakovanie Táto práca bola podporovaná Agentúrou na podporu výskumu a vývoja na základe zmluvy c. APVV-0632-07, v rámci projektu ,,Výskum metód klasifikácie a strukturálnych modelov priaznivého stavu lesných ekosystémov Slovenska ­ hodnotenie stavu a vývoja lesov v krajine s podporou DPZ". Literatúra ADLER P., 2001: Einsatz digitaler Photogrammetrie zur Beschreibung von Waldbeständen. Am Beispiel der digitalen photogrammetrischen Erfassung der Level 2 Flächen Baden-Württemberg. Dissertation an der Albert-Ludwigs-Universität, Freiburg. 148 p. BUCHA T., VLADOVIC J., 2000: Klasifikácia zdravotného stavu lesov pomocou kozmických snímok Landsat TM na modelovom území Lomnistej a Vajskovskej doliny. Lesnícky casopis ­ Forestry Journal, 46(2): 117-127. HALVO ., 2008: Lesnícke mapové dielo. In: Lesnícka geodézia a fotogrametria ­ trendy. Zvolen: TU Zvolen, s. 112-132. CHUBEY M.S., FRANKLIN S.E., WULDER M., 2006: Object-based Analysis of Ikonos-2 Imagery for Extraction of Forest Inventory Parameters. Photogrammetric Engineering & Remote Sensing, 72(4): 383-394. KIM M., MADDEN M., 2006: Determination of optimal scale parameter for alliance-level Forest classification of multispectral ikonos images. 1st International Conference on Object-based Image Analysis (OBIA 2006), ISPRS, Volume No. XXXVI ­ 4/C42, ISSN 1682-1777. KOCH B., HEYDER U., STRAUB CH., WEINACKER H., 2006: 3-D data for forest and environmental planning. In: KOUKAL, T., SCHNEIDER, W. (eds): 3-D Remote Sensing in Forestry, International workshop ERSeL ­ Vienna, p. 1-14. KRCHO J., 1990: Morfometrická analýza a digitálne modely georeliéfu. Bratislava: VEDA. MAJLINGOVÁ A., 2007: Digitálna obrazová analýza dát DPZ s vysokým priestorovým rozlísením a jej vyuzitie v lesníctve. GIS-Ostrava 2007. Dostupné na internete: http://gis.vsb.cz/GIS_Ostrava/ GIS_Ova_2007/sbornik/Referaty/Sekce2/majlingova.pdf MATJKA K., 2007: Assessment of tree layer biomass and structure using Aerial photos in lake catchments of the Sumava Mts. Journal of Forest Science, 55(2): 63-74. PERSON A., HOLMGREN J., SÖDERMAN U., 2006: Identification of tree species of individual trees by combining very high resolution laser data with multi-spectral images. In: KOUKAL T., SCHNEIDER W. (eds.): 3-D Remote Sensing in Forestry, International workshop ERSeL ­ Vienna, p. 102-107. RADOUX J., DEFOURNY P., 2006: Influence of image segmentation parameters on positional and Spectral quality of the derived objects. 1st International Conference on Object-based Image Analysis (OBIA 2006), ISPRS, Volume No. XXXVI ­ 4/C42, ISSN 1682-1777. TOWNSHEND J.R.G., HUANG ., KALLURI S.N.V., DEFRIES R.S., LIANG S., 2000: Beware of Per-pixel Characterization of Land Cover. International Journal of Remote Sensing, 21(4): 839-843. SUMBERA S., ZIDEK V., 2002: Automated tree top identification using colour infrared aerial photograps of high spatial resolution. Ecology (Bratislava), 21(3): 229-238. SCHEER ., 1995 : Zisovanie zásob dvojfázovým regresným výberom pomocou druzicových scén a terestrického merania. Lesnictví-Forestry, 41(5): 224-229. SMELKO S., SCHEER ., PETRÁS R., URSKÝ J., FABRIKA M., 2003: Meranie lesa a dreva. Zvolen: ÚVVP LVH SR, 239 s. Wang Y., Soh S.Y., Schultz H., 2006: Individual tree crown segmentation in aerial forestry images by mean shift clustering and graph-based cluster merging. Intrernational Journal of Computer Science and Network Security, 6(11):40-45. WASER L.T., ECKER K., GINZLER CH., KÜCHLER M., SCHWARZ M., THEE P., 2006: Extraction of forest parameters in a mire environment using airborne spectral data and digital surface models. In: KOUKAL T., SCHNEIDER W. (eds.): 3-D Remote Sensing in Forestry, International workshop ERSeL ­ Vienna, p. 15-23. WOLF B-M., HEIPKE CH., 2007: Automatic extraction and delineation of single trees from remote sensing data. Machine Vision and Applications, 18(5): 314-330. ZLATNÍK A., 1976: Lesnická fytocenologie. Praha: SZN. ZIHLAVNÍK S., CHÚDY F., KARDOS M., 2005: Digitálna fotogrametria v lesníckom mapovaní. Zvolen: Technická univerzita vo Zvolene, ISBN 80-228-1545-4, 80 s. Dostupné na internete: http://www.microsoft.com/ultracam/downloads/default.mspx Základná mapa SR, 1 : 10 000, Geodetický a kartografický ústav, dostupné na internete ako webová mapová sluzba: http://atlas. sazp.sk/wmsconnector/com.esri.wms.Esrimap?ServiceName=share_raster_zakladne_mapy& Summary This paper deals with derivation of a method for crown detection from a 3-D model of forest canopy created from multi-spectral aerial stereo photos with a high resolution. Test area Medvedia úboc of approx. 100 ha is situated in a terrain with an average gradient of 32°. There are aged fir-beech multi-layered stands mixed with maple, ash and spruce. 3-D model of forest canopy (DMT) is derived from photos using methods of digital photogrammetry (Fig. 3). We created an angle network from the point array of heights, i.e. area was assigned to each height point automatically. There are generated topological and geometric relationships (adjacent, higher, lower, ...) by defining area around elevation points. These can be used to determine tree crowns by formulation of mathematical and logical criteria derived from the knowledge of the size and shape of the tree crown: Firstly, we have to determine the tree tops in a group of areas (polygons). We have checked two variants. Variant A) determines the tree tops in a group of areas from DMT with absolute altitudes. The tree top is field reference point (gravity centre of the area), which altitude is higher then altitude of other neighboring areas (Fig. 5 on the left). If there are two or more tree top areas next each other, these are aggregated and the reference point of the new (merged) area is becoming the top. The methodology procedure in Variant B) was the same, but instead of an absolute altitude we used the height difference from digital model of forest canopy and digital relief model: HVR = DMT ­ DMR (Fig. 5 on the right). Digital relief model was derived from contour lines on a basic map of SR in a scale of 1 : 10 000. Secondly, we assigned broader area to the tree top ­ entity (Fig. 6). Under the entity we understand a group of areas appertaining to a single top. Therefore, entity represents a tree crown. The individual areas are assigned to entity based on the following criteria: · Altitude of the area is lower than the top. · Test area in relation to the top lies on the imaginary line formed by the centre of gravity of the areas lying between the tested area and the detected top. Altitude of this line systematically decreases from the top of the test area. · Area has not yet been assigned to any other entity. · Reference point of the area is closer to the top than a limit (maximum estimated crown width / 2). · The difference between altitudes of the areas is lower than the set threshold level. Third (final) step combines the results of both variants of tree tops detection into one single output. A fixed tree top is considered to be an output from the first step derived from DMT. Output includes also those entities from the second step that are undisputed in relation to the entities from DMT. In our solution the algorithm does not take any entity of DMR into the output with top lying closer than 5 meters to the top of the entity from the DMT. We assume that the tops display the same object (tree) in these cases. Tree tops represent the number of trees in the forest stand. Their correct determination was checked on the five research plot. We could not identify subdominant and suppressed trees from aerial photos. Therefore, we evaluated only trees of height 1 and 2, i.e. dominant and co-dominant trees (Table 2). Table 3 shows a comparison between the number of tree terrestrially determined on 5 research areas and the number of trees determined by operator from the images on the screen. Error of determining the number of trees ranges from -22% (i.e. operator underestimated the number of trees in the area) to +10% (i.e. operator overestimated the number of trees). Table 4 shows a comparison of terrestrially determined and automatically detected tree tops on 5 research areas. Errors of the automated classification were in the range from -41% to +40% when compared with terrestrial measurements. It is required to include also other criteria into the algorithm for other detailed classification. It will concern particularly use of spectral information in the determination of the tree crown. Translated by J. LÁSKOVÁ Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 http://www.deepdyve.com/assets/images/DeepDyve-Logo-lg.png Forestry Journal de Gruyter

Odvodenie 3-D modelu povrchu korún lesného porastu a detekcia korún stromov z leteckých snímok s vysokým rozlíšením

Download PDF
12 pages

Loading next page...
 
/lp/de-gruyter/odvodenie-3-d-modelu-povrchu-kor-n-lesn-ho-porastu-a-detekcia-kor-n-ehtLf461TG
Publisher
de Gruyter
Copyright
Copyright © 2011 by the
ISSN
0323-1046
eISSN
1338-4295
DOI
10.2478/v10114-011-0008-9
Publisher site
See Article on Publisher Site

Abstract

rocník 57, císlo 4, 2011, s. 225-236 Section: Forestry DOI: 10.2478/v10114-011-0008-9 ODVODENIE 3-D MODELU POVRCHU KORÚN LESNÉHO PORASTU A DETEKCIA KORÚN STROMOV Z LETECKÝCH SNÍMOK S VYSOKÝM ROZLÍSENÍM TOMÁS BUCHA1, MIROSLAV JURIS2, JOZEF VLADOVIC1 Národné lesnícke centrum - Lesnícky výskumný ústav Zvolen, T. G. Masaryka 22, SK ­ 960 92 Zvolen, e-mail: bucha@nlcsk.org 2Národné lesnícke centrum - Ústav lesných zdrojov a informatiky Zvolen, Sokolská 2, SK ­ 960 52 Zvolen BUCHA T., JURIS M., VLADOVIC J., 2011: Derivation of a 3-D forest canopy model and detection of tree crowns from high-resolution aerial photos. Lesn. Cas. ­ Forestry Journal, 57(4): 225-236, 6 fig., tab. 5, ref. 20. Original paper. ISSN 0323 ­ 1046. This paper presents our proposal of a methodology procedure aimed at derivation 3-D forest canopy model from aerial multi-spectral stereo photos with a high resolution. Digital model is derived from photos using methods of digital photogrammetry. Furthermore, we used this model to determine the tree tops. For this purpose we created a system of criteria based on mathematical and logical relations. Tree tops represent the number of trees in the forest stand. We examined the accuracy of this classification on 5 areas. Errors of automated classification compared to terrestrial measurements ranged from underestimation by 41% to overestimation by 40%. It would require to incorporate a spectral information into the process of tree tops determination in order to improve the classification. Key words: 3-D forest canopy model, digital photogrammetry, tree-top, aerial photos V práci prezentujeme návrh metodického postupu odvodenia 3-D modelu povrchu korún lesného porastu z leteckých meracských multispektrálnych stereosnímok s vysokým rozlísením. Digitálny model odvodzujeme zo snímok metódami digitálnej fotogrametrie. Následne sme model vyuzili pri urcení vrcholov stromov a vymedzení korún. K tomu sme vytvorili systém kritérií zalozený na matematickologických vzahoch. Vrcholy stromov reprezentujú pocet stromov v poraste. Správnos klasifikácie sme preverili na 5 plochách. Chyby automatizovanej klasifikácie sa pohybovali od podhodnotenia o 41 % po nadhodnotenie o 40 % pri porovnaní s terestrickými meraniami. Spresnenie klasifikácie si vyziada zapracovanie spektrálnych informácií do procesu ohranicenia korún stromov. Kúcové slova: 3-D model porastu, digitálna fotogrametria, koruna stromu, letecká snímka 1. Úvod a problematika Zavedením digitálnej fotogrametrie ako rutinnej metódy na vyhodnotenie leteckých meracských snímok do lesníckej praxe sa vytvorili predpoklady pre racionalizáciu mapovacích prác v lesníctve (ZIHLAVNÍK et al. 2005, HALVO 2008). Kvalitne pripravený stereoskopický model snímok je základom pre odvodenie digitálneho modelu terénu (DMT), pre vytvorenie ortofotosnímok a ortofotomáp a alsích lesníckych aplikácií, akými sú urcenie stromových a strukturálnych porastových chaLesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 rakteristík. Príkladmi sú napríklad odvodenie výsok ADLER (2001) a ohranicenia korún stromov PITKÄNEN (2001), POULIOT et al. (2002), SUMBERA (2003), MAJLINGOVÁ (2007), MATJKA (2008). Uvedení autori vychádzali z predpokladu, ze vrchol stromu je mozné detekova na základe najvyssej hodnoty jasu, to jest ze vrchol koruny je najsvetlejsí. Okraj koruny naopak predstavuje minimálna hodnota jasu. Pre spresnenie algoritmov sa zaviedli prahové hodnoty vo vzahu k spektrálnym hodnotám odrazivosti snímky alebo limitná vekos Obr. 1. Modelové územie Medvedia úboc s lokalizáciou výskumných plôch: CIR kompozícia na mozaike leteckých snímok z roku 2009. Kombinácia kanálov infracervený, cervený a zelený kanál. Zrejmá je rozdielna textúra porastov, v závislosti od veku a spôsobu vzniku ako aj rozdielny spektrálny prejav ihlicnatých a listnatých drevín. LS Predajná, Lomnistá dolina ­ lokalita Medvedia úboc Fig. 1. Test area Medvedia úboc with localization of research plots: CIR composition on the mosaic of aerial photos from 2009. Combination of channels ­ infrared, red and green. Evident differences in forest stands texture, according to the age and origin as well as different spectral display of coniferous and broad-leaved tree species. LS Predajná, Lomnistá dolina ­ Locality of Medvedia úboc priemeru koruny. RAWERT (2004), POONE et al. (2005), HIRSCHMUGL et al. (2007) vyuzívajú stereosnímky na odvodenie digitálneho modelu povrchu porastu. Následne ho vyuzívajú na vymedzenie korún jednotlivých stromov, a to v kombinácii s postupmi zalozenými na spektrálnych vlastnostiach snímok, na maximálnej a minimálnej odrazivosti na vrchole koruny a na okraji koruny. Ide o príklad syntézy poznatkov z oboru dvojsnímkovej leteckej fotogrametrie a klasifikácie obrazu z oboru diakového prieskumu Zeme (DPZ). Nedoriesené ostáva polohové stotoznenie DMT a snímky. Napr. HIRSCHMUGL et al. (2007) to riesili vytvorením DMT zo snímok s pozdznym prekrytom 90 %. WOLF & HEIPKE (2007) navrhli postup na automatizované ohranicenie korún stromov z ortorektifikovaných infracervených snímok v kombinácii s DMT zalozený na fuzzy logike a aproximácii koruny stromov elipsou. Z daného rozboru problematiky vyplýva, ze s rozvojom technológií sa aj v lesníctve zvysuje záujem o vyuzitie celého potenciálu leteckých meracských snímok (LMS). Napriek tomuto úsiliu pre podmienky nasich lesov nie sú vyvinuté prakticky realizovatené metódy (algoritmy) pre automatizované zisovanie stromových a porastových taxacných velicín lesných porastov zalozené na kombinácii spektrálnych a geometrických vlastností korún stromov. V nasej práci sa zaoberáme vyuzitím digitálnych leteckých meracských multispektrálnych snímok (LMMS) s vysokým rozlísením pri odvodení 3-D modelu povrchu korún porastu, z ktorého odvodzujeme prvky vnútornej struktúry lesných porastov, a to vrcholy stromov a koruny stromov. Pouzitý prístup je zalozený na vyuzití metód digitálnej fotogrametrie pri tvorbe 3-D modelu povrchu korún a matematicko-logických vzahov pri urcení vrcholov a vymedzení korún stromov. Cieom je navrhnú prakticky aplikovatenú metódu na odvodenie uvedených prvkov výstavby porastov ako súcasti tematického mapovania a klasifikácie priestorovej struktúry porastov. 2. Metodika a materiál 2.1. Základná charakteristika hodnoteného územia Modelové územie Medvedia úboc sa nachádza v Lomnistej doline (obr. 1), v lesnej oblasti 46Ba Nízke Tatry, podoblas umbier, Prasivá, cas juh (VLADOVIC et al. 1994). Organizacne patrí do lesnej správy PredajLesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 Obr. 2. Výskumná plocha VX 1 podrobne meraná technológiou FieldMap ­ vizualizácia jednotlivých stromov, projekcií korún, leziaceho i stojaceho odumretého dreva, druhovej, vertikálnej a horizontálnej výstavbovej struktúry drevinovej zlozky Fig. 2. Research plot VX 1 measured in detail with FieldMap technology ­ visualization of individual trees, projections of tree crowns, lying and standing dead-wood, species, vertical and horizontal structure of tree species composition ná. Územie je charakteristické tým, ze ide o zachovalý komplex prevazne prírodných lesov na stanovistiach v kategórii lesov ochranných s prevazujúcou funkciou ochrany pôdy. Výmera spracovaného územia je priblizne 100 ha a jeho prevazujúca cas sa stotozuje s modelovou lokalitou, ktorá bola v r. 2009 a 2010 predmetom podrobného výskumu a tematického mapovania v rámci vedeckého projektu ,,Výskum metód klasifikácie a strukturálnych modelov priaznivého stavu lesných ekosystémov Slovenska ­ Hodnotenie stavu a vývoja lesov v krajine s podporou DPZ". Posudzované územie má priemerný sklon terénu 32°. Nadmorské výsky sa pohybujú od 684 do 1 054 m n. m. Podklad je tvorený metamorfovanými horninami, prevazujú migmatizované ortoruly a niekoko ostrovov amfibolitov. Územie sa nachádza v jedovo-bukovom vegetacnom stupni. Lokalita sa v rámci výskumu v uvedenom projekte podrobne typologicky zmapovala segmentovou metódou. Bola vyhotovená tiez podrobná litogeografická mapa. Prevazujúce skupiny lesných typov v zmysle geobicenologickej typizácie sú Abieto-Fagetum nst (33 %), Fageto-Abietum nst (27 %), Fageto-Aceretum nst (26 %), Fraxineto-Aceretum nst (12 %). V kazdom segmente sa zaznamenal aj aktuálny stav drevinovej zlozky na úrovni súborov porastových typov (SPT). Prevazujúce SPT sú jedové buciny (51 %), porasty jedle s listnácmi (22 %), buciny s cennými listnácmi (14 %), cenné listnáce a ich zmesi (7 %), smrekovo-bukové jedliny (6 %). V rámci citovaného projektu sa v modelovej lokalite zalozilo 10 trvalých výskumných plôch kruhového tvaru so standardizovanou výmerou 1 000 m2. GPS metódou boli zamerané stredy plôch, technológiou FieldMap pozície jednotlivých stromov na ploche. Zamerané boli Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 priemety korún stromov, výska nasadenia koruny, hrúbka d1,3 a výsky stromov. Výskumné plochy sa zakladali ako reprezentatívne pre plosne prevazujúce strukturálne typy posudzovaného územia. Plochy sú vizualizované v prostredí ArcGIS a v systéme Stand Visualisation System (SVS) (obr. 2). V nasej práci sme 5 plôch vyuzili pri overení správnosti klasifikáciách poctu stromov z LMMS. 2.2. Letecké snímkovanie a spracovanie snímok Letecké snímkovanie sa realizovalo v rámci obnovy LHP na lesných celkoch v obvode LS Predajná. Parametre snímkovania sú uvedené v tabuke 1. Organizacné a administratívne práce ako aj vsetky nálezitosti leteckého meracského snímkovania zabezpecila firma Photomap, s. r. o., Kosice. Samotné snímkovanie realizovala firma ARGUS GEO SYSTÉM, s. r. o., Hradec Králové v doch 1. 9. 2008 a 22. ­ 23. 7. 2009 digitálnou kamerou Vexcel Ultracam X v 4 pásmach, a to modrom, zelenom, cervenom a infracervenom. Dodané snímky boli rádiometricky upravené, s multispektrálnymi kanálmi prevzorkovanými na priestorové rozlísenie panchromatického kanála. 2.3. Podkladové materiály Vyuzili sme lesnícke porastové mapy záujmového územia mierky 1 : 10 000 so stavom k roku 2000. Údaje o porastových charakteristikách jednotlivých jednotiek priestorového rozdelenia lesa (JPRL) sme získali z lesného hospodárskeho plánu (LHP) z opisu porastov pre Lesný celok (LC) Lesy Jasenie. Obnova LHP sa uskutocnila v roku 2000. Údaje z LHP slúzili ako podporné údaje pre spracovanie a vyhodnotenie leteckých snímok. Digitálny model reliéfu (DMR) sme získali cez mapovú Tabuka 1. Parametre leteckého snímkovania Table 1. Flight parameters Meno lokality1) Mierka snímkovania2) Prekryt pozdzny5) p Prekryt priecny q 6) Chabenec 1 : 27 600, resp.3) 1 : 30 358 pre rok4) 2009 60 % 20 % 1. 9. 2008; 22. 7. 2009 (23. 7. 2009) 12,20 ­ 13,51; 10,45 ­ 11,32 h (8,40 ­ 8,50 h) 100,5 14 430 × 9 420 pixelov UltraCam X ­ digitálna multispektrána kamera12) 20 × 20 cm modrý ­ zelený ­ cervený ­ blízky infracervený kanál. Úrove spracovania 315) bez filtra17) 100 ha Dátum snímkovania7) Hodina snímkovania8) Konstanta fotokomory9) (mm) Snímkový formát10) Typ fotokomory11) Priestorové rozlísenie13) Rádiometrické rozlísenie14) Filter16) Plocha analyzovaného územia Medvedia úboc18) Príprava projektu: aerotriangulácia, interná a externá orientácia snímok Prípravu projektu, aerotrianguláciu, internú a externú orientáciu snímok ako aj ortorektifikáciu snímok vykonalo pracovisko diakového prieskumu Zeme a kartografie NLC-ÚLZI Zvolen na pracovnej stanici Image Station. Správnos aerotriangulácie (SMELKO et al. 2003) vyjadrená strednou polohovou súradnicovou chybou mxy bola ~ 0,5 m. Pri transformácii jednotlivých snímok do systému JTSK (ortorektifikácii) sa dosiahla stredná polohová chyba mxy ~ 1 m. Uvedené výsledky sú na hornej hranici, resp. prekracujú kritériá piatej triedy presnosti (STN 01 3410). Pre potreby tematického mapovania prvkov porastovej výstavby vsak plne postacujú. Parametre jednotlivých operácií boli ulozené do projektu. Samotné vyhodnotenie snímok sme vykonali na fotogrametrickej stanici v softvéri PhoTopoL v. 9.0.2, do ktorého sme cez funkcionalitu importu nacítali projekt z Image station so vsetkými potrebnými parametrami. Epipolárna transformácia pre stereo vyhodnotenie snímok Po vykonaní internej a externej orientácie snímok v prostredí PhoTopoL poda parametrov z importovaného projektu sme vykonali epipolárnu transformáciu snímok. Ide o transformáciu snímok, v ktorej sa identické body na snímkach umiestnia do jedného riadku. Tým sa odstráni vertikálna paralaxa. Rozdiel v umiestnení identických bodov v smere x-ovej osi snímok zodpovedá horizontálnej paralaxe. Automatizované vytvorenie siete výskopisných bodov a DMT Pre získanie bodov pre DMT sme pouzili funkcionalitu PhoTopoL na automatickú tvorbu DMT zo stereo dvojice snímok. Zo snímok sme vybrali územie o výmere asi 100 ha v lokalite Medvedia úboc. Výstupom funkcionality pre automatickú tvorbu DMT je súbor bodov ­ diskrétne bodové pole výsok (DBP), ku ktorým je v zvolenej súradnicovej sústave pripojená výsková súradnica Z. Kvalitu odvodeného DMT ovplyvuje nastavenie viacerých parametrov: ­ krok mriezky, pri ,,dospelých" porastoch sa osvedcila vekos 2 × 2 m, ­ okolie záujmu bodu mriezky, najlepsie výsledky sme dosiahli s hodnotou 10 × 10 pixelov, ­ filtrácia bodov odvodeného DMT. Vyuzili sme preddefinované hodnoty korelacného koeficientu (0,15), minimálnej vzdialenosti lúcov (6,0) a rozdielu výsok menej ako 40 m. Parameter ,,rozdiel výsok" sleduje nadmorskú výsku bodov a ak sa niektorý odlísi od susedov o viac ako povolenú hodnotu z výstupu je vylúcený. Týmto spôsobom sme eliminovali chybne vypocítané výsky DBP. Ich výskyt je v podmienkach tvorby DMT v lesnom poraste vysoký. Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 1)Locality, 2)Scale of aerial photography, 3)Or, 4)For, 5)Longitudinal overlap, 6)Cross overlap, 7)Date of aerial photography, 8)Hour of aerial photography, 9)Camera constant, 10)Image format, 11)Camera type, 12)Digital multi-spectral camera, 13)Spatial resolution, 14)Radiometric resolution, 15)Blue ­ green ­ red ­ near infrared channel. Level of processing 3, 16)Filter, 17)Without filter, 18)Analyzed area of Medvedia úboc sluzbu Geodetického a kartografického ústavu. DMR je odvodený z výskopisu základnej mapy SR v mierke 1:10 000. Vsetky údaje boli polohovo zjednotené v systéme JTSK. Získané údaje vyuzívame ako referencné k údajom odvodeným z leteckých snímok. 2.4. Metodika vyhodnotenia snímok Základnou úlohou je vytvorenie digitálneho modelu terénu. V práci rozlisujeme termín digitálny model reliéfu (DMR) a digitálny model terénu (DMT). Termín DMR ponímame v zmysle KRCHA (1990), ktorý definuje reliéf Zeme ako pevné, ale pritom dynamické rozhranie medzi litosférou, resp. pedosférou, na jednej strane a atmosférou, resp. hydroférou na strane druhej. Termín DMT zahruje DMR vrátane vegetácie, budov ci iných technických prvkov. Termín digitálny model povrch korún lesného porastu je v nasej práci synonymom termínu DMT. V oboch prípadoch DMR aj DMT ide o modelovo odvodené rozhranie v pocítacovom prostredí. Postup odvodenia DMT a vymedzenia korún stromov pozostáva z krokov uvedených na obrázku 3. Obr. 3. Postup tvorby DMT a vymedzenia korún stromov z leteckých meracských snímok Fig. 3. Creation of DMT and determination of tree crowns from aerial photos Pri výpocte výsok je potrebné pozna vekosti horizontálnych a vertikálnych paraláx. PhoTopoL pre zjednodusenie výpoctu pracuje s epipolárnymi projekciami, pricom na vyhadávanie zodpovedajúcich si objektov na dvoch susedných stereosnímkach je vyuzitá metóda tzv. plosne zalozeného párovania (Area based correlation matching). Metóda je zalozená na korelácii hodnôt jasu identických objektov. Výstupom z automatickej tvorby DMT je súbor bodov s výskovou súradnicou, ktorá zodpovedá nadmorskej výske povrchu korún porastu. Vytvorenie referencného DMR a odvodenie výsky porastu V modelovom území sa lesné porasty nachádzajú vo výrazne sklonitom teréne (priemerný sklonom svahu je 32º). Pre vyhodnotenie výskovej diferenciácie korún stromov je preto nutné eliminova nadmorskú výsku reliéfu. Rozdiel medzi DMT a DMR nám potom urcuje výsku stromu, resp. výsku objektu v kazdom obrazovom prvku na snímke. Ide o jednoduchý matematický úkon, ktorého praktická realizácia je vsak vemi problematická. Dôvodom je nepoznaná nadmorská výska reliéfu. Praktické odvodenie digitálneho modelu reliéfu v lesných porastoch je prácne, ak aj metóda existuje, pod korunami stromov spravidla zlyháva, napr. laser Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 scanové metódy. V nasom riesení vytvárame referencnú plochu z vrstevníc základnej mapy mierky 1 : 10 000. Ide o zjednodusené riesenie z hadiska geometrickej presnosti, avsak pre potreby urcenia výstavby porastu ho povazujeme za postacujúce. Jednoduchým matematickým výpoctom, rozdielom nadmorských výsok DMT a referencného DMR získame výsku objektu (HVR): HVR = DMT ­ DMR. Touto operáciou eliminujeme vplyv sklonu reliéfu na súradnicu výskopisného bodu Z. Týmto sa jednotlivé výskové body dostanú do vzájomne porovnatenej výskovej pozície, kde porovnávacia rovina má hodnotu 0. V alsom ju nazývame virtuálna rovina. Modelovo je situácia zobrazená na obrázku 4. Z frekvencného histogramu zastúpenia výsok HVR na celom záujmovom území vyplýva, ze najpocetnejsou skupinou DBP sú body s výskou od 14 do 32 m. Z výpoctov sme ako chyby vylúcili body s extrémnymi hodnotami, v nasom prípade islo o body s hodnotami mimo intervalu -10 m az 50 m. Z hadiska alsieho vyuzita údajov pri identifikácii korún stromov majú väcsí význam body na hornej hranici intervalu. Tieto body majú väcsí predpoklad sta sa vrcholom stromu, jadrom entity stromu. Priradenie plochy k jednotlivým výskovým bodom Z bodového poa výsok prostredníctvom funkcionalitu PhoTopoL ,,Vytvorenie oblasti z bodov" sme vytvorili uholníkovú sie, t. j. automatizovane sa priradila oblas ku kazdému výskovému bodu, ktorý sme v predchádzajúcich krokoch odvodili a ktorý presiel stanovenými kritériami kvality. Výhodou tohto prístupu je, ze medzi pôvodnými výskovými bodmi vznikajú topologické a geometrické vzahy (susedí, nesusedí, vyssí, nizsí...), ktoré je mozné kvantifikova a analyzova. Vzhadom k tomu, ze výskové body nie sú vytvorené v pravidelnej sieti, sú vytvorené plochy nepravidelného tvaru a rôznych vekostí. Vekos tejto plochy je daná hustotou získaného výskového bodového poa a algoritmom pouzitého softvéru. 3. Výsledky 3.1. Vymedzenie korún stromov Vymedzenie korún strom sme zalozili na vyuzití topologických vzahov na vytvorenej sieti DMT a formulovaní matematicko-logických kritérií odvodených z poznatkov o vekosti a tvare koruny stromu. Pri urcení vrcholu stromu v skupine plôch sme preverili dva varianty. V prvom variante vychádzame pri urcení vrcholu v skupine plôch z DMT s absolútnymi nadmorskými výskami (obr. 5 vavo). Vrcholom je vzazný bod plochy (azisko plochy), ktorej n.m.v. je vyssia ako n.m.v. susedných plôch. Ak sa veda seba nachádzajú dve alebo viac vrcholových plôch, tieto sa agregujú a vzazný bod novej (zlúcenej) plochy sa stáva vrcholom. V druhom variante sme pri urcení vrcholu stromu metodicky postupovali totozne, avsak namiesto nadmorskej výsky DMT sme pouzili rozdiel výsok HVR vypocítaný poda vzahu: HVR = DMT ­ DMR. Vstupná vrstva je zobrazená na obrázku 5 vpravo. Pre zistenie plôch, ktoré sú výskovo dominantné a je predpoklad, ze budú zodpoveda vrcholcom stromov boli napísané aplikacné formuláre v internom jazyku PhoTopoL, v jazyku Topas. V alsom kroku sme priradili k vrcholu sirsiu oblas ­ entitu. Pod entitou rozumieme skupinu plôch prislúchajúcu k jednému vrcholu. V ideálnom prípade by kazdá entita mala predstavova korunu jedného stromu v poraste. Pre priblízenie sa k tomuto ideálnemu prípadu sme vytvorili systém kritérií, na základe ktorých priraujeme jednotlivé plochy k entite: Obr. 4. Na obrázku vavo je zobrazený reálny stav porastu. Na obrázku vpravo je zobrazene situácia po prepocítaní súradnice Z vzhadom k virtuálnej rovine (HVR = DMT ­ DMR) Fig. 4. Picture shows a real condition of the forest stand on the left. On the right side it shows the situation after recalculation of Z coordinates relative to the virtual plane (HVR = DMT ­ DMR) 230 Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 ­ nadmorská výska plochy je nizsia ako vrchol, ­ testovaná plocha vo vzahu k vrcholu lezí na pomyselnej línii, tvorenej vzaznými bodmi plôch leziacimi medzi testovanou plochou a zisteným vrcholom. Nadmorská výska tejto línie systematicky klesá (povolená malá tolerancia na stúpanie) smerom od vrcholu k testovanej ploche, ­ plocha este nebola zaradená do inej entity, ­ vzazný bod plochy je k danému vrcholu blizsie ako je limita (max. predpokladaná sírka koruny/2), ­ rozdiel medzi n.m.v. plôch je nizsí ako stanovená prahová hodnota. Graficky je uvedený postup zobrazený na obrázku 6. Limita (maximálna ocakávaná sírka koruny) je definovaná ako polovica priemeru koruny najkosatejsieho stromu v skúmanej oblasti. Ziadna entita získaná vyhodnotením údajov preto nemôze ma väcsí polomer. Z praktického hadiska postací kvalifikovaný odhad priemeru plosne najväcsích stromov v stereo móde PhoTopoL. V poslednom kroku algoritmu vymedzenia korún stromov sme spojili výsledky oboch variant rozlísenia korún do jedného výstupu. Vychádzame pritom z empiricky zistenej skutocnosti, ze vrcholy zistené na základe analýzy DMT sú menej pocetné ale spoahlivejsie ako vrcholy zistené analýzou vrstvy DMR. Preto berieme entity z DMT ako základ konecného výstupu. Pri urcení vrcholu stromu môzu nasta tieto situácie: a) patrí do entity odvodenej z DMT, b) patrí súcasne do entity odvodenej z DMT ako aj DMR (v ideálnom prípade tzv. prekryv korún), c) patrí do entity pôvodom z DMR, d) plôsku sa nepodarilo priradi k ziadnemu vrcholu (v ideálnom prípade tzv. redukovaná holina). Za pevne stanovený vrchol koruny stromu povazujeme výstup z prvého kroku odvodený z DMT. Do výstupu sa alej zahrnú tie entity z druhého kroku, ktorých jedinecnos vo vzahu k entitám z DMT nie je spochybnená. Pre vylúcenie duplicitného evidovania entít (korún stromov) sme stanovili prahovú hodnotu ­ limitu v hodnote max. vekos korún/2 (polomer koruny). V prípade porastov na nasom modelovom území ide o hodnotu 5 m. To znamená, ze algoritmus neprevezmeme do výstupu entitu z DMR, ktorej vrchol lezí blizsie ako 5 m k vrcholu entity pôvodom z DMT. V týchto prípadoch predpokladáme, ze vrcholy zobrazujú ten istý objekt (strom). Konecný výstup obsahuje tieto objekty: a) vrcholy (body) zistené na základe DMT, b) vrcholy (body) zistené na základe DMR plôsky po Obr. 5. Vavo: Digitálny model povrchu korún z modelového územia Medvedia úboc. Kolorovanie plôch poda nadmorskej výsky povrchu korún porastu od zelenej po hnedú (najvyssia nadmorská výska). Vpravo: Výsky stromov v poraste vypocítané z rozdielu DMT a DMR. Kolorovanie plôch poda výsky povrchu korún porastu od najnizsej (modrá) po hnedú (nadúrovové stromy). Modré hodnoty HVR < 0, HVR > 0 skála od zelenej po tmavohnedú Fig. 5. Left: A digital model of the of forest canopy in the research area of Medvedia úboc. Coloring the areas by altitude of the tree tops in a forest stand from green to brown (highest altitude). Right: Height of trees in the forest stand calculated from the difference between DMT and DMR. Coloring the areas by heights of the tree tops from the lowest (blue) to brown (dominant trees). Blue values HVR < 0, HVR > 0 range from green to darkbrown Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 Obr. 6. Priraovanie plôch k entite. Plôska s kruhom reprezentuje vrchol stromu. Entita sa rozsiruje postupným priberaním nizsích a este neobsadených plôch, pokia nie je zastavená niektorou z limitných (prahových hodnôt). Limita max. sírky koruny je vyznacená na obrázku kruznicami (ciarkovane). Jednotlivé plôsky sú priraované po etapách. Etapa prebehne naraz pre vsetky entity. Na obrázku etapu 1 znázoruje cervená sípka, 2. etapu modrá, sípky alsích etáp sú ruzové Fig. 6. Assigning areas to the entity. Area with a circle represents the tree top. Entity extends gradually by taking the lower and free areas, unless it is terminated by one of the limits (threshold value). Limit of the maximum crown width is marked with dash circles in the figure. Individual areas are assigned in stages. One stage takes place once for all entities. Figure 1 shows 1. stage with a red arrow, 2. stage with blue, other phases with pink arrow testovaní jedinecnosti vrcholu stromu (limita 1/2 vekosti koruny), c) línie reprezentujúce obvod korún stromov. 3.2. Vyhodnotenie správnosti vymedzenia korún stromov Správnos vymedzenia korún sme overili na 5 plochách, na ktorých sme vykonali podrobné terestrické setrenia a merania. Po zameraní pozícií stromov na ploche boli stromy zaradené poda ich výskového postavenia do 4 tried v zmysle ZLATNÍKA (1976). Prehad zastúpenia jednotlivých tried udáva tabuka 2. Z hadiska drevinového zlozenia ide na plochách VX1, VX4 a VX5 o zmiesané porasty buka s jedou. Na ploche VX3 prevláda v zastúpení jeda s primiesaným bukom a smrekom, na ploche VX8 dominujú listnaté dreviny, zastúpené sú buk, jase stíhly, javor horský a javor mliecny, vtrúsená je jeda. Na vsetkých 5 plochách ide o viacvrstvové porasty. V alsom sú vyhodnocované len stromy výskového postavenia 1 a 2, t. j. nadúrovové a úrovové stromy. Stromy podúrovové (výskové postavenie 3 a 4) je mozné pri prehustlom a ani pri uvonenom zápoji z leteckých snímok identifikova. Uvedené konstatovanie je zalozené na vizuálnom urcení stromov na obrazovke monitora v 3-D zobrazení a porovnaní týchto výsledkov s terestricky zisteným poctom stromov na plochách (tab. 3). Pre porovnanie terestrických meraní s výsledkami odvodenými zo snímok bolo potrebné co najpresnejsie polohovo zosúladi jednotlivé plochy na úrovni stotoznenia jednotlivých stromov. Stotoznenie sa vykonalo na základe vizuálneho posúdenia vzájomného posunu na obrazovke monitora, kde sme polozili polygónovú vrstvu priemetu korún stromov na stereo model leteckej snímky. Vekos posunu v teréne zameraných plôch vzhadom k snímke sa pohybovala od 4,2 m pri ploche VX4 po 7,5 m pri ploche VX5. Z výsledkov v tabuke 3 vyplýva dobrá zhoda medzi terestrickým a operátorom na 3-D modeli odvodeným poctom stromov na plochách c. VX1, VX3 a VX4. Chyba urcenia poctu stromov sa pohybuje o 0 do +10 %, co znamená, ze operátor pocet stromov nadhodnotil. Na plochách VX5 a VX8 operátor pocet stromov podhodnotil o 22 %, resp. o 20 %. V tabuke 4 sú porovnané automatizovane vymedzené koruny s terestrickými meraniami na uvedených 5 plochách. Automatizovaná klasifikácia na plochách Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 VX1, VX3, VX4 a VX5 viedla k podhodnoteniu poctu stromov na plochách od 14 do 41 %. Opacný výsledok, nadhodnotenie o 40 % sme dosiahli na ploche VX8. Ide o plochu s takmer 100 % zastúpením listnatých drevín. Poda výsledkov v tabuke 3 pri uvedenej ploche operátor naopak pocet stromov podhodnotil. To potvrdzuje poznatky z literatúry (KOCH et al. 2006) na problémy urcenia korún stromov v listnatých zapojených porastoch. Výsledky publikované v tabukách 3 a 4 poukazujú na to, ze tak operátor na 3-D modeli ako aj automatizovaná klasifikácia stromov v priemere podhodnocujú pocet stromov oproti referencnému terestrickému zisovaniu. Vekos podhodnotenia o -5 %, resp. -15 % za vsetky plochy spolu poukazuje na mozné vyuzitie prezentovaných prístupov pri odvodení porastových charakteristík (poctu stromov v poraste). Mensie podhodnotenie ako aj mensie variacné rozpätie od -22 % do +10 % bolo dosiah- Tabuka 2. Zaradenie stromov na výskumných plochách poda ich výskového postavenia (ZLATNÍK 1976) Table 2. Categorization of tree on research areas according to their height position (ZLATNÍK 1976) Plocha c.1) VX1 VX3 VX4 VX5 VX8 Spolu3) 1) Terestrické merania: pocet stromov s výskovým postavením2) 1 11 5 3 7 6 32 2 10 22 16 16 14 78 3 8 14 23 14 8 67 4 16 28 26 81 18 169 Spolu3) 45 69 68 118 46 346 Spolu3) 1+2 21 27 19 23 20 110 Priemerná výska4) 1+2 34,5 26,1 30,4 31,2 33 31,04 Plot code, 2)Terrestrial measurement (number of trees and height status), 3)Total, 4)Average height 1+2 Tabuka 3. Porovnanie terestricky zistených a operátorom urcených korún stromov na 5 plochách Table 3. Comparison of terrestrially determined tree tops and tree tops detected by operator on 5 areas 6) Terestrické meranie (pocet stromov)2) 21 27 19 23 20 110 Operátor na 3-D modeli3) 23 28 19 18 16 104 Rozdiel4) +2 +1 0 -5 -4 -4 Chyba v %5) +10 +4 0 -22 -20 -5 + chyba nadhodnotenia ­ Error of overestimation, - chyba podhodnotenia ­ error of underestimation 1)Plot code, 2)Terrestrial measurement (number of trees), 3)Operator of 3D model, 4)Difference, 5)Errors in %, 6)Together Tabuka 4. Porovnanie terestricky zistených a automatizovane vymedzených korún na 5 plochách Table 4. Comparison of terrestrially determined tree tops and automatically detected tree tops on 5 areas 1) 6) Terestrické meranie (pocet stromov)2) 21 27 19 23 20 110 Automatizovaná klasifikácia3) 18 16 16 16 28 94 Rozdiel4) -3 -11 -3 -7 +8 -16 Chyba v %5) -14 -41 -16 -30 +40 -15 + chyba nadhodnotenia ­ Error of overestimation, - chyba podhodnotenia ­ error of underestimation. Plot code, 2)Terrestrial measurement (number of trees), 3)Automated classification, 4)Difference, 5)Errors in %, 6)Together Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 Tabuka 5. Porovnanie automatizovane klasifikovaných a operátorom vymedzených korún, ktoré bolo mozné polohovo jednoznacne stotozni Table 5. Comparison of automatically determined tree tops and tree tops detected by operator, that can be exactly identified in a position 1) 5) 2) Operátor na 3-D modeli2) 23 28 19 18 16 104 3) Automatizovaná klasifikácia / z toho stotoznených3) 18/14 16/9 16/12 16/10 28/11 94/56 Správnos klasifikácie pre prípad stotoznených stromov (%)4) 61 32 63 56 69 54 4) Plot code, Operator of 3D model, Automated classification/from that clearly assigned to the reference trees, Classification accuracy for a case of clearly assigned trees, 5)Together nuté pri vizuálnom urcení korún stromov operátorom na 3-D snímky. Veké variacné rozpätie od -41 % do +40 % v prípade automatizovanej klasifikácie poukazuje na potrebu spresnenia algoritmu vymedzenia korún alebo nastavenia parametrov algoritmu poda stavových parametrov porastu (vek, drevinové zlozenie). Pri uvedenom vyhodnotení správnosti urcenia korún stromov nebolo brané v úvahu polohové stotoznenie stromov na analyzovaných plochách. Porovnané boli len pocty stromov, co môze vies k nadhodnoteniu správnosti ich urcenia. Pre posúdenie vekosti nadhodnotenia sme vykonali klasifikáciu správnosti len na stotoznených stromoch. Postup sme zalozili na porovnaní korún stromov urcených automatizovanou klasifikáciou a tými korunami, ktoré operátor vizuálne vymedzil a následne stotoznil s klasifikáciou na 3-D modeli na obrazovke monitora. Výsledky sumarizujeme v tabuke 5. Z výsledkov vyplýva, ze percento stotoznených stromov sa pohybuje od 32 do 69 %, v priemere za vsetky plochy 54 %. Ide o výsledok, ktorý nepovazujeme za dostatocný pre uplatnenie postupu v hospodársko-úpravníckej praxi. Poukazuje na potrebu podstatnejsieho dopracovania navrhnutého algoritmu vymedzenia korún. Treba poznamena, ze proces polohového stotoznenia korún zameraných terestricky s korunami na snímke je závislý od rozhodnutia operátora, od jeho vyhodnotenia a eliminácie vzájomných posunov vyplývajúcich z chýb zamerania plochy a stromov, presnosti fotogrametrického modelu, naklonenia stromu, viditenosti koruny at. 4. Diskusia Nás experiment potvrdzuje, ze vývoj algoritmov v oblasti spracovania a klasifikácie leteckých snímok vedie k postupnému zvysovaniu presnosti a správnosti odvodenia stromových a porastových velicín. Kým MALLINGER (1997 in KOCH 2006) konstatoval, ze 3-D model povrchu korún je nepresný a preto nevhodný pre odvodenie stromových a porastových charakteris234 tík lesných porastov, ADLER (2001) uz dosiahla 45 % správnos automatickej identifikácie korún stromov v ihlicnatých porastoch. Problémom bola predovsetkým veká spektrálna rozdielnos osvetlenej a zatienenej casti koruny. WASER et al. (2006) dosiahli 74 % správnos urcenia jednotlivých stromov z CIR snímok v kombinácii s lidarovými údajmi. MAJLINGOVÁ (2007) pri vyuzití infracervených snímok dosiahla správnos klasifikácie 71 % v pocte vymedzených stromov, resp. 55 % v pocte stromov jednoznacne stotoznených s referencnými stromami. KOCH et al. (2006) vyuzili pre ohranicenie korún 3-D model povrchu korún odvodený z lidarových údajov. Pri poraste douglasky tisolistej zo 49 stromov urcili automatizovane 47, z coho az 87,3 % jednoznacne stotoznili s pozemnými setreniami. Pri listnatých porastoch (hrab obycajný, javor horský, jase stíhly zo 49 stromov automatizovane vymedzili 30 a z nich bolo mozné len polovicu (50 %) jednoznacne prisúdi k referencným stromom zameraným terestricky. V porovnaní s fotogrametrickým urcením referencných stromov bolo jednoznacne stotoznených 61,7 % automatizovane vymedzených korún. Autori konstatujú, ze pri zapojených listnatých porastoch navyse výskovo homogénnych algoritmus separácie korún stromov zlyháva. Túto skutocnos potvrdzuje aj nás výsledok na ploche VX8, ke pri automatizovanej klasifikácii doslo k nadhodnoteniu o 40 % a naopak pri vyhodnotení korún operátorom na 3-D modeli k podhodnoteniu o 20 %. Z konfrontácie s výsledkami citovaných prác vyplýva, ze výsledky dosiahnuté nami navrhnutým algoritmom pre LMMS s vysokým rozlísením sú porovnatené s výsledkami dosiahnutými citovanými autormi. Dosiahnutá 95 % správnos v pocte stromov urcených operátorom na obrazovke v porovnaní s terestrickým zistením na vsetkých výskumných plochách spolu (tab. 3) ako aj 85 % správnos automatizovaného vymedzenie korún k terestrickému zisteniu (tab. 4) sa javí ako perspektívna pre praktické vyuzitie na úrovni zisovania Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 porastu. Veké variacné rozpätie chýb pri automatizovanej klasifikácii na skusných plochách vsak poukazuje na potrebu spresnenia modelu. Na alsie nedostatky algoritmu poukázalo porovnanie automatizovane klasifikovaných a operátorom urcených korún, ktoré bolo mozné polohovo jednoznacne stotozni. Správnos bola v tomto prípade len 54 % (tab. 5). Tieto výsledky naznacujú, ze okrem doladenia algoritmu bude nutné do neho zahrnú aj alsie kritériá a vstupné parametre ako, napr. spektrálne charakteristiky, prípadne kombinova snímku s údajmi laserového skenovania. alsím limitujúcim faktorom je moznos vymedzenia len úrovových a nadúrovových stromov. Z pohadu vyuzitia odvodeného poctu stromov a vekosti korún pri odhade zásob sa táto skutocnos nemusí javi ako rozhodujúca, vzhadom k tomu ze hlavná cas zásoby sa kumuluje v jedincoch výskového postavenia 1 a 2. Algoritmus odvodenie DMT z leteckých snímok v presnosti potrebnej pre urcenie v práci opísaných stromových charakteristík je výpoctovo nárocný. Pri sieti výskových bodov 2 × 2 m sme sa uz na modelovom území asi 100 ha dostali k stovkám tisícom objektov, navyse s 3-D záznamom (x, y, z súradnica). Bezný 32 bitový softvér má navyse limitovanú správu pamäte schopnosou adresova pamä maximálne na 232 byte, co limituje mnozstvo objektov, ktoré je mozné efektívne spracova. alsím obmedzením, s ktorým sme sa stretli v nasej analýze bolo zlyhanie algoritmu pre odvodenie bodov digitálneho modelu povrchu porastu v nadire snímky. Ide o výrazné obmedzenie, pricom nie je z nasej práce mozné zovseobecni ci ide o neriesitený fotogrametrický problém alebo o nedostatok algoritmu pouzitého softvéru. Pre zistenie plôch, ktoré sú výskovo dominantné a je predpoklad, ze budú zodpoveda vrcholom stromov, boli napísané aplikacné formuláre v internom jazyku PhoTopoLu, v jazyku Topas. Nevýhodou tohto makro jazyka je pomalý prístup k dátam a nemoznos dynamického programovania. V prípade spracovania väcsích území by bolo vhodné prepísa formuláre do iného jazyka ako externé programy. 5. Záver Digitálne multispektrálne snímky s vysokým rozlísením 20 × 20 cm sa stali standardom v lesníckom mapovaní. Pri ich spracovaní sa uz rutinne zaviedli metódy digitálnej fotogrametrie. Vytvorili sa tak predpoklady pre rozvoj specializovaných aplikácií v oblasti tematického lesníckeho mapovania zalozené na vyuzití leteckých meracských snímok. Dosiahnuté výsledky nie sú zatia vyhovujúce pre uplatnenie sa v rámci hospodársko-úpravníckych prác. V alsom výskume sa sústredíme na kombináciu fotogrametrického a spektrálneho prístupu. Kúcovou úlohou je vykona ortorektifikáciu snímok poda DMT Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012 odvodeného z fotogrametrického modelu a tým zabezpeci polohové zjednotenie výstupov z fotogrametrického a spektrálneho vyhodnotenia snímok. Vzájomnou kombináciou prístupov sa rozsíri systém kritérií pre vymedzenie korún a vrcholov stromov. alsí mozný smer výskumu je zapracovanie trigonometrických vzahov definujúcich pozíciu slnko ­ strom ­ tie do algoritmu urcenia vrcholov stromov v 3-D priestore. Perspektívne sa javí aj prepojenie digitálnej fotogrametrie a pozemného laserového skenovania, a to predovsetkým pre potreby odvodenia výsok jednotlivých stromov ako aj strednej a hornej výsky porastu. Precíznejsie odvodenie DMR je predpokladom pre alsie rozvinutie problematiky urcenia výsok stromov a s ou súvisiacej problematiky hodnotenie vertikálnej výstavby porastov. Poakovanie Táto práca bola podporovaná Agentúrou na podporu výskumu a vývoja na základe zmluvy c. APVV-0632-07, v rámci projektu ,,Výskum metód klasifikácie a strukturálnych modelov priaznivého stavu lesných ekosystémov Slovenska ­ hodnotenie stavu a vývoja lesov v krajine s podporou DPZ". Literatúra ADLER P., 2001: Einsatz digitaler Photogrammetrie zur Beschreibung von Waldbeständen. Am Beispiel der digitalen photogrammetrischen Erfassung der Level 2 Flächen Baden-Württemberg. Dissertation an der Albert-Ludwigs-Universität, Freiburg. 148 p. BUCHA T., VLADOVIC J., 2000: Klasifikácia zdravotného stavu lesov pomocou kozmických snímok Landsat TM na modelovom území Lomnistej a Vajskovskej doliny. Lesnícky casopis ­ Forestry Journal, 46(2): 117-127. HALVO ., 2008: Lesnícke mapové dielo. In: Lesnícka geodézia a fotogrametria ­ trendy. Zvolen: TU Zvolen, s. 112-132. CHUBEY M.S., FRANKLIN S.E., WULDER M., 2006: Object-based Analysis of Ikonos-2 Imagery for Extraction of Forest Inventory Parameters. Photogrammetric Engineering & Remote Sensing, 72(4): 383-394. KIM M., MADDEN M., 2006: Determination of optimal scale parameter for alliance-level Forest classification of multispectral ikonos images. 1st International Conference on Object-based Image Analysis (OBIA 2006), ISPRS, Volume No. XXXVI ­ 4/C42, ISSN 1682-1777. KOCH B., HEYDER U., STRAUB CH., WEINACKER H., 2006: 3-D data for forest and environmental planning. In: KOUKAL, T., SCHNEIDER, W. (eds): 3-D Remote Sensing in Forestry, International workshop ERSeL ­ Vienna, p. 1-14. KRCHO J., 1990: Morfometrická analýza a digitálne modely georeliéfu. Bratislava: VEDA. MAJLINGOVÁ A., 2007: Digitálna obrazová analýza dát DPZ s vysokým priestorovým rozlísením a jej vyuzitie v lesníctve. GIS-Ostrava 2007. Dostupné na internete: http://gis.vsb.cz/GIS_Ostrava/ GIS_Ova_2007/sbornik/Referaty/Sekce2/majlingova.pdf MATJKA K., 2007: Assessment of tree layer biomass and structure using Aerial photos in lake catchments of the Sumava Mts. Journal of Forest Science, 55(2): 63-74. PERSON A., HOLMGREN J., SÖDERMAN U., 2006: Identification of tree species of individual trees by combining very high resolution laser data with multi-spectral images. In: KOUKAL T., SCHNEIDER W. (eds.): 3-D Remote Sensing in Forestry, International workshop ERSeL ­ Vienna, p. 102-107. RADOUX J., DEFOURNY P., 2006: Influence of image segmentation parameters on positional and Spectral quality of the derived objects. 1st International Conference on Object-based Image Analysis (OBIA 2006), ISPRS, Volume No. XXXVI ­ 4/C42, ISSN 1682-1777. TOWNSHEND J.R.G., HUANG ., KALLURI S.N.V., DEFRIES R.S., LIANG S., 2000: Beware of Per-pixel Characterization of Land Cover. International Journal of Remote Sensing, 21(4): 839-843. SUMBERA S., ZIDEK V., 2002: Automated tree top identification using colour infrared aerial photograps of high spatial resolution. Ecology (Bratislava), 21(3): 229-238. SCHEER ., 1995 : Zisovanie zásob dvojfázovým regresným výberom pomocou druzicových scén a terestrického merania. Lesnictví-Forestry, 41(5): 224-229. SMELKO S., SCHEER ., PETRÁS R., URSKÝ J., FABRIKA M., 2003: Meranie lesa a dreva. Zvolen: ÚVVP LVH SR, 239 s. Wang Y., Soh S.Y., Schultz H., 2006: Individual tree crown segmentation in aerial forestry images by mean shift clustering and graph-based cluster merging. Intrernational Journal of Computer Science and Network Security, 6(11):40-45. WASER L.T., ECKER K., GINZLER CH., KÜCHLER M., SCHWARZ M., THEE P., 2006: Extraction of forest parameters in a mire environment using airborne spectral data and digital surface models. In: KOUKAL T., SCHNEIDER W. (eds.): 3-D Remote Sensing in Forestry, International workshop ERSeL ­ Vienna, p. 15-23. WOLF B-M., HEIPKE CH., 2007: Automatic extraction and delineation of single trees from remote sensing data. Machine Vision and Applications, 18(5): 314-330. ZLATNÍK A., 1976: Lesnická fytocenologie. Praha: SZN. ZIHLAVNÍK S., CHÚDY F., KARDOS M., 2005: Digitálna fotogrametria v lesníckom mapovaní. Zvolen: Technická univerzita vo Zvolene, ISBN 80-228-1545-4, 80 s. Dostupné na internete: http://www.microsoft.com/ultracam/downloads/default.mspx Základná mapa SR, 1 : 10 000, Geodetický a kartografický ústav, dostupné na internete ako webová mapová sluzba: http://atlas. sazp.sk/wmsconnector/com.esri.wms.Esrimap?ServiceName=share_raster_zakladne_mapy& Summary This paper deals with derivation of a method for crown detection from a 3-D model of forest canopy created from multi-spectral aerial stereo photos with a high resolution. Test area Medvedia úboc of approx. 100 ha is situated in a terrain with an average gradient of 32°. There are aged fir-beech multi-layered stands mixed with maple, ash and spruce. 3-D model of forest canopy (DMT) is derived from photos using methods of digital photogrammetry (Fig. 3). We created an angle network from the point array of heights, i.e. area was assigned to each height point automatically. There are generated topological and geometric relationships (adjacent, higher, lower, ...) by defining area around elevation points. These can be used to determine tree crowns by formulation of mathematical and logical criteria derived from the knowledge of the size and shape of the tree crown: Firstly, we have to determine the tree tops in a group of areas (polygons). We have checked two variants. Variant A) determines the tree tops in a group of areas from DMT with absolute altitudes. The tree top is field reference point (gravity centre of the area), which altitude is higher then altitude of other neighboring areas (Fig. 5 on the left). If there are two or more tree top areas next each other, these are aggregated and the reference point of the new (merged) area is becoming the top. The methodology procedure in Variant B) was the same, but instead of an absolute altitude we used the height difference from digital model of forest canopy and digital relief model: HVR = DMT ­ DMR (Fig. 5 on the right). Digital relief model was derived from contour lines on a basic map of SR in a scale of 1 : 10 000. Secondly, we assigned broader area to the tree top ­ entity (Fig. 6). Under the entity we understand a group of areas appertaining to a single top. Therefore, entity represents a tree crown. The individual areas are assigned to entity based on the following criteria: · Altitude of the area is lower than the top. · Test area in relation to the top lies on the imaginary line formed by the centre of gravity of the areas lying between the tested area and the detected top. Altitude of this line systematically decreases from the top of the test area. · Area has not yet been assigned to any other entity. · Reference point of the area is closer to the top than a limit (maximum estimated crown width / 2). · The difference between altitudes of the areas is lower than the set threshold level. Third (final) step combines the results of both variants of tree tops detection into one single output. A fixed tree top is considered to be an output from the first step derived from DMT. Output includes also those entities from the second step that are undisputed in relation to the entities from DMT. In our solution the algorithm does not take any entity of DMR into the output with top lying closer than 5 meters to the top of the entity from the DMT. We assume that the tops display the same object (tree) in these cases. Tree tops represent the number of trees in the forest stand. Their correct determination was checked on the five research plot. We could not identify subdominant and suppressed trees from aerial photos. Therefore, we evaluated only trees of height 1 and 2, i.e. dominant and co-dominant trees (Table 2). Table 3 shows a comparison between the number of tree terrestrially determined on 5 research areas and the number of trees determined by operator from the images on the screen. Error of determining the number of trees ranges from -22% (i.e. operator underestimated the number of trees in the area) to +10% (i.e. operator overestimated the number of trees). Table 4 shows a comparison of terrestrially determined and automatically detected tree tops on 5 research areas. Errors of the automated classification were in the range from -41% to +40% when compared with terrestrial measurements. It is required to include also other criteria into the algorithm for other detailed classification. It will concern particularly use of spectral information in the determination of the tree crown. Translated by J. LÁSKOVÁ Lesnícky casopis - Forestry Journal, 57(4): 225­236, Bratislava, 15. 4. 2012

Journal

Forestry Journal – de Gruyter

Published: Jan 1, 2011

There are no references for this article.