APCRS-2024-002
AUTHOR(S):
Daria Dobrogowska, Wiktoria Doroz, Julia Domachowska, Paulina Zachar
TITLE:
ESTIMATION OF POST-TORNADO LOSSES IN THE TRZEBCINY FOREST DISTRICT BASED ON TREE CANOPY SEGMENTATION AND CLASSIFICATION METHODS
ABSTRACT:
Tree canopy extraction is a crucial process for damage evaluation and changes caused by natural disasters. This study uses unsupervised machine-learning techniques to assess post-tornado tree canopy loss in the Trzebciny Forest District. Orthophotomaps from 2010 and 2013 were analyzed with Mean Shift Segmentation in ArcGIS Pro, followed by classification using Support Vector Machine (SVM) and Random Forest (RF) algorithms. Accuracy assessment revealed that SVM outperformed RF, with a higher Kappa coefficient and classification precision. Results indicate a significant reduction in forested areas due to tornado damage. The study demonstrates the effectiveness of segmentation and classification methods in rapid post-disaster forest assessment.
KEY WORDS: orthophotomap, segmentation, classification, SVM, Random Forest, tree canopy, loss estimation
DOI: http://doi.org/10.14681/apcrs-2024-002
AUTORZY:
Daria Dobrogowska, Wiktoria Doroz, Julia Domachowska, Paulina Zachar
TYTUŁ:
SZACOWANIE STRAT PO TORNADACH W NADLEŚNICTWIE TRZEBCINY NA PODSTAWIE METOD SEGMENTACJI I KLASYFIKACJI KORON DRZEW
STRESZCZENIE:
Usuwanie koron drzew jest kluczowym procesem oceny szkód i zmian spowodowanych klęskami żywiołowymi. Niniejsze badanie wykorzystuje nienadzorowane techniki uczenia maszynowego do oceny strat drzewostanów po tornadach w Nadleśnictwie Trzebciny. Ortofotomapy z lat 2010 i 2013 zostały przeanalizowane za pomocą segmentacji metodą przesunięcia średniej w ArcGIS Pro, a następnie klasyfikacji za pomocą algorytmów Support Vector Machine (SVM) oraz Random Forest (RF). Ocena dokładności wykazała, że SVM przewyższa RF wyższym współczynnikiem Kappa i precyzją klasyfikacji. Wyniki wskazują na istotny spadek powierzchni leśnych z powodu szkód spowodowanych tornadem. Badanie pokazuje skuteczność metod segmentacji i klasyfikacji w szybkiej ocenie stanu lasów po katastrofie.
SŁOWA KLUCZOWE: ortofotomapa, segmentacja, klasyfikacja, SVM, las losowy, korony drzew, estymacja strat