Upload
suomen-metsaekeskus
View
435
Download
5
Embed Size (px)
Citation preview
Kaukokartoituspohjainen metsien
inventointiprosessi
• Laserkeilaus
• Ilmakuvaus
• Referenssimaastokoealojen mittaus
• Automaattikuviointi ja hila-aineisto
• Puustotunnuksien mallinnus
• Puustotunnuksien laskenta
• Datan toimitus asiakkaalle
Laserkeilauksen lentoparametrit
• Lentokorkeus 1800-2500 metriä
• Pulssin toistotaajuus 50-150 kHz
• Lentonopeus 75 m/s
• Lentolinjan leveys n. 1000 metriä ja sivupeitto 20%
• Pulssitiheys yleensä n. 0.5-1.0 pulssia/m²
• Single-pulse ja multipulse
• Datan laadun kannalta metsäkeilauksissa tärkeää vain
yhden ainoan instrumentin käyttö
– Tosin tätäkään ei voi aina vaatia
– Esimerkiksi instrumenttien rikkoutuminen
– Kalibrointi monesti suositeltavaa
Laserkeilaus
• Aktiivinen kaukokartoitus
menetelmä, joka tuottaa 3D-
informaatiota
• Jokaisella pisteellä x,y,z-
koordinaatti ja intensiteetti
• Havaittavasta kohteesta saadaan
yleensä 1-4 kaikua
• Riippuu kohteen muodosta ja
rakenteesta
• Metsikkötulkinnassa aineisto
jaetaan first pulse ja last pulse
dataksi
• Näistä lasketaan erilaisia selittäviä
muuttujia laskentamalleihin
• Metsässä laser tuottaa tietoa
puuston pituudesta ja tiheydestä
Laserkeilauksen merkitys
puustotulkinnassa
• Laserin vasteella iso merkitys inventoinnin hyvässä onnistumisessa
• Vaatii tarkan instrumenttituntemuksen sekä oikeanlaisten
lentoparametrien käytön
• Onko kesäkeilaus vai kevätkeilaus parempi?
– Olennaisempaa on millä parametreilla lennetään
• Pulssin energialla ja kaikusuhteilla iso merkitys
• MML-keilauksien kaikuanalyysi on askel oikeaan suuntaan
– Kannustaa parempaan keilaamiseen
– Tosin sekään ei silti kerro lopullista datan laatua
– Intensiteetit voi vaihdella => onko syynä lentokorkeuden muutos vai
instrumentin säätö
Only%A FirstOnly%A Intermediate%A LastOnly%A
36.93 40.78 9.07 13.21
Ilmakuvaus
• Ilmakuvauksessa käytössä UltraCamXP, UltraCamEagle,
DMC III
• Kamerassa neljä värikanavaa
RGB ja lähi-infra
• Lisäksi käytössä
pankromaattinen kanava
• Kuvauskorkeudet vaihtelee
5000 – 8500 m
• Kuvien maastoresoluutio
0.3-0.5m
• Kuvien pituuspeitto 80% ja
sivupeitto 30-40%
• Sama kohde näkyy usealla
eri ilmakuvalla
Ilmakuvauksen hyödyntäminen
puustotulkinnassa
• Kaukokartoituspohjaisessa metsien
inventoinnissa ilmakuvia hyödynnetään
pääasiassa puulajitulkinnassa
• Jokainen laserpiste mäpätään laskennassa
oikaisemattomiin level02-ilmakuviin
• Tällä vältetään ortokuvissa tapahtuva
säteissiirtymä ja kuvien radiometrinen
laatu on parempi
• Ilmakuvista lasketaan erilaisia
sävykeskiarvoja ja kanavasuhteita
• Näitä hyödynnetään laskentamalleissa
selittävinä muuttujina
©Packalén et al. (2009)
Ilmakuvauksen merkitys
puustotulkinnassa
• Paras lopputulos jos kuvat on kerätty mahdollisimman pienen
aikaikkunan sisällä
– Tämä toteutuu joskus
– Puulajitulkinnan parantuminen
• Yleensä data jakaantuu koko kesälle
– Keliolosuhteet ja suuret kuvaus pinta-alat
– Ei täysin optimaalista puulajitulkinnan näkökulmasta
• Sallitaan usean samankaltaisen kameran käyttö
– Ei fataalia, mutta tuo pienen lisämausteen
• Kameran säätäminen blokin sisällä
– Vaikeuttaa toimintaa huomattavasti
– Tätäkin joskus pakko tehdä
• Ilmakuvainformaation hyödyntämisellä myös iso merkitys
Maastokoealamittaus
• Inventoitavalta alueelta kerättävät referenssikoealat (500-1000
kpl)
• Koealojen keräämisessä on tärkeää saada kiinni alueen puuston
koon ja puulajien vaihtelut
• Koealoja pyritään keräämään kaikista kehitysluokista
– Y1, S0, T2, 02, 03, 04
• Kaikista koealan puista pituudet tai sitten koepuumittaukset
– Näkisin mieluusti, että mitattaisiin pituuksia myös kaikista
puista
• Koealat ympyräkoealoja 5,64m, 9m ja 12,62m
• Koealojen tarkka paikannus GPS-laitteilla
– Jälkikorjaus paikannustarkkuuden lisäämiseksi
• Kaukokartoittajalle metsä on tietynkokoinen ”ympyrä” ja
hehtaarikohtaiset luvut ovat siinä paikassa
Koealamittauksien merkitys
puustotulkinnassa
• Kattavuustarkastelu tosi isossa merkityksessä
• Tulkitsijan pitäisi pystyä lukemaan datoista kaikki olennainen
• Tasapainoilua alueen keskimääräisyyden ja kaiken kattavan
maastodatan keräämisen välillä
• Toimenpidesuunnittelun näkökulma
– Tiheät 02 metsät
– 04-kehitysluokka ja taimikot
• Eteläinen Suomi
– Kannattaa mitata kaikkea kattavasti
• Pohjoinen Suomi
– Mänty dominoi
– Vaikeutena lehtipuustot ja kuusikot
– Toiminta ohjautuu enemmän keskimääräiseen suuntaan
Puustotulkinnan laskentamenetelmät
• Puustotulkinta perustuu laserin pistepilvestä ja ilmakuva-aineistosta
laskettuihin tilastollisiin tunnuslukuihin, joiden avulla mallinnetaan
koealoilta mitattuja puustotunnuksia.
• Regressiopohjainen menetelmä
– Ei tuota tietoa eri puulajeista
– Tuottaa tarkat tunnukset kokonaispuustolle
– Extrapoloi mallinnusdatan ulkopuolelle
• Ei-parametriset lähimmän naapurin menetelmät (knn ja kmsn)
• Joustavia, mahdollistavat useampien vastemuuttujien samanaikaisen
estimoinnin
• Tärkeää puustotunnuksien keskinäisen loogisuuden takia
• Vaatii melko paljon koealoja
• Inventointituotteen laatu yhtä hyvä kuin käytettävissä oleva
mallinnusaineisto
Estimoitavat puustotunnukset
• Ennustettavat puustotunnukset
– Keskiläpimitta
– Keskipituus
– Runkoluku
– Pohjapinta-ala
– Tilavuus
– Ikä
– Valtapituus
• Tunnistettavat puulajit : mänty, kuusi ja lehtipuut
• Taimikonhoitoon ja harvennustarpeeseen suoratulkinta
luokittelumalleilla
• Runkolukusarjojen tuottaminen
• Teoreettiset puutavaralajikertymät
• Kasvupaikkaluokitus
Koealatason mallinnus
• Koealoille leikataan piirteet laser- ja ilmakuva-aineistosta
– Tarkka GPS-sijainti ehdottoman tärkeää
• Ensimmäiseksi loogisuustarkistukset esim. maastomitatun
keskipituuden ja lidarin pituusmuuttujien kesken
• Mallinnus on iteratiivinen prosessi jossa minimoidaan annettua
kustannusfunktiota
– Puulajeittaiset summa- ja keskitunnukset
– Vaatii hyvän ja nopean optimointialgoritmin
• Testaa ja valitsee parhaat selittävät muuttujat lidar- ja ilmakuva-
aineistosta
– Tarkkuutta lasketaan koeala-aineistossa leave-one-out menetelmällä
Koealatason mallinnus
• Lopullinen mallin valinta on aika monimutkainen päätöksenteko
prosessi
• Mallikanditaatteja on paljon ja niiden välillä voi olla pieniä eroja
• Niitä tarkistetaan mm. seuraavasti
– Koealatason hajontakuvat ja tunnusluvut
• Harhattomuuden varmistaminen
– Alueelliset tarkistuslaskennat
• Hila-aineiston artifakti, esim. ilmakuvan tai laserkeilausaineiston
ominaisuuden takia
• SMK-hankkeiden kiintesäteisiltä koealoilta mitatut
tarkistusmittauskuviot
– Niillä saadaan lopullinen varmuus, mitä mallia kannattaa käyttää
– Lisäksi tilastollinen näkemys tehdyistä laskennoista
• Trestimalla arviointi keskittyy vain pohjapinta-alaan
Laskentasysteemin merkitys laadun
näkökulmasta
• Kaukokartoituspohjainen inventointiprosessi on todella iso
kokonaisuus
– Vaatii todella hyvän ymmärryksen ja tietämyksen
– Metsätiede, Tietojenkäsittelytiede, Tilastotiede, Photogrammetria,
Paikkatieto
• Aineistot melko isoja ja massiivisia
– Pikaisesti tehdyt ratkaisut eivät ole hyviä
• Pelkistetysti sanottuna kaikki vaikuttaa kaikkeen
• Tästä syystä kokonaisuus ratkaisee lopullisen laadun
• Paras tietämys syntyy vasta vuosien kokemuksen jälkeen
• Prosessi elää ja muuttuu jatkuvasti instrumenttien ja
laskentamenetelmien kehityksen myötä
• Kriittinen suhtautuminen omaan tekemiseen
• Keskinäinen palaute ja keskustelu
• Tulkitsijat eivät käytä aineistoa
Monikanavakeilaus
• Optechin Titan instrumentti
• Tällä hetkellä uusinta keilainteknologiaa
• Lähettää pulsseja kolmella eri aallonpituusalueella
– Channel 1 1550 nm pidempiaaltoinen lähi-infra
– Channel 2 1064 nm lähi-infra
– Channel 3 532 nm vihreä laseri
• Koko aaltomuodon tallennus yhdeltä tietyltä kanavalta
• Tuottaa yhtenäisen pistekuvion
• Kanava 2 vastaa ns. normilaseria
• Tällä hetkellä lentokorkeus pidettävä aika maltillisena
– 1300-1400m
• Tulevaisuudessa saadaanko monikanava data esim.
2500m?