Elaborazione di metriche UAV-LiDAR per l classificazione strutturale e la stima del volume legnoso in faggeta

Forest management substantially shapes the structure and functions of Apennine forests, where the abandonment of silvicultural practices, particularly coppice management, is generating a mosaic of stands transitioning toward high forest. In this study, UAV LiDAR data were used to (i) identify and map management stages (overaged coppice, transitional high forest, and mature high forest) directly from the point cloud and (ii) estimate key structural variables of the investigated stands: mean top height (hg), quadratic mean diameter (dg), and stand volume per hectare (V/ha). To assign management labels, field measurements of the main dendrometric variables were collected in 30 plots. These data were analyzed using a two-component PCA, followed by k-means clustering to delineate three clusters corresponding to the three management conditions. The Random Forest classification achieved an overall accuracy of 0.817 and a macro F1 of 0.805 using three selected LiDAR metrics. The confusion matrix revealed clear separability for overaged coppice and mature high forest, each correctly classified in 92 percent of cases, whereas the transitional high forest was more challenging, with 58 percent correct classifications and 42 percent misclassifications split between mature high forest (31 percent) and overaged coppice (11 percent). To assess sensitivity to spatial resolution, we showed that the distribution of management classes at 5 m reproduces that at 15 m, while providing a sharper delineation of transition zones between categories; additionally, the “other” class effectively captures canopy gaps. For the dendrometric variables, the selected models exhibited solid performance (hg R² = 0.872; dg R² = 0.845; V/ha R² = 0.768). Overall, UAV LiDAR proves to be an effective approach for mapping conversion stages and estimating fine-scale structural parameters, offering robust support for forest planning.

La gestione forestale influenza in modo significativo la struttura e le funzioni dei boschi appenninici, dove l’abbandono delle pratiche selvicolturali, in particolar modo il governo a ceduo, sta producendo un mosaico di popolamenti in transizione verso la fustaia. In questo studio è stato valutato l’utilizzo di dati LiDAR acquisiti da UAV per identificare e mappare gli stadi gestionali (ceduo invecchiato, fustaia transitoria e fustaia matura) direttamente sulla nuvola di punti e per stimare, le principali variabili strutturali del popolamento indagato: altezza media (hg), diametro medio (dg) e volume legnoso ad ettaro (V/ha). Per attribuire le etichette gestionali, sono state raccolte in campo le principali variabili dendrometriche su 30 plot. Queste sono state analizzate mediante una PCA a due componenti e, successivamente, l’applicazione del metodo k-means ha permesso di individuare tre cluster corrispondenti alle tre condizioni di gestione. La classificazione basata su Random Forest, ha raggiunto un’accuratezza pari a 0,817 e un F1 macro di 0,805 utilizzando tre metriche LiDAR selezionate. La matrice di confusione ha evidenziato una separabilità netta per ceduo invecchiato e fustaia matura, classificati correttamente nel 92% dei casi, mentre la fustaia transitoria risulta più impegnativa con il 58% di classificazione corretta, con il 42% di errori ripartiti tra fustaia matura (31%) e ceduo invecchiato (11%). Con l’obiettivo di verificare quanto i risultati fossero influenzati dalla differente risoluzione spaziale, è stato dimostrato come la distribuzione delle classi gestionali a 5 m riproduca quella a 15 m, ma con migliore delineazione delle zone di transizione tra le categorie e con la classe “altro” che identifica efficacemente i gap di copertura forestale. Per le variabili dendrometriche, i modelli selezionati presentano prestazioni solide (hg R² = 0,872; dg R² = 0,845; V/ha R² = 0,768). Nel complesso, l’utilizzo di dati LiDAR rilevati con UAV, si conferma un metodo efficace per mappare gli stadi della conversione e nello stimare parametri strutturali a scala fine, offrendo un valido supporto alla pianificazione forestale.