Classifying tree and nontree echoes from airborne laser scanning in the forest–tundra ecotone

Abstract

Temperature-sensitive ecosystems such as the forest–tundra ecotone are expected to be particularly affected by the changing climate. A large proportion of the total land area in Norway is represented by the forest–tundra ecotone, and effective monitoring techniques for these areas are required. Airborne laser scanning (ALS) has been proposed for detection of small pioneer trees and its height and intensity data may hold potential for monitoring tasks. The main objective of the present study was to assess the capability of high-density ALS data (e.g., >2 m⁻²) to classify tree and nontree echoes directly from the laser point cloud. For this purpose, the laser height and intensity, a geospatial variable represented by the area of Voronoi polygons, and the terrain variables of aspect and slope were used to distinguish between tree and nontree laser echoes along a 1000 km transect stretching from northern Norway (66°19′ N) to the southern part of the country (58°3′ N). Generalised linear models (GLM) and support vector machines (SVM) were employed for the classification using different combinations of the aforementioned variables. Total accuracy and the Cohen's kappa coefficient were used for performance assessment for the different models. A total accuracy of at least 93% was found irrespective of classification method or model, and Cohen's kappa coefficients indicated moderate fits for all models using both classification methods. Comparisons of Cohen's kappa coefficients revealed equivalent performances for the GLM and SVM classification methods for models consisting of different combinations of the laser height, intensity, geospatial variable, and aspect. However, SVM was superior when laser height and intensity were used together with slope. In summary, the capability of high-density ALS data for the classification of tree and nontree echoes directly from the laser point cloud could be verified irrespective of the classification method.

Les écosystèmes sensibles à la température, comme l’écotone forêt-toundra, devraient être particulièrement affectés par les changements climatiques. Une grande partie du territoire de la Norvège est représentée par l’écotone forêt-toundra et des techniques de suivi efficaces pour ces zones sont nécessaires. L'utilisation des données SLA (scanneur laser aéroporté) a été proposée pour la détection des petits arbres pionniers et les données sur la hauteur et l'intensité que celles-ci contiennent peuvent être utiles pour les tâches de suivi. L'objectif principal de la présente étude était d’évaluer le potentiel des données SLA haute densité (p. ex., >2 m⁻²) pour la classification des échos des arbres et des surfaces sans arbres directement à partir du nuage de points laser. Dans cette optique, la hauteur et l'intensité laser, une variable géospatiale représentée par la superficie des polygones de Voronoï ainsi que les variables de terrain que sont l'orientation et la pente ont été utilisées afin de faire la distinction entre les échos laser des arbres et des zones sans arbres le long d'un transect s’étendant sur 1000 km du nord de la Norvège (66°19′ N) jusque dans la partie sud du pays (58°3′ N). Des modèles linéaires généralisés (MLG) et des séparateurs à vaste marge (SVM) ont été utilisés pour la classification en utilisant différentes combinaisons des variables énumérées ci-haut. La précision totale et le coefficient kappa de Cohen ont été utilisés pour évaluer la performance des différents modèles. Une précision totale d'au moins 93% a été observée, indépendamment de la méthode de classification ou du modèle, et les coefficients kappa de Cohen ont montré des ajustements modérés pour tous les modèles en utilisant les deux méthodes de classification. Des comparaisons des coefficients kappa de Cohen ont révélé des performances équivalentes pour les méthodes de classification MLG et SVM pour les modèles consistant en différentes combinaisons de hauteur et d'intensité laser, de la variable géospatiale et de l'orientation. Toutefois, la méthode SVM était supérieure lorsque la hauteur et l'intensité laser étaient utilisées conjointement avec la pente. En résumé, le potentiel des données SLA haute densité pour la classification des échos des arbres et des zones sans arbres directement à partir des nuages de points laser pourrait se vérifier indépendamment de la méthode de classification utilisée.

[Traduit par la Rédaction]

Acknowledgements

This research was funded by the Research Council of Norway (project #184636/S30). We wish to thank Blom Geomatics AS, Norway, for the collection and processing of the airborne laser scanner data. Thanks also appertain to Mr. Vegard Lien at the Norwegian University of Life Sciences who was responsible for the fieldwork.