Forest cover change detection using remote sensing

Tyrimo tikslas – nustatyti skirtingų nuotolinių tyrimų metodų galimybes vertinant miško dangos pokyčius. Tyrimas atliktas VĮ VMU Dubravos ir Biržų regioniniuose padaliniuose. Darbe naudoti duomenys apie atliktas ūkines priemones bei trijų skirtingų rezoliucijų vaizdai, kurie buvo analizuojami pagal klasifikatorius: Random Forest (RF), neuroninį tinklą ir logistinę regresiją. Nustatyta, jog didelės skiriamosios gebos ortofotonuotraukoje ūkinių priemonių klasifikacijos tikslumas buvo aukščiausias iš tirtų vaizdų ir siekė iki 63 proc. pagal RF ir neuroninio tinklo klasifikatorius. Palydovinių vaizdų didžiausias pasiektas tikslumas siekė 70 proc. Beveik visais atvejais prasčiausiai klasifikuotas 20 m skiriamosios gebos vaizdas. Tačiau sumažinus tiriamų grupių skaičių iki 2, ortofotonuotraukos klasifikacijos tikslumas padidėjo iki 98-100 proc., o palydovinių nuotraukų iki 99,5 proc.The aim of this research was to determine possibilities of different remote sensing methods in assesing forest cover changes. The research was conducted in Dubrava and Biržai Regional Divisions of State Forest Enterprise. In the work there was used data about forestry measures and images of different resolution. Images were analyzed by Random Forest (RF), neural network and logistic regression classifiers. It was found out that the highest accuracy of forest measurements classification reached up to 63 percent when RF and neural network classifiers in high resolution orthophoto were used. The highest achieved accuracy of satellite imagery was 70 percent. The 20 m satellite image was classified the worst in almost all cases. However, the accuracy of orthophoto classification increased up to 98-100 percent and satellite images up to 99,5 percent when the number of classification groups was reduced to 2.Miškų ir ekologijos fakultetasMiškotvarkos ir medienotyros instituta