LiDAR datu un multispektrālo satelītainu izmantošana mitru meža minerālaugšņu dešifrēšanā

Abstract

Maģistra darba mērķis ir novērtēt LiDAR datu un multispektrālo satelītainu izmantošanas iespējas pārmitru meža minerālaugšņu telpiskās izplatības dešifrēšanā. Pētījuma teritorija sastāv no 20 objektiem, kas katrs nosedz 1 km2 plašu teritoriju un ir izvietoti uz dažādiem Kvartāra nogulumu ģenēzes tipiem. Katrā no pētījuma objektiem izvietoti līdz 10 parauglaukumi, kur lauka darbu laikā ievākti mežaudzi raksturojošie parametri, bet kamerālajos darbos noteiktas dažādu attālās izpētes indeksu vērtības. Iegūto datu salīdzināšanai pa dažādām mitruma klasēm izmantos vienvirziena ANOVA tests, savukārt augsnes mitruma apstākļu prognozēšanai plašākā teritorijā izmantota binārā loģistiskā regresijas analīze. Pētījuma rezultāti rāda, ka augsnes mitruma režīma prognozēšanai uz dažādas ģenēzes nogulumiem ir jāizmanto atšķirīgi attālās izpētes indeksi un to kombinācijas. Uz pētījuma parauglaukumiem bāzētajā augsnes mitruma apstākļu klasifikācijā sasniegta 83 – 97% precizitāte.

Aim of this master’s thesis is to evaluate possibilities of using LiDAR data and multispectral satellite imagery in detecting spatial distribution of wet mineral soils in forest. Area of this study consists of 20 sites, each covering 1 km2 and are located on different types of Quaternary sediments. Up to 10 study plots are in each study site. Data about forest and soil characteristics are collected during field works, but various spatial indices are acquired from remote sensing data. One-way ANOVA test are used to compare obtained data for different soil wetness classes, while binary logistic regression analysis is used to obtain indices for predicting soil wetness in wider area. The results of research show that different remote sensing indices and their combinations should be used to predict soil moisture regime on various Quaternary deposit types. The accuracy of soil wetness class classification on different Quaternary sediment types id between 83 – 97%.