The Effect of Sampling Design on Data Precision and Practicality in Mobile-LiDAR-based Forest Inventories: Case Study from Rize Senyuva

Abstract

This study aims to determine an optimal sampling design for forest inventories performed by mobile laser scanners (LiDAR). To this end, the study area, located in Şenyuva Forest Planning Unit, was first surveyed using the conventional ground measurement method by sample plots. Then, it was scanned by mobile LiDAR with different walking routes. Produced point clouds were clipped with different shapes and sizes for feature extraction. Finally, the two datasets were compared for the same stand parameters. Regarding diameter at breast height (DBH), no significant difference was found between the LiDAR data and ground truth (p>0.05) for the entire area (1,834.4 m2). The difference between the datasets was less than 1 cm (~2%) based on the mean of the two data. The number of trees parameter was completely the same and the deviation in dominant tree height was less than 1 m (~1.5%). In conclusion, specific prescriptions were written out for practitioners, surveying different forest conditions. Accordingly, clipping the LiDAR data by 400-m2 circles by scanning the plot from outside is the best option for practitioners who can accept an estimation error of about 10%. The practitioners, who need more precise estimates, should analyze the same data on the entire plot without clipping. If the plot size is greater than 1 ha, scanning within the stand would be necessary.

Keywords

• Handheld mobile laser scanning (LiDAR)
• GeoSLAM Zeb Horizon
• forest inventory
• forest management
• precision forestry

Mobil LiDAR ile Orman Envanterlerinde Farklı Örnekleme Tasarımlarının Veri Hassasiyeti ve İş Verimliliğine Etkisi: Rize Şenyuva Örneği

Öz

Bu çalışmada, mobil lazer tarama (LiDAR) sistemleriyle gerçekleştirilecek orman envanterleri için optimum örnekleme tasarımının ortaya koyulması amaçlanmıştır. Çalışma, Şenyuva Orman İşletme Şefliği’ndeki saf Ladin sahasında, geleneksel envanter yöntemleriyle ölçülen örnek alanlara dayalı olarak yürütülmüştür. Aynı saha, mobil LiDAR ile farklı şekillerde taranmış ve üretilen nokta bulutları farklı büyüklüklerde kesilerek, daha önce ölçülen meşcere parametrelerinin değerleri bu yöntemle de belirlenmiştir. Geleneksel yöntemle (çapölçerle) tam alanda (1.834,4 m2) ölçülen göğüs çapı ile LiDAR verisi üzerinden belirlenen göğüs çapı değerleri arasında önemli bir fark tespit edilmemiştir (p>0.05). İki veri setinin ortalamaları arasındaki fark 1 cm’nin (~%2) altındadır. Birim alandaki ağaç sayıları birebir aynı bulunmuştur. Hâkim ağaç boyu ise 1 m’nin (~%1,5) altında hatayla belirlenebilmiştir. Sonuçta, farklı koşullarda çalışan uygulayıcılar için farklı reçeteler geliştirilmiştir. Genel itibariyle, örneklemede yaklaşık ±%10’luk hata payı kabul görüyorsa; saha dışarıdan tarandıktan sonra verinin 400 m2’lik daire şeklinde kesilerek analiz edilmesi önerilebilir. Daha hassas araştırmalarda ise saha dışarıdan tarandıktan sonra tam alanda analiz gerçekleştirilmelidir. Eğer 1 ha’dan büyük sahalarda çalışılacaksa, meşcerenin içeriden taranması zorunlu hale gelmektedir.

Anahtar Kelimeler

• El tipi mobil lazer tarama (LiDAR)
• GeoSLAM Zeb Horizon
• hassas ormancılık
• orman amenajmanı
• orman envanteri

Kaynakça

1. Akalp, T. (2016). İstatistik Yöntemler. İstanbul Üniversitesi Yayınları: İstanbul, 460 s.
2. Asan, Ü. (2017). Orman Amenajmanı (Planlama Sistemleri). İstanbul Üniversitesi Yayınları: İstanbul, 434 s.
3. Del Perugia, B., Giannetti, F., Chirici, G., Travaglini, D. (2019). Influence of scan density on the esti-mation of single-tree attributes by hand-held mobile laser scanning. Forests, 10(3), 277.
4. Eker, M., Özer, D. (2015). Üretim işlerinde hassas ormancılık yaklaşımı: Kavramsal çerçeve. Türkiye Ormancılık Dergisi, 16(2), 184-194.
5. Eraslan, İ. (1982). Orman Amenajmanı. İstanbul Üniversitesi Yayınları: İstanbul, 581 s.
6. Ganivet, E., Bloomberg, M. (2019). Towards rapid assessments of tree species diversity and structure in fragmented tropical forests: A review of perspectives offered by remotely-sensed and field-based data. Forest Ecol Manag, 432, 40-53.
7. GeoSLAM (2022). GeoSLAM Zeb-Horizon Handheld Mobile LiDAR. GeoSLAM Ltd., Nottingham, Birleşik Krallık, https://geoslam.com/solutions/zeb-horizon/ (06.02.2022).
8. Gollob, C., Ritter, T., Nothdurft, A. (2020). Forest inventory with long range and high-speed personal laser scanning (PLS) and simultaneous localization and mapping (SLAM) technology. Remote Sensing, 12(9), 1509.

9. Hyyppä, E., Kukko, A., Kaijaluoto, R., White, J. C., Wulder, M.A., Pyörälä, J., Liang, X., Yu, X., Wang, Y., Kaartinen, H., Virtanen, J-P., Hyyppä, J. (2020). Accurate derivation of stem curve and volume using backpack mobile laser scanning. ISPRS J. Photogramm. Remote Sens., 61, 246-262.
10. Kalaycı, Ş. (2009). SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri. Asil Yayınevi: Ankara, 426 s.
11. MGM (2015). Ardeşen İklim İstasyonu’na ait 1975-2015 yılları arası meteoroloji verileri. Meteoroloji Genel Müdürlüğü, Ankara.
12. OGM (1955). Orman Amenajman Planlarının Tanzimine ve Tatbikine Ait Talimatname. Orman Genel Müdürlüğü, Ankara.
13. OGM (2017). Ekosistem Tabanlı Fonksiyonel Orman Amenajman Planlarının Düzenlenmesine Ait Usul ve Esaslar (299 sayılı tebliğ−düzeltmeli son baskı). Orman Genel Müdürlüğü Orman İdaresi ve Planlama Dairesi Başkanlığı, Ankara.
14. OGM (2020). Şenyuva Orman İşletme Şefliği Ekosistem Tabanlı Fonksiyonel Amenajman Planı (2020-2039). Orman Genel Müdürlüğü Orman İdaresi ve Planlama Dairesi Başkanlığı, Ankara.
15. OGM (2022). Karagöl-Sahara Milli Parkı Ekosistem Tabanlı Fonksiyonel Orman Amenajman Planı (2022-2041). Orman Genel Müdürlüğü Orman İdaresi ve Planlama Dairesi, Ankara.
16. Ozdemir, I. (2008). Estimating stem volume by tree crown area and tree shadow area extracted from pan‐sharpened Quickbird imagery in open Crimean juniper forests. International Journal of Re-mote Sensing, 29(19), 5643-5655.
17. Ozkan, U. Y., Demirel, T., Ozdemir, I., Saglam, S., Mert, A. (2022). Predicting forest stand attributes using the integration of airborne laser scanning and Worldview-3 data in a mixed forest in Tur-key. Advances in Space Research, 69, 1146-1158.
18. Qiu, Z., Feng, Z., Jiang, J., Lin, Y., Xue, S. (2018). Application of a continuous terrestrial photogram-metric measurement system for plot monitoring in the Beijing Songshan national nature reserve. Remote Sens., 10(7), 2072-4292.
19. Seki, M., Sakici, O. E. (2021). Ecoregion-based height-diameter models for Crimean pine. Journal of Forest Research, 27(1), 36-44.
20. Şahin, A., Çağlayan, İ., Büyük, H., Karademir, H., Aksu, A., Şahin, H. (2021). Türkiye’nin ilk orman planlama ünitesindeki teknik ve yapısal değişimlerin 100 yıllık değerlendirilmesi. Ormancılık Araştırma Dergisi, 9(1), 12-34.
21. Vatandaşlar, C., Zeybek, M. (2020). Application of handheld laser scanning technology for forest in-ventory purposes in the NE Turkey. Turk. J. Agric. For., 44(3), 229-242.
22. Vatandaşlar, C., Zeybek, M. (2021). Extraction of forest inventory parameters using handheld mobile laser scanning: A case study from Trabzon, Turkey. Measurement, 177, 109328.
23. Vatandaşlar, C., Zeybek, M., Çankaya, E. Ç., Demiraslan, T., Şahin, C., Gündüz, Y., Korkmaz, Ü., Avcı, M.L. (2022). El tipi mobil LiDAR teknolojisinin orman envanterlerinde kullanımı: Artvin-Şavşat örneği. Ormancılık Araştırma Dergisi, 9(1), 81-96.
24. VLP16 (2022). VLP16 PuckTM Velodyne LiDAR sensörü. Velodyne LiDAR Inc, Morgan Hill, CA, Amerika Birleşik Devletleri, https://velodynelidar.com/products/puck/ (06.02.2022).
25. Yilmaz, V., Güngör, O. (2019). Estimating crown diameters in urban forests with Unmanned Aerial System-based photogrammetric point clouds. International Journal of Remote Sensing, 40(2), 468-505.
26. Yurtseven, H., Yener, H. (2019). Using of high-resolution satellite images in object-based image anal-ysis. Eurasian Journal of Forest Science, 7(2), 187-204.