Projekta mērķis ir izstrādāt jaunas metodes meža hemiboreālo resursu novērtēšanai mežaudzes līmenī (suga, koku augstums un diametrs krūšu augstumā (DBH), pameža un meža zemes dalījumi, atmirusī koksne, lapu laukuma CO2 piesaiste, evapotranspirācija) no ļoti augstas izšķirtspējas (VHR) tālizpētes (RS) datiem, kas savākti, izmantojot bezpilota lidaparātus (UAV).
Projekta galvenie uzdevumi ir:
- Izstrādāt jaunu koku sugu klasifikācijas metodi no hiperspektrālajiem (HS) datiem. Tiks analizētas sugas, kas ir izplatītas hemiboreālajos mežos un nozīmīgas Latvijas mežsaimniecības uzņēmumiem: priede (Pinus sylvestris), Norvēģijas egle (Picea abies), bērzs (Betula pendula Roth un Betula pubescens Ehrh.), pelēkais alksnis (Alnus incana Moench), melnalksnis (Alnus glutinosa Gaertn.), apse (Populus tremula), ozols (Quercus robur) un Eiropas osis (Fraxinus excelsior), pilnības labad pievienojot “sauso koku” un “cita” klases. Metodes pamatā būs 3D konvolucionālais neironu tīkls (3D-CNN), izmantojot dažu kadru mācīšanās koncepciju, kas ļauj klasificēt ar ierobežotu mācību datu apjomu
- Izstrādāt metodiku uz UAV balstītu attēlu un LiDAR datu iekļaušanai mežaudzes parametru novērtēšanai, tostarp precizitātes novērtēšanai salīdzinājumā ar tradicionālo vizuālo mežaudzes līmeņa meža inventarizāciju
- Lai uzlabotu šo aplēšu precizitāti, pievērsīsimies sugai raksturīgās lapotnes seguma blīvuma ietekmei uz koku un audzes atribūtu aplēses nenoteiktību, pamatojoties uz efektivitātes analīzi un atšķirībām attēlā un uz LiDAR balstītiem lapotnes augstuma modeļiem (CHM)
- Analizēt un salīdzināt jaunizstrādātās metodes ar populārākajām koku sugu klasifikācijā un meža inventarizācijas skaitlisko parametru novērtēšanā izmantotajām metodēm
- Novērtēt izstrādāto metožu efektivitāti un veiktspēju ilgtermiņa pielietojumam, izmantojot UAV laikrindas