| 1. |
|
|
| 2. |
- Nilsson, Mats, et al.
(author)
-
A nationwide forest attribute map of Sweden predicted using airborne laser scanning data and field data from the National Forest Inventory
- 2017
-
In: Remote Sensing of Environment. - : Elsevier BV. - 0034-4257 .- 1879-0704. ; 194, s. 447-454
-
Journal article (peer-reviewed)abstract
- The National Mapping Agency in Sweden has conducted an airborne laser scanning (ALS) campaign covering almost the entire country for the purpose of creating a new national Digital Elevation Model (DEM). The ALS data were collected between 2009 and 2015 using Leica, Optech, Riegi, and Trimble scanners and have a point density of 0.5-1.0 pulses/m(2). A high resolution national raster database (12.5 m x 12.5 m cell size) with forest variables was produced by combining the ALS data with field data from the Swedish National Forest Inventory (NFI). Approximately 11500 NFI plots (10 meter radius) located on productive forest land, inventoried between 2009 and 2013, were used to create linear regression models relating selected forest variables, or transformations of the variables, to metrics derived from the ALS data. The resulting stand level relative RMSEs for predictions of stem volume, basal area, basal-area weighted mean tree height, and basal-area weighted mean stem diameter were in the ranges of 17.2-22.0%, 13.9-18.2%, 5.4-9.5%, and 8.7-13.1%, respectively. It was concluded that the predictions had an accuracy that were at least as good as data typically used in forest management planning. Above ground tree biomass was also included in the national raster database but not validated on a stand -level. An important part of the project was to make the raster database available to private forest owners, forest associations, forest companies, authorities, researchers, and the general public. Thus, all predicted forest variables can be viewed and downloaded free of charge at the Swedish Forest Agency's homepage (http://www. skogsstyrelsen.se/skogligagrunddata). (C) 2016 Elsevier Inc. All rights reserved.
|
|
| 3. |
- Nordkvist, Karin, et al.
(author)
-
Classification of EBONE General Habitat Categories in a Swedish forest area by using LiDAR in combination with SPOT satellite data
- 2010
-
Reports (other academic/artistic)abstract
- We have investigated to which degree a combination of optical satellite data and LiDAR data can improve classification accuracy of the General Habitat Categories (GHC) used by the FP7 project European Biodiversity Observation Network (EBONE), compared to using satellite data alone. The study was carried out in Remningstorp, a forest dominated area in southern Sweden. Remote sensing data used in the study were a SPOT 5 image from August 2009 and a laser scanning (26 points/m2) from September 2008. Ground truth samples were collected by interpretation of color infrared digital air photos from September 2009. Maximum likelihood and Random Forests classifications were made with satellite data and with a combination of satellite and LiDAR data. The classification scheme consisted of six forest classes, arable land and pasture land. The use of LiDAR data improved over-all accuracy with 6% for maximum likelihood classification and 7% for Random Forests. The highest over-all accuracy was obtained with Random Forests, but on the expense of the smaller classes.
|
|
| 4. |
- Nordkvist, Karin, et al.
(author)
-
Combining optical satellite data and airborne laser scanner data for vegetation classification
- 2012
-
In: Remote Sensing Letters. - : Informa UK Limited. - 2150-704X .- 2150-7058. ; 3, s. 393-401
-
Journal article (peer-reviewed)abstract
- The aim of this study was to investigate to which degree the accuracy of vegetation classification could be improved by combining optical satellite data and airborne laser scanner (ALS) data, compared with using satellite data only. A Satellite Pour l'Observation de la Terre (SPOT) 5 scene and Leica ALS 50-II data from 2009, covering a test area in the mid-Sweden (latitude 60 degrees 43' N, longitude 16 degrees 43' E), were used in maximum likelihood and decision tree classifications. Training and validation data were obtained from the interpretation of digital aerial photo stereo models. Combination of SPOT and ALS data gave classification accuracies up to 72%, compared with 56% using only SPOT data. This indicates that integrating features from large area laser scanning may lead to significant improvements in satellite data-based vegetation classifications.
|
|
| 5. |
|
|
| 6. |
- Nordkvist, Karin, et al.
(author)
-
Laserskanning och digital fotogrammetri i skogsbruket
- 2013
-
Reports (other academic/artistic)abstract
- Flygburen laserskanning och automatiserad användning av digital fotogrammetri håller för närvarande på att revolutionera metoderna för skogsinventering. Detta kompendium är en första ansats att utarbeta ett läromedel på svenska inom området. Kompendiet är framtaget för distanskursen Laserskanning och digital fotogrammetri i skogsbruket vid Institutionen för skoglig resurshushållning, SLU, hösten 2012. Vi hoppas att det även kan få en vidare spridning i det svenska skogsbruket, samt att det kan vidareutvecklas inför kommande kurstillfällen allteftersom nya erfarenheter inom detta snabbt expanderande område vinns. Författarna är därför också tacksamma för synpunkter på kompendiets innehåll och förslag till kompletteringar. Dessa kan skickas till huvudförfattaren Karin Nordkvist (e-post karin.nordkvist@slu.se).
|
|
| 7. |
- Nordkvist, Karin, et al.
(author)
-
Laserskanning och digital fotogrammetri i skogsbruket. (2. uppl.)
- 2013
-
Reports (other academic/artistic)abstract
- Förord till första upplagan Flygburen laserskanning och automatiserad användning av digital fotogrammetri håller för närvarande på att revolutionera metoderna för skogsinventering. Detta kompendium är en första ansats att utarbeta ett läromedel på svenska inom området. Kompendiet är framtaget för distanskursen Laserskanning och digital fotogrammetri i skogsbruket vid Institutionen för skoglig resurshushållning, SLU, hösten 2012. Vi hoppas att det även kan få en vidare spridning i det svenska skogsbruket, samt att det kan vidareutvecklas inför kommande kurstillfällen allteftersom nya erfarenheter inom detta snabbt expanderande område vinns. Författarna är därför också tacksamma för synpunkter på kompendiets innehåll och förslag till kompletteringar. Dessa kan skickas till huvudförfattaren Karin Nordkvist (e-post karin.nordkvist@slu.se). Kompendiet har finansierats av Erik Johan Ljungbergs Utbildningsfond och SLU. Vid SLU har Jonas Bohlin, Magnus Ekström, Johan Holmgren, Eva Lindberg och Jörgen Wallerman bidragit till kompendiet. Värdefulla bidrag till innehållet har även lämnats av: Helen Rost och Martin Sjödin, Blom Sweden AB; Fredrik Walter, Dianthus AB; Ulf Söderman, FORAN Remote Sensing AB; Thomas Brethvad, COWI; Andreas Rönnberg, Lantmäteriet; Anders Boberg, Tyréns. Där inget annat anges är figurerna gjorda av Karin Nordkvist. Dessa figurer samt kompendiets text är licensierade under Creative Commons Erkännande-DelaLika 2.5. Umeå i september 2012 Karin Nordkvist och Håkan Olsson Förord till andra upplagan I den andra upplagan hösten 2013 så har kompendiet kompletterats med övningsuppgifter för bearbetning av laserskannerdata för skogliga ändamål, vilka återfinns i ett appendix. Övningsuppgifterna och främst anpassade för kurser vid SLU. Uppgifterna är utformade av Karin Nordkvist, Emma Sandström och Heather Reese vid SLU. Även övningsuppgifterna är finansierade av Erik Johan Ljungbergs Utbildningsfond och SLU. Endast mindre ändringar har gjorts av texten i övrigt.
|
|
| 8. |
- Nordkvist, Karin, et al.
(author)
-
Vegetation classification in the Swedish sub-arctic using a combination of optical satellite images and airborne laser scanner data
- 2011
-
Conference paper (peer-reviewed)abstract
- The aim of this pilot study was to investigate to which degree the accuracy of automated vegetation classification in the Swedish sub-arctic could be improved by combining optical satellite data with airborne laser scanner (ALS) data, compared to using satellite data only. This information is of interest in an ongoing discussion about the possible inclusion of the mountains in northern Sweden in the national laser scanning that started in 2009. A SPOT 4 scene and ALS data from an Optech ALTM Gemini scanner, both from 2010, were used in maximum likelihood classification. Data for training and validation was obtained from 279 plots with 20 m radius that were visited in field 2010. These plots were located near Abisko in northern Sweden (lat. 68° 23' N, long. 18° 53' E), on the north and south side of Lake Torne Träsk. A classification scheme with 7 classes based on the Swedish mountain vegetation map was used. Classification using only SPOT data gave an over-all accuracy of 75.6%, and the combination of SPOT data and ALS data increased the accuracy to 81.4%
|
|
| 9. |
|
|
| 10. |
|
|
