跳到主要內容區塊

發展智慧化人工林經營空間資訊決策支援平台

  • 公告日期:115-03-24
  • 計畫主持人:王韻皓
  • 執行單位:森林經營組
類別
114年度 自辦科技計畫
關鍵詞
地理空間資訊;人工林;地景結構;深度學習;決策支援平台
計畫摘要

本計畫主要是分成三個工作項目執行,包含人工林地景結構變遷分析與預測模型建立及試驗林經營智慧化空間資訊決策支援平台建置。主要目標如下:(一)整合航遙測影像建立的林型/樹種深度學習模型,應用其他試驗林的影像進行驗證。同時,建構時間序列UAV多光譜影像,利用樹種光譜和冠層結構變動,分析不同樹種的季節性周期變化,並運用時間序列特徵提升分類效能。除此之外,利用深度學習影像分類,完成長期人工林地景的動態格局,同時透過地景生態指標量化組成和結構,進行地景結構變動分析。最終,建立人工林地景變動預測模型,為試驗林經營提供決策參考。(二)持續更新蒐試驗林人工林空間資訊,透過定期調查和使用無人載具、地面光達等技術,建立基礎的林分性態值,盤點試驗林人工林資源。建立空間資訊標準化的資料格式,建立試驗林人工林長期空間資訊系統,以促進資料共享。在整合前期計畫的基礎上,建構了包括航遙測影像應用模型、人工林分蓄積量推估模型和不同造林疏伐策略模式的人工林經營決策支援雛形系統,設計引入空間決策模式和智慧決策工具的整體結構,建構試驗林經營智慧化空間資訊決策支援平台,支援提供人工林空間變遷資訊、變遷預測、生長參數推算、生產量預估和災害即時監測等功能,兼顧人工林資源經營與木材自給率提高的政策導向與支援決策,即時提供森林經營決策所需之空間科學數據。 

執行成果摘要

本研究以蓮華池試驗林為試驗區域,整合航照影像、空載光達資料、地面樣區調查與歷史向量圖資,建立特定樹種深度學習分類模型、森林蓄積量推估模型,並完成試驗林歷史圖資之系統化整理與資料庫建置。影像資料方面,使用 2023 年 0.15 m 高解析航照影像,搭配 2024 年空載光達資料建立 CHM 及單木冠幅分割結果。地面調查則完成 11 個針葉樹純林樣區作為分類訓練資料,並利用已完成之 59 個地面樣區作為蓄積量分析之基礎。 在深度學習樹種分類部分,U-Net 結合 ResNet50 的模型整體 Kappa 係數為 0.678,肖楠與香杉生產者精度高(97.5% 與 97.6%),而臺灣杉受陰影與闊葉樹混生影響而降低生產者精度(40.5%),顯示林分異質性與光譜混合是主要誤判來源。蓄積量推估方面,像元式 CHM 單變數決定係數為 0.319、物件式 CHM 為 0.393;加入光譜與紋理後,兩類模型之決定係數皆可達約 0.63,主要納入變數包括 CHM及Worldview2所產生的BAND6、GLCM correlation 與 GLCM entropy變數。 此外,本研究亦全面整理試驗林的歷史向量資料,內容包括林型圖、造林台帳、林道、崩塌圖、土壤圖等。由於資料來源跨年代、分類不一、屬性資料缺漏、編碼不一致、版本過多以及向量形狀錯誤等問題,本研究針對 364 筆歷史資料進行系統化分類、檔案比對、錯誤剔除、重製邊界與屬性修復,並逐步建立一致性的詮釋資料格式與命名規則,期能提升後續空間查詢、屬性比對與跨區域分析之效率,為完整的試驗林空間資訊平台奠定資料基礎。