Terrestrische en luchtgebonden laserscandata van bomen in de Shivalik-bergketen, India met veldmetingen en blad–houtclassificaties

Waarom bomen-voor-bomen boskaarten ertoe doen

Bossen helpen stilletjes het klimaat van de planeet reguleren, slaan koolstof op en ondersteunen talloze soorten, inclusief mensen die afhankelijk zijn van hout, voedsel en medicatie. Toch hebben we nog steeds moeite om te meten hoeveel levend materiaal – en dus koolstof – ze bevatten, vooral in complexe tropische bossen. Dit artikel introduceert een nieuwe, vrij beschikbare dataset uit Noord-India die individuele bomen in drie dimensies vastlegt met laserpulsen vanaf de grond en vanuit de lucht. Het is bedoeld om wetenschappers te helpen betere instrumenten te ontwikkelen voor het volgen van bosgezondheid, groei en koolstofopslag op schalen van losse bomen tot satellietmissies.

Het bos zien en de bomen

In plaats van alleen op rolmaten en veldschriftjes te vertrouwen, gebruikten de onderzoekers laserscanning om het bos te "schilderen" met miljoenen afstandsmetingen. Terrestrial Laser Scanning (TLS)-instrumenten, opgesteld op statieven in het bos, registreerden de fijne details van stammen en takken. Airborne Laser Scanning (ALS), gemonteerd op een helikopter, schroeide over het landschap om het ruimere bladerdak en terrein vast te leggen. Samen bieden deze gezichtspunten zowel close-up detail als brede dekking, waardoor wetenschappers 674 individuele bomen uit 12 plots in de Shivalik-bergketen in Haryana, India konden bestuderen, representerend voor 24 soorten in tropische en subtropische bossen.

Een nauwkeurig 3D-beeld opbouwen

Om ruwe lasershots om te zetten in betrouwbare 3D-bomen volgde het team een nauwkeurige keten van stappen. Meerdere grondscans werden rondom elk plot gemaakt zodat geen zijde van een boom werd gemist. Omdat dicht bladerdak satellietsignalen blokkeert, plaatste het team hoogprecisie GPS-ontvangers in nabijgelegen open plekken en gebruikte een total station (een landmeetkundig instrument) om die posities het bos in over te brengen. Wiskundige transformaties verbonden vervolgens alles met een globaal coördinatensysteem met nauwkeurigheid op centimeterniveau. Voor de luchtgegevens bestreek de op de helikopter gemonteerde scanner en camera ongeveer 250 vierkante kilometer, ondersteund door gemarkeerde grondtargets en een referentie-GPS-station, zodat hoogte en vorm van het landschap consistent konden worden vastgelegd.

Van ruwe punten naar individuele bomen

Elke laserscan produceert een "point cloud", een wolk van stippen die laat zien waar laserpulsen bladeren, schors of de grond raakten. De onderzoekers maakten deze wolken eerst schoon door ruis te verwijderen en grondpunten te identificeren om een hoogte-referentie te creëren. Daarna scheidden ze individuele bomen met software die automatisch punten groepeerde die bij dezelfde stam en kroon horen, gevolgd door handcontroles en correcties op lastige plaatsen waar kruinen overlappen of de ondergroei dicht is. Dezelfde 674 bomen werden vervolgens ook in de luchtdata geïsoleerd zodat elke boom zowel een gedetailleerd grondgebaseerd zicht als een breder luchtbeeld heeft. Naast de scans maten veldteams stamdiameter, identificeerden soorten en fotografeerden schors en bladeren, waardoor elke digitale boom gekoppeld werd aan een echte, gemarkeerde boom in het bos.

Blad- en houtstructuur controleren

Een bijzondere kracht van deze dataset is dat veel bomen hun punten gelabeld hebben als ofwel hout ofwel bladeren. Met behulp van interactieve hulpmiddelen scheidden experts handmatig stam- en takpunten van loof voor bomen met grotere stammen. Deze handgelabelde bomen dienen als referentie om automatische blad–hout-scheidingsmethoden te testen. Het team voerde vier veelgebruikte algoritmen op de data uit en vergeleek hun prestaties. Hoewel de resultaten iets minder nauwkeurig waren dan in eenvoudigere bossen elders, kwam de rangschikking van methoden overeen met eerdere studies, wat suggereert dat de nieuwe gegevens zowel realistisch als van hoge kwaliteit zijn. Met hout-only versies van bomen kunnen onderzoekers betrouwbaarder het volume van stammen en takken en daarmee de bovengrondse biomassa schatten.

Van plots naar satellieten

Om te beoordelen hoe goed de laserafgeleide metingen de werkelijkheid weerspiegelden, vergeleken de auteurs boomhoogtes en stamdiameters van TLS en ALS met veldmetingen. Ze vonden sterke overeenstemming, met kleine gemiddelde verschillen die zowel natuurlijke groei als verschillende gezichtspunten weerspiegelen. Met behulp van geavanceerde modelleringsinstrumenten schatten ze het volume van elke boom en sommeerden ze hoeveel hout verschillende soorten bijdragen. Bijvoorbeeld, een dennensoort vormde een klein aandeel in aantallen bomen maar een groot aandeel in totaal volume, wat wijst op een outsized rol in koolstofopslag. Omdat de dataset openlijk wordt gedeeld via openbare repositories, kan hij nu veel soorten onderzoeken ondersteunen, van het testen van nieuwe machine-learningmethoden voor soortherkenning tot het verbeteren van satellietmissies zoals NASA-ISRO’s NISAR en ESA’s BIOMASS, die tot doel hebben bossen wereldwijd te monitoren.

Wat dit betekent voor de toekomst

In eenvoudige bewoordingen biedt dit werk een gedetailleerde "trainingsruimte" voor de digitale hulpmiddelen die we nodig hebben om bossen te begrijpen en te beschermen. Door honderden individuele bomen zorgvuldig in een eerder ondervertegenwoordigde regio in kaart te brengen, geven de auteurs wetenschappers een manier om modellen aan te scherpen die laserdata omzetten in betrouwbare informatie over boomgrootte, -vorm en -biomassa. Naarmate deze modellen verbeteren, zal ook ons vermogen groeien om te volgen hoeveel koolstof in bossen is opgeslagen, hoe ze in de loop van de tijd veranderen en hoe conservatie- en herstelinspanningen werken. Voor iedereen die zich zorgen maakt over klimaatverandering en biodiversiteit is deze dataset een belangrijke stap om bossen helderder te zien, van de bladeren tot aan de omcirkelende satellieten.

Bronvermelding: Ali, M., Biswas, A., Iglseder, A. et al. Terrestrial and Airborne Laser Scanning Dataset of Trees in the Shivalik Range, India with Field Measurements and Leaf–Wood Classifications. Sci Data 13, 420 (2026). https://doi.org/10.1038/s41597-026-06674-w

Trefwoorden: bos-lidar, boombiomassa, tropische bossen, remote sensing, koolstofkaarten