Grossflächige Klassifikation von Gebüschwald mit Fernerkundungsdaten - DORA 4RI
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Grossflächige Klassifikation von Gebüschwald
mit Fernerkundungsdaten
Dominique Weber Hochschule für Agrar-, Forst- und Lebensmittelwissenschaften, HAFL (CH)*
Marius Rüetschi Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft, WSL (CH)
David Small Geografisches Institut, Universität Zürich (CH)
Christian Ginzler Eidgenössische Forschungsanstalt für Wald, Schnee und Landschaft, WSL (CH)
Grossflächige Klassifikation von Gebüschwald mit Fernerkundungsdaten
Informationen über die Ausdehnung und die Entwicklung von Gebüschwäldern sind für verschiedene forstliche
und ökologische Fragestellungen von Bedeutung, jedoch sind aktuelle und flächendeckende Datensätze kaum
verfügbar. Im Rahmen dieser Arbeit wurde die Kartierung des Gebüschwaldes mit Dominanz von Alpenerle, Leg-
föhre und Hasel für den Kanton Graubünden auf Basis von landesweit verfügbaren Fernerkundungsdaten unter-
sucht. Es wurden die Satellitendaten von Sentinel-1 und Sentinel-2 sowie ein Vegetationshöhenmodell und ein
Geländemodell verwendet. Für die überwachte Klassifikation mit Random Forest, einem auf Entscheidungsbäu-
men basierenden Verfahren des maschinellen Lernens, wurden vom Kanton bereitgestellte und durch Luftbild-
interpretation ergänzte Trainingsflächen verwendet. Die unabhängige Validierung der Ergebnisse wurde mit Da-
ten des Landesforstinventars (LFI) durchgeführt. Alpenerlen- und Legföhrenwälder liessen sich mit einer hohen
Genauigkeit von 92.1% bzw. 86.7% klassifizieren, für Haselwälder betrug die interne Modellgüte hingegen nur
66.7%. Die resultierende Flächenausdehnung des Gebüschwaldes war vergleichbar mit den Angaben des LFI.
Beim direkten Vergleich mit den LFI-Luftbildinterpretationspunkten wurden grössere Abweichungen festgestellt.
Der Hauptgrund dafür ist der unterschiedliche räumliche Detaillierungsgrad. LFI-Flächen mit einem hohen Strauch-
anteil wurden jedoch zuverlässig als Gebüschwald klassifiziert. Die hier vorgestellte Methode unterstreicht das
Potenzial von schweizweit verfügbaren Fernerkundungsdaten für eine weitgehend objektive, kosteneffiziente
und grossflächige Kartierung von Gebüschwäldern in einer für die Praxis genügenden Genauigkeit.
Keywords: remote sensing, shrub forest, classification, sentinel-1, sentinel-2, vegetation height model
doi: 10.3188/szf.2020.0051
* Länggasse 85, CH-3052 Zollikofen, E-Mail dominique.weber@bfh.ch
I
n der Schweiz kommen Gebüschwälder im 2014). Gründe dafür liegen in der extensiveren Nut
Alpenraum und auf der Alpensüdseite vor. Sie zung oder der Aufgabe von Alpweiden (Cioldi et al
werden von den beiden Gehölzarten Alpenerle 2010). Dies hat einen Einfluss auf die Sukzession zu
(70%) und Legföhre (20%) dominiert, gefolgt von Hochwald, die Schutzwirksamkeit, die Schutzwald
Hasel (4%) und strauchförmigen Weiden (3%; Cioldi pflege und die Biodiversität (Anthelme et al 2001,
et al 2010). Gebüschwälder finden sich meistens als Tasser & Tappeiner 2002, Huber & Frehner 2013,
Pioniervegetation auf kargen Standorten wie Lawi Bühlmann et al 2014, Ballian et al 2016). Gebüsch
nenzügen oder Geröllhalden (Mauri & Caudullo wälder sind spezielle Lebensräume, die sich von klas
2016, Ballian et al 2016). Im Schweizerischen Lan sischen Lebensräumen im Wald in diversen Aspek
desforstinventar (LFI) zählt der Gebüschwald zum ten unterscheiden. Deshalb sind, obwohl sie in der
Wald und ist durch einen Strauchanteil von mehr Schweiz heutzutage für die Holznutzung kaum eine
als zwei Dritteln des massgebenden Bestandes defi Bedeutung haben, detaillierte Informationen über
niert (Keller 2013). Im LFI4b machte der Gebüsch ihre Ausdehnung und Entwicklung von Interesse.
wald in der Schweiz mit 658 km2 ca. 5% der Wald Daten zu Gebüschwäldern werden im Auftrag des
fläche aus (Abegg et al 2014). Dabei handelte es sich Bundes (LFI und Arealstatistik) stichprobenartig er
zu 56% um reine und zu 44% um mit Einzelbäumen hoben. Aktuelle und flächendeckende Datensätze
durchmischte Gebüschwälder. sind nach unserem Wissensstand kaum vorhanden.
Wie die Arealstatistik des Bundesamtes für Sta Gebüschwälder sind oft nicht oder nur teilweise in
tistik (BFS) und das LFI zeigen, nimmt die Gebüsch den Waldmasken der Kantone und des Bundes ent
waldfläche zu (Hotz & Weibel 2005, Abegg et al halten bzw. werden bei automatischen Waldausschei
Schweiz Z Forstwes 171 (2020) 2: 51–59 CONNAISSANCES 51●
●
●●
● ● ●●
●
●●●● N wurden Daten der Satelliten Sentinel1 und Senti
➣
●
nel2, das Vegetationshöhenmodell des LFI und ein
●
Geländemodell verwendet. Diese Datensätze eignen
sich sowohl für die Waldabgrenzung als auch für die
Unterscheidung der drei Gebüschwaldarten (Ginzler
& Hobi 2016, Immitzer et al 2016, Rüetschi et al
2018). Das Ziel dieser Studie war es, mit einer praxis
tauglichen und kosteneffizienten Methode einen
kantonalen Datensatz zur aktuellen Verbreitung der
Trainingsflächen drei Gebüschwaldarten bereitzustellen.
●
●
● Gebüschwald
Wald
Andere Flächen
Vegetationshöhe (m)
● 0–1
Material und Methoden
● ● 1–5
●
●
●
●
5–15
●
15–20 Untersuchungsgebiet
20–30
0 5 10 20 30–40 Der Kanton Graubünden hat eine Fläche von
Kilometer 40–60
7105 km2, wovon gemäss Auswertungen des LFI4b
Abb 1 Der Kanton Graubünden als Untersuchungsgebiet und die für die Klassifikation ver-
2098 km2 Wald (29.5%) inklusive 246 km2 Gebüsch
wendeten Trainingsflächen (n=602), dargestellt auf dem halbtransparenten Vegetations-
wald (3.5% der Kantons bzw. 11.7% der Waldfläche)
höhenmodell des Landesforstinventars (Ginzler 2018) und der Reliefdarstellung des Gelän-
demodells swissALTI3D (© 2019 swisstopo).
sind (Abegg et al 2014). Damit ist der Kanton Grau
bünden jener Kanton mit der grössten Gebüschwald
dungen, die auf Höhenkriterien basieren, nicht aus fläche der Schweiz. Als Gebüschwald gelten insbe
geschieden (Waser et al 2015). Für flächendeckende sondere Alpenerlen und Legföhrenwälder, die fast
Kartierungen werden traditionellerweise Feldaufnah ausschliesslich in der subalpinen Stufe vorkommen.
men oder Luftbildinterpretationen durchgeführt, Dazu kommen Haselwälder, die auch in etwas tief
diese sind jedoch kostenintensiv. Insbesondere für eren Lagen, jedoch selten unter 1000 m ü.M. anzu
grosse Flächen und das langfristige Monitoring sind treffen sind. Als Untersuchungsgebiet wurde die
neue Möglichkeiten zu erkunden. Vermehrt stehen ganze Kantonsfläche verwendet (Abbildung 1).
Fernerkundungsdaten und Methoden zur Verfügung,
die eine automatisierte Kartierung des Gebüschwal Übersicht über den Arbeitsfluss
des nach einheitlichen Kriterien und mit einer für Für die Erarbeitung der Gebüschwaldkarte für
die Praxis ausreichenden Genauigkeit ermöglichen den Kanton Graubünden wurde eine überwachte
könnten. Im Rahmen dieser Studie wurde die Kartie Klassifikation mit dem Algorithmus Random Forest
rung des Gebüschwaldes mit Dominanz von Alpen (RF) durchgeführt (Breiman 2001). Dabei wurden
erle, Legföhre und Hasel für den Kanton Graubün Fernerkundungsdaten von aktiven und passiven Sen
den auf Basis von landesweit und möglichst frei soren sowie über den Kanton verteilte Trainingsflä
verfügbaren Fernerkundungsdaten untersucht. Es chen verwendet. In einem iterativen Prozess wurde
Sentinel-2
Vegetations- Digitales
Sentinel-1 Level-1C-Produkte, Trainingsflächen Trainingsflächen
höhenmodell Geländemodell
24-Tage-Komposite Vegetationsindizes, Kanton GR Luftbildinterpretation
LFI swissALTI3D
NDVI-Maximum 2017
Fernerkundungsdaten Median Pixelwerte Trainingsflächen
(85 Prädiktoren) pro Trainingsfläche (8 Klassen)
Genauigkeit Genauigkeit
Trainingsdatensatz
pro Pixel pro LFI-Fläche
Validierung Klassifikation Random Forest Modell Modellgüte und
mit LFI-Daten ganzer Kanton GR Variablenwichtigkeit
Nachbearbeitung 5× Wiederholung
Finale Gebüschwaldkarte
Mehrheitsfilter und nur Visuelle Begutachtung
Gebüschwaldkarte pro Iteration
bis 2400 m ü.M.
Abb 2 Arbeitsfluss der überwachten Klassifikation mit Random Forest zur Erstellung und Validierung der Gebüschwaldkarte für den Kanton Graubünden. In
einem iterativen Verfahren wurde die Karte nach jedem der fünf Durchgänge visuell begutachtet und durch neu hinzugefügte Trainingsflächen verbessert.
52 WISSEN Schweiz Z Forstwes 171 (2020) 2: 51–59Bodenbedeckung Anzahl Trainingsflächen Trainingsflächen
Kanton Luftbild- Summe Vom Kanton Graubünden wurden Trainings
Graubünden interpretation flächen zu den drei Gebüschwaldarten Legföhre (Pi-
Gebüschwald nus mugo), Alpenerle (Alnus viridis) und Hasel (Cory-
Alpenerle 38 38 76 lus avellana) als georeferenzierte Polygone mit einer
Legföhre 42 41 83 mittleren Flächengrösse von 1011 m2 (Standardab
Hasel 17 7 24 weichung: 488 m2) zur Verfügung gestellt (Tabelle 1).
Wald Die Ausscheidung dieser Flächen basierte auf exis
Nadelwald 130 130 tierenden Datensätzen des Kantons (z.B. Bestandes
Laubwald 96 96 karte) und der Auswertung von Luftbildern. Es
Lärchen 41 41 wurde darauf geachtet, dass innerhalb eines Poly
Andere Flächen gons nur eine Gebüschwaldart vorkam. Für Hasel
Sonstige Vegetation 115 115 wälder konnte nur eine beschränkte Anzahl Trai
Keine Vegetation 37 37 ningsflächen bereitgestellt werden, da diese aufgrund
Summe 97 505 602
ihres seltenen Vorkommens deutlich schwieriger
aufzufinden waren als die anderen Gebüschwaldar
Tab 1 Anzahl Trainingsflächen nach Datenherkunft und Bodenbedeckung.
ten. Zusätzlich wurden Trainingsflächen für fünf
Vegetationsindex Formel mit Sentinel-2-Bändern (B) Referenz
weitere Bodenbedeckungsklassen (Tabelle 1) durch
eigene Luftbildinterpretation auf Basis des Orthofo
NDVI (B8–B4)/(B8+B4) Rouse et al (1974)
tomosaiks Swissimage 25 cm (swisstopo 2019b) er
NDI45 (B5–B4)/(B5+B4) Delegido et al (2011)
stellt. Diese wurden für die Abgrenzung der Ge
MCARI B5–B4–0.2 × (B5–B3) × (B5–B4) Daughtry et al (2000)
büschwälder von den übrigen Klassen, zum Beispiel
GNDVI (B7–B3)/(B7+B3) Gitelson et al (1996)
Laubwald oder vegetationslose Fläche, benötigt. Es
IRECI (B7–B4)/(B5/B6) Frampton et al (2013)
wurde kein systematisches Stichprobenverfahren
Tab 2 Die verwendeten Sentinel-2-Vegetationsindizes. verwendet, jedoch darauf geachtet, dass alle Klassen
über den ganzen Kanton verteilt waren. Da zu Be
Datensatz Beschreibung Anzahl
ginn des Verfahrens wenig GebüschwaldTrainings
Variablen
flächen zur Verfügung standen, wurden diese in ei
Sentinel-1 (S1) Radar-Sensor, 24-Tage-Rückstreuungskomposite 6
nem iterativen Verfahren erweitert (Abbildung 2).
März 2017 Mittlere VV- und VH-Rückstreuung für
Bei jedem Durchgang wurde die Klassifikation mit
2.3–25.3.2017
tels Luftbildinterpretation evaluiert und an Orten,
Juni 2017 Mittlere VV- und VH- Rückstreuung für
wo offensichtlich Fehler vorlagen, wurden gezielt
10.6–03.07.2017
neue Trainingsflächen erstellt. Dieser iterative Pro
September 2017 Mittlere VV- und VH- Rückstreuung für
zess wurde fünfmal wiederholt, bis gutachterlich
29.8–21.9.2017
keine offensichtlichen Fehler mehr vorhanden wa
Sentinel-2 (S2) Optischer Sensor, Level-1C-Produkte 73
ren. Für alle per Luftbildinterpretation erhobenen
28. März 2017 13 Spektralbänder und 5 Vegetationsindizes
Trainingsflächen wurde eine Kreisfläche von 702 m 2
27. Mai 2017 13 Spektralbänder und 5 Vegetationsindizes
gewählt, um sicherzustellen, dass die angesprochene
26. Juni 2017 13 Spektralbänder und 5 Vegetationsindizes
Fläche grösser als die räumliche Auflösung der ver
14. Oktober 2017 13 Spektralbänder und 5 Vegetationsindizes
wendeten Fernerkundungsdaten ist (Fläche eines Pi
NDVI-Maximum 2017 Maximaler NDVI-Wert aller Aufnahmen von 2017
xels entspricht 100 m2). Aufgrund des nicht proba
Vegetationshöhen- Vegetationshöhenmodell des LFI aus Luftbildern 2
bilistischen Stichprobenverfahrens ist die interne
modell (VHM) 2012–2016 (Ginzler 2018)
Modellgüte mit Vorsicht zu betrachten. Für die
VHM max. Maximale Vegetationshöhe pro 10 m × 10 m
Schätzung der effektiven Kartengenauigkeit war eine
VHM SD Standardabweichung der Vegetationshöhe pro
zusätzliche Validierung mit unabhängigen Daten
10 m × 10 m
notwendig (siehe weiter unten).
Digitales Gelände- Basierend auf dem digitalen Höhenmodell 4
modell (DGM) swissALTI3D (Auflösung 10 m)
Fernerkundungsdaten
Höhe über Meer in Meter (m)
Es wurden Aufnahmen der Satelliten Sentinel
Hangneigung in Grad (°)
1A, Sentinel1B (RadarSensoren) und Sentinel2A,
Nordausrichtung von –1 (südexponiert) bis 1 (nordexponiert)
Sentinel2B (multispektrale optische Sensoren) der
Ostausrichtung von –1 (westexponiert) bis 1 (ostexponiert)
Europäischen Weltraumorganisation ESA (Torres et
Summe 85
al 2012, Drusch et al 2012), das Vegetationshöhen
Tab 3 Übersicht über die verwendeten Datensätze. modell des LFI (Ginzler 2018) und ein digitales
Geländemodell (swisstopo 2019a) verwendet. Für
das Modell mit der Erfassung zusätzlicher Trainings Sentinel1 und Sentinel2 wurden Aufnahmen aus
flächen kontinuierlich verbessert. Der angewendete mehreren Jahreszeiten genutzt, um wichtige Phasen
Arbeitsfluss ist in Abbildung 2 dargestellt. der Vegetationsentwicklung abzudecken. Um den
Schweiz Z Forstwes 171 (2020) 2: 51–59 CONNAISSANCES 53Einfluss des Rauschens in einzelnen Sentinel1Auf daten verwendet. Mit den nicht verwendeten Trai
nahmen abzuschwächen, wurden drei Sentinel ningsdaten, den sogenannten OOBDaten (engl.
1Komposite mit Zeitfenstern von 24 Tagen für März, «outofbag»), kann später die Genauigkeit insgesamt
Juni und September 2017 generiert. Dabei wurde aus und pro Klasse (OOBFehler) berechnet werden. Zu
allen in den jeweiligen Zeitfenstern gemachten Auf sätzlich kann die Variablenwichtigkeit mittels Permu
nahmen nach radiometrischen Terrainkorrekturen tation, also dem zufälligen Austauschen von Werten
ein mittlerer Rückstreuungswert für beide verfüg in den Prädiktorvariablen und der damit verbunde
baren Polarisationen (VV und VH) gerechnet (Small nen Abnahme der Modellgenauigkeit, ermittelt wer
2012). Von Sentinel2 wurden Aufnahmen vom den. Für die Klassifikation wurde das in R implemen
28. März, 27. Mai, 26. Juni und 14. Oktober 2017 als tierte RFPaket mit den Standardeinstellungen
radiometrisch und geometrisch korrigierte Level1C (abgesehen vom Parameter ntrees=1000, Anzahl der
Produkte verwendet. Bei der Auswahl dieser Bilder Entscheidungsbäume) verwendet (Liaw & Wiener
wurde auf einen minimalen Bewölkungsgrad geach 2002). Als Prädiktoren wurden alle 85 aus den Fern
tet. Für die Klassifikation wurden alle 13 Spektralbän erkundungsdaten generierten Variablen genutzt (siehe
der verwendet, wobei die 20m und 60mBänder auf Tabelle 3). Das RFModell wurde mit den Medianwer
eine Pixelgrösse von 10 m umgerechnet wurden. Zu ten pro Trainingsfläche (n=602, Tabelle 1) trainiert
sätzlich zu den Spektralbändern wurde für jede Auf und danach für die räumliche Vorhersage aller acht
nahme eine Auswahl von gängigen Vegetations Bodenbedeckungsklassen für den ganzen Kanton
indizes (Tabelle 2) sowie der maximale NDVIWert Graubünden eingesetzt. Im Nachgang wurden Ge
(Normalized Difference Vegetation Index) aller Sen büschwald und Waldflächen über 2400 m ü.M. als
tinel2Aufnahmen aus dem Jahr 2017 berechnet. Fehlklassifikationen automatisch entfernt. Zusätzlich
Aus dem Vegetationshöhenmodell wurden der wurde ein Mehrheitsfilter (3 × 3 majority filter) an
maximale Wert sowie die Standardabweichung pro gewendet, um kleinräumiges Rauschen auf der fina
10 m × 10 m verwendet. Aus dem Geländemodell in len Karte zu reduzieren.
einer Auflösung von 10 m × 10 m wurden die Höhe
über Meer, die Hangneigung und die Exposition Validierung mit LFI-Daten
(Nord und Ostausrichtung) als zusätzliche topogra Für die Validierung wurden die LFILuftbild
fische Prädiktoren genutzt. Hangneigung und Expo interpretationspunkte verwendet, wobei im Klassi
sition wurden mit ArcGIS Desktop 10.6.1 und den fikationsprodukt nur zwischen Gebüschwald und
Funktionen «Slope» und «Aspect» mit den Standard Nichtgebüschwald unterschieden wurde. Die LFI
einstellungen berechnet. Alle Fernerkundungsdaten Luftbildinterpretation erfolgt anhand von ADSSte
wurden als Rasterdaten in einer Pixelgrösse von reoLuftbildstreifen, die von swisstopo für die Pro
10 m × 10 m aufbereitet. Eine Übersicht über die ver duktion von Swissimage und des topografischen
wendeten Datensätze und Prädiktorvariablen gibt Landschaftsmodells (TLM) aufgenommen werden
Tabelle 3. (Ginzler et al 2005). Die Bodenbedeckung wird auf
jeder Interpretationsfläche von 50 m × 50 m («LFI
Klassifikationsverfahren Fläche») an 25 Gitterpunkten im Abstand von 10 m
Die überwachte Klassifikation der Pixel er interpretiert. Werden auf einer LFIFläche mindes
folgte mit RF, einem auf Entscheidungsbäumen ba tens zwei Drittel des massgebenden Deckungsgrads
sierenden Verfahren des maschinellen Lernens. Da als Strauch interpretiert, gilt die ganze Fläche im LFI
bei werden diverse individuelle Entscheidungsbäume als Gebüschwald (Ginzler et al 2005). In einem ers
mit sogenannten BootstrapStichproben erzeugt. Pro ten Schritt wurde eine pixelbasierte Validierung
Entscheidungsbaum wird nur ein Teil der Trainings durchgeführt. Dafür wurde mittels einer Konfu
100
88.2% 89.0% 89.2% 89.4% 89.4% 90.4%
86.7% 86.9%
82.1%
75 71.4% 71.4% 72.9%
Genauigkeit in %
S1 + S2 + VHM + DGM
53.3% 54.0%
S1 + VHM + DGM
S2 + VHM + DGM
50 48.7%
S1 + S2 + DGM
S1 + S2 + VHM
VHM + DGM
S1 + DGM
S2 + DGM
S1 + VHM
S2 + VHM
25
S1 + S2
DGM
VHM
S1
S2
0
Datensatzkombination
Abb 3 Genauigkeit der RF-Klassifikation unter Verwendung der vier Fernerkundungsdatensätze (Sentinel-1: S1, Sentinel-2: S2,
Vegetationshöhenmodell des LFI: VHM, digitales Geländemodell: DGM) einzeln und in Kombination.
54 WISSEN Schweiz Z Forstwes 171 (2020) 2: 51–59Modell Referenz
Alpenerle Legföhre Hasel Nadel- Laubwald Lärche Sonstige Keine Summe UA
wald Vegetation Vegetation
Alpenerle 70 1 0 0 0 4 3 1 79 88.6%
Legföhre 3 72 0 8 0 0 0 0 83 86.7%
Hasel 0 0 16 0 3 0 0 0 19 84.2%
Nadelwald 1 3 0 119 1 5 0 0 129 92.2%
Laubwald 0 0 8 1 92 0 0 0 101 91.1%
Lärche 0 1 0 2 0 30 0 0 33 90.9%
Sonstige Vegetation 2 5 0 0 0 2 111 2 122 91.0%
Keine Vegetation 0 1 0 0 0 0 1 34 36 94.4%
Summe 76 83 24 130 96 41 115 37 602
PA 92.1% 86.7% 66.7% 91.5% 95.8% 73.2% 96.5% 91.9%
Tab 4 Die Konfusionsmatrix für den Vergleich der Klassifikation der acht Bodenbedeckungsklassen (Modell) mit den Trainingsflächen (Referenz) mit Angaben
zur Produzentengenauigkeit (Producer Accuracy; PA) und Nutzergenauigkeit (User Accuracy; UA) basierend auf dem Out-of-Bag-Fehler von Random Forest.
sionsmatrix die Klassifikation Gebüschwald/Nicht föhre und Nadelwald sowie zwischen Hasel und
gebüschwald mit dem im LFI am Gitterpunkt getrof Laubwald. Die Nutzergenauigkeit (engl. User Accu
fenen Entscheid Strauch/Nichtstrauch verglichen. racy; UA) war bei allen Klassen hoch (>84%) und
Da sich jedoch der räumliche Detaillierungsgrad zeigt, dass die auf der Karte repräsentierten Klassen
der Klassifikation und der Luftbildentscheide stark in den meisten Fällen der Ansprache in den Trainings
unterscheiden, wurde in einem zweiten Schritt eine flächen entsprechen. Die Angabe beider Genauig
flächenbasierte Validierung vorgenommen. Dafür keitsmasse (PA, UA) ist wichtig, um zum Beispiel die
wurde pro LFIFläche die Anzahl der als Gebüsch Über oder Unterschätzung einzelner Klassen beur
wald klassifizierten Pixel mit der im LFI als Strauch teilen zu können.
interpretierten Gitterpunkte verglichen. Um den Beitrag der verschiedenen Fernerkun
dungsdatensätze zu bewerten, wurde die Klassifika
tion mit RF für alle Datensätze einzeln und in allen
Resultate verschiedenen Kombinationen durchgeführt. Die
höchste Genauigkeit (90.4%) wurde mit der Kombi
Klassifikation nation aller vier Datensätze erreicht (Abbildung 3).
Es wurde eine Gesamtgenauigkeit von 90.4% Unter den Modellen mit nur einem Datensatz er
erreicht (Abbildung 3). Die mittlere Kartengenauig reichte das Modell mit den Sentinel2Daten mit Ab
keit für die drei Gebüschwaldarten, gemessen mit stand die höchste Genauigkeit (86.7%). Diese lag so
der sogenannten Produzentengenauigkeit (engl. Pro gar höher als bei der Verwendung aller drei anderen
ducer Accuracy; PA), betrug 81.8%. Die Kartengenau Datensätze zusammen (82.1%). Unter den zehn wich
igkeit für Alpenerle (92.1%) war etwas höher als für tigsten Sentinel2Variablen befanden sich Spektral
Legföhre (86.7%) und deutlich höher als für Hasel informationen aus allen vier Aufnahmezeitpunkten,
(66.7%; Tabelle 4). Die Konfusionsmatrix (Tabelle 4) vertreten durch Spektralbänder im sichtbaren und
deutet darauf hin, dass es zwischen den drei Ge infraroten Wellenbereich, die Vegetationsindizes
büschwaldarten wenig Verwechslungen gab. Am NDVI und MCARI sowie das NDVIMaximum 2017.
häufigsten gab es Verwechslungen zwischen Leg Insgesamt wurde eine Fläche von 239 km2 als
Gebüschwald klassifiziert, davon 118 km2 als Alpen
Alpenerle
erle, 94 km2 als Legföhre und 27 km2 als Hasel. Für
Legföhre die Schätzung der Flächen wurde die nachbearbei
tete finale Gebüschwaldkarte verwendet, die den
Mehrheitsfilter und das Ausmaskieren von Flächen
über 2400 m ü.M. bereits beinhaltete. Ein Ausschnitt
der finalen Karte ist in Abbildung 4 dargestellt.
Validierung mit LFI-Daten
Die pixelbasierte Validierung mit LFIDaten
zeigte, gemessen an der Produzentengenauigkeit, für
Flächen ohne Gebüschwald eine hohe (98.1%) und
für solche mit Gebüschwald eine geringere (52.1%)
Abb 4 Ausschnitt der Gebüschwaldklassifikation mit dem Luftbild im Hintergrund Übereinstimmung (Tabelle 5). Die Anzahl der als Ge
(Swissimage © 2019 swisstopo). büschwald klassifizierten Pixel (n=3058) wurde im
Schweiz Z Forstwes 171 (2020) 2: 51–59 CONNAISSANCES 55Modell Referenz Gebüschwaldflächen klassifiziert (Abbildung 6). Als
Kein Strauch Strauch Summe UA Gebüschwald galt im Rahmen der Klassifikation,
Kein Gebüschwald 84 362 1305 85 667 98.5% wenn die Mehrheit der Pixel innerhalb der LFIFlä
Gebüschwald 1637 1421 3058 46.5% che als Gebüschwald klassifiziert wurde. Im LFI kann
dagegen eine Fläche bereits ab einem Deckungsgrad
Summe 85 999 2726 88 725
von 20% der Gesamtfläche als Gebüschwald gelten.
PA 98.1% 52.1%
Von 133 solchen Flächen wurden nur 73 (54.9%) auch
Tab 5 Die Konfusionsmatrix für den pixelbasierten Vergleich der Klassifikation (Modell) in der Klassifikation als solche erkannt. Hingegen
mit den LFI-Luftbildinterpretationspunkten (Referenz) mit Angaben zur Produzentenge-
war die Übereinstimmung ab einem Strauchanteil
nauigkeit (Producer Accuracy; PA) und Nutzergenauigkeit (User Accuracy; UA).
von mehr als 50% bereits grösser als 70%, und sie
nahm mit zunehmendem Strauchanteil weiter zu.
100
Diskussion
Anteil Gebüschwaldpixel
75
in Klassifikation (%)
R2=0.55 Klassifikation
50 Alpenerlen und Legföhrenwälder liessen sich
Anzahl LFI-Flächen mit einer hohen Genauigkeit (>85%) klassifizieren.
25 1 Für Haselwälder wurde eine deutlich geringere und
10
50
vermutlich für die Praxis nicht ausreichende Genau
igkeit von unter 70% erreicht. Hauptgrund dafür ist
0 3040
wahrscheinlich die beschränkte Anzahl Trainings
0 25 50 75 100 flächen, die für Hasel zur Verfügung stand. Zudem
Anteil als Strauch interpretierter werden Hasel oft von anderen Laubbaumarten über
Gitterpunkte pro LFI-Fläche (%)
schirmt und können in solchen Fällen mit den hier
Abb 5 Zusammenhang zwischen dem Anteil Gebüschwaldpixel in der Klassifikation verwendeten Fernerkundungsdaten nicht erkannt
(Modell) und dem Anteil im Luftbild als Strauch interpretierter Gitterpunkte pro LFI-Fläche werden (Enescu et al 2016). Grundsätzlich bleibt dies
(n = 3549). Die Punktgrösse repräsentiert die Anzahl LFI-Flächen im Diagramm.
eine Herausforderung bei der Nutzung von Fern
erkundungsdaten, da 44% der Schweizer Gebüschwäl
der mit Einzelbäumen durchmischt sind (Abegg et al
Anteil korrekt klassifizierter Flächen (%)
2/2
100 ●
17/18
●
2014). Ebenso wurden Fehler bei den Übergängen
21/23 11/12
90
●
●
zwischen Legföhre und Nadelwald sowie zwischen
28/33 ●
● Alpenerle und Wiese beobachtet. Diese Übergänge
6/7
●
37/45 23/27
sind in der Natur oft fliessend, und die damit verbun
●
34/41
●
80 45/58
●
●
40/52
denen Überlappungen in den Spektralinformationen
53/72
erschweren die Klassifikation. Weitere Probleme wur
●
66/94 59/83
70
●
●
70/104 ● ●
68/101
den bei der Unterscheidung von Zwergsträuchern
73/119
●
73/115 (z.B. Alpenrose) und Gebüschwald festgestellt.
60
●
73/128 ●
73/125 Das Vegetationshöhenmodell des LFI und die
73/133
●
Satellitendaten von Sentinel1 und Sentinel2 hat
●
●
73/131
50 ten alle einen wesentlichen Einfluss auf die Modell
25 50 75 100
genauigkeit. Dies ist damit zu begründen, dass die
Minimaler Anteil als Strauch interpretierter Gitterpunkte pro LFI-Fläche (%)
verschiedenen Datensätze komplementäre Infor
Abb 6 Anteil korrekt klassifizierter LFI-Gebüschwaldflächen in Abhängigkeit des minima- mationen über die spektralen, strukturellen und
len Strauchanteils aus der LFI-Luftbildinterpretation. In Schwarz angegeben sind die An- phänologischen Eigenschaften der acht Bodenbe
zahl korrekt klassifizierter sowie die Gesamtzahl der LFI-Gebüschwaldflächen beim jeweili- deckungsklassen liefern. Zum Beispiel lässt sich Ge
gen minimalen Strauchanteil.
büschwald vom restlichen Wald primär über die Ve
getationshöhe unterscheiden, für die Differenzierung
Vergleich zu den LFILuftbildinterpretationspunk der drei Gebüschwaldarten hingegen sind spektrale
ten (n=2726) um 12.1% überschätzt. und phänologische Eigenschaften wie Blattfarbe und
Bei der flächenbasierten Validierung (n=3549) Blattentwicklung entscheidend.
manifestierte sich ein klarer positiver Zusammen
hang zwischen dem Anteil Gebüschwaldpixel in der Validierung und Vergleich mit LFI-Daten
Klassifikation und dem Anteil der im Luftbild als Die als Gebüschwald klassifizierte Fläche von
Strauch interpretierter Gitterpunkte pro LFIFläche 239 km2 im Kanton Graubünden liegt sehr nahe bei
(Abbildung 5). Das lineare Regressionsmodell erklärte den Schätzungen aus dem LFI4b (246 km2 ± 8%;
55% der Variation (R 2). Flächen mit einem hohen Abegg et al 2014). Für eine differenzierte Analyse
Strauchanteil wurden häufiger übereinstimmend als nach Alpenerle, Legföhre und Hasel standen keine
56 WISSEN Schweiz Z Forstwes 171 (2020) 2: 51–59flächendeckenden Informationen zur Verfügung. Im Resultate insgesamt plausibel sind, jedoch lokal ge
Gegensatz zum LFI liefert das hier verwendete Klas wisse Unsicherheiten aufweisen können.
sifikationsverfahren keinen Standardfehler zur Flä
chenangabe. Um mögliche Unsicherheiten diesbezüg Bekannte Herausforderungen
lich besser beurteilen zu können, sollte der Einfluss In sehr steilen Felsgebieten kann es aufgrund
variierender Modellinputdaten und die Schätzung für der topografiebedingten Schatten in den Sentinel1
einzelne Regionen weiter untersucht werden. und Sentinel2Daten zu Fehlklassifikationen kom
Die pixelbasierte Validierung mit LFIDaten men. In den meisten Fällen können diese jedoch
zeigte für Gebüschwald eine Übereinstimmung von rasch von Auge erkannt werden. Die meteorologi
nur knapp über 50% mit den Gitterpunkten der Luft schen Einflüsse Bewölkung und Schnee beeinflus
bildinterpretation. Als Hauptgrund dafür wird sen die Klassifikation ebenfalls. Obwohl möglichst
der unterschiedliche räumliche Detaillierungsgrad wolkenfreie Sentinel2Aufnahmen ausgewählt wur
vermutet. Bei der LFILuftbildinterpretation wird den, gab es in einzelnen Aufnahmen aufgrund von
punktgenau zwischen Strauch bzw. anderer Boden Bewölkung teilweise keine Information zur Boden
bedeckungsklasse unterschieden. Fällt ein Interpre bedeckung. Auch muss, vor allem beim Märzkom
tationspunkt auf einen einzelnen Strauch, wurde posit von Sentinel1, davon ausgegangen werden,
dieser Stichprobenpunkt als «Gebüschwald» für die dass an Orten mit Schneeschmelze dieselbe die Rück
Validierung verwendet. Das hier verwendete Klassi streuung beeinflusst hat. Da aber 85 Prädiktoren für
fikationsverfahren hingegen basiert auf Fernerkun das Modell verwendet wurden, gehen wir davon aus,
dungsdaten mit einer räumlichen Auflösung von dass Fehler in einzelnen Prädiktoren nur einen ge
10 m × 10 m oder gröber, wodurch zum Beispiel ein ringen Einfluss auf die Gebüschwaldkarte hatten.
zelne Sträucher nicht erkannt werden. Abbildung 7 Das VHM des LFI hat bekannte Ungenauigkeiten ab
illustriert unter anderem diesen Sachverhalt: Ein 2000 m ü.M., die daher rühren, dass das für die Be
zelne Sträucher, aber auch der Rand von Gebüsch rechnung benötigte Geländemodell swissALTI3D ab
waldflächen, wo die Strauchdichte abnimmt, wer dieser Höhenlage aktuell noch auf dem digitalen
den teilweise nicht korrekt klassifiziert. Deshalb Höhenmodell DHM25 (swisstopo 2005) beziehungs
wurde die zusätzliche, flächenbasierte Validierung weise auf Daten aus der Bildkorrelation beruht.
pro LFIFläche (50 × 50 m) durchgeführt. Die Über
einstimmung war im Vergleich zur pixelbasierten Übertrag- und Reproduzierbarkeit
Validierung deutlich höher und bestätigte unsere Die hier verwendeten Fernerkundungsdaten
Vermutung, dass LFIFlächen mit einem hohen sind schweizweit verfügbar. Sie könnten damit die
Strauchanteil zuverlässig als Gebüschwald klassifi Basis für die Klassifikation der Gebüschwaldflächen
ziert wurden, solche mit nur wenigen Sträuchern in weiteren Kantonen oder in der ganzen Schweiz
hingegen eine deutlich geringere Übereinstimmung bilden. Die Hauptherausforderung für die Übertra
aufwiesen (Abbildung 6). Diese Einschätzung ent gung der im Kanton Graubünden entwickelten Klas
spricht auch den durch die visuelle Interpretation sifikationsmethode auf andere Gebiete besteht darin,
mit Luftbildern gemachten Erfahrungen, dass die einen für das jeweilige Gebiet passenden Trainings
96% 60% 68% 0% 80%
100% 92% 8% 80% 8%
0 50 100 N
➣
LFI-Fläche Alpenerle Legföhre Wald Meter
Abb 7 Vergleich von Strauchanteil (Landesforstinventar, oben) und Gebüschwaldanteil (Klassifikation, unten) für fünf Beispiele.
Von links nach rechts: 1) Gute Übereinstimmung, 2) Überschätzung Gebüschwald, 3) Unterschätzung Gebüschwald, 4) Unter-
schiedliche Abgrenzung von Föhrenwald und Legföhren-Gebüschwald, 5) Schwierigkeiten bei der Klassifikation in topografisch an-
spruchsvollem Gelände. Im Hintergrund ist ein hochaufgelöstes Luftbild dargestellt (Swissimage © 2019 swisstopo).
Schweiz Z Forstwes 171 (2020) 2: 51–59 CONNAISSANCES 57datensatz aufzubauen. Nicht ganz einfach könnte Literatur
sich auch die Suche nach geeigneten Sentinel2Auf
nahmen gestalten, da sich die Wetterlagen und so ANTHELME F, GROSSI JL, BRUN JJ, DIDIER L (2001) Consequences
of green alder expansion on vegetation changes and arthro-
mit die Bewölkung in der Schweiz regional und von
pod communities removal in the northern French Alps. For
Jahr zu Jahr stark unterscheiden. Gleichwohl sollte
Ecol Manage 145: 57–65.
die regelmässige Wiederholung einer solchen Klassi BALLIAN D, RAVAZZI C, DE RIGO D, CAUDULLO G (2016) Pinus
fikation für das langfristige Monitoring von Ge mugo in Europe: distribution, habitat, usage and threats. In:
büschwaldflächen in Betracht gezogen werden. San-Miguel-Ayanz J, de Rigo D, Caudullo G, Houston Dur-
Die vorgestellte Methode kann auch für die rant T, Mauri A, editors. European atlas of forest tree species.
Luxembourg: Publication Office European Union. pp. 124–
Klassifikation anderer Wald oder Vegetationstypen
125.
in der Schweiz verwendet werden, was die vielseiti
BREIMAN L (2001) Random Forests. Machine Learning 45: 5–32.
gen Anwendungsmöglichkeiten von Fernerkundungs BÜHLMANN T, HILTBRUNNER E, KÖRNER C (2014) Alnus viridis ex-
daten hervorhebt. Entscheidend ist in jedem Fall die pansion contributes to excess reactive nitrogen release, re-
Bereitstellung von hochwertigen Trainingsflächen. duces biodiversity and constrains forest succession in the Alps.
Im Rahmen des LFI wurde im Jahr 2015 eine Alp Bot 124: 187–191.
CIOLDI F, BALTENSWEILER A, BRÄNDLI UB, DUC P, GINZLER C ET
Waldmaske der Schweiz basierend auf der Waldde
AL (2010) Waldressourcen. In: Brändli UB, editor. Schweizeri-
finition des LFI erstellt. Im Jahr 2016 wurde sie mit sches Landesforstinventar: Ergebnisse der dritten Erhebung
dem VHM des LFI aktualisiert. Diese Waldmaske ver 2004–2006. Birmensdorf: Eidgenöss Forsch.anstalt WSL.
wendet die Vegetationshöhe als Eingangsgrösse. Ge pp. 31–113.
büschwald wurde nur erfasst, wenn er höher als 3 m DAUGHTRY CST, WALTHALL CL, KIM MS, DE COLSTOUN EB,
MCMURTREY JE (2000) Estimating corn leaf chlorophyll con-
ist. Für eine Waldmaske, die auch den Gebüschwald
centration from leaf and canopy reflectance. Remote Sens En-
niedriger als 3 m beinhaltet, wäre die vorgestellte
viron 74: 229–239.
Methode ein gangbarer Weg. DELEGIDO J, VERRELST J, ALONSO L, MORENO J (2011) Evaluation
of Sentinel-2 red-edge bands for empirical estimation of green
LAI and chlorophyll content. Sensors 11: 7063–7081.
Schlussfolgerungen und Ausblick DRUSCH M, DEL BELLO U, CARLIER S, COLIN O, FERNANDEZ V ET
AL (2012) Sentinel-2: ESA’s optical high-resolution mission for
GMES operational services. Remote Sens Environ 120: 25–36.
Die Gebüschwälder Alpenerle, Legföhre und DÜGGELIN C, ABEGG M (2011) Modelle zur Biomasse- und Holz-
Hasel konnten mithilfe von einigen Trainingsflächen volumenschätzung im Schweizer Gebüschwald Schweiz Z
und landesweit verfügbaren Fernerkundungsdaten Forstwes 162: 32–40. doi: 10.3188/szf.2011.0032
weitgehend objektiv für die grosse Fläche des Kan ENESCU CM, HOUSTON DURRANT T, DE RIGO D, CAUDULLO G
(2016) Corylus avellana in Europe: distribution, habitat, usage
tons Graubünden kartiert werden. Es wurde eine
and threats. In: San-Miguel-Ayanz J, de Rigo D, Caudullo G,
hohe und für die Praxis ausreichende Genauigkeit
Houston Durrant T, Mauri A, editors. European atlas of forest
erreicht. Der generierte Datensatz wird bereits ope tree species. Luxembourg: Publication Office European Union.
rationell eingesetzt. Aufgrund des beschränkten pp. 86–87.
räumlichen Detaillierungsgrades der Satellitendaten FRAMPTON WJ, DASH J, WATMOUGH G, MILTON EJ (2013) Eval-
und der teilweise offensichtlichen Fehler ist eine vi uating the capabilities of Sentinel-2 for quantitative estima-
tion of biophysical variables in vegetation. ISPRS J Photo-
suelle Überprüfung mit Luftbildern und eine allfäl
gramm Remote Sens 82: 83–92.
lige Nachbearbeitung für gewisse Anwendungen er
GINZLER C, BÄRTSCHI H, BEDOLLA A, BRASSEL P, HÄGELI M (2005)
forderlich. Anzahl und Qualität der Trainingsflächen Luftbildinterpretation LFI3. Interpretationsanleitung zum drit-
haben den grössten Einfluss auf die Kartengenauig ten Landesforstinventar. Birmensdorf: Eidgenöss Forsch.an-
keit. Zusätzliche Prädiktorvariablen oder zum Bei stalt WSL. 87 p.
spiel ein detaillierteres Vegetationshöhenmodell GINZLER C, HOBI ML (2016) Das aktuelle Vegetationshöhenmo-
dell der Schweiz: spezifische Anwendungen im Waldbereich.
könnten weitere Verbesserungen bringen oder gar ei
Schweiz Z Forstwes 167: 128–135. doi: 10.3188/szf.2016.0128
nen höheren Detaillierungsgrad ermöglichen. Zum GITELSON AA, KAUFMAN YJ, MERZLYAK MN (1996) Use of a green
Beispiel könnte mit Angaben zum Deckungsgrad mit channel in remote sensing of global vegetation from EOS-
hilfe der Modelle von Düggelin & Abegg (2011) auch MODIS. Remote Sens Environ 58: 289–298.
die Biomasse im Gebüschwald geschätzt werden. n HOTZ MC, WEIBEL F (2005) Arealstatistik Schweiz: Zahlen, Fak-
ten, Analysen. Neuenburg: Bundesamt Statistik. 104 p.
Eingereicht: 26. September 2019, akzeptiert (mit Review): 27. Januar 2020
HUBER B, FREHNER M (2013) Die Verbreitung und Entwicklung
der Grünerlenbestände in der Ostschweiz. Schweiz Z Forst-
wes 164: 87–94. doi: 10.3188/szf.2013.0087
Dank IMMITZER M, VUOLO F, ATZBERGER C (2016) First experience with
Sentinel-2 data for crop and tree species classifications in Cen-
Dieses Projekt wurde durch den Fonds zur För tral Europe. Remote Sens 8: 166.
KELLER M, EDITOR (2013) Schweizerisches Landesforstinventar.
derung der Wald und Holzforschung und das Amt
Feldaufnahme-Anleitung 2013. Birmensdorf: Eidgenöss
für Wald und Naturgefahren des Kantons Graubün Forsch.anstalt WSL. 223 p.
den unterstützt. Wir bedanken uns insbesondere bei LIAW A, WIENER M (2002) Classification and regression by ran-
Riet Gordon für die zur Verfügung gestellten Daten. domForest. R News 2: 18–22.
58 WISSEN Schweiz Z Forstwes 171 (2020) 2: 51–59MAURI A, CAUDULLO G (2016) Alnus viridis in Europe: distribu- Quellen
tion, habitat, usage and threats. In: San-Miguel-Ayanz J, de
Rigo D, Caudullo G, Houston Durrant T, Mauri A, editors. Eu-
ABEGG M, BRÄNDLI UB, CIOLDI F, FISCHER C, HEROLD-BONARDI
ropean atlas of forest tree species. Luxembourg: Publication
A ET AL (2014) Viertes Schweizerisches Landesforstinventar –
Office European Union. p. 68.
Ergebnistabellen und Karten im Internet zum LFI 2009–2013
ROUSE JW, HAAS RH, SCHELL JA, DEERING DW (1974) Monitoring
(LFI4b). Birmensdorf: Eidgenöss Forsch.anstalt WSL. doi:
vegetation systems in the Great Plains with ERTS. In: Freden SC,
10.21258/1000001
Mercanti EP, Becker MA, editors. Third Earth Resources Tech-
GINZLER C (2018) Vegetation Height Model NFI. Birmensdorf:
nology Satellite-1 Symposium. Washington DC: National Aero-
Eidgenöss Forsch.anstalt WSL. doi: 10.16904/1000001.1
nautics and Space Administration, NASA SP-351. pp. 309–317.
SWISSTOPO (2005) DHM25 – das digitale Höhenmodell der
RÜETSCHI M, SCHAEPMAN M, SMALL D (2018) Using multitem-
Schweiz. Bern: Bundesamt Landestopografie. https://shop.
poral Sentinel-1C-band backscatter to monitor phenology and
swisstopo.admin.ch/de/products/height_models/dhm25
classify deciduous and coniferous forests in northern Switzer-
(18.1.2020)
land. Remote Sens 10: 55.
SWISSTOPO (2019A) swissALTI3D. Bern: Bundesamt Landestopo-
SMALL D (2012) SAR backscatter multitemporal compositing via
grafie. https://shop.swisstopo.admin.ch/en/products/height_
local resolution weighting. Proc 2012 IEEE International Geo-
models/alti3D (18.1.2020)
science and Remote Sensing Symposium, München, Deutsch-
SWISSTOPO (2019B) Swissimage 25 cm. Bern: Bundesamt Lan-
land. pp. 4521–4524.
destopografie. https://shop.swisstopo.admin.ch/de/products/
TASSER E, TAPPEINER U (2002) Impact of land use changes on
images/ortho_images/SWISSIMAGE (18.1.2020)
mountain vegetation. Appl Veg Sci 5: 173–184.
TORRES R, SNOEIJ P, GEUDTNER D, BIBBY D, DAVIDSON M ET AL
(2012) GMES Sentinel-1 mission. Remote Sen Environ 120: 9–24.
WASER L, FISCHER C, WANG Z, GINZLER C (2015) Wall-to-wall for-
est mapping based on digital surface models from image-based
point clouds and a NFI forest definition. Forests 6: 4510–4528.
Classification de grandes surfaces de forêt Large-scale classification of shrub forest
buissonnante grâce aux données de télé- with remote sensing data
détection
Bien que les informations sur l’étendue et l’évolution des fo- Information on shrub forest distribution and development is
rêts buissonnantes soient importantes pour diverses ques- important for a range of forestry- and ecologically-related
tions forestières et écologiques, rares sont les jeux de don- questions, but current and area-wide datasets have been char-
nées actuels et complets disponibles. Dans le cadre de ce acterized by limited availability. In this study, the mapping of
travail, la cartographie des forêts buissonnantes du canton shrub forests dominated by green alder, mountain pine and
des Grisons dominées par l’aulne vert, le pin mugo et le noi- hazel for the canton of Grison was investigated, based on
setier a été analysée d’après les données de télédétection dis- available nationwide remote sensing data. Satellite data from
ponibles au niveau national. Les données satellites de Senti- Sentinel-1 and Sentinel-2, as well as a vegetation height and
nel-1 et Sentinel-2 ont été utilisées avec un modèle de hauteur an elevation model were used. Training areas provided by the
de la végétation et un modèle de terrain. Des placettes d’en- canton and supplemented by aerial imagery interpretation
traînement mises en place par le canton, complétées par une were used for a supervised classification with Random Forest,
interprétation d’images aériennes, ont été utilisées pour la a decision tree-based machine learning algorithm. Indepen-
classification supervisée par Random Forest, une méthode dent validation of the results was carried out with data from
d’apprentissage automatique basée sur des arbres de déci- the National Forest Inventory (NFI). Green alder and moun-
sion. La validation indépendante des résultats a été réalisée tain pine forests were classified with high accuracy of 92.1%
avec des données de l’inventaire forestier national (IFN). Les respectively 86.7%, whereas for hazel shrub forests, the in-
forêts d’aulne vert et de pin mugo sont classifiées avec une ternal model accuracy was only 66.7%. The resulting area ex-
grande précision, de respectivement 92.1% et 86.7%; pour pansion of the shrub forest was comparable with findings
les forêts de noisetiers en revanche, la qualité interne du mo- based on the NFI. A direct comparison with the NFI aerial im-
dèle n’est que de 66.7%. La superficie de la forêt buisson- agery interpretation points revealed major discrepancies. The
nante ainsi obtenue est comparable aux données de l’IFN. La main reason for this is the different degree of spatial detail.
comparaison directe avec les points d’interprétation des However, NFI areas with a high percentage of shrubs were
images aériennes a révélé des écarts importants. La raison reliably classified as shrub forest. The method presented here
principale est un degré de détail spatial différent. Les pla- underscores the potential of remote sensing data available
cettes IFN avec une grande proportion de buissons ont ce- throughout Switzerland for an essentially objective, cost-
pendant été classifiées de manière fiable en forêt buisson- efficient and large-scale mapping of shrub forests with an ac-
nante. La méthode présentée ici souligne le potentiel des curacy applicable in practice.
données de télédétection disponibles pour toute la Suisse
pour une cartographie des forêts buissonnantes très objec-
tive à un coût raisonnable pour de grandes superficies et avec
une précision appropriée pour une utilisation pratique.
Schweiz Z Forstwes 171 (2020) 2: 51–59 CONNAISSANCES 59Sie können auch lesen
