Een gezamenlijk onderzoeksproject van het wiskundelaboratorium van de Tampere University of Technology en het Natural Resources Institute Finland (Luke) heeft een nieuwe methode ontwikkeld voor het herkennen van boomsoorten op basis van laserscanningmetingen. De methode maakt de berekening van classificatiekenmerken op een geheel nieuwe manier mogelijk.

De onderzoekers van de TUT en Luke kregen veelbelovende resultaten bij het testen van een volautomatische methode om boomsoorten te herkennen. In de toekomst, deze methode kan worden toegepast om houtmetingen tijdens het kappen te automatiseren, selectie van te kappen bomen en optimalisatie van het kappen.

"Deze methode maakt ook een efficiënte meting mogelijk van de uitgebreide materialen die nodig zijn in bosecologisch onderzoek met betrekking tot boomsoorten en de concurrentieverhoudingen tussen hun kronen, ", zegt hoofdwetenschapper Raisa Mäkipää van Luke.

Nieuw gebruik voor uitgebreide boommodellen

Voor het herkennen van de boomsoort wordt een eerder door de TUT ontwikkelde methode gebruikt. Bij deze methode, individuele bomen kunnen worden geëxtraheerd uit de puntenwolkgegevens van het bosperceelniveau, en de structuur van hun kronen kan worden gereconstrueerd als uitgebreide 3D-modellen. De gecreëerde boommodellen bestaan ​​uit opeenvolgende cilinders, die zowel de structuur van de boomstam en takken als de vertakkingsstructuur bepalen.

"Eerder, het was mogelijk om een ​​grof onderscheid te maken tussen de steel en de kroon, op basis van de puntenwolk. Nutsvoorzieningen, we kunnen individuele takken onderscheiden en de kenmerken van hun diameters analyseren, volumes en vertakkingshoeken, " zegt Markku Åkerblom, lid van het onderzoeksteam en een onderzoeker aan de TUT.

Voor het herkennen van de soort, de onderzoekers definieerden 15 classificatiekenmerken, waarvan de waarden vervolgens voor elke boom werden berekend. Sommige van deze functies zijn volledig nieuw en sommige zijn in eerdere onderzoeken gebruikt. Het nieuwe aspect is dat hun waarde nu nauwkeuriger kan worden berekend, omdat ze nu informatie over de hele kroon van de boom kunnen gebruiken. Verder, de omvang van de testgegevens overtreft veel eerdere studies.

Exacte soortherkenning is mogelijk

Er werden drie verschillende classificatiemethoden getest, en drie van de meest voorkomende boomsoorten in Finland:berken, grenen en sparren - werden opgenomen in het onderzoek.

"Volgens onze resultaten, automatische soortherkenning is mogelijk met een nauwkeurigheid van meer dan 95%. Het doel was niet om de best mogelijke combinatie van functies te vinden, maar alleen om te bewijzen dat classificatie op basis van gedetailleerde boommodellen mogelijk is. Echter, verschillende combinaties leverden goede resultaten op en alle classificatiemethoden hadden een maximale nauwkeurigheid van meer dan 95%. De resultaten toonden ook aan dat slechts 30 bomen per soort voldoende leermateriaal is voor de classificatie, ', zegt Akerblom.

In de toekomst, de ontwikkelde methode wordt getest met meer boomsoorten en met metingen uit meer diverse bossen. De boommodellen die zijn berekend op basis van de laserscangegevens kunnen worden opgeslagen in een database, die kan worden gebruikt voor een nog nauwkeurigere soortherkenning wanneer het aantal opgenomen monsters groeit.