För att skatta skogsegenskaper utifrån data baserade på flygburen laserskanning används framförallt två olika metoder. Den första (areametoden) bygger uteslutande på höjden där laserpulserna reflekterats och en uppskattning av vilka pulser som reflekterats på marken och vilka som reflekterats i vegetationen. Den andra metoden (segmentmetoden) använder en segmentering av punkterna där laserpulserna reflekterats till enskilda träd. Detta är dock svårt att praktiskt genomföra, därför innehåller varje segment mellan 0 och cirka 10 träd. För att kunna utveckla och utvärdera resultaten insamlas även exakt information från ett antal provytor genom fältstudier. I denna rapport föreslås en icke-parametrisk modell för att skatta antalet träd i ett segment med segmentens area och art som förklarande variabler. Modellen skattas med hjälp av alla segment som finns inom en provyta, även de som inte helt ligger inom provytan. Modellen valideras på tre olika sätt och det visar sig att antalet träd i princip skattas väntevärdesriktigt. Dessutom förbättras inte resultatet nämnvärt med trädart som förklarande variabel. / To estimate forest characteristics based on airborne laser scanning data, two methods are used. The first one is on a raster cell level and uses solely the height of where the laser pulse is reflected and whether it is reflected on the ground or not. The second one is on an individual tree level and uses segmentation of the reflection points into individual trees. However, since it is difficult to segment into individual trees, every segment contains between 0 and about 10 trees. To be able to develop and validate the results, exact information about the trees in different field plots is gathered. In this report a nonparametric model is suggested to predict the number of trees in a segment, with area and species of the segments as predictors. In the estimation of the model, all segments within the field plots are used, even those only partly within. The model is validated in three different ways and estimates the number of trees with very small bias. Also the predictor, species of the segments, does not improve the results much.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.

No description available.