Taimikoiden tiedonkeruun kehittäminen - ISY, HY, MML/FGI, LUKE, VTT

UEF // University of Eastern Finland

ISY, HY, MML/FGI, LUKE, VTT

Ohjausryhmän kokous 27.9.2016Timo Tokola

Taimikoiden tiedonkeruun kehittäminen (TaimikkoTieto2020)


Tausta

•Taimikkoinventointiin ei ole kehitetty tehokasta operatiivista menetelmää

•SMK kerää taimikoista tietoa maastotyönä, jonka kustannukset ovat huomattavan suuret muuhun metsävaratiedon keruuseen verrattuna. (0.5 eur/ha vs. 2 eur/ha)

•Tietoa uudistamistoimenpiteiden toteuttamisesta ja uuden puuston aikaansaamisesta tarvitaan myös metsälain valvontaa varten.

02.05.23Esityksen nimi / Tekijä 2


Vuoden 2016 tutkimusalueet


Kuviotiedot+lidar+satelliittikuvat maastotyöt


WP1: Biometrista mallinnusta ja testausta

•Päävastuu Lukessa•VMI kertakoealojen käyttöä testataan

ennustemallien laadinnassa (taimikkokoealat kuvioilta)

•Ennustemallit aluksi Päijät-Hämeelle•Lehtipuiden pituus (0,62) ja

runkoluku (0,38)•Havupuiden pituus (0,72) ja

runkoluku (0,30)•Mallin kuvat oikealla



Kuvion runkoluvun variaatio suhteessa paikkatietopohjaiseen kosteusindeksiin



The estimated models (standard error in parentheses)


• total number of conifers and broadleaved species.

• Dependent variable was transformed to ln(Y + 1).

Conifers Broadleaves

Ntot (207) Ncrop (205) Ntot (196) Ncrop (82) Intercept

-1.594 (2.606) 4.598 (0.542) 14.470 (1.342) 12.81

3 (3.518)

DDY/1000 2.850 (1.470)

-5.740 (2.850) lnSea 0.543 (0.181)

* 0.217 (0.114)

T 0.083 (0.023)

-0.210 (0.043)

1/(T+10) 22.501

(9.051)

-73.354

(16.595)

Conifer

( 1.642 (0.169) Pine 1.225 (0.181) -0.567 (0.177) Spruce 1.309 (0.157) Birch

-0.477 (0.237) 1.296 (0.244)

Pubescens B.

0.654 (0.264)

OMaT

-0.730 (0.395)

* OMT+ -0.178 (0.088) -

0.128 (0.070)

* VT 0.334 (0.140) -0.465 (0.241) -1.090 (0.442) NoSoilPrep -0.466 (0.111) -

0.242 (0.075)

Mounding -0.264 (0.107) -

0.156 (0.085)

* -0.474 (0.178)

Patching

-0.751 (0.277)

Planting -0.222 (0.115) -0.230 (0.152)* TWI_MEAN

0.053 (0.027) 0.058 (0.023)

TWI_MIN 0.220 (0.063) *Shows the marginally significant variables (0.5<P<0.15)


WP2: Vesakon peittävyyden arviointia eri erittäin tarkoilta kaukokartoitusmateriaaleilta•Evon pieni, mutta tarkka

maastoaineisto•Vesakon tiheyden ennustamisen

tarkkuus eri aineistoilla•Istutetun taimikon runkoluvun ja

pituuden mittauksen tarkkuus eri aineistoilla

•Gradu tekeillä



Kopteri lennossa mukanaan FPI- ja RGB-kamerat, RGB pistepilvi…



Analyysimenetelmä sisältää seuraavia vaiheita•Metsikkötunnusten laskeminen koealoille, koealojen ja eri

kaukokartoitusaineistojen yhdistäminen•Kasvillisuuden korkeutta ja tiheyttä kuvaavien pintamallien laatiminen

eri resoluutioilla•Taimikoiden tiheyden mallintaminen eri kaukokartoitusaineistoista

lasketuilla piirteillä., Taimikon latvuspeittävyyttä kuvaavien tunnusten laskeminen kaukokartoitusaineistoista

•Yksittäisten taimien tunnistaminen pintamalleista, Taimikon tiheyden ja kaukokartoitusaineistojen latvuspeittävyyksien korrelaation analysointi

•Lehdettömään ja lehdelliseen aikaan kerättyjen aineistojen soveltuvuuden arviointi



WP3: satelliittimateriaalien vesakko-ennusteita •VTT - Autochange•Käytetään satelliittimateriaalien

vesakko-ennusteita •Suuralue aineistot•Maastodatat metsäkeskuksesta•Verrataan lidar-menetelmiin•Satelliittiestimaatit valmiina,

mutta vertailut tekemättä



Taimikon lehtipuustoisuus Metsäkeskuksen aineistossa (vas.) ja Sentinel-2 -estimaatti (oik.)



Kokemuksia

•Alustava vertailu Metsäkeskuksen taimikkoaineistoon osoitti Sentinel-2 kuvien soveltuvuuden taimikon lehtipuustoisuuden seurantaan. Kuvien 10 metrin maastonerotuskyky riittää yleiskuvan saamiseen taimikon lehtipuustoisuudesta.

•Pilvet rajoittavat joskus suurestikin satelliittiaineiston hyödyntämistä, mutta VTT:llä kehitetyt pilvien kartoitus- ja kuvien mosaikointi-menetelmät yhdistettynä kahden Sentinel-2 -satelliitin useamman kerran viikossa toistuvaan kuvaukseen mahdollistavat myös pilvisten kuvien tehokkaan käytön



VTT:n pilvienmaskaus- ja mosaikointimenetelmä



WP4: Tietolähteet yhdistävä kalibrointi-ennusteisiin perustuva päätöksentekomenetelmä•Lidar ennusteet laajoille alueille•GIS aineistojen Big Data analyysiä;

Ensimmäisenä vuonna Päijät-Hämeen kohdealue, Mitattu tarkasti n. 50 kuviota.

•Maaperäaineistot, vesitilanne, korkeusmallit, naapurimetsiköt testattu; ei helppoja ennustemenetelmiä

•Tietolähteet yhdistävä kalibrointi-ennusteisiin perustuva päätöksenteko menetelmää testataan lokakuussa



Kalibrointia testattu, muutama alustava tulos, maatossa tehty kontrollimittaukset


BIAS RMSEN_conifersH_conifer N_brdl H_brdl N_conifersH_conifer N_brdl H_brdl

Database 224,5238 -1,05543 -1308,81 -0,50391 Database 43,21062 0,073219 219,4572 0,089947VMI 322,6722 -1,89798 -1248,95 -1,84061 VMI 60,34398 0,115226 296,5807 0,135261Calibrated 646,8004 -1,06847 -2954,17 -0,28376 Calibrated 68,70312 0,086681 344,1484 0,119949

-maastotiedonkeruu ei rekisteröi tilannetta vaan tavoitetilanteen, ei apua päätöksentekoa varten-onko kasvatettavan puuston arviointi järkevää???-epäluotettavilla VMI malleilla melkein samaan tulokseen-kalibrointi toimii ja osittaisia parannuksia-koko prosessi mietittävä uusiksi


Runkoluku, residuaalit



Pituus, residuaalit



Projektihallinto

•Projektissa keskitytty tutkimukseen•Lokakuussa projektiryhmän ja

teknisen ryhmän palaveri. •Liperistä tehty monikanavakuvaus

ja tiheälaser. Projekti mittasi kesällä 2016 alueelta taimikoita tarkemmin n. 100 kuviota. Tänä vuonna tarpeen testata myös Liperin kuvauksen aineistoja taimikon ennustukseen.


Kiitos!

uef.fi

Environment

Taimikoiden tiedonkeruun kehittäminen - ISY, HY, MML/FGI, LUKE, VTT