Ett gemensamt forskningsprojekt av Tammerfors tekniska universitets matematiklaboratorium och Naturresursinstitutet Finland (Luke) har utvecklat en ny metod för att känna igen trädslag baserat på laserskanningsmätningar. Metoden möjliggör beräkning av klassificeringsdrag på ett helt nytt sätt.

Forskarna från TUT och Luke fick lovande resultat när de testade en helautomatisk metod för att känna igen trädslag. I framtiden, denna metod kan användas för att automatisera virkesmätningar under avverkning, val av träd som ska fällas och optimering av avverkning.

"Denna metod möjliggör också effektiv mätning av de omfattande material som behövs i skogsekologisk forskning om trädarter och konkurrensförhållandena mellan deras kronor, " säger rektor Raisa Mäkipää från Luke.

Ny användning för omfattande trädmodeller

En metod som tidigare utvecklats av TUT används för att känna igen trädslaget. I denna metod, individuella träd kan extraheras från punktmolndata från skogstomtens nivå, och strukturen på deras kronor kan rekonstrueras som omfattande 3D-modeller. De skapade trädmodellerna består av på varandra följande cylindrar, som bestämmer strukturen på trädstammen och grenarna samt grenstrukturen.

"Tidigare, det var möjligt att göra en grov skillnad mellan stammen och kronan, baserat på punktmolnet. Nu, vi kan urskilja enskilda grenar och analysera egenskaperna hos deras diametrar, volymer och grenvinklar, säger Markku Åkerblom, medlem av forskargruppen och en forskare vid TUT.

För att känna igen arten, forskarna definierade 15 klassificeringsfunktioner, vars värden sedan beräknades för varje träd. Vissa av dessa funktioner är helt nya och några har använts i tidigare studier. Den nya aspekten är att nu deras värde kan beräknas mer exakt, eftersom de nu kan utnyttja information om trädets hela krona. Vidare, omfattningen av testdata överstiger vida alla tidigare studier.

Exakt artigenkänning är möjligt

Tre olika klassificeringsmetoder testades, och tre av de vanligaste trädarterna i Finland – björk, tall och gran – ingick i studien.

"Enligt våra resultat, automatisk artigenkänning är möjlig med mer än 95 % noggrannhet. Syftet var inte att hitta den bästa möjliga kombinationen av funktioner, men bara för att bevisa att klassificering baserad på detaljerade trädmodeller är möjlig. Dock, flera kombinationer gav bra resultat och alla klassificeringsmetoder hade en maximal noggrannhet över 95 %. Resultaten visade också att bara 30 träd per art är tillräckligt med läromedel för klassificeringen, säger Åkerblom.

I framtiden, den utvecklade metoden kommer att testas med fler trädslag och med mätningar från mer varierande skogar. Trädmodellerna som beräknas baserat på laserskanningsdata kan lagras i en databas, som kan användas för ännu mer exakt artigenkänning när antalet inkluderade prover växer.