Prediction of Forest Variables Using Airborne Laser Scanning

En inom skogssektorn relativt ny metod för att underlätta för skoglig planering är att använda sig av skoglig fjärranalys för att effektivt kunna prediktera skogsvolym och modellera vegetation. Med data från laserskanningar utförda i samband med lantmäteriets produktion av en nationell höjdmodell skapades en databas med kartor över skog och mark, där de för kartorna aktuella skogliga responsvariablerna modellerades en åt gången. En eventuell problematik med att modellera varje responsvariabel enskilt är att det inte tar hänsyn till eventuella icke observerade faktorer, som påverkar samtliga responsvariabler, och därmed förbises denna information. Syftet med denna studie var att istället prova att modellera de aktuella skogsvariablerna samtidigt med den multivariata metoden Seemingly Unrelated Regressions (SUR), och utvärdera huruvida resultaten skiljer sig från modellering med linjär regression (LR). Mätstickorna som jämfördes var Root Mean Square Error (RMSE) respektive medelfelen för parameterskattningarna. I studien användes ett datamaterial med skoglig data tillhandahållet av Sveriges lantbruksuniversitet. Resultaten visade att SUR gav upphov till lägre estimerad RMSE (än vad som erhölls med LR) i 22.5 % av fallen, medan medelfelen för parameterskattningarna (med SUR) blev mindre i 59.8 % av fallen, (och lika i resterande fall)