Pemetaan Kanopi Pohon di QGIS: 6 Metode
Untuk memetakan kanopi pohon di 
dari citra multispektral, buat NDVI di Raster > Raster Calculator…, terapkan ambang dengan Reclassify by table, lalu jalankan Raster > Conversion > Polygonize (raster to vector). Hasilnya adalah tutupan, bukan pohon tunggal. Lima metode lainnya mencakup LiDAR, data terbuka, dan kondisi ketika Anda memerlukan satu poligon untuk setiap tajuk.
Di mana web keliru
Tiga jawaban terus diulang dalam tutorial dan thread forum, dan masing-masing bisa membuang waktu satu sore.
"Terapkan ambang NDVI dan Anda sudah mendapatkan pohon." NDVI memisahkan hijau dari tidak hijau. Rumput, ladang gandum, dan pohon ek sama-sama hijau, jadi ketiganya masuk kelas yang sama. NDVI memberi Anda tutupan vegetasi, dan menyebutnya kanopi adalah keputusan yang harus dapat Anda pertanggungjawabkan.
"Jalankan model ketinggian kanopi langsung dari file LAS." Permukaan tanah berasal dari titik yang diklasifikasikan sebagai ground, dan QGIS 3.44 tidak memiliki algoritma untuk mengklasifikasikannya. Pada point cloud yang belum diklasifikasikan, filter tidak mengembalikan apa pun dan terrain menjadi datar.
"Pasang Semi-Automatic Classification Plugin, versi terbaru." Rilis 9.0.4 memerlukan QGIS 3.99, yaitu lini QGIS 4. Pada QGIS 3.44, manager menyajikan 8.5.0 dari November 2024, jadi periksa versi yang benar-benar Anda dapatkan sebelum menyalahkan sampel Anda.
Jawaban singkat
| Yang Anda punya | Metode | Biaya |
|---|---|---|
| Citra multispektral dengan band inframerah-dekat | Metode 1, NDVI lalu polygonize | Gratis, QGIS inti |
| LiDAR, atau DSM dan DTM | Metode 2, model ketinggian kanopi | Gratis, QGIS inti |
| Citra dan beberapa kelas yang perlu dipisahkan | Metode 3, klasifikasi terawasi | Gratis, satu plugin |
| Area luas, dan tanggal tahun lalu sudah cukup | Metode 4, dataset kanopi terbuka | Unduhan gratis |
| Citra RGB dan kartu NVIDIA | Metode 5, model segmentasi lokal | Gratis, tetapi perlu mencari model |
| Citra RGB, tanpa kartu, dan Anda menginginkan tajuk | Metode 6, model segmentasi cloud | Tier gratis, lalu berlangganan |
Sebelum memulai
Gunakan CRS terproyeksi. Setiap metode di sini berakhir pada luas, dan luas dalam derajat tidak ada gunanya.
Tentukan apakah Anda memerlukan tutupan atau tajuk. Tutupan adalah satu permukaan dan persentase dapat dihitung darinya. Tajuk adalah objek yang dapat dihitung, seperti yang dibutuhkan survei jalan atau inventaris taman.
Metode 1: Ambang NDVI
NDVI memisahkan vegetasi hijau dari atap, jalan, dan air. Buka Raster > Raster Calculator… dan masukkan ("nir@1" - "red@1") / ("nir@1" + "red@1").
Lalu jalankan Reclassify by table (native:reclassifybytable, Processing Toolbox, Raster analysis), satu baris di atas ambang dan satu di bawahnya, dengan tipe data output disetel ke Byte. Lakukan polygonize pada hasilnya.
Gunakan ketika: citra memiliki band inframerah-dekat dan Anda menginginkan tutupan.
Lewati ketika: pohon harus dibedakan dari rumput atau tanaman pangan. NDVI tidak mampu melakukannya karena ketiganya berwarna hijau.
Metode 2: Model ketinggian kanopi dari LiDAR
Ketinggian adalah satu-satunya sinyal yang benar-benar memisahkan pohon dari rumput, dan QGIS membuat kedua permukaan langsung dari file LAS atau LAZ dengan Export to raster (pdal:exportraster, Point Cloud Conversion). Atur Attribute ke Z. Untuk terrain, tambahkan ekspresi filter Classification == 2, yaitu Ground dalam kelas ASPRS yang digunakan QGIS. Untuk surface, gunakan filter ReturnNumber == 1.
Kurangkan salah satunya dari yang lain di Raster > Raster Calculator… dengan "dsm@1" - "dtm@1", atau gunakan grass:r.mapcalc.simple pada tile yang lebih besar. Terapkan Reclassify pada ketinggian yang ditetapkan spesifikasi Anda sebagai kanopi, lalu lakukan polygonize. Output membawa ketinggian per piksel, sesuatu yang tidak diberikan metode lain di halaman ini.
Gunakan ketika: Anda memiliki LiDAR, atau pasangan DSM dan DTM nasional.
Lewati ketika: titik Anda belum diklasifikasikan. QGIS 3.44 tidak memiliki algoritma klasifikasi ground, jadi titik yang belum diklasifikasikan harus diproses oleh PDAL di luar QGIS terlebih dahulu.
Metode 3: Klasifikasi terawasi
Buat poligon pelatihan untuk pohon, rumput, atap, dan jalan, lalu biarkan classifier memberi label pada setiap piksel dan melakukan polygonize pada kelas pohon. dzetsaka adalah yang akan saya pasang hari ini. Plugin ini berlisensi GPL, versi 5.0.11, berjalan pada QGIS 3.0 hingga 4.99, dan menyediakan sebelas classifier termasuk Random Forest dan SVM.
Semi-Automatic Classification Plugin lebih dikenal dan juga menangani band sets serta preprocessing, tetapi periksa versinya terlebih dahulu. Rilis 9.0.4 memerlukan QGIS 3.99, yaitu lini QGIS 4. Pada QGIS 3.44 Anda mendapatkan 8.5.0 dari November 2024.
Gunakan ketika: kanopi adalah salah satu dari beberapa kelas yang Anda perlukan dari scene yang sama.
Lewati ketika: hanya pohon yang Anda inginkan. Sampel pelatihan menghabiskan lebih banyak waktu daripada Metode 1.
Metode 4: Dataset kanopi terbuka
Mungkin sudah ada yang memetakan area Anda.
Empat yang layak diketahui. Peta ketinggian kanopi Meta dan WRI mencakup seluruh dunia, versi 2 sejak Maret 2026, dengan piksel 1,2 m dan mean absolute error 3,0 m terhadap LiDAR udara. Peta ETH Zurich memiliki resolusi 10 m untuk tahun 2020, berasal dari Sentinel-2 dan GEDI, CC BY 4.0.
Dua lainnya bersifat regional atau historis. Layer Copernicus Tree Cover Density mencakup Eropa dengan resolusi 10 m, tersedia setiap tahun dari 2018 hingga 2024, dan pengunduhannya memerlukan EU Login. Hansen Global Forest Change memiliki resolusi 30 m dan dimulai pada tahun 2000, jadi inilah yang digunakan untuk perubahan dari waktu ke waktu.
Kota-kota menerbitkan data mereka sendiri. Paris menyediakan 219.432 pohon sebagai titik, Melbourne 57.980 poligon kanopi untuk tahun 2021, keduanya sebagai URL GeoJSON yang dapat Anda tempelkan ke QGIS.
Keempat raster global tersebut mendukung range requests, jadi stream satu tile dengan /vsicurl/ alih-alih mengunduhnya. Copernicus menyediakan WMTS di https://land.copernicus.eu/cdse/tcd_europe_10m_yearly, tempat Anda mengatur tahun secara manual. Layanan ini menampilkan setiap tanggal hingga 1984, tetapi hampir tidak ada yang memiliki data.
Gunakan ketika: areanya luas dan tanggal akuisisi tidak harus milik Anda.
Lewati ketika: Anda memotret lokasi tersebut bulan lalu, atau memerlukan tajuk. Sebagian besar dataset ini adalah raster persentase, bukan objek yang dapat dihitung.
Metode 5: Model segmentasi lokal
Deepness, Geo-SAM, dan samgeo menjalankan model segmentasi di komputer Anda sendiri. Tidak ada yang meninggalkan komputer dan tidak ada biaya.
Gunakan ketika: citra tidak boleh meninggalkan komputer Anda.
Lewati ketika: Anda tidak memiliki kartu NVIDIA, atau tidak ingin mencari model, meminta weights, dan membangun environment Python.
Metode 6: Model segmentasi cloud
Model segmentasi telah mempelajari seperti apa bentuk tajuk, sehingga model tersebut memecah tegakan menjadi objek yang dapat dihitung ketika threshold menghasilkan satu hamparan. Kami membangun salah satunya, AI Segmentation. Bagian ini membahas tool kami sendiri.
Gambar area yang sudah terbuka di QGIS dan ketik sebuah kata. Poligon masuk ke CRS proyek Anda, masing-masing dengan luas dan skor confidence. Ketik tree untuk satu poligon per tajuk, tree canopy untuk tutupan sebagai permukaan.
Paling cocok untuk: satu poligon per tajuk dari citra RGB, pada komputer tanpa GPU.
Harga: gratis untuk 3 km² area tanah per bulan ditambah 50 objek cloud Semi-Auto, tanpa kartu. Pro seharga 39 euro per bulan di luar PPN untuk 200 km² dan 500 objek.
Berjalan di: QGIS 3.22 dan versi lebih baru, Windows, macOS, atau Linux. Model berjalan di server kami di Uni Eropa.
Instalasi: plugin manager, lalu email untuk masuk. Tanpa paket, tanpa weights.
Keunggulannya: kata biasa ini memberikan hasil yang baik. Selama 90 hari run nyata, tree kembali kosong pada 10,5 persen tile, dibandingkan 47,3 persen untuk orchard pada 716 tile, jadi plugin mengarahkan kata kedua ke kata pertama sebelum Anda membayar apa pun.
Kekurangannya: tegakan yang rapat tidak memiliki tepi tajuk untuk ditemukan, sehingga run tree mengembalikan satu hamparan, bukan satu poligon per batang. Gunakan tree canopy di sana dan terima hasil berupa tutupan. Kedua mode cloud mengirim citra ke server kami, dan hanya Semi-Auto di komputer Anda sendiri yang tidak melakukannya.
Keenam metode berdampingan
| Yang Anda perlukan | Metode |
|---|---|
| Tutupan dari citra multispektral Anda sendiri | Metode 1 |
| Ketinggian kanopi, atau pemisahan pohon dari rumput | Metode 2 |
| Kanopi sebagai salah satu dari beberapa kelas | Metode 3 |
| Area luas, dengan cepat, tanpa biaya | Metode 4 |
| Tajuk, tanpa ada data yang meninggalkan komputer | Metode 5 |
| Tajuk dari citra RGB, tanpa GPU | Metode 6 |
Yang perlu diingat
Putuskan antara tutupan dan tajuk sebelum memilih metode, karena itu adalah pertanyaan tentang deliverable Anda, bukan tentang citra Anda.
Ketinggian mengalahkan warna kapan pun Anda bisa mendapatkannya, jadi model ketinggian kanopi dari LiDAR adalah pilihan terbaik di mana pun LiDAR tersedia.
NDVI membaca rumput, tanaman pangan, dan pohon ek sebagai hal yang sama, jadi ambang saja tidak pernah menghasilkan pohon.
Tegakan yang rapat tidak memiliki tepi tajuk untuk ditemukan, jadi setiap metode di halaman ini menghasilkan tutupan di sana dan tidak ada yang menghasilkan jumlah batang.
Untuk persentase tutupan seluruh Eropa, layer Copernicus gratis dan sudah selesai, jadi menjalankan model di area tersebut berarti membayar dua kali untuk jawaban yang sama.
Try it free in QGIS, no card needed
Pertanyaan yang sering diajukan
Bisakah QGIS memetakan kanopi pohon tanpa plugin?
Ya, melalui Metode 1, 2, dan 4, yang menggunakan QGIS inti ditambah unduhan. Hasilnya adalah tutupan sebagai poligon, bukan tajuk individual.
Satu poligon per pohon, atau satu untuk seluruh kanopi?
Penerapan ambang pada NDVI atau model ketinggian menghasilkan tutupan. Hanya model segmentasi yang memecah tegakan menjadi tajuk yang dapat dihitung, dan pada Metode 6 kata yang Anda ketik menentukan hasil mana yang Anda dapatkan.
Bagaimana cara mendapatkan persentase tutupan kanopi?
Setiap poligon memiliki luasnya sendiri, jadi jumlahkan kolom area lalu bagi dengan luas yang Anda ukur. Itu adalah satu perhitungan field pada geometri yang dapat Anda buka dan periksa.
Mana yang lebih akurat, NDVI atau model ketinggian LiDAR?
Model ketinggian, dan perbedaannya jauh. NDVI membaca rumput dan pohon ek sebagai hal yang sama, sedangkan model ketinggian kanopi memisahkan keduanya dengan selisih beberapa meter.
Apakah ada yang gratis?
Metode 1 hingga 5 tidak memerlukan biaya selain data Anda sendiri dan kartu grafis untuk Metode 5. Metode 6 menyediakan 3 km² gratis per bulan, lalu 39 euro per bulan di luar PPN.
Panduan raster ke vector menjelaskan langkah polygonize dan pembersihan yang menjadi akhir setiap metode di sini, sedangkan postingan SAM di QGIS membandingkan plugin yang menjalankan model segmentasi. Hub QGIS AI berada di atas keduanya.
Baca selanjutnyaAI Segmentation QGIS: Panduan Lengkap
