TALVIAIKAISEN KASVIPEITTEISYYDENKAUKOKARTOITUS LANDSAT-SATELLIITTISENSORIN KUVISTA

(1)

TALVIAIKAISEN KASVIPEITTEISYYDEN KAUKOKARTOITUS LANDSAT- SATELLIITTISENSORIN KUVISTA

JONI KOSKINEN

TEHO Plus – hankkeen raportti

4/2013

(2)

SISÄLLYS

1. Johdanto 3

2. Kasvipeitteisyyden satelliittikuvatulkinta 4

3. Aineisto ja menetelmät 7

Verifiontiaineiston luonti 9

Eri luokittelurastereiden luominen 11

Luokittelutarkkuuden arviointi 11

4. Luokittelutulokset 12

5. Tulosten tarkastelu 18

Luokittelutarkkuuteen vaikuttavia tekijöitä 18

Paras kanavayhdistelmä 20

Sovellus suunniteltuun kasvipeitteisyystoimenpiteen valvontaan 20

6. Johtopäätökset 21

7. Lähteet 23

(3)

3

1. JOHDANTO

Peltolohkojen talviaikaisen kasvipeitteisyyden määrittäminen maastossa vaatii paljon resursseja ja koskee alueellisesti pientä alaa. Kaukokartoitusaineiston käyttäminen kasvipeitteisyyden tulkinnassa vähentäisi maastotyötä ja on tästä syystä varsin perusteltua. Talviaikaisen kasvipeitteisyyden määrittäminen kaukokartoitusaineiston perustella vaatii ajankohtaisen ja tarkan aineiston, kuten ilmakuvan. Ilmakuvan käytön etuna on tarkka ja todenmukainen kasvipeitteisyyden määritys, jolloin esimerkiksi valvontaan tarvittavat pinta-alat on mahdollista tarkastaa. Ilmakuvaus vaatii kuitenkin hintavia lentoja sopivana ajankohtana ja käsittää lopulta melko pienen alan. Satelliittiaineiston etuna verrattuna muihin menetelmiin on sen ilmaisuus (Landsat- sensorin kuvat) ja sen kattama suuri ala (yksi kuva kattaa 160km X 160km alueen). Lisäksi satelliittisensorit tallentavat heijastavaa säteilyä aallonpituusalueilta, joita silmällä ei voi nähdä. Satelliittiaineiston analysointia voidaan pitkälti automatisoida, jolloin saadaan objektiivista ja toistettavaa aineistoa. Toisaalta Landsat- sensorin resoluutio (30m X 30m) on melko karkea pienipiirteisen suomalaisen peltomaiseman kaukokartoitukseen. Satelliittiaineiston käytöllä voitaisiin saavuttaa lukuisia etuja nykyisen kasvipeitteisyyden seurannan ja valvonnan tueksi, mutta onko sitä mahdollista käyttää? Tässä raportissa käsitellään menetelmiä, koke- muksia ja tuloksia satelliittiaineiston käytöstä talviaikaisen kasvipeitteisyyden tulkinnassa ja käytössä valvonnan apuna. Tutkimus on tehty Varsinais-Suomen ELY-keskuksessa TEHO Plus -hankkeessa.

(4)

2. KASVIPEITTEISYYDEN SATELLIITTIKUVATULKINTA

Satelliittikuvatulkinnassa on syytä huomioida, että kuva ei itse asiassa ole kuva maan pinnasta, vaan eri aallonpituusalueilla toimivien kanavien heijastusosuuksien visualisointia. Optinen satelliittikaukokartoitus perustuu valon näkyvän ja lähi-infrapuna-alueen tutkimukseen. Maan pinnalle pääsevän sähkömagneettisen säteilyn näkyvän valon, lähi-infrapunan ja keski-infrapunan aallonpituudet heijastuvat, absorboituvat ja johtu- vat eri tavoin eri bioottisilta ja abioottisilta pinnoilta (van Leeuwen 2009). Heijastuvan, absorboituvan ja johtu- van säteilyn osuudet vaihtelevat maan pinnan ominaisuuksien mukaan. Optiset satelliittikaukokartoitusmene- telmät operoivat aallonpituusalueilla, joilla heijastuvan säteilyn osuus on dominoiva. Siten maan pinnan omi- naisuuksia tarkastellaan heijastuvan säteilyn määrän aallonpituuden funktiona. Kuvassa 1 on esitetty eri pintojen heijastusosuuksia aallonpituuden funktiona. Kuvassa on myös Landsat 5TM -satelliittisensorin tallentamat aallonpituusalueet (harmaalla). Tässä tutkimuksessa on käytetty uudempaa Landsat 8OLI - sensorin kuvaa, jonka kanavaominaisuudet on esitetty taulukossa 1. Kanava-alueet ovat periaatteessa sa- mat kuin Landsat 5TM -sensorissakin muutamilla lisäyksillä. Tallennusalueet on valittu siten, että niiden perusteella voidaan tehokkaasti arvioida maanpeitteitä, koska eri maanpeitteillä on erilainen spektraalinen singulariteetti eli ominainen heijastuskäyrän muoto.

Kasvillisuuden kaukokartoitus perustuu pitkälti siihen tietoon, että kasvit käyttävät yhteyttämiseen säteilyn sinisen ja punaisen valon aallonpituutta (Mather 1999:170). Lehtien sisältämä klorofylli absorboi auringon säteilystä sinistä (0,455 – 0,492 µm) ja punaista valoa (noin 0,67µm) fotosynteesiä varten (Lillesand & Kiefer 1994:17; Mather 2005:8). Näkyvän valon vihreä aallonpituus ei absorboidu niin voimakkaasti. Kasvillisuuden heijastuskäyrässä ilmiö näkyy heijastuvan säteilyn piikkinä näkyvän valon vihreän aallonpituuden (0,588 – 0,492 µm) alueella (kuva 1).

(5)

5

Kuva 1. Eri pintojen heijastusominaisuuksia aallonpituuden funktiona. Muunnettu de Jong ym. (2004) mukaan. Kuvassa myös Landsat 5TM sensorin kanavien tallentamat aallonpituusalueet.

Taulukko 1. Landsat 8OLI sensorin kanavakohtaiset aallonpituuden tallennusalueet. Lähde: USGS (2013).

Bands Wavelength Resolution Band 1 - Coastal / Aerosol 0.433 - 0.453 µm 30 m

Band 2 - Blue 0.450 - 0.515 µm 30 m

Band 3 - Green 0.525 - 0.600 µm 30 m

Band 4 - Red 0.630 - 0.680 µm 30 m

Band 5 - Near Infrared 0.845 - 0.885 µm 30 m Band 6 - Short Wavelength Infrared 1.560 - 1.660 µm 30 m Band 7 - Short Wavelength Infrared 2.100 - 2.300 µm 30 m Band 8 - Panchromatic 0.500 - 0.680 µm 15 m

Band 9 - Cirrus 1.360 - 1.390 µm 30 m

USGS (United States Geological Survey) avasi Landsat-sensorin arkistoaineistot kaikkien käyttöön vuoden 2008 joulukuussa. Tätä uudemmat kuvat, joissa on pilviä alle 60 %, tulevat automaattisesti USGS:n lataus- palveluun (USGS 2013). Tällä hetkellä aktiivisena on 2 satelliittisensoria: vuonna 2007 laukaistu Landsat 7 ja keväällä 2013 laukaistu Landsat 8. Landsat 7 sensorissa on laukaisuhetkestä ollut tekninen vika, mikä aihe- uttaa kuvissa nk. ”striping” ilmiön. Sensorin kuvia voitaisiin käyttää tästä huolimatta kasvipeitteisyystarkaste- lujen sovelluksissa. Landsat 8 – sensorin kuvat ovat virheettömiä ja sensorin kaikki kuvat tulevat avoimiin arkistoihin (Jonescheit 2013). Landsat-satelliittien kiertoaika on 16 päivää ja pyyhkäisypinta-ala 160 km.

(6)

Landsat-aineistot eivät maksa mitään ja siksi niiden käyttö olisi perusteltua. Lisäksi Landsat-aineistoihin perustuvaa kasvillisuustutkimusta on tehty maailmalla paljon, mikä edesauttaa referenssiaineiston löytymistä.

Satelliittien kiertoaika on kuitenkin niin pitkä, että talviaikana satelliitti kuvaa saman kohteen kaksi kertaa kuussa eli noin 12 kertaa Suomen talvessa. Näissä kerroissa tulisi aina olla vähintään yksi päivä, jolloin maassa ei ole lunta ja taivaalla ei ole pilviä. Arkistoa selaamalla voi havaita, että kuvaukset eivät joka vuosi osu otollisiin olosuhteisiin. Tästä syystä pelkästään Landsat-satelliittikaukokartoitukseen ei voida tulevaisuudessa nojata talviaikaisen kasvipeitteisyyden arvioinnissa.

Huolimatta satelliittikaukokartoituksen hyvistä sovellusmahdollisuuksista, menetelmää on käytetty kasvipeitteisyyden tutkimiseen vähän. Yhdysvalloissa satelliittikuvia on käytetty muokkauspinta-alojen tunnistamiseen lukuisissa eri tutkimuksissa. Haastavaksi on osoittautunut kevennetyn muokkauksen erottaminen muista muokkauspinnoista. De Gloria ym. (1986) pääsivät 81 % luokittelutarkkuuteen perinteisen muokkauksen ja kevennetyn muokkauksen välillä käyttäen Landsat MSS-sensorin kuvaa. Myöhemmät tutkimukset ovat päässeet vastaaviin tarkkuuksiin käyttäen eri kanavien ominaisuuksista luotuja indeksejä. Gowda ym. (2008) tutkivat eri kanavayhdistelmien ja indeksien erottelukykyä muokkauksen ja kevytmuokkauksen välillä Texa- sissa, Yhdysvalloissa. Heidän mukaan Landsat TM kanavat 4, 5 ja 6 erottavat parhaiten eri muokkauspinnat.

(7)

7

3. AINEISTO JA MENETELMÄT

Tutkimus toteutettiin Varsinais-Suomen ELY-keskuksen maataloustukivalvonta-alueella. Tutkimusalueen satelliittikuva ladattiin USGS:n verkkosivuilta (http://earthexplorer.usgs.gov). Kuvan kanavat toimitetaan erilli- sinä tiedostoina. Eri kanavat yhdistettiin yhdeksi kanavapaketiksi huomioiden niiden tallennusalue (taulukko 1). Kanavapaketti oikaistiin EUREF-FIN – koordinaatistoon.

Varsinais-Suomen ELY-keskuksen E-vastuualueelta saatiin tieto keväällä 2013 tehdyistä kasvipeitevalvon- noista, joita käytettiin kevään 2013 satelliittikuvan luokittelun taustaksi. Merkinnät vaihtelivat merkitsijän mukaan, mutta pääosin peltoalueita, joita ei ollut muokattu, ei oltu merkitty. Tämä aiheutti sen, että aineistossa on vähän muokattujen alueiden tarkistusaineistoa. Usein merkinnät olivat S=sänki ja K=kasvipeite. Joillain tiloilla kevytmuokkaus ja muokkaus oli myös merkattu. Kasvulohkokohtaiset merkinnät merkittiin paikkatieto- kantaan. Yhteensä 41 tilan kasvipeitetietoja käytettiin luokitteluun (kuva 2).

(8)

Kuva 2. Tutkimuksessa käytetty Landsat-kuva. ”USGS/NASA Landsat Program” Sensori: Landsat 8 OLI, aika: 01/05/2013, RGB:321

(9)

9

Verifiontiaineiston luonti

Luokittelua varten satelliittiaineisto leikattiin peltolohkorekisterin 2011 kanssa, jonka jälkeen satelliittikuva sisälsi vain peltolohkorekisterissä olevat alueet. Tulkinnan helpottamiseksi sekä jatkoluokittelua varten leika- tusta satelliittikuvasta laskettiin NDVI-rasteri. NDVI (Normalized Difference Vegetation Index) lasketaan valon punaisen aallonpituuden ja lähi-infran normalisoidusta suhteesta, joka Landsat 8 OLI-sensorin tapauksessa on: NDVI =(ρkanava5-ρkanava4)/(ρkanava5+ρkanava5)

NDVI-indeksin rasteri saa arvot välillä -1…1. Mitä suurempi arvo on, sitä suurempi on heijastavan pinnan biomassa. NDVI-rasteria käytettiin luokittelun opetuslaikkujen luonnin tausta-aineistona (kuva 3).

Luokittelua varten luotiin jokaiselle luokalle ominainen heijastusvaste opetuslaikkujen avulla (kuva 3). Ope- tuslaikut luotiin valvontalohkojen tietojen perusteella (taulukko 2). Kasvulohkot haettiin Kartturi-sovelluksesta ja opetuslaikut digitoitiin noudattaen kasvulohkorajoja, jättäen ulkoreunaan kuitenkin tilaa. Tämä johtuu siitä, että 30m X 30m pikseli ei noudata tarkempia lohkoja kasvulohkorajoja. Tällöin reunapikselit sisältävät usein heijastusvasteita myös muilta kuin tutkittavalta pinnalta. Opetuslaikkuihin haluttiin sisältää vain ”puhtaita”

pikseleitä.

(10)

Kuva 3. Opetuslaikut piirrettiin hieman lohkorajojen sisälle, jolla vältettiin rajapikseleiden heijastusarvot.

Taulukko 2. Luokittelussa käytetyt valvontalohkot.

Kasvulohkon

muokkausmerkintä Luokkanumero Kasvulohkoja

(kpl) Opetuslaikkujen pinta- ala (ha)

Sänki 1 96 152

Kevytmuokkaus 2 10 18

Kyntö 3 7 19

Luonnonhoitopelto 4 51 29

Puutarha 5 12 3

Syysvilja 6 6 7

Nurmi 7 36 43

(11)

11

Eri luokittelurastereiden luominen

Kasvipeitteisyyden tutkimista varten luotiin kolme erilaista kanavayhdistelmää, joille tehtiin ohjattu luokittelu (taulukko 3). Eri luokittelujen avulla voidaan paremmin arvioida luokittelua kokonaisuutena verrattuna vain yhden luokittelun käyttöön. Ensimmäiseksi kanavayhdistelmäksi valittiin kaikki 30m resoluutiolla toimivat sensorin kanavat. Toiseksi kanavayhdistelmäksi valittiin kanavat 5 ja 6 sekä NDVI. Gowdan ym. (2008) tut- kimusten perusteella maatalouden maanpeitteen tutkimisessa Landsat-sensorin kanavat 5 ja 6 ovat hyödylli- siä. Lisäksi NDVI indeksi on tunnetusti tehokas erottamaan yhteyttävän biomassan ja elottoman maan. Kol- manneksi kanavayhdistelmäksi valittiin pääkomponenttianalyysin komponentit 1, 2 ja 3. Pääkomponenttiana- lyysi on tehokas menetelmä, jolla voidaan usein kolmella komponentilla kuvata useamman komponentin varianssi. Esimerkiksi useamman kanavan satelliittikuvien tiedot voidaan pääosin kuvata vain muutamalla pääkomponenttirasterilla menettämättä tietoa.

Taulukko 3.Tutkimuksessa käytetyt eri kanavayhdistelmät

Kanavat Kanavayhdistelmä 1 2,3,4,5,6,7 Kanavayhdistelmä 2 5,6,NDVI

Kanavayhdistelmä 3 Pääkomponentit 1,2,3

Jokaiselle kanavayhdistelmälle luotiin eri muokkauspinnalle spektraalinen singulariteetti, jonka perusteella voitiin luokitella koko satelliittikuvan kattama peltoala muokkaustietoihin. Lisäksi luotiin jokaiselle kanavayh- distelmän luokitukselle dendrogrammi, jonka perusteella voidaan arvioida eri luokkien etäisyyttä toisistaan.

Luokittelutarkkuuden arviointi

Luokittelun onnistumista arvioitiin laskemalla oikein luokiteltujen pikselien määrä. Tätä varten tehtiin 30 m X 30 m tarkastusruudukko. Ruudukko asettuu muokkauspikseleiden päälle ja helpottaa tarkastuslaskemisen tekemistä. Pikselin muokkaustieto lasketaan kuvaamaan lohkon muokkausta, jos yli puolet pikselistä on lohkon rajan sisäpuolella. Pikselien luokittelutiedoista tehtiin ristiintaulukointi validointiaineiston kanssa ja verrat- tiin eri kanavayhdistelmien luokittelutarkkuutta. Lopulta valittiin paras kanavayhdistelmä kuvaamaan satelliittikuvan kattaman alueen talviaikaista kasvipeitteisyyttä.

(12)

4. LUOKITTELUTULOKSET

Kuvissa 4, 6 ja 8 on esitetty otos eri luokittelusysteemien luokittelutuloksista samalta alueelta. Eri kanavayhdistelmien luokittelutuloksista voidaan havaita, että eri kanavayhdistelmät tuottavat erilaisia luokkia. Samojen peltolohkojen muokkausmerkintä näyttäytyy kuitenkin pääosin samanlaisena esimerkkikuvissa 4, 6 ja 8. Ku- vien alapuolella on esitetty kunkin kanavayhdistelmän dendrogrammi. Dendrogrammeista voidaan lukea luokkien väliset etäisyydet eri kanavayhdistelmien luokitteluissa. Etäisyys kuvaa sitä, kuinka lähellä luokat ovat spektraalisesti toisiaan. Kaikissa tapauksissa luokkien 7 ja 5 etäisyys on pienin. Toisin sanoen puutarha- ja nurmiluokat ovat lähimpänä toisiaan. Kanavayhdistelmän seuraava luokka on 1 eli sänki. Sen sijaan muilla kanavayhdistelmillä seuraava luokka on luonnonhoitopelto. Kaikissa yhdistelmissä kevytmuokkaus (2) ja kyntö (3) ovat lähimpänä toisiaan. Samoin kaikissa luokitteluissa syysvilja (luokka 6) kuuluu spektraalisesti samaan ryhmään kevytmuokkauksen ja muokkauksen kanssa

Kuva 4. Luokittelutulokset kanavayhdistelmällä 1.

(13)

13

Kuva 5. Kanavayhdistelmän 1 dendrogrammi, joka kuvaa luokkien väliset etäisyydet. Numerot viittaavat taulukon 2 numerointiin.

(14)

Kuva 7. Kanavayhdistelmän 2 dendrogrammi, joka kuvaa luokkien väliset etäisyydet. Luokkanumerot viittaavat taulukon 2 numerointiin.

(15)

15

Kuva 9. Kanavayhdistelmän 3 dendrogrammi, joka kuvaa luokkien väliset etäisyydet. Luokkanumerot viittaavat taulukon 2 numerointiin.

Luokat syysvilja, luonnonhoitopelto, puutarha ja nurmi yhdistettiin yhdeksi luokaksi ja eri kanavayhdistelmien luokkien pinta-alat laskettiin (taulukko 4). Eri luokittelusysteemien luokkien pinta-alaosuudet ovat huomatta- van samankaltaiset.

Taulukko 4. Eri luokittelusysteemien luokkien pinta-alaosuudet.

Luokka Kaikki ala (%) 5,6,NDVI ala (%) PCA123 ala (%)

Sänki 35 31 31

Kevytmuokkaus 7 12 10

Kyntö 20 21 22

Nurmi 38 36 37

Tarkastusruudukon avulla tarkastettiin jokaisen kanavayhdistelmän luokittelun oikeellisuus (kuva 10). Vali- dointiaineistona käytettiin neljän tilan aineistoa. Näitä aineistoja ei käytetty verifiointiin. Luokittelutarkkuutta arvioitiin ristiintaulukoinnin avulla. Taulukossa riveillä on validointiaineiston kasvulohkojen kasvipeitetiedot.

Sarakkeissa on satelliittiaineiston neljä kasvipeiteluokkaa. Taulukosta voidaan lukea kunkin luokan luokittelutarkkuus sekä se, minkä luokan kanssa luokittelu sekoittuu. Lisäksi taulukosta voidaan lukea luokan luotettavuus.

(16)

Kuva 10. Tarkastusruudukon avulla tarkistettiin luokittelut pikselikohtaisesti.

Taulukko 5. Kanavayhdistelmän 1 luokittelun ristiintaulukointi.

Sänki Kevytmuokkaus Kyntö Nurmi Yht. Luokan luokittelutarkkuus (%)

Sänki 110 2 1 19 132 83

Kevytmuokkaus(kultivointi) 297 5 52 48 402 1

Kyntö 93 76 494 47 710 70

Nurmi 90 129 219 59

Nurmi 1.vuosi 78 3 4 50 135 37

Syysvilja 52 7 24 71 154 46

Yht. 720 93 575 364 1752 Keskiarvo = 49 %

Luokan luotettavuus (%) 16 0 86 73 Keskiarvo = 44 % Kokonaistarkkuus = 49 %

‘Luokan luokittelutarkkuus ja luotettavuus jos oletetaan, että kasvipeitteisyyttä kuvaavat luokat voivat olla sänkeä tai nurmea ja kasvipeitteettömyyttä kuvaavat luokat kyntöä ja kevytmuokkausta. Varhaisperuna oletettu kasvipeitteiseksi katteen takia.

(17)

17

Sänki 104 1 2 25 132 79

Kevytmuokkaus 202 110 61 30 403 27

Kyntö 40 173 544 30 787 69

Nurmi 90 1 10 294 395 74

Nurmi 1.vuosi 77 3 16 39 135 29

Syysvilja 40 10 24 80 154 52

Yht. 553 298 657 498 2006 Keskiarvo = 55 %

Luokan luotettavuus (%) 19 37 83 83 Keskiarvo =

55 % Kokonaistarkkuus = 58 %

Sänki 104 1 1 26 132 79

Kevytmuokkaus 226 54 89 35 404 13

Kyntö 32 146 573 35 786 73

Nurmi 82 0 6 307 395 78

Nurmi 1.vuosi 68 3 13 51 135 38

Syysvilja 36 13 26 79 154 51

Yht. 548 217 708 533 2006 55

Luokan luotettavuus (%) 19 25 81 82 Keskiarvo = 52 % 58

Taulukossa 8 on yhdistelty luokkia kasvipeitetoimenpiteen mukaisesti ja laskettu tarkkuudet ja luotettavuudet eri luokittelusysteemille.

Taulukko 8. Eri luokittelusysteemien tarkkuus ja luotettavuusindikaattoreita.

Kyntö-Kevytmuokkaus-aito kasvipeite Kaikki 5,6,NDVI PCA1,2,3

Keskimääräinen tarkkuus (%) 55 63 60

Keskimääräinen luotettavuus (%) 49 64 58

Kokonaistarkkuus (%) 63 70 69

Muokattu (Kyntö+Kevytmuokkaus)-aito kasvipeite Kaikki 5,6,NDVI PCA1,2,3

Kyntö-kasvipeite Kaikki 5,6,NDVI PCA1,2,3

(18)

5. TULOSTEN TARKASTELU

Luokittelutarkkuuteen vaikuttavia tekijöitä

Luokittelutarkkuuteen vaikuttaa oleellisesti suomalaisten peltojen muoto. Käytettävän satelliittiaineiston ruu- tukoko on 30m X 30m, mikä tarkoittaa sitä, että 0,0625 ha ala saa aina yhden arvon. Satelliittiaineisto on siis verraten karkeaa. Pienipiirteiseen peltomaisemaan tulee runsaasti reuna-alueita, joissa pikselit eivät ole puhtaita vaan sisältävät heijastustietoa erilaisilta pinnoilta. Esimerkiksi metsänreunapikseleissä on heijastuk- sia sekä pellolta että metsästä. Lisäksi viereisten pikselien heijastus vaikuttaa viereisiin pikseleihin, vaikka heijastuspinta ei maantieteellisesti sijaitsisikaan ruudun alueella. Validointiaineiston lohkojen pinta-ala oli keskimäärin 1,5 ha kun se Varsinais-Suomessa on noin 3 ha.

Keväällä havumetsäalueiden yhteytys on suurempaa kuin peltoalueiden. Tämä johtaa satelliittikuvassa siihen, että peltojen metsänreunat voivat saada liian korkeita heijastusarvoja. Esimerkkikuvassa on vastaava tilanne, jossa metsänreuna selvästi vaikuttaa pikseleiden heijastusarvoon.

Kuva 11. Metsänreuna-alueiden heijastusvirheitä.

(19)

19 Samoin pitkänmuotoiset lohkot kuten suojavyöhykkeet luokittuvat virheellisesti. Esimerkkikuvassa nurmipeit- teellä olevien suojavyöhykkeiden kapean muodon takia pikselit sisältävät heijastusarvoja myös viereisiltä alueilta. Kun vieressä on kyntöpelto, se vaikuttaa nurmipeitteen heijastukseen alentavasti ja siten voidaan selittää suojavyöhykkeiden sänkipeitteisyys kuvassa 12.

Kuva 12. Pitkänmuotoisten peltojen heijastusvirheitä.

Luokkien luokittelutarkkuudet ja luotettavuudet poikkesivat paljon toisistaan. Kaikissa luokittelusysteemeissä sänkipeitteiden luokittelutarkkuus oli paras. Toisaalta kaikissa luokittelusysteemeissä sänkipeitteiden luokit- teluluotettavuus oli pienin. Tämä tarkoittaa sitä, että vaikka malli luokitteli validointiaineiston sänkipeitteet sängeksi n. 80 % varmuudella, satelliittiaineiston sänkiluokka edusti vain 20 % luotettavuudella sänkeä validointiaineistossa. Sänkipeitteissä oli selvästi suurin opetuslaikkujen määrä. Tästä syystä voidaan olettaa, että kaikki mallit liioittelevat sängen osuutta jonkin verran, koska muut peitteet luokittuvat herkästi sängeksi.

Toisaalta muiden peitteiden opetuslaikkujen määrän kasvu pienentäisi myös sängen spektraalisen singulari- teetin ”liikkumarajoja”. Sängen luokittelutarkkuuteen voi myös vaikuttaa se, että validointiaineistossa oli en- simmäisen vuoden nurmia, joiden todellinen peite on lähempänä sänkeä, vaikka ne tulisi luokitella nurmiksi.

Kevytmuokkaus luokittui selvästi heikoiten jokaisessa luokittelusysteemissä. Tämä johtuu siitä, että kevytmuokkauksen opetuslaikkujen lukumäärä oli pieni. Kevytmuokatun lohkon pinta voi olla myös hyvin erilainen

(20)

riippuen muokkausmenetelmästä sekä ajokerroista. Siten kevytmuokkausluokan ”heterogeenisyys” vaikuttaa luokan luokittelutarkkuuteen. Tämä on nähtävissä myös taulukoista 4,5 ja 6, kun tarkastellaan mihin luokkiin systeemi on luokitellut kevytmuokkauspintoja. Kevytmuokkaus on sekoittunut kaikkien muiden luokkien kanssa. Samoin kynnön ja syysviljan luokittelu on sekoittunut muiden luokkien kanssa, kun taas sänki ja nurmi ovat sekoittuneet verraten vähän muiden kuin toistensa kanssa. Tämä viittaa siihen, että kaikilla kana- vayhdistelmillä on mahdollista päästä melko tarkkaan aidon kasvipeitteen luokitteluun, mutta muiden peitteiden kanssa tarkkuus on heikompi.

Verifiointiaineistossa oli nurmialueilla vastaperustettuja nurmia, jotka vaikuttivat luokittelutarkkuuteen. Näillä alueilla nurmi ei ollut vielä vapunpäivänä kasvanut ja maanpinta oli ennemminkin sänkeä. Syysviljojen me- nestys on toinen luokittelutarkkuuteen vaikuttava tekijä. Kevytmuokkauspinnan luokittelu lienee kaikkein haastavinta. Luokan alle kuuluu useita erilaisia käytäntöjä, jotka tuottavat monenlaista maanpeitettä.

Paras kanavayhdistelmä

Taulukon 8 tietojen perusteella voidaan arvioida, mikä kanavayhdistelmä olisi kaikkein sopivin talviaikaisen kasvipeitteisyyden kaukokartoitukseen. Talviaikaisen kasvipeitteisyyden luokat voidaan jakaa kolmeen osaan. Nämä ovat 1) kynnön, kevytmuokkauksen ja aidon kasvipeitteisyyden luokat, 2) muokatun ja aidon kasvipeitteen luokat ja 3) kynnön ja kasvipeitteen luokat. Koska kevytmuokkauksen kartoituksen tarkkuus on huono kaikilla kanavayhdistelmillä, myös 1. jaon luokittelun tarkkuus on heikko kaikissa tapauksissa. Paras luokittelutarkkuus on kanavayhdistelmällä 2.

Toisessa luokkajaossa kyntö- ja kevytmuokkausluokat oletetaan yhdeksi muokatuksi luokaksi ja loput aidoksi kasvipeitteeksi. Luokittelutarkkuudet ja -luotettavuudet ovat selvästi parempia kuin 1. jaolla. Parhaat tarkkuudet saavutetaan edelleen kanavayhdistelmällä 2. Tätä luokkajakoa voitaisiin soveltaa, jos kevytmuokkausta ei huomioitaisi lainkaan kasvipeitteisyyteen. Toisin sanoen näillä tarkkuuksilla voidaan kartoittaa alueita, jotka ovat tehostetun talviaikaisen kasvipeitteisyyden piirissä, johon kevytmuokkausta ei lasketa.

Kolmannessa luokkajaossa kevytmuokkaus on sulautettu sängen ja nurmen kanssa kasvipeitepinnaksi ja kyntö jätetty omaksi luokakseen. Tällä jaolla luokittelutarkkuudet ja -luotettavuudet ovat parhaita ja kana- vayhdistelmä 1 antaa kaikkein parhaimman tuloksen.

Kun luokkien lukumäärää vähennetään, luokittelutarkkuus paranee. Tästä johtunee myös se, että kanavayhdistelmien välille ei syntynyt kovin suurta eroa pinta-alaosuuksittain. Toisaalta voidaan myös todeta, että hajonnan ollessa verraten pieni, myös luokat kuvaavat melko hyvin osuuksia todellisuudessa. Luokittelutark- kuudet esiintyvät kuitenkin kauttaaltaan liian huonoina. Kysymyksessä on pikselikohtainen luokittelu, joka johtaa siihen, että esim. isossa sänkilohkossa voi olla sänkiluokittelun lisäksi nurmea. Tällöin karttakuvaa katsomalla voi päätellä, että kysymyksessä on sänkipelto, vaikka 10 % pikseleistä olisikin jotain muuta luok- kaa. Lohkoja ei kuitenkaan voi automatisoidusti luokitella yleisimmän luokan mukaan, koska kasvipeitteisyys muuttuu kasvulohkokohtaisesti ja paikkatiedossa pienin spatiaalinen yksikkö on peruslohko.

Sovellus suunniteltuun kasvipeitteisyystoimenpiteen valvontaan

Nykyisessä tukijärjestelmän kasvipeitteisyystoimenpiteessä on kolme vaihtoehtoa: 1) peltojen talviaikainen kasvipeitteisyys ja kevennetty muokkaus 2) peltojen talviaikainen kasvipeitteisyys ja 3) peltojen tehostettu

(21)

21 liittikaukokartoitusta. Sen sijaan, koska kevennetyn muokkauksen luokka on spektraalisesti haastava, sen erottaminen omaksi luokakseen vaikuttaa tarkkuuteen ja samalla systeemin käyttökelpoisuuteen.

Tulevassa korvausjärjestelmässä talviaikaisen kasvipeitteisyyden toimenpide jaetaan maantieteellisesti kah- delle alueelle. Kohdentamisalueella kevytmuokkaus hyväksytään pakolliseen 20 % kasvipeitteisyyteen, mutta tämän ylittävän kasvipeitteisyysalan tulee olla aitoa kasvipeitettä. Muualla kuin kohdentamisalueella kevytmuokkaus hyväksytään täyttämään kaikkea kasvipeitteisyysalaa (20, 40, 60 %).

Satelliittikaukokartoitusta voidaan käyttää koko Suomessa pakollisen 20 % talviaikaisen kasvipeitteen tarkas- tamiseen melko hyvällä varmuudella. Tarkkuus on kiinni kyntöpeitteen erottelun tarkkuudesta. Kynnetty peltoala voidaan tässä esitetyllä metodilla saada melko tarkasti erotettua. Satelliittikaukokartoitusta voidaan edelleen käyttää ei-kohdennusalueella talviaikaisen kasvipeitteisyyden kartoituksessa melko tarkasti, jos tukitasoja ei eritellä kasvipeitteiden mukaan, kuten nyt on suunniteltu. Tällöin päästäisiin taulukon 8 kyntö vs.

kasvipeite tarkkuuksiin, jotka ovat kanavayhdistelmästä riippumatta melko korkeat. Sen sijaan kohdennusalueella voitaisiin samalla systeemillä (kyntö vs. muut) ja varmuudella tarkastaa vain 20 % asti. Tämän jäl- keen olisi erikseen tarkastettava aidon kasvipeitteen määrä, jossa päästäisiin melko hyviin tarkkuuksiin edelleen. Systeemi vastaa taulukon 8 muokattu vs. aito kasvipeite tarkkuuksia.

Jos korvaustasot suunnitellaan niin, että kevennetylle muokkaukselle tulee oma korvaustasonsa, se vaikeut- taa se satelliittikaukokartoituksen käyttöä talviaikaisen kasvipeitteen määrittelyssä. Jos taas korvaustasot asetettaisiin kyntö vs. muut, voitaisiin melko tarkasti kartoittaa näiden luokkien sijoittumista. Karkealla satel- liittiaineistolla ei kuitenkaan saada tarkkaan kasvipeitteisten kasvulohkojen pinta-aloja tms. Siksi sen soveltamista kasvipeitteisyyden valvontaan pitäisi käyttää ennemminkin selkeiden tapausten karsimisessa.

Menetelmän tarkkuutta voitaisiin parantaa asettamalla alusta asti kasvipeitevalvontaan soveltuvat luokat ja luokittelemalla verifiointiaineisto tämän mukaisesti. Lisäksi verifiointiaineistossa tulisi olla enemmän pinta- aloja määritellyille luokille.

6. JOHTOPÄÄTÖKSET

Satelliittikaukokartoitus on nopea ja edullinen menetelmä laajojen alueiden tarkasteluun. Tässä tutkimuksessa talviaikaisen kasvipeitteisyyden maantieteellistä jakautumista arvioitiin valvonnan mahdollisuuksien näkö- kulmasta. Menetelmällä saatiin melko hyvin eroteltua kasvipeitteiset ja kasvipeitteettömät alat toisistaan luo- kittelusysteemistä huolimatta. Tarkimman tuloksen antoi kanavien 5,6 ja NDVI yhdistelmä. Vaikka luokittelutarkkuudet kohosivat verrattain suuriksi, menetelmällä ei voida kuitenkaan tarkasti määrittää maanpeitteitä tai aloja. Tässä mielessä menetelmän käyttö ei sovellu täysin valvonnan tarpeisiin. Tarkkoja pinta-aloja ei voida kuvien perusteella todeta ja esimerkiksi syysviljojen onnistumisen laatua on mahdotonta arvioida. Me- netelmän tuloksia voitaneen parantaa asettamalla luokittelusysteemi tavoitteiden mukaisesti esimerkiksi luomalla alusta asti vain kaksi eri kasvipeiteluokkaa.

Landsat-kuvien potentiaalia tulisi käyttää mahdollisimman paljon. Kokonaan niiden varaan perustuvaa järjes- telmää ei kuitenkaan ole mahdollista toteuttaa. Satelliitin kuvatessa saman kohdan 16 vuorokauden välein, on mahdollista, että kuvausikkunan aikana ei ole saatavissa yhtään pilvetöntä kuvaa. Lisäksi, jos malli halu- taan soveltaa vuosittain valtakunnalliseen kattavuuteen, tulisi pilvetöntä kuvaa olla saatavissa koko Suomes-

(22)

ta samalta ajankohdalta. Toisaalta mallia voitaisiin käyttää täydentämään valvontaa niinä vuosina, kun satelliittiaineisto on saatavissa. Riippuu paljon tulevaisuuden kasvipeitetoimenpiteen toteutuksesta, miten hyvin kaukokartoitusmenetelmiä voidaan soveltaa kasvipeitevalvontaan. Jos kevytmuokkaus jätetään toimenpiteen hyväksyttävään kasvipeitepinta-alaan erikseen erillisenä korvaustasona, ei tässä kuvattua kaukokartoitus- menetelmää voida käyttää kuvaamaan kasvipeitettä. Sen sijaan jos kevytmuokkauspinta lisätään kynnön tai kasvipeitteen kanssa samaan luokkaan, voidaan saavuttaa melko korkeakin luokittelutarkkuus.

Tulevaisuudessa tarkkuutta voidaan edelleen parantaa keräämällä monipuolisemmin verifiointiaineistoa (nyt kevytmuokkaus, kyntö, syysvilja, ja varhaisperuna aika vähäisiä hehtaarimääriä). Tarkkuutta voidaan parantaa myös multitemporaalisella lähestymistavalla, jossa luokkien tunnistamisen avuksi otetaan niiden spektraalinen vaste vuodenaikojen muutokseen. Lisäksi muoto voidaan ottaa huomioon esimerkiksi OBIA (Object Based Image Analysis) -menetelmällä. Landsat-aineistolla ei kuitenkaan koskaan päästä tarkkoihin kasvipei- teluokkiin ja – pinta-aloihin sensorin resoluution soveltuessa huonosti pienipiirteiseen maatalousmaisemaan.

Tarkemmalla aineistolla kuten Quickbird ym. päästään huomattavasti tarkempiin luokitteluihin, mutta näissä ongelmana on hinta ja kuvien kattavuus. Tutkimuksen perusteella ilmaista Landsat-aineiston soveltamista kasvipeitevalvontaan kannattaisi kuitenkin kehittää, koska aineisto on ilmaista ja kattaa laajoja alueita.

(23)

23

7. LÄHTEET

DeGloria, S., Wall, S., Benson, A., Whiting, M. (1986). Monitoring conservation tillage practices using Land- sat multispectral data. Journal of Soil and Water Protection 41:3, 187-190.

Gowda, P., Howell, T., Evett, S., Chavez, J., New, L. (2008). Remote sensing of contrasting tillage practices in the Texas Panhandle. Internationa Journal of Remote Sensing 29:12,3477-3487.

de Jong, M. & van der Meer, F. (2004). Remote Sensing and Digital Image Processing Remote Sensing Image Analysis: Including The Spatial Domain

Jonescheit, Linda <jonescheit@usgs.gov> (2013). About Landsat Images. Henkilökohtainen Sähköpostivies- ti 4.12.2013.

Van Leeuwen, W. (2009). Visible, near-IR and shortwave IR spectral characteristics of terrestrial surfaces.

Teoksessa: Warner, T., Duane Nellis, M., Foody, G. (toim.) (2009). The SAGE Handbook of Remote Sens- ing, 33–50. SAGE publications, London.

Lillesand, T. & Kiefer, R. (1994). Remote sensing and image interpretation. 3^rd edition. John Wiley & sons, NY. 750 s.

Mather, P. (1999). Computer processing of remotely sensed images. 2. painos. 292 s. John Wiley & Sons Ltd. England

Mather, P. (2005). Computer Processing of Remotely-Sensed images. 3. painos. 312 s. John Wiley & Sons, England

USGSa (2013). Opening Landsat archive. USGS:n verkkosivut: verkkodokumentti. Luettu 16.12.2013. saatavissa:http://pubs.usgs.gov/fs/2008/3091/pdf/fs2008-3091.pdf).

USGSb (2013). FAQ about Landsat Missions. Landsat 8 Operational Land Imager (OLI) and Thermal Infra-

red Sensor (TIRS). Landsat-sensorin kanavat. Luettu: 16.12.2013.

http://landsat.usgs.gov/band_designations_landsat_satellites.php

(24)