- -

Classification of forest development stages from national low-density lidar datasets: a comparison of machine learning methods

RiuNet: Repositorio Institucional de la Universidad Politécnica de Valencia

Compartir/Enviar a

Citas

Estadísticas

  • Estadisticas de Uso

Classification of forest development stages from national low-density lidar datasets: a comparison of machine learning methods

Mostrar el registro sencillo del ítem

Ficheros en el ítem

dc.contributor.author Valbuena, R. es_ES
dc.contributor.author Maltamo, M. es_ES
dc.contributor.author Packalen, P. es_ES
dc.coverage.spatial east=30.155388700000003; north=62.8062078; name=Joensuu, Finlàndia
dc.date.accessioned 2017-05-03T10:39:22Z
dc.date.available 2017-05-03T10:39:22Z
dc.date.issued 2016-02-26
dc.identifier.issn 1133-0953
dc.identifier.uri http://hdl.handle.net/10251/80394
dc.description Revista oficial de la Asociación Española de Teledetección
dc.description.abstract [EN] The area-based method has become a widespread approach in airborne laser scanning (ALS), being mainly employed for the estimation of continuous variables describing forest attributes: biomass, volume, density, etc. However, to date, classification methods based on machine learning, which are fairly common in other remote sensing fields, such as land use / land cover classification using multispectral sensors, have been largely overseen in forestry applications of ALS. In this article, we wish to draw the attention on statistical methods predicting discrete responses, for supervised classification of ALS datasets. A wide spectrum of approaches are reviewed: discriminant analysis (DA) using various classifiers –maximum likelihood, minimum volume ellipsoid, naïve Bayes–, support vector machine (SVM), artificial neural networks (ANN), random forest (RF) and nearest neighbour (NN) methods. They are compared in the context of a classification of forest areas into development classes (DC) used in practical silvicultural management in Finland, using their low-density national ALS dataset. We observed that RF and NN had the most balanced error matrices, with cross-validated predictions which were mainly unbiased for all DCs. Although overall accuracies were higher for SVM and ANN, their results were very dissimilar across DCs, and they can therefore be only advantageous if certain DCs are targeted. DA methods underperformed in comparison to other alternatives, and were only advantageous for the detection of seedling stands. These results show that, besides the well demonstrated capacity of ALS for quantifying forest stocks, there is a great deal of potential for predicting categorical variables in general, and forest types in particular. In conclusion, we consider that the presented methodology shall also be adapted to the type of forest classes that can be relevant to Mediterranean ecosystems, opening a range of possibilities for future research, in which ALS may show great predictive potential. es_ES
dc.description.abstract [ES] Los métodos de estimación por áreas son ya habituales para el uso de escaneo láser aerotransportado (ALS) en la predicción de atributos forestales descritos por variables continuas: biomasa, volumen, densidad, etc. No obstante, apenas se ha prestado atención a los métodos de clasificación por aprendizaje automático, que por otro lado son frecuentes en diversos campos de la teledetección, como la identificación de coberturas del suelo por sensores multiespectrales. En este artículo hemos centrado la atención en métodos estadísticos destinados a predecir variables discretas, para obtener clasificaciones supervisadas de datos ALS. Varios métodos han sido revisados: clasificadores de análisis discriminante (DA) –máxima verosimilitud, elipsoide de volumen mínimo y Bayesiano ingenuo–, máquinas de vector soporte (SVM), redes neuronales artificiales (ANN), selvas aleatorias (RF), y vecino más próximo (NN). La comparación se ha realizado en el contexto de una clasificación en las etapas de desarrollo (ED) utilizadas en la gestión forestal de los bosques de Finlandia, utilizando para ello datos de baja densidad de su vuelo nacional. RF y NN produjeron las matrices de error más equilibradas, con predicciones por validación cruzada no sesgadas para todas las EDs. Aunque SVM y ANN mostraron las mayores precisiones, obtuvieron resultados muy dispares entre las distintas EDs, siendo óptimas sólo para algunas concretas. DA obtuvo los peores resultados, y sólo se observó que pudieran ser beneficiosas en la predicción de rodales en la etapa de diseminado. Nuestros resultados muestran que, además de la confirmada capacidad del ALS para predecir variables de cuantificación de las masas forestales, también existe potencial en la clasificación de variables categóricas en general, y tipologías forestales en particular. En conclusión, consideramos que estas metodologías se pueden también adaptar a las clases naturales de edad y tipos estructurales que sean relevantes en ecosistemas mediterráneos, abriendo un abanico de posibilidades para investigación en ALS, con mucho potencial. es_ES
dc.description.sponsorship This research was funded by SMK. Special thanks to Juho Heikkilä and Jussi Lappalainen (SMK), Heli Laaksonen (NLS), and Aki Suvanto (Blom Kartta Oy) for their support at different stages of this study, including the delivery of data for this research. We are rateful for anonymous reviewers’ contribution to improve the quality of the final manuscript.
dc.language Inglés es_ES
dc.publisher Universitat Politècnica de València
dc.relation.ispartof Revista de Teledetección
dc.rights Reconocimiento - No comercial - Sin obra derivada (by-nc-nd) es_ES
dc.subject Airborne laser scanning es_ES
dc.subject Discriminant analysis es_ES
dc.subject Maximum likelihood es_ES
dc.subject Minimum volume ellipsoid es_ES
dc.subject Naive bayes es_ES
dc.subject Support vector machine es_ES
dc.subject Artificial neural networks es_ES
dc.subject Random forests es_ES
dc.subject Nearest neighbour es_ES
dc.subject Escaneo láser aerotransportado es_ES
dc.subject Análisis discriminante es_ES
dc.subject Máxima verosimilitud es_ES
dc.subject Elipsoide de volumen mínimo es_ES
dc.subject Bayesiano ingenuo es_ES
dc.subject Máquinas de vector soporte es_ES
dc.subject Redes neuronales artificiales es_ES
dc.subject Selvas aleatorias es_ES
dc.subject Vecino más próximo es_ES
dc.subject Clases naturales de edad es_ES
dc.title Classification of forest development stages from national low-density lidar datasets: a comparison of machine learning methods es_ES
dc.title.alternative Clasificación de etapas de desarrollo forestal a partir de datos de vuelos lidar nacionales de baja densidad: comparación de métodos de aprendizaje automático es_ES
dc.type Artículo es_ES
dc.date.updated 2017-05-03T09:30:03Z
dc.identifier.doi 10.4995/raet.2016.4029
dc.rights.accessRights Abierto es_ES
dc.description.bibliographicCitation Valbuena, R.; Maltamo, M.; Packalen, P. (2016). Classification of forest development stages from national low-density lidar datasets: a comparison of machine learning methods. Revista de Teledetección. (Special Issue):15-25. https://doi.org/10.4995/raet.2016.4029 es_ES
dc.description.accrualMethod SWORD es_ES
dc.relation.publisherversion https://doi.org/10.4995/raet.2016.4029 es_ES
dc.description.upvformatpinicio 15 es_ES
dc.description.upvformatpfin 25 es_ES
dc.type.version info:eu-repo/semantics/publishedVersion es_ES
dc.description.issue Special Issue
dc.identifier.eissn 1988-8740
dc.contributor.funder Finnish Forest Centre


Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem