| Summary: | Tendences LiDAR datu praktiskajā pielietojumā rāda iespējas datos klasificēt aizvien mazākus un slēptākus objektus. Pētījumā apskatīta un kvantificēta iespējamība LiDAR datos kā objektus izdalīt lielās putnu ligzdas. Šādu ligzdu atrašana, to relatīvi retās sastopamības dēļ, vienmēr ir bijis komplicēts un darbietilpīgs uzdevums, kurā parasti kā atbalsta rīki tiek izmantoti tālizpētes dati. Pētījuma tvērums ir Latvijas teritorija, kā izpētes objekts izvēlētas zivjērgļa Pandion haliaetus ligzdas. Pētījuma gaitā konstatēts, ka 60 % gadījumu ligzdas materiālu interpretējošo LiDAR datu punktu intensitātes vērtības ir izteikti augstākas kā punktiem, kuri interpretē ligzdas ieskaujošo veģetāciju. 40 % gadījumu pēc intensitātes vērtību atšķirības izdalīt ligzdas no veģetācijas nav izdevies, kam iemesls ir neskaidrs. Taču ir redzams, ka to stipri ietekmē lāzerskenēšanas tehniskās atšķirības. Pētījumā datu apstrādei izmantota R programmas pakešu “lidR” un “sf” funkcionalitāte. LiDAR punktu raksturlielumi aprēķināti gan cirkulāra parauga līmenī 0,2 ha platībā, gan paraugā esošos punktus grupējot, grupēšanai izmantojot diferencēta tilpuma konteinerus – parauga ietvaros aprēķinātās koku vainagu projekcijas. Iegūtie raksturlielumi un to savstarpējās attiecības izmantotas vispārējo lineāro modeļu (GLM) un vispārējo jaukta efekta lineāro klasifikācijas koku (GLMERTREE) modeļu izveidei, kuri spēj pareizi prognozēt 84 – 97 % ligzdu testa datos. Emerging trends in the practical application of LiDAR data show the feasibility of classifying both smaller and more concealed objects in the data. The study looks at and quantifies the likelihood of finding large nests of birds of prey as objects in the LiDAR data. Finding such nests, due to their relatively rare occurrence, has always been a complicated and labor-intensive task in which remote sensing data are usually used as support tools. The scope of the study is the territory of Latvia, and Osprey (Pandion haliaetus) nests have been selected as the research subject. The study found that in 60% of the cases, the intensity values of the LiDAR data points that lead to an indication of nesting materials have significantly higher intensity values than for the points that lead to an indication of surrounding vegetation. In 40% of the cases, the difference in the intensity values has not been clear enough, and reason for that is not yet entirely understood. The study uses the functionality of R packages “lidR” and “sf” for data processing. The values of the LiDAR points are calculated both at the level of the circular sample area of 0.2 ha and by grouping the points within the sample using containers of different sizes. A “container” is a tree, viewed from above in outline form, with an imagined three-dimensional extruded shape extending all the way to the ground. The individual data point is one tree (or “container”). In simplified form, a spot of higher intensity appearing in the canopy could be a nest. “Intensity” in this case means reflectivity. The more reflective a part of a container is, the higher the intensity. The resulting characteristics and their ratios have been used for the development of general linear models (GLM) and also to create general mixed-effect linear decision tree models (GLMERTREE). Models were capable of correctly predicting 84-97% of the nests in the test data.
|
|---|