|
Advanced search
Previous page
|
Title
Potential of the kNN method for estimation and monitoring off-reserve forest resources in Ghana |
Full text
http://www.freidok.uni-freiburg.de/volltexte/5519/ |
Date
2008 |
Author(s)
Kutzer, Christian |
Abstract
Continuously increasing population and concomitant demand for food have been devastating forests by exploitation and shifting cultivation at an alarming rate. With the awareness the exhaustion of fossil fuels and recent price peaks for crude oil, the tendency towards forest destruction has been accelerated with the transformation of forest lands into oil palm plantations. In the same way, non-timber forest products like rattan, bamboo or raphia palms are disappearing. Local populations are more and more dependent on the illegal gathering of rattan from protected forest reserves and chainsaw lumbering practices in Ghana's off-reserve forests - prohibited since 1997 - serve as a source of livelihood for a good number of Ghanaians. The monitoring of forest lands is vital to enable the sustainable management and development of the area. The mission of the internationally acting organisation Tropenbos, where this study is imbedded, is to generate scientific input for sustainable management of natural resources of tropical countries. The application of the k nearest neighbour (kNN) method in the combination of terrestrial data with remotely sensed data for forest attribute estimation and mapping has become an integral part of forest inventory methods. The object of this study is to assess the potential of the kNN method for the development of a cost efficient monitoring system of specific non-timber forest products, forest resources, and different land use types, in the off-reserve forests of the Goaso forest district in Ghana. For this purpose ten land use types and land resources, were identified, these being the following; bamboo, banana plantations, bush fallow, cocoa plantations, elephant grass, grassy vegetation, herbaceous vegetation, oil palm plantations, raphia palms, and forests. Based on selectively chosen sample circles with variable diameters, 3360 pixels were distributed within the off-reserve forests, covering an area of about 1710 km2. For the classification assessment, the registrations were each divided respectively into a collective of training and test pixels. The method was applied to ASTER data and out of it mathematically generated indices were deduced to identify how various spectral band combinations, sample sizes, and sample distributions contribute to the overall accuracy of the various land use types. The kNN classification achieved overall accuracies ranging from 75 % for plantain, 78 % for tree resources and raphia palms, 81 % for cocoa plantations and bamboo, up to 83 % for oil palm plantations. With increasing sample sizes or simulation of a particular sample plot distributions, the results could be improved. Likewise, selection of optimal parameters for the kNN programme settings were found. K-values between 3 and 6 showed the highest values for the land resource bamboo. For a multi-attribute classification of the ten land use types, overall accuracy and overall agreement in the classification could be increased by limiting the occurrence probability from the results of the kNN programme to at least 0.5. This, however, caused a waste of 42 % of the estimated pixels, which had to be labelled as unclassified. The partly broad differences of the kNN estimations, as regards accuracy and precision within the several land uses show, that optimisation of parameters ought to be identified individually, depending on the specific selection of resources which are to be monitored. Finally, the results of the study demonstrate a high potential for the application of the kNN method for a monitoring system of the land resources of Ghana's off-reserve forests. Adaptation of individual parameters, for instance the value for k, optimisation of spectral data, sample size and design applied to specific land resources, will further increase the expected estimation results and classification accuracies of this study. At this point, the estimation and inventory of non-timber forest products, in particular raphia palms, is limited to habitats bearing a specific minimum ground cover and exhibiting an agglomeration of individuals to be captured by the satellite sensor. For detailed estimation and inventory of bamboo and raphia, the proportions of land cover can be used to estimate quantities of NTFP resources. However, further studies on the correlation of stock quantities versus habitat cover are highly suggested. - Der ungebrochene Bevölkerungszuwachs und der damit verbundene Bedarf an Nahrung trägt, etwa durch Wanderfeldbau, unvermindert zur Waldzerstörung bei. Mit der zunehmenden Bewusstwerdung der Endlichkeit fossiler Energieträger und damit einhergehender Höchstpreise für Erdöl, nimmt der Trend der zunehmenden Entwaldung durch Abholzung und anschließender Umwandlung in Ölpalmplantagen noch zu. Zugleich verschwinden natürliche Vorkommen von Nicht-Holz Waldressourcen wie Rattan, Bambus oder Raphiapalmen. Die einheimische Bevölkerung sieht sich damit mehr und mehr dazu gezwungen, Rattan illegal aus Ghanas geschützten Waldreservaten zu entnehmen oder weiterhin eigenmächtig - und seit 1997 verboten - Holzeinschlag mit der Motorsäge in den Waldflächen außerhalb der Reservate vorzunehmen, was einer Großzahl von Ghanaern ermöglicht, ihren täglichen Lebensunterhalt zu bestreiten. Ein Monitoring dieser bewaldeten Flächen ist somit unabdingbar, um eine nachhaltige Nutzung und Landentwicklung dieser Gebiete zu ermöglichen. Die vornehmliche Aufgabe der international agierenden Organisation Tropenbos, in die diese Studie eingebunden ist, ist es, wissenschaftliche Forschung zu unterstützen, um damit Handlungsempfehlungen und Managementstrategien für die nachhaltige Nutzung natürlicher Ressourcen in tropischen Ländern bereitzustellen. Die Anwendung der k-nächsten Nachbarn (kNN) Methode, in Kombination von terrestrisch erhobenen Daten mit Fernerkundungsdaten, zur Schätzung von forstlichen Kennwerten und zur Kartenerstellung ist mittlerweile ein integraler Bestandteil von Forstinventurmethoden. Das Ziel dieser Studie ist es, das Potential der kNN Methode für die Entwicklung eines kostengünstigen Monitoring Systems für bestimmte Nicht-Holz Waldprodukte, Waldressourcen und verschiedenen Landnutzungstypen, in nicht ausgewiesenen Reservaten des Forstdistrikts Goaso in Ghana, zu beurteilen. Dazu wurden die zehn Landnutzungstypen bzw. Landressourcen Bambus, Kochbanane, Buschbrache, Kakaoplantage, Elefantengras, Grasvegetation, Krautige Vegetation, Ölpalmplantage, Raphiapalme und Waldflächen identifiziert. Basierend auf selektiv ausgewählten Probekreisen mit variablem Durchmesser wurden 3360 Pixel außerhalb der Waldreservate im Goaso Forstdistrikt verteilt. Damit wurde eine Fläche von etwa 1710 km2 abgedeckt. Für die Genauigkeitsanalyse wurden die Aufnahmen in jeweils zwei verschiedene Kollektive aufgeteilt, in Trainings- und Testpixel. Die Methode wurde auf ASTER Satellitendaten und den daraus erzeugten Indizes angewandt, um dadurch den Einfluss einzelner spektraler Bänderkombinationen, des Stichprobenumfangs und der Probenverteilung, in Hinsicht auf die Gesamtgenauigkeit der Klassifizierung einzelner Landnutzungstypen, zu bestimmen. Die kNN Klassifizierung erreichte Gesamtgenauigkeiten von 75 % für Plantagen von Kochbanane, 78 % für Baumressourcen und Raphiapalmen, 81 % für Kakaoplantagen und Bambusvorkommen und bis zu 83 % für Ölpalmplantagen. Mit zunehmendem Stichprobenumfang oder der Simulation von speziellen Probenverteilungen konnte die Genauigkeit der Schätzungen noch erhöht werden. Ebenso konnten die einstellbaren Parameter des kNN Programms optimiert werden. Für Bambus wurden die besten Ergebnisse für k-Werte zwischen 3 und 6 ermittelt. Für die Multi-Attribut-Klassifizierung der zehn Landnutzungstypen, konnte die Gesamtgenauigkeit und die Gesamtgültigkeit der Klassifizierung erhöht werden, wenn die Eintrittswahrscheinlichkeit von den Ergebnissen des kNN Programms auf mindestens 0,5 erhöht wurden. Dies führte jedoch gleichzeitig zu einer Verwerfung von 42 % der ausgegebenen Pixel, die dann als unklassifiziert angegeben werden mussten. Die teilweise beträchtlichen Unterschiede der Schätzungen in Bezug auf Genauigkeit und Präzision der kNN Schätzungen zeigen, dass eine Optimierung der einzelnen Parameter individuell ermittelt werden sollte, je nachdem für welche Ressourcen ein Monitoring erfolgen soll. Abschließend läßt sich ein hohes Potential der kNN Methode für die Anwendung in einem Monitoring System der Landressourcen Ghanas außerhalb der Waldreservate prognostizieren. Unter anderem kann durch individuelle Anpassung der Parameter etwa von k und Optimierung spektraler Daten, des Stichprobenumfangs und Aufnahmedesigns für individuelle Landressourcen, die Schätz- und Klassifizierungsgenauigkeiten aus dieser Studie noch weiter erhöht werden. Zum gegenwärtigen Zeitpunkt ist eine Inventur und Schätzung von Nicht-Holz Waldprodukten, insbesondere von Raphiapalmen, auf eine Mindestgröße des Habitats und einer Anhäufung von Einzelindividuen begrenzt, um vom Satellitensensor erfasst werden zu können. Für eine detaillierte Schätzung und Inventur von Bambus und Raphiapalmen sind weitere Studien bezüglich des Zusammenhangs der eingenommenen Fläche und der Vorratsmenge empfehlenswert, um damit vom Flächenanteil auf die Quantität einzelner Ressourcen schließen zu können. |
Subject(s)
Fernerkundung; Ghana; Monitoring; k nearest neighbour; non-timber forest products; remote sensing; terrestrial sampling; Agriculture, forestry |
Language
eng |
Publisher
Universität Freiburg; Fakultät für Forst- und Umweltwissenschaften. Institut für Waldwachstum |
Type of publication
Text.Thesis.Doctoral |
Format
application/pdf |
Rights
/doku/lizenzen/1_Standard_mit_POD.pdf |
Identifier
urn:nbn:de:bsz:25-opus-55197 |
Repository
Freiburg - University of Freiburg
|
Added to C-A: 2008-12-22;03:54:22 |
© Connecting-Africa 2004-2024 | Last update: Friday, March 8, 2024 |
Webmaster
|