Ανάπτυξη μεθόδων εκτίμησης της δασικής βιομάζας με χρήση δεδομένων Radar και LiDAR

Abstract

Forest biomass is one of the key elements of the global carbon cycle and plays a key role in mitigating the effects of climate change. Consequently, the estimation of aboveground biomass and its components is the foundation for sustainable and adaptive management of forest ecosystems. However, the forest biomass estimation is an extremely time-consuming and laborious process, with significant spatial and temporal constraints.Modern remote sensing technologies help to overcome these limitations by providing reliable and accurate information on forest biomass. In the last decades, with the rapid technological development of sensors, remote sensing has become a key tool for forest biomass estimation at both global and local scales. The main objective of this research is to investigate the use of remote sensing data for forest biomass estimation in managed forests with complex structure. The research focuses on the development of new methodologies for the estimation of all parts of aboveground forest biomass (trunk, branches, leaves, bark, dead branches), both at the individual tree and plot level, by exploiting the potential of LiDAR, SAR and optical satellite data sensors. The sub-objectives of the research are: (a) to develop a methodology for estimating the biomass of standing logs using multi-spectral LiDAR data, b) to investigate the feasibility of estimating stem biomass at the plot level using Sentinel-1 and Sentinel-2 satellite data in coniferous forests with complex structure and topography; c) to develop a methodology for estimating crown biomass at the individual tree level in a fir forest using airborne LiDAR data; d) to investigate the feasibility of estimating aboveground forest biomass using LiDAR satellite data.The realisation of the first objective was to investigate the potential of multi-spectral LiDAR data to provide reliable estimates of tree-level stem biomass in a forest with complex structure and topography. Five different regression algorithms were evaluated to estimate tree-level biomass using metrics derived from LiDAR data, such as height and intensity. The second objective was to estimate stem biomass using Sentinel-2 optical and Sentinel-1 synthetic aperture radar (SAR) data at the plot level, which is the dominant material of aboveground biomass between different parts of the trees. A regression analysis with the random forest algorithm was performed to develop biomass prediction models using Sentinel-1 and -2 images individually and combined, generating three regression models that were evaluated for their predictive performance using the k-fold cross-validation method. To achieve the third objective, multi-spectral LiDAR data and destructive field measurements were utilized to estimate the biomass of key crown components at the individual tree level. A series of machine learning algorithms were used to estimate branch biomass (dead and living) and needle biomass, the results of which were tested using an independent control sample. The final objective of the thesis involved the use of satellite LiDAR data to estimate aboveground forest biomass, utilizing the derived airborne LiDAR biomass estimation models for the production of reference data. The random forest algorithm was applied to estimate key parts of aboveground biomass and the contribution of topography and biomass density to the estimates was examined.The results of all the above objectives and the derived conclusions highlight the important contribution of remote sensing, and in particular of active sensors, to forest biomass estimation. The employment of these methods can improve the carbon stock estimation at local and national level.

Η δασική βιομάζα αποτελεί ένα από τα βασικά στοιχεία του παγκόσμιου κύκλου του άνθρακα και διαδραματίζει καθοριστικό ρόλο στον μετριασμό των επιπτώσεων της κλιματικής αλλαγής. Κατά συνέπεια, η εκτίμηση της υπέργειας βιομάζας αλλά και των μερών της αποτελεί θεμέλιο της αειφορικής και προσαρμοστικής διαχείρισης των δασικών οικοσυστημάτων. Ωστόσο, η εκτίμηση της δασικής βιομάζας αποτελεί μία εξαιρετικά χρονοβόρα και απαιτητική διαδικασία, παρουσιάζοντας σημαντικούς χωρικούς και χρονικούς περιορισμούς.Οι σύγχρονες τεχνολογίες τηλεπισκόπησης συμβάλουν στην αντιμετώπιση των περιορισμών αυτών, παρέχοντας αξιόπιστες και έγκυρες πληροφορίες για τη δασική βιομάζα. Τις τελευταίες δεκαετίες, με τη ραγδαία τεχνολογική ανάπτυξη των αισθητήρων, η τηλεπισκόπηση έχει καταστεί ως βασικό εργαλείο για την εκτίμηση της δασικής βιομάζας τόσο σε παγκόσμια όσο και σε τοπική κλίμακα. Κύριος σκοπός της παρούσας διδακτορικής έρευνας είναι η διερεύνηση της αξιοποίησης σύγχρονων τηλεπισκοπικών δεδομένων για την εκτίμηση της δασικής βιομάζας σε διαχειριζόμενα δάση με σύνθετη δομή. Η έρευνα εστιάζει στην ανάπτυξη νέων μεθοδολογιών για την εκτίμηση όλων των μερών της υπέργειας δασικής βιομάζας (κορμός, κλαδιά, φύλλα, φλοιός, νεκρά κλαδιά), τόσο σε επίπεδο ατόμου όσο και σε επίπεδο δειγματοληπτικής επιφάνειας, μέσα από την αξιοποίηση των δυνατοτήτων που προσφέρονται από τους αισθητήρες LiDAR, ραντάρ συνθετικού διαφράγματος (SAR). Οι επιμέρους στόχοι της έρευνας είναι οι εξής: α) η ανάπτυξη μεθοδολογίας για την εκτίμηση της βιομάζας ιστάμενων κορμών με τη χρήση πολυφασματικών δεδομένων LiDAR, β) Η διερεύνηση της δυνατότητας εκτίμησης της βιομάζας κορμού σε επίπεδο επιφάνειας με τη χρήση δορυφορικών δεδομένων Sentinel-1 και Sentinel-2 σε δάση κωνοφόρων με σύνθετη δομή και ανάγλυφο γ) η ανάπτυξη μεθοδολογίας εκτίμησης της βιομάζας κόμης σε επίπεδο ατόμου σε κηπευτό ελατοδάσος με τη χρήση εναέριων δεδομένων LiDAR, δ) η διερεύνηση της δυνατότητας εκτίμησης της υπέργειας δασικής βιομάζας με τη χρήση δορυφορικών δεδομένων LiDAR.Η υλοποίηση του πρώτου στόχου ήταν η διερεύνηση της δυνατότητας των πολυφασματικών δεδομένων LiDAR να παρέχουν αξιόπιστες εκτιμήσεις της έμφλοιας και άφλοιας βιομάζας κορμού σε επίπεδο δένδρου σε ένα δάσος με σύνθετη δομή και πολύπλοκη τοπογραφία. Αξιοποιήθηκαν πέντε διαφορετικοί αλγόριθμοι παλινδρόμησης για την εκτίμηση της βιομάζας στο επίπεδο δένδρου χρησιμοποιώντας μετρικές που προέρχονται από τα δεδομένα LiDAR, όπως ύψος και ένταση. Ο δεύτερος στόχος αφορούσε την εκτίμηση της βιομάζας του κορμού με τη χρήση οπτικών δεδομένων Sentinel-2 και δεδομένων SAR Sentinel-1 σε επίπεδο επιφάνειας, η οποία αποτελεί το κυρίαρχο υλικό της υπέργειας βιομάζας μεταξύ των διαφόρων μερών των δέντρων. Πραγματοποιήθηκε ανάλυση παλινδρόμησης με τον αλγόριθμο τυχαίου δάσους για την ανάπτυξη μοντέλων πρόβλεψης της βιομάζας κορμού χρησιμοποιώντας εικόνες Sentinel-1 και -2 μεμονωμένα και συνδυαστικά, δημιουργώντας τρία μοντέλα παλινδρόμησης τα οποία αξιολογήθηκαν για την προγνωστική τους απόδοση μέσω της μεθόδου διασταυρούμενης επικύρωσης k-fold. Για την επίτευξη του τρίτου στόχου αξιοποιήθηκαν πολυφασματικά δεδομένα LiDAR και καταστρεπτικές μετρήσεις πεδίου για την εκτίμηση της βιομάζας των βασικών μερών της κόμης σε επίπεδο ατόμου. Χρησιμοποιήθηκε μια σειρά αλγορίθμων μηχανικής μάθησης για την εκτίμηση της βιομάζας κλαδιών (νεκρά και ζωντανά) και βελονών ελάτης, τα αποτελέσματα των οποίων ελέγχθηκαν με τη χρήση ανεξάρτητου δείγματος ελέγχου. Ο τελευταίος στόχος της διατριβής περιελάβανε τη χρήση δορυφορικών δεδομένων LiDAR για την εκτίμηση της υπέργειας δασικής βιομάζας, αξιοποιώντας τα παραγόμενα μοντέλα εκτίμησης βιομάζας των εναέριων LiDAR ως δεδομένα αναφοράς. Εφαρμόστηκε ο αλγόριθμος τυχαίου δάσους για την εκτίμηση των βασικών μερών της υπέργειας βιομάζας και εξετάστηκε η συμβολή του ανάγλυφου και της πυκνότητας βιομάζας στις εκτιμήσεις.Τα αποτελέσματα όλων των παραπάνω στόχων και τα συμπεράσματα που προκύπτουν από αυτά αναδεικνύουν τη σημαντική συμβολή της τηλεπισκόπησης, και συγκεκριμένα των ενεργητικών αισθητήρων, στην εκτίμηση της δασικής βιομάζας. Η αξιοποίηση των παραπάνω μεθόδων δύναται να βελτιώσει την καταγραφή και εκτίμηση των αποθεμάτων άνθρακα τόσο σε τοπικό, όσο και σε εθνικό επίπεδο.