Faculty of Science and Forestry
MAASTON KIVISYYDEN KARTOITUS MONIKANAVAKEILAUKSEN AVULLA
Matias Vänttinen Ohjaajana Timo Tokola
METSÄTIETEEN PRO GRADU, ERIKOISTUMISALA METSÄNARVIOINTI JA METSÄSUUNNITTELU
JOENSUU 2020
Matias Vänttinen, 2020, Maaston kivisyyden kartoitus monikanavakeilauksen avulla, Itä-Suomen yliopisto, Luonnontieteiden ja metsätieteiden tiedekunta, Metsätieteiden osasto, 99 sivua.
Tiivistelmä
Tutkimuksen tavoitteena on kehittää ArcMap-karttaohjelman pohjalle malli, joka kykenisi kartoittamaan maaston kivisyyttä hyödyntämällä tiheäpulssista monikanavalaserkeilausaineistoa, johon on sisällytetty lähi-infrapunan sävyarvot.
Tutkimus on jatkoa aikaisemmalle samanaiheiselle kandidaatintyölle ja osa laajempaa tutkimusta. Ajatuksena kivisyyden kartoittamisessa on luoda mahdollisimman tarkkaa, yksityiskohtaista, luotettavaa ja monipuolista tietoa maaston kivisyydestä käyttäen jo metsäninventointia varten olemassa olevaa laserkeilaus- ja ilmakuvausaineistoa. Näin ollen kivisyyden kartoittaminen ei edellyttäisi erillistä laserkeilausta. Lähtökohtainen ajatus luodun kividatan hyödyntämisestä on tehostaa hakkuuta parantamalla hakkuukoneiden reittisuunnittelua, joskin tuotettua kividataa voidaan hyödyntää myös muun muassa maastokarttojen parantamisessa ja avustavana tietona teiden suunnittelussa. Ennen kaikkea pyrittiin paikantamaan kiviä, jotka vaikuttavat kokonsa puolesta hakkuukoneiden kykyyn liikkua. Viime kädessä pyrimme löytämään niin pieniä kiviä kuin mahdollista vaarantamatta kuitenkaan liikaa mallin luotettavuutta. Tärkeää luotettavuuden kannalta on, ettei merkittävän kokoisia kiviä jää pois, mutta myös että mallin löytämät kohteet ovat todellisuudessa kiviä. Riskinä varsinkin pieniä kiviä etsiessä on virheellisten havaintojen saaminen maasta, puista tai kasvillisuudesta.
Suurin ongelma on matalan ja tiheän kasvillisuuden sekoittaminen kiviksi. Myös kivien päällä kasvava kasvillisuus ja sammal, tiheä metsän latvusto, maakummut sekä epätarkkuudet maanpinnan korkeusmallissa voivat vaikeuttaa kivien tunnistamista. Tutkimusalue sijaitsee Liperissä, Pohjois-Karjalassa. Tutkimus toteutetaan kehittämällä mahdollisimman tarkka ja luotettava malli kivien etsimiseen.
Mallia kehitetään tarkistamalla sen toimivuutta säännöllisesti maastossa.
Tutkimuksessa pyritään selvittämään; miten helppoa mallien luonti on, miten hyvin käytetty aineisto soveltuu tarkoitukseen, miten pieniä kiviä mallit löytävät ja miten suuria kiviä mallit jättävät löytämättä, miten luotettavia mallit ovat ja mitkä seikat vaikuttavat mallien suoriutumiseen. Lisäksi tarkastellaan, missä määrin luodut mallit soveltuvat hakkuukoneiden reittisuunnitteluun tai maastokarttojen täydentämiseen.
Tutkimuksen tuloksena mallien parhaat variaatiot kykenivät löytämään kiviä pienimmillään aina noin puolen metrin korkeuteen ja 60 senttimetrin läpimittaan asti, joskin löytämättä saattoi jäädä suurimmillaan kiviä kahden metrin läpimittaan ja 90 senttimetrin korkeuteen asti. Luotettavuus oli enimmäkseen hyvä, eikä kasvillisuus tuottanut suuria ongelmia lukuun ottamatta yksittäistä esimerkkiä saniaisista.
Lopullisena tuloksena malli kykenee kartoittamaan kivisyyttä kohtalaisella luotettavuudella aina hakkuukoneen maavaraan asti.
Avainsanat: Kivi, Kivisyys, Laserkeilaus, Monikanavalaserkeilaus, Kaukokartoitus, Digitaalinen korkeusmalli
Matias Vänttinen, 2020, Mapping terrain rockiness by multi-spectral laser scanning, University of Eastern Finland, Faculty of Science and Forestry, Forestry, 99 pages.
Abstract
The purpose of this research is to develop a model based on ArcMap geospatial processing programs that is capable to map the rockiness of terrain by using high- density pulse multi-spectral laser scanning data with included near-infrared color values. The study is a follow-up for earlier Bachelor degree study with a similar topic and is part of a larger examination. The idea behind mapping rockiness is to create as accurate, detailed, reliable and versatile information about terrain rockiness as possible using already existing laser scanning and aerial photography data.
Therefore mapping rockiness would not require additional laser scanning. The main idea behind exploiting created data of terrain rockiness is to improve the efficiency of logging by developing harvester route planning. The data can also be used to improve topographical maps and as an assisting information for road building et cetera. Above all, the aim was to detect stones that may affect harvester ability to move by their size. The goal was to find as small stones as possible without risking the reliability of the model too much. It is important for reliability of the model that no stones of significant size are left without detecting, but also that objects that are detected by the model are actual stones in the terrain. There is a risk of false detection, especially with small-sized stones, that is due to ground formations, trees and vegetation. Greatest problems are low and dense vegetation mixing with stones.
Also moss and small vegetation on the top of the stones, dense forest canopy, mounds of earth and inaccuracies in terrains elevation model may complicate the detection of stones. The research area is located in Liperi, North Karelia in Finland.
The study will be carried out by developing as accurate and reliable model for finding stones as possible. The model will be improved during developing by constantly inspecting its functionality on the field. The study aims to show how easy it is to create such models, how well the data used fit its purpose, how small stones models are capable to find and how large stones they left unfound, how reliable the models are and which matters affect their performance. The study also examines whether created models fit for harvester route planning or improving topographical maps. As a result, the best variations of the models were capable to find stones of a minimum height of half meters and a minimum diameter of 60 centimeters, though in the worst case there were stones left unfound with a maximum height of 90 centimeter and a maximum diameter of two meters. For the most part reliability was good, and vegetation did not pose major problems, excluding an isolated example of ferns. In the end, the model is capable to map rockiness with reasonable reliability all the way to the height of the harvester ground clearance.
Keywords: Stone, Rockiness, Laser scanning, Multispectral laser scanning, Remote sensing, Digital elevation model
Alkusanat
Tämä tutkimus on osa laajempaa ”Metsäoperaatioiden tehostaminen ja laadun parantaminen olosuhdetiedon hyödyntämisen avulla -MEOLO” hanketta. Hankeen toteuttamisessa ovat osallisina Luonnonvarakeskus (Luke), Metsäteho Oy, Arbonaut Oy, Itä-Suomen yliopisto (ISY), Helsingin yliopisto (HY) ja Geologian tutkimuskeskus (GTK). Lisäksi yhteistyössä ovat osallisina Tampereen teknillinen yliopisto (TTY), Creanex Oy, Argone Oy ja Ponsse Oyj. Hankeen tavoitteena on metsäoperaatioiden tehostaminen ja niiden laadun parantaminen vähentämällä maaston heikon kantavuuden ja väärään aikaan toteutettujen hakkuiden aiheuttamia tappioita kone- ja kuljetusyrityksille sekä vahinkoja maastoon ja vesistöön. Menetelmänä on pyrkiä mm. ennustamaan maaston kantavuutta ennen metsäoperaatioita hyödyntämällä riittävän tarkkaa paikkakohtaista tietoa maastosta. Lopullisena visiona on dynaaminen malli maasto-ominaisuuksien ennustamiseen. MEOLO -hankkeen päätavoitteena on kehittää menetelmiä, joilla puunkorjuun ja metsänhoitotöiden kannalta oleelliset olosuhdetiedot saadaan kustannustehokkaasti tuotettua paikkatietopohjaisiin suunnittelu- ja ennustusjärjestelmiin. Tämä tutkimus itsessään kuuluu MEOLO -hankkeen neljänteen työpakettiin ”Kaukokartoituksella saatavan informaation lisäarvo”. Työpaketin kiinnostuksen kohteena on soveltaa kaukokartoitusdataa kulkukelpoisuusennusteiden ja metsänhoidon menetelmävalintojen kannalta hyödyllisen informaatiotunnuksien löytämiseksi. Näistä tärkeimpiä teemoja ovat maaston kivisyys ja maaperän spatiaalisten havaintojen parantaminen. Työpaketin 4.1 ”Kivisyyden ennustaminen” mukaan: ”Maaston kivisyydellä on positiivinen vaikutus maaperän kantavuuteen mutta se vaikuttaa negatiivisesti puunkorjuun tuottavuuteen. Pintakivisyys hankaloittaa metsäkoneiden maastoliikkuvuutta. Maaperän alla oleva kivisyys hankaloittaa metsän uudistamiseen liittyviä operaatioita.” Kivisyyden ennustuksessa voitaisiin käyttää laserkeilaukseen perustuvaa korkeusmallia. Tähän ehdotetaan korkeusväliä 0,2 ja kolme metriä.
Työpaketin tavoitteena on kehittää uusia automaattisia menetelmiä kivisyyden arviointiin vertaamalla uuden menetelmän tuottaman informaation oikeellisuutta avoimista aineistoista saataviin kivisyystunnuksiin sekä muihin mahdollisiin kivisyyden ennustusmalleihin. (MEOLO - Metsäoperaatioiden tehostaminen… 2016)
Kiitokset
Haluaisin tässä vaiheessa kiittää Itä-Suomen yliopiston professoria Timo Tokolaa tämän maisterintyön ohjauksesta sekä neuvonnasta. Lisäksi kiittäisin Blanca Sanzia aineiston esikäsittelystä sekä neuvonnasta aineiston suhteen. Kiitän myös Itä- Suomen yliopistoa tutkimuksen rahoittamisesta sekä aineiston ja mittavälineiden tarjoamisesta.
Sisällysluettelo
1. Johdanto ... 7
1.1. Maastokartat ... 7
1.2. Laserkeilaus ... 8
1.2.1. Laserkeilaus ja digitaalinen korkeusmalli ... 8
1.2.2. Aluskasvillisuuden vaikutus ... 11
1.2.3. Maaston yksityiskohtien kartoittaminen laserkeilaus-aineistosta ... 12
1.3. Monikanavakeilain ... 14
1.3.1. Kaiun intensiteetti ... 16
1.3.2. Optechin Titan ... 17
1.4. Hakkuukoneet ... 17
1.5. Aiempi tutkimus ... 19
1.6. Tutkimuksen tarkoitus ... 23
2. Aineisto ja menetelmät ... 25
2.1. Aineisto ... 25
2.2. Mallin kehittäminen ... 25
2.2.1. Pohjamalli ... 28
2.2.2. Kokoon perustuva suodatus ... 30
2.2.3. Sävyyn perustuva suodatus ... 35
2.3. Malli 1 ... 39
2.4. Malli 2 ... 40
2.5. Maastomittaus ... 41
2.6. Malli 3 ... 43
2.7. Mallin 3 variaatiot ... 44
3. Tulokset ... 48
3.1. Yleiskatsaus mittaustuloksiin ... 48
3.2. Mallikohtaiset tulokset ... 50
3.2.1. Malli 1 ... 50
3.2.2. Malli 2 ... 57
3.2.3. Malli 3 ... 62
3.2.4. Mallien yhteenveto ja vertailu ... 68
3.3. Mallin 3 variaatiot ... 76
3.3.1. Mallin 3 kevennetyt variaatiot ... 76
3.3.2. Mallin 3 kiristetyt variaatiot ... 85
3.4. Saniaisten aiheuttama harha ... 89
4. Tulosten tarkastelu ... 93
Lähteet ... 97
1. Johdanto
1.1. Maastokartat
Maaston kivisyyttä on tähän asti kartoitettu mm. maastokarttoja kuten suunnistuskarttoja varten. Tuomas Virtalan vuoden 2016 opinnäytetyön mukaan korkeuskäyrät saadaan muodostettua ilmakuvapareista stereo-operaattorilla.
Ilmakuvien lisäksi pohja-aineiston muodostavat kuntien kaavakartat, maastokartat, vanhat suunnistuskartat, laserkeilausaineistot ja korkeusmallit. Yksityiskohtien erottaminen ilmakuvista riippuu maaston peitteisyydestä (Virtala 2016).
Suunnistuskarttojen korkeuskäyrien pohjat sekä maanpintamalli valmistetaan nykyään OCAD- ohjelmalla laserkeilauksen pohjalta. Maanpinnan korkeusmallin lisäksi laserkeilausaineistosta saadaan pinnan ja kasvillisuuden korkeuskuvaukset, kasvillisuusrajat ja ihmisten tekemät rakenteet.
Pohja-aineiston hankintaa ja työstämistä seuraava maastokartoitus, jossa kaikkien yksityiskohtaisuuksien ajantasaisuus tarkistetaan maastossa, on kuitenkin kartoitusprosessin työläin vaihe. Pohja-aineistoa hyväksi käyttäen kartoittaja piirtää maastossa kaikki suunnistuksen kannalta oleelliset maastonmuodot ja kohteet.
Keskimääräinen aikamenekki Suomen maastoissa on 30–40 h / km2 (Keskinarkaus 2019, Kartan valmistus 2019). Kustannukset maastokartoitukselle ovat noin 1000 - 2000 euroa / km2 tai työaikaveloituksena noin 30 euroa / hehtaari. Aikaa kartan valmistamiseen kuluu runsas vuosi ja tavallisen suunnistuskartan valmistamisen kokonaiskustannus vaihtelee 8 000 - 15 000 euron välillä (K-Map kartoitukset 2019).
Tuomas Virtalan opinnäytetyön mukaan maastokartoituksen kustannukset vaihtelevat huomattavasti riippuen peitteisyydestä, korkeuseroista sekä yksityiskohtien ja maastonmuotojen määrästä. Metsämaaston kartoitus maksaa yleisesti arvioiden aina vähintään 500 euroa neliökilometriä kohden, mutta työläiden maastojen kartoitus voi maksaa paikoin kaksinkertaisenkin hinnan. Keskiverron suomalaisen metsämaaston maastokartoitukseen kuluu osaavalta kartoittajalta aikaa noin 15–60 tuntia neliökilometrille riippuen maaston ja pohja-aineiston laadusta, vuodenajasta sekä kartoittajan ammattitaidosta. Nykyisin Suomessa valmistetaan
noin 330 suunnistus-, 50 sprinttisuunnistus-, 50 opetus-, 25 hiihtosuunnistus- ja 10 pyöräsuunnistuskarttaa. Vuosittain kartoitetun alueen pinta-ala on noin 1800 km2. Välineinä maastokartoituksessa käytetään perinteisesti kynää, karttaa, kompassia ja etäisyysmittaria, joskin nykyään myös GPS-paikannus ja maastotietokoneet ovat apuna. Suunnistuskartan tulee olla riittävän tarkka ja täsmällinen, mutta toisaalta sen tulee olla havainnollinen ja selkeälukuinen sekä kartan luettavuus on säilytettävä täydellisyyden kustannuksella. Kartalle otettavien kivien minimikoko pitää päättää kussakin maastossa erikseen alueen kivisyydestä riippuen. Maaston kulkukelpoisuutta kuvaavat louhikot ja kivikot ovat karttaa laadittaessa tärkeysjärjestysasteella ylempänä kuin yksittäiset kivet, jotka auttavat sijainnin paikantamisessa. Perinteinen suunnistuskartan kivi on selkeästi havaittava, sijainniltaan yksiselitteinen ja normaalisti ainakin yhden metrin korkuinen joskin valintarajat valitaan maaston kivisyyden mukaan. Erillistä erityisen suuren kiven merkkiä käytetään, jos kivi on yli 2,5 metriä korkea tai kaksi kertaa normaalin kiven korkuinen. Louhikko on pääosin kivien peittämä alue, jossa kivien koko on yli 0,6 metriä ja kiviä on niin paljon, ettei niitä voida esittää yksitellen. Kiviryhmällä merkitään yksittäistä ryhmää kiviä, jotka ovat niin lähellä, ettei niitä voida kuvata erikseen.
Lopuksi kivikko on pienten 0,1 – 0,5 metristen kivien kokonaan tai lähes kokonaan peittämä alue (Virtala 2016).
1.2. Laserkeilaus
1.2.1. Laserkeilaus ja digitaalinen korkeusmalli
Laserkeilaus-sensori määrittää etäisyyden maassa olevan kohteen ja sensorin välillä mittaamalla ajan, joka kuluu sensorista lähetetyltä pulssilta palata takaisin kaikuna.
Tuntien kunkin paluukaiun tulosuunnan ja etäisyyden sensorista, saadaan kohteen maantieteellinen sijainti (Meng ym. 2010). Laserkeilausteknologia tuottaa otannaltaan korkeatasoista, tarkkaa, geometriallista pistedataa maanpinnasta ja mahdollistavat tiheän korkeusinformaation saannin tehokkaasti laajalta alueelta (Li ym. 2010, Yuan ym. 2009). Laserkeilaus kykenee myös jossain määrin läpäisemään latvustoa keräämällä lukuisia heijastuksia latvustosta ja sen alta (Li ym. 2010, Yuan ym. 2009).
Latvuston läpäisemisessä suositaan pulssin viimeisintä paluukaikua, joka tunkeutuu syvimmälle metsän pohjalle. Laserkeilausaineistolle löytyy sovellutuksia niin
hydrologisessa mallinnuksessa, metsäninventoinnissa, urbaanin alueen kolmiulotteisessa kartoituksessa, maankäytön ja maanpinnan luokituksessa kuin myös muiden maaston yksityiskohtien kartoittamisessa (Meng ym. 2010). Digitaaliset korkeusmallit nousevat yhdeksi tärkeimmistä maantieteellisistä aineistoista topografisessa ja temaattisessa kartoituksessa ja ovatkin jo käytetty laajalti apuna kaupunkien, teiden, rautateiden, kaivostoiminnan ja tehtaiden suunnittelussa, navigoinnissa, lukuisissa spatiaalisen datan sovellutuksissa jne. (Yuan ym. 2009).
Laserkeilauksen havainnointi ja etäisyydenmittaus tekniikka tarjoaa keinon hankkia korkearesoluutioista digitaalista korkeusmallia, mikä on nopein ja edullisin keino laajan alueen tarkalle topografiselle kartoittamiselle (Li ym. 2010, Yuan ym. 2009).
Laserkeilauksesta on muotoutunut ylivoimainen tapa muodostaa digitaalinen korkeusmalli perinteisiin keinoihin, kuten kuvanmittaukseen nähden ja laserkeilaus aineistosta johdettavat suuren mittakaavan digitaaliset korkeusmallit ovatkin olennainen ja tärkeä osa laserkeilausaineiston soveltamisessa laaja-alaiseen metsänhoitoon (Meng ym. 2010, Li ym. 2010).
Digitaalisen korkeusmallin luonnissa maasta johtuvat ja maasta johtumattomat kaiut tunnistetaan, luokitellaan, erotetaan ja maasta johtumattomat kaiut poistetaan, johon on olemassa lukuisia erilaisia algoritmeja (Li ym. 2010). Vosselman suosittelee laajalti käytettyä kaltevuuteen perustuvaa suodatinta, joka perustuu oletukseen, että suuret korkeuserot vierekkäisten kaikujen välillä hyvin epätodennäköisesti johtuvat jyrkistä rinteistä maastossa. Tässä tilanteessa onkin todennäköisintä, että kaiuista korkeampi on maasta johtumaton (Li ym. 2010, Yuan ym. 2009). Kaltevuuteen perustuva malli tunnistaa maasta johtuvien kaikuja vertaamalla vierekkäisten laserkeilauskaikujen välisiä kaltevuuksia. Kaiku luokitellaan osaksi maanpintaa, mikäli kaltevuuden maksimiarvo on kyseisen kaiun ja minkä tahansa muun kaiun välillä pienempi kuin ennalta määritetty raja-arvo. Luonnollisesti, mitä pienempi on sallitun kaikujen välisen maksimikaltevuuden raja-arvo, sitä herkemmin kaikuja karsitaan pois maanpinnasta. Kaltevuuteen perustuvan suodatuksen perusedellytys on, että maasta johtuvien kaikujen ja maasta johtumattomien kaikujen, kuten kasvillisuuden ja rakennusten tuottamien kaikujen, välillä on selkeä ero. Kaltevuuteen perustuvalla suodattimella luotu digitaalinen korkeusmalli on riittävän virheetön maanmuodoltaan tasaisilla urbaaneilla alueilla, mutta ei kasvillisuuden peittämillä alueilla, joilla on voimakasta korkeuden vaihtelua (Li ym. 2010).
Kaltevuuteen perustuvan mallin algoritmissa on lukuisia puutteita ja luodessaan digitaalista korkeusmallia maastoltaan monimutkaisilla alueilla suodatusalgoritmi kohtaa haasteita mm. monikerroksisten rakennusten, sisäpihojen, aukioiden, portaiden, ramppien ja epäjatkuvuuksien, kuten jyrkkien rinteiden ja paljaalla maalla olevien murtumalinjojen vuoksi (Yuan ym. 2009). Ongelmia tuottavat myös sillat ja varsinkin alle metrin korkuiset pensaat (Meng ym. 2010). Mm. maasta johtumattomien kaikujen ollessa suhteellisen isolla ja tasaisella alueella kuten rakennuksen katolla, joitain kaikuja ei voida verrata muihin kuin toisiin kaikuihin samalla katolla. Tällöin algoritmi ei poista niitä, vaan saattaa luokitella ne osaksi maan pintaa. Näin käy helposti jos laajuus, jolla kaikuja verrataan ympäröiviin kaikuihin, ei ole kovinkaan suuri, joskin suuri vertailusäde taas lisää mallin laskentaa.
Tämän tapaiset virheet voidaan kuitenkin tunnistaa, koska useimmat kaiut rakennuksien katoilla ovat korkeudeltaan huomattavasti suurempia kuin viereiset maasta johtuvat kaiut. Näin ollen kaikujen välisen raja-arvon ylittävän korkeuseron avulla voidaan tunnistaa kattojen reunoilla sijaitsevat kaiut maasta johtumattomiksi.
Näiden tunnistettujen maasta johtumattomien kaikujen perusteella voidaan tunnistaa loput samalla tasaisella pinnalla sijaitsevat maasta johtumattomat kaiut. Tämän prosessin aikana useimmat kaltevuuteen perustuvalle menetelmälle ongelmalliset kaiut, mm. rakennuksien katoilta, voidaan poistaa (Yuan ym. 2009).
Menetelmä onkin riittävän virheetön urbaanilla alueella ja selviää rakennuksien katoista. Kivet saattavat kuitenkin olla hankalampia tunnistaa maanpinnasta kaltevuuteen perustuvalle menetelmälle. Suuremmat kivet voivat olla pinnaltaan päältä riittävän laajoja ja tasaisia vaikuttaakseen maanpinnalta, eikä pyöreähkön kiven kaiut välttämättä muodosta välilleen raja-arvoa ylittävää kaltevuutta. Kiven pinnan erottaminen maanpinnasta edellä kuvatulla menetelmällä voi myös olla haasteellista, jos kivi on riittävän matala eikä sen ja maanpinnan välinen kulma ylitä raja-arvoa. Toisin kuin useimmat rakennukset, kivi ei välttämättä myöskään nouse kovin jyrkässä kulmassa maan pinnasta, vaan nousu voi olla loivaa eikä käytetty menetelmä tunnista kiven ja maanpinnan välistä rajaa. Tähän vaikuttaa voimakkaasti kiven koon, muodon ja asennon lisäksi ympäröivän maan muoto. Ongelma kivien tunnistamiselle syntyy, jos kiven pinta on jo lähtökohtaisesti luokiteltu korkeusmallissa osaksi maanpintaa. Myös kiveä ympäröivä kasvillisuus kuten
taimikko voi mahdollisesti riittävän tiheänä saada korkeusmallin kulkemaan todellista ylempänä, jolloin kiven korkeus maanpinnasta jää todellista pienemmäksi.
Päinvastainen ongelma ilmenee, jos osa maata tai kalliota poikkeaa liian jyrkästi ympäristöstä maanpinnasta, jolloin sitä ei luokitella osaksi maanpintaa.
1.2.2. Aluskasvillisuuden vaikutus
Tutkimukset ovat osoittaneet, että mm. aluskasvillisuuden määrän arvioinnit laserkeilausaineistosta ovat yleensä epätarkempia tiheän latvuston peittämillä alueilla, missä pienempi osa laserkeilaus pulsseista pääsee metsän pohjalle asti. Hill ja Broughton osoittivat, että aluskasvillisuudenkin määrä on mahdollista havainnoida tiheässä metsässä yhdistämällä laserkeilausaineistossa leaf-on ja leaf-off aineistoa, eli dataa ajalta jolloin valtapuusto on lehtipeitteinen ja ajalta jolloin valtapuusto on pudottanut lehtensä. Tämä kuitenkin vaatii, että puusto on pääasiassa lehtensä pudottavaa lehtipuustoa ja käytettävissä on runsaasti laserkeilausaineistoa samalta alueelta (Martinuzzi ym. 2009). Suomen tapauksessa varsinkin ensimmäisenä mainittu on ongelma, sillä metsät ovat pääasiassa vuoden ympäri neulasensa säilyttäviä havupuita. Runsas ja tiheä latvusto lieneekin pääasiallinen maanpinnantason aineiston tarkkuuden rajoittaja ja ongelma kivien löytämisen suhteen.
Tutkimuksen, joka pyrki etsimään aluskasvillisuutta laserkeilaus aineistosta Luoteis- Kaliforniassa, mukaan pensaiden korkeudet vaihtelevat keskimäärin noin 0,25 metrin ja 1,45 metrin välillä ja maksimikorkeus vaihteli noin 0,5 metrin ja 1,85 metrin välillä (Wing ym. 2012). Pensaat ovat monesti sekoitettu maanpinnaksi luokittelun yhteydessä. Aluskasvillisuuden korkeus on monesti alle metrin ja kaltevuus- sekä korkeuserot kasvillisuuden ja viereisten maakaikujen välillä ovat helposti samanlaisia kuin erot vierekkäisten maakaikujen välillä epätasaisessa maastossa (Meng ym.
2010). Ackermannin (1999) mukaan eurooppalaisissa havu- ja lehtimetsissä lasersäteen läpäisyprosentti maahan on kesäisin noin 20–40 % ja talvisin lehtimetsissä jopa 70 %. Suomalaisessa havumetsässä läpäisyprosentti on Ahokkaan ym. (2011) mukaan 20–50 % vaihdellen lähinnä puuston runkotilavuuden funktiona (Holopainen ym. 2013).
1.2.3. Maaston yksityiskohtien kartoittaminen laserkeilaus-aineistosta
Erilaisia maanpinnan yksityiskohtia kuten rakennuksia, puita, voimalinjoja ja öljyputkia on mahdollista erottaa, tunnistaa, ja kartoittaa multi-scale tai multi- resolution tekniikoilla laserkeilausaineistosta korkeuden perusteella. Kevyet korkeuden muutokset on helppo tunnistaa tiheästä pisteaineistosta mahdollistaen pienten korkeusvaihtelujen kartoittamisen alueen pinnassa tai kasvillisuudessa (Meng ym. 2010). Kiinnostus maanpinnan pienen mittakaavan kuvioiden luokittelemiseksi on kasvava. Mikrotopografian tunnistaminen saattaa auttaa mm.
arktisen infrastruktuurin suunnittelussa, maaston ajokelpoisuuden ennustamisessa, hydrologisessa mallinnuksessa, geomorfologisten ominaisuuksien havaitsemisessa, maastoanalyysissä ja mallinnuksessa (Nevalainen ym. 2016).
Yksi esimerkki laserkeilausaineiston käyttämisestä hyödyksi maanpinnan yksityiskohtien etsinnässä ja suunnistuskarttojen luonnissa on MapAnt projekti.
MapAnt on valtava, melkein koko Suomen kattava maastokartta. Kartta on luotu automaattisesti perustuen julkisesti Maanmittauslaitokselta saatavilla olevaan laserkeilausaineistoon ja topografisiin karttoihin. Se on yksityiskohtaisin ja informaatiorikkain lähes koko Suomen maata kattava kartta. Nimi on inspiroitunut tavasta, jolla kartta on koottu. Noin sata tietokonetta osallistui työskennellen muurahaisten tavoin järjestäytyneessä kaaoksessa, luodakseen yhdessä suurempaa kokonaisuutta. Kartasta löytyy melkein kaikki samat ominaisuudet, mitä on myös ihmisen tekemässä suunnistuskartoissa. Korkeuskäyrät, avomaa ja tiheä kasvillisuus on erotettu laserkeilausaineistosta. Kasvillisuus aikaisemmin skannatusta datasta on saattanut muuttua ja osa alueesta on skannattu kesällä mikä vaikuttaa kasvillisuuskartoitukseen ja laatuun. Yksityismaat, pellot, rakennukset, tiet, polut, junaradat, järvet, kosket, suot, kalliot jne. on erotettu toppograafisesta kartasta. Kiviä, lohkareita, aitoja, kuoppia sekä pieniä painaumia, soita ja muita kohteita, joita useimmissa suunnistuskartoissa on, jätettiin pois. Toistaiseksi ihmisen tekemä kartta on kuitenkin vielä hieman laadukkaampi. (What is MapAnt?. 2017)
Perinteisesti karstimaan morfometriset tutkimukset perustuvat topografisten karttojen ja ilmakuvien hyödyntämiseen. Digitaalinen korkeusmalli toimii usein opastavana maanpinnan korkeustiedon lähteenä, joskin kärsien heikosta resoluutiosta ja
tarkkuudesta varsinkin metsäisellä karstimaalla. (Kobal ym. 2015). Aktiivista ja passiivista kaukokartoitusta, kuten laserkeilausta, on hyödynnetty arvioidessa biomassaa sekä etsiessä mm. painaumia, runkoja, keloja ja pensaita (Kobal ym.
2015, Martinuzzi ym. 2009). Laserkeilausaineistosta on etsitty myös doliineja Kuolleenmeren edustalla, käyttäen ArcHydro moduulilla algoritmia, joka perustuu veden virtaussimulaatioon digitaalisen korkeusmallin pinnalla (Kobal ym. 2015).
Nevalainen ym. (2016) toteuttivat tutkimuksen, jonka tarkoituksena oli arvioida maanpinnan kivisyyden osuutta Kemijärvellä, Lapissa, julkisesti saatavilla olevasta laserkeilausaineistosta. Tutkimuksen mukaan, koska tarvitaan ainakin yksi kaiku kiveä kohden kiven tunnistamiseksi ja neljä kaikua yhtä kiveä kohden kiven säteen määrittämiseksi, on kiven minimisäde havaitsemiseksi teoriassa 0,6 – 1,2 metriä ja käytännössä luonnossa hieman korkeampi, tehden kivien havaitsemisesta jokseenkin vaikeaa. Kivien ja lohkareiden esiintymistä voidaan luonnehtia kivien näkyvyydellä ja kokojakaumalla. Mm. maanvyörymäkerrostumat voidaan tunnistaa epäsäännöllisellä kivien ja lohkareiden jakaumalla maanpinnassa. Tutkimus analysoi sekä laserkeilausaineistoa että digitaalista korkeusmallia havaitakseen kiviä.
Tutkimuksessa hyödynnettiin kolmea erilaista menetelmää kivisyyden tunnistamiseksi, joista kaksi perustui laserkeilaus aineistoon ja yksi digitaalisen korkeusmallin käyttöön. Hypoteesi oli, että suora lähestyminen laserkeilausaineistolla on tehokkaampi kuin korkeusmallia käyttävä menetelmä, sillä korkeusmalli on yleisesti hiottu ja tasaisempi esitys maanpinnasta. Alkuun aineisto leikattiin kaksi metriä oletetun maanpinnan yläpuolelta. Ensimmäisessä metodissa arvioitiin paikallista kaarevuutta lokaalilla lineaarisella moniskaalaisella suodattimella. Toinen metodi hyödynsi maanpinnan kolmiointiin perustuvaa diskreettiä differentiaalista kausaaliskaarevuutta. Kolmas menetelmä hyödynsi Laplace-suodatusta digitaaliseen korkeusmalliin. Kaikki menetelmät tuottivat kausaalisen kaarevuusjakauman, mikä sitten muutettiin vektorimuotoon ja luokiteltiin logistisella regressiolla. Viime kädessä menetelmistä toinen osoittautui heikoimmaksi, koska menetelmä laski kaarevuuden suoraan TIN:nistä tuottaen samalla runsaasti häiriötä. Ensimmäinen menetelmistä oli kolmatta parempi, mutta myös huomattavasti kalliimpi käyttää (Nevalainen ym.
2016).
Nevalaisen ym. (2016) tekemää tutkimusta aikaisempia tutkimuksia, liittyen laserkeilausaineiston soveltamiseen kivien etsimisessä metsäisellä alueella, ei vaikuta olevan. Kohdealueilla ei ainakaan yleensä ole ollut puustoa, etsityt kohteet ovat olleet linjamaisia kuten muureja, ojia tai arkeologisia teitä ja useimmiten on käytetty monilähteistä dataa kuten kuvanmittausta tai wide-spectrum työkaluja.
Joissakin poikkeuksellisissa tutkimuksissa oli etsitty suhteellisen pieniä paikallisia maanpinnan ominaisuuksia, kuten luolan suita digitaalisen korkeusmallin perusteella metsäisistä olosuhteista. Näissä tapauksissa kohde on ollut kuitenkin osin esillä latvuston alta ja luolan suut ovat olleet läpimitaltaan yli viisi metriä. Toisessa tutkimuksessa on etsitty karstimaan painaumia käyttäen kaltevuushistogrammeja ja lokaaleja painaumia. Tutkimuksia löytyy myös mm. maaston rosoisuudesta ja tasanteiden tunnistamisesta laserkeilausaineistosta (Nevalainen ym. 2016).
1.3. Monikanavakeilain
Kaukokartoituksessa hyödynnetään sähkömagneettisen säteilyn mittaamista, luokittelemalla sähkömagneettisen spektrin alueita yleensä aallonpituuden perusteella. Spektristä erotettavia aallonpituusalueita ovat mm. UV eli ultraviolettivalo, näkyvä eli optinen valo, IR eli infrapunavalo ja mikroaaltojen alue.
Kukin maanpinnan kohde heijastaa, emitoi ja absorvoi sähkömagneettista energiaa sille ominaisella tavalla, mahdollistaen kohteiden tunnistamisen ja tiedon hankkimisen. Esimerkiksi kasvillisuuden ja veden ominaisheijastukset ovat lähellä toisiaan näkyvän aallonpituuden alueella, mutta lähi-infrapunan alueella ne ovat puolestaan hyvin erilaiset. Kohteiden ominaisuuksien lisäksi mittalaitteen vastaanottamaan säteilyn määrään vaikuttavat myös ilmakehän ominaisuudet, mittausajankohta sekä mittausgeometria (Eskelinen. 2001). Kaukokartoituksen tarve lisääntyy jatkuvasti navigoinnin, valvonnan ja paikkatietosovellutusten edellyttämien ajantasaisten karttojen ja 3D-mallien myötä. Kehityksen myötä uusilla menetelmillä kyetään maanpinnan kohteita mittaamaan ja havainnoimaan entistä tarkemmin.
Keskeisiä indikaattoreita ovat geometrinen sijaintitarkkuus, erotuskyvyn spatiaalinen resoluutio, heijastussävyn radiometriset ominaisuudet, valon aallonpituuden spektraalliset ominaisuudet, kustannukset sekä ajallinen ja alueellinen kattavuus.
Laajaformaattiset kamerajärjestelmät tuottavat monikanavaista tietoa sinisellä,
vihreällä, punaisella ja lähi-infrapunan aallonpituudella kunkin kanavan omalla CCD- kennolla (Honkavaara ym. 2011).
Monikanavaisen laserkeilauksen käyttö sellaisenaan vähentää ilmakuvauksen tarvetta vähentäen eri aineistojen määrää ja helpottaen inventoinnin käytännön toteuttamista. Monikanavainen laserkeilain on usean eri aallonpituutta käyttävän keilaimen yhdistelmä. Ensimmäinen lentokoneesta operoitu kolmen aallonpituusalueen monikanavakeilain julkaistiin vuona 2015. Useampi aallonpituusalue mahdollistaa laserin intensiteettitiedon, jota voidaan käyttää ilmakuvien sävytiedon mukaan. Monikanavainen laserkeilausaineisto mahdollistaa myös paremman puulajien erottamisen kuin pelkkä yksikanavainen laserkeilausaineisto. Ilmakuvien ja yksikanavaisen laserkeilausaineiston yhteiskäytöllä saavutetaan kuitenkin pelkkää monikanavaista laserkeilaus aineistoa parempi tarkkuus. Lentokoneesta käytettävät monikanavakeilaimet eivät tällä hetkellä ole kovinkaan yleisiä, johtuen huonommasta kustannustehokkuudesta vaadittavan yksikanavakeilaimia matalamman lentokorkeuden vuoksi (Packalen ym. 2018). Tästä huolimatta Metsäkeskus listasi metsätieto ja sähköiset palvelut hankkeensa välituloseminaarissa maaliskuussa 2017, käytännön metsätalouden metsävaratiedon laadun ja käyttötarpeen kannalta potentiaalisimpien kehityskohteiden joukkoon monikanavakeilauksen ja tiheäpulssilaserin (Heikkilä 2017).
Monikanavakeilauksessa voidaan havainnoida maanpinnanmuotojen lisäksi luokkamuuttujia ja mahdollistaa perinteiseen laserkeilaukseen nähden kohteiden tarkemman tunnistamisen vuorokaudenajasta riippumatta. Vastaavasti yksikanavakeilauksen kohteiden sävyarvot on tulkittava ilmakuvasta, jonka laatu riippuu kuvanottohetken valaistusolosuhteista (Venäläinen ym. 2019).
Monikanavainen ilmalaserkeilaus on yksi lupaavimmista keinoista karttojen ajantasaisuuden uudistamisessa. Monikanavalaserkeilaus yhdistää maasto ja pintamallien luomiseen tarvittavan laserkeilauksen aktiivisen 3D informaation sekä ilmakuvauksen monikanavaisen spektrin, jolla helpottaa kohde- ja maastoluokkien rajaamista ja tulkitsemista. Rakennukset ovat yksi tärkeimmistä kohderyhmistä karttojen ajantasaistuksessa ja ne voidaan löytää melko luotettavasti automaattisilla menetelmillä nykyisistä laserkeilaus- ja ilmakuva-aineistoista. Myös peltolohkoja voidaan kartoittaa automaattisilla menetelmillä ilmakuvien ja ilmalaserkeilauksen
avulla. Uusimpien tulosten mukaan monikanavainen ilmalaserkeilaus on erityisen lupaava kartoitussovelluksien kannalta kaupunkialueen yksityiskohtaisessa luokittelussa, rakennusten, puiden sekä maanpintaluokkien, kuten asfaltti, sora, kallio ja matalan kasvillisuuden tunnistamisessa sekä tehtaiden kartoittamisessa.
Optech Titan on ensimmäinen kaupallinen monikanava- laserkeilausjärjestelmä.
Titan kerää kohdealueesta pistepilven samanaikaisesti kolmella eri aallonpituudella, mikä nopeuttaa ja parantaa kohdealueen luokittelua kartan ajantasaistusprosessissa (Kaukokartoituksen muutostulkintamenetelmät).
1.3.1. Kaiun intensiteetti
Laserkeilauspisteen osuessa kohteeseen, kohde absorvoi osan säteestä ja osa heijastuu takaisin keilaimeen, missä takaisin heijastuneen säteen voimakkuus mitataan ja tallennetaan (Narinen 2014). Laserkeilauksen intensiteetti ilmaisee miten suuri osuus lähetetyn pulssin energiasta palaa takaisin (Vuohkonen 2009).
Paluukaiun intensiteettiä voidaan yleisesti verrata vastaan otettuun energiaan. Osa laserkeilaimista kykenee tallentamaan sironnan signaalin intensiteetin voimakkuuden. Paluukaiun intensiteetti riippuu kohteen heijastusominaisuuksista ja geometriasta (Holopainen ym. 2013). Suurempi intensiteettiarvo tarkoittaa kohteen parempaa heijastusominaisuutta. Mitä vaaleampi kohta sitä pienempi intensiteetti (Narinen 2014). Tämän lisäksi tallennettuun intensiteettiarvoon vaikuttavat laserpulssin lähetysvoimakkuus, lähetystaajuus, lähetetty energia, kaiun vastaanottimen asetukset, vastaanotetun pulssin voimakkuus ja muoto, etäisyys, heijastavan pinnan ominaisuudet sekä ilmakehän vaikutukset. Intensiteettiä käytetään pikselin sävyarvon optisen aallonpituuden tavoin kaukokartoituskuvan tulkinnassa, auttaen mm. puuston ja rakennusten luokittelussa (Holopainen ym.
2013). Intensiteettiarvon hyödyntämistä haittaavat sään sekä keilauskulman, pinnanmuotojen ja mittauslaitteiden erojen vaikutus (Narinen 2014).
Intensiteettiarvojen käyttäminen itsessään kohteiden tulkinnassa hankaloittaa radiometrisen kalibroinnin tarve, sillä intensiteetin kalibrointi on ongelmallista.
(Holopainen ym. 2013).
1.3.2. Optechin Titan
Optechin Titan sensori on uudentyyppinen monikanavakeilain, joka lähettää pulsseja kolmella eri aallonpituudella mahdollistaen eri aallonpituusalueiden hyödyntämisen samanaikaisesti laserkeilauksella. Kolme erilaista keilainta ovat vihreä, lähi-infrapuna ja pidempiaaltoinen infrapunasäteily. Vihreä eli näkyvää valoa vastaava aallonpituusalue sijaitsee kanavalla kolme. Kanavan aallonpituus on 532 nm ja pulssien divergenssit (1/e) on 0,7 mrad. Vihreän kanavan keilauskulma on suurin, ollen kaksi kertaa muita kanavia suurempi. Kanava kaksi on yleisimpiä laserkeilauksen aallonpituuksia eli perinteisesti laserkeilauksessa käytetty lähi- infrapunan 1064 nm. Pulssien divergenssit ovat 0,35 mrad. Kanava 1 vastaa keski- infrapunan aluetta eli pidempiaaltoisen infrapunasäteilyn 1550 nm ja pulssien divergenssit on myös 0,35 mrad. Titan sensori ei ole vielä kaupallisessa käytössä, mutta sen soveltuvuutta metsätalouden metsien inventoinnissa on testattu Kanadassa. Puttosen (2010) ja Vauhkosen (2013) laboratorio-olosuhteissa tekemän tutkimuksen perusteella lehti- ja havupuiden välinen erotus onnistui 90 % varmuudella, mutta lajien välistä luokittelua ei kyetty tekemään oikein. Useamman aallonpituusalueen käytössä samanaikaisesti on etuna yhden aallonpituuden keilaukseen ainakin kyky tuottaa suoraan yhtenäistä pistekuviota, eivätkä aineistojen väliset erot kuten ortokuvauksen säteisiirtymä tai pitkän aikavälin aineiston keruu tuota ongelmaa. Hyperspektrikuvauksella voidaan mm. kartoittaa puuston elinvoimaisuutta sekä tunnistaa kasvupaikkatyyppejä (Manninen 2017, Packalen ym.
2018).
1.4. Hakkuukoneet
Tutkimuksen tavoitteena on kartoittaa maaston kivisyyttä ennen kaikkea hakkuukoneiden reittisuunnittelua varten. Näin ollen tärkeää on käydä läpi hakkuukoneiden kykyä ja rajoitteita ylittää kivien muodostamia esteitä. Tämä auttaa asettamaan ennakkovaatimustasoja mallien kyvyille löytää kiviä ja arvostelemaan mallien tuottaman tiedon tarkkuuden käyttökelpoisuutta hakkuukoneiden opastamisessa. Tutkimuksen alkuvaiheessa haastateltiin ajokonekuljettaja Samuli Suutaria. Haastattelun tuloksena saatiin seuraavanlaista alustavaa tietoa ajokoneen kyvyistä liikkua kivikkoisessa maastossa.
Hakkuukoneen ja ajokoneen esteenylityskyky, mikäli molemmat eturenkaat pääsevät ajamaan kiven päälle, on noin metri. Tällöin oletuksena on, että sivuttaista kaltevuutta ei ole ja kivi on koneen levyinen ja yhtä korkealla maanpintaan nähden molempien eturenkaiden alla. Kuitenkin on huomioitava kiven muoto ja pituus sekä kiven jälkeen jatkuvan maaston korkeuden suhde kiven korkeuteen. Jos maasto jatkuu samankorkuisena tai matalampana kiven jälkeen ja kiven pituus on koneen akselien välistä etäisyyttä pienempi, saattavat kiveä ylittävät eturenkaat laskeutua kiven jälkeen maahan ennen kuin takarenkaat alkavat nousta kiven päälle. Tällöin on riskinä että koneen pohja ottaa kiinni kiveen. Hakkuukoneen ja ajokoneen maavarat ovat noin 50–60 senttimetriä. Pohjakosketuksen riskinä ovat myös kivet, jotka ylittävät maavaran, eikä yli ajavan koneen kumpikaan rengas nouse kunnolla kiven päälle. Vielä suurempana ongelmana koneelle on sivuttainen kaltevuus. Jos kivi on kapea tai sen verran sivussa ajouralta, että vain koneen toinen rengas pääsee kunnolla nousemaan kiven päälle, on riskinä varsinkin kuormatun ajokoneen kaatuminen. Tällöin esteeksi riittää metriä matalampikin kivi ja kivi on joko kierrettävä tai ajettava suoraan yli, jos mahdollista. Yleisesti ottaen, jos mahdollista eikä haittaa koidu, noin 30–40 senttimetriä korkeat tai korkeammat kivet ovat kiertämisen arvoisia (Samuli Suutarin haastattelu).
Hakkuukoneiden maavarat ovat olennainen tekijä määrittämään minimikorkeutta kiville joita kehitettävän mallin tulisi kyetä löytämään. Ohessa on esimerkkejä hakkuukoneiden maavaroista.
- Sampo-Rosenlew SR1046X 0,6 metriä (SR1046X - Sampo-Rosenlew…)
- HR 46 0.65 metriä (HR 46 Harvesteri käyttöohje…2013)
- Ponsse Ergo 8W ja Ponsse Ergo 6W 0,6 metriä (Ponsse Ergo esite. 2018)
- Komatsu 901XC 0,65 metriä (Komatsu 901XC…)
- Komatsu 901TX.1 0,635 metriä (Forestry Quality 901…).
- Valmet 901 0,64 metriä (Harvesteri; Valmet 901…)
- FMG 0470 motokärpä 0,47 metriä (Metsätehon katsaus… 1991)
Hakkuukoneiden maavarat vaikuttavat vaihtelevan karkeasti noin 0,47 ja 0,65 metrin välillä. Mitä tulee kivien ylittämisen aiheuttamaan ajosuunnan mukaiseen ja
sivuttaiseen kaltevuuteen, Lapin AMK:n vuonna 2018 toteuttaman metsäkonekuljettajan haastattelututkimuksen mukaan maaston sivukaltevuuden tulisi olla enintään kymmenen prosenttia ja rinteen nousukulman tulisi olla alle 20 prosenttia. Suurimmat ongelmat syntyvät ajouran sivuttaiskaltevuuden ja rinteen suuren nousukulman yhteisvaikutuksesta (Turunen 2018). Lisäksi Sami Lammisen seminaarissa 2012 esittämän esitelmän mukaan kuormatraktorin liikkuvuusrajoitteet ovat rinteen nousukyvyn suunnassa noin kaksikymmentä astetta ja uran sivukaltevuuden suhteen noin kymmenen astetta. Esitelmässä viitataan Ylimäen vuoden 2012 kyselytutkimukseen, jonka mukaan kuljettajat haluaisivat enemmän tietoa maastonpiirteistä ja puustosta leimikolla. Esitelmässä ehdotetaankin laserkeilauksella luotuja 3D-karttoja leimikoista perinteisten karttojen tilalle avustamaan ajouraverkkojen suunnittelussa (Lamminen 2012). Näin ollen hakkuukoneen reittisuunnitteluun soveltuva malli pitäisi kyetä löytämään vähintään hakkuukoneen ajoa estävät metrin korkeat kivet ja mielellään myös maavaran ylittävät 50 senttimetriä korkeat kivet. Löytämättä ei saisi jäädä juuri yli metrin korkuisia kiviä.
1.5. Aiempi tutkimus
Aikaisempana pohjana tälle tutkimukselle on samanaiheinen kandidaatin tutkielmani, jossa kehitettiin vastaavanlainen malli kartoittamaan maaston kivisyyttä Asikkalan ja Padasjoen alueella, Lahden edustalla (Vänttinen 2017). Tuolloin hyödynnettiin ainoastaan tavallista, suhteellisen harvapulssista laserkeilausaineistoa.
Aikaisemmassa tutkimuksessani tavoitteet ja menetelmät, samoin kuin mallin perusperiaate, olivat hyvin samanlaisia ja tuolloin kehitetty malli toimiikin pohjana tälle tutkimukselle. Mallin kehitysvaiheessa käytettiin apuna maastotietokannoista ladattuja entuudestaan tunnettujen kivien ja louhikoiden sijainteja. Näiden sijaintien avulla eroteltiin sopivia kiviä ja kiviryhmiä näytteiksi laserkeilausaineistosta.
Kivinäytteitä tarkastelemalla ja aineistoja vertaamalla mallia testattiin ja kehitettiin kivien luotettavaan etsimiseen. Laserkeilausaineiston tarkastelussa käytettiin FugroViewer ohjelmaa ja itse malli kehitettiin ArcMap ohjelmalle.
Kandidaatin tutkimukseni mallissa etsittiin laserkeilausaineistosta laajoja ja yhtenäisiä, ryhmittyneistä paluukaiuista muodostuvia pintoja kivien oletuskorkeudelta.
Kivien tunnistus perustui siis riittävään määrään ryhmittyneitä paluukaikuja, joiden korkeudet sijoittuivat ainoastaan korkeudelle, jolla valtaosan kivien pinnasta uskottiin sijaitsevan. Korkeus, jolta kiviä etsittiin, oli puolen metrin ja kolmen metrin väli.
Pinnan tuli olla yhtenäinen, riittävän laaja, aukoton ja muodostua ainoastaan sopivalla oletuskorkeusvälillä olleista paluukaiuilta. Menetelmä perustui oletukseen että tällä korkeusvälillä vain kivet muodostaisivat kyseiset kriteerit täyttäviä pintoja.
Vastaavasti kasvillisuus ei muodostaisi yhtenäistä laajaa pintaa kivien oletuskorkeudelle, vaan aina joitain kaikuja pääsisi kasvillisuuden läpi maahan asti.
Aluksi leikattiin aineistosta pois kaiut kivien oletuskorkeudelta, jättäen jäljelle vain oletettavasti maan muodostamia kaikuja 0,5 metrin alapuolelta ja latvuston muodostamia kaikuja kolmen metrin yläpuolelta. Jäljelle jäävät oletuskorkeuden ala- ja yläpuoliset kaiut muodostivat säteeltään määrätyn kokoisia niin sanottuja buffereita ympärilleen. Bufferi on kaiun ympärille muodostuva ympyräalue määrätyllä säteellä ja vaikuttaa kriteerinä mallin löytämien kaikupintojen minimikokoon. Bufferit muodostavat yhdistyessään alueita sinne missä kaiut ylittävät tai alittavat kivien oletuskorkeuden. Vastaavasti poisleikatut kaiut kivien oletuskorkeudella, eivät puuttuessaan muodosta buffereita. Riittävän suuret, yhtenäiset pinnat oikealla oletuskorkeudella, joita oletetusti vain kivet muodostavat, jättivät aukkoja buffereiden muodostamiin alueisiin. Sopivalla bufferikoolla varmistettiin että pinta on yhtenäinen ja riittävän laaja jättääkseen aukkoa buffereiden muodostamiin alueisiin. Bufferikokoa säätämällä sopivaksi karsittiin pieniä ja epämääräisiä pintoja pois. Näin karsittiin pois kaikuja paikoin läpi päästävää kasvillisuutta ja rajattiin samalla mukaan tulevien kivien vähimmäiskokoa, mutta jätettiin jäljelle suuremmat kivet. Bufferikooksi päädyttiin tuolloin käyttämään 1,5 metriä. Tällöin aukon jättäminen bufferipintaan edellytti yli kolmen metrin levyistä aluetta poisleikattuja kaikuja kivien oletuskorkeudelta, jota 1,5 metrin bufferit ympärillä eivät ylety sulkemaan.
Käyttämällä kivien oletuskorkeutena puolen metrin ja kolmen metrin väliä, maanpinta ja puuston latvuskerros leikattiin pois aineistosta, joskin samalla menetettiin alle puolimetriset kivet. Mallin kehitysvaiheessa mallin tuloksia voitiin arvioida vain visualisoidusta laserkeilausaineistosta. Pienien kivien etsimisestä, niin sanotulla louhikkomallilla, luovuttiin pian aineiston epätarkkuuden vuoksi.
Lopuksi malli ajettiin tutkimusalueen laserkeilausaineistolla ja mallin tuloksena löytämiä kiviä tarkasteltiin ja arvioitiin maastokäynnillä yhden viikonlopun aikana.
Löydetyistä kivistä mitattiin läpimitta ja korkeus. Tuloksena todettiin, että malli kykeni löytämään suurempia kiviä, mutta oli äärimmäisen altis matalan kasvillisuuden aiheuttamille virhehavainnoille. Jokaisessa mallin tekemässä havainnossa, olkoot sitten todellisuudessa kivi tai kasvillisuus, tunnistettiin kuitenkin aina syy, joka oli havainnon aiheuttanut. Yleisesti ottaen osuma oli joko oikea kivi tai tiheä nuori kuusikko tai männikkö. Sanoilla osuma ja havainto viitataan mihin tahansa mallin löytämään kohteeseen maastosta, olkoon sitten oikeasti kivi tai ei. Havaittujen kivien läpimitta ja korkeus vaihtelivat runsaasti, joskin useimmat kivet olivat varsin suurikokoisia. Kiviä löytyi niin aukealta kuin keskeltä taimikkoakin, mutta mallin tekemät havainnot kivistä varttuneessa metsästä olivat hyvin harvinaisia. Lisäksi löytyi lukuisia, paikoin suurikokoisia kiviä, joita malli ei kyennyt löytämään. Mallin löytämien kivien läpimitat vaihtelevat kaiken kaikkiaan aina 0,5 metristä 5,5 metriin keskiarvon ollessa noin kolme metriä. Vastaavasti pienin mitattu korkeus oli 0,6 metriä, suurin 3,5 metriä ja korkeuksien keskiarvo 1,89 metriä. Valtaosa havainnoista oli tiheitä ja nuoria kuusikko- tai männikköryppäitä. Kuusikko- ja männikköhavaintojen korkeus vaihteli suuresti aina muutamien kymmenien senttimetrien taimista muutamiin metreihin ja ne muodostivat toisinaan ryhmissä tiheää tasaista mattoa.
Yhteensä saaduista 87 havainnosta 28,74 % oli varmasti kiviä ja 55,17 % olivat kasvillisuutta. Lisäksi 4,6 % oli epävarmoja kiviä, toinen 4,6 % kivikasoja ja loput 6,9
% kalliota
Merkittäväksi tekijäksi kiven näkyvyydessä arvioitiin kiven korkeus, läpimitta ja muoto. Myös mahdollista maastonmuotojen vaikutusta ja harhaa digitaalisessa korkeusmallissa pohdittiin. Virheet tulkinnassa kaikujen korkeudesta voivat laskea kiven kaikujen korkeutta alle kivien oletuskorkeuden alarajan tai vastaavasti nostaa maanpinnan kaikujen korkeutta yli, aiheuttaen kivien karsiutumista pois tai virhehavaintoja maanpinnasta. Myös olennaista on kiven koko sekä muoto vaikuttaen siihen, miten paljon kaikuja osuu kiveen ja maahan sen ympärille. Lisäksi alle puolimetriset kivet karsiutuvat alarajan alittavina kokonaan pois. Peittävän kasvillisuuden ja latvuston arveltiin mahdollisesti estävän kaikuja pääsemästä kiveen asti tai hämäävän maanpinnan korkeutta. Suurimmaksi ongelmaksi todettiin kuitenkin tiheä ja matala kasvillisuus, jota malli ei kyennyt erottamaan ja karsimaan pois kivien joukosta. Odotusten vastaisesti sopivan matala ja tiheä rypäs kuusi- tai mäntytaimia ei päästänytkään lainkaan kaikuja läpi maahan asti, vaan kykeni paikoin
muodostamaan yhtenäisen, aukottoman, riittävän laajan, kiven tapaisen pinnan kivien oletuskorkeudelle. Tällainen kasvillisuus kävi mallin kriteereissä kivestä.
Lisäksi yrityksessä sulkea näitä kasvillisuuden aiheuttamia havaintoja pois, oli mallin kriteerejä kiven koolle ja korkeudelle jo entuudestaan nostettu niin ankariksi, että pienemmät kivet vaikuttivat valtaosaksi karsiutuneen pois. Virheellisistä kasvillisuuden aiheuttamista havainnoista ja useista löytämättä jäämistä kivistä huolimatta mallin todettiin kykenevän löytämään suurempia kiviä suotuisilta alueilta, joskin kehittämisen varaa oli.
Mallin korjausehdotuksiksi pohdittiin mm. maksimiläpimittaa kiville, jotta voidaan karsia pois mahdollisia rakennuksia, energiapuukasoja ja kallioita, joskin myös isojen kivien karsiutumisen riskillä. Myös laserkeilausaineiston tarkkuuden parantamista toivottiin pienempien kivien, kuten louhikoiden erottamiseksi. Suuremmalla kaikumäärällä kaikujen väli pienenisi ja kivet saisivat enemmän kaikujen osumia, mahdollistaen muodon tarkemman hahmottamisen, pienemmän bufferikoon käyttämisen sekä useampia tiheän kasvillisuuden läpäiseviä ja maanpintaan asti pääseviä kaikuja. Pienemmällä bufferikoolla riskit haudata pieniä kiviä buffereiden alle pienenevät ja kiven kriteerit kevenevät mahdollistaen pienempien kivien löytämisen. Lisäksi tiheän kasvillisuuden karsiminen helpottuisi kun suuremmalla todennäköisyydellä useampia kaikuja pääsisi kasvillisuuden läpi maahan asti. Myös kivien löytäminen metsäisiltä alueilta helpottuisi, kun enemmän kaikuja pääsisi latvuston läpi metsän pohjalle. Toisena tapana karsia kasvillisuutta, tarjottiin väärävärikuvien hyödyntämistä laserkeilausaineiston ohessa. Värisävyt mahdollistaisivat havupuiden erottamisen lehtipuista ja puuston erottamisen ylipäätänsä ruohosta, maasta tai kivestä. Ajatuksena oli etsiä ensin, perinteisellä kiven kokoon ja korkeuteen perustuvalla mallilla, mahdolliset kivet joista muodostaa polygonitiedostoja, joilla sitten leikata väärävärikuvista vastaavat värikuvaleikkeet mahdollisista kivistä. Tämän jälkeen värisävyjen perusteella karsitaan kasvillisuuden aiheuttamat virheosumat. Kun kasvillisuuden aiheuttamat osumat ovat pienempi vaara, voitaisiin mallin kriteerejä kiven koolle löyhentää pienempien kivien löytämiseksi. Koska edellytyksenä oli ehdoton laserkeilausaineiston asettuminen kohdakkain väärävärikuvien kanssa, toivottiinkin aineistoa, jossa väärävärien sävyarvot olisi jo valmiiksi yhdistettynä laserkeilausaineistoon. Ongelmaa voivat
mahdollisesti tuottaa kiven päällä kasvava sammal, puusto ja saniaiset, jotka tulisi kyetä erottamaan kasvillisuuden aiheuttamista virheosumista.
1.6. Tutkimuksen tarkoitus
Tämän tutkimuksen tavoitteena on kehittää testattavaksi ja arvioitavaksi mahdollisimman tarkkoja ja luotettavia malleja mahdollisimman pienten kivien löytämiseksi. Tutkimus toteutetaan lataamalla tutkimusalueelta maastotietokantoja entuudestaan tunnettujen kivien, louhikoiden ja avokallioiden sijainneista.
Tunnettujen sijaintien avulla monikanavaisesta laserkeilausaineistosta leikataan sopivan kokoiset näytteet aineistoa kivien, louhikoiden ja kallioiden ympäriltä.
Näytteestä tunnistetaan esimerkeiksi mm. kiviä, tarkastelemalla leikattua aineistoa visuaalisesti ArcScene ohjelmalla. Myös lähi-infrapunan saamia arvoja käydään läpi aineistossa. Tämän jälkeen mallin korkeuden ylä- ja alarajoja, bufferikokoa ja sävyarvoja säätämällä mallia kehitetään niin, että se kykenee löytämään näytteestä vain varmat tai mahdolliset kivet. Mallin pohjana toimii sama menetelmä kuin aikaisemmassa kandidaatin tutkimuksessani käytetyssä mallissa. Aikaisemman tutkimukseni kokemuksen lisäksi käytettävä aineisto on nyt tiheäpulssisempaa ja sisältää monikanavakeilauksen sävyarvot. Aluksi aineiston korkeuden ylä- ja alarajoja säätämällä pyritään leikkaamaan pois aineistosta mahdollisesti häiritsevä latvuskerros ja maanpinta. Bufferikolla säädetään koko- ja yhteneväisyysvaatimusta kivelle kasvillisuuden karsimiseksi. Myös sävyarvon avulla pyritään karsimaan pois kasvillisuutta. Näitä kriteerejä säätämällä, etsitään ensin pelkän mallin ajamisella ja aineiston visualisoinnilla parhaat kriteerien yhdistelmät, joilla löytää mahdollisimman pieniä kiviä riskeeraamatta liikaa kasvillisuuden aiheuttamia virhehavaintoja. Kun mallia on kehitetty tarpeeksi tietokoneella, siirrytään tulosten tarkasteluun maastossa.
Tällöin mallin ajamisen tuloksena löydetyt kivitiedot siirretään GPS-paikantimelle, jota hyödyntäen mallin löytämät kivet etsitään maastosta. Mallin tekemät löydöt tarkastetaan ja niistä kirjataan ylös löydetyn kohteen todellinen luonne kuten kivi, kivikasa, kallio, kasvillisuus, puu, maakumpu jne. Lisäksi löydetyistä kivistä kirjataan ylös läpimitta, korkeus ja pintaa peittävä materiaali, jotka määrittävät kiven sävyn, koon ja muodon itse aineistossa, ollen mahdollisesti vaikuttavana tekijänä kiven löytymiselle. Myös mahdollisia mallin löytämättä jättämiä kiviä mitataan arvioitavaksi ja vertailtavaksi. Tulosten perusteella mallin toimivuutta tarkastellaan, syitä
mahdollisille ongelmille sekä mahdollisia parannuksia arvioidaan, mallia muokataan ja edelleen testataan. Testaamista jatketaan noin kuukauden, minkä jälkeen lopullinen tulos mallin eri variaatioiden välillä arvioidaan. Tuloksesta pyritään tarkastelemaan mallien ja niiden eri variaatioiden löytämiä ja löytämättä jättämien kivien kokoa sekä arvioimaan mallin rajoja löydettävien kivien tarkkuudelle. Samalla läpikäydään mahdollisia virheellisiä havaintoja ja sitä kautta mallien ongelmia sekä luotettavuutta. Lisäksi selvitetään kivien läpimitan, korkeuden, kiviä peittävän sammaleen, maan sekä kasvillisuuden ja läheisen puuston vaikutusta ja selittävyyttä kivien löytymiseen, löytämättä jättämiseen ja mallien luotettavuuteen. Samalla selvitetään mallien soveltuvuutta hakkuukoneiden reittisuunnitteluun ja maastokarttojen täydentämiseen sekä arvioidaan yleisesti aineiston toimivuutta.
Pitkän tähtäimen tavoitteena on tuottaa tietoa vastaavanlaisten mallien kehittämisestä, haasteista ja kivien sekä ylipäätänsä maaston muotojen kartoittamisesta monikanavaisella laserkeilausaineistolla. Tutkimuksessa käytetyt menetelmät ja tulokset pätevät kivien lisäksi pitkälti myös muunlaisten maastonmuotojen kartoittamiseen.
2. Aineisto ja menetelmät
2.1. Aineisto
Tutkimuksessa käytetty monikanavainen laserkeilausaineisto lähi-infrapunan sävyarvoilla on peräisin Liperin ja Heinäveden kunnista. Alueen pääpuulajeja ovat mänty, kuusi ja koivu. Maastomittaukset toteutettiin heinäkuun aikana 2017.
Monikanavainen laserkeilausaineisto on keilattu toinen, kolmas ja kymmenes heinäkuuta 2016 käyttäen lentokoneeseen asennettua Optech Titan sensoria.
Lentokone oli lentänyt keilauksen aikana 1000 metrin korkeudessa keilaten 655 metriä leveää kaistaletta. Keilauksen aikana lentonopeus oli 77 metriä sekunnissa, keilauskulma 40 astetta ja pulssin toistotaajuus 250 kHz. Kyseisellä Optech Titan sensorilla on kolme aktiivista itsenäistä kuvakanavaa aallonpituuksilla 1550 nm, 1064 nm ja 532 nm. Keskiverto pulssitiheys lentolinjaa kohden oli 6,6 pulssia neliömetrille aallonpituudella 1550 nm, 8,0 pulssia neliömetrille aallonpituudella 1064 nm ja 3,1 pulssia neliömetrille aallonpituudella 532 nm. (Sanz ym. 2019)
2.2. Mallin kehittäminen
Laserkeilausaineiston kaikujen välit vaihtelevat karkeasti noin 60 cm ja 6 cm välillä ollen keskimäärin noin 17 cm. Kullakin kaiulla on sijaintitiedon lisäksi tieto korkeudesta merenpinnasta sekä oma lähi-infrapunan värisävytieto. Aineiston suuren tiheyden vuoksi sitä oli kuitenkin leikattava pienemmiksi koealoiksi. Aineista päätettiin leikata vertailtavaksi koealanäytteitä kivien, louhikoiden ja avokallioiden ympäriltä, käyttäen apuna maanmittauslaitoksen tietokantoja. Paituli-paikkatietopalvelusta ladattiin maanmittauslaitoksen maastotietokantoja Röhkövaaran, Sarvikummun ja Kaatamon edustalta. Ladatusta maastotietoaineistosta eroteltiin pisteaineistot kivien, pienten louhikoiden ja pienten kallioiden tunnetuista sijainneista, sekä polygoniaineistot isompien louhikoiden ja avokallioiden tunnetuista sijainneista.
Aineisto on yhteneväinen mm. joidenkin tämänhetkisten maastokarttojen kanssa.
Sijaintitietojen perusteella laserkeilausaineistosta leikattiin 20 metrin säteisiä koealoja
kivien, lohkareiden ja pienten avokallioiden tunnetuista sijainneista ja 50 metrin säteeltä suurempien louhikkoalueiden ja avokallioiden ympäriltä. Koealarypäitä oli kaikkiaan yhdeksän (Kuva 1). Kullakin rypäällä oli koealoja kolmesta kahteenkymmeneen kappaletta. Yhteensä koealoja oli 81, joista kivikoealojen määrä oli 68 ja lohkarekoealojen 18 (Taulukko 1). Molempien tyyppisten koealojen säde oli 20 metriä karttaan merkitystä kiven tai lohkareen sijainnista. Avokalliot ja suuremmat louhikkoalueet jätettiin lopulta pois tutkimuksesta. Aineiston suuren tiheyden vuoksi sen käsittely, edes pelkkinä leikattuina koealoina, oli hidasta ja vaati vain muutaman koealan käsittelyä kerralla. Kaikujen sisältämä korkeustieto perustui korkeuteen merenpinnasta, joten kunkin kaiun korkeus oletetusta maanpinnan tasosta laskettiin
”lasground” työkalulla. Lähestymistapana oli kehittää mallia mahdollisimman paljon tietokoneella ennen varsinaista maastomittausta. Tämä toteutettiin ajamalla mallia koealoilla ja tarkastelemalla mallin löytämiä kiviä alkuun pelkällä aineiston tietokonevisualisoinnilla. Aineiston visuaalisessa tarkastelussa hyödynnettiin ArcScene:ä, kun taas itse malli luotiin ja ajettiin ArcMapp:ssa.
Kuva 1. Yhdeksän rypään koealojen sijainnit kartalla. Kymmenes ryväs 1613 olisi ollut louhikkoalue mutta sen mittaamiseen ei riittänyt aikaa.
Taulukko 1. Yhdeksän mitattua ryvästä sekä niillä sijaitsevien kivi- sekä lohkarekoealojen määrät.
Ryväs Kiviä Lohkare Yhteensä
1782 5 5
1697 3 3
17261727 6 6
1723 6 6
1724 7 13 20
16611693 10 10
16691695 11 11
16411668 12 12
16131618 8 8
Yhteensä 68 13 81
2.2.1. Pohjamalli
Lähtökohtana oli, että kiviä voitaisiin etsiä laserkeilausaineistosta kaikujen sisältämän korkeustiedon ryhmittyneisyyden ja yhtenäisyyden sekä mahdollisesti myös kiven muodon perusteella. Niin sanotun ”kokomallin” toimintaperiaate ja tausta-ajatus ovat pääasiassa samat kuin perustana toimineessa kandidaatintutkimuksessani käytetyssä mallissa. Ainoastaan kivet muodostavat maanpinnan yläpuolelta laajoja, yhtenäisiä ja aukottomia pintoja, jossa kaikkien kaikujen korkeusarvo on ryhmittynyt kutakuinkin samalla korkeusvälille. Kivien pinta on kutakuinkin tasainen, kiven pinta ei saa äkillisen korkeita korkeusarvoja, eikä kiven läpi pääse kaikuja maahan asti.
Kasvillisuus vuorostaan on pinnaltaan epätasaista, pienialaista, korkeudeltaan hyvin vaihtelevaa ja voi hyvinkin päästää kaikuja lävitseen maahan asti. Kokomallissa kivien tunnistus mm. kasvillisuudesta perustuu siis riittävän laajoihin yhtenäisiin alueisiin ryhmittyneitä kaikuja, jolla kaikujen korkeudet sijoittuivat vain ja ainoastaan kivien oletuskorkeudelle maanpinnan ja latvuston väliin, eikä ainutkaan kaiku pääse ryppään lävitse maanpinnalle asti. Vain riittävän isojen kivien uskottiin täyttävän tämän kriteerin. Kivien oletuskorkeus on korkeus, millä valtaosan kivien pinnan kaikuja odotetaan olevan ja myös korkeusväli, jolta kiviä pyritään etsimään tässä tutkimuksessa. Puuston latvusto jää valtaosin oletuskorkeuden yläpuolelle ja maanpinta alapuolelle. Kivien oletuskorkeudella kasvava kasvillisuus karsiutuu, sillä se päästää kaikuja läpi maahan asti ja sen osan kasvillisuudesta, joka onnistuu muodostamaan läpipääsemätöntä pintaa, toivotaan olevan pinta-alaltaan liian pienikokoista ja hajanaista päästäkseen läpi kokoon perustuvasta karsinnasta. Tämä lähestymistapa toimi osittaisesti kandidaatintutkimuksen mallissa, mutta kärsi mm.
liian harvasta pulssitiheydestä. Tämän tutkimuksen aineiston suuremman pulssitiheyden avulla myös pienemmät kivet saavat osumia useammista kaiuista ja isommista voitaisiin hahmottaa jopa muotoa. Lisäksi latvuston läpi pääsee enemmän kaikuja, mahdollistaen kivien löytämisen paremmin metsäisiltä alueilta. Runsaamman pulssitiheyden ansiosta kasvillisuutta voidaan myös erottaa ja karsia pois luotettavammin, kun kaikuja pääsee suuremmalla todennäköisyydellä kasvillisuudesta lävitse. Lopuksi se osa kasvillisuudesta, mikä läpäisee kokomallin suodatuksen, voidaan karsia myöhemmässä vaiheessa sävyn perusteella. Kun riski kasvillisuusharhasta on pienempi, kiven koko- ja korkeuskriteerejä voidaan keventää vähentäen riskiä karsia vahingossa pieniä kiviä pois.
Oletuskorkeuden alarajaksi valittiin 0,4 metriä maanpinnasta. Raja valittiin näinkin korkeaksi, jotta varmistetaan, että maanpintaa ei päädy vahingossa mukaan kivien oletuskorkeudelle. Epätasainen maanpinta, äkilliset maakummut tai epätarkkuudet digitaalisen korkeusmallin käsityksestä maanpinnan tasosta voivat aiheuttaa joidenkin maanpintaan kuuluvien kaikujen saavan nollaa korkeampia korkeusarvoja.
Mikäli riittävän laaja alue maanpintaa ylittää korkeuden alarajan eli 0,4 metriä oletetusta maanpinnasta, malli voi tulkita vahingossa kyseisen alueen kiveksi. Mitään varmuutta ei ole miten tarkasti ohjelma muodostaa käsitystä kulloisestakin maanpinnan tasosta ja miten hyvin siihen nojaava kaikujen korkeusarvo maanpinnasta kulloinkin vastaa todellisuutta. Epätarkkuudet korkeudessa maanpinnan tasosta voivat antaa maanpinnan lisäksi myös kiville ja kasvillisuudelle todellista korkeampia tai matalampia korkeusarvoja. Kivien oletuskorkeuden alarajalla pyritään karsimaan pois maanpinnan lisäksi myös matalaa kuusi-, varpu- ja heinäkasvillisuutta, mikä voi tiheänä muodostaa läpipääsemättömiä, kiventapaisia pintoja. Riskinä on toisaalta, että myös matalat, alle 0,4 metriä korkeat, kivet tai osat kivestä jäävät tämän rajan alapuolelle. Alaraja määrittää, miten suuri osa kivestä yltää oletuskorkeudelle. Loivasti jyrkkenevästä kivestä ainakin kiven tyveen osuvat kaiut saavat arvoja tämän rajan alapuolelta pienentäen kiven pinta-alaa, joka ylittää oletuskorkeuden. Korkeammillakin kivillä on sama riski, mikäli korkeudet saavat arvoja alakanttiin maanpinnan tason epätarkkuuden vuoksi. Ongelmia voivat muodostaa myös maakummut, kalliot, kukkulat ja niiden päällä olevat kivet, jotka saavat korkeusarvoja yläkanttiin ja vastaavasti pienessä supassa, laaksossa tai painaumassa olevat kivet, jotka saavat korkeusarvoja alakanttiin, mikäli digitaalinen korkeusmalli arvaa, oikoo ja yksinkertaistaa maanpinnan tason hahmottamisessa, eikä kykene huomioimaan riittävästi pienipiirteistä muutosta korkeudessa. Teoriassa on jopa vaara, että tiheä kivikko tai kasvillisuus saa korkeusmallin kuvittelemaan, että maanpinta kulkee todellista korkeammalla kasvillisuuden tai kivikon päällä. Tällöin kaikki korkeusarvot ovat merkittävästi alakanttiin jättäen mahdollisesti useimmat kivet korkeuden alarajan alle. Myös kaltevassa rinteessä oleva kivi voi muodostaa ongelmaa riippuen siitä missä suhteessa kivi on rinteeseen nähden ja miten korkeusmalli tulkitsee maanpinnan tason kulkevan rinteessä.
Oletuskorkeuden ylärajaksi valittiin viisi metriä. Näin karsitaan pois korkeampi latvusto. Tietenkin matalampi latvusto ja kasvillisuus alittavat rajan, mutta suurempikokoisen ja tiheämmän latvuston oletetaan jäävän rajan yläpuolelle.
Vaarana tosin on karsia pois suuremmista kivistä huiput. Valtaosa kivestä jää kokonaisuudessaan ylärajan alapuolelle. Ongelmaa voi korostaa, jos kivi saa korkeusarvoja yläkanttiin korkeusmallin epätarkkuuksien vuoksi. Kivien oletusväli 0,4 metriä ja viisi metriä on aikaisempaa kandidaatin tutkimuksessani käytettyä 0,5 metrin ja kolmen metrin väliä laajempi, jotta saataisiin mukaan korkeudeltaan pienempiä kiviä, eikä karsittaisi pois poikkeuksellisen isoja kiviä.
2.2.2. Kokoon perustuva suodatus
Alkuun leikattiin pois kaikki kaiut, joiden korkeus on yli 0,4 metriä. Jäljelle jäävät, kivien oletuskorkeuden alarajan alittavat kaiut koostuvat pääosin maanpinnasta.
Nämä kaiut ovat karsivia kaikuja, eli ne rajaavat ympäriltään aluetta, missä kivi ei voi olla. Nämä karsivat, alle 0,4 metriä korkeat kaiut, muodostavat kukin ympärilleen säteeltään 50 cm laajan ympyrän muotoisen puskurivyöhykkeen eli bufferin. 50 cm riittää peittämään useimpien kaikujen välit. Kiviä mahdollisesti sisältävän alueen poiskarsinta tapahtuu näiden buffereiden säteen eli bufferikoon säätelemänä siten, että alue, jota bufferi peittävät, ei lasketa alueeksi, jolla voisi olla kiviä. Bufferit yhdistyvät yhdeksi pinnaksi, kattaen kaiken sen alueen, missä edes yksi kaiku on päässyt 0,4 metrin rajan alapuolelle enintään 50 cm etäisyydellä.
Bufferien muodostamaan pintaan jää reikiä, mikäli on riittävän suuria keskittymiä kaikuja, joista kaikki kaiut ylittävät korkeudeltaan 0,4 metrin rajan (Kuva 2). Tämä johtuu siitä, että 0,4 metriä korkeammat, oletettavasti kasvillisuuden, kivien ja puiden latvuston aiheuttamat kaiut, on leikattu pois, eivätkä ne muodosta siis buffereita.
Tällöin niiden poissaolo näkyy alueena, jossa buffereita ei ole muodostunut, eli reikinä bufferipinnassa, mikäli näitä buffereita muodostamattomia kaikuja on riittävän laaja ja yhtenäinen alue. Reiän jääminen bufferipintaan edellyttää laajuudeltaan karkeasti noin metrin läpimittaista ryvästä buffereita muodostamattomia kaikuja, riippuen hieman sattumasta kaikujen osumakohdissa sekä vaihtelevuudessa kaikutiheydessä. Koska rypään ulkopuolella olevat, alle 0,4 metrin kaiut, muodostavat ympärilleen 50 cm säteisiä buffereita ja mikäli bufferit rypään ympärillä
