高解像度衛星データのテクスチャ情報と林分構造因子との関係解析

中分解能リモートセンシングデータと比較して,高分解能リモートセンシングデータを利用することで,どの程度詳細な情報を得ることが出来るか検証した。前者としてはQuick Bird(空間分解能0.6m)を,後者としてはLANDSAT/ETM+(空間分解能30m)を用いた。林相区分と林分構造推定の2種類の段階で,2つのデータ間の精度を比較した。林相区分の分類クラスは,スギ・ヒノキ・広葉樹の3クラスとした。また分類にはCART法を用いた。推定する林分構造因子には,材積と本数密度を用いた。推定には,一般化線形回帰分析を利用した。林相区分の全体精度は高分解能リモートセンシングデータで81%,中分解能リモートセンシングデータで73%であった。高分解能リモートセンシングデータでは,テクスチャ情報を用いる事で,ヒノキと広葉樹を高い精度で分類していた。一方,中分解能リモートセンシングデータでは,ヒノキと広葉樹の分類精度が低かった。つまり,林相区分において,高分解能リモートセンシングデータのテクスチャ情報が有効に機能したと言える。また,林分構造推定では,高分解能リモートセンシングデータのテクスチャ情報やスペクトル情報と本数密度の間に相関はみられなかったが,材積との間には相関がみられ,スギ・ヒノキ共に誤差15%程度で材積を推定できた。一方で,中分解能リモートセンシングデータでは本数密度,材積ともに相関が認められなかった。以上のことから,高分解能リモートセンシングデータは,中分解能データに比べて,林相区分においても,林分構造因子の推定においても,有効性が高いことが分かった。

中分解能リモートセンシングデータと比較して,高分解能リモートセンシングデータを利用することで,どの程度詳細な情報を得ることが出来るか検証した。前者としてはQuick Bird(空間分解能0.6m)を,後者としてはLANDSAT/ETM+(空間分解能30m)を用いた。林相区分と林分構造推定の2種類の段階で,2つのデータ間の精度を比較した。林相区分の分類クラスは,スギ・ヒノキ・広葉樹の3クラスとした。また分類にはCART法を用いた。推定する林分構造因子には,材積と本数密度を用いた。推定には,一般化線形回帰分析を利用した。林相区分の全体精度は高分解能リモートセンシングデータで81%,中分解能リモートセンシングデータで73%であった。高分解能リモートセンシングデータでは,テクスチャ情報を用いる事で,ヒノキと広葉樹を高い精度で分類していた。一方,中分解能リモートセンシングデータでは,ヒノキと広葉樹の分類精度が低かった。つまり,林相区分において,高分解能リモートセンシングデータのテクスチャ情報が有効に機能したと言える。また,林分構造推定では,高分解能リモートセンシングデータのテクスチャ情報やスペクトル情報と本数密度の間に相関はみられなかったが,材積との間には相関がみられ,スギ・ヒノキ共に誤差15%程度で材積を推定できた。一方で,中分解能リモートセンシングデータでは本数密度,材積ともに相関が認められなかった。以上のことから,高分解能リモートセンシングデータは,中分解能データに比べて,林相区分においても,林分構造因子の推定においても,有効性が高いことが分かった。