Tämän tutkimuksen päätavoitteena oli selvittää epäparametrisen lähimmän naapurin k-MSN-menetelmän avulla maastomittauksissa käytettävän minimiläpimitan vaikutus puustotulkin-taan. Tutkimuksen tulosten mukaan mitattu minimiläpimitta vaikutti puustotulkinnan tulok-siin, ja puustotunnusten välillä tulosten tarkkuus vaihteli kohtalaisen paljon. Tietyissä tapauk-sissa mitatulla minimiläpimitalla oli suuri vaikutus yksittäisenkin tunnuksen puustotulkintatu-loksiin. Kehitysluokittaisista kokonaispuuston ja pääpuulajin eli männyn puustotunnuksista voidaan todeta, että tarkemmin analysoiduilla minimiläpimitta-aineistoilla ei useinkaan ollut havaittavissa eroja tulosten tarkkuuden suhteen. Sivupuulajeissa sen sijaan muodostui tilastol-lisia eroja kaikissa kehitysluokissa.
Tulosten perusteella on mahdollista muotoilla ehdotus tulevaisuuden laserkeilaukseen perus-tuvien metsien inventointiprojektien minimiläpimittarajaksi, joka voisi olla neljä senttimetriä.
Kyseistä minimiläpimittarajaa hyödyntämällä mittauskäytäntöä saataisiin yhdenmukaistettua kasvatusmetsien ja uudistuskypsien metsien mittauksissa. Tulosten mukaan nuorissa kasva-tusmetsissä ei ole kannattavaa mitata neljää senttimetriä pienempiä puita, koska tällä mittaus-käytännöllä saatavat tulokset vastaavat tuloksia, jotka saataisiin mittaamalla rinnankorkeuslä-pimitaltaan vähintään kolme senttimetriset puut.
Tämän tutkimuksen toisena tavoitteena oli tutkia kuolleen pystypuuston esiintymisen ja tila-vuuden ennustamista. Tulosten perusteella laskennan keskivirheisiin perustuen voidaan tode-ta, että kuolleen pystypuuston tilavuuden ennustaminen luotettavasti oli talousmetsissä ää-rimmäisen vaikeaa. Sen sijaan koealojen luokitteleminen kuolleen pystypuuston esiintymisen perusteella oli mahdollista diskriminanttianalyysiin perustuvien erottelumallien avulla.
Erityi-sesti uudistuskypsissä metsissä, joissa kuollut pystypuusto on keskimäärin yleisempää muihin talousmetsän kehitysluokkiin verrattuna, saatiin kohtalainen luokittelutulos. Tämäntyyppisen luokitteluanalyysin avulla olisi todennäköisesti mahdollista kohdentaa kuolleen pystypuuston ja lahopuun maastoinventointia, jolloin yleisesti suuria kustannuksia aiheuttavan lahopuuin-ventoinnin kustannuksia voitaisiin alentaa. Toisaalta kuolleen pystypuuston vaikutus puusto-tulkintaan oli tulosten perusteella marginaalinen, maastomittauksia ja laskentamenetelmiä voitaisiin haluttaessa myös yksinkertaistaa jättämällä kuollut pystypuusto kokonaan maasto-mittausten ulkopuolelle, mikäli erityistä tiedontarvetta asiaan liittyen ei ole.
Tällä tutkimuksella kyettiin muodostamaan päätelmiä minimiläpimitan ja kuolleen pystypuus-ton vaikutuksesta puustotulkintaan. Tämän ansiosta voitiin muotoilla ehdotelmia käytännön metsäninventointiprojektien kehittämiseksi ja sen kautta myös kustannusten pienentämiseksi.
Aiemman tutkimustiedon ja tämän tutkimuksen tuottamien havaintojen avulla kaukokartoi-tukseen perustuvia metsäninventointimenetelmiä on mahdollista tarkastella tietyiltä osin siitä näkökulmasta, että käytössä olevia menetelmiä voidaan edelleen kehittää vastaamaan parem-min tavoitteitaan kustannustehokkaasti mutta kuitenkin siten, että projekteille asetetut tavoit-teet esimerkiksi tulosten tarkkuuden suhteen on mahdollista saavuttaa. Jatkuvasti kehittyviin menetelmiin, tekniikoihin ja käytäntöihin tulee myös jatkossa kohdistaa aktiivista tutkimusta, jotta kaukokartoitukseen perustuva metsävaratiedon tuottaminen ja hyödyntäminen voisi muotoutua yhä olennaisemmaksi osaksi kokonaisvaltaista metsätaloutta.
LÄHTEET
Ahokas, E., Kaartinen, H. & Hyyppä, J. 2008. On the quality checking of the laser scanning-based nationwide elevation model in Finland. 21st ISPRS Congress Beijing 2008. The Inter-national Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 37(B1/1): 267–270.
Anttila, P. 1998. Analyyttisellä stereoplotterilla ilmakuvilta tulkittujen puukohtaisten tunnus-ten tarkkuus. Pro gradu -tutkielma. Joensuun yliopisto, metsätieteiden tiedekunta. 36 s.
Anttila, P. 2005. Assessment of manual and automated methods for updating stand-level for-est inventories based on aerial photography. Dissertationes Forfor-estales 9. Tohtorinväitös, Joen-suun yliopisto, metsätieteiden tiedekunta. 42 s.
ArboLiDAR Field Guide. 2012. Oy Arbonaut Ltd. 25 s.
Baltsavias, E. P. 1999. Airborne laser scanning: existing systems and firms and other re-sources. Journal of Photogrammetry & Remote Sensing 54: 164–198.
Baskerville, G.L. 1972. Use of logarithmic regression in the estimation of plant biomass. Ca-nadian Journal of Forest Research 2(1): 49–53.
Bolduc, P., Lowell, K. & Edwards, G. 1999. Automated estimation of localized forest volume from large-scale aerial photographs and ancillary cartographic information in a boreal forest.
International Journal of Remote Sensing 20(18): 3611–3624.
Crookston, N. L. & Finley, A. O. 2013. yaImpute: An R Package for k-NN Imputation. Jour-nal of Statistical Software 23(10): 1–16.
Deckert, C. & Bolstad, P. V. 1996. Forest canopy, terrain, and distance effects on global posi-tioning system point accuracy. Photogrammetric Engineering & Remote Sensing. 62(3): 317–
321.
Esseen, P-A, Ehnström, B., Ericson, L. & Sjöberg, K. 1997. Boreal forests. Ecological Bulle-tin 46: 16–47.
Fusion-ohjelma. 2013. Saatavissa: http://forsys.cfr.washington.edu/fusion/fusionlatest.html [Viitattu 30.10.2013].
Gobakken, T. & Næsset, E. 2008. Assessing effects of laser point density, ground sampling intensity, and field sample plot size on biophysical stand properties derived from airborne laser scanner data. Canadian Journal of Forest Research 38(5): 1095–1109.
Gobakken, T. & Næsset, E. 2009. Assessing effects of positioning errors and sample plot size on biophysical stand properties derived from airborne laser scanner data. Canadian Journal of Forest Research, 39(5): 1036–1052.
Guo, Q., Kelly, M., Gong, P. & Liu, D. 2007. An Object-Based Classification Approach in Mapping Tree Mortality Using High Spatial Resolution Imagery. GIScience and Remote Sen-sing 44(1): 24–47.
Haara, A. & Korhonen, K. 2004. Kuvioittaisen arvioinnin luotettavuus. Metsätieteen aikakauskirja 4/2004: 489–508.
Haara, A. & Nevalainen, S. 2002. Detection of dead or defoliated spruces using digital aerial data. Forest Ecology and Management 160: 97–107.
Haralick, R., 1979. Statistical and structural approaches to texture. Proceedings-IEEE, 67(5):
786–804.
Haralick, R. M., Shanmugam, K., & Dinsteein, J. 1973. Textural features for image classifica-tion. IEEE Transactions on Systems, Man, and Cybernetics, 3: 610−621.
Harmon, M.E., Franklin, J.F., Swanson, F.J., Sollins, P., Gregory, S.V., Lattin, J.D., Ander-son, N.H., Cline, S.P., Aumen, N.G., Sedell, J.R., Lienkaemper, G.W., Cromack, K. Jr. &
Cummins K.W. 1986. Ecology of Coarse Woody Debris in Temperate Ecosystems. Advances in Ecological Research 15: 133–302.
Hawbaker, T.J., Keuler, N.S., Lesak, A.A., Gobakken, T., Contrucci, K. & Radeloff, V.C.
2009. Improved estimates of forest vegetation structure and biomass with LiDAR-optimized sampling design. Journal of Geophysical Research 114:
Holmgren, J. 2004. Prediction of tree height, basal area and stem volume in forest stands us-ing airborne laser scannus-ing. Scandinavian Journal of Forest Research 19(6): 543−553.
Holmgren, J., Barth, A., Larsson, H. & Olsson, H. 2012. Prediction of stem attributes by combining airborne laser scanning and measurements from harvesters. Silva Fennica 46(2):
227–239.
Holopainen, M., Lukkarinen, E. & Hyyppä, J. 2000. Metsän kartoitus lentokoneesta. Helsin-gin yliopisto, Metsävarojen käytön laitos. Metsävarojen käytön laitoksen julkaisuja 26. 65 s.
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. Teoksessa Hill, R.A., Rosette, J. & Suárez, J. (toim.): Proceedings of SilviLaser 2008: 8th International Conference on LiDAR Applications in Forest Assessment and Inven-tory, September 17–19, 2008, Heriot-Watt University, Edinburgh, UK. 105–112. ISBN 978-0-65538-771-7
Hyvän metsänhoidon suositukset. 2006. Metsätalouden kehittämiskeskus Tapio.
Metsäkustannus Oy. 100 s.
Hyvönen, P., Pekkarinen, A. & Tuominen, S. 2005 Segment-level stand inventory for forest management. Scandinavian Journal of Forest Research 20: 75−84.
Hyyppä, J. & Inkinen, M. 1999. Detecting and estimating attributes for single trees using laser scanner. Photogrammetric Journal of Finland 16: 27–42.
Ihalainen, A. & Mäkelä, H. 2009. Kuolleen puuston määrä Etelä- ja Pohjois-Suomessa 2004–
2007. Metsätieteen aikakauskirja 1/2009: 35–56.
Junttila, V., Maltamo, M. & Kauranne, T. 2008. Sparse Bayesian estimation of forest stand characteristics from ALS. Forest Science 54: 543–552.
Kangas, A., Aakala, T., Alanen, H. Haavisto, M., Heikkilä, J., Kaila, A., Kankaanpää, S., Kämäri, H., Leino, O., Mäkinen, A., Nurmela, E., Oksa, S., Saari, A., Tikkanen, S-M. &
Wathén, M. 2004. Lahopuuinventoinnin menetelmien vertailu Nuuksion ulkoilualueilla. Met-sätieteen aikakauskirja 1/2004: 43–51.
Kangas, A. Päivinen, R. Holopainen, M. & Maltamo, M. 2011. Metsän mittaus ja kartoitus.
Silva Carelica 40.
Kansallinen metsäohjelma 2010. Maa- ja metsätalousministeriön julkaisuja 2. 38 s.
Kaukokartoitusperusteisen metsien inventoinnin koealojen maastotyöohje (versio 1.2). 2012.
Suomen metsäkeskus, Julkiset palvelut. 23 s. [Ei yleisesti saatavilla]
Korhonen, L. 2012. Advanced remote sensing -course manual. University of Eastern Finland, School of Forest Sciences. 11 s.
Korhonen, L., Pippuri, I., Packalén, P., Heikkinen, V., Maltamo, M. & Heikkilä, J. 2013. De-tection of the need for seedling stand tending using high-resolution remote sensing data. Silva Fennica 47(2). 20 s.
Korpela, I., Tuomola, T., Tokola, T. & Dahlin, B. 2008. Appraisal of seedling stand vegeta-tion with airborne imagery and discrete-return LiDAR – an exploratory analysis. Silva Fenni-ca 42(5): 753–772.
Kotamaa, E. 2007. Maalahopuun määrän ennustaminen laserkeilauksella talousmetsissä.
Kandidaatin tutkielma. Joensuun yliopiston metsätieteellinen tiedekunta. 35 s.
Kotamaa, E., Tokola, T., Maltamo, M., Packalén, P., Kurttila, M. & Mäkinen, A. 2010. Inte-gration of remote sensing-based bioenergy inventory data and optimal bucking for stand-level decision making. European Journal of Forest Research 129: 875–886.
Landis, J. R. & Koch, G. G. 1977: The measurement of observer agreement for categorical data. Biometrics 33: 159–174.
Lim, K., Treitz, P., Wulder, M., St-Onge, B & Flood, M. 2003. LiDAR remote sensing of forest structure. Progress in Physical Geography 27(1): 88–106.
Luonnonsuojelulaki (1096/1996).
Maclean, G. A. & Krabill, W. B. 1986. Gross-merchantable timber volume estimation using an airborne lidar system. Canadian Journal of Remote Sensing 29(12): 7–18.
Magnussen, S. & Boudewyn, P. 1998. Derivation of stand heights from airborne laser scanner data with canopy-based quantile estimators. Canadian Journal of Forest Research 28: 1016–
1031.
Magnussen, S., Eggermont, P. & LaRiccia, V. N. 1999. Recovering tree heights from airborne laser scanner data. Forest Science 45(3): 407–422.
Maltamo, M., Malinen, J., Packalén, P., Suvanto, A. & Kangas, J. 2006. Nonparametric esti-mation of stem volume using airborne laser scanning, aerial photography, and stand-register data. Canadian Journal of Remote Sensing 36: 426–436.
Maltamo, M., Packalén, P., Uuttera, J., Ärölä, E. & Heikkilä, J. 2008. Laserkeilaustulkinnan hyödyntäminen metsäsuunnittelun tietolähteenä. Metsätieteen aikakauskirja 4/2008: 304–309.
Maltamo, M., Packalén, P., Suvanto, A., Korhonen, K. T., Mehtätalo, L. & Hyvönen, P. 2009.
Combining ALS and NFI training data for forest management planning: a case study in Kuortane, Western Finland. European Journal of Forest Research 128: 305–317.
Maltamo, M., Bollandsås, O. M., Næsset, E., Gobakken, T. & Packalén, P. 2011a. Different plot selection strategies for field training data in ALS-assisted forest inventory. Forestry 84(1): 23–31.
Maltamo, M., Packalén, P., Kallio, E., Kangas, J., Uuttera, J. & Heikkilä, J. 2011b. Airborne laser scanning based stand level management inventory in Finland. Silvilaser 11th Interna-tional Conference on LiDAR Applications for Assessing Forest Ecosystems. 9 s.
Maltamo, M., Kallio, E., Bollandsås, O. M., Næsset, E., Gobakken, T. & Pesonen A. 2014.
Assessment of dead wood by airborne laser scanning. Teoksessa: Maltamo, M., Næsset, E. &
Vauhkonen, J. (toim.). Forestry Applications of Airborne Laser Scanning – Concepts and Case Studies. Managing Forest Ecosystems 27. Springer. 412 s.
Mehtätalo, L. & Nyblom, J. 2009. Estimating forest attributes using observations of canopy height: a model-based approach. Forest science 55(5): 411–422.
Metsälaki (1093/1996).
Mouer, M. & Stage, A. R. 1995. Most similar neighbor: An improved sampling inference procedure for natural resource planning. Forest Science 41(2): 337−359.
Muinonen, E., Maltamo, M., Hyppänen, H. & Vainikainen, V. 2001. Forest stand characteris-tics estimation using a most similar neighbor approach and image spatial structure infor-mation. Remote Sensing of Environment 78: 223–228.
Mücke, W., Deák, B., Schroiff, A., Hollaus, M. & Pfeifer, N. 2013. Detection of fallen trees in forested areas using small footprint airborne laser scanning data. Canadian Journal of Re-mote Sensing 39(1): 32–40.
Næsset, E. 1997a. Determination of mean tree height of forest stands using an airborne lidar system. ISPRS Journal of Photogrammetry and Remote Sensing 52: 49–56.
Næsset, E. 1997b. Estimating timber volume of forest stands using airborne laser scanner da-ta. Remote Sensing of Environment 61: 246–253.
Næsset E. & Bjerknes K.O. 2001. Estimating tree heights and number of stems in young for-est stands using airborne laser scanner data. Remote Sensing of Environment 78(3): 328–340.
Næsset, E. 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Remote Sensing of Environment 80: 88–99.
Næsset, E. 2004a. Practical Large-scale Forest Stand Inventory Using a Small-Footprint Air-borne Scanning Laser. Scandinavian Journal of Forest Research 19(2): 164–179.
Næsset, E. 2004b. Accuracy of forest inventory using airborne laser-scanning: evaluating the first nordic full-scale operational project. Scandinavian Journal of Forest Research 19(6):554–
557.
Næsset, E., Gobakken, T., Holmgren, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsson, M., Olsson, H., Persson, Å. & Söderman, U. 2004. Laser Scanning of Forest Resources: The Nor-dic Experience. Scandinavian Journal of Forest Research 19: 482–499.
Nelson, R. F., Krabill, W. B. & Maclean, G. A. 1984. Determining forest canopy characteris-tics using airborne laser data. Remote Sensing of Environment 15: 201–212.
Nivala, M. 2012. Laserkeilauksen käyttö metsänhoitotarpeen määrittämisessä taimikoissa ja nuorissa kasvatusmetsiköissä. Itä-Suomen yliopisto, Luonnontieteiden ja metsätieteiden tie-dekunta, Metsätieteiden osasto. Pro gradu -tutkielma. 65 s.
Närhi, M. Maltamo, M, Packalén, P., Peltola, H. & Soimasuo, J. 2008. Kuusen taimikoiden inventointi ja taimikonhoidon kiireellisyyden määrittäminen laserkeilauksen ja metsäsuunni-telmatietojen avulla. Metsätieteen aikakauskirja, 1/2008: 5–15.
Packalén, P. 2009. Using airborne laser scanning data and digital aerial photographs to esti-mate growing stock by tree species. Dissertationes Forestales 77. 41 s.
Packalén, P. & Maltamo, M. 2006. Predicting the Plot Volume by Tree Species Using Air-borne Laser Scanning and Aerial Photographs. Forest Science 52(6): 611–622.
Packalén, P. & Maltamo, M. 2007. The k- MSN method for the prediction of species-specific stand attributes using airborne laser scanning and aerial photographs. Remote Sensing of En-vironment 109: 328–341.
Packalén, P., Pitkänen, J. & Maltamo, M. 2008. Comparison of individual tree detection and canopy height distribution approaches: a case study in Finland. Teoksessa: R. Hill, J. Rosette, and J. Suárez (toim.), Proceedings of SilviLaser 2008, 8th International Conference on LiDAR Applications in Forest Assessment and Inventory, 17–19 September 2008. Heriot-Watt University, Edinburgh, UK: 22–29.
Packalén, P., Temesgen, H. & Maltamo, M. 2012. Variable selection strategies for nearest neighbor imputation methods used in remote sensing based forest inventory. Canadian Journal of Remote Sensing 38(5): 557–569.
Pasher, J. & King, D. J. 2009. Mapping dead wood distribution in a temperate hardwood for-est using high resolution airborne imagery. Forfor-est Ecology and Management 258(7): 1536–
1548.
Pekkarinen, A. & Tuominen, S. 2003. Stratification of a forest area for multisource forest in-ventory by means of aerial photographs and image segmentation. Teoksessa: Corona, P., Köhl, M. & Marchetti, M. (toim.). Advances in forest inventory for sustainable forest man-agement and biodiversity monitoring. Forestry Sciences 76. Kluwer Academic Publishers. s.
111–123.
Pesonen, A., Maltamo, M., Eerikäinen, K. & Packalén, P. 2008. Airborne laser scanning based prediction of coarse woody debris volumes in a conservation area. Forest Ecology and Management 255: 3288–3296.
Pesonen, A., Leino, O., Maltamo, M. & Kangas, A. 2009. The comparison of field sampling methods and the use of airborne laser scanning as auxiliary information for assessing coarse woody debris. Forest Ecology and Management 257: 1532–1541.
Peuhkurinen, J., Mehtätalo, L. & Maltamo, M. 2011. Comparing ALS based individual tree and area based methods in forest inventory. Canadian Journal of Forest Research 41: 583–
598.
Ranius, T., Jonsson, B.G. & Kruys, N. 2004. Modeling dead wood in Fennoscandian old-growth forests dominated by Norway spruce. Canadian Journal of Forest Research 34: 1025–
1034.
Ranta, E., Rita, H. & Kouki, J. 1989. Biometria. Tilastotiedettä ekologeille. Yliopistopaino, Helsinki. 569 s.
R Development Core Team. 2013. R: A language and environment for statistical computing.
R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0. Saatavissa:
http://www.R-project.org/ [viitattu 18.11.2013]
Rassi, P., Hyvärinen, E., Juslén, A. & Mannerkoski, I. (toim.). 2010. Suomen lajien uhanalai-suus – Punainen kirja 2010. Ympäristöministeriö & Suomen ympäristökeskus, Helsinki. 685 s.
Rosenfield, G.H. & Fitzpatrick-Lins, K. 1986. A coefficient of agreement as a measure of thematic classification accuracy. Photogrammetric Engineering and Remote Sensing. 52:
223–227.
Rouse, J. W., Haas, R. H., Schell, J. A. & Deering, D. W. 1973. Monitoring vegetation sys-tems in the Great Plains with ERTS, Third ERTS Symposium, NASA SP-351 I: 309–317.
Salpakivi-Salomaa, P. 2004. Metsien käsittely ja monimuotoisuus. Teoksessa: Kuuluvainen, T., Saaristo, L., Keto-Tokoi, P., Kostamo, J., Kuuluvainen, J., Kuusinen, M., Ollikainen, M.
& Salpakivi-Salomaa, P. (toim.). Metsän kätköissä – Suomen metsäluonnon monimuotoisuus:
259–311.
Siitonen, J. 2011. Ecological Bulletins 49. Ecology of Woody Debris in Boreal Forests: 11–
41.
Siitonen, J. & Hanski, I. 2004. Metsälajiston ekologia ja monimuotoisuus. Teoksessa: Kuulu-vainen, T., Saaristo, L., Keto-Tokoi, P., Kostamo, J., KuuluKuulu-vainen, J., Kuusinen, M., Ollikai-nen, M. & Salpakivi-Salomaa, P. (toim.). Metsän kätköissä – Suomen metsäluonnon moni-muotoisuus: 76–109.
Solberg, S., Næsset, E., Hanssen, K. H. & Christiansen, E. 2006. Mapping defoliation during a severe insect attack on Scots pine using airborne laser scanning. Remote Sensing of Envi-ronment 102(3–4): 64–376.
Solodukhin, V. I., Zukov, A. J. & Mazugin, I. N. 1977. Laser aerial profiling of a forest. Lew.
NIILKh. Leningrad. Lesnoe Khozyaistvo 10: 53–58 (venäjäksi).
Stokland, J. N., Siitonen, J., & Jonsson, B. G. 2012. Biodiversity in Dead Wood. Cambridge University Press. 524 s.
Suomen metsäkeskus. 2013. Valmis metsävaratieto marraskuussa 2013. Saatavilla:
http://www.metsakeskus.fi/documents/10156/32535/smk_metsavaratietoa_saatavilla/d8ecebc e-119d-49d6-a434-34e8b54b3ff2 [Viitattu 16.1.2014].
Suvanto, A., Maltamo, M., Packalén, P. & Kangas, J. 2005. Kuviokohtaisten puustotunnusten ennustaminen laserkeilauksella. Metsätieteen aikakauskirja 4/2005: 413–428.
Tanhuanpää, T. 2011. Lahopuumäärän ennustaminen ja kartoitus lentokonelaserkeilauksen avulla. Pro gradu -tutkielma. Helsingin yliopisto, metsätieteiden laitos. 49 s.
Turunen, L. 2011. Laserkeilauksella motteja. PowerPoint-esitys. Blom Kartta Oy.
Saatavilla: http://www.metsanhoitajat.fi/@Bin/868691/Blom_Laserkeilaus.ppt [Viitattu 17.1.2014]
Tutz, G. & Binder, H. 2005. Localized classification. Statistics and Computing 15(3). 155–
166.
Uuttera, J. & Hyppänen, H. 1998. Determination of potential key-biotope areas in managed forests of Finland using existing inventory data and digital aerial photographs. Forest &
Landscape Research 1: 415–429.
Valtakunnan metsien 9. inventointi (VMI9). 1998. Maastotyön ohjeet 1998. Etelä-Suomi.
Metsäntutkimuslaitos. 152 s.
van Aardt, J.A.N., Wynne, R.H., & Oberwald, R.G., 2006. Forest volume and biomass esti-mation using small-footprint lidar-distributional parameters on a per-segment basis. Forest Science 52: 636–649.
Vastaranta, M., Holopainen, M., Kaartinen, H., Hyyppä, H. & Hyyppä, J. 2009. Uudistuneet metsien maastomittaustarpeet. Metsätieteen aikakauskirja 4/2009: 370–374.
Vastaranta, M., Holopainen, M., Yu, X., Hyyppä, J., Hyyppä, H. & Viitala, R. 2011. Predict-ing stand-thinnPredict-ing maturity from airborne laser scannPredict-ing data. Scandinavian Journal of Forest Research 26(2): 187–196.
Vastaranta, M., Kankare, V., Holopainen, M., Yu, X., Hyyppä, J. & Hyyppä, H. 2012. Com-bination of individual tree detection and area-based approach in imputation of forest variables using airborne laser data. ISPRS Journal of Photogrammetry and Remote Sensing 67: 73–79.
Vauhkonen, J., Korpela, I., Maltamo, M. & Tokola T. 2010a. Imputation of single-tree attrib-utes using airborne laser scanning-based height, intensity, and alpha shape metrics. Remote Sensing of Environment 114: 1263–1276.
Vauhkonen, J., Ene, L., Gupta, S., Heinzel, J., Holmgren, J., Pitkänen, J., Solberg, S., Wang, Y., Weinacker, H., Hauglin, K.M., Lien, V., Packalén, P., Gobakken, T., Koch, B., Næsset, E., Tokola, T. & Maltamo, M. 2010b. Comparative testing of single-tree detection algorithms.
Teoksessa Silvilaser 2010, the 10th International Conference on LiDAR Applications for As-sessing Forest Ecosystems. September 14–17, 2010. Freiburg, Germany.
Vehmas, M., Eerikäinen, K., Peuhkurinen, J., Packalén, P. & Maltamo, M. 2009. Identifica-tion of boreal forest stands with high herbaceous plant diversity using airborne laser scanning.
Forest Ecology and Management 257(1): 46–53.
Veltheim, T. 1987. Pituusmallit männylle, kuuselle ja koivulle. Metsänarvioimistieteen pro gradu -tutkielma. Helsingin yliopisto. 59 s. ja liitteet 29 s.
Venables, W.N. & Ripley, B.D. 2002. Modern Applied Statistics with S. Statistics and Com-puting. Springer, New York, 495 s.
Villikka, M., Packalén, P. & Maltamo, M. 2012. The suitability of leaf-off airborne laser scanning data in an area-based forest inventory of coniferous and deciduous trees. Silva Fennica 46(1): 99–110.
Wehr, A. & Lohr, U. 1999. Airborne laser scanning—an introduction and overview. Photo-grammetry & Remote Sensing 54: 68–82.
White, J. C., Wulder M. A., Varhola, A., Vastaranta, M., Coops, N. C., Cook, B. D., Pitt, D., Woods M. 2013. A best practices guide for generating forest inventory attributes from air-borne laser scanning data using an area-based approach. Information report FI-X-010. 50 s.
Woods, M., Pitt, D., Penner, M., Lim, K., Nesbitt, D., Etheridge, D. & Treitz, P. 2011. Opera-tional implementation of a LiDAR inventory in boreal Ontario. The Forestry Chronicle 87(4):
512–528.
Yao, W., Krzystek, P., Heurich, M. 2012. Identifying standing dead trees in forest areas based on 3d single tree detection from full waveform lidar data. SPRS Annals of the Photogramme-try, Remote Sensing and Spatial Information Sciences, Volume I-7, 2012 XXII ISPRS Con-gress, 25 August – 01 September 2012, Melbourne, Australia
Ziegler, M., Konrad, H., Hofrichter, J., Wimmer, A., Ruppert, G., Schardt, M. & Hyyppä , J.
2000. Assessment of forest attributes and single-tree segmentation by means of laser scan-ning. Proceedings of the Society of Photo-Optical Instrumentation Engineers (Spie) 4035: 73–
/84.
LIITTEET,
Liite 1. Kokonaispuuston ja puulajien puustotunnukset eri minimiläpimitoilla.
cm Tunnus H (m) D (cm) G (m²/ha) V (m³/ha) N (kpl/ha) H (m) D (cm) G (m²/ha) V (m³/ha) N (kpl/ha) H (m) D (cm) G (m²/ha) V (m³/ha) N (kpl/ha) H (m) D (cm) G (m²/ha) V (m³/ha) N (kpl/ha)
Keskiarvo 13,9 16,8 17,8 127 1529,7 14 17,3 12,7 94,8 774,4 6,7 8 2,3 15,5 260,1 8,3 8,1 2,7 16,8 495,2
Hajonta 3,2 4,2 7,2 66 827,3 4,1 5,5 6,6 58,2 534,4 5,7 7,2 4,2 32,5 377,9 5,3 6 4,1 29,2 636,3
Minimi 6,3 8,2 1,4 11 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 22,4 32,3 56,5 511,3 5108,7 24,7 43,8 33,3 315,3 2750,8 21,2 28,8 31,5 280,6 3458,2 22,2 29,1 24,4 216,8 4283,4
Keskiarvo 14 16,9 17,6 126,5 1329,7 14 17,3 12,7 94,7 738,2 6,7 8 2,3 15,4 218,2 8,3 8,2 2,6 16,4 373,3
Hajonta 3,2 4,2 7,2 66,1 673,8 4,1 5,4 6,6 58,2 493,3 5,8 7,3 4,2 32,5 323,5 5,5 6,2 4 29,1 507,5
Minimi 6,6 8,2 1,4 11 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 22,6 32,6 56,3 510,8 4086,9 24,9 43,8 33,3 315,3 2593,6 21,2 28,8 31,5 280,6 2436,4 22,2 29,1 24,2 216,3 3458,2
Keskiarvo 14,1 17,1 17,4 125,7 1172,7 14,1 17,4 12,7 94,5 703,6 6,7 8 2,2 15,2 185,4 8,3 8,3 2,5 16 283,7
Hajonta 3,1 4,1 7,2 66,1 561,7 4,1 5,4 6,6 58,2 459,2 5,9 7,5 4,2 32,4 282 5,9 6,5 3,9 28,8 405,7
Minimi 6,8 8,4 1,4 11 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 23 33,2 55,9 509,4 3576,1 24,9 43,8 33,3 315,3 2436,4 21,3 28,8 31,4 280,4 1807,7 22,2 29,1 23,9 214,8 2515
Keskiarvo 14,2 17,3 17,1 124,7 1050,3 14,1 17,5 12,6 94,1 665 6,5 7,9 2,2 15 156,9 8,2 8,3 2,4 15,5 228,3
Hajonta 3,1 4,1 7,2 66,2 484,3 4,1 5,4 6,6 58,3 419,7 6,2 7,8 4,1 32,3 246,1 6,2 6,8 3,9 28,5 340,7
Minimi 7 8,7 1,4 10,8 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 23,1 33,5 55,1 506,1 2986,6 25 43,8 33,3 315,3 2357,9 21,9 28,8 31,3 280 1336,1 22,2 29,1 23,7 214,1 2122,1
Keskiarvo 14,4 17,5 16,8 123,2 943,5 14,2 17,6 12,4 93,6 625,2 6,4 7,8 2,1 14,8 133,5 8 8,2 2,2 14,9 184,9
Hajonta 3,1 4 7,2 66,4 422,6 4,1 5,4 6,6 58,3 379,5 6,4 8 4,1 32,1 219 6,5 7,1 3,7 28,2 287,4
Minimi 7,2 8,7 1,4 10 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 23,4 34 54,4 503,2 2711,5 25 43,8 33,2 315,3 2200,7 21,9 29,2 31,2 279,6 1257,5 22,2 29,7 23,2 213 1925,6
Keskiarvo 14,5 17,7 16,3 121,4 848,2 14,2 17,7 12,3 92,8 583,3 6,3 7,7 2 14,4 112 7,8 8,1 2,1 14,3 152,8
Hajonta 3 3,9 7,2 66,7 373,9 4 5,3 6,6 58,5 347,6 6,6 8,3 4 31,9 194,8 6,8 7,4 3,6 27,7 247,3
Minimi 7,5 9,1 1,4 8,3 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 23,4 34 54,1 501,7 2397,1 25 43,8 33 315,3 2043,5 21,9 29,2 30,9 279 1139,6 22,5 31,1 23,2 213 1650,5
Keskiarvo 14,6 18 15,9 119,2 764,5 14,3 17,8 12 91,5 539,5 6,1 7,5 1,9 14 97,6 7,3 7,7 1,9 13,6 127,4
Hajonta 3 3,8 7,3 67 336,7 4,1 5,3 6,6 58,6 314,5 6,7 8,5 3,9 31,6 176,1 7,1 7,8 3,5 27,2 214,3
Minimi 7,6 9,7 1,1 5,1 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 23,4 34 53,4 498,3 2043,5 25 43,8 32,8 315,3 1768,4 21,9 29,2 30,6 277,9 982,4 23 31,1 22,9 213 1375,4
Keskiarvo 14,8 18,3 15,3 116,2 683,6 14,3 18 11,7 90 496,1 5,9 7,3 1,8 13,6 84,6 7,1 7,6 1,8 12,7 102,9
Hajonta 2,9 3,7 7,3 67,3 303,5 4,1 5,3 6,6 58,7 287,1 6,9 8,7 3,9 31,3 158,1 7,3 8,1 3,3 26,3 180,4
Minimi 7,7 10,9 0,3 1,2 26,3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
Maksimi 23,5 34,3 52,7 493,9 1807,7 25 43,8 32,8 315,3 1611,2 21,9 29,2 30,3 276,7 864,5 23 33,4 22,7 206,2 1178,9 8
Liite 2. Pääpuulajin puustotunnukset vaihtelevilla minimiläpimitoilla.
Keskiarvo Hajonta Minimi Maksimi Keskiarvo Hajonta Minimi Maksimi Keskiarvo Hajonta Minimi Maksimi Keskiarvo Hajonta Minimi Maksimi
H (m) 14,4 3,4 6 24,7 14,4 3,3 6,1 24,9 14,5 3,3 6,3 24,9 14,5 3,3 6,8 25
D (cm) 17,6 4,6 6,8 34,3 17,7 4,6 7,3 34,3 17,8 4,5 7,8 34,3 17,9 4,5 8,4 34,3
G (m²/ha) 14,1 5,8 1,4 33,3 14 5,8 1,4 33,3 13,9 5,8 1,4 33,3 13,8 5,9 1,4 33,3
V (m³/ha) 103,8 54,2 10,7 315,3 103,7 54,3 10,7 315,3 103,4 54,5 10,7 315,3 102,9 54,7 10,2 315,3 N (kpl/ha) 932,3 588,6 26,3 4283,4 871,7 510 26,3 3458,2 815,8 448,2 26,3 2515 760,3 398,3 26,3 2357,9
Keskiarvo Hajonta Minimi Maksimi Keskiarvo Hajonta Minimi Maksimi Keskiarvo Hajonta Minimi Maksimi Keskiarvo Hajonta Minimi Maksimi
H (m) 14,6 3,2 7,1 25 14,7 3,2 7,3 25 14,8 3,1 7,6 25 14,9 3,1 7,7 25
D (cm) 18 4,4 8,7 34,3 18,2 4,2 9,1 34,3 18,4 4,1 9,7 34,3 18,6 4 10,9 34,3
G (m²/ha) 13,6 5,9 1,4 33,2 13,4 5,9 1,4 33 13,1 6 1,1 32,8 12,7 6 0,3 32,8
V (m³/ha) 102,2 54,9 9,8 315,3 101,1 55,2 8,3 315,3 99,7 55,5 5,1 315,3 97,9 55,9 1,2 315,3
N (kpl/ha) 704 352,4 26,3 2200,7 651 320,2 26,3 2043,5 598,2 288,6 26,3 1768,4 546 261,6 26,3 1611,2 Tunnus
Tunnus 7 cm 8 cm 9 cm 10 cm
3 cm
Koealalta mitattu pienin rinnankorkeusläpimitta
Koealalta mitattu pienin rinnankorkeusläpimitta
4 cm 5 cm 6 cm
Liite 3. Koko mallidatan simuloidut arvot.
Liite 4. Mallidatan simuloidut arvot nuorissa kasvatusmetsissä.
Liite 5. Mallidatan simuloidut arvot varttuneissa kasvatusmetsissä.
Liite 6. Mallidatan simuloidut arvot uudistuskypsissä metsissä. 4 18,3 11,1 49,9 26,9 26,5 16,4 6,8 46,5 27,4 27,7 55,9 51,4 100,0 129,5 137,1 55,8 39,8 87,9 86,5 98,0 5 18,0 10,9 52,9 28,1 27,3 16,2 6,8 44,6 27,6 27,8 50,3 45,2 103,1 124,3 130,7 48,9 34,9 96,7 85,6 93,8 6 17,1 10,1 55,9 28,9 27,7 15,7 6,7 42,9 28,5 28,8 46,7 41,1 113,3 128,0 133,0 46,7 34,1 92,4 87,6 96,5 7 17,1 10,0 59,6 31,2 29,6 16,8 7,2 42,3 27,9 28,2 41,3 35,9 116,6 123,2 127,3 40,4 29,5 89,1 83,4 91,0 8 17,1 10,1 58,8 31,4 29,9 16,7 7,2 42,4 27,6 27,8 34,1 28,1 102,9 106,4 110,9 38,1 26,8 85,8 79,1 85,8 9 16,7 9,7 59,6 32,9 31,2 16,7 7,4 40,6 27,5 27,9 32,3 25,9 111,5 113,8 117,6 32,4 22,0 73,9 71,4 77,6 10 16,1 9,2 57,8 34,3 32,8 16,3 7,3 41,1 28,8 29,0 30,8 25,4 100,9 105,6 109,5 34,8 19,9 71,3 68,6 75,3 3 3,6 1,6 -242,5 -0,5 1,6 2,5 0,6 -60,5 0,7 8,9 1,7 0,9 3,5 1,6 15,8 -0,4 -0,7 -92,9 -0,7 -5,0