CERCETĂRI PRIVIND ESTIMAREA PRODUCȚIEI DE BIOMASĂ …exista o scădere a cantității de carbon...
58
UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI CERCETĂRI PRIVIND ESTIMAREA PRODUCȚIEI DE BIOMASĂ PRIN TEHNICI GIS -REZUMATUL TEZEI DE DOCTORAT- Drd. Ing. Ionela-Casiana Marcu Conducător de doctorat : prof. univ. Dr. Ing. Florian Stătescu IAŞI, 2019
Transcript of CERCETĂRI PRIVIND ESTIMAREA PRODUCȚIEI DE BIOMASĂ …exista o scădere a cantității de carbon...
UNIVERSITATEA TEHNICĂ “GHEORGHE ASACHI” DIN IAŞI
CERCETĂRI PRIVIND ESTIMAREA PRODUCȚIEI DE BIOMASĂ PRIN TEHNICI GIS
-REZUMATUL TEZEI DE DOCTORAT- Drd. Ing. Ionela-Casiana Marcu Conducător de doctorat : prof. univ. Dr. Ing. Florian Stătescu
IAŞI, 2019
Cercetări privind estimarea producției de biomasă prin tehnici GIS
i
CUPRINS
Cuprins i
Cap. 1 IMPORTANȚA ȘI NECESITATEA CUNOAȘTERII RESURSELOR DE
BIOMASĂ.............................................................................................................
1
1.1 Efectul de seră și ciclul global al carbonului.......................................................... 1
1.2 Noi direcții de cercetare identificate și metodologia de cercetare.......................... 2
Cap. 2 STADIUL ACTUAL AL CERCETĂRILOR ÎN DOMENIU.......................... 3
2.1 Tehnici de achiziție a datelor.................................................................................. 3
2.2 Analiza rezultatelor obținute în cadrul diferitelor cercetări.................................... 3
Cap. 3 TEHNICI GIS ȘI DE TELEDETECȚIE UTILIZATE ÎN ESTIMAREA
BIOMASEI FORESTIERE.................................................................................
6
3.1 Stabilirea și caracterizarea arealului de cercetare................................................... 6
3.2 Date LiDAR............................................................................................................ 6
3.3 Analiza comparativă a tehnicilor folosite la caracterizarea și cuantificarea
arborilor individuali................................................................................................
7
3.4 Metode de identificare a arborilor individuali și realizarea Modelului Digital
Normalizat al Suprafeţei Superioare a Coronamentului
(MDC)....................................................................................................................
8
3.5 Delimitarea coroanei individuale a arborilor bazată pe curbura profilului............ 10
3.6 Metoda de segmentare inversă “Watershed”.......................................................... 14
3.7 Identificarea individuală a arborilor și a coroanelor în R....................................... 17
3.8 Analiza comparativă a tehnicilor folosite la caracterizarea și identificarea
arborilor individuali................................................................................................
19
Cap. 4 STUDII DE TEREN ȘI CULEGEREA DATELOR NECESARE
VALIDĂRII REZULTATELOR........................................................................
21
4.1 Stabilirea suprafețelor de probă.............................................................................. 21
4.2 Măsurători pentru poziționarea spațială a arborilor................................................ 22
4.3 Măsurători pentru caracterizarea structurală a arborilor......................................... 25
4.4 Calculul resurselor de biomasă............................................................................... 25
4.4.1 Calcule pentru estimarea biomasei utilizate în studiile de specialitate.......... 27
4.4.2 Volumul altor părți ale arborelui................................................................... 28
Cap. 5 INTERPRETAREA REZULTATELOR 30
5.1 Aprecieri asupra tehnicilor utilizate la identificarea și cuantificarea arborilor
individuali...............................................................................................................
30
5.2 Aprecieri privind relațiile de calcul utilizate pentru estimarea resurselor de
biomasa dintr-un areal............................................................................................
31
5.2.3 Numărul arborilor.......................................................................................... 33
5.2.4 Volumul arborilor.......................................................................................... 33
Cercetări privind estimarea producției de biomasă prin tehnici GIS
ii
5.2.5 Biomasa și stocul de carbon........................................................................... 34
5.3 Clasificarea speciilor de arbori cu ajutorul imaginilor satelitare............................ 36
5.3.1 Procesarea datelor.......................................................................................... 36
5.3.2 Indici de vegetație multispectrali................................................................... 36
5.3.3 Procesul de clasificare.................................................................................... 38
5.4 Analiza detecției schimbărilor................................................................................ 40
Cap. 6 CONCLUZII ȘI CONTRIBUȚII PERSONALE............................................... 47
6.1 Stadiul de realizare a obiectivelor programului de cercetare și calitatea
rezultatelor..............................................................................................................
47
6.3 Contribuții științifice aduse prin programul de cercetare....................................... 48
6.4 4 Recomandări și direcții viitoare de cercetare...................................................... 49
Bibliografie............................................................................................................ 50
Lista lucrărilor publicate..................................................................................... 53
Introducere
iii
INTRODUCERE
Identificarea individuală a arborilor și modelarea parametrilor forestieri utilizând date
LiDAR (Light Detection and Ranging) devine din ce în ce mai importantă pentru monitorizarea și
gestionarea durabilă a pădurilor, precum și estimarea biomasei și a stocului de carbon.
Teledetecția și GIS-ul au fost instrumente utile pentru analiza individuală a arborilor în
ultimul deceniu, deși rezoluția spațială necorespunzătoare a sateliților arată că numai sistemele
aeriene dispun de o rezoluție spațială suficientă pentru a efectua o analiză a arborilor individuali.
În plus, progresele recente ale sistemului LiDAR aeropurtat oferă acum o rezoluție orizontală
ridicată, precum și informații în dimensiunea verticală. Cu toate acestea, este o provocare ca datele
LiDAR să fie exploatate și utilizate pe deplin pentru o analiză detaliată a arborilor. Procedurile de
cuantificare a biomasei forestiere și măsurarea parametrilor forestieri folosind datele LiDAR s-au
îmbunătățit într-un ritm rapid, deoarece modelarea mai robustă și sofisticată a fost utilizată pentru
studiilor anterioare.
Această lucrare a investigat tehnicile noi de evaluare bazate pe LiDAR aeropurtat pentru
modelarea parametrilor forestieri calculați după identificarea arborilor individuali într-o pădure de
conifere din nord-estul României. Lucrarea prezintă o procedură pentru cuantificarea biomasei ca
parametru principal de interes derivat din LiDAR folosind abordarea de identificare individuala a
coroanelor arborilor. În această lucrare sunt abordate trei metode privind utilizarea datelor LiDAR
pentru măsurarea arborilor individuali, din care se pot extrage valorile înălțimii derivate din datele
LiDAR iar apoi, biomasa estimată la nivel de arbore, pe baza arborilor identificați în teren.
Succesul acestei cercetări a fost centrat pe noutatea adusă de LiDAR, ca sursă
independentă, ce utilizează un set complet de date ce îmbunătățesc performanțele algoritmilor,
care s-au dovedit a fi eficienți pentru a estima parametri forestieri importanți. Identificarea
coroanelor individuale și a caracteristicilor individuale ale arborilor reprezintă un interes deosebit
pentru inventarul și managementul forestier, deoarece acesta este un element important ce
contribuie la descrierea funcției forestiere și a productivității ecosistemului forestier.
În acest studiu, au fost analizate și imagini satelitare multispectrale RapidEye pentru a
identifica speciile de vegetație din zona de studiu și pentru a analiza detecția schimbărilor survenite
de-a lungul anilor în cadrul suprafețelor forestiere.
Capitolul 1
1
Capitolul 1
IMPORTANȚA ȘI NECESITATEA CUNOAȘTERII RESURSELOR
DE BIOMASĂ
1.1 Efectul de seră și ciclul global al carbonului
Schimbările climatice globale, considerate una dintre cele mai grave amenințări la adresa
mediului, au stat în centrul dezbaterilor științifice și politice din ultimii ani. Schimbările climatice,
mai precis încălzirea globală reprezintă realitatea de astăzi, însă există o mare incertitudine în ceea
ce privește efectul de seră. Concentrația atmosferică a gazelor cu efect de seră este foarte
importantă pentru supraviețuirea pe această planetă.
Ecosistemele forestiere conțin mai mult de trei sferturi din carbonul stocat în vegetația
terestră, deoarece carbonul este stocat în tulpini și ramuri, frunziș și rădăcini. În plus, în timp ce
doar 28% din suprafața totală este acoperită de păduri, solurile forestiere conțin 39% din totalul
carbonului stocat. Transformarea pădurilor în terenuri agricole eliberează carbon, mai ales din
arbori, în atmosferă prin ardere și dezintegrare. În funcție de practicile agricole aplicate, poate
exista o scădere a cantității de carbon stocate în sol. În schimb, regenerarea pădurilor pe terenurile
abandonate scoate carbonul din atmosferă și îl stochează din nou în arbori și soluri. Datorită
capacității mari de păstrare a carbonului din păduri și a timpului îndelungat de păstrare, atenția din
ce în ce mai mare a fost dedicată în ultimii ani rolului atenuant pe care ecosistemele forestiere îl
pot avea în reducerea acumulării de CO2 în atmosferă.
Termenul "biomasă" se referă la materia organică care stochează energie prin procesul de
fotosinteză. Combustibilii din biomasă folosiți astăzi sunt sub formă de produse din lemn, vegetație
uscată, reziduuri din plante și plante acvatice.
Biomasa a devenit una dintre cele mai frecvent utilizate surse de energie regenerabilă în
ultimele două decenii și a doua formă de energie, după hidrocentrale, în generarea de energie
electrică. Este o sursă de energie folosită la scară largă, probabil din cauza costurilor sale scăzute
și a naturii indigene. Aceasta reprezintă aproape 15% din totalul energiei furnizate în lume și 35%
în țările în curs de dezvoltare, utilizată în special pentru gătit și încălzire.
Capitolul 1
2
1.2 Noi direcții de cercetare identificate și metodologia de cercetare
În această teză, studiul abordează problema modelelor de estimare a biomasei bazate pe
date LiDAR, utilizând modele calibrate cu date de eșantionare similare colectate din teren.
Stocul de carbon este un parametru de bază pentru înțelegerea schimbului de carbon între
atmosferă și ecosistemul forestier, iar cel mai relevant exemplu este biomasa forestieră supraterană
(Houghton, 2005). Prin urmare, scopul principal al acestui studiu a fost de a dezvolta o metodă
simplificată de evaluare a biomasei forestiere la nivel de arbori individuali, utilizând tehnici din
teledetecție și GIS și de a dezvolta modele de inventariere pentru pădurile din România folosind
cele mai bune date disponibile. Primul obiectiv al acestei teze este de a demonstra că imaginile de
înaltă rezoluție și datele LiDAR pot fi utilizate pentru îmbunătățirea tehnicilor de inventariere a
pădurilor.
Al doilea obiectiv este de a determina modul în care imaginile satelitare de înaltă rezoluție
combinate cu datele LiDAR ajută la inventarierea pădurilor împreună cu măsurătorile obținute din
teren și pot efectua estimări ale biomasei în pădurile dominate de conifere din nord-estul României.
Ipotezele abordate în acest studiu și obiectivele generale sunt următoarele:
1. Crearea bazelor de date geospaţiale obţinute prin tehnici moderne de teledetecţiei, GIS
şi prin procedee terestre de inventariere.
2. Dezvoltarea unor tehnici de procesare și analiză a datelor LiDAR utilizate pentru a
facilita prezicerea înălțimii arborelui și diametrul coroanei prin măsurarea arborilor individuali
identificați pe suprafața tridimensională.
3. Utilizarea imaginilor satelitare multispectrale pentru a oferi o mapare precisă a pădurilor
la nivel de specie.
4. Analiza comparativă a caracteristicilor dendrometrice ale arborilor estimate prin tehnici
LiDAR aeropurtat şi prin măsurători terestre.
5. Prelucrarea datelor LiDAR impreună cu datele obținute din teren pentru a estima
biomasa supraterană și stocul de carbon prin utilizarea relațiilor alometrice.
Capitolul 2
3
Capitolul 2
STADIUL ACTUAL AL CERCETĂRILOR ÎN DOMENIU
2.1 Tehnici de achiziție a datelor
Există diferite tehnici de măsurare a biomasei forestiere. Principalele trei tehnici pot fi
clasificate astfel: bazate pe măsurători pe teren, bazate pe tehnici GIS și bazate pe teledetecție.
Abordările tradiționale bazate pe măsurători pe teren sunt exacte, însă aplicarea lor este limitată
datorită naturii laborioase și distructive.
Metodele bazate pe GIS, în absența unor date auxiliare de bună calitate, cum ar fi tipul de
acoperire a terenurilor, calitatea sitului, vârsta etc., sunt dificile din cauza unei relații indirecte între
aceste date auxiliare și a biomasei determinate într-o zonă și a impactului global al condițiilor de
mediu asupra acumulării biomasei.
Metoda bazată pe teledetecție nu măsoară în mod direct biomasa, ci utilizează relații
statistice dintre parametrii arborilor extrași din imagini satelitare sau aeriene și măsurătorile din
teren. Aceasta face ca abordările bazate pe teledetecție să fie o metodă mai rapidă decât celelalte
abordări pentru estimarea biomasei.
Majoritatea evaluărilor biomasei sunt efectuate pentru biomasa supraterană. Biomasa
supraterană reprezintă cea mai mare parte a biomasei vii totale într-o pădure care poate fi măsurată
direct din teren sau indirect prin tehnice de teledetecție. Determinarea biomasei implică în mod
obișnuit măsurători ale parametrilor ce fac referire la dimensiunea arborilor, în special diametrul
de bază și înălțimea arborelui. Diametrul de bază este diametrul tulpinii unui arbore situat la 1,3
m deasupra solului. Diametrul de bază și înălțimea sunt parametrii importanți ai arborilor pentru
estimarea biomasei. Acești parametri sunt utilizați pentru a dezvolta ecuații alometrice pentru
estimarea biomasei.
2.2 Analiza rezultatelor obținute în cadrul diferitelor cercetări
LiDAR are capacitatea de a "vedea" pământul în trei dimensiuni. Chiar și cu o acoperire
foarte densă a coronamentului, există adesea mici deschideri în coronament în care, datorită
Capitolul 2
4
intensității ridicate a eșantionării, fasciculul laser va reuși să ajungă la sol și să producă o
întoarcere. Drept urmare, fotogrammetria poate obține adesea elevații numai în partea superioară
a coronamentelor dense. Deși LiDAR poate avea rate scăzute de penetrare printr-un coronament
dens, oferă o măsurare directă a înălțimii terenului sub coroanele arborilor.
Fotogrammetria se bazează pe prelucrarea imaginilor, analogice sau digitale, produsele
principale fiind hărți topografice, hărți tematice, DEM-uri, DSM-uri sau ortofotoplanuri.
Pe scurt, LiDAR are unele puncte forte față de fotogrametrie, cum ar fi o densitate sporită
a punctelor ce pot da informații legate de înălțimea vegetației forestiere în anumite situații,
independența condițiilor de iluminare (deoarece este un sistem activ), cartografierea suprafețelor
cu textură și definiție slabă, costuri mai mici în comparație cu fotogrammetria, în special pentru
proiectele realizate pe suprafețe mari.
Există un consens în curs de dezvoltare în cartografie și anume că, LiDAR-ul este o
alternativă eficientă din punct de vedere al costurilor față de tehnologiile convenționale pentru
crearea de DEM-uri la acuratețe verticală de 15-100 centimetri. Datele LiDAR sunt de asemenea
utilizate pentru a ortorectifica imaginile aparatului foto digital, fotografia aeriană și imaginile
satelitare de înaltă rezoluție, cum ar fi cele ale satelitul IKONOS (Hill și colab., 2000).
În timp ce cele două tehnologii concurează pentru mai multe aplicații, acestea nu se exclud
reciproc. De fapt, senzorii optici sunt capabili să depășească dificultatea de clasificare și
identificare a obiectelor cu scanarea cu laser. Integrarea celor două tehnologii poate duce la
aplicații mai precise.
Coroana este obiectul de bază în orice aplicație și analiză la nivel de arbore individual. Au
fost dezvoltate diverse metode pentru extragerea informațiilor legate de arbori individuali din
seturile de date LiDAR de înaltă rezoluție. În timp, studiile privind detectarea individuală a
arborilor au arătat o complexitate sporită a analizelor, o mai mare acuratețe a rezultatelor și o
concentrare asupra utilizării datelor LiDAR.
Algoritmii de identificare a maximelor locale implică de obicei selectarea razei de căutare
și detectarea maximelor locale dintr-un model digital normalizat al suprafeţei superioare a
coronamentului (MDC). Popescu și Wynne (2004) au folosit atât ferestre circulare cât și
dimensiuni ale ferestrelor specifice locației pentru a spori acuratețea locală a detectării maximelor.
Niemi și colab. (2015) au folosit o abordare minimă a curburii ce detectează maxima locală într-o
pădure boreală și, deși nu prezintă o precizie de identificare individuală a arborilor, au folosit
coroane delimitate pentru a prezice aria bazală (R2 = 0,48) și volumul (R2 = 0,71). Maltamo și
colab. (2004), de asemenea, au lucrat într-o pădure boreală, utilizând un algoritm local de detectare
Capitolul 2
5
a maximelor și au raportat că, deși 80% din coroanele dominante au fost detectate corect, precizia
totală a fost de 40% datorită problemelor care faceau inacesibile coroanele mai mici.
Deși algoritmii de idenficare a maximilor locale sunt algoritmii cei mai rapizi și cei mai
simpli, acești algoritmi au dificultăți în detectarea marginilor coroanei, de obicei simplificând
geometria coroanei (Kaartinen și colab., 2012).
Studiile bazate pe delimitarea “watershed” oferă o îmbunătățire a geometriei coroanei, iar
rasterul MDC este inversat, astfel încât maximele locale devin minime locale și invers (Chen și
colab., 2006). Unele probleme trebuie rezolvate în special pentru delimitarea arborilor cu structuri
complexe. De exemplu, supra-segmentarea poate aparea datorită ramurilor și coroanelor arborilor
mai mici. Arborii, de cele mai multe ori, sunt apropiați și se suprapun unul pe celălalt și fac ca
distanțele dintre coroane să fie atât de invizibile, încât un grup de pixeli poate fi detectat în mod
fals ca o coroană.
Odată cu apariția sistemelor LiDAR, analiza poate fi extinsă la a treia dimensiune prin
cuantificarea directă a unor caracteristici ale vegetației, cum ar fi înălțimea arborelui, înălțimea
trunchiului sau volumul și poate ajuta la o estimare îmbunătățită a biomasei. Datele oferite de
teledetecție, de la optice la microunde și de asemenea la LiDAR, au demonstrat un mare potențial
în estimarea biomasei la toate scările.
Estimarea biomasei din datele oferite de teledetecție este un proces complex de analiză
care implică mulți factori. Selectarea algoritmilor potriviți pentru extragerea informației este
dificilă și necesită abilități analitice.
Metodele cele mai utilizate în mod obișnuit pentru estimarea biomasei sunt modelele de
regresie liniară sau neliniară și cel mai apropiat vecin, astfel biomasa este estimată indirect din
parametrii coronamentului. Utilizarea informațiilor contextuale împreună cu informațiile spectrale
s-au dovedit utile în îmbunătățirea estimării biomasei.
Clasificatorii avansați, precum SMA, pot, de asemenea, să îmbunătățească rezultatele
clasificării. Fuziunea multisenzor și multirezoluție poate reduce pixelii de diferite valori și
problemele de saturație a datelor având potențialul de a îmbunătăți estimarea biomasei.
În plus, aspectele legate de conservarea biodiversității și de protecția solului și a apei vor
limita cantitatea de biomasă care poate fi în cele din urmă recuperată din păduri.
Teledetecția poate juca un rol eficient în determinarea zonelor din care biomasa vegetală
poate fi recoltată în mod sustenabil și utilizată în generarea de energie.
Capitolul 3
6
Capitolul 3
TEHNICI GIS ȘI DE TELEDETECȚIE UTILIZATE ÎN ESTIMAREA
BIOMASEI FORESTIERE
3.1 Stabilirea și caracterizarea arealului de cercetare
Pentru cercetare au fost alese suprafețe de probă de pe raza Ocolului Silvic Vama, Districtul
3 Dragoșa (UP3), din comuna Frumosu, județul Suceava aflat în administrația Direcției Silvice
Suceava (Fig. 3.1).
Fig. 3.1 Harta României (ArcMap 10.4.1) cu locația zonei de studiu fiind mărită cu ajutorul
imaginii ortofoto RGB din stânga
Zona de studiu este situată în nord-estul României (Dragoșa, comuna Frumosu, Suceava)
și este în principal acoperită de păduri și de plantații de conifere, toate într-o zonă de altitudine de
800-1130 m deasupra nivelului mării. Pădurea constă predominant din molid (Picea abies), bradul
european (Abies alba) și fag european (Fagus Sylvatica).
Capitolul 3
7
3.2 Date LiDAR
Cele mai utilizate softuri pentru prelucrarea datelor LSA sunt: Fugro Viewer, utilizat
pentru vizualizarea datelor, OPALS (Orientation and Processing of Airborne Laser Scanning data),
utilizat pentru procesarea şi analiza datelor, TerraScan, Cloud Compare și ArcMap utilizate pentru
vizualizarea și prelucrarea datelor.
În anul 2012 s-au efectuat zboruri cu avioane special echipate pentru colectarea datelor
LiDAR pentru cartografierea digitală a apelor de către mai multe companii care oferă servicii de
fotogrammetrie şi teledetecţie, printre care și compania SC Primul Meridian SRL, care a furnizat
date LiDAR pentru o arie acoperită cu vegetaţie forestieră în judeţul Suceava, date care au fost
utilizate pentru elaborarea proiectului de cercetare. Sistemul de proiecţie al datelor LiDAR,
furnizate de către compania Primul Meridian, este Universal Transverse Mercator (UTM) pentru
zona 35 Nord.
3.3 Analiza comparativă a tehnicilor folosite la caracterizarea și
cuantificarea arborilor individuali
Metodele de delimitare a coroanei individuale folosind date LiDAR utilizează de obicei un
Model digital normalizat al suprafeţei superioare a coronamentului (MDC) sau un model digital al
suprafeței (MDSR) și presupune ca vârful arborelui să fie considerat punctul cu valoarea maximă
locală a înălțimii. Granițele coroanei sunt considerate ca și contururi ce au o valoare minimă a
înălțimii. Studiile ce au în vedere delimitarea coroanei individuale s-au îmbogățit foarte mult
printr-o serie de metode 3D ce utilizează date LiDAR, pe care Koch și colab. (2006) le-au grupat
în patru categorii: (1) metode bazate pe raster; (2) metode bazate pe norul de puncte; (3) metode
care combină informații raster și nori de puncte; și (4) metode de reconstrucție a arborilor.
O gamă largă de măsurători și valori obținute din date LiDAR au fost utilizate în literatura
de specialitate pentru estimarea biomasei (Maltamo și colab., 2014). Extracția măsurătorilor din
date LiDAR depind de semnalul de întoarcere al laserului (discret vs. formă de undă), modelul de
scanare și mărimea amprentei. Din datele LiDAR, măsurătorile pot fi extrase fie pe baza arborilor
individuali fie a suprafețelor de probă (Chen, 2013). Odată ce coroanele arborilor sunt identificate,
se pot obține informații cum ar fi înălțimea arborilor și diametrul coroanei din care pot fi calculate
date legate de biomasă extrase prin ecuații alometrice.
Teoretic, măsurătorile din teren nu mai sunt necesare pentru dezvoltarea modelului de
calcul al biomasei, dacă coroanele arborilor pot fi delimitate fără erori și există ecuații alometrice
pentru a estima biomasa pe baza măsurătorilor din date LiDAR. Chiar dacă încă nu există ecuații
Capitolul 3
8
alometrice care să rezolve această problemă, măsurătorile din teren sunt mult mai puține pentru
calculul arborilor individuali decât pentru calculele efectuate pe suprafețe, deoarece datele de teren
sunt efectuate numai pentru un eșantion de arbori în loc de un eșantion de parcele sau standuri.
LiDAR-ul aeropurtat a demonstrat că are capacitatea de a îmbunătăți acuratețea
parametrilor de inventariere a pădurilor, cum ar fi estimările privind înălțimea (H), volumul (V) și
aria bazală (BA). Obținerea informațiilor despre inventarul forestier obținut prin măsurători din
teren sau prin intermediul teledetecției, necesită o modelarea statistică.
3.4 Metode de identificare a arborilor individuali și realizarea Modelului Digital
Normalizat al Suprafeţei Superioare a Coronamentului (MDC)
Modelul Digital al Suprafeței (MDSR) reprezintă altitudinile suprafeței de reflectanță a
coroanei superioare a arborilor, acoperișurilor clădirilor și altor elemente de pe suprafața terenului.
Prin filtrarea acestui model MDSR (eliminarea punctelor care nu aparțin suprafeței terestre) se
poate obține MDA sau MDT.
Modelul Digital al Terenului (MDT) este o reprezentare tridimensională matematică, la
scară, în format digital, a terenului dintr-o anumită zonă. Terenul este descris prin reţele regulate
de puncte (grid) sau prin reţele de triunghiuri. Modelul digital al terenului îşi propune să descrie
cât mai exact o suprafaţă de teren întinsă, de multe ori imposibil sau greu accesibilă, cum ar fi
suprafeţe acoperite de pădure sau zone muntoase, care ar face utilizarea tehnologiilor clasice
greoaie sau imposibil de pus în practică.
În literatura de specialitate Modelul digital normalizat al suprafeţei superioare a
coronamentului (MDC) se obține prin diferența dintre modelul digital al suprafeței și cel al
terenului (MDC=MDSR-MDT). Acest produs este foarte util deoarece se obțin în mod direct
înălțimile obiectelor (de exemplu înălțimea arborilor) aflate la suprafața terenului.
O abordare diferită calculează MDC direct din norul de puncte LiDAR utilizând
LASTools în cadrul ArcGIS 10.4.1. Creat de Martin Isenburg, LAStools reprezintă o soluție rapidă
și eficientă pentru procesarea datelor LiDAR și poate transforma miliarde de puncte LiDAR în
produse utile, la viteză mare și cu cerințe cu memorie reduse.
Modelul digital normalizat al suprafeţei superioare a coronamentului (MDC) derivat din
date LiDAR este aplicat pentru a extrage parametrii de inventariere a pădurilor. Cu toate acestea,
variațiile înălțimii modelate formează zone fără pixeli ce reprezintă o provocare deoarece distrug
netezimea MDC, afectează negativ detectarea arborilor și măsurătorile dendometrice ulterioare.
Capitolul 3
9
Aceste zone fără pixeli apar în cazul în care fasciculele laser penetrează profund într-o coroană a
arborelui, lovind o ramură inferioară sau solul înainte de a produce prima întoarcere.
Astfel, a fost dezvoltat un nou algoritm care generează un raster MDC neted ce nu conține
zone fără pixeli. Algoritmul funcționează atât pe date LiDAR de densitate ridicată, precum și pe
un set de date LiDAR cu o densitate redusă.
Evaluarea implică detectarea arborilor individuali folosind MDC obținut prin metoda
clasică și compararea rezultatelor cu cele obținute prin utilizarea unui MDC netezit prin metoda
Gaussiană. Rezultatele arată că MDC-urile netezite, derivate din datele LiDAR de înaltă densitate
și de joasă densitate, îmbunătățesc semnificativ precizia detectării arborilor.
Software-ul de procesare a datelor LiDAR, LAStools (Versiunea 160110; Isenburg, 2015)
a fost utilizat pentru a crea un MDC netezit (“pit-free”). În urma algoritmului, datele LAS
clasificate au fost normalizate în raport cu valorile înălțimii. Astfel, datele LAS produse conțin
valorile z efective ale obiectelor deasupra solului (arbori). Din datele LAS normalizate, au fost
selectate punctele LiDAR cu cele mai ridicate valori z cu o rezoluție de 0,5 m. Dimensiunea
fasciculului pentru fiecare punct selectat LiDAR a fost înlocuită cu un “disc” cu o rază de 0,05 m.
Datele LAS au fost apoi rasterizate în unsprezece rastere cu valori de prag unic. Prima rasterizare
a fost făcută prin triangularea tuturor primelor returnări. A doua până la a unsprezecea rasterizare
a fost realizată prin triangularea punctelor cu o înălțime mai mare sau egală cu 2 m, 5 m, 10 m, 15
m, 20 m, 25 m, 30 m, 35 m, 40 m și respectiv 45 m. Toate rasterele create vor fi îmbinate intr-unul
singur. Figura 3.2 prezintă diagrama fluxului de lucru al algoritmului. Algoritmul produce un
MDC netezit, așa cum se arată în figurele 3.3 și 3.4.
Fig. 3.2 - Model Builder pentru crearea MDC
Capitolul 3
10
Fig. 3.3 - MDC realizat prin diferența dintre modelul digital al suprafeței și cel al terenului
(MDC=MDSR-MDT) (stânga) și MDC realizat prin metoda “pit-free” (dreapta) (Marcu, 2018)
Fig. 3.4 - Vizualizarea MDC în mediul ArcScene
3.5 Delimitarea coroanei individuale a arborilor bazată pe curbura profilului
Generarea Modelului digital normalizat al suprafeţei superioare a coronamentului (MDC)
din date LiDAR face posibilă delimitarea coroanei individuale a arborilor printr-o metodă complet
automatizată, care folosește curbura MDC prin panta sa. Maximele locale se obțin prin luarea
valorii maxime a raster-ului într-o celulă de 3 m x 3 m. Aceste valori sunt asumate ca vârfuri ale
arborilor și, prin urmare, considerate ca arbori individuali.
Capitolul 3
11
Pe baza ipotezelor, poligoanele Thiessen au fost generate pentru a servi ca limită pentru
dimensiunea coroanei. Curbura profilului negativ este apoi măsurată din panta MDC. Rezultatele
arată că punctele agregate din curbura profilului negative al rasterului oferă cea mai realistă formă
a coroanei. Metoda este prezentată în figura 3.5 și a fost implementată în software-ul ESRI ArcGIS
10.4.1.
Metoda de delimitare a coroanelor poate fi rezumată în patru părți. În prima parte sunt
generate maximele locale pentru determinarea arborilor individuali. Cea de-a doua parte
calculează punctele de curbură, în timp ce a treia parte convertește punctele în poligoane și
stabilește limitele. Partea a patra adaugă toate poligoanele create.
Luând MDC ca intrare, s-au extras pixeli cu valori de înălțime mai mari sau egali cu 5 m.
Pentru a obține pixelii individuali care reprezintă maximele locale, rasterul de ieșire a fost calculat
folosind următoarea formulă iar rasterul rezultat este transformat în puncte:
Fig. 3.5 – Schema de lucru pentru delimitarea coroanei individuale a arborilor
𝐿𝑀 = 𝐶𝑜𝑛 (𝑀𝐷𝐶 == 𝐹𝑆, 𝑀𝐷𝐶) (3.1)
Unde: Con = funcția de condiție
MDC = date de intrare
FS = valoarea maxima într-o celulă 3 m x 3 m
LM= maxima locală
Cea de-a doua parte consideră rasterul MDC ca dată de intrare pentru calcularea pantei.
Capitolul 3
12
Algoritmul de obținere al pantei utilizând mediul ArcGIS este arătat în pașii de lucru
următori:
Rata de schimbare în direcția x și y pentru o celulă se calculează cu următorul algoritm:
[𝑑𝑧
𝑑𝑥] =
((𝑐 + 2𝑓 + 𝑖) − (𝑎 + 2𝑑 + 𝑔))
(8 ∗ 3) (3.2)
[𝑑𝑧
𝑑𝑦] =
((𝑔 + 2ℎ + 𝑖) − (𝑎 + 2𝑏 + 𝑐))
(8 ∗ 3) (3.3)
Panta se calculează cu formula: m= √ ([Δ x] 2 + [Δ y] (3.4) iar apoi panta este convertită
în grade cu ajutorul formulei: m° = tan-1 (m) * 57.29578 (3.5). Figura 3.6. prezintă rasterul pantei
generate.
Fig. 3.6 - Maxime locale (localizarea arborilor) suprapuse peste rasterul MDC (stânga);
Generarea rasterului pantei (dreapta)
Panta generată a fost utilizată pentru a calcula curbura și este prezentată în figura 3.9.
Ecuația pentru calculul curburii pantei este:
𝐶𝑢𝑟𝑏𝑢𝑟𝑎 = −2(𝐷 + 𝐸) ∗ 100 (3.6)
Unde
𝐷 =[
(𝑍4 + 𝑍6)
2− 𝑍5]
𝐿2 (3.7)
Capitolul 3
13
𝐸 =[
(𝑍2 + 𝑍8)
2− 𝑧5]
𝐿2 (3.8)
Curbura profilului a fost calculată prin obținerea curbei paralele cu panta maximă.
Rezultatul obținut din curbura profilului poate fi grupată în valori pozitive, negative și zero.
Deoarece structura unui conifer este convexă, s-a folosit curbura profilului negativ, deoarece
valorile negative reprezintă curba convexă ascendentă la acea celulă (ArcGIS 10.4.1). Rasterul
rezultat a fost transformat în puncte (fig. 3.7). Folosind maximele locale ca date de intrare, au fost
create poligoane Thiessen. Poligoanele Thiessen creează un poligon unic și nesuprapus pe cel mai
apropiat punct. Astfel, fiecare poligon Thiessen va înconjura punctul cel mai apropiat și unic.
Fiecare poligon este creat prin triangulație.
Fiecare linie creată va fi trecută printr-o linie bisectoare și acestea reprezintă poligoanele
Thiessen. (Gitta, 2013)
Poligoanele Thiessen au fost intersectate cu profilul negativ al curburii. Punctele care
intersectează un poligon comun vor fi agregate pentru a crea un poligon ce reprezintă coroana
arborelui. Figura 3.8 prezintă extinderea finală a coronelor suprapuse peste MDC.
Algoritmul propus a reușit să delimiteze poligoanele coroanei. Din punct de vedere vizual,
delimitarea a fost capabilă să reprezinte corect coroanele individuale ale arborilor. Erorile pot fi
cauzate de reprezentarea inexactă a arborilor individuali folosind maximele locale, deoarece un
punct mai înalt nu înseamnă neapărat că aparține unui singur arbore.
Figura 3.7 - Profilul negativ al curburii acoperit de puncte (stânga); poligoanele Thiessen
(dreapta)
Capitolul 3
14
Fig. 3.8 – Poligoanele coroanelor arborilor suprapuse peste MDC
Textul următor indică codul scris în limbajul de programare Python. Acesta utilizează mai
multe funcții arcpy pentru a delimita coroanele arborilor. Scriptul poate fi executat numai în afara
programului ArcGIS și pentru a avea un rezultat, MDC și scriptul arcpy trebuie să fie în același
folder.
3.6 Metoda de segmentare inversă “Watershed”
O serie de metode ce utilizează imagini raster (de exemplu, MDC) extrase din nori de
puncte au fost propuse în ultimul deceniu. Conversia norului de puncte într-un MDC nu numai că
duce la pierderea datelor, ci poate duce la erori spațiale, în funcție de metoda utilizată pentru
crearea MDC, desi cercetătorii preferă să lucreze mai degrabă pe o imagine raster decât cu norul
de puncte original. Însă această alegere are și o explicație: în primul rând, conversia de la norul de
puncte la imaginea raster reduce cantitatea de date care trebuie tratată ulterior.
O nouă metodă pentru delimitarea individuală a coroanelor arborilor utilizată în acest
studiu este metoda de segmentare inversă ”watershed” care a fost introdusă de Lantuejoul şi
Beucher. Ideea de bază din spatele metodei de detectare a coroanei este de a construi regiuni din
cadrul MDC folosind abordarea clasică ”watershed” prin inundare.
Capitolul 3
15
Fig. 3.9 – Fluxul de lucru pentru realizarea metodei de segmentare ”watershed” în software-ul ESRI
ArcGIS 10.4
Deoarece, forma grosieră a coroanelor este în general convexă, ele tind să formeze bazine
hidrografice în MDC cu coordonatele z inversate. Cu toate acestea, detaliile fine prezente în MDC
pot determina o segmentare mai mare și, prin urmare, este necesară o netezire care reduce acest
efect. Filtrarea Gaussiană s-a dovedit a fi o procedură eficientă pentru suprimarea maximelor
locale irelevante în detectarea vârfurilor arborilor.
Metoda de segmentare ”watershed” a fost implementată ca un flux de lucru al
instrumentelor de geoprocesare în software-ul ESRI ArcGIS 10.4.1.
Pentru o mai bună înțelegere a algoritmului ”watershed”, o analogie cu un caz simplu din
viața de zi cu zi poate ajuta într-un mod semnificativ. În cazul unei ploi, fiecare picătură de apă ce
cade pe pământ tinde să se îndrepte către o regiune de minim local. Acumularea de apă din jurul
unui minim local poartă numele de bazin de colectare. Toate punctele corespunzătoare picăturilor
care se adună într-un asemenea bazin constituie un bazin hidrografic (watershed).
Atunci când se aplică, rasterul MDC inversat este segmentat în echivalentul bazinelor
individuale de drenaj hidrologic prin identificarea valorilor locale maxime și a celor mai apropiate
valori minime (Andersen, 2009). Astfel, această metodă de segmentare este capabilă să delimiteze
entități distincte, arbori cu valori ale înălțimii și diametre diferite ale coroanelor din rasterul MDC.
Capitolul 3
16
Metoda de segmentare ”watershed” este un proces utilizat de obicei în hidrologie utilizând
Sistemul de Informații Geografice (GIS). Scopul este de a localiza întinderea zonei în care apa ar
putea să se scurgă în aval și să se acumuleze. Se aplică la un DEM, în acest caz un MDC, care
poate fi singura dată de intrare și este principala influență asupra rezultatului.
Folosind unelte de suprafață și hidraulice, panta, direcția fluxului, acumularea fluxurilor
sunt derivate din DEM. Direcția fluxului și acumularea fluxului sunt afectate numai de DEM de
intrare și de algoritmul utilizat pentru a defini acumularea de debit și se modifică numai dacă se
schimbă DEM.
MDC identifică înălțimea și dimensiunea arborilor, dacă arborii sunt considerați ca DEM,
atunci “watershed” poate fi folosită pentru a delimita coroanele arborilor. Pentru a face acest lucru,
MDC ar trebui să fie inversat astfel încât înălțimea arborelui să reprezinte un bazin într-un DEM.
Aceeași metodologie poate fi aplicată și pentru a identifica un bazin hidrografic care ar putea fi
transformat în MDC. Acest proces este denumit delimitare “watershed”. Etapa de umplere ar
îmbunătăți următorul pas și va elimina arborii mici sau "vârfurile" nedorite din MDC inversat, cum
ar fi arborii cu o înălțime mai mică de 2 m. Uneltele hidraulice pot fi folosite pentru a modela
delimitarea “watershed” după ce MDC este inversat astfel încât înălțimile arborilor să fie
considerate valori negative.
Primul pas în modelul de delimitare a bazinelor “watershed” este inversarea MDC astfel
încât coroanele arborilor să reprezinte bazinele de apă. Coroanele arborilor sunt reprezentate ca
bazine în care se simulează fluxul de apă și se calculează acumularea de flux. Apoi se calculează
direcția fluxului care indică direcția fluxului de apă pentru fiecare celulă din raster.
Direcția este reprezentată de numere digitale. Fluxul de acumulare se calculează de la
rasterul direcției de curgere. Valoarea pentru fiecare celulă din rasterul fluxului de acumulare
reprezintă greutatea celulelor din care se acumulează apa. Se aplică un prag sau o limită la rasterul
fluxului de acumulare pentru a elimina celulele de acumulare cu valori mici.
Motivul pentru care se aplică această metodă este că celulele cu o valoare deasupra limitei
ar fi folosite ca locuri de “turnare” a apei pentru umplerea și delimitarea bazinelor de apă
(coroanele arborilor). Orice celulă cu o valoare de acumulare mai mică decât limita setată este nulă
și exclusă din pasul următor. Această valoare are un impact semnificativ asupra rezultatului, astfel
aplicarea unei limite mai mari duce la acumulări mai mari (Maidment și Djokic, 2000).
Capitolul 3
17
Fig. 3.10 – Fluxul de acumulare în “bazin” și rezultatele obținute utilizând metoda de segmentare inversă
”watershed”
3.7 Identificarea individuală a arborilor și a coroanelor în R
R este un limbaj de programare open source dezvoltat de Ross Ihaka și Robert Gentleman
de la Universitatea din Auckland, Noua Zeelandă, pentru computerele statistice, pentru
vizualizarea și analiza datelor. Similar cu alte limbaje de programare, utilizatorii pot accesa mediul
R prin intermediul unei linii de comandă. Platforma R este utilizată pe scară largă în rândul
statisticienilor datorită capacităților sale de analiză statistică, tehnicilor sofisticate de vizualizare,
mediilor complet programabile, facilității transferului de date, documentației tehnice cuprinzătoare
și utilizării sale asupra tuturor sistemelor de operare majore.
Pachetul rLiDAR este un instrument open source pentru citirea, procesarea și vizualizarea
seturilor mici de date LiDAR. A fost dezvoltată în 2014 și pusă la dispoziție pe Comprehensive R
Archive Network (CRAN) în 2015. Pachetul rLiDAR prezintă opt funcții care permit ecologiștilor,
managerilor forestieri și oamenilor de știință să importe și să vizualizeze date LiDAR, să detecteze
și să delimiteze arborii individuali, să calculeaze valorile din date LiDAR la niveluri de stand
(suprafață de probă).
Procesarea datelor LiDAR a fost efectuată utilizând algoritmul “pit-free” dezvoltat de
Khosravipour și colab. (2014) pentru a genera un MDC netezit la o rezoluție spațială de 0,5 m cu
ajutorul unei scheme de lucru implementată în LAStools (Isenburg, 2015).
Detectarea individuală a arborilor a fost efectuată în R (R Development Core Team 2015)
utilizând funcția FindTreesCHM a pachetului rLiDAR (Silva, 2015). Funcția FindTreesCHM
Capitolul 3
18
utilizează un algoritm de identificare a maximelor locale în MDC printr-o fereastră de mișcare cu
o dimensiune fixă a vârfurilor arborilor .
Fig. 3.11 – Procesarea datelor LiDAR: Identificarea, extragerea înălțimilor maxime și
identificarea coroanelor arborilor
Fig. 3.12 - Locația arborilor individuali peste MDC; Identificarea coroanelor arborilor sub formă
de poligoane
Pentru a obține un nivel optim în detectarea arborilor, am testat 3 TWS (3 × 3, 5 × 5 și 7 ×
7 pixeli) mai întâi pe un MDC care nu a fost netezit, apoi pe un MDC netezit de un filtru mediu
Capitolul 3
19
fix (SWS) de 3 × 3 și 5 × 5 pixeli. Chiar și când opțiunea cu MDC netezit a fost utilizată pentru a
identifica arborii, vârfurile arborilor (HMAX) au fost extrase din MDC care nu a fost netezit.
Delimitarea coroanei a fost efectuată în R, folosind chullLiDAR2D din pachetul rLiDAR
(Silva și colab., 2015).
3.8 Analiza comparativă a tehnicilor folosite la caracterizarea și identificarea
arborilor individuali
Într-o etapă de postprocesare, locația arborilor identificați în teren a fost verificată manual
și suprapusă peste Modelul digital normalizat al suprafeţei superioare a coronamentului (MDC)
extras din datele LiDAR.
Coordonatele fiecărui arbore au fost determinate manual, găsindu-se o poziție favorabilă
cu ajutorul înălțimilor măsurate cu ajutorul MDC. Pentru a face acest lucru, pozițiile absolute ale
arborilor din parcelă au fost calculate din coordonatele geografice arborilor individuali măsurați
în teren. Pentru a obține o potrivire optimă a structurii arborilor, aceste coordonate au fost apoi
transformate în fișiere de tip shapefile, care, în combinație cu înălțimea fiecărui arbore și diametrul
coroanei măsurate din date LiDAR, au format un poligon reprezentând dimensiunile coroanei
fiecărui arbore.
Verificarea a fost efectuată prin compararea metodelor de segmentare cu locațiile arborilor
mapați individual în teren.
Rezultatele ratei de detecție și a erorilor pentru fiecare dintre algoritmi sunt afișate în
tabelul 3.2. Rezultatele au variat de la un tip de suprafață de probă la altul, iar fiecare algoritm s-a
efectuat optim.
Metoda de identificare a arborilor individuali utilizând curbura profilului a detectat mai
mulți arbori decât delimitarea watershed sau detectarea maximelor locale utilizând rLiDAR în
toate suprafețele de probă. Metoda de identificare a arborilor individuali utilizând curbura
profilului și detectarea maximelor locale utilizând rLiDAR au avut erori aproape egale, în timp ce
detectarea watershed a avut mai multe erori de detectare.
Metoda de identificare a arborilor individuali utilizând curbura profilului a detectat mai
ușor arborii în standuri dense decât delimitarea watershed și au avut erori mai mici sau aproape
egale.
Maximele locale au detectat corect mai puțini arbori decât au făcut ambii algoritmi, dar,
din nou, au avut mai puține erori comise. Standul de lemn mixt a reprezentat o provocare pentru
toți algoritmii.
Capitolul 3
20
Tab. 3.1 – Compararea metodelor de identificare a arborilor individuali
Teren Curbura profilului R
Watershed
Suprafață de
probă
Nr. arbori
măsurați
Corect
detectați
Total
segmentați
Rata de
detecție
Eroa
rea
Corect
detectați
Total
segmentați
Rata de
detecție
Eroa
rea
Corect
detectați
Total
segmentați
Rata de
detecție
Eroa
rea
S1 13 12 13 92 % 7 % 10 12 77 % 17 % 11 11 85 % 0 %
S2 9 7 12 78 % 42 % 7 15 78 % 53 % 4 8 44 % 50 %
S3 11 8 12 73 % 33 % 8 9 73 % 11 % 6 10 55 % 40 %
S4 9 7 12 78 % 42 % 6 10 67 % 40 % 7 11 78 % 36 %
S5 9 5 10 56 % 50 % 6 9 67 % 33 % 6 8 66 % 25 %
S6 10 7 9 70 % 22 % 5 8 50 % 38 % 5 7 50 % 29 %
S7 17 9 14 53 % 36 % 11 13 65 % 15 % 8 13 47 % 38 %
S8 13 7 11 54 % 36 % 6 10 46 % 40 % 7 12 54 % 42 %
S9 13 7 10 54 % 30 % 8 11 62 % 27 % 7 10 54 % 30 %
S10 8 7 10 88 % 30 % 7 9 88 % 22 % 4 6 50 % 33 %
S11 9 7 13 78 % 46 % 7 12 78 % 42 % 3 6 33 % 50 %
S12 11 10 11 91 % 9 % 9 13 82 % 31 % 6 7 55 % 14 %
S13 5 4 7 80 % 43 % 4 6 80 % 33 % 3 5 60% 40 %
Capitolul 4
21
Capitolul 4
STUDII DE TEREN ȘI CULEGEREA DATELOR NECESARE
VALIDĂRII REZULTATELOR
4.1 Stabilirea suprafețelor de probă
Unul dintre obiectivele acestui studiu a fost acela de a determina corelația dintre valorile
obținute din date LiDAR și biomasa forestieră. Există mai multe moduri de a relaționa aceste
valori, iar majoritatea modelelor au fost dezvoltate pentru a obține valori ale biomasei forestiere
în zonele temperate (Lefsky și colab., 1999).
Inventarierile forestiere se pot realiza în mai multe moduri: la nivel de arboret, la nivel de
de ocol silvic sau la nivel regional. Inventarierea la nivelul arboretului implică măsurarea,
înregistrarea, prelucrarea şi stocarea caracteristicilor arborilor dintr-un arboret, totale, ce se
realizează prin măsurarea tuturor arborilor sau parţiale (în suprafeţe de probă dreptunghiulare sau
circulare, relascopice, cu număr constant de arbori sau bazate pe distanţa dintre arbori.
Suprafețele de probă circulare au mai multe avantaje decat suprafețele de probă
dreptunghiulare, avand o precizie mai bună de inventariere, se inventariază toţi arborii care se află
la o distanţă mai mică decât raza cercului, procentul de inventariere este mai mic şi mai eficient
iar costul lucrărilor de inventariere este mai mic.
În general se măsoară suprafețe de probă de 100 - 1000 m2, suprafețe suficient de mari, cu
cel puțin 10 arbori pentru a respecta principiul reprezentativităţii. Dacă sunt luate în considerare
suprafețe mai mari de 1000 m2, acestea nu sunt indicate, deoarece este greu de lucrat pe o suprafață
mare și nu este economic.
Pentru selectarea mărimii suprafețelor de probă se ia în considerare vârsta arboretelor, de
exemplu, în arboretele de vârste medii și în arboretele exploatabile se iau cercuri de probă de 200
- 500 m2.
Suprafețele de probă se amplasează sistematic, după o rețea fixă realizată pe baza unui
ortofotoplan. Ținând cont de numărul de sondaje și distanța dintre suprafețe, se materializează
centrele locurilor de probă cu țăruși, se execută inventarierea și se notează elementele măsurate în
fiecare suprafață probă iar într-un final se determină volumul pe baza elementelor determinate.
Capitolul 4
22
Tab. 4.1 – Date obținute din fișa de descriere parcelară
Descrierea stațiunii și
a arboretelui
ELM
ARB
VÂRSTA D
cm
H
m
VOLUM
m3 ha
VOLUM
m3 UA
94F 23.10ha
Altitudine: 850-990 m
Expoziție E
Comp. actuală: 4 MO 3
MO 1BR 1 MO 1 FA
MO
MO
BR
MO
FA
115
60
130
145
110
48
36
36
64
44
31
26
31
35
27
221
132
58
64
35
5105
3049
1340
1478
809
Total 115 510 11781
4.2 Măsurători pentru poziționarea spațială a arborilor
Măsurătorile din teren sunt necesare pentru a standardiza corelația dintre valorile datelor
LiDAR și stocuri de carbon din diferite suprafețe forestiere. Numărul de suprafețe de probă
necesare pentru a genera o corelație consistentă între LiDAR și carbon poate fi determinat numai
de cercetări ample. Cu toate acestea, se poate argumenta că dacă numărul de măsurători din teren
poate fi redus în funcție de rolul calibrării LiDAR, atunci LiDAR devine un instrument de
eșantionare care poate mapa mii de hectare pe zi ceea ce e greu de ralizat doar cu măsurători din
teren.
Fig. 4.1 – Alegerea suprafețelor de probă și testarea instrumentelor de măsurare
Capitolul 4
23
Scopul măsurătorilor din teren, a fost de a evalua caracteristicile structurale ale arborilor
pentru a servi ca bază de referință în compararea rezultatelor obținute în urma prelucrării datelor
LiDAR.
Astfel, au fost alese o serie de suprafețe de probă circulare, cu o suprafață de 500 m2, cu
raza de 12,62 m, iar în cadrul fiecărei suprafețe de probă au fost determinați parametrii biometrici
caracteristici pentru structura și tipul arborelui: specie, diametru la 1,30 m (dbh), poziția arborelui
și centrele suprafețelor circulare. Acești parametri reprezintă un element important pentru acest
proiect. Delimitarea suprafețelor de probă în teren a fost realizată utilizând o bandă cu dimensiunea
de 12,62 m, fiind destul de complicat de măsurat în zonele cu vegetație deasă.
Determinarea coordonatelor punctelor de sprijin s-au realizat cu Sistemul GPS Leica
compus din smart Antena ATX1230 GG și Controller RX1250X ideal pentru determinarea poziției
punctelor într-un timp scurt și cu o precizie bună, staţionându-se pe cele două puncte de sprijin
minimum 30 de minute. Coordonatele punctelor au fost obținute în sistemul de coordonate
geografice WGS 84 (latitudine, longitudine) iar apoi au fost transformate în sistemul de coordonate
STEREO 70. Pentru ca datele să fie comparate, s-au realizat măsurători cu precizie ridicată,
executate cu stația totală Leica TCR 703, pentru a identifica poziția spațială a arborilor din fiecare
suprafață de probă (fig. 4.2).
Fig. 4.2 - Suprafață de probă circulară
Capitolul 4
24
Fig. 4.3. – Drumuire deschisă sau în vânt
Având în vedere că distanțele între punctele de triangulație sunt mari, acestea nu asigură
vizibilitate la toate punctele de detaliu din teren, iar îndesirea rețelei nu este posibilă, se pune
problema determinării coordonatelor unor puncte care prin amplasamentul lor să asigure
determinarea unor puncte din care să se poată măsura toate detaliile terenului; această tehnica se
numește metoda drumuirii (fig. 4.3).
Tab. 4.2 - Numărul de arbori măsurați pe teren și identificați pe baza datelor LiDAR
Unitate de
producție
Unitate
amenajistică Compoziție Suprafață
de probă Suprafață
(m2)
H min
(m)
H max
(m)
Nr. de arbori
măsurați în teren
III
94 F
4MO 3MO 1BR 1MO 1FA
94F S1 500 26 33 13
94F S2 500 28.5 37 8
94F S3 500 28.13 35.35 11
94F S4 500 30.6 37.87 9
94F S5 500 29.6 35 9
94F S6 500 31.26 40.73 10
94F S7 500 28.8 42.37 17
94F S8 500 25.17 35.23 15
94F S9 500 27.82 35.75 17
94F S10 500 33.17 36.73 9
94F S11 500 31.41 36.23 9
94F S12 500 23 34.13 13
94F S13 500 25.1 35.6 5
Total 145
Capitolul 4
25
Datele obținute în urma măsurătorilor din teren au fost importate într-o bază de date de tip
ESRI (geodatabase) ce conține următoarele straturi: conturul suprafețelor de cercetare, pozițiile
arborilor, tabelul ce conține caracteristicile descriptive ale arborilor, cum ar fi coordonatele
spațiale, specia, diametru, suprafața din care face parte precum și observațiile din teren.
În urma comparării metodelor de identificare a arborilor individuali, pe baza datelor LiDAR,
metoda de delimitare a coroanei individuale a arborilor bazată pe curbura profilului se poate
identifica cel mai bine cu realitatea din teren.
4.3 Măsurători pentru caracterizarea structurală a arborilor
Realizarea unui inventar al pădurilor, pe scară largă, nu face referire doar la producția de
lemn, acesta se realizează și ca instrument de control al stării pădurilor, cu un interes crescut legat
de structura, creșterea, calitatea, și sănătatea acestora. Realizarea unui inventar al stării suprafețelor
pădurilor pe baza datelor furnizate de amenajările forestiere ar putea fi luat în considerare atunci
când în planificarea forestieră vor fi realizate controale statistice și matematice în zone de
probațiune permanente, ținându-se cont de speciile de arbori și de vârstă acestora.
Pentru realizarea inventarierilor caracteristice amenajării pădurilor se ține cont de scopul
acestora și sunt luate în considerare următoarele etape:
✓ stabilirea ocolului silvic, a unităţii de producţie şi a unităţii amenajistice;
✓ identificarea vârstei arboretului;
✓ măsurarea diametrului de bază;
✓ numărul suprafeței de probă;
✓ numărul şi determinarea poziției arborelui în cadrul unei suprafețe de probă;
✓ stabilirea formei (circulară sau dreptunghiulară) şi mărimea suprafeței de probă;
✓ delimitarea suprafețelor de probă;
✓ stabilirea numărului de suprafețe de probă;
✓ distanţa dintre suprafețele de probă.
4.4 Calculul resurselor de biomasă
Importanța alegerii ecuației alometrice nu poate fi supraestimată. Diferite ecuații clastice
pot produce estimări diferite ale biomasei folosind aceleași valori din măsurători (Williams, 2008).
Pentru marea majoritate a speciilor de arbori s-au efectuat măsurători ce au ca rezultat recoltarea
distructivă, fiind insuficiente pentru a permite derivarea relațiilor specifice între specii.
Capitolul 4
26
Există două metode de măsurare în teren. Prima este metoda distructivă. Dintre toate
metodele disponibile de estimare a biomasei, metoda distructivă, cunoscută și sub denumirea de
metoda de recoltare, este cea mai directă metodă de estimare a biomasei supraterane și a stocurilor
de carbon stocate în ecosistemele forestiere. Această metodă implică recoltarea tuturor arborilor
din zona cunoscută și măsurarea greutății diferitelor componente ale arborelui recoltat, cum ar fi
trunchiul arborelui, frunzele și ramurile și măsurarea greutății acestor componente după ce au fost
uscate în cuptor. Această metodă de estimare a biomasei este limitată la o suprafață mică sau la
dimensiuni mici ale eșantioanelor. Deși această metodă determină cu precizie biomasa într-o
anumită zonă, este consumatoare de timp și resurse, este intensă, distructivă și costisitoare și nu
este posibilă o analiză de mare amploare. Această metodă nu este, de asemenea, aplicabilă pentru
pădurile degradate care conțin specii amenințate. De obicei, această metodă este utilizată pentru
dezvoltarea ecuației ce trebuie aplicată pentru evaluarea biomasei pe o scară mai largă.
A doua metodă de estimare a biomasei arborilor este metoda nedistructivă. Această metodă
estimează biomasa unui arbore fără a fi tăiat. Metoda nedistructivă de estimare a biomasei este
aplicabilă acelor ecosisteme cu specii rare sau protejate de arbori în care recoltarea unor astfel de
specii nu este foarte practică sau fezabilă.
Metoda cea mai răspândită pentru estimarea biomasei forestiere este cea realizată prin
intermediul ecuațiilor alometrice. Ecuațiile alometrice sunt aplicate datelor de inventariere a
pădurilor pentru a evalua stocurile de biomasă și de carbon.
Alegerea ecuațiilor alometrice are un efect semnificativ asupra calculelor de obținere a
biomasei, deoarece estimările biomasei forestiere variază în funcție de vârsta pădurii, specie și de
densitatea arborilor. Prin urmare, ecuațiile alometrice generalizate disponibile pentru zone mari ar
trebui utilizate cu prudență, deoarece situl influențează foarte mult relațiile alometrice. Kim și
colab. (2010), în studiul lor, subliniează faptul că ecuațiile alomerice specific siturilor sunt mai
precise în prezicerea estimărilor biomasei forestiere la nivel local. Estimarea biomasei forestiere
poate fi realizată utilizând oricare dintre metodele sau combinațiile realizate cu metodele
menționate. În același timp, atunci când se alege o metodă pentru estimarea biomasei, trebuie ținut
cont de aplicabilitatea acestei metode pentru zona sau tipul de pădure ales. Deși măsurătorile din
teren oferă o estimare mai precisă a biomasei forestiere, aceasta este intensivă din punct de vedere
al forței de muncă și a resurselor și consumatoare de timp. Prin urmare, utilizarea relațiilor
alometrice este adesea metoda preferată pentru estimarea biomasei forestiere, deoarece această
metodă oferă o măsurare nedistructivă și indirectă a biomasei și, comparativ, este mai puțin
consumatoare de timp și mai puțin costisitoare. Cu toate acestea, ecuațiile alometrice dezvoltate
pentru estimarea biomasei trebuie să fie validate.
Capitolul 4
27
Cele mai comune forme de ecuații utilizate pentru a prezice biomasa sunt alometrice (y =
axb), exponențiale (y = aebx) sau pătratice (y = a + bx + cx2) (Tritton și Hornbeck, 1982). Unele
studii iau în considerare biomasa subterană din rădăcini.
Toate metodele de estimare a biomasei implică, cel puțin în etapele de dezvoltare, o
predicție a biomasei arborilor individuali (Parresol, 1999).
Biomasa verde a unui arbore individual poate fi determinată prin cântărirea componentelor
sale. Biomasa uscată se calculează prin uscarea în cuptor a probelor de lemn și determinarea
greutății specifice.
Biomasa verde este, de obicei, transformată în biomasă uscată, deoarece poate varia în
funcție de condițiile de umiditate din mediul înconjurător. Pentru arborii mari, astfel de metode
consumă mult timp și sunt foarte laborioase. Deoarece nu este posibil ca studiul actual să evalueze
biomasa folosind metode distructive, biomasa va fi estimată pe baza modelelor dezvoltate anterior.
Inventarul volumului forestier pune în evidență numai lemnul comercial valoros.
4.4.1 Calcule pentru estimarea biomasei utilizate în studiile de specialitate
Pentru calculul volumului, în România, au fost întocmite tabele de cubaj cu două intrări
pentru fiecare specie. Din acestea rezultă volume medii ale fusului arborelui sau a arborelui întreg
pentru arbori cu diametre şi înălţimi la fel, iar în prezent se realizează tabele de cubaj prin metoda
celor mai mici pătrate.
𝑣 = 𝑓 (𝑑, ℎ) (4.7)
Ecuaţia de regresie dublu logaritmică a volumului este considerată alegerea potrivită pentru
speciile de arbori din țara noastră, fiind echivalentul matematic al tabelelor de cubaj cu două intrări.
Determinarea volumului arborilor pe picior se realizează cu ajutorul ecuaţiei de regresie
(Metode şi tabele dendrometrice - Giurgiu V., 2004):
log 𝜈 = 𝑎0 + 𝑎1 log 𝑑 + 𝑎2 𝑙𝑜𝑔2 𝑑 + 𝑎3 log ℎ + 𝑎4 𝑙𝑜𝑔2 ℎ (4.8)
Unde: d - diametru de bază,
h – înălțimea în m,
ν – volumul în m3,
a0,a1,a2,a3 şi a4 - coeficienţii de regresie stabiliţi pe specii.
Valorile coeficienţilor de regresie, pentru fiecare specie de arbore, se prezintă în Tabelul
nr. 4.4.
Capitolul 4
28
Tab. 4.3 - Coeficienții de regresie stabiliți pentru fiecare specie (Giurgiu, 2004)
Specie/Coeficienți a0 a1 a2 a3 a4
Molid -4.18161 2.08131 -0.11819 0.70119 0.148181
Brad -4.46414 2.19479 -0.12498 1.04645 0.016848
Fag -4.11122 1.30216 0.23636 1.26562 -0.079661
Metoda Giurgiu pentru estimarea biomasei totale, în funcție de diametrul de bază, se aplică
folosind următoarele ecuații:
Pentru molid:
𝑦 = 44.855 − 9.8498 𝑥 + 0,7929 𝑥2 (4.9)
Pentru fag:
y = 36.539 – 11.4655 x + 1.1 𝑥2 (4.10)
Pentru brad:
𝑦 = 3.96 – 5.34 𝑥 + 0.6699 𝑥2 (4.11)
Unde:
y – biomasa totală în kg ha-1;
x – diametrul de bază în cm.
4.4.2 Volumul altor părți ale arborelui
Volumul cojii se calculează în procente din volumul fusului, în funcţie de specie şi de
diametrul de bază.
𝑉𝑐𝑜𝑎𝑗ă = 𝑉𝑓𝑢𝑠 ∗ 9% (4.16)
Volumul crăcilor se extrage din tabele biometrice ca procent din volumul fusului în
funcţie de specie şi diametrul de bază. În ceea ce priveşte volumul crăcilor, în acest caz el s-a
stabilit pe baza tabelelor biometrice. Cercetările au demonstrat faptul că volumul crăcilor este
corelat cu diametrul de bază, volumul coroanei, înălţimea arborelui şi vârsta arborelui. Pe lângă
acestea, volumul crăcilor mai este influenţat şi de consistenţa arboretului, poziţia arborelui în
arboret, bonitatea staţiunii, provenienţa şi structura arboretului. În cazul fagului, volumul crăcilor
se calculează ca procent din volumul arborelui (fus plus crăci).
𝑉 𝑐𝑟ă𝑐𝑖 𝑚𝑜𝑙𝑖𝑑 = 𝑉𝑓𝑢𝑠 ∗ 4.4% (4.17)
𝑉 𝑐𝑟ă𝑐𝑖 𝑏𝑟𝑎𝑑 = 𝑉𝑓𝑢𝑠 ∗ 5.7% (4.18)
Capitolul 4
29
Volumul părților superioare este reprezentat de volumul fusului adunat cu volumul
crăcilor.
𝑉𝑝ă𝑟ț𝑖 𝑠𝑢𝑝𝑒𝑟𝑖𝑜𝑎𝑟𝑒 = 𝑉𝑓𝑢𝑠 + 𝑉𝑐𝑜𝑎𝑗ă + 𝑉𝑐𝑟ă𝑐𝑖 (4.19)
Volumul rădăcinilor şi al cioatei
La determinarea volumului rădăcinilor şi al cioatei s-a considerat că acesta variază în raport
cu ecotipul, vârsta, provenienţa şi dimensiunile arborelui, precum şi în funcţie de consistenţa
arboretului şi condiţiile staţionale. Volumul subteran variază pentru molid între 19.5-20.7% din
volumul fusului, pentru brad variază între 15.7-18.9% iar pentru fag între 18.4-18.5%.
𝑉𝑠𝑢𝑏𝑡𝑒𝑟𝑎𝑛 = 𝑉𝑟ă𝑑+𝑐𝑖𝑜𝑎𝑡ă (4.20)
Volumul total al arborelui reprezintă suma dintre volumul subteran şi volumul
suprateran.
Biomasa fusului reprezintă cantitatea de substanţă uscată corespunzătoare unui anumit
volum a fusului.
Densitatea aparentă reprezintă greutatea unui metru cub de lemn după uscarea acestuia.
Densitatea lemnului poate oscila semnificativ în cadrul aceleași specii, fiind influențată de
mai mulți factori, cum ar fi: poziție, vechime sau loc. Pentru molid și pentru brad s-a stabilit că un
metru cub de lemn are după uscare 450 kg iar pentru fag 707 kg.
Cantitatea de carbon stocată reprezintă 50% din biomasa carbonului stocat.
Capitolul 5
30
Capitolul 5
INTERPRETAREA REZULTATELOR
5.1 Aprecieri asupra tehnicilor utilizate la identificarea și cuantificarea
arborilor individuali
Metoda de identificare a arborilor individuali utilizând curbura profilului demonstrează că
poate fi o nouă metodă de segmentare, cu rate de detectare îmbunătățite față de delimitarea
tradițională watershed sau față de detectarea maximelor locale utilizând alte metode aplicate în
suprafețele de probă evaluate, indiferent de compoziția lor. Se observă că, în dezvoltarea
algoritmului, câțiva parametri au fost personalizați pentru speciile care sunt testate. În contrast,
algoritmul de delimitare watershed și algoritmul de identificare a maximelor locale și a
coronamentelor utilizând rLiDAR au fost utilizați cu majoritatea setărilor implicite. Este posibil
ca precizia crescută să poată fi obținută de la acești 2 algoritmi prin reglarea fină a numeroșilor
parametri. În ciuda acestei concluzii, considerăm că metoda de identificare a arborilor individuali
utilizând curbura profilului a îmbunătățit în mod constant performanța față de acești algoritmi,
indicând faptul că aceasta poate servi drept alternativă validă pentru segmentarea și identificarea
arborilor individuali. Cu toate acestea, această metodă are câteva deficiențe care merită evaluate
și ar putea fi îmbunătățită prin reglarea unor parametrii.
Deși poziția coroanei arborilor (dominantă, codominantă, intermediară) nu a fost măsurată
în teren, se pot face deducții examinând rata de detecție a fiecărui algoritm în funcție de clasa
diametrului. Deoarece arborii cu dimensiuni reduse sunt mai frecvent supraîncărcați în majoritatea
standurilor neuniforme, se poate deduce că îmbunătățirea semnificativă a nivelului de detectare a
straturilor în majoritatea standurilor s-a datorat unei detecții sporite a arborilor intermediari,
codominanți și dominanți. Delimitarea watershed poate avea dificultăți în segmentarea arborilor
codominanți și intermediari, care se amestecă în profilul arborilor adiacenți. O excepție de la
aceasta regula a avut loc în suprafețele de probă unde găsim fag, iar metoda de identificare a
arborilor individuali utilizând curbura profilului a detectat mai mulți arbori. Această constatare ar
putea indica faptul că metoda de identificare a arborilor individuali utilizând curbura profilului a
fost mai în măsură să detecteze arborii în aceste suprafețe de probă.
Capitolul 5
31
De asemenea, s-ar putea îmbunătăți delimitarea arborilor foarte înalți. În prezent, rata de
detecție a arborilor înalți din zona studiată este calitativ ridicată. Cu toate acestea, mulți dintre
acești arbori au fost delimitați eronat, și ca atare, ratele de detecție raportate au suferit. În cazul în
care un arbore cu o înalțime mică este detectat, ar trebui să se supună unei examinări ulterioare,
care poate include numai grupuri sub un anumit prag de înălțime sau se încearcă să se identifice
spațiul dintre arborii dominanți și cei dominați.
Credem că performanța metodei de identificare a arborilor individuali utilizând curbura
profilului în standuri mixte sau de foioase se diferențiază de alți algoritmi bazați pe MDC, care nu
pot face diferența între coroanele interconectate ale arborilor. O mare parte din îmbunătățirea
performanțelor algoritmului se datorează utilizării punctelor de sub suprafața coronamentului.
Dacă există mai multe întoarceri ale coronamentului în mai multe straturi, centrul unui arbore
poate fi identificat chiar și atunci când coroana lui nu este proeminentă, dând metodei alese un
avantaj față de ceilalți algoritmi concepuți pentru a identifica arborii dintr-un MDC. În cele din
urmă, trebuie evaluat tipul de pădure și toleranța la erori înainte de a decide asupra unui algoritm
de delimitare. Deși maximele locale au avut rate de detectare mai scăzute în unele metode de
detectare, au avut, de asemenea, mai puține erori și ar putea fi, prin urmare, cele mai potrivite
pentru identificarea arborilor dominanți. De asemenea, delimitarea watershed s-a realizat aproape
la fel de bine ca și metodei de identificare a arborilor individuali utilizând curbura profilului, în
cazul coniferelor. Având în vedere avantajul său computațional, ar putea fi considerat un algoritm
potrivit pentru pădurile mari și uniforme de conifere.
Rezultatele obținute sugerează că, deși metoda de identificare a arborilor individuali
utilizând curbura profilului funcționează la fel de bine sau mai bine decât ceilalți algoritmii testați
în fiecare suprafață de probă, această metoda de delimitare ar putea fi considerată mai potrivită în
cazul pădurilor dense și în care arborii nu au coroane distincte sau în cazul situațiilor în care este
necesar un nivel ridicat de precizie pe o suprafață mică.
5.2 Aprecieri privind relațiile de calcul utilizate pentru estimarea resurselor
de biomasa dintr-un areal
5.2.1 Înălțimea arborelui
În contextul forestier, înălțimea totală este definită ca distanța verticală dintre nivelul
solului și vârful arborelui, iar înălțimea fusului poate fi definită ca distanța de la baza arborelui
până la baza primei ramuri vii ce formează o parte din coroana acestuia (Brack, 1999).
Măsurarea înălțimii totale și a înălțimii fusului este dificilă pentru arborii înalți, în special
în păduri dense, cu arbori apropiați și coroane suprapuse.
Capitolul 5
32
Rezultatele cercetărilor arată că LiDAR-ul poate să evalueze înălțimea arborelui, care este
unul din parametrii cheie ai inventarierelor forestiere. Aceste constatări sunt deosebit de
importante, ținând seama de faptul că măsurătorile înălțimii din teren sunt considerate mai dificile
și mai costisitor de colectat decât diametru de bază, în special în suprafețe de probă înalte. Ca
urmare, unele inventarieri forestiere măsoară toți arborii pe teren pentru diametru și doar cațiva
arbori pentru înălțimi.
Fig. 5.1 – Numărul arborilor în raport cu înalțimea
Tab. 5.1 – Comparație între înalțimile medii obținute pe baza datelor LiDAR și înalțimile din
descrierea parcelară
Molid Brad Fag
Date LiDAR 33 m 32 m 30 m
Descriere parcelară 35 m 31 m 27 m
În studiu realizat de Feldpausch (2011), s-a descoperit că raportul h:dbh depinde de locația
geografică, mediu și structura pădurilor. Astfel, s-a făcut o evaluare pentru a examina relația dintre
parametrii structurali forestieri pentru suprafețele de probă din cadrul parcelei 94F. Deoarece
biomasa are o relație directă cu dbh, se poate deduce că biomasa este de asemenea legat de dbh și
înălțime (h).
Includerea înălțimii în ecuațiile alometrice îmbunătățește acuratețea estimării biomasei
arborilor individuali și ar trebui să fie inclusă ca parametru principal în estimările biomasei.
Capitolul 5
33
5.2.2 Numărul arborilor
Numărul arborilor s-a dovedit a fi unul dintre parametrii dificil de estimat cu ajutorul
LiDAR-ului. După cum era de așteptat, cele mai bune rezultate au fost obținute pentru arbori
dominanți.
Fig. 5.2 – Raportul dintre numărul arborilor măsurați în teren și numărul arborilor măsurați cu
ajutorul datelor LiDAR
Dominanța arborilor este un factor cheie în vizibilitatea unei coroane individuale. În plus,
aglomerarea coroanelor afectează puternic numărul arborilor și, cu excepția cazului în care sunt
măsurători din teren, acestea sunt dificil de evaluat. O comparație strictă a numărului de arbori
este de asemenea afectată de poziția arborelui față de limita parcelei, în special pentru arborii din
apropierea periferiei parcelei. Baza fusului poate fi cartografiată în interiorul suprafeței de probă,
în timp ce partea superioară și cea mai mare parte a coroanei sunt proiectate în afara suprafeței de
probă. Arborii mari de lângă marginea suprafeței de probă pot să inducă diferențe considerabile.
5.2.3 Volumul arborilor
Volumul arborilor unei păduri este una dintre cele mai importante caracteristici pentru
gestionarea pădurilor. Volumul arborelui individual depinde, de obicei, de dbh, înălțimea arborelui
iar majoritatea studiilor utilizează ecuații de volum care implică doar dbh și înălțimea.
Volumul a fost calculat pe baza înălțimii obținute din datele LiDAR și dbh obținut pe baza
măsurătorilor din teren.
Capitolul 5
34
5.2.4 Biomasa și stocul de carbon
Parametrii principali utilizați pentru estimarea biomasei în suprafețele de probă măsurate
au fost dbh și înălțimea arborilor. Biomasa estimată prin măsurători în teren și date LiDAR a fost
obținută prin utilizarea dbh și a înalțimii, deoarece studiile anterioare au demonstrat că dbh este
cea mai fiabilă variabilă pentru estimarea biomasei. Cu toate acestea, capacitatea parametrilor,
estimați de LiDAR, de a prezice biomasa a fost de așteptat să fie una bună.
După investigarea modelelor alometrice utilizate în acest studiu pentru estimarea biomasei,
s-a constatat că biomasa este dependentă de speciile de arbori. Această dependență poate fi
observată în special între speciile de conifere și fag.
Ecuațiile utilizate în acest studiu pentru predicția biomasei au fost aplicate cu succes pe
întreaga suprafață de studiu, prezentând o capacitatea de predicție bună a modelului. Pentru studiile
viitoare, se poate face o comparație între o pădure tânără și una matură, pentru a se vedea dacă
modelul poate demonstra o performanță mai scăzută, datorită algoritmilor de segmentare a
arborilor și a densității punctuale relativ scăzute a setului de date LiDAR. Standuri de păduri tinere
cu coroane mici joacă un rol important în ciclul carbonului și la determinarea biomasei.
Au existat, desigur, și alte incertitudini legate de estimarea biomasei în zona de studiu. În
primul rând, decalajul de timp dintre datele LiDAR și activitatea din teren. Acesta a fost mai mare
de un an, datele LiDAR au fost colectate în 2012, iar datele din teren în 2018, ceea ce înseamnă că
orice perturbare a pădurilor sub formă de tăiere ar putea afecta producția. S-a hotărât că aplicarea
algoritmului de extracție a înalțimii cu un prag de 20 m ar trebui să fie satisfăcătoare pe întreaga
suprafață de studiu. Numărul arborilor măsurați în teren a variat în funcție de specie și de condițiile
de mediu.
Au existat variații în cantitatea de biomasa observată pe cele 13 suprafețe de probă datorită
speciei și densității pădurii. Prin cunoașterea valorii totale a biomasei în fiecare dintre suprafețele
de probă, măsurate cu ajutorul datelor din teren și a datelor LiDAR, a fost posibilă și determinarea
biomasei medii pe ha.
Deși multe studii au reușit să extragă parametrii de inventariere a pădurilor la nivel de
arbore individual, din datele LiDAR, folosind algoritmi automați, acest lucru a complicat
compararea rezultatului calculelor biomasei din acest studiu (kg/h-1) cu alte estimări ale biomasei
pe tipuri similare de păduri. Stocul de carbon de la nivelul suprafeţelor de probă (Tabelul 5.2) a
fost calculat prin multiplicarea cantităţii de biomasă cu factorul de conversie 0,5 (IPCC, 2006).
Capitolul 5
35
Tabel 5.2. – Estimarea volumului, biomasei și a stocului de carbon în suprafețele de probă selectate
Suprafață de
probă
Molid Brad Fag
Volum (v) m3ha-1
Biomasă (kg ha-1)
Stoc carbon (kg ha-1)
Volum (v) m3ha-1
Biomasă (kg ha-1)
Stoc carbon (kg ha-1)
Volum (v) m3ha-1
Biomasă (kg ha-1)
Stoc carbon (kg ha-1)
1 18.61947614 8844.251166 4422.125583 8.808723199 4184.14352 2092.07176 0.576005886 407.2361611 203.6180806
2 15.36657971 7299.125361 3649.562681 24.14388649 11468.34608 5734.173042 0 0 0
3 8.586528967 4078.60126 2039.30063 16.80964522 7984.581478 3992.290739 0 0 0
4 16.21735333 7703.242831 3851.621415 16.04146093 7619.693943 3809.846971 0 0 0
5 13.11087666 6227.666412 3113.833206 20.68882641 9827.192547 4913.596273 0 0 0
6 51.97533647 24688.28482 12344.14241 7.208668397 3424.117489 1712.058744 3.430391371 2425.286699 1212.64335
7 19.80410205 9406.948473 4703.474236 52.35996278 24870.98232 12435.49116 0 0 0
8 33.37397292 15852.63714 7926.318569 0 0 0 8.143860481 5757.70936 2878.85468
9 23.54704267 11184.84527 5592.422634 33.79560495 16052.91235 8026.456175 0 0 0
10 8.839734156 4198.873724 2099.436862 37.29272554 17714.04463 8857.022315 0.616648988 435.9708345 217.9854173
11 12.50813276 5941.363059 2970.681529 25.11730893 11930.72174 5965.36087 26.46937923 18713.85112 9356.925558
12 0 0 0 55.777421 26494.27498 13247.13749 8.568877936 6058.196701 3029.09835
13 2.401951506 1140.926965 570.4634826 29.59903729 14059.54271 7029.771355 0 0 0
Total 224.3510873 8844.251166 53283.38324 327.6432711 155630.5538 77815.27689 47.80516389 33798.25087 16899.12544
Total mediu pe s. p.
17.25777595 8197.443575 4098.721788 25.20332855 11971.58106 5985.79053 3.677320299 2599.865452 1299.932726
Total mediu pe ha
345.155519 163948.8715 81974.43575 504.066571 239431.6212 119715.8106 73.54640599 51997.30903 25998.65452
Capitolul 5
36
5.3 Clasificarea speciilor de arbori cu ajutorul imaginilor satelitare
5.3.1 Procesarea datelor
Teledetecția oferă o alternativă mai bună de cartografiere și este, de asemenea, capabilă să
obțină informații despre speciile de arbori într-un mod mai larg în comparație cu metodele clasice.
Datele folosite în acest studiu sunt imagini RapidEye de înaltă rezoluție, achiziționate în
data de 29 mai 2018 (www.planet.com). RapidEye este un satelit german care a fost lansat în
august 2008. Imaginea RapidEye are o configurație multispectrală de cinci benzi, care include o
bandă unică red edge, fiind o platformă ideală pentru monitorizarea vegetației.
Durata de viață a navei spațiale este de șapte ani, în timp ce distanța de eșantionare la sol
a acestui satelit este de 6,5 metri.
În plus, timpul de întoarcere de înaltă frecvență al imaginilor satelitare RapidEye permite
detectarea mult mai subtilă a modificărilor în ceea ce privește acoperirea terenului, însă pentru ca
aceste modificări să poată fi detectate, imaginile trebuie să facă obiectul unei prelucrări
substanțiale. Imaginile prelucrate sunt disponibile fie în formă necorectată geometric, fie ca produs
orto-rectificat.
Tabelul 5.3 (Tyc și colab., 2005) oferă un rezumat al configurației benzilor spectrale
RapidEye.
Tabelul 5.3- Caracteristicile spectrale RapidEye (Tyc și colab., 2005)
Banda Descriere Interval spectral
(nm)
Lungimea de undă (nm)
1 Blue 440–510 475.0
2 Green 520–590 555.0
3 Red 630–685 657.5
4 Red-edge 690–730 710.0
5 NIR 760–850 805.0
5.3.2 Indici de vegetație multispectrali
Simplificarea datelor, în indici interpretabili, permite obținerea unor concluzii puternice
privind starea vegetație (Jackson și Huete 1991). Prin efectuarea diferitelor operații aritmetice
asupra valorilor de reflexie a pixelilor putem obține indici care ar putea fi folositori pentru
Capitolul 5
37
evaluarea și cuantificarea fenomenelor de pe suprafața Pământului, decât daca am folosi benzile
originale.
NDVI (Normalized Difference Vegetation Index) este unul dintre cei mai răspândiți indici
de vegetație și este utilizat în evaluarea și monitorizarea densității vegetației fiind asociat cu
parametrii biofizici precum biomasa, indicele foliar (LAI) și procentul de acoperire cu vegetație al
terenului. În acest studiu, NDVI (Figura 5.6) a fost obținut ca diferență dintre zona de vegetație și
non-vegetație pentru a îmbunătăți procesul de clasificare ulterioară. Valoarea NDVI a fost
calculată ca diferență dintre NIR, banda 5 și roșu, banda 3.
𝑁𝐷𝑉𝐼 =𝑁𝐼𝑅 – 𝑅𝐸𝐷
𝑁𝐼𝑅 + 𝑅𝐸𝐷 (5.1)
Prezența unei benzi Edge Red este o caracteristică unică care distinge sateliții RapidEye de
cei mai mulți sateliți multispectrali. Ecuația NDVI prin adaptarea benzii red edge (NDRE) a
imaginii RapidEye este dată ca fiind (Wu et al., 2009):
𝑁𝐷𝑅𝐸 =𝑁𝐼𝑅 – 𝑅𝑒𝑑 𝐸𝑑𝑔𝑒
𝑁𝐼𝑅 + 𝑅𝑒𝑑 𝐸𝑑𝑔𝑒 (5.2)
În această ecuație, banda roșie a NDVI a fost înlocuită cu red edge. Ambele ecuații NDVI
produc valori în intervalul de la -1,0 la 1,0, ceea ce poate duce la concluzia că valorile NDVI mai
pozitive indică existența unei vegetații mai verzi în cadrul pixelului, în timp ce valorile negative
NDVI au fost definite ca zone non-vegetative, cum ar fi corpurile de apă și teren.
Înlocuirea benzii roșii NDVI cu banda red edge, NDRE oferă un rezultat care nu este atât
de puternic absorbit doar de straturile superioare ale frunzelor. NDRE poate oferi o mai bună
înțelegere a culturilor permanente sau ulterioare, deoarece poate măsura în profunzime.NDRE
este, de asemenea, mai puțin predispus la saturație în prezența vegetației dense, care poate fi
întâlnită în estimarea biomasei. Prin urmare, NDRE poate să ofere un rezultat mai bun al
variabilității într-o zonă pe care NDVI ar considera că ar fi uniformă.
Capitolul 5
38
Fig. 5.3 – Rezultatul obținut pentru NDVI și NDVI Red Edge (NDRE
5.3.3 Procesul de clasificare
Imaginea a fost clasificată în șase clase - molid (MO), brad (BR), fag (FA), pașune, cladiri
și drum - folosind o clasificare supervizată și o regulă a deciziei de clasificare a probabilității
maxime (maximum likelihood). Regiunile care reprezintă fiecare clasă sunt distincte și
identificabile clar în imaginea RapidEye, prin urmare au fost selectate modele de antrenament pe
această imagine pentru fiecare dintre cele șase clase folosind metoda poligonului digitizat. Mai
multe poligoane digitizate pentru fiecare clasă au fost fuzionate pentru a crea fiecare semnătură
spectrală. Odată ce imaginea a fost clasificată, arborii dominanți și co-dominanți din toate
parcelele, care sunt arborii cel mai probabil văzuți de sus, au fost utilizați pentru a evalua precizia
imaginii clasificate. Locațiile arborilor și speciile lor sunt cunoscute din inventarul din teren.
Arborii dominanți sunt considerați arborii care au diametru de bază (dbh) mai mare decât diametrul
mediu pătrat pentru fiecare parcelă. Diametrul mediu pătrat este cunoscut și ca diametrul arborelui
mediei bazale medii și este puțin mai mare decât media aritmetică dbh (Avery și Burkhart, 1994).
Capitolul 5
39
Acuratețea utilizatorului oferă o indicație privind fiabilitatea imaginii clasificate ca
dispozitiv predictiv în raport cu speciile care se află în teren. În suprafața 94 F 41% din suprafață
este acoperită de brad, 36% molid și 23% fag.
Imaginea RapidEye a fost georeferențiată imaginii ortofoto și, prin urmare, a fost co-
înregistrată spațial la datele LiDAR. Rezoluția spațială inițială de 5 metri a imaginii RapidEye
clasificate nu se potrivește cu mărimea pixelului de 0,5 m al MDC obținut din LiDAR, însă în
absența imaginilor multispectrale achiziționate simultan cu datele LiDAR, imaginea RapidEye
oferă o sursă adecvată de informații pentru a face diferența între cele trei specii majore de arbori,
care pot fi ulterior utilizate pentru prelucrarea datelor obținute din LiDAR.
Dată fiind însă rezoluţia ridicată a imaginilor satelitare RapidEye, acestea permit și
interpretarea vizuală calitativă a detaliilor de mărime medie din teren și utilizarea informaţiilor
interpretate în semi-automatizarea lucrărilor de separare a tipurilor de acoperire a solului.
Precizia clasificării a fost testată prin punctele de control suprapuse prin georeferenţiere
peste imaginea satelitară clasificată si cea iniţială, vizualizată în condiţii de rezoluţie ridicată.
Fig. 5.4 - Procentul pe specii de arbori in parcela 94F
Capitolul 5
40
Fig. 5.5 – Imaginea clasificată rezultată prin utilizarea metodei de clasificare Maximum Likelihood
5.4 Analiza detecției schimbărilor
Acoperirea pădurilor este un fenomen dinamic. În teledetecție, schimbarea poate fi definită
ca o modificare a componentelor caracteristicilor de la suprafața Pământului în domeniul spațio-
temporal. În cazul studiilor legate de vegetație, schimbarea poate fi definită ca o modificare a
componentei de suprafață a acoperirii vegetale, mișcarea spectrală / spațială a unei entități de
vegetație în timp (Coppin și Bauer, 1996). Două schimbări majore apar în pădure: naturale și
artificiale. Schimbările naturale sunt consecințe ale variațiilor sezoniere, ale creșterii și motilității.
Analiza detecției schimbărilor ar trebui să facă parte din managementul forestier obișnuit,
furnizând informații managerilor pentru a ajuta la luarea deciziilor. Este foarte util pentru
managementul pădurilor să determine efectele relative ale diferitelor tratamente și cauzele
schimbării.
Acest subcapitol se referă în principal la monitorizarea schimbărilor în domeniul pădurilor
în perioada 2009-2018. Se concentrează pe două metode principale. În primul rând, modificările
sunt monitorizate vizual și grafic utilizând imagini NDVI, care sunt bine cunoscute în studiile
privind silvicultura. Tehnica NDVI pentru monitorizarea vegetației este o metodă frecvent utilizată
în analiza detecției schimbărilor în ceea ce privește pădurile.
Capitolul 5
41
Fig. 5.6 – Rezultatul obținut pentru NDVI pentru anul 2009 și anul 2015(UP3 Vama Suceava)
Fig. 5.7 – Rezultatul obținut pentru NDVI pentru anul 2018 (UP3 Vama Suceava)
Capitolul 5
42
În al doilea rând, modificările sunt detectate utilizând tehnicile de analiza a detecției
schimbărilor. Metodele digitale de detectare a schimbărilor în domeniul studiilor legate de
vegetație includ compararea clasificărilor pentru acoperirea vegetației, diferențierea și analiza
vectorilor de schimbare.
Obiectivul acestui subcapitol este de a evalua modificările pădurilor în timp, datorită
operațiunilor de tăiere, utilizând valorile NDVI din imaginile RapidEye, din date diferite (2009,
2015 și 2018). Imaginile RapidEye oferă posibilitatea unică de a detecta atât defrișările, cât și
degradarea pădurilor.
Cu combinația de rezoluție spațială ridicată și timpi scurți de revizuire, RapidEye
facilitează monitorizarea în timp util și detectarea unor tulburări ale pădurii chiar și cu intensitate
scăzută. De exemplu, exploatarea forestieră ilegală este mult mai ușor de diferențiat, întrucât
decalajele înguste ale coronamentului forestier sunt încă identificabile.
Pe măsură ce NDVI se modifică, acesta separă vegetația verde de alte suprafețe, deoarece
clorofila vegetației verzi absoarbe lumina roșie și reflectă lungimile de undă apropiate în infraroșu.
Prin urmare, valori ridicate ale NDVI indică o cantitate de biomasă ridicată.
În perioada observată, modificările au fost mici (NDVI a variat de la 0.814-0.825). Cu toate
acestea, schimbările locale majore au fost recunoscute vizual în fiecare imagine NDVI.
Schimbările de acoperire a zonelor forestiere au fost relativ mai mari în perioada 2015-2018, iar
modificările au fost indicate de o scădere mica a indicelui de vegetație iar modificările legate de
creșterea acoperirii vegetale se caracterizează prin zone mici, neuniforme.
Abordarea clasificării imaginilor supervizate necesită ca analistul să selecteze eșantioane
adecvate de formare reprezentative pentru aria de cercetare (Jensen 1987). Eșantioanele de formare
sunt identificate pe baza datelor din teren și interpretarea vizuală a imaginilor. Clasificarea
supervizată se bazează pe valorile pixelilor sau ale cifrelor digitale din regiunea de interes. Au fost
selectate zone de interes pe baza de pixeli pentru fiecare clasă de acoperire a terenului.
Metoda de clasificare Maximum Likelihood a fost utilizată datorită performanței sale bune.
Algoritmul este benefic pentru reducerea anomaliilor din clasificare, ce pot apărea datorită
răspunsurilor spectrale similare ale obiectelor din zonă. Astfel, zonă de studiu a fost clasificată și
delimitată în doua clase de acoperire a terenului: terenuri forestiere și alte clase de utilizare a
terenului.
Se pot observa schimbări semnificative între anii 2009-2018, ceea ce înseamnă ca în anul
2009 suprafețele de teren împădurite erau mai mari decat cele neîmpădurite, iar diferența poate fi
pusă pe seama schimbărilor, fie naturale, fie provocate de om.
Capitolul 5
43
Fig. 5.8 – Clasificarea supervizată a zonelor acoperite de pădure pentru anul 2009 și 2015 (UP3 Vama
Suceava)
Fig. 5.9 – Clasificarea supervizată a zonelor acoperite de pădure pentru anul 2018 (UP3 Vama Suceava)
Capitolul 5
44
Detecția schimbărilor poate fi descrisă ca fiind procesul de identificare a diferențelor unui
obiect sau fenomen prin observarea la momente diferite. Acest proces este aplicat schimbărilor de
la suprafața pământului la două sau mai multe seturi de date multi-temporale. Depistarea exactă a
schimbărilor de pe suprafața Pământului oferă o mai bună înțelegere a relației dintre fenomenele
umane și cele naturale și contribuie la o mai bună gestionare și utilizare a resurselor.
Fig. 5.10 – Graficul clasificării supervizate a zonelor acoperite de pădure sau de alte clase (ha)
pentru anii 2009, 2015 și 2018 (UP3 Vama Suceava)
Cea mai simplă metoda implică analiza unei singure clase în două intervale de timp, iar
varianta mai complexă implica analiza mai multor clase, iar ambele metode au aceleași principii
de bază, de a indica spațial zone ce au suferit modificări. (S. Doru, 2018)
Metodologia prezentată se poate realiza cu ușurință prin intermediul softului Saga-GIS.
Scopul hărților de detecție a schimbărilor realizate pentru monitorizarea suprafețelor de
pădure este de a arăta spațial schimbările de la o clasă de utilizare a terenului către altă clasă.
Intervalul ales a fost determinat de disponibilitatea surselor de date respectiv imaginile
satelitare din cadrul misiunii RapidEye. Astfel au fost selectate anumite imagini satelitare ținându-
se cont de fenologie, condiții meteorologice și intervale de timp similare pentru a crește gradul de
acuratețe a analizei.
Capitolul 5
45
Fig. 5.11 – Rezultatul analizei detecției schimbărilor suprafețelor de pădure în UP3 Vama Suceava între
anii 2009-2015 și între anii 2015-2018
Fig. 5.12 - Rezultatul analizei detecției schimbărilor suprafețelor de pădure în UP3 Vama Suceava între
anii 2009-2018
Capitolul 5
46
Au fost generate hărți pentru intervalele de timp 2009 vs 2015, 2015 vs 2018 și 2009 vs
2018, cu rolul de a vedea cele mai dinamice intervale dar și evoluția per ansamblu a întregii
perioade.
Se pot observa modificări privind suprafața pădurilor, pentru anul 2009 au fost identificate
aproximativ 5900 ha terenuri forestiere, urmat de o scădere a suprafețelor forestiere la 5700 ha în
anul 2015, iar pentru anul 2018 au fost identificate aproximativ 5600 ha.
Aceste modificări pot fi puse pe seama perturbărilor forestiere, mai ales începând cu anul
2015, ceea ce înseamnă o diminuare a biomasei lemnoase în zonele respective, respectiv a stocului
de carbon.
Conform Munteanu (2016) gestionarea istorică a pădurilor poate afecta puternic
gestionarea și conservarea pădurilor contemporane, deși se cunosc puține schimbări în păduri de-
a lungul secolelor care limitează înțelegerea modului în care managementul și administrarea
terenurilor afectează practica curentă în domeniul forestier și conservarea ecosistemelor.
Aderarea României la Uniunea Europeană a adus cu ea noi reglementări pentru a spori
conservarea naturii și privind gestionarea terenurilor, însă, pădurile au prezentat un nivel ridicat
de perturbare după 1990 și mai ales după 2000.
Ratele de perturbare au fost, de asemenea, ridicate în România, în special după legile
majore de privatizare din 1991, 2000 și 2005 (Munteanu, 2016).
Zona de studiu UP3 nu face partea din zone naturale protejate, fapt ce determina și mai
mult exploatarea masei lemnoase.
Pierderea suprafețelor de pădure în zona studiată are ca principal mecanism exploatarea
masei lemnoase în scop economic, fiind una dintre principalele resurse pentru populație.
Metoda aplicată este foarte practică și se poate aplica pe suprafețe mari, obținându-se date
prețioase ce pot ajuta la monitorizarea zonelor izolate sau greu accesibile.
Capitolul 6
47
Capitolul 6
CONCLUZII ȘI CONTRIBUȚII PERSONALE
6.1 Stadiul de realizare a obiectivelor programului de cercetare și calitatea
rezultatelor
Informațiile despre biomasă sunt utile pentru numeroase aplicații legate de mediul
înconjurător și sunt esențiale pentru înțelegerea și anticiparea schimbărilor de mediu la nivel
mondial.
LiDAR este o tehnologie de ultimă oră în teledetecție cu un potențial extraordinar în
cartografierea biomasei. LiDAR-ul aeropurtat măsoară vegetația de deasupra coroanei, însă uneori
lipsesc informații despre tulpină și înălțimea arborilor. În ansamblu, cercetarile cu privire la
utilizarea datelor LiDAR în sistemele de cartografiere a biomasei, se află încă în fază incipientă.
Studiile anterioare au arătat că îmbinarea caracteristicilor multispectrale sau hiperspectrale
cu date LiDAR au avut ca rezultat o îmbunătățire a estimării biomasei în pădurile de conifere.
Combinarea LiDAR-ului cu imagini aeriene/satelitare optice are potențialul de a furniza
informații, spectrale și morfologice de înaltă rezoluție, despre arbori. Cu toate acestea, există multe
probleme atunci când se combină LiDAR-ul cu imaginile optice, datorită geometriei diferite dintre
cele două tehnologii. Cu toate acestea, această abordare este recomandată pentru cercetări
ulterioare.
Cercetările au urmărit stabilirea posibilităţilor de integrare a datelor LiDAR și a imaginilor
satelitare de înaltă rezoluţie în gestionarea resurselor naturale, cu precădere a celor forestiere, în
condiţiile nivelului silviculturii din România și a logisticii disponibile.
Cu disponibilitatea crescândă a datelor LiDAR, managerii forestieri au văzut oportunități
de utilizare a LiDAR-ului pentru a satisface o gamă mai largă de informații privind inventarul
forestier.
De exemplu, estimările înălțimilor generate de datele LiDAR au fost de o precizie similară
sau mai bună decât estimările corespunzătoare din teren, obținute din descrierea parcelară.
Lucrarea de faţă şi-a propus analiza şi estimarea biomasei în pădurile dominate de conifere,
folosind date LiDAR aeropurtat ca mai apoi să se realizeze o analiză a schimbărilor în zona
studiată, cu ajutorul imaginile satelitare.
Capitolul 6
48
Analiza bazată pe date RapidEye a fost capabilă să furnizeze o cartografiere precisă a
speciilor de arbori și astfel poate fi utilizată pentru clasificarea MDC derivate din LiDAR. În ceea
ce privește datele LIDAR, acestea s-au dovedit a fi utile pentru estimarea biomasei prin utilizarea
relațiilor alometrice.
Disponibilitatea estimărilor biomasei permite o monitorizare suplimentară a unui
ecosistem forestier atunci când intervin schimbări, deși este nevoie de un program amplu de
zboruri pentru colectarea unor cantități adecvate de date. Mai mult, valorile obținute pot fi utilizate
direct în studii suplimentare privind stocurile de carbon din pădurile de conifere din zona de studiu.
Rezultatele intermediare obținute în acest studiu, cum ar fi modelul MDC, MDT sau MDS,
sunt de asemenea valoroase în aplicațiile forestiere. MDT este foarte util pentru planificarea și
activitățile operaționale, în timp ce MDS descrie structura vegetației și poate fi astfel utilizat pentru
a înțelege rugozitatea pădurilor.
6.2 Contribuții științifice aduse prin programul de cercetare
În cadrul cercetărilor efectuate privind utilizarea tehnicilor GIS și de teledetecție în
estimarea biomasei forestiere și a stocului de carbon, lucrarea de faţă a evidenţiat următoarele
realizări şi contribuţii originale:
1. Prezentarea stadiului actual pe plan internaţional şi naţional al cunoștințelor în domeniul
estimării biomasei forestiere și a stocului de carbon în ceea ce priveşte aplicaţiile GIS și a
tehnologiei LiDAR și propunerea unor direcţii viitoare de cercetare.
2. Aplicarea unui un nou algoritm “pit-free” care generează un raster MDC ce utilizează
MDC-uri parțiale pentru a elimina pixeli fără valori, îmbunătățind semnificativ precizia detectării
arborilor.
3. Dezvoltarea unor tehnici de procesare și analiză a datelor LiDAR utilizate pentru a
facilita prezicerea înălțimii arborelui și diametrul mediu al coroanei prin măsurarea arborilor
individuali identificați pe suprafața tridimensională.
5. Analiza comparativă a metodelor folosite la identificarea arborilor individuali.
6. Crearea bazelor de date geospaţiale obţinute prin tehnici moderne de teledetecţiei, GIS
şi prin procedee terestre de inventariere.
7. Realizarea măsurătorilor în teren, prin metoda drumuirii, cu ajutorul stației totale Leica
TCR 703, pentru a identifica poziția spațială a arborilor din fiecare suprafață de probă, precum și
identificarea caracteristicile descriptive ale arborilor.
8. Determinarea caracteristicilor dendometrice ale arborilor pe baza datelor LiDAR și a
măsurătorilor din teren.
Capitolul 6
49
9. Utilizarea imaginilor satelitare multispectrale RapidEye pentru a oferi o mapare precisă
a pădurilor la nivel de specie.
10. Prelucrarea datelor LiDAR împreună cu datele obținute din teren pentru a estima
biomasa și stocul de carbon prin utilizarea relațiilor alometrice.
11. Analiza detecției schimbărilor cu scopul de a evalua modificările suprafețelor de pădure
în timp.
6.3 Recomandări și direcții viitoare de cercetare
Alte recomandări pot fi făcute privind extragerea informațiilor furnizate de LiDAR despre
arbori și folosirea lor în segmentarea imaginilor în mai multe straturi; această metodă are
potențialul de a delimita mai bine arborii și, eventual, de a face diferența între diferite specii.
Pentru cercetări ulterioare în acest domeniu, se sugerează explorarea pe deplin a
potențialului altor algoritmi pentru segmentarea individuală a arborilor, a căror utilizare poate oferi
o estimare îmbunătățită a biomasei.
Ar fi util, de asemenea, să se testeze dacă modelul de predicție a biomasei din acest studiu
ar fi eficient în alte părți ale României.
Combinarea LiDAR-ului aerian și a LiDAR-ului terestru ar oferi un nor de puncte cu o
densitate mare a caracteristicilor de interes.
Numărul arborilor individuali colectați a fost limitat datorită măsurătorilor din teren și a
restricției de timp.
Teste suplimentare cu mai multe seturi de date pentru validare sunt necesare pentru a
investiga fiabilitatea metodelor individuale de identificare a arborilor și a metodelor bazate pe
suprafețe de probă mai mari și pentru compararea lor.
Adăugarea de date suplimentare, cum ar fi variabilele topografice (de exemplu, elevație și
aspect care pot oferi date legate de temperatură și umiditate) pentru a crește șansele de a dezvolta
modelul la nivel de specie. Variabilele topografice sunt predictori buni ai locului în care apar
anumite specii. Majoritatea clasificărilor la nivel de specii folosesc imagini cu peste 200 de benzi
spectrale, în timp ce sistemele LiDAR funcționează cu o singură lungime de undă. Astfel, datele
LiDAR pot oferi literalmente sute de puncte tridimensionale. Cu ajutorul unor parcele de
eșantionare adecvate și a instrumentelor de modelare adecvate, LiDAR poate deveni o sursă
importantă de date privind inventarul forestier.
50
BIBLIOGRAFIE SELECTIVĂ
A. Alexe, I. Milescu, (1983) Inventarierea pădurilor, București, Editura Ceres;
Aldred, A. H. (1978), Application of large-scale photos to a forest inventory in Alberta / by A. H.
Aldred and J. J. Lowe. Ottawa: Canadian Forestry Service, Environment Canada;
Anahita Khosravipour, Andrew K. Skidmore, Martin Isenburg, Tiejun Wang, Yousif A. Hussin (2014),
Generating Pit-free Canopy Height Models from Airborne Lidar, Photogrammetric Engineering and Remote Sensing;
Anthonie Van Laar; A. Akca (1997), Forest Mensuration;
Apostol B. (2015), Utilizarea tehnicilor modern ale teledetecţiei în estimarea unor caracteristici
dendrometrice la arbori şi arboreta de molid din valea Lotrului, Teză de doctorat, Universitatea “Transilvania” din
Braşov;
Brack, C.L., Banks, J.G. and James, R.N. (1999), Forestry out of the forests. Proceedings of the IFA Biennial
Conference "Practising Forestry Today", p 100-107;
Brown, S.L., P. Schroeder, and J.S. Kern, (1999). Spatial distribution of biomass in the eastern USA. Forest
Ecology and Management 123: 81-90;
C. A. Silva, Andrew T. Hudak, Lee A. Vierling, E. Louise Loudermilk, Joseph J. O’Brien, J. Kevin Hiers,
Steve B. Jack,Carlos Gonzalez-Benecke, Heezin Lee, Michael J. Falkowski, Anahita Khosravipour (2016), Imputation
of Individual Longleaf Pine (Pinus palustris Mill.) Tree Attributes from Field and LiDAR Data, Canadian Journal of
Remote Sensing, 42:554–573;
C. A. Silva, Andrew T. Hudak, Nicolas L. Crookston, Carine K. Silva, Veraldo Liesenberg (2014), Extracting
individual trees and lidar metrics using a web- LiDAR forest inventory application, 11th Sminar on Remote Sensing
and GIS Applications in Forest Engineering;
C. Marcu (2018), Tree species classification in Romania using RapidEye and LiDAR data, 8th Advanced
Training Course on Land Remote Sensing, 10-14 September 2018, University of Leicester, UK – Poster;
C. Marcu, F. Stătescu, N.V. Iurist (Dumitrașcu) (2017), EXTRACTION OF TREE CROWNS AND
HEIGHTS USING LIDAR DATA, RevCAD Journal of Geodesy and Cadastre, 22/2017, p 163-170
C. Marcu, L. Crenganis (2017), A geospatial approach to analyse the main energy resources for isolated
areas in Romania, East European Journal of Geographical Information Systems and Remote Sensing, Vol. 1, nr. 1,
2017, p 13-23
C. Marcu, N. Iurist, F. Stătescu (2017), Use of LiDAR data for forestry applications, BULLETIN OF THE
POLYTECHNIC INSTITUTE OF IAŞI, Vol. 63 (67), Issue 3-4, 2017, p 37-44
C. Marcu, Tree species classification in Romania using RapidEye and LiDAR data, 8th Advanced Training
Course on Land Remote Sensing, 10-14 September (2018), University of Leicester, UK – Poster
C. Munteanu, M. D. Nita, I. V. Abrudan, V. C. Radeloff , (2016) Historical forest management in Romania
is imposing strong legacies on contemporary forests and their management, Forest Ecology and Management 361
(2016) 179–193;
Chen, Q., D. Baldocchi, P. Gong, and M. Kelly (2006), Isolatingindividual trees in a savanna woodland using
small footprintlidar data, Photogrammetric Engineering & Remote Sensing,72(8):923–932;
51
Elias Ayrey, Shawn Fraver, John A. Kershaw Jr., Laura S. Kenefic, Daniel Hayes, Aaron R. Weiskittel, Brian
E. Rothd (2017), Layer Stacking: A Novel Algorithm for Individual Forest Tree Segmentation from LiDAR Point
Clouds, CANADIAN JOURNAL OF REMOTE SENSING;
Feldpausch, T. R., Banin, L., Phillips, O. L., Baker, T. R., Lewis, S. L., Quesada, C. A., Affum-Baffoe, K.,
Arets, E. J. M. M., Berry (2011), Height-diameter allometry of tropical forest trees, Biogeosciences, 8, 1081-1106,
https://doi.org/10.5194/bg-8-1081-2011;
George Tyc, John Tulip, Daniel Schulten (2005), The RapidEye mission design, Acta Astronautica
56(1):213-219;
Gibbs, H. K., S. Brown, J. O. Niles, and J. A. Foley. (2007). “Monitoring and Estimating Tropical Forest
Carbon Stocks: Making REDD a Reality.” Environmental Research Letters 2:04502;
Means, J. E., S. A. Acker, D. J. Harding, J. B. Blair, M. A. Lefsky, W. B. Cohen, M. E. Harmon, and Gitta.
(2013), Thiessen Polygon. Geographic Information Technology Training Alliance.
http://www.gitta.info/Accessibilit/en/html/UncProxAnaly_learn ingObject4.html;
Giurgiu V., Decei I., Drăghiciu D. (2004), Forest mensuration methods and tabels. Editura CERES,
Bucureşti, 33–36, 53;
Giurgiu V., Drăghiciu D. (2004), Mathemathical – growths models and yield tables for stands Dendrometric
methods and tables. Editura CERES, Bucureşti, 51–53, 61–63, 571;
Harri Kaartinen, Juha Hyyppä, Antero Kukko, Anttoni Jaakkola and Hannu Hyyppä (2012), Benchmarking
the Performance of Mobile Laser Scanning SystemsUsinga Permanent Test Field, Sensors 2012,12, 12814-12835;
Hill, P. C., Pargament, K. I., Hood, R. W., Jr., McCullough, M. E., Swyers, J. P., Larson, D. B., & Zinnbauer,
B. J. (2000), Conceptualizing religion and spirituality: Points of commonality, points of departure. Journal for the
Theory of Social Behaviour, 30, 51–77;
IPCC, Climate Change (2007), Synthesis Report. Contribution of Working Groups I, II and III to the Fourth
Assessment Report of the Intergovernmental Panel on Climate Change;
IPCC. (2006). IPCC Guidelines for National Greenhouse Gas Inventories Volume 4 Agriculture, Forestry
and other Land Use Retrieved 03 January, 2014;
Isenburg, M., (2010), LAStools, http://www.cs.unc.edu/~isenburg/lastools/
Iurii Shendryk, (2013) Integration of LiDAR data and satellite imagery for biomass estimation in conifer-
dominated forest- thesis;
Jackson, R.D.; Huete, A.R. (1991) Interpreting vegetation indices. Journal of Preventive Veterinary
Medicine, v.11, p.185-200;
Jensen, J.R. (1996), Introductory Digital Image Processing: A Remote Sensing Perspective. 2nd Edition,
Prentice Hall, Inc., Upper Saddle River, NJ;
Jensen, R., Gatrell, J., Boulton, J., Harper, B. (2004), Using Remote Sensing and Geographic Information
Systems to Study Urban Quality of Life and Urban Forest Amenities. Ecology and Society 9(5): 5;
Koch, B. (2006) et al. Detection of Individual Tree Crowns in Airborne Lidar Data. Photogrammetric
Engineering & Remote Sensing, v. 72, n. 4, p. 357-363;
M. Maltamo (2014), Forestry Applications of Airborne Laser Scanning: Concepts and Case Studies;
Maidment, D.R. and Djokic, D., eds. (2000), Hydrologic and hydraulic modeling support withgeographic
information systems. Redlands, USA: ESRI, 232 pp;
52
Maltamo, M., Eerikäinen, K., Pitkänen J., Hyyppä, J. and Vehmas, M. (2004), Estimation of timber volume
and stem density based on scanning laser altimetry and expected tree size distribution functions. Remote Sensing of
Environment, 90, 319−330;
Marcu, C.; Stătescu, F.; Iurist, N. (2017), A GIS-BASED ALGORITHM TO GENERATE A LIDAR PIT-
FREE CANOPY HEIGHT MODEL, Present Environment & Sustainable Development 2017, Vol. 11 Issue 2, p89-
95. 7p - II nd PRIZE
Oniga E., Curs Teledetecție;
P. Coppin, I. Jonckheere, K. Nackaerts, B. Muys (2004), Digital change detection methods in ecosystem
monitoring: a review, Int. J. Remote Sensing Vol. 25, NO.9, 1565–1596;
Parresol, B.R. (1999), Assessing tree and stand biomass: a review with examples and critical comparisons.
Forest Science 45(4): 573-593;
Popescu S.C., Wynne R.H., Nelson R.F.(2004), Measuring individualtree crown diameter with Lidar and
assessing its influence on estimating forest volume and biomass. Canadian Journal of Remote Sensing;
Popescu, S. C. (2007), Estimating Biomass of Individual Pine Trees Using Airborne Lidar, Biomass &
Bioenergy 31:646–55;
Popescu, S. C. (2007), Estimating biomass of individual pine trees using airborne LiDAR. Biomass and
Bioenergy, 31, 646 – 655;
Popescu, S. C., & Wynne, R. H. (2004), Seeing the trees in the forest: Using lidar and multispectral data
fusion with local filtering and variable window size for estimating tree height. Photogrammetric Engineering and
Remote Sensing, 70(5), 589-604.
Qi Chen (2013), 2 Remote Sensing of Vegetation Biomass Using Different LiDAR Systems;
R. A. Houghton (2005), Aboveground Forest Biomass and the Global Carbon Balance, Global Change
Biology, Volume 11, Issue 6;
Argamosa, R. J. L., Paringit, E. C., Quinton, K. R., Tandoc, F. A. M., Faelga, R. A. G., Ibañez, C. A. G.,
Posilero, M. A. V., and Zaragosa, G. P (2016), Fully automated gis-based individual tree crown delineation based on
curvature values from a lidar derived canopy height model in a coniferous plantation, Int. Arch. Photogramm. Remote
Sens. Spatial Inf. Sci., XLI-B8, 563-569;
Rapidlasso. (2013). Rapidlasso GnbH – fast tools to catch reality. Retrieved 2013-10-17;
S. Doru (2018), Analiza spaţială a schimbărilor de utilizare a terenului din judeţul Iaşi în secolele XX-XXI;
Tritton, L.M. and J.W. Hornbeck (1982), Biomass equations for major tree species of the Northeast Broomall,
PA: Northeast Forest Experiment Station; USDA Forest Service General Technical Report NE-69. 46p.;
Resurse online:
http://canacopegdl.com;
http://www.primulmeridian.ro
http://www.rapidlasso.com;
https://www.mathworks.com/products/matlab.html
www.constructosu.eu
www.planet.com
www.rosilva.ro
www.vox.com;
