erittÄin korkean resoluution ilmakuvista tuotettu ... · tiivistelmä - referat - abstract ......
TRANSCRIPT
-
ERITTÄIN KORKEAN RESOLUUTION ILMAKUVISTA
TUOTETTU PINTAMALLI PUUSTOTUNNUSTEN
ESTIMOINNISSA
Janne Järnstedt
Metsävaratieteen ja -teknologian pro gradu -tutkielma
maatalous- ja metsätieteiden maisterin tutkintoa varten
Helsingin yliopisto
Metsätieteiden laitos
2010
-
TiivistelmäTiedekunta/Osasto - Fakultet/Sektion - FacultyMaatalous-metsätieteellinen tiedekunta
Laitos - Institution - DepartmentMetsätieteiden laitos
Tekijä - Författare - AuthorJanne Tapio JärnstedtTyön nimi - Arbetets titel - TitleErittäin korkean resoluution ilmakuvista tuotettu pintamalli puustotunnusten estimoinnissaOppiaine - Läroämne - SubjectMetsävarojen inventointiTyön laji - Arbetets art - LevelPro gradu -tutkielma
Aika - Datum - Month and yearHuhtikuu 2010
Sivumäärä - Sidoantal - Number of pages45 + 7
Tiivistelmä - Referat - Abstract
Tutkimuksen tarkoituksena oli kehittää puuston arviointiin ja metsävaratietojen päivitykseen soveltuva menetelmä, joka perustuu metsätalouden piirissä hyvin tunnettuun ja yleisesti käytössä olevaan ilmakuvaukseen. Lisäksi oli tavoitteena tuottaa tietoa ilmakuvilta tuotettuun pintamalliin perustuvan menetelmän kustannustehokkuudesta ja tarkkuudesta laserkeilaukseen perustuviin menetelmiin verrattuna.
Hämeenlinnassa Evon valtionmetsässä sijaitsevalle noin 2000 hehtaarin tutkimusalueelle tehtiin laserkeilaus ja ilmakuvaus kesällä 2009. Tutkimusaineisto koostui 85 orto-oikaistusta väri-infrailmakuvasta, tutkimusalueen kattavasta laserkeilausaineistosta, sekä 402 ympyräkoealasta.
Tutkimuksessa selvitettiin korkearesoluutioisista ilmakuvista muodostetun pintamallin tarkkuutta koealatason metsikkötunnusten estimoinnissa. Metsikkötunnusten estimointi tehtiin käyttäen ei- parametrista k:n lähimmän naapurin (k-nn) -menetelmää. Molempien kaukokartoitusaineistojen piirteiden valinnassa käytettiin askeltavaa edestä valintaa ja tarkkuuden arvioinnissa ristiinvalidiointi -menetelmällä. Estimoituja metsikkötunnuksia olivat keskiläpimitta, pohjapinta-ala, keskipituus, valtapituus ja kokonaistilavuus. Ilmakuvapintamallilta tulkittujen puustotunnusten tarkkuutta verrattiin laserkeilausaineiston tarkkuuteen.
IImakuvapintamalli -estimoinnin suhteelliset RMSE -arvot olivat parhaimmillaan keskiläpimitalle, pohjapinta-alalle, keskipituudella, valtapituudelle ja kokonaistilavuudelle 33,67 %, 36,23 %, 25,33 %, 23,53 % ja 40,39 %. Vertailuaineistona olleelle laserkeilausaineistolle vastaavat suhteelliset RMSE -arvot olivat 25,26 %, 27,89 %, 19,94 %, 16,76 % ja 31,26 %.
Ilmakuvapintamalli toimi parhaiten keskipituuden estimoinnissa, jossa sen tuottama estimaatit olivat likimain yhtä tarkat laserkeilausaineistoon verrattuna. Keskiläpimitan estimoinnissa ilmakuvapintamalli tuotti hieman laserkeilausaineistoa paremman tuloksen, mutta keskitilavuuden estimoinnissa laserkeilaus oli jälleen hieman tarkempi. Pohjapinta-alan estimoinnissa laserkeilausaineisto oli huomattavasti ilmakuvapintamallia parempi.
Tutkimus osoitti menetelmän käyttökelpoisuuden metsävaratietojen päivityksessä ja osoitti olevansa varteenotettava menetelmä myös kustannustehokkuuden kannalta.Avainsanat - Nyckelord - KeywordsMetsäninventointi, ilmakuvat, laserkeilaus, pintamalli Säilytyspaikka - Förvaringsställe - Where depositedViikin tiedekirjasto, Metsätieteiden laitosMuita tietoja - Övriga uppgifter - Further informationJulkaisu on saatavilla elektronisena Ethesis -tietokannassa, jota ylläpitää Helsingin yliopiston kirjasto.
2
-
AbstractTiedekunta/Osasto - Fakultet/Sektion - FacultyFaculty of Agriculture and Forestry
Laitos - Institution - DepartmentDepartment of Forest Sciences
Tekijä - Författare - AuthorJanne Tapio JärnstedtTyön nimi - Arbetets titel - TitleForest variable estimation using high-resolution digital surface model (DSM) Oppiaine - Läroämne - SubjectForest inventoryTyön laji - Arbetets art - LevelPro gradu -thesis
Aika - Datum - Month and yearApril 2010
Sivumäärä - Sidoantal - Number of pages45 + 7
Tiivistelmä - Referat - Abstract
The objective of this study was to develop a method for estimation of forest stand variables and updating the forest resource data, based on a well known and widely used method among forest sector, aerial photography. The second objective was to produce information of cost-effectiveness and accuracy of digital surface model (DSM) generated from very high resolution aerial images in comparison of methods based on aerial laser scanning (ALS).
The study area covering circa 2000 hectares is located in state owned forest in Hämeenlinna, Southern Finland. The study material consisted of 85 digitised and ortho-rectified colour-infrared (CIR) aerial photographs, LiDAR measurements of the corresponding area and field measurements of 402 concentric circular plots. Both the remote sensing data and the field measurements were acquired in 2009.
In this study, the accuracy of DSM generated from very high resolution CIR - aerial images was examined in the estimation of forest stand variables. Estimation of forest stand variables was made using non-parametric k-nearest neighbour method. Sequential forward selection was used for selecting features from remote sensing data and the examination of accuracy was done with cross validation. The variables examined were mean diameter, basal area, mean height, dominant height and mean volume.
Relative RMSE -values of DMS estimation were at the best with mean diameter, basal area, mean height, dominant height and mean volume 33,67 %, 36,23 %, 25,33 %, 23,53 % and 40,39 %. For the reference ALS-data, relative RMSE-values were 25,26 %, 27,89 %, 19,94 %, 16,76 % ja 31,26 %.
Photogrammetric DSM was best suited for estimating dominant and mean height and produced estimates slightly more inaccurate than those of reference ALS-data. When estimating mean diameter, photogrammetric DSM was slightly better, but at mean volume estimation, ALS-data proved again to be a little more a accurate than photogrammetric DSM. At basal area estimation, ALS-data gave considerably better results than photogrammetric DSM.
This research showed that the photogrammetric DSM suits well for updating the forest resource data, and also satisfies the requirements in a more economic way.
Avainsanat - Nyckelord - KeywordsForest inventory, aerial photographs, laser scanning, digital surface model (DSM)Säilytyspaikka - Förvaringsställe - Where depositedViikki Science Library, Department of Forest SciencesMuita tietoja - Övriga uppgifter - Further informationThe publication is available online at Ethesis -database, which is maintained by Helsinki University Library.
3
-
Alkusanat
Tämä tutkimus on tehty osana yhteistyöhanketta, jossa tuotettiin tietoa
digitaalisen fotogrammetrian ja erittäin korkean resoluution ilmakuvien
hyödyntämisestä metsien inventoinnissa. Hankkeessa osallistuivat
Metsäntutkimuslaitoksen lisäksi Helsingin yliopisto ja Geodeettinen laitos
laserkeilauksen ja ilmakuvauksen rahoittajana, Hämeen ammattikorkeakoulu
maastoaineiston mittaajana, Metsähallitus osarahoittajana sekä sveitsiläinen
WSL ilmakuvapintamallin laskijana.
Kiitän seuraavia yhteistyötahojen edustajia pro Gradu -työn
mahdollistamisesta: Markus Holopainen (HY) ja Juha Hyyppä (Geodeettinen
laitos), Risto Viitala (HAMK), Risto Laamanen (Metsähallitus) sekä Christian
Ginzler (WSL), sekä Jouni Siipilehto (Metla).
Lausun suuret kiitokset myös ohjaajinani toimineille professori Pauline
Stenbergille Helsingin yliopistosta, sekä MMT Anssi Pekkariselle että MMT
Sakari Tuomiselle Metsäntutkimuslaitokselta.
Lopuksi kiitokset kärsivällisyydestä ja kannustuksesta rakkaalle perheelleni,
Aijalle ja Aarnille.
Vantaalla, 8. huhtikuuta 2010
Janne Järnstedt
4
-
Sisällysluettelo1. JOHDANTO...............................................................................................................6
1.1 Taustaa..................................................................................................................61.2 Kaukokartoitus......................................................................................................91.2.1 Ilmakuvaus.......................................................................................................91.2.2 Laserkeilaus...................................................................................................12
1.3. Tavoitteet............................................................................................................172. AINEISTO................................................................................................................18
2.1 Tutkimusalue ......................................................................................................182.2 Maastoreferenssiaineisto.....................................................................................192.3 Puustotunnusten laskenta....................................................................................202.4 Numeeriset ilmakuvat.........................................................................................212.5 Laserkeilausaineisto............................................................................................21
3. MENETELMÄT......................................................................................................233.1 Pintamallin muodostaminen ilmakuvista ...........................................................233.2 Maastomallin muodostaminen laserkeilausaineistosta.......................................253.3 Piirteiden irrottaminen ilmakuvapintamallista...................................................263.4 Piirteiden irrottaminen laserkeilainaineistosta...................................................273.5 Metsikkötunnusten estimointi ja kaukokuvapiirteiden valinta...........................27
4. TULOKSET.............................................................................................................304.1 Puustotunnusten estimointitarkkuus...................................................................304.2 Tulosten tarkastelu..............................................................................................31
5. JOHTOPÄÄTÖKSET..............................................................................................36Lähteet..........................................................................................................................39Liitteet..........................................................................................................................46
5
-
1. JOHDANTO
1.1 Taustaa
Metsäinventoinnissa on perinteisesti pyritty määrittämään yksittäisen puun,
kuvion tai metsäalueen tilavuutta, kasvua tai tuottoa. Nykyisin kerätään yhä
monipuolisempaa tietoa metsien monikäyttöön liittyen. Kuitenkin
metsäninventoinnin perusta on edelleen erikokoisten alueiden puuston
tilavuuden, kasvun ja tuoton arvioinnissa (Packalen & Maltamo 2007).
Kustannusten karsiminen on yksi syy metsien kaukokartoitusmenetelmien
käyttöön ja kehitystyöhön. Metsäsuunnittelun pohjana oleva tiedonhankinta ei
saa olla liian kallista suunnittelusta saatavissa olevaan hyötyyn nähden.
Metsäsuunnittelun keskeinen kehittämistavoite on pienentää tiedonhankinnan
kokonaiskustannuksia huonontamatta suunnittelutiedon laatua. Ajankohtaiset
tiedonhankinnan kehityspyrkimykset kohdistuvat joko maastoinventoinnin
teknologiseen ja menetelmälliseen tehostamiseen, tai maastomittaustarpeen
merkittävään vähentämiseen (Holopainen & Kalliovirta 2006).
Metsien kaukokartoitus on murrosvaiheessa. Aikaisemmin käytettyjen, lähinnä
ilmakuvien visuaaliseen tai satelliittikuvien numeeriseen tulkintaan
perustuvien menetelmien rinnalle on tullut uusia vaihtoehtoja. Viime aikoina
nopeaa kehitystä on tapahtunut erityisesti laserkeilaukseen ja digitaaliseen
fotogrammetriaan perustuvissa metsien inventointi- ja kartoitussovelluksissa.
Laserkeilaukseen perustuvien inventointisovellusten käyttökelpoisuus
pohjautuu pääasiassa siihen, että keilauksella kerätyn tiedon avulla kohteesta
voidaan tuottaa samanaikaisesti tarkka maasto- ja pintamalli. Näiden avulla
voidaan tuottaa puuston pituus- ja tilavuusestimaatit (Næsset 1997a, Næsset
1997b). Aineistoa voidaan käyttää myös mallinnettaessa muita kiinnostavia
puustotunnuksia, esimerkiksi harvennuksessa poistuneita puita ja puuston
kasvua (Yu ym. 2004) tai erilaisia metsikön rakennepiirteitä (Maltamo ym.
2005), kuten tiheyttä (Suvanto ym. 2005). Laserkeilaukseen perustuvilla
6
-
inventointisovelluksilla on saavutettu lupaavia tuloksia ja menetelmää
ollaankin Suomessa ottamassa operatiiviseen käyttöön metsäsuunnittelun
tiedonkeruussa (Maltamo ym. 2008).
Laserkeilauksen ja sitä käyttävien tulkintamenetelmien ohella myös
digitaalinen fotogrammetria on kehittynyt nopeasti. Viime vuosina lineaarista
CCD -kennoa käyttäviä digitaalisia ilmakuvakameroita eli rivikameroita on
alettu hyödyntämään korkealaatuisten ja -resoluutioisten pankromaattisten ja
multispektristen kuvien hankintaan fotogrammetria- ja
kaukokartoitussovelluksia varten. Useat näistä sensoreista kykenevät
tallentamaan kahta tai useampaa kuvakulmaa yhdellä kuvauslinjalla. Tämä
luo mahdollisuuksia fotogrammetristen prosessointisovellusten, kuten
pintamallin paranteluun ja suunnitteluun. Digitaalinen fotogrammetria
mahdollistaa kuvamittauksen automatisoinnin ja siten tehokkaan pintamallien
tuotannon esimerkiksi ilma- tai satelliittikuvien avulla. Digitaalisen
fotogrammetrian kehityksen tekee erityisen kiinnostavaksi se, että samaan
aikaan uusien digitaalisten mittakameroiden tuotantokapasiteetti on noussut
ratkaisevasti. Lisäksi kuvien laatu on parantunut ja niiden
prosessointitekniikka kehittynyt.
Gruen ja Zhang ovat tutkimuksissaan (Gruen & Zhang 2003, Zhang & Gruen
2004, Zhang 2005) esitelleet menetelmän automaattiseen pintamallin luontiin.
Tekijöiden mukaan menetelmällä tuotettu malli vastaa laadultaan
laserkeilauksen avulla tuotettua pintamallia. Menetelmän käyttöä
puustotunnusten määrittämiseen ja kasvillisuudessa tapahtuneiden
muutosten seurantaan ovat tutkineet mm. Waser ym. (2007, 2008a & 2008b)
ja Baltsavias ym. (2008). Näissä tutkimuksissa saadut tulokset luovat uskoa
menetelmän käyttökelpoisuuteen puustotunnusten määrittämisessä.
Fotogrammetrisessa pintamallissa latvus mallintuu hyvin, ilman laserille
tyypillistä pienten yksityiskohtien pehmentymistä ja laserin
tunkeutumiskyvystä johtuvaa pintamallin korkeuden alenemista (Baltsavias
7
-
2008). Kustannustehokkuus verrattuna laserkeilaukseen on asia, mikä voi
entisestään lisätä mielenkiintoa fotogrammetristen pintamallien käyttöön
metsäsovelluksissa.
Maa- ja metsätalousministeriö on asettanut tavoitteeksi kasvattaa vuotuista
yksityismetsien inventointia vajaasta miljoonasta puoleentoista miljoonaan
hehtaariin ja alentaa tiedonkeruun yksikkökustannuksia 40 prosenttia. Tämän
johdosta metsätalouden kehittämiskeskus Tapio ja metsäkeskukset kehittävät
uutta, 2010 käyttöön otettavaa laserkeilaukseen, ilmakuvaukseen ja
maastokoealamittaukseen perustuvaa metsien inventointimallia. Tapion
tavoitteena on siirtyä 2-3 vuoden kuluessa metsävaratietojärjestelmään, jossa
kuviotiedot pidetään ajan tasalla esimerkiksi hakkuiden osalta.
Metsäkeskusten uuden inventointimallissa käytetään noin kilometrin
korkeudelta keilattua, kilometrin levyisen kaistan kattavaa harvapulssista (0,5
- 1 pistettä/m2) laseraineistoa. Laserkeilaukset aloitetaan kaikkien
metsäkeskusten alueella kesällä 2010. Laserkeilauksella saatu tieto ei
kuitenkaan yksin riitä, vaan käyttöön otettavassa inventointimallissa tarvitaan
lisäksi ilmakuvia puulajitunnistusta varten (Jauhiainen 2009).
Tilanteessa, jossa tarkka maastomalli puuttuu, on laserkeilaus korkeista
kustannuksistaan huolimatta tällä hetkellä ehkä kiinnostavin vaihtoehto
pintamallin tuottamiseen. Jos hyväksyttävä maastomalli on jo olemassa,
uuden pintamallin tuottaminen digitaalista fotogrammetriaa käyttäen voi olla
laserkeilausta edullisempi ja tehokkaampi vaihtoehto. Digitaaliseen
fotogrammetriaan perustuvan lähestymistavan etuna on myös se, että
pintamallin laskennassa voidaan käyttää ilmakuvien lisäksi myös
satelliittikuvia, jos niiden spatiaalinen erotuskyky on riittävän tarkka. Lisäksi
pintamallin tuottaminen ilma- tai satelliittikuvilla mahdollistaa mallin laskentaan
tarvittavan kuvamateriaalin käytön myös esim. visuaalisessa tulkinnassa
kuvattujen kohteiden erityispiirteitä selvitettäessä. Digitaaliseen
fotogrammetriaan perustuvalle pintamallin tuottamiselle on siis selvä tilaus
ajatellen metsävaratiedon ylläpitoa pidemmällä aikavälillä (Holopainen 2002).
8
-
1.2 Kaukokartoitus
Kaukokartoitusmenetelmät jaetaan aktiivisiin ja passiivisiin menetelmiin.
Passiivinen optinen kaukokartoitus perustuu k1ohteelle ominaiseen tapaan
heijastaa, lähettää ja absorboida sähkömagneettista säteilyä. Siinä
tunnistetaan kohteita, ja hankitaan tietoa niiden ominaisuuksista käyttämällä
hyväksi kohteen heijastamaa säteilyä. Passiiviset sensorit havainnoivat
kohteesta heijastunutta auringon säteilyä, tuottavat kaksiulotteisia ilma- ja
satelliittikuvia sekä video- ja spektrometriaineistoa. Aktiiviset laitteet, kuten
laserkeilaimet ja tutkat, tuottavat kolmiulotteista tietoa maaston ja
kasvillisuuden rakenteesta (Campbell 2007). Tässä työssä
kaukokartoitusmenetelmien tarkempi tarkastelu rajoitetaan jatkossa itse
työssä käytettyihin kaukokartoitusmenetelmiin, eli ilmakuvaukseen ja
laserkeilaukseen.
1.2.1 Ilmakuvaus
Ilmakuvien hyödyntämistä metsäsuunnittelun apuna on Suomessa tutkittu
1920-luvulta alkaen (mm. Fabritius 1922, Aro 1934, Kytönen ja Tuura 1937,
Sarvas 1938), mutta niiden varsinainen käyttö alkoi vasta toisen
maailmansodan (1939-1945) päättymisen jälkeen. Ilmakuvat olivat 1980-
luvulle saakka lähinnä analogisessa muodossa olevia mustavalko- tai väripaperikuvia. Niitä käytettiin metsäsuunnittelussa lähinnä visuaalisessa
ennakkokuvioinnissa kuvioittaista arviointia varten. (Tokola ym. 1998).
Ilmakuvaus on passiivista kaukokartoitusta. Passiivinen sensori tallentaa
kohteen emittoimaa tai heijastamaa säteilyä. Säteilyn ominaisuudet riippuvat
kohteen ominaisuuksista, jolloin säteilyä tarkastelemalla voidaan tehdä
päätelmiä kohteesta (Campbell 2007).
Numeeriset (digitaaliset) ilmakuvat ovat joko analogisesta paperikuvasta skannattuja, videokuvasta erotettuja tai digitaalikameralla otettuja,
esikäsittelyn jälkeen tallennettuja kuvatiedostoja. Yksittäinen numeerinen kuva
9
-
on kuva-alkioista eli pikseleistä koostuva kaksiulotteinen taulukko. Kullakin
pikselillä on rivi- ja sarakekoordinaatit sekä säteilyn intensiteettiä kuvaava
numeerinen arvo, joka esimerkiksi pankromaattisessa (mustavalkoisessa) 8-
bittisessä kuvassa vaihtelee välillä 0-255, riippuen kuitenkin käytetystä
radiometrisestä resoluutiosta (Campbell 2007).
Ilmakuvasta saatavaan tiedon määrään vaikuttaa eniten kuva-aineiston
resoluutio eli erotuskyky. Resoluutio voidaan jakaa spatiaaliseen,
radiometriseen, spektriseen ja temporaaliseen resoluutioon. Spatiaalisella
resoluutiolla tarkoitetaan kuvalla erottuvaa lyhintä etäisyyttä kahden kohteen
välillä. Se kuvaa myös kuvalta erottuvan pienimmän kohteen kokoa.
Radiometrinen resoluutio määräytyy sen mukaan, kuinka moneen eri
sävyarvoon sensori pystyy jakamaan siihen saapuvan signaalin. Spektrinen
resoluutio määräytyy puolestaan sen mukaan, kuinka leveältä
aallonpituusalueelta sensori rekisteröi signaaleja, sekä käytettävien kanavien
aallonpituusalueiden perusteella. Temporaalista resoluutiolla tarkoitetaan
periodia, jolla sama havainnointi voidaan toistaa (Tokola ym. 1998).
Metsien inventointiin ja suunnitteluun soveltuvat parhaiten lähi-infran
(aallonpituusalue 720 - 1300 nanometriä), vihreän (490 − 560 nm) ja sinisen
(450 − 490 nm) aallonpituuden kanavista koostuvat väri-infrakuvat, joissa
sinisen valon havainnointiherkkyyttä on vaimennettu ja lähi-infrasäteilyn
havainnointia voimistettu. Väri-infrakuvassa punaisen kanavan paikalla
käytetään lähi-infrakanavaa, vihreän paikalla punaista ja sinisen paikalla
vihreää kanavaa. Järjestelyn avulla on mahdollista suorittaa metsän eri
kasvillisuustyyppien visuaalista tulkintaa, sillä lehtipuusto kuvautuu väri-
infrakuvassa punertavana, havupuuston ollessa vihreää (Tokola ym. 1998).
Ennen analyysiä ilmakuvat esikäsitellään pyrkimyksenä parantamaan
analyysivaiheen tehokkuutta ja tulkinnan tarkkuutta. Tällaisia esikäsittelyjä
ovat mm. radiometriset ja geometriset korjaukset.
10
-
Ilmakehä aiheuttaa kuvan sävyarvoihin muutoksia sironnan, absorption ja
taipumisen takia. Radiometrisillä korjauksilla pyritään korjaamaan mm. näitä
ilmakehän aiheuttamia vääristymiä.
Geometristen korjausten tarkoituksena on korjata kuvausgeometriasta,
kuvausalustan liikkeestä (nopeusvaihtelu, kallistukset, korkeusvaihtelu),
maapallon pyörimisliikkeestä sekä maapallon kaarevuudesta johtuvasta
vääristymästä aiheutuvia geometrisiä virheitä, ja oikaista kuva haluttuun
karttaprojektioon orto-oikaisulla. Kuvausgeometriasta johtuva virhe on
perspektiivinen säteis-siirtymä, aiheuttaa kohteiden (esimerkiksi puiden
latvojen) kallistumisen nadiiripisteestä poispäin. Tällöin kuva-alkioiden
sisältämä tieto muuttuu tarkemmin paikkaan sidotuksi. Kuvan säteis-siirtymän
takia kuvan laidoilla olevat puut näyttävät kallistuvan nadiirista eli
kohtisuoraan linssin alapuolella olevasta pisteestä poispäin. Auringon
tulokulma kuvanottohetkellä vaikuttaa myötä- ja vastavalon alueiden
kuvautumiseen kuvalle. Tämä hankaloittaa kuvatulkintaa, koska kuvan eri
osissa olevat metsikkötunnuksiltaan samanlaiset metsiköt saavat eri sävy- ja
tekstuuripiirteiden arvoja.
Orto-oikaisussa keskusprojektiivinen tarkastelunäkökulma, jossa kaikkien
kohteiden kuvaussäteet kulkevat yhden pisteen eli kuvanottopisteen kautta,
muunnetaan karttaprojektioon, jossa jokainen kuvan piste on kuvattu suoraan
sen yläpuolelta. Tällöin päästään eroon tarkastelunäkökulmasta johtuvista
sijaintivirheistä (Campbell 2007).
Ilmakuvissa suuri osa informaatiosta sisältyy niin sanottuun tekstuuriin eli
pintakuviointiin. Kuvan tekstuuri tarkoittaa kuvassa esiintyvää, pikseleiden
harmaasävyistä ja näiden välisistä spatiaalisista riippuvuuksista muodostuvaa
järjestelmällistä ilmiötä. Tekstuuria voidaan analysoida joko tilastollisesti tai
rakenteellisesti (Haralick 1973, 1979). Metsäsovelluksissa käytetään yleisesti
sävyarvoista laskettuja tilastollisia tunnuksia, kuten keskiarvoja ja hajontoja,
sekä Haralickin tekstuuripiirteitä, jotka perustuvat harmaasävyarvojen
11
-
vierekkäisten esiintymien määrän perusteella määritettyyn harmaasävyjen
yhteneväisyysmatriisiin (Tokola ym. 1998).
1.2.2 Laserkeilaus
Laserkeilain on kaukokartoitusinstrumentti, joka lähettää laserpulsseja ja
vastaanottaa heijastuneiden pulssien kaiut. Laserilla tapahtuva etäisyyden
mittaus tuli alun perin mahdolliseksi, kun lähi-infra-aallonpituusaluetta alettiin
käyttää pulssilasereissa. Menetelmä antoi selvästi tallennettavan
paluusignaalin sen heijastuessa mitatusta kohteesta (Ackermann 1999).
Laser -mittauksiin käytettäviä järjestelmiä kutsutaan nimellä ladar (laser
detection and ranging) tai yleistetymmin lidar (light detection and ranging).
Lentämällä suoritettu laserkeilaus lyhentyy teksteissä usein muotoon als
(airborne laser acanning) (Wehr & Lohr 1999). Aiheeseen liittyvä termistö on
laaja, eikä kaikille termeille ole selkeää suomenkielestä vastinetta, tässä
tutkielmassa käytetään kuitenkin vakiintunutta suomenkielistä termiä
laserkeilaus kuvaamaan laserin avulla suoritettua mittausta.
Laserkeilain lähettää pulsseja poikkeuttamalla niiden suuntaa kohtisuorassa
suunnassa lentosuuntaa vastaan, lentolinjan alapuolelle. Laserkeilaimet
kykenevät tallentamaan pulssia kohden vähintään ensimmäisen kaiun (first
pulse), viimeisen kaiun (last pulse) sekä intensiteetin (Næsset 1997a), mutta
uusimmat sensorit pystyvät intensiteetin lisäksi koko aallonmuodon (full
waveform) tallennukseen (Reitberger ym. 2008). Laserkeilauksen
etäisyysmittaus perustuu lähetetyn pulssin edestakaiseen kulkuaikaan
keilaimen ja kohteen välillä. Pulssin heijastaneelle maastonkohteelle voidaan
laskea kolmiulotteiset koordinaatit mittaussuunnan, laserkeilaimen sijainnin
sekä pulssin kulkuajasta lasketun etäisyyden perusteella. Ensimmäisen kaiun
voidaan olettaa tulevan puiden latvuksista ja viimeisen kaiun maanpinnasta
(Baltsavias 1999).
12
-
Lasermittausjärjestelmä (kuva 1) koostuu keilaimesta (Scanner),
etäisyydenmittausjärjestelmästä (Ranging Unit), kontrolli-, seuranta- ja
tallennusjärjestelmästä johon sisältyvät paikannus (DGPS) - ja
orientaatiojärjestelmät (IMU).
Kuva 1: Lasermittausjärjestelmän osat (Wehr & Lohr, 1999).
Laserkeilausdatasta voidaan erotella heijastukset, jotka ovat lähtöisin
maanpinnalta, ja näiden perusteella voidaan luoda digitaalinen maastomalli.
Maaston topografiaa voidaan mitata maastossa takymetrin avulla tai
ilmakuvilta fotogrammetrisesti. Fotogrammetrinen mittaus vaatii yhtä
mittauspistettä kohti aina vähintään kaksi eri kuvaa, laserkeilauksella
sijaintitieto saadaan yhdellä mittauksella (kuva 2).
13
-
Metsäalueella, jossa fotogrammetrinen stereokartoitus on puuston
peitteisyyden takia vaikeaa tai mahdotonta, on laserkeilausmittauksella
mahdollista tehdä kartoitusta. Tämän mahdollistaa lasersäteiden tietynlainen
kyky tunkeutua läpi kasvillisuuden pienistä aukoista. Tutkimusten mukaan
eurooppalaisessa havu- ja lehtimetsässä 20-40% laserpulsseista saavuttaa
maanpinnan säteen kulkusuunnan ollessa kohtisuoraan maanpintaa vastaan
(Ackermann 1999). Kolmiulotteinen tieto saadaan erottamalla maahan
osuneet laserpulssit latvustoon osuneista pulsseista, jolloin voidaan
muodostaa digitaalinen maastomalli (digital terrain model, DTM) ja
digitaalinen kasvillisuuden pintamalli (digital surface model, DSM). (Baltsavias
1999).
Kaukokartoitusasiantuntijat ovat kehittäneet useita tapoja digitaalisen
maastomallin erottamiseen laserkeilauksen tuottamasta pisteparvesta (Sithole
& Vosselmann 2003, 2004). Maastomallin muodostamista laserkeilauksen
avulla on tutkinut mm. Krauss ja Pfeifer (1998), Axelsson (1999, 2000) ja
Pyysalo (2000). Esimerkiksi Axelsson kehitti suodatusalgoritmin, jossa
luodaan ensin harva kolmioverkkomalli (triangulated irregular network, TIN)
14
Kuva 2: Korkeusmalli stereokartoituksen keinoin (vasen) ja laserkeilaimella toteutettuna (oikea) (Kraus & Pfeifer, 1998).
-
laserkeilauspisteistä, jonka jälkeen verkkoa tihennetään iterointikierroksilla.
Algoritmi pystyy käsittelemään epäjatkuvia pintoja, kuten talojen seiniä ja
jyrkänteitä. TIN muodostetaan yhdistämällä siihen aina pisteparven matalin
naapuripiste, jonka jälkeen vaiheittain erotetaan laserpisteparvesta
maanpinnan osuus.
Digitaalisen kasvillisuuden pintamallin laadintaan yksinkertainen tapa on
laskea TIN pisteparven korkeimmista heijastuneista pisteistä samalla
metodilla kuin maastomalli. Puuston pituusmalli (canopy height model, CHM)
saadaan silloin suoraan vähentämällä (DSM - DTM) digitaalinen maastomalli
digitaalisesta kasvillisuuden pintamallista (Hyyppä ym. 2004).
Laserpulssi tunkeutuu usein latvuksen sisälle, ennen kuin merkittävää
heijastusta havaitaan. Johtuen eri puulajien latvusrakenteiden eroista,
laserpulssien heijastumisen jakautuminen latvuksissa vaihtelee puulajeittain.
Pulssilasereilla heijastuneen pulssin intensiteetillä tarkoitetaan yleensä
pulssin suurinta mitattua amplitudia. Intensiteetin käyttöä puulajin
tunnistukseen on tutkittu melko vähän, koska menetelmiä intensiteettiarvojen
radiometriseen kalibrointiin on ollut vähän. Kalibrointimenetelmien kehittyessä
kiinnostus intensiteetin käyttöön puulajitunnistuksessa on kasvanut (Ørka ym.
2007).
Puulajintunnistaminen laseraineistosta perustuu puulajikohtaisiin eroihin
latvuksen muodossa, tiheydessä, heijastusominaisuuksissa ja lehvästön sekä
oksien sijoittumisessa. Nämä parametrit voidaan ilmaista laserpistepilven
koordinaatein tai heijastuneen laserpulssin intensiteettinä (Ørka ym. 2007).
Laserkeilaukseen perustuvaa puulajintunnistusta ovat tutkineet mm.
Holmgren ja Persson (2004), saavuttaen 95%:n tarkkuuden männyn ja
kuusen luokittelussa ja Brandtberg (2007), joka saavutti 64%:n tarkkuuden
kolmen lehtipuulajin tunnistuksessa. Reitberger ym. (2008) esittelivät
menetelmän, jossa täyden aallonmuodon laserkeilainaineistosta (full
waveform) pystyttiin luokittelemaan metsä havu- ja lehtipuustoon 80%:n
15
-
tarkkuudella. Suomessa mm. Vauhkonen ym. (2009), ovat tutkineet männyn,
kuusen ja lehtipuuston tunnistamista laserkeilausaineistosta alpha shape
-menetelmällä, saavuttaen 95%:n tarkkuuden. Ørka ym. (2007), tutkivat
yksittäisten puiden lajintunnistusta laserin intensiteetin keskiarvoja ja
-hajontaa analysoimalla. Tutkimuksessa päästiin kuusen, koivun ja haavan
puulajintunnistustutkimuksessa 74%:n tarkkuuteen. Myöhemmässä
tutkimuksessa (Ørka ym. 2009) menetelmää kehitettiin, ja
puulajintunnistustarkkuudessa päästiin 77% ja 73%:n tarkkuuteen
puulajiluokituksessa rakenne- ja intensiteettipiirteitä käytettäessä, näiden
yhdistelmällä tarkkuus oli 88%.
Korkean spatiaalisen resoluution omaavat ilmakuvat ja laserkeilausaineisto
antavat mahdollisuuden kaksi- tai laserkeilauksen tapauksessa jopa
kolmiulotteisten tekstuuripiirteiden käyttöön. Yleisesti ottaen, piirteiden
lisääminen estimaatioprosessiin parantaa tulosten tarkkuutta, mutta kasvavien
piirreavaruuden ulottuvuuksien myötä aineiston yksilöllinen kapasiteetti voi
kasvavan kohinan johdosta heiketä. Tästä syystä suurten aineistojen
ulottuvuuksia on vähennettävä. Minkä tahansa muuttujan käyttökelpoisuutta
voidaan tutkia mittaamalla korrelaatio kuvapiirteen ja puustotunnuksen välillä.
Suurilla piirrejoukoilla tämä on erittäin raskasta. Lisäksi kuvapiirteet korreloivat
usein voimakkaasti, eikä voimakkaasti korreloivien lisämuuttujien lisääminen
yleensä paranna estimaatiotarkkuutta (Holopainen ym. 2008).
Laserpiirteet ovat ilmakuvapiirteitä parempia esim. pituuden ja tilavuuden
estimoinnissa, mutta näiden yhdistelmä toimii parhaiten tunnistettaessa
puulajeja. (Packalen ja Maltamo 2006, 2007).
16
-
1.3. Tavoitteet
Tämän pro gradu -työn tavoitteena on tutkia digitaalisiin ilmakuviin perustuvan
pintamallin (DSM) käyttökelpoisuutta puustotunnusten määrittämisessä (kuva
3). Tavoitteena on lisäksi tuottaa uutta tietoa siitä, kuinka digitaalista
fotogrammetriaa ja erittäin korkean resoluution ilmakuvia voidaan hyödyntää
metsien inventoinnissa. Työn tavoitteena on kehittää puuston arviointiin ja
metsävaratietojen päivitykseen soveltuva kustannustehokas menetelmä, joka
perustuu metsätalouden piirissä hyvin tunnettuun ja yleisesti käytössä
olevaan ilmakuvaukseen, sekä tuottaa tietoa ilmakuvilta tuotettuun
pintamalliin perustuvan menetelmän kustannustehokkuudesta ja tarkkuudesta
laserkeilaukseen perustuviin menetelmiin verrattuna.
17
Kuva 3: Vasemmalla digitaalinen ilmakuva ja ilmakuvista muodostettu 50cm resoluution pintamalli, josta latvuksen kolmiulotteinen rakenne on selvästi havaittavissa (Baltsavias ym. 2008).
-
2. AINEISTO
2.1 Tutkimusalue
Tutkimusalue (kuva 4) sijaitsee Hämeen ammattikorkeakoulun
opetusmetsäalueella Evolla, Hämeenlinnan kaupungissa (ent. Lammi), kanta-
Hämeessä (61,19°N, 25,11°E) . Tutkimusalueen koko on n. 2000 hehtaaria.
18
Kuva 4: Evon tutkimusalueen sijainti.
-
2.2 Maastoreferenssiaineisto
Tutkimuksen opetusaineisto saatiin Hämeen ammattikorkeakoulun
opiskelijoiden suorittamista maastomittauksista.
Kaksivaiheinen ositettu otanta tehtiin Metlassa. Kuhunkin ositteeseen
osoitettiin vuoden 2007 ilmakuvien ja laseraineiston perusteella maastossa
mitattava toisen vaiheen koealaotos, 468 koealaa. Mitattuja, riittävän
puustoisia koealoja kertyi lopulta 402 kpl. Kaikkiaan mitattavia puita oli 8763
kpl.
Koealaan luettiin kaikki elävät puut, jotka olivat säteen sisäpuolella ja joiden
rinnankorkeusläpimitta oli vähintään 50 mm. Koealan mittaus aloitettiin
19
Kuva 5: Koealoittainen puiden pituuden ja läpimitan suhde kaikilla puulajeilla.
-
suunnasta 0°. Puu puulta edettiin myötäpäivään kunnes kaikki ympyrän
sisään jäävät puut oli mitattu. Koealalta mitatut tunnukset on esitelty
tarkemmin liitteissä (liite 1.)
Suunta keskipisteestä otettiin asteen tarkkuudella, puun tyveen ja keskelle
puuta. Puut merkittiin siinä järjestyksessä jossa ne tulivat vastaan ja puut
numeroitiin alkaen numerosta 1. Etäisyys keskipisteestä mitattiin
metsurinmitalla sentin tarkkuudella. Jyrkemmissä rinteissä mitattaessa
käytettiin porrasmittausta, jotta etäisyydeksi saatiin vaakasuora etäisyys.
Rinnankorkeusläpimitta mitattiin 1,3 metrin korkeudelta puun syntypisteestä,
koealan keskipisteen suunnasta, millimetrin tarkkuudella.
Pituus (kuva 5) ja elävän latvuksen alaraja mitattiin hypsometrillä desimetrin
tarkkuudella. Elävä latvus laskettiin alkavaksi siitä elävästä oksasta, jonka
yläpuolella ei ole peräkkäin kolmea kuollutta oksaa.
Latvuksen leveys mitattiin metsurinmitalla siten, että mittaaja katsoi
keskipisteen suunnasta puun latvusta ja ohjeisti puun alla olevalle henkilölle
mihin hänen tulisi mittaa siirtää. Pienilatvuksisissa puissa mitattiin koko latvus
kerralla, venyttämällä mittaa käsien välissä. Suurissa puissa mittaus tehtiin
puolittain, eli joko kiinnittämällä mitan pää puun runkoon tai pitämällä sitä
kädellä kiinni rungossa, latvuksen koosta riippuen. Latvusta ei mitattu
leveimmästä kohdasta, vaan tavoitteena oli mitata ylemmän latvuskerroksen
keskimääräinen leveys. Latvuksen leveys mitattiin desimetreinä.
2.3 Puustotunnusten laskenta
Puustotunnukset laskettiin FORTRAN -sovelluksella, jossa laskettiin ensin
sekä pohjapinta-alalla painotettu puuston keskiläpimitta (DG) että -pituus
(HG). Valtaläpimitta (Ddom) ja valtapituus (Hdom) saatiin hehtaaria kohti
sadan paksuimman puun keskiläpimittana ja -pituutena. Kun koealan pinta-ala
20
-
oli 300 m2, niin kolme paksuinta puuta koealalla vastasi sataa paksuinta puuta
hehtaarilla. Tilavuudet laskettiin Laasasenahon (1982) yksittäisten puiden
tilavuusmalleilla käyttämällä puun läpimittaa ja pituutta selittävinä muuttujina.
2.4 Numeeriset ilmakuvat
FM-International Oy suoritti tutkimusalueen ilmakuvauksen 30.8.2009, ja
toimitti orto-oikaistut 16-bittiset Pan/RGB/FIR -kuvat 25 cm:n pikselikoossa
GeoTiff formaatissa. Kuvaus toteutettiin Microsoft UltracamXp
ilmakuvauskameralla siten, että kuvien pituuspeitto on 70 %, ja sivupeitto 30
%. Kuvausalue muodostui 51 kuvasta.
2.5 Laserkeilausaineisto
Laserkeilauksen suoritti FM-International Oy Leica ALS50-II SN058
-keilaimella 25. heinäkuuta 2009. Keilaimen maksimitaajuus on 150 000 khz,
ja jokaisesta pulssista tallennettiin korkeintaan 4 vastehavaintoa. Keilaus
suoritettiin helikopterilla 400 m:n korkeudelta 30 asteen avauskulmalla, jolloin
keilauskaistan leveydeksi muodostui 200 metriä. Lidar -aineiston maastopeitto
on 10 cm, ja pulssitiheys nadiirissa 10,43 pulssia/m2.
Laserin maastopeitto (footprint) kertoo lasersäteen halkaisijan maanpinnalla,
joka vaihtelee 0,1 metristä jopa 25 metriin (Holmgren 2003), ja siihen
vaikuttavat sekä lentokorkeus, että lasersäteen divergenssi eli poikkeama
(Wehr & Lohr 1999). Pulssitiheydellä tarkoitetaan talletettua
laserpisteaineistoa, ja se ilmaistaan maahan osuneiden laserpulssien
lukumääränä neliömetrille (Naesset ym. 2004).
Laserkeilausaineisto toimitettiin EUREF-FIN(ETRS89) koordinaatistossa ja
ETRS-TM35 projektiossa. Korkeudet olivat sekä ellipsoidisina, että N2000
korkeuksina (muunnettu FIN2005 geoidimallilla). Pisteet luovutettiin .LAS 1.0
21
-
formaatissa, josta ne muunnettiin .txt -tiedostoiksi jatkokäsittelyä varten.
22
-
3. MENETELMÄT
3.1 Pintamallin muodostaminen ilmakuvista
Automaattinen maasto- ja pintamallin (DTM ja DSM) muodostaminen
ilmakuvista on tullut osaksi kaupallisia fotogrammetriaohjelmistoja. Vaikka
käytettävät algoritmit ja kuvanyhdistämismenetelmät eroavat toisistaan, niiden
tarkkuus ja ongelmat ovat saman kaltaisia. Baltsavias ym. (2008) on todennut
kuvien yhdistämisen vaikeaksi jos kuvalla on mm. vähän tai ei ollenkaan
tekstuuria, selkeitä epäjatkuvuuskohtia, kohteita joiden pinta on epätasainen,
toistuvia kohteita, näkemäesteitä, liikkuvia kohteita kuten varjoja, monitasoisia
ja läpinäkyviä kohteita tai radiometrisiä artefakteja kuten peilimäisiä
heijastuksia. Edellä mainitut ongelmat korostuvat lehdettömän ajan
metsäsovelluksissa ja käytettäessä piirrepohjaista kuvasovitusta eli pisteitä ja
reunoja. Tällöin poimitut pisteet ja reunat poikkeavat eri kuvien välillä
katselukulman muutoksesta johtuen.
Tässä työssä käytetty pintamalli muodostettiin Sveitsin WSL:ssä (Swiss
Federal Research Institute) käyttäen Gruenin ja Zhangin tutkimuksissaan
(Gruen & Zhang 2003, Zhang & Gruen 2004, Zhang 2005) kehittämää
menetelmää. Menetelmä on käytössä fotogrammetrisessa Sat-PP
-ohjelmistossa, ja sitä ovat käyttäneet tutkimuksissaan mm. Waser ym. (2007,
2008a & 2008b) ja Baltsavias ym. (2008).
Menetelmässä (kuva 6) on kolme vaihetta:
(1) Kuvan esikäsittely: Kuvan esikäsittelyssä pyritään radiometristen
ongelmien, kuten kirkkaiden ja tummien alueiden minimoimiseksi ja kuvien
optimoimiseksi myöhempää piirteiden irrotusta ja yhdistämistä varten. Tähän
käytetään esikäsittelymenetelmää, joka yhdistää sekä kohinaa vähentävän ja
reunoja terävöittävän mukautuvan pehmennyssuodatuksen, että erityisesti
varjoalueiden kontrastia parantavan ja kuvia radiometrisesti yhtäläistävän
23
-
Wallisin suodatuksen (Baltzavias ym. 2008).
(2) Moninkertainen primitiivi -monikuvasovitus (MPM): Monikuvasovitus
on tarkan pintamallin rakentamisen ydin. Menetelmän tuloksia käytetään
arvioina pienimmän neliösumman sovitusmenetelmän avulla tehtävässä
hienostuneessa sovitusprosessissa. MPM:ssä kuvasovitus tehdään useita
kuvia käyttämällä, liittämällä useita sovitusalkioita, kuten piirre- ja hilapisteitä
ja reunoja, yhdistämällä lokaalia ja globaalia kuvainformaatiota ja
hyödyntämällä hierarkkista karkeasta -hienoon -sovitusta (Baltzavias ym.
2008). Menetelmä käyttää tekstuuriin, reunoihin ja hilapisteisiin pohjautuvia
primitiivityyppejä ja yhdistää niiden sovitustulokset kullakin pyramiditasolla.
Yhdistämisessä käytetään iteratiivista todennäköisyyssovitusta paikallisen
yhtenäisyyden varmistamiseksi ja virheiden löytämiseksi.
Kuvapyramidivaiheessa jokaisella pyramiditasolla luodaan keskimääräinen
pintamalli sovituspisteiden ja reunojen pohjalta. Pinnasta tehdään
kolmioverkko (TIN, triangulated irregular network) käyttäen kaksiulotteista
rajoitettua Delaunayn kolmiointimenetelmää. Pintamallia käytetään jokaisella
pyramidikerroksella uusien laskelmien pohjana, ja näin pintamallia jalostetaan
kunnes tiheä ja tarkka pintamalli on valmis.
(3) Tarkennettu kuvien yhdistäminen: Tätä valinnaista sovitusvaihetta
voidaan käyttää, jos halutaan päästä alle pikselin tarkkuuteen kaikkien
sovituspiirteiden osalta, ja jotta mahdolliset väärät vastinpisteet voitaisiin
tunnistaa. Tämä vaihe tehdään muokatulla geometrisesti rajoitetulla
monikuvasovituksella (MPGC).
Monikuvasovituksen tuloksena syntyy kolmiulotteinen epäsäännöllisesti
sijoittuneista vastinpisteistä muodostunut pistepilvi, josta kaksiulotteinen
pintamalli (2D TIN) luodaan. Tämän jälkeen tehdään tarkistus virheiden
varalle, ja verkosta muodostetaan hila, jonka kannanleveys on yleensä 3-5
kertaa suurempi kuin alkuperäisten kuvien pikselikoko (Baltsavias ym. 2008).
24
-
3.2 Maastomallin muodostaminen laserkeilausaineistosta
Maastomalli (Digital Terrain Model, DTM) laskettiin pistepilveä käyttäen.
Aineiston esikäsittelyvaiheessa alkuperäisen pistepilven havainnot oli jaettu
luokkiin 1 (laserpulssin ensimmäinen vastehavainto) ja 2 (laserpulssin toinen
vastehavainto). Maastomalli muodostettiin luokan 2 pisteitä käyttäen ja
valitsemalla solun arvoksi pistepilven minimiarvo. Solun koko määritettiin
samaksi kuin ilmakuvapintamallissa (0,50 * 0,50 m). Tämän jälkeen
interpoloitiin tutkimusalueelle maastomalli inverse distance weighing (IDW)
-menetelmällä (kaava 1).
25
Kuva 6: Ilmakuvapintamallin muodostamisen välivaiheet (Baltsavias ym. 2008).
-
F r =∑i=1
m
wi z ri=∑i=1
m
z r i/∣r−r i∣p
∑j=1
m
1/∣r−r i∣p
(1)
missäp = säätöparametri
m = havaintopisteiden määrä
Menetelmässä kullekin kohdepisteelle lasketaan arvo ympäristön havaintojen
painotettuna keskiarvona havaintopisteiden ja kohdepisteiden välisen
etäisyyden funktiona (Neteler & Mitasova 2008).
3.3 Piirteiden irrottaminen ilmakuvapintamallista
Jotta ilmakuvapintamalliin ja laserkeilaukseen perustuvien menetelmien
vertailu olisi mielekästä, perustettiin aineistojen analyysi samoihin pintamallien
jakaumaa kuvaaviin piirteisiin. Ensin muodostettiin koealakohtainen puuston
pituusmalli vähentämällä maastomallin arvot pintamallista. Tämän jälkeen
laskettiin pituusmallin havaintojen jakaumatunnukset koealan alueella.
Ilmakuvapintamallista määritettiin koealakohtaiset korkeusarvot ja koealalle
laskettiin korkeusjakaumien histogrammi. Lopuksi laskettiin koealan
korkeusjakaumasta tilastollisia tunnuslukuja, joiden on todettu korreloivan
puustotunnusten kanssa (Næsset 1997a, 1997b, 2002). Tunnuslukuja olivat
koealakohtaiset pituusarvojen minimi, maksimi, keskiarvo ja moodi ja 21:n
luokkaan jaettu koealan prosenttipisteiden (0, 5, . . . , 95, 100 % koealan
pituusarvoista) korkeus, sekä laserpulssien suhteellinen osuus eri
prosenttipisteissä.
26
-
3.4 Piirteiden irrottaminen laserkeilainaineistosta
Aineistosta valittiin koealoille osuvat laserpisteet piirrelaskentaa varten. Koska
alkuperäisessä laseraineistossa laserpisteiden korkeudet ilmoitettiin
korkeuksina merenpinnasta, määritettiin laserpisteiden koealakohtaiset
korkeudet vähentämällä korkeusarvoista aiemmin muodostetun maastomallin
korkeudet.
Lopuksi laskettiin koealan korkeusjakaumasta samat tilastolliset tunnusluvut,
(minimi, maksimi, keskiarvo ja moodi, sekä 21:n luokkaan jaettu
prosenttipisteiden korkeus, sekä suhteellinen osuus prosenttipisteissä) kuin
ilmakuvapintamalliltakin.
3.5 Metsikkötunnusten estimointi ja kaukokuvapiirteiden valinta
Metsikkötunnuksien estimoinnissa käytettiin k:n lähimmän naapurin (k nearest
neighbors, k-nn) menetelmää (mm. Kilkki ja Päivinen 1987, Tokola ym. 1996
(kaava 2)). Menetelmä perustuu oletukseen, että metsikkötunnuksiltaan
toistensa kanssa samankaltaiset koealat tai metsiköt sijaitsevat lähellä
toisiaan myös kaukokartoitusaineiston piirteiden muodostamassa
piirreavaruudessa. Tällöin minkä tahansa pisteen metsikkötiedot, joita ei
tunneta, voidaan estimoida maastossa mitattujen referenssikoealojen avulla,
joiden joukosta piirreavaruudessa lähimmät naapurit poimitaan. Lähimmät
naapurit määritettiin euklidisten etäisyyksien perusteella kustakin kuva-
aineistosta valittujen kuvapiirteiden avaruudessa. Lähimpiä naapureita
painotettiin etäisyyksien käänteisarvolla siten, että piirreavaruudessa
lähimmät naapurit saivat estimoinnissa suuremman painon kuin kauempana
sijaitsevat naapurit (kaava 3).
y=∑i=1k
w i yi/ k (2)
27
-
missä
y = muuttujan y estimaatti y i = muuttujan y mitattu arvo i:nneksi lähimmällä naapurikoealalla
w i = 1d i ²
/∑ 1d i ² = koealan i paino estimoinnissa (3)
d i = euklidinen etäisyys piirreavaruudessa i:nneksi lähimpään
naapurikoealaan
k = estimoinnissa sovellettu lähimpien naapurien määrä
Koska kuvapiirteitä oli paljon (liitteet 2., 3. ja 4.), olisi kaikkien mahdollisten
yhdistelmien testaaminen kestänyt suhteettoman kauan. Tästä syystä
päädyttiin tekemään valinta käytettävistä piirteistä. Kaukokuva-aineiston
piirteiden valinta tehtiin askeltavalla edestä valinnalla (sequential forward
selection), jossa piirteitä tuotiin mukaan k:n lähimmän naapurin hakuun
iteratiivisesti siinä järjestyksessä, jossa ne tuottivat parhaan estimaatin
testattavalle tunnukselle (esimerkiksi puuston tilavuus). Estimaatin hyvyyttä
arvioitiin estimaatin RMSE-arvon avulla (pienin RMSE). Seuraavaksi valittiin
aina kuvapiirre, joka jo valittujen kanssa tuotti parhaan estimointituloksen.
Tätä jatkettiin, kunnes lisäkuvapiirteet eivät enää parantaneet estimaattia, eli
RMSE ei enää pienentynyt (Haapanen & Tuominen 2008).
Sekä ilmakuva- että laserkeilausaineistolla metsikkötunnuksille tuotettujen
estimaattien testauksessa käytettiin ristiin validointia, jossa kullekin
referenssikoealalle vuorollaan estimoitiin metsikkötunnukset lähimpien
naapurien perusteella riippumattomina koealan mitatuista tunnuksista. Tämän
jälkeen estimoituja tunnuksia verrattiin koealalta mitattujen tunnusten kanssa.
Estimaattien testauksesta saatiin tulokseksi kunkin estimaatin tarkkuutta
kuvaavat (Ranta ym. 2002) tunnusluvut RMSE (kaava 4) ja suhteellinen
RMSE (kaava 5).
28
-
RMSE=∑i=1n
y i− y i2
n(4)
RMSE%=100×RMSEy
(5)
missä y i = muuttujan y mitattu arvo koealalla i
y i = muuttujan y estimoitu arvo koealalla i
y = muuttujan y mitattujen arvojen keskiarvo n = koealojen lukumäärä
Lisäksi laskettiin estimaatin luotettavuutta kuvaava (Ranta ym. 2002)
tunnusluku harha (kaava 6).
Harha=∑i=1
n
y i− y i
n(6)
Koska k-nn -menetelmässä estimointitulos on aina jossain määrin herkkä
sovelletun k:n arvon vaikutukselle, ennen varsinaista estimointia testattiin
puuston keskitilavuuden estimoinnin tarkkuutta k:n arvoilla 1 - 15. Testauksen
perusteella lopullisten tulosten laskenta päätettiin tehdä käyttäen k:n arvoja 4-
6. Nämä katsottiin sopiviksi suhteessa referenssikoealojen määrään. Liian
pienet k:n arvot yleensä lisäävät estimaattien satunnaisvirhettä ja heikentävät
tarkkuutta, kun taas liian suuret k:n arvot keskiarvoistavat estimaatteja
huomattavasti (Holopainen ym. 2009), jolloin suuri osa alkuperäisen
mittausaineiston vaihtelusta katoaa estimoinnissa. Täten valittu k:n arvo on
kompromissi estimaattien tarkkuuden ja estimoinnissa säilytettävän
estimoitavan tunnuksen vaihtelun välillä.
29
-
4. TULOKSET
4.1 Puustotunnusten estimointitarkkuus
Puuston keskitunnusten estimointitarkkuus eri kaukokartoitusaineistoilla on
esitetty taulukoissa 1. Lähimpien naapurien (k) lukumäärää vaihdeltiin välillä
4–6. Tarkasteltaessa taulukoita 2–5 huomataan lähimpien naapureiden
lukumäärän (k:n arvo) vaikuttavan jonkin verran estimointitarkkuuteen kaikilla
puustotunnuksilla ja molemmilla lähtömateriaaleilla.
IIlmakuvapintamalli estimoitujen puustotunnusten suhteelliset RMSE -arvot
olivat parhaimmillaan keskiläpimitalle (dfoto), pohjapinta-alalle (gfoto),
keskipituudelle (hfoto), valtapituudelle (hdomfoto) ja kokonaistilavuudelle (vfoto)
33,67 %, 36,23 %, 23,33 %, 23,53 % ja 40,39 %. Vertailuaineistona olleelle
laserkeilausaineistolle vastaavat (dals, gals, hals, hdomals ja vals) suhteelliset
RMSE -arvot olivat 25,26 %, 27,89 %, 23,53 %, 16,76 % ja 31,26 %
Ilmakuvapintamalli toimi parhaiten valtapituuden estimoinnissa, jossa sen
tuottama estimointitarkkuus oli likimain yhtä tarkka laserkeilausaineistoon
verrattuna. Keskiläpimitan estimoinnissa ilmakuvapintamalli tuotti hieman
laserkeilausaineistoa paremman tuloksen, mutta keskitilavuuden
estimoinnissa laserkeilaus oli jälleen hieman tarkempi. Pohjapinta-alan
estimoinnissa laserkeilausaineisto oli huomattavasti ilmakuvapintamallia
parempi.
30
-
4.2 Tulosten tarkastelu
Puustotunnusten estimointi onnistui yleisesti ottaen paremmin
laserkeilauspiirteiden avulla kuin ilmakuvista muodostetulla pintamallilla. Paitsi
vertaamalla eri kaukokartoitusaineistoista johdettuja puustotunnuksia
keskenään, voidaan tarkkuusestimaatteja arvioida vertaamalla niitä
perinteisen kuvioittaisen arvioinnin tarkkuuteen. Viimeisimmissä kotimaisissa
tutkimuksissa (Haara ja Korhonen 2004, Saari ja Kangas 2005), todettiin
kuvioittaisen arvioinnin keskivirheen vaihtelevan puuston keskitilavuuden
osalta 25-27 % välillä, joten aivan perinteisen arvioinnin tasolle ei nyt
31
Taulukko 1: Puustotunnusten estimointitarkkuus molemmilla kaukokartoitusaineistoilla k:n arvoilla 4-6.
-
käytetyillä menetelmillä päästy.
Pienin ero (5,39 %) koealakohtaisten puustotunnusestimaattien suhteellisilla
RMSE -arvoilla eri kaukokartoitusaineistojen välillä oli keskipituutta
estimoitaessa (taulukko 3). Vastaavasti suurin ero (9,31 %) koealakohtaisten
puustotunnusestimaattien suhteellisilla RMSE -arvoilla havaittiin
keskitilavuudella.
32
Taulukko 2: Tarkimmat puustotunnusestimaatit, ja niissä käytetyt piirteet molemmilla kaukokartoitusaineistoilla.
-
Estimoitaessa koealakohtaisia puustotunnuksia ilmakuvapintamallilta
irrotettujen korkeusjakaumapiirteiden (taulukko 3, liitteet 3-5) avulla (2-13
kpl/tunnus), päästiin parhaisiin tuloksiin käyttämällä keskimäärin 6,2:a
tunnusta jokaista estimoitavaa tunnusta kohti. Laserkeilausaineiston
korkeusjakaumapiirteitä käytettäessä piirteitä valikoitui käytettäväksi 6-12
kappaletta estimoitavaa tunnusta kohden, keskiarvon ollessa 8,4 kpl/tunnus.
Läpimitan estimaatissa käytetyiksi ilmakuvapintamallipiirteiksi valikoitui
seuraavat neljä piirrettä, joista ensimmäisenä valinta kohdistui 30 %
prosenttipisteen korkeushavaintoon. Läpimitan estimaatissa käytetyiksi
laserpiirteiksi valikoitui kahdeksan piirrettä, joista ensimmäinen oli 5 %
prosenttipisteen korkeus.
Pohjapinta-alan ilmakuvaestimaattia varten valikoitui kolmetoista piirrettä,
joista ensimmäinen oli korkeusarvojen suhteellinen osuus 55 %
prosenttipisteessä. Pohjapinta-alan als -estimaattia varten valikoitui
kahdeksan piirrettä joista ensimmäinen oli laserpulssin ensimmäisen
heijastuman (first pulse) keskiarvo.
Keskipituuden ilmakuvaestimointipiirteitä oli 5, ja ensimmäisenä valittiin 5 %
prosenttipisteen korkeus. Als -aineistosta valikoitui seuraavat 12 piirrettä,
joista paras oli 5 % prosenttipisteen korkeus (first pulse).
33
Taulukko 3: Puustotunnusestimaattien suhteellisilla RMSE-arvojen erotus eri kaukokartoitusaineistojen välillä.
Tunnusfoto 33,67 36,23 25,33 40,39
25,26 27,89 19,94 31,26erotus 8,41 8,34 5,39 9,13
dR M SE [%]
gRM SE [%]
hR M SE [%]
vRMSE [%]
als
-
Askeltavaa edestä valintaa käytettäessä saattaa algoritmi pysähtyä vain
yhden tai kahden piirteen jälkeen, jos yksikään uusi piirre ei tuota parannusta
estimaatin tarkkuuteen. Näin tapahtui estimoitaessa valtapituutta
ilmakuvapintamallilta. Ilmakuvaestimointipiirteet olivat 5 % prosenttipisteen
korkeus ja korkeusarvojen suhteellinen osuus 90 % prosenttipisteessä. Als
-aineistolla näin ei käynyt, vaan piirteitä otettiin mukaan estimointiin
kahdeksan kappaletta.
Keskitilavuutta estimoitaessa huomattiin toinen käytetyn
piirrevalintamenetelmän ominaispiirre, piirteiden painottaminen.
Ilmakuvapintamallista valikoitui käytettäväksi seitsemän piirrettä, mutta
parhaan (koealan korkeusarvojen keskiarvo) piirteen jälkeen
valintamenetelmä vain lisäsi kahta piirrettä, kasvattaen täten niiden
painoarvoa, sen sijaan että olisi etsinyt muita piirteitä käytettäväksi
estimointiin. Taas havaittiin, että laserkeilausaineistolla ei vastaavaa
tapahtunut, ehkä osin käytettävien piirteiden suuremmasta määrästä johtuen,
sillä valituksi tuli kuusi eri piirrettä (parhaana laserpulssin ensimmäisen
heijastuman (first pulse) keskiarvo).
Mahdollisia koealakohtaisten puustotunnusestimaattien epätarkkuuteen
vaikuttavia tekijöitä voidaan etsiä paitsi menetelmistä, myös aineistosta, jonka
osalta mahdollisia virhelähteitä ovat puustotunnusten mittauksessa ja
koealojen paikannuksessa tapahtuneet virheet. Selvät mittaus- tai
kirjoitusvirheet, jotka oli havaittavissa koealatietoja tarkastelemalla, rajattiin
kuitenkin jo alkuvaiheessa pois, joten lopullisiin tuloksiin ne eivät vaikuttaneet.
Syitä puustotunnusestimaattien epätarkkuuteen etsittiin myös tarkastelemalla
koealakohtaisia laserhavaintoja visuaalisesti. Tällöin havaittiin, että usealla
koealalla korkeimmat laserhavainnot saatiin kymmenen metriä
maastoaineiston perusteella määritettyä valtapituutta korkeammalta.
Huomattiin, että ylimääräisten laservasteiden aiheuttaja oli ympyräkoealan
ulkopuolella kasvavan, koealan vallitsevaa puustoa korkeamman puun latvus
34
-
(kuva 7). Näin varmistuttiin siitä, kyseisten koealojen maastoaineistossa ja
laserhavainnoissa ei ollut vikaa, ja että näitä koealoja voitiin käyttää tulosten
laskennassa, vaikka ne koealakohtaisten estimaattien epätarkkuutta
lisäsivätkin.
35
Kuva 7: Koealan 9021 (keskipituus 8,5 m) ulkopuolella sijaitsevan puun latvuksesta aiheuttamat ylimääräiset korkeushavainnot.
-
5. JOHTOPÄÄTÖKSET
Laseraineiston saatavuus kasvaa samalla kun yhä uusia alueita keilataan ja
samalla myös aineiston hinta laskee tasaisesti. Laserkeilainten
näytteenottotaajuus ja lentokorkeudet ovat kasvaneet, mutta laserkeilauksen
kustannukset ovat edelleen korkeat. Tämä johtuu sekä matalasta
lentokorkeudesta, että aineiston käsittelyn monimutkaisuudesta johtuen.
Laserkeilaukseen perustuvan inventoinnin hinta riippuu myös inventoitavan
alueen koosta ja muodosta. Suorakaiteen muotoiset alueet ovat
kustannustehokkaimpia keilata lentokoneella, johtuen menetelmän kapeasta
mittausalasta (Holopainen & Kalliovirta 2006).
Inventointikustannukset nousevat, jos joudutaan hankkimaan sekä lidar - että
kaukokuva-aineistoa, ja tästä johtuen mahdollisuus tulkita puulaji lidar -datasta
erittäin kiinnostava kustannussäästöjen kannalta. Laserkeilaukseen perustuva
puustotunnusten estimointi perustuu siihen, että useat tunnukset kuten
keskitilavuus, ovat johdettavissa tarkasti latvuksen mittasuhteita kuvaavista
laserkeilausaineiston korkeus- ja tiheysjakaumista. Laserkeilausaineiston
rakennepiirteiden käyttö puulajintunnistukseen perustuu latvuksen muodon,
heijastusominaisuuksien ja biomassan sijainnin eroihin eri puulajeilla.
Laserpulssin heijastaman pinnan ominaisuudet ovat avainasemassa
eroteltaessa latvusheijastuksia muista kohteista. Verrattuna esimerkiksi
sähkölinjaan, jonka pinta-ala on pieni ja heijastuvuus suuri, puun latvus on
usein koko laserpulssin kokoinen ja heijastuvuus vastaavasti heikompi.
Ilmakuvapintamallia käytettäessä edellä mainittua tiheysjakaumatietoa ei ole
saatavilla, mutta ilmakuvapintamallista saatavan korkeusjakaumatiedon
perusteella on mahdollista päästä riittävään tarkkuuteen puustotunnuksia
päivitettäessä. Tämän lisäksi ilmakuvapintamallin käyttöä puoltaa ilmakuvien
sävyarvoista saatava puulajien tunnistamista auttava lisätieto, jota pelkästään
laserkeilausta käytettäessä ei saada. Laserkeilauksen käyttöä
puulajitulkintaan on tutkittu runsaasti (mm. Packalen & Maltamo 2006, 2007,
36
-
2008), mutta tällä hetkellä ilmakuvia joudutaan vielä käyttämään puulaji-
informaation saamiseksi. Lisäksi tutkimuksessa käytetty laserkeilausaineisto
on huomattavasti tiheämpää kuin se, jota käytetään operatiivisessa
suuralueiden laserkeilauksessa.
Tulosten perusteella voidaan todeta, että tavoitteet puuston arviointiin ja
metsävaratietojen päivitykseen soveltuvan kustannustehokkaan menetelmän
kehittämisestä täyttyi. Lisäksi tuotettiin tietoa ilmakuvapintamalliin perustuvan
menetelmän kustannustehokkuudesta ja tarkkuudesta laserkeilaukseen
perustuviin menetelmiin verrattuna. Tutkimuksen tulokset antavat lähtökohdan
tulevaisuudessa tehtäville ilmakuvapintamalli -tutkimuksille, sekä alustavan
arvion erittäin korkean resoluution ilmakuvista toteutetun pintamallin
tarkkuudesta verrattuna laserkeilaukseen. Jatkotutkimuksissa tulee testata,
kuinka lähelle laserkeilaustuloksia päästään hyödynnettäessä
ilmakuvapintamallin lisäksi myös ilmakuvista saatava lisäinformaatio, kuten
sävyarvojen käyttö puulajien tunnistuksessa, sillä on oletettavaa, että niiden
avulla arvioinnin tarkkuus paranee. Lisäksi olisi mielenkiintoista selvittää,
kaventuuko laserkeilaus- ja ilmakuva-aineistosta johdettujen puustotunnusten
tarkkuusero, kun käytetään pulssitiheydeltään huomattavasti harvempaa
laserkeilausaineistoa.
Tulevaisuuden tutkimusaiheita ovat myös kuvasegmentoinnin hyödyntäminen
ilmakuvapintapiirteiden irrotuksessa, piirteiden valintamenetelmien
kehittäminen sekä korkearesoluutioisista satelliittikuvista muodostettujen
satelliittikuvapintamallien metsien inventoinnissa. Menetelmien osalta
mahdollisia parannuksia voitaisiin saavuttaa lisäämällä
kaukokartoitusaineistosta irrotettavien piirteiden määrää. Tällöin olisi
mahdollista, että ilmakuvapintamallin ja laseraineiston ero puustotunnusten
estimaattien tarkkuuksien osalta kaventuisi. Toinen mahdollinen tuloksia
parantava keino voisi olla piirteiden valintamenetelmän muuttaminen.
Askeltavan edestä valinnan sijaan voitaisiin testata esimerkiksi geneettisen
37
-
algoritmin (GA).
38
-
Lähteet
Ackermann, F., 1999. Airborne laser scanning present status and future expectations. ISPRS Journal of Photogrammetry and Remote Sensing 54 (1),
64– 67.
Aro, E.J. 1934. Näkökohtia iilmavalokuvauksen käytöstä metsätaloudessa. Yksityismetsänhoitajayhdistyksen vuosikirja VII.
Axelsson, P. 1999. Prosessing of laser scanner data – algorithms and applications. ISPRS JPRS. 54: 138-147.
Axelsson, P. 2000. DEM Generation from Laser Scanner Data Using Adaptive TIN Models. International Archives of Photogrammetry and Remote
Sensing. 16-23 July 2000, Amsterdam (International Society for
Photogrammetry and Remote Sensing) Vol.33, B4:110-117.
Baltsavias, E.P. 1999. A comparison between photogrammetry and laser scanning. ISPRS JPRS. 54: 83-94.
Baltsavias, E., Gruen, A., Zhang, L., Waser, L.T., 2008. High Quality Image Matching and Automated Generation of 3D Tree Models. International Journal
of Remote Sensing, 29:5, 1243 - 1259
Brandtberg, T., 2007. Classifying individual tree species under leaf-off and leaf-on conditions using airborne lidar. ISPRS Journal of Photogrammetry &
Remote Sensing, 61, pp. 325–340
Campbell, J.B. 2007. Introduction to remote sensing. Fourth edition. Taylor and Francis, London. 626 s.
39
-
Fabritius, B. 1922. Flygmaskinen i skogbrukets tjänst. Forstlig tidskrift 39.
Gruen, A. & Zhang L. 2003. Automatic DTM Generation from TLS data. Optical 3-D Measurement Techniques VI, Vol. I, Zurich, pp. 93-105.
Haapanen, R. & Tuominen, S. 2008. Data combination and feature selection for multi-source forest inventory. PE&RS 74(7): 869-880.
Haara, A. & Korhonen, K.T. 2004. Kuvioittaisen arvioinnin luotettavuus. Metsätieteen aikakauskirja 4/2004: 489–508.
Haralick, R.M., K. Shanmugam, and I. Dinstein 1973. Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics,
SMC-3(6):610-621.
Haralick, R.M. 1979. Statistical and structural approaches to texture. Proceedings of the IEEE, vol. 67(5):786- 804.
Holmgren, J. 2003. Estimation of Forest Variables using Airborne Laser Scanning. Doctoral dissertation. Acta Universitatis Agriculturae Sueciae.
Silvestria 278. SLU, Umeå, Sweden. 43 s.
Holmgren, J. & Persson, Å. 2004. Identifying species of individual trees using airborne laser scanner. Remote Sensing of Environment 90(4): 415–
423
Holopainen, M. 2002. Metsien kaukokartoituksen tulevaisuus. Metsät paikkatietojärjestelmissä – tutkijakoulu 1998-2002:1–18. Helsingin yliopiston
metsävarojen käytön laitoksen julkaisuja 30.
Holopainen, M. & Kalliovirta, J. 2006. Kangas, A. & Maltamo, M. (editors) 2006. Forest Inventory – Methodology and Applications. 362 s.
40
-
Holopainen, M., Haapanen, R., Tuominen, S. & Viitala, R. 2008. Performance of airborne laser scanning- and aerial photograph-based
statistical and textural features in forest variable estimation. In: Hill, R.A.,
Rosette, J. & Suárez, J. (eds.). Proceedings of SilviLaser 2008: 8th
International Conference on LiDAR Applications in Forest Assessment and
Inventory, September 17-19, 2008, Heriot-Watt University, Edinburgh, UK. p.
105-112.
Holopainen, M.,Tuominen, S., Karjalainen, M., Hyyppä, J., Hyyppä, H.,Vastaranta, M., Hujala, T. & Tokola,T. 2009. Korkearesoluutioisten E-SAR-tutkakuvien tarkkuus puustotunnusten koealatason estimoinnissa.
Metsätieteen aikakauskirja 4/2009: 309–323.
Hyyppä, J., Hyyppä, H., Litkey, P., Yu, X., Haggrén, H., Rönnholm, P., Pyysalo, U., Juho Pitkänen, J., & Maltamo, M. 2004. Algorithms and methods of airborne laser scanning for forest measurements. International
Archives of Photogrammetry, Remote Sensing and Spatial Information
Sciences, Vol. XXXVI – 8/W2.
Jauhiainen, H. 2009. Laserkeilaus mullistaa metsätietopalvelut. Metsälehti 21: 10-11.
Saari, A. & Kangas, A. 2005. Kuvioittaisen arvioinnin harhan muodostuminen. Metsätieteen aikakauskirja 1/2005: 5–18.
Kilkki, P. & Päivinen, R. 1987. Reference sample plots to combine field measurements and satellite data in forest inventory. Department of Forest
Mensuration and Management, University of Helsinki. Research Notes 19:
210–215.
Krauss, K. & Pfeifer, N. 1998. Determination of terrain models in wooded
41
-
areas with airborne laser scanner data. ISPRS Journal of Photogrammetry
and Remote Sensing 53: 193-203.
Kytönen, V. & Tuura, N. 1937. Ilmavalokuvaus metsätalouden palveluksessa. Metsätalouden aikakauskirja N:o 3.
Laasasenaho, J. 1982. Taper curve and volume functions for pine, spruce and birch. Communicationes Instituti Forestalis Fenniae 108, 74 s.
Maltamo, M., Packalen, P., Yu, X., Eerikäinen, K., Hyyppä, J. & Pitkänen, J. 2005. Identifying and quantifying structural characteristics of heterogenous boreal forest using laser scanner data. Forest ecology and management 216:
41-50.
Maltamo, M., Packalén, P., Uuttera, J, Äröla, E. & Heikkilä, J.. 2008. Laserkeilaustulkinnan hyödyntäminen metsäsuunnittelun tietolähteenä.
Metsätieteen aikakauskirja 4/2008: 304-309.
Neteler, M. & Mitasova, H., 2008. Open Source GIS: A GRASS GIS Approach. Third edition. 406 pages, Springer, New York
Næsset, E. 1997a. Determination of mean tree height of forest stands using airborne laser scanner data. ISPRS Journal of Photogrammetry and Remote
Sensing 52: 49-56.
Næsset, E. 1997b. Estimating timber volume of forest stands using airborne laser scanner data. Remote Sensing of Environment 51: 246–253.
Næsset, E., 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Rem.
Sens. of Env. 80, pp. 88-99.
42
-
Packalén, P. & Maltamo, M. 2006. Predicting the Plot Volume by Tree Species Using Airborne Laser Scanning and Aerial Photographs. Forest
Science 52(6): 611–622.
Packalén, P. & Maltamo, M. 2007. The k-MSN method for the prediction of speciesspecific stand attributes using airborne laser scanning and aerial
photographs. Remote Sensing of Environment 109: 328–341.
Packalén, P. & Maltamo, M. 2008. Estimation of species-specific diameter distributions using airborne laser scanning and aerial photographs. Canadian
Journal of Forest Research 38: 1750–1760.
Pyysalo, U. 2000. A Method to Create A Three-dimensional Forest Model from Laser Scanner Data. The Photogramemmetric Journal of Finland, Vol.
17, No. 1, pp. 34-42
Ranta, E., Rita, H. & Kouki, J. 2002. Biometria, Tilastotiedettä ekologeille. 8. painos. Yliopistopaino, Helsinki. 569 s.
Reitberger J, Krzystek P, & Stilla U. 2008. Analysis of full waveform LIDAR data for the classification of deciduous and coniferous trees. International
journal of remote sensing, 29 :1407-1431.
Sarvas, R. 1938. Ilmavalokuvauksen merkityksestä metsätaloudessamme. Silva Fennica 48:1-45.
Sithole, G. & Vosselman, G. 2003. Comparison of filtering algorithms, International Archives of Photogrammetry and Remote Sensing. XXXIV-
3/W13
Sithole, G. & Vosselman, G. 2004. Experimental comparison of filter algorithms for bare-Earth extraction from airborne laser scanning point cloud.
43
http://www.geo.unizh.ch/rsl/services/bibliographies/lidar/Author/SITHOLE-G.htmlhttp://www.geo.unizh.ch/rsl/services/bibliographies/lidar/Author/VOSSELMAN-G.htmlhttp://www.geo.unizh.ch/rsl/services/bibliographies/lidar/Author/SITHOLE-G.htmlhttp://www.geo.unizh.ch/rsl/services/bibliographies/lidar/Author/VOSSELMAN-G.html
-
ISPRS Journal of Photogrammetry & Remote Sensing, 59:85-101
Suvanto, A., Maltamo, M., Packalén, P. & Kangas, J. 2005. Kuviokohtaisten puustotunnusten ennustaminen laserkeilauksella. Metsätieteen aikakauskirja
4/2005: 413–428.
Tokola, T., Pitkänen, J., Partinen, S., & Muinonen, E. 1996. Point accuracy of a non-parametric method in estimation of forest characteristics with
different satellite materials. International Journal of Remote Sensing 12:
2333– 2351.
Tokola, T., Hyppänen, H., Miina, S., Vesa, L. & Anttila, P. 1998. Metsän kaukokartoitus. Silva Carelica 32. Joensuun yliopisto, metsätieteellinen
tiedekunta.
Vauhkonen, J., Tokola, T., Packalen, P. and Maltamo, M. 2009. Identification of Scandinavian commercial species of individual trees from
airborne laser scanning data using alpha shape metrics. Forest Science
55(1): 37-47.
Waser, L.T., Baltsavias, E., Eisenbeiss, H., Ginzler, C., Gruen, A., Kuechler, M., Thee, P. 2007. Change Detection in Mire Ecosystems: Assessing Changes of Forest Area using Airborne Remote Sensing Data. In:
International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences, Vol. XXXVI, Part 7/C50, pp. 313-318.
Waser, L. T., Baltsavias, E., Ecker, K., Eisenbeiss, H., Ginzler, C., Küchler, M., Thee, P. and Zhang, L. 2008a High-resolution digital surface models (DSMs) for modelling fractional shrub/tree cover in a mire environment,
International Journal of Remote Sensing, 29:5, 1261 - 1276
Waser, L.T., Baltsavias, E., Ecker, K., Eisenbeiss, H., Feldmeyer-Christe,
44
-
E., Ginzler, C., Küchler, M., Thee, P., Zhang, L., 2008b. Assessing changes of forest area and shrub encroachment in a mire ecosystem using digital
surface models and CIR-aerial images. Remote Sensing of Environment,
(112) 5:1956-1968.
Wehr, A. & Lohr, U. 1999. Airborne laser scanning - an introduction and overview. ISPRS JPRS. 54: 68–82
Yu, X., Hyyppä, J., Kaartinen, H. & Maltamo, M. 2004. Automatic Detection of Harvested Trees and Determination of Forest Growth using Airborne Laser
Scanning. Remote Sensing of Environment 90: 451-462.
Zhang, L. 2005. Automatic Digital Surface Model (DSM) Generation from Linear Array Images, PhD Thesis, Report No. 88, Institute of Geodesy and
Photogrammetry, ETH Zurich, Switzerland.
Zhang, L. & Gruen, A. 2004. Automatic DSM generation from linear array imagery data. IAPRS, Vol. 35, Part B3, pp. 128-133
Ørka, H.O., Næsset, E. & Bollandsås, O.M. 2007. Utilizing laser intensity for tree species classification. ISPRS workshop on laser scanning 2007 and
silvilaser 2007, Espoo, 12–14 September
Ørka, H.O., Næsset, E. & Bollandsås, O.M. 2009. Classifying species of individual trees by intensity and structure features derived from airborne laser
scanner data . Remote Sensing of Environment 113: 1163-1174.
45
-
LiitteetLIITE 1.
46
Koealalla suoritettavat mittauksetsuunta keskipisteestä (astetta)vaakasuora etäisyys keskipisteestä (cm)puulaji (nro 1-13, lista alla)latvuskerros (nro 1-3, selitys alla)rinnankorkeusläpimitta (mm)pituus (dm)elävän latvuksen alaraja (dm)latvuksen leveys (dm)
PuulajitMänty (Pinus sylvestris)Kuusi (Picea abies)Rauduskoivu (Betula bendula)Hieskoivu (Betula pubescens)Haapa (Populus tremula)Harmaaleppä (Alnus incana)Tervaleppä (Alnus glutinosa)Pihlaja (Sorbus aucuparia)Kontortamänty (Pinus contorta)Lehtikuusi (Larix sp.)Pihta (Abies sp.)Muu puulajiKataja (Juniperus communis)
LatvuskerrosVallitseva kerrosAlikasvosYlispuu
-
LIITE 2.
47
Tunnus nn RMSE [cm] RMSE [%] Keskiarvo [cm] Bias se4 5,34 30,30 17,62 0,23 0,385 4,55 25,84 17,62 0,41 0,326 4,45 25,26 17,62 0,35 0,314 5,93 33,67 17,62 0,05 0,425 6,00 34,03 17,62 0,30 0,426 5,95 33,74 17,62 0,32 0,42
Tunnus nn RMSE [%] Bias se4 4,79 29,07 16,47 0,07 0,345 4,65 28,24 16,47 0,13 0,336 4,59 27,89 16,47 0,14 0,334 6,13 37,20 16,47 0,23 0,435 6,17 37,48 16,47 0,40 0,446 5,97 36,23 16,47 0,03 0,42
Tunnus nn RMSE [m] RMSE [%] Keskiarvo [m] Bias se4 2,96 20,03 14,76 0,18 0,215 2,98 20,17 14,76 0,20 0,216 2,94 19,94 14,76 0,07 0,214 3,80 25,74 14,76 -0,04 0,275 3,98 26,99 14,76 0,02 0,286 3,74 25,33 14,76 -0,02 0,27
Tunnus nn RMSE [m] RMSE [%] Keskiarvo [m] Bias se4 4,47 16,83 26,54 0,28 0,325 4,45 16,76 26,54 0,30 0,316 4,46 16,82 26,54 0,33 0,324 6,38 24,02 26,54 0,36 0,455 6,27 23,63 26,54 0,06 0,446 6,25 23,53 26,54 0,06 0,44
Tunnus nn RMSE [%] Bias se4 48,08 32,34 148,70 -1,51 3,415 47,27 31,79 148,70 -1,81 3,356 46,48 31,26 148,70 -1,22 3,294 61,51 41,36 148,70 0,67 4,365 60,30 40,55 148,70 -0,38 4,276 60,06 40,39 148,70 -0,65 4,26
dals
dals
dals
dfoto
dfoto
dfoto
nn = lähinpien naapurien lkmRMSE [m 2/ha] Keskiarvo [m 2/ha]
gals
gals
gals
gfoto
gfoto
gfoto
nn = lähinpien naapurien lkm
hals
hals
hals
hfoto
hfoto
hfoto
nn = lähinpien naapurien lkm
hdomals
hdomals
hdomals
hdomfoto
hdomfoto
hdomfoto
nn = lähinpien naapurien lkmRMSE [m 3/ha] Keskiarvo [m 3/ha]
vals
vals
vals
vfoto
vfoto
vfoto
-
LIITE 3.
48
Muuttuja Kuvaus123456 Prosenttipisteiden (5%) korkeus.7 LP_000_z89 LP_001_z
1011 LP_002_z1213 LP_003_z1415 LP_004_z1617 LP_005_z1819 LP_006_z2021 LP_007_z2223 LP_008_z2425 LP_009_z2627 LP_010_z2829 LP_011_z3031 LP_012_z3233 LP_013_z3435 LP_014_z3637 LP_015_z3839 LP_016_z4041 LP_017_z4243 LP_018_z4445 LP_019_z4647 LP_020_z
Tutkimuksessa käytetyt laserpulssin viimeisen heijastuman (last pulse) piirteet.
LP_mean Laserpulssin viimeisen heijastuman (last pulse) keskiarvoLP_min Laserpulssin viimeisen heijastuman (last pulse) minimiarvo.LP_max Laserpulssin viimeisen heijastuman (last pulse) maksimiarvo.LP_mode Laserpulssin viimeisen heijastuman (last pulse) moodi, eli yleisin havainto.LP_total Laserpulssin viimeisen heijastumien (last pulse) määrä.LP_step
0 % prosenttipisteen korkeus (last pulse).LP_000_propLaserpulssien (last pulse) suhteellinen osuus 0 % prosenttipisteessä.
5 % prosenttipisteen korkeus (last pulse).LP_001_propLaserpulssien (last pulse) suhteellinen osuus 5 % prosenttipisteessä.
10 % prosenttipisteen korkeus (last pulse).LP_002_propLaserpulssien (last pulse) suhteellinen osuus 10 % prosenttipisteessä.
15 % prosenttipisteen korkeus (last pulse).LP_003_propLaserpulssien (last pulse) suhteellinen osuus 15 % prosenttipisteessä.
20 % prosenttipisteen korkeus (last pulse).LP_004_propLaserpulssien (last pulse) suhteellinen osuus 20 % prosenttipisteessä.
25 % prosenttipisteen korkeus (last pulse).LP_005_propLaserpulssien (last pulse) suhteellinen osuus 25 % prosenttipisteessä.
30 % prosenttipisteen korkeus (last pulse).LP_006_propLaserpulssien (last pulse) suhteellinen osuus 30 % prosenttipisteessä.
35 % prosenttipisteen korkeus (last pulse).LP_007_propLaserpulssien (last pulse) suhteellinen osuus 35 % prosenttipisteessä.
40 % prosenttipisteen korkeus (last pulse).LP_008_propLaserpulssien (last pulse) suhteellinen osuus 40 % prosenttipisteessä.
45 % prosenttipisteen korkeus (last pulse).LP_009_propLaserpulssien (last pulse) suhteellinen osuus 45 % prosenttipisteessä.
50 % prosenttipisteen korkeus (last pulse).LP_010_propLaserpulssien (last pulse) suhteellinen osuus 50 % prosenttipisteessä.
55 % prosenttipisteen korkeus (last pulse).LP_011_propLaserpulssien (last pulse) suhteellinen osuus 55 % prosenttipisteessä.
60 % prosenttipisteen korkeus (last pulse).LP_012_propLaserpulssien (last pulse) suhteellinen osuus 60 % prosenttipisteessä.
65 % prosenttipisteen korkeus (last pulse).LP_013_propLaserpulssien (last pulse) suhteellinen osuus 65 % prosenttipisteessä.
70 % prosenttipisteen korkeus (last pulse).LP_014_propLaserpulssien (last pulse) suhteellinen osuus 70 % prosenttipisteessä.
75 % prosenttipisteen korkeus (last pulse).LP_015_propLaserpulssien (last pulse) suhteellinen osuus 75 % prosenttipisteessä.
80 % prosenttipisteen korkeus (last pulse).LP_016_propLaserpulssien (last pulse) suhteellinen osuus 80 % prosenttipisteessä.
85 % prosenttipisteen korkeus (last pulse).LP_017_propLaserpulssien (last pulse) suhteellinen osuus 85 % prosenttipisteessä.
90 % prosenttipisteen korkeus (last pulse).LP_018_propLaserpulssien (last pulse) suhteellinen osuus 90 % prosenttipisteessä.
95 % prosenttipisteen korkeus (last pulse).LP_019_propLaserpulssien (last pulse) suhteellinen osuus 95 % prosenttipisteessä.
100 % prosenttipisteen korkeus (last pulse).
-
LIITE 4.
49
Muuttuja Kuvaus495051525354 Prosenttipisteiden (5%) korkeus.55 FP_000_z 0 % prosenttipisteen korkeus.5657 FP_001_z5859 FP_002_z6061 FP_003_z6263 FP_004_z6465 FP_005_z6667 FP_006_z6869 FP_007_z7071 FP_008_z7273 FP_009_z7475 FP_010_z7677 FP_011_z7879 FP_012_z8081 FP_013_z8283 FP_014_z8485 FP_015_z8687 FP_016_z8889 FP_017_z9091 FP_018_z9293 FP_019_z9495 FP_020_z96
Tutkimuksessa käytetyt laserpulssin ensimmäisen heijastuman (first pulse) piirteet.
FP_mean Laserpulssin ensimmäisen heijastuman (first pulse) keskiarvoFP_min Laserpulssin ensimmäisen heijastuman (first pulse) minimiarvo.FP_max Laserpulssin ensimmäisen heijastuman (first pulse) maksimiarvo.FP_mode Laserpulssin ensimmäisen heijastuman (first pulse) moodi, eli yleisin havainto.FP_total Laserpulssin ensimmäisten heijastumien (first pulse) määrä.FP_step
FP_000_propLaserpulssien (first pulse) suhteellinen osuus 0 % prosenttipisteessä.5 % prosenttipisteen korkeus (first pulse).
FP_001_propLaserpulssien (first pulse) suhteellinen osuus 5 % prosenttipisteessä.10 % prosenttipisteen korkeus (first pulse).
FP_002_propLaserpulssien (first pulse) suhteellinen osuus 10 % prosenttipisteessä.15 % prosenttipisteen korkeus (first pulse).
FP_003_propLaserpulssien (first pulse) suhteellinen osuus 15 % prosenttipisteessä.20 % prosenttipisteen korkeus (first pulse).
FP_004_propLaserpulssien (first pulse) suhteellinen osuus 20 % prosenttipisteessä.25 % prosenttipisteen korkeus (first pulse).
FP_005_propLaserpulssien (first pulse) suhteellinen osuus 25 % prosenttipisteessä.30 % prosenttipisteen korkeus (first pulse).
FP_006_propLaserpulssien (first pulse) suhteellinen osuus 30 % prosenttipisteessä.35 % prosenttipisteen korkeus (first pulse).
FP_007_propLaserpulssien (first pulse) suhteellinen osuus 35 % prosenttipisteessä.40 % prosenttipisteen korkeus (first pulse).
FP_008_propLaserpulssien (first pulse) suhteellinen osuus 40 % prosenttipisteessä.45 % prosenttipisteen korkeus (first pulse).
FP_009_propLaserpulssien (first pulse) suhteellinen osuus 45 % prosenttipisteessä.50 % prosenttipisteen korkeus (first pulse).
FP_010_propLaserpulssien (first pulse) suhteellinen osuus 50 % prosenttipisteessä.55 % prosenttipisteen korkeus (first pulse).
FP_011_propLaserpulssien (first pulse) suhteellinen osuus 55 % prosenttipisteessä.60 % prosenttipisteen korkeus (first pulse).
FP_012_propLaserpulssien (first pulse) suhteellinen osuus 60 % prosenttipisteessä.65 % prosenttipisteen korkeus (first pulse).
FP_013_propLaserpulssien (first pulse) suhteellinen osuus 65 % prosenttipisteessä.70 % prosenttipisteen korkeus (first pulse).
FP_014_propLaserpulssien (first pulse) suhteellinen osuus 70 % prosenttipisteessä.75 % prosenttipisteen korkeus (first pulse).
FP_015_propLaserpulssien (first pulse) suhteellinen osuus 75 % prosenttipisteessä.80 % prosenttipisteen korkeus (first pulse).
FP_016_propLaserpulssien (first pulse) suhteellinen osuus 80 % prosenttipisteessä.85 % prosenttipisteen korkeus (first pulse).
FP_017_propLaserpulssien (first pulse) suhteellinen osuus 85 % prosenttipisteessä.90 % prosenttipisteen korkeus (first pulse).
FP_018_propLaserpulssien (first pulse) suhteellinen osuus 90 % prosenttipisteessä.95 % prosenttipisteen korkeus (first pulse).
FP_019_propLaserpulssien (first pulse) suhteellinen osuus 95 % prosenttipisteessä.100 % prosenttipisteen korkeus (first pulse).
FP_020_propLaserpulssien (first pulse) suhteellinen osuus 100 % prosenttipisteessä.
-
LIITE 5.
50
Muuttuja Kuvaus1 Koealan korkeusarvojen keskiarvo2 Koealan korkeusarvojen minim iarvo.3 Koealan korkeusarvojen maksimiarvo.4 Koealan korkeusarvojen moodi, eli y leisin havainto.5 Koealan korkeusarvojen määrä.6 Koealan korkeusarvoista laskettujen prosenttipisteiden (5% ) korkeus.7 000_z 0 % prosenttipis teen korkeus.8 Korkeusarvojen suhteellinen osuus 0 % prosenttipisteessä.9 001_z 5 % prosenttipis teen korkeus.10 Korkeusarvojen suhteellinen osuus 5 % prosenttipisteessä.11 002_z 10 % prosenttipis teen korkeus .12 Korkeusarvojen suhteellinen osuus 10 % prosenttipis teessä.13 003_z 15 % prosenttipis teen korkeus .14 Korkeusarvojen suhteellinen osuus 15 % prosenttipis teessä.15 004_z 20 % prosenttipis teen korkeus .16 Korkeusarvojen suhteellinen osuus 20 % prosenttipis teessä.17 005_z 25 % prosenttipis teen korkeus .18 Korkeusarvojen suhteellinen osuus 25 % prosenttipis teessä.19 006_z 30 % prosenttipis teen korkeus .20 Korkeusarvojen suhteellinen osuus 30 % prosenttipis teessä.21 007_z 35 % prosenttipis teen korkeus .22 Korkeusarvojen suhteellinen osuus 35 % prosenttipis teessä.23 008_z 40 % prosenttipis teen korkeus .24 Korkeusarvojen suhteellinen osuus 40 % prosenttipis teessä.25 009_z 45 % prosenttipis teen korkeus .26 Korkeusarvojen suhteellinen osuus 45 % prosenttipis teessä.27 010_z 50 % prosenttipis teen korkeus .28 Korkeusarvojen suhteellinen osuus 50 % prosenttipis teessä.29 011_z 55 % prosenttipis teen korkeus .30 Korkeusarvojen suhteellinen osuus 55 % prosenttipis teessä.31 012_z 60 % prosenttipis teen korkeus .32 Korkeusarvojen suhteellinen osuus 60 % prosenttipis teessä.33 013_z 65 % prosenttipis teen korkeus .34 Korkeusarvojen suhteellinen osuus 65 % prosenttipis teessä.35 014_z 70 % prosenttipis teen korkeus .36 Korkeusarvojen suhteellinen osuus 70 % prosenttipis teessä.37 015_z 75 % prosenttipis teen korkeus .38 Korkeusarvojen suhteellinen osuus 75 % prosenttipis teessä.39 016_z 80 % prosenttipis teen korkeus .40 Korkeusarvojen suhteellinen osuus 80 % prosenttipis teessä.41 017_z 85 % prosenttipis teen korkeus .42 Korkeusarvojen suhteellinen osuus 85 % prosenttipis teessä.43 018_z 90 % prosenttipis teen korkeus .44 Korkeusarvojen suhteellinen osuus 90 % prosenttipis teessä.45 019_z 95 % prosenttipis teen korkeus .46 Korkeusarvojen suhteellinen osuus 95 % prosenttipis teessä.47 020_z 100 % prosenttipis teen korkeus.48 Korkeusarvojen suhteellinen osuus 100 % prosenttipisteessä.
Tutk imuksessa käytety t ilmakuvapintamallin piirteet.
FP_meanFP_minFP_maxFP_modeFP_totalFP_step
000_prop
001_prop
002_prop
003_prop
004_prop
005_prop
006_prop
007_prop
008_prop
009_prop
010_prop
011_prop
012_prop
013_prop
014_prop
015_prop
016_prop
017_prop
018_prop
019_prop
020_prop
-
LIITE 6.
Koealojen sijainti ilmakuvapintamallil