Blog

Canopy Height Model (CHM)

Canopy Height Model (CHM) to cyfrowa mapa wysokości roślinności nad powierzchnią terenu. CHM pokazuje, jak wysoko sięgają drzewa lub inna roślinność w danym obszarze. Jest to kluczowy produkt w analizach lasów, planowaniu przestrzennym, monitoringu zmian środowiskowych i badaniach ekologicznych .

canopy heigh model kolorowy

Źródła danych📡

Najczęściej CHM tworzy się na podstawie chmur punktów LiDAR (Light Detection and Ranging), które mierzą odległość od urządzenia do obiektów za pomocą laserów 🔦. Typowe źródła danych:

Publiczne bazy LiDAR:
Pomiary własne:
- drony z LiDAR,
- skanery naziemne TLS,
- samoloty ALS
Pomiary satelitarne: niektóre satelity (np. GEDI na ISS, ICESat-2) dostarczają profili wysokości lasu
Dane radiowe / radarowe: SAR (Synthetic Aperture Radar) może dawać przybliżone informacje o wysokości roślinności (mniej dokładne niż LiDAR, ale przydatne na dużych obszarach)

Format danych lidarowych najczęściej wykorzystywane w GiS to:

LAS – standardowy format chmur punktów, nieskompresowany.
LAZ – skompresowana wersja LAS, mniejszy rozmiar pliku.

Pliki LAS/LAZ zawierają wiele informacji, lecz na potrzeby tworzenia CHM najbardziej kluczowe są:

Współrzędne XYZ punktów,
Intensywność odbicia (intensity),
Klasyfikacje punktów (ground, low vegetation, high vegetation, buildings itp.)

Dzięki temu LAS/LAZ są standardem w GIS i leśnictwie, umożliwiającym filtrowanie punktów wg klasy i tworzenie produktów takich jak DTM, DSM i CHM.

Jak stworzyć?🛠️

Proces tworzenia CHM w uproszczeniu składa się z kilku kroków:

Wczytanie chmury punktów – np. z pliku LAS/LAZ.
Filtracja punktów – używamy punktów wegetacji (klasy 3–5) i gruntowych (klasa 2).
Budowa DTM (Digital Terrain Model) – interpolacja wysokości gruntu z punktów klasy ground.
Obliczenie HAG (Height Above Ground) – wysokość roślinności nad terenem:
Rasteryzacja – interpolacja wartości HAG do siatki pikseli (np. 0.5 m).
Zapis do GeoTIFF – wynikowy CHM można wczytać w QGIS, ArcGIS lub użyć w dalszych analizach.

Przykład tworzenia CHM w Pythonie: CHM - Soft-Data - Kaggle notebook

Wizualizacja 🎨

Po utworzeniu CHM zwykle zapisujemy go jako raster GeoTIFF. Domyślnie taki raster jest czarno-biały – każdy piksel odpowiada wysokości roślinności w metrach.

Ciemne piksele → wyższe drzewa 🌳
Jasne piksele → niższa roślinność 🌿

Aby raster był bardziej czytelny, można go "pokolorować" w programach GIS lub w Python-ie:

QGIS / ArcGIS – możliwość zastosowania gradientu kolorów (np. jasnozielony → ciemnozielony)
Python – używając bibliotek takich jak matplotlib lub plotly, można stworzyć kolorowe wizualizacje 2D i 3D:

Kolorowanie rastra ułatwia interpretację wysokości roślinności i identyfikację wysokich drzew, klastrów czy obszarów z niską roślinnością. canopy heigh model czarno biały

Zastosowania🌱

Canopy Height Model posiada bardzo szerokie zastosowanie w wielu dziedzinach, t.j.:

Leśnictwo: ocena wysokości drzew, struktury lasu, biomasy.
Ekologia: badanie siedlisk zwierząt, monitoring sukcesji roślinności.
Planowanie przestrzenne: identyfikacja terenów zielonych, ocena cienia drzew w miastach.
Zarządzanie katastrofami: analiza skutków wichur i pożarów lasów.
Rolnictwo: wysokość upraw, struktura sadów.

CHM może być też podstawą do dalszych analiz przestrzennych, np.:

wyznaczania zasięgu koron drzew,
klasteryzacji drzew,
modelowania widoczności w krajobrazie,
analizy zmian roślinności w czasie.

Canopy Height Model to jeden z najważniejszych produktów pochodnych danych LiDAR, który umożliwia ocenę wysokości i struktury roślinności w sposób precyzyjny i cyfrowy. Dzięki publicznym danym LiDAR, pomiarom satelitarnym i radarowym, a także narzędziom open-source, tworzenie CHM staje się coraz łatwiejsze i szeroko stosowane w nauce, leśnictwie i GIS.

Soft-Data specjalizuje się w przygotowywaniu, tworzeniu Canopy Height Model - numerycznych modeli roślinności oraz wykonywaniu różnorodnych analiz przestrzennych.