Nye præcise kort over skovens ressourcer kan forbedre forvaltning og national rapportering

Traditionelt har skovenes langsigtede investeringer medført et behov for planlægning og løbende opfølgning på skovens udvikling. Opgørelse af skovenes ressourcer er derfor en grundlæggende, men også omkostningstung del af lokal skovplanlægning og -forvaltning.

Lignende opgørelser på nationalt niveau er desuden centrale for fx international rapportering af national (1) og international (2,3) skovstatistik og klimaregnskaber (4) og herved for udmøntningen af nationale klimamål.

Traditionelt har måling af skovenes ressourcer og kulstoflagre vist sig at være en betydelig udfordring, primært grundet skovens udstrækning og komplekse tredimensionelle struktur. Omkostningstunge målinger af prøveflader er i stigende grad blevet afløst af fx mindre præcise relaskop-målinger kombineret med få målinger af træernes diameter og højde.

I andre tilfælde udelades målingerne helt. Konsekvensen er, at lokal skovplanlægning foregår på et ofte utilstrækkeligt grundlag.

Fjernmåling af skovressourcer

I de senere årtier har fremkomsten af forskellige fjernmålingsteknikker og forøgelsen af computerkraft medført en voldsom videnskabelig udvikling inden for bestemmelse af skovressourcer ud fra passiv optisk billeddannelse (fly- og satellitbilleder) (5), syntetisk apertur radar (SAR) (6, 7) og Light Detection and Ranging (LiDAR el. laser scanning) (8, 9). Også for danske skove er der blevet udviklet skovressourcekort baseret på både LiDAR og flyfotos (10-13).

Som en aktiv sensor kan LiDAR trænge igennem tætte skovkroner uafhængigt af lysforhold, hvilket giver et detaljeret tredimensionelt billede af skovstrukturen (se figur 1). I modsætning til LiDAR er radarbilleder følsomme over for topografiske variationer, og optiske produkter er afhængige af fravær af skyer, ligesom begge dele kun giver et simpelt todimensionelt billede af skoven. Desuden har både optiske og radarbaserede data tendens til at ‘mættes’ ved overjordiske biomasser over 100 Mg ha-¹, hvilket ofte gør dem utilstrækkelige til at måle forskelle i vedmasse og biomasse i tætte skove. Dette gør LiDAR til et overlegent værktøj til præcist at karakterisere finskala, rumlig variation i skovstrukturer og terrestriske kulstoflagre.

Historisk set har estimering af skovbiomasse ud fra LiDAR-punkskyer indebåret en proces, hvor 3D-data først opsummeres i forskellige statistikker, fx gennemsnitlige højder eller forskellige højdepercentiler (14). Disse statistiske variable bruges derefter som input til lineære og ikke-lineære regressionsmodeller (13-15) eller maskinlæringsmodeller som Random Forest, Gradient Boosting, XGBoost eller AdaBoost (16). Denne tilgang medfører dog et uundgåeligt tab af værdifuld strukturel information, da den rige 3D-punktsky – ofte med mange tusinde individuelle punkter – reduceres til et begrænset antal statistiske variable. Dette kan desuden føre til, at områder med forskellig biomasse, men lignende statistiske karaktertræk som fx lignende middelhøjde af retursignalerne, får lignende estimeret biomasse, hvilket reducerer nøjagtigheden af modellen.

De senere års udvikling inden for dybe læringssystemer har introduceret en nyskabende tilgang, hvor skovressourcer kan estimeres direkte fra den komplette LiDAR-punktsky (15). Hovedformålet er at udnytte dataenes fulde 3D-dimensionalitet og derved undgå det informationstab, der opstår ved at reducere dimensionaliteten til simple statistiske variable, og herved forbedre prædiktionerne.

Dette studie har til formål at træne dybe læringsmodeller og at estimere landsdækkende skovressourcer ud fra LiDAR-data indsamlet i 2014/2015, 2019-2023 og 2024. Det er desuden et formål at producere højopløste skovressourcekort til danske skovejere og -forvaltere. Kortene bruges som baggrund for deres forvaltning af skovene.

Data og metode

Studiets data er baseret på omfattende feltmålinger fra Danmarks Skovstatistik (NFI) målt af Institut for Geovidenskab og Naturforvaltning i årene 2005-2023 (11, 17). Disse ’ground-truth’-data blev kombineret med offentligt tilgængelige luftbårne LiDAR-punktsky-data fra 2006/07, 2014/15 og 2019-2024. Bemærk, at laser scanningerne i 2006/07 og 2014/15 blev indsamlet som landsdækkende kampagner, mens scanningerne i 2019-2024 omfattede hver en femtedel af landet, der altså dækkes over fem år.

For hver prøveflade blev punkskyen ‘klippet’ ud i en hexagonalform svarende til prøvefladens centrum og dens radius på 15 meter, når den tidsmæssige forskel på laserscanningen og feltmålingerne var under et år. Samlet blev der klippet 4616 individuelle punktskyer, hver med tilhørende bevoksningsvariable estimeret, ud fra prøveflademålingerne i NFI’en. Dette datasæt blev anvendt til at træne modeller til at estimere bevoksningshøjde, vedmasse og biomasse ud fra LiDAR-punktskyerne.

Oprindeligt trænede vi forskellige både klassiske regressionsmodeller og neurale netværk på data fra 2013-2019 (18) – altså omfattende den nationale kampagne i 2014/15 og 2/5 dele af landet scannet i 2018 og 2019. I dette studie har vi gentrænet det konvolutionelle neurale netværk og produceret skovressourcekort baseret på de to fulde nationale laserscanningskampagner – kampagnen fra 2014/15 og den nationale sammensatte kampagne fra 2019-2023 (hele landet). Resultatet er en model og tilhørende skovressourcekort, der udvikler sig i takt med, at laserscanninger får højere opløsning, og scanningsmetoden udvikler sig. I den første nationale scanning var der omkring 10.500 punkter pr. NFI-plotpunktsky, og i den anden var der i gennemsnit mere end 24.400.

Som en del af dette studie afprøvede vi de nye modeller på bevoksningsdata fra Frederiksdal Skovdistrikt nord for København. På distriktet blev der som en del af distriktets driftsplanlægning indsamlet data fra 243 cirkulære prøveflader i 2015 og 273 prøveflader i 2025. Scanningen i 2014/15 faldt sammen med målingerne på distriktet, mens der er omkring et års tidslig forskel mellem laserscanningen og taksationen i hhv. 2024 og 2025. Prøvefladerne har en radius på 15 meter, hvor alle træer med en diameter i brysthøjde på mere end 10 cm blev målt i hele cirklen, mens træer med en diameter i brysthøjde på mindre end 10 cm blev målt inden for en radius på 3,5 meter. Der blev målt højder på 6-10 træer pr. prøveflade. De efterfølgende beregninger blev gennemført på samme vis som det tidligere er blevet gjort i Danmarks Skovstatistik (18) og som en del af den nationale klimarapportering.

Resultater og praktiske implikationer

Resultaterne viser, at de dybe neurale netværk producerer signifikant mere nøjagtige estimater for bevoksningshøjde, vedmasse og biomasse sammenlignet med tidligere ’state of the art’-metoder. For biomasse opnåede den mest avancerede model, MSENet50, en forklaringsgrad (R²) på 83,5 procent og en RMSE på 41,10 Mg ha-¹ på et uafhængigt testsæt. Dette overgik tidligere metoder baseret på regressionsanalyse af afledte variable fra punktskyerne med en betydelig margin. Analysen indikerer, at selv med en relativt lille mængde træningsdata (ned til 165 stikprøver) kan den dybe læringsmodel overgå traditionelle metoder.

Vi sammenlignede resultaterne fra de dybe læringsmodeller med resultater fra taksationen på Frederiksdal Skovdistrikt. For de enkelte prøveflader var den en høj grad af sammenhæng mellem biomassen målt ved taksation og estimeret ved hjælp af laser scanning data (se figur 2). Således forklarede de prædikterede værdier fra scanningen i 2024 omkring 80 procent af variationen i den observerede biomasse i foråret 2025.

På bevoksningsniveau viser resultaterne, at der er en høj grad af sammenhæng mellem taksationsdata og de nye modeller (se figur 3). På trods af at den manuelle taksation tog mere end 130 timer for to personer at gennemføre i foråret 2025, er der i de fleste tilfælde ikke statistisk forskel mellem de nye modeller og taksationens bevoksningsvise opgørelser. Dog synes modellen i nogen grad at underestimere vedmasserne for meget tætte bevoksninger (vedmasser over ~600 m3/ha). Dette kan skyldes et fænomen som kaldes ‘mætning’, der opstår, når antallet af laserpunkter, der rammer trækronerne, ikke længere giver mere information om skovstrukturen. Når punkttætheden bliver høj nok, ‘mættes’ kronelaget: næsten alle laserpulser bliver reflekteret i de øverste lag, og meget få trænger videre ned til mellem- og underetagen. Konsekvensen er, at yderligere øget punkttæthed ikke forbedrer estimater af fx vedmasse eller biomasse.

En særlig forskel til tidligere metoder er, at resultatet af analyserne ikke gengives som firkantede pixels (tidl. 25×25 m), men som punkter, der hver danner centrum for en hexagon med en bredde på 30 meter (se figur 4). Årsagen er, at de dybe læringsnetværk trænes til at genkende den tredimensionelle struktur, hvorfor modellen må trænes på den samme geometriske figur, som anvendes til at producere kortet. Da skovstatistikkens prøveflader er cirkulære med en diameter på 30 meter, anvendte vi en hexagon som grundlag for kortet, fordi en hexagon er den geometriske form, der mest ligner en cirkel, men som samtidig kan sættes sammen uden mellemrum til at danne et sammenhængende kort.

En væsentlig fordel ved den foreslåede dybe læringsmetode er, at den modsat traditionelle metoder baseret på regressionsmodeller og statistiske variable beregnet ud fra punktskyerne ikke kræver en digital terrænmodel (DTM) for at kalibrere punkternes højde i forhold til jorden. Dette forenkler processen, især i områder hvor DTM-ekstraktion er udfordrende. Imidlertid er den nye metode yderst datakrævende, og estimering af det neurale netværk og produktionen af kort tager adskillige dage på serversystemer med fem GPU’er (Graphics Processing Unit).

Metoden har vist sig at være bemærkelsesværdigt robust over for artefakter forårsaget af træer, der rager ind i de evaluerede områder udefra – et problem, som traditionelle metoder ofte er modtagelige overfor. Denne robusthed er afgørende for pålidelig aggregering på bevoksnings- eller skovniveau.

Konklusion

Ved at anvende dybe neurale netværk direkte på luftbårne LiDAR-punktskyer har studiet demonstreret en markant forbedring af nøjagtigheden ved estimering af bevoksningshøjde, vedmasse og biomasse sammenlignet med ’state-of-the-art’ metoder. Den foreslåede tilgangs robusthed over for datastøj og dens ringe behov for forbehandling såsom digitale terræmodeller forenkler produktionen af højtopløselige biomasse- og kulstofkort (1).

For skovsektoren har de nye skovressourcekort og forskningen, der ligger bag, store praktiske implikationer. Ved at udnytte de omfattende LiDAR-data, der er indsamlet over Danmark, muliggør disse avancerede modeller produktion af højtopløselige skovkort med hidtil uset nøjagtighed. Dette er afgørende for at informere skovejere om deres skovressourcer som en integreret del af skovplanlægning- en og herved bidrage til en mere nuanceret forståelse af komplekse skovkarakteristika. Samtidig muliggør de nye kort at nedbringe usikkerheden på nationale estimater af skovenes ressourcer og kulstoflagre (19) som en del af de nationale klimaregnskaber. Disse fremskridt understøtter altså direkte både lokal skovforvaltning og nationale/internationale strategier for klimahandling og -tilpasning.

Skovkort, der er udarbejdet som en del af dette studie, er tilgængelige på IGN’s hjemmeside:

https://ign.ku.dk/samarbejde-med-ign/forskningsbaseret-raadgivning/skovovervaagning/kort-over-skovressourcer/

Fremtidige opdateringer af kortene afhænger af tilgængeligheden af skovmålinger på prøveflader som tidligere gennemført i forbindelse med Danmarks Skovstatistik og fortsatte laserscanninger af landet.