erittÄin korkean resoluution ilmakuvista tuotettu ... · tiivistelmä - referat - abstract ......

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.




















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_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

erittÄin korkean resoluution ilmakuvista tuotettu ... · tiivistelmä - referat - abstract ......

Documents