Classification of forest development stages from national low-density lidar datasets: a comparison of machine learning methods

• Autores: R. Valbuena Puebla, M. Maltamo, P. Packalen
• Localización: Revista de teledetección: Revista de la Asociación Española de Teledetección, ISSN 1133-0953, Nº. Extra 45, 2016, págs. 15-25
• Idioma: inglés
• Títulos paralelos:
  • Clasificación de etapas de desarrollo forestal a partir de datos de vuelos lidar nacionales de baja densidad: comparación de métodos de aprendizaje automático
• Enlaces
  • Texto completo
• Resumen
  • español

    Los métodos de estimación por áreas son ya habituales para el uso de escaneo láser aerotransportado (ALS) en la predicción de atributos forestales descritos por variables continuas: biomasa, volumen, densidad, etc. No obstante, apenas se ha prestado atención a los métodos de clasificación por aprendizaje automático, que por otro lado son frecuentes en diversos campos de la teledetección, como la identificación de coberturas del suelo por sensores multiespectrales. En este artículo hemos centrado la atención en métodos estadísticos destinados a predecir variables discretas, para obtener clasificaciones supervisadas de datos ALS. Varios métodos han sido revisados: clasificadores de análisis discriminante (DA) –máxima verosimilitud, elipsoide de volumen mínimo y Bayesiano ingenuo–, máquinas de vector soporte (SVM), redes neuronales artificiales (ANN), selvas aleatorias (RF), y vecino más próximo (NN). La comparación se ha realizado en el contexto de una clasificación en las etapas de desarrollo (ED) utilizadas en la gestión forestal de los bosques de Finlandia, utilizando para ello datos de baja densidad de su vuelo nacional. RF y NN produjeron las matrices de error más equilibradas, con predicciones por validación cruzada no sesgadas para todas las EDs. Aunque SVM y ANN mostraron las mayores precisiones, obtuvieron resultados muy dispares entre las distintas EDs, siendo óptimas sólo para algunas concretas. DA obtuvo los peores resultados, y sólo se observó que pudieran ser beneficiosas en la predicción de rodales en la etapa de diseminado. Nuestros resultados muestran que, además de la confirmada capacidad del ALS para predecir variables de cuantificación de las masas forestales, también existe potencial en la clasificación de variables categóricas en general, y tipologías forestales en particular. En conclusión, consideramos que estas metodologías se pueden también adaptar a las clases naturales de edad y tipos estructurales que sean relevantes en ecosistemas mediterráneos, abriendo un abanico de posibilidades para investigación en ALS, con mucho potencial.

  • English

    The area-based method has become a widespread approach in airborne laser scanning (ALS), being mainly employed for the estimation of continuous variables describing forest attributes: biomass, volume, density, etc. However, to date, classification methods based on machine learning, which are fairly common in other remote sensing fields, such as land use / land cover classification using multispectral sensors, have been largely overseen in forestry applications of ALS. In this article, we wish to draw the attention on statistical methods predicting discrete responses, for supervised classification of ALS datasets. A wide spectrum of approaches are reviewed: discriminant analysis (DA) using various classifiers –maximum likelihood, minimum volume ellipsoid, naïve Bayes–, support vector machine (SVM), artificial neural networks (ANN), random forest (RF) and nearest neighbour (NN) methods. They are compared in the context of a classification of forest areas into development classes (DC) used in practical silvicultural management in Finland, using their low-density national ALS dataset. We observed that RF and NN had the most balanced error matrices, with cross-validated predictions which were mainly unbiased for all DCs. Although overall accuracies were higher for SVM and ANN, their results were very dissimilar across DCs, and they can therefore be only advantageous if certain DCs are targeted. DA methods underperformed in comparison to other alternatives, and were only advantageous for the detection of seedling stands. These results show that, besides the well demonstrated capacity of ALS for quantifying forest stocks, there is a great deal of potential for predicting categorical variables in general, and forest types in particular. In conclusion, we consider that the presented methodology shall also be adapted to the type of forest classes that can be relevant to Mediterranean ecosystems, opening a range of possibilities for future research, in which ALS may show great predictive potential.