Luonnontieteiden ja metsätieteiden tiedekunta
Faculty of Science and Forestry
METSIKKÖTUNNUSTEN INVENTOINTI DROONILLA ILMAN UUSIA MAASTOMITTAUKSIA PAIKALLISTEN MALLIEN AVULLA
Janne Toivonen
METSÄTIETEEN PRO GRADU
ERIKOISTUMISALA METSÄNARVIOINTI JA METSÄSUUNNITTELU ____________________________________________________________________
JOENSUU 2020
Toivonen, Janne. 2020. Metsikkötunnusten inventointi droonilla ilman uusia maastomittauksia paikallisten mallien avulla. Itä-Suomen yliopisto, luonnontieteiden ja metsätieteiden tiedekunta, metsätieteiden osasto. Metsätieteen pro gradu, erikoistumisala metsänarviointi ja metsäsuun- nittelu. 32 s.
TIIVISTELMÄ
Koealamittaukset ovat edelleen merkittävä yksittäinen kustannuserä kaikissa kaukokartoitus- pohjaisissa inventointimenetelmissä. Näiden mittausten toteutustarvetta voitaisiin vähentää käyttämällä toisilta vastaavantyyppisiltä alueilta luotuja metsikkötunnusmalleja. Drooneihin ja niiden mahdollisuuksiin metsien kaukokartoituspohjaisessa inventoinnissa liittyvä tutkimus ja käyttö on yleistynyt viimeisen vuosikymmenen aikana huomattavasti. Drooneilla hankittujen ilmakuvien pohjalta luotujen fotogrammetristen pistepilvien avulla tehtävää yksittäisten puiden tunnistusta ja aluepohjaisen menetelmän hyödyntämistä drooni-inventoinneissa on tutkittu pal- jon viime vuosina. Tämän tutkielman tavoitteena oli selvittää, kuinka hyvin metsikkötunnusten inventointi voidaan toteuttaa ilman aikaan ja paikkaan sidottuja maastomittauksia paikallisia malleja hyödyntäen. Nämä paikalliset mallit sovitettiin lentolaserkeilausaineistoa hyödyntäen 22 alueelle ympäri Suomea. Näiden mallimuotojen avulla ennustettiin Liperin testiaineistoon valtapituutta ja tilavuutta käyttäen lentolaseraineistoa vastaavia droonimetriikoita. Valtapituu- det ja tilavuudet ennustettiin 15 x 15 metrin alikoealoihin, josta ne yleistettiin 30 x 30 metrin koealatasolle. Tätä laajempaa tasoa voidaan pitää kuviotasoa vastaavana. Paikalliset valtapi- tuusmallit toimivat pääasiassa hyvin Liperin testiaineistoon ennustettaessa: suhteellinen keski- neliövirhe oli keskimäärin välillä 3-5%, suhteellinen harha välillä 0-3%. Sen sijaan Pohjois- Suomen tilavuusmallit osoittivat toisinaan jopa yllättävän heikkoa toimivuutta Liperin testiai- neistoon ennustettaessa: suhteellinen keskineliövirhe oli keskimäärin välillä 40-65%, kun taas muun Suomen alueiden malleilla ennustettaessa se oli keskimäärin 20-30%. Tilavuusmallien suhteellinen harha vaihteli välillä 3-17%, pohjoisemman Suomen mallien välillä 24-51%. Tu- loksista huomattiin, että pohjoisemman Suomen alueiden mallien toimivuus Liperissä heikkeni, yksittäisiä poikkeuksia lukuun ottamatta, johtuen pääasiassa metsien rakenteen muuttumisesta Liperin alueeseen verrattuna. Samoin havaittiin, että suuri suhteellinen keskineliövirhe oli pe- räisin suuresta harhasta. Lisäksi Liperiä lähellä olleiden alueiden mallit eivät aina toimineet yhtä hyvin kuin kauempana olleiden alueiden. Tämä johtui suurelta osin metsien rakenteelli- sesta erilaisuudesta.
Avainsanat: miehittämätön ilma-alus, drooni, lentolaserkeilaus, metsäinventointi, mallinnus, kaukokartoitus, aluepohjainen menetelmä.
Toivonen, Janne. 2020. Inventory of forest variables using local models and unmanned aerial vehicle without in-situ field measurements. University of Eastern Finland, Faculty of Science and Forestry, School of Forest Sciences. Master’s thesis in Forest Science specialization Forest mensuration and forest planning. 32 p.
ABSTRACT
Field measurement of sample plots is a major cost item in forest remote sensing.
Implementation of these measurements could be reduced by using models fitted elsewhere in a similar type of forest area. The use of drones and studies about the possibilities of drones in remote sensing -based forest inventory has become significantly more common during the last decade. The invocation of photogrammetry derived drone-based image point clouds by means of individual tree detection and area-based approach has been increasingly studied in recent years. The main objective of this study was to find out how precisely the inventory of forest variables can be implemented without new in-situ field measurements using local models.
These local models were fitted by using airborne laser scanning data from 22 areas across Finland. Mean height and stem volume were predicted in Liperi (North Karelia) test data by using these same forms of models and corresponding laser scanning metrics of drone data.
Mean heights and stem volumes were predicted at the 15 x 15-meter sub-plot level and later aggregated to 30 x 30-meter test plots. This larger level corresponds stand-level predictions.
Mean height models performed mainly well when predicting in Liperi test data: relative root mean square error varied between 3-5%, relative mean difference between 0-3%. Instead, stem volume models from Northern Finland performed occasionally poorly when predicting in Liperi test data: relative root mean square error varied between 40-65% whereas in models from other parts of Finland it varied between 20-30%. Relative mean difference of stem volume models varied between 3-17%, in models from northern parts of Finland between 24-51%.
From the results can be seen, apart from single exceptions, that the models fitted in northern parts of Finland did not perform well due to the change of forest structure compared to Liperi area. It was also discovered that great relative root mean square error originated from the great mean difference. Moreover, models from the areas close to Liperi did not perform well in every case as well as the models from further off. This was mainly caused by structural differences of forests.
Keywords: unmanned aerial vehicle, drone, airborne laser scanning, forest inventory, modelling, remote sensing, area-based approach.
SISÄLTÖ
1JOHDANTO ... 5
1.1Tutkielman tavoitteet ... 9
2AINEISTO JA MENETELMÄT ... 10
2.1Opetusaineisto ... 10
2.2Testiaineisto ... 11
2.3Lentolaserkeilaus- ja droonimetriikat ... 12
2.4Regressiomallit ... 13
2.5Ennustaminen testikoealoille ... 13
3TULOKSET ... 15
3.1Lentolaserkeilaus- ja droonimetriikoiden vertailu ... 15
3.2Paikalliset valtapituusmallit ... 15
3.3Paikalliset tilavuusmallit ... 19
4DISKUSSIO JA JOHTOPÄÄTÖKSET ... 25
4.1Diskussio ... 25
4.2Johtopäätökset ... 28
KIRJALLISUUS ... 29
1 JOHDANTO
Maastomittaukset ovat olleet kautta aikain tärkeässä roolissa metsien inventoinneissa, mutta ne ovat kuitenkin aina olleet kalliita toteuttaa. Vielä tänäkin päivänä kaikissa kau- kokartoituspohjaisissa inventointimenetelmissä tarvitaan maastomittauksia, ja ne muo- dostavat usein suurimman osuuden kaikista käytännön mittauskustannuksista (Maltamo
& Packalen 2014). Siirtyminen lentolaserkeilauspohjaiseen inventointiin on pienentänyt maastomittauksista johtuvia kustannuksia kuviotasolla, sillä lentolaserkeilaus (ALS, Air- borne Laser Scanning) mahdollistaa inventoinnissa tarvittavien maastokoealojen määrän pienenemisen (esim. Holopainen ym. 2013, Ståhl ym. 2016). Edelleen on esimerkiksi mahdollista luoda laajoilta alueilta kerätyn aineiston pohjalta malleja, joita kalibroimalla voidaan paikallista metsän rakennetta mallintaa entistä paremmin (Kotivuori ym. 2016, 2018).
Metsien kaukokartoituspohjaisessa inventoinnissa on käytössä kaksi päätekniikkaa: alue- pohjainen menetelmä (Næsset 2002) ja yksinpuintulkinta (Hyyppä & Inkinen 1999).
Aluepohjainen menetelmä perustuu laserpiirteiden ja maastokoealojen väliseen vahvaan tilastolliseen riippuvuuteen, ja tällä menetelmällä puustotunnukset ennustetaan suoraan koealalle (Holopainen ym. 2013). Aluepohjainen menetelmä on yksinpuintulkintaa kus- tannustehokkaampi ja mahdollistaa tarkat arviot esimerkiksi kuviotason metsävaroista.
Yksinpuintulkinta perustuu joko digitaalisten ilmakuvien avulla laaditun fotogrammetri- sen pistepilven tai laserkeilauspistepilven käyttöön (Holopainen ym. 2013). Tällä mene- telmällä voidaan mitata puun pituus suoraan puuston pituusmallin (CHM, canopy height model) lokaalista maksimista, ja tämän maksimin sijainti antaa samalla myös puun si- jainnin. Yksinpuintulkinta on kuitenkin aluepohjaista menetelmää kalliimpi, koska siinä tarvittava kaukokartoitus- ja maastoaineisto ovat yksityiskohtaisempia (Holopainen ym.
2013). Esimerkiksi aluepohjaisessa menetelmässä voidaan käyttää harvapulssisempaa la- serkeilausaineistoa (pulssitiheys 0,5-2,0 pulssia/m2). Sen sijaan yksinpuintulkinta vaatii hieman tiheämpipulssista laserkeilausaineistoa (pulssitiheys yli 2,0 pulssia/m2), ja ne so- pivat lähinnä pienten alueiden sekä varttuneiden metsiköiden inventointiin, jossa puut kasvavat harvassa. Yksinpuintulkinnan etuna on puiden sijaintitieto, mutta näiden mene- telmien alttius harhalle vaikeuttaa puustotunnusten ennustamista (Vauhkonen 2010).
Suomessa nykyisin sovellettava lentolaserkeilaukseen perustuva kuvioittainen arviointi käyttää lähtötietoina digitaalisia ilmakuvia, tarkasti paikannettua maastokoealaotosta sekä harvan pulssitiheyden (0,5 pulssia/m2) lentolaserkeilausaineistoa (Metsäkeskus 2019, Kangas ym. 2011). Kuvioittainen arviointi perustuu aiemmin Suomessa kehitet- tyyn puulajikohtaiseen inventointiin, joka hyödyntää lasertunnuksia ja ilmakuvapiirteitä (Packalen & Maltamo 2007). Mittauksen kohteena olevalle inventointialueelle, joka on esimerkiksi 100 000 hehtaaria, sijoitetaan ympyräkoealoja noin 500-700 kappaletta. Näi- den koealojen puista luetaan puulaji, läpimitta sekä pituus puulajeittain. Puustotunnuksia mallinnettaessa leikataan laser- ja ilmakuva-aineistot koealojen kohdalta. Kyseisessä puustotunnusten ennustamisessa käytetään kolmiulotteista aluepohjaista menetelmää, jossa koealojen puustotunnuksia mallinnetaan joko tilastollisesti parametrisella regres- siomallilla tai ei-parametrisella k-lähimmän naapurin menetelmällä (Suvanto ym. 2005, Packalen & Maltamo 2008). Käytettyjä puulajeittaisia puustotunnuksia ovat pohjapinta- ala, tilavuus, runkoluku sekä keskiläpimitta ja -pituus. Saadulla puustotunnusmallilla teh- dään puustotunnusten ennustaminen koko inventointialueelle 16 x 16 metrin hilaruutui- hin. Tähän liittyvä kuviointi tehdään joko perinteisesti ilmakuvien avulla tai automaatti- sella segmentoinnilla laserkeilausaineistoa ja ilmakuvia hyödyntäen. Lopuksi tulokset voidaan yleistää kuviotasolle hilatiedoista keskiarvoistamalla. Kuvioittaisessa arvioinnis- sakin hyödynnettävä lentolaseraineisto kokee päivityksen, sillä Maanmittauslaitos aloit- taa keväällä 2020 kansallisen laserkeilausohjelman, jonka myötä käytettävän lentolaser- keilausaineiston tarkkuus kymmenkertaistuu entisestä. Samalla keilaussykli tihenee siten, että keilaus tehdään keilausalueittain uudelleen kuuden vuoden kuluttua. (Kangas ym.
2011, Maltamo & Packalen 2014, Metsäkeskus 2019, Maanmittauslaitos 2020)
Aluepohjaisen menetelmän etuna on puustotunnusten hyvä tarkkuus erityisesti, jos puu- lajitietoa ei tarvita. Tämän menetelmän tarkkuus on kuitenkin riippuvainen käytettyjen maastokoealojen kattavuudesta ja tarkkuudesta (Holopainen ym. 2013, Maltamo ym.
2011). Droonien kannalta perinteinen aluepohjainen menetelmä on haasteellinen johtuen drooniaineiston kattamasta pienestä pinta-alasta. Tästä seuraa se, että maastomittauksia ei voida suorittaa paljon, sillä muuten inventoinnin hehtaarikohtaiset kustannukset nou- sisivat huomattavan suuriksi (Kotivuori ym. 2020).
Lentolaserkeilaukseen ja aluepohjaiseen menetelmään perustuvaa inventointia on tutkittu ja hyödynnetty laajalti 2000-luvulla (Næsset 2002, Vauhkonen ym. 2014, Sabol ym.
2016). Monissa tutkimuksissa, joissa on luotu laserkeilausaineistoon pohjautuvia malleja, ja käytetty niitä edelleen tilavuuden ja biomassan ennustamiseen laajalla maantieteelli- sellä alueella, ovat tuloksiin vaikuttaneet suuresti käytetyt laserkeilaimet sekä metsän ra- kenteen muuttuminen maantieteellisesti (Breidenbach ym. 2008, Næsset & Gobakken 2008). Kuitenkaan lentolaserkeilausaineistoon sovitetuissa malleissa valtapituuden osalta ei tällaista maantieteellisten erojen muutosta ollut havaittavissa (Kotivuori ym. 2016).
Droonien mahdollisuudet metsien kaukokartoituksessa on noteerattu monien tutkimusten myötä, ja niiden käyttö metsien inventoinnin tutkimuksessa on yleistynyt merkittävästi viimeisen vuosikymmenen aikana (Colomina & Molina 2014, Tang & Shao 2015). Droo- nien varsinainen operationaalinen käyttö metsien inventoinneissa on vasta aluillaan. Met- sien kaukokartoituskäytössä drooneja käytetään metsikön tunnusten, kuten tilavuuden, ennustamiseen perustuen joko ilmakuvista luotuihin 3D-pistepilviin (Puliti ym. 2015, Ota ym. 2017) tai droonilla tehtävään laserkeilaukseen (Lin ym. 2011, Wallace ym. 2012).
Nämä kaukokartoitusmenetelmät ovat olleet toistaiseksi pääasiassa aluepohjaisia, mutta myös drooneilla tehtävää yksinpuintulkintaa on tutkittu (Guerra-Hernandez ym. 2017, Mohan ym. 2017, Surovy ym. 2018).
Droonista käytetään myös nimitystä UAV (unmanned aerial vehicle), UAS (unmanned aerial system) ja RPAS (remotely piloted aerial system) (Tang & Shao 2015, AltiGator 2020). Suomen kielessä drooneja nimitetään yleisesti myös UAV-termin suoran kään- nöksen mukaan ”miehittämättömiksi ilma-aluksiksi”. Lisäksi suomen kielessä on käy- tetty samaa drone-termiä kuin englannin kielessä (Droneinfo 2020). Drooni-sanan ali- luokkia ovat esimerkiksi nelikopteri ja lentävä siipi, joilla tarkoitetaan toimimisperiaat- teeltaan ja ulkonäöltään tietynlaista droonia (Tang & Shao 2015). Tässä tutkielmassa käy- tetään termiä drooni tarkoittamaan kaikkia miehittämättömiä ilma-aluksia.
Droonilla hankituista, osittain päällekkäin menevistä, kaksiulotteisista ilmakuvista voi- daan muodostaa fotogrammetrisen prosessoinnin avulla niin sanottuja ilmakuvapistepil- viä, joilla voidaan kuvata metsikköä ja sen rakennetta (Dandois & Ellis 2013, Lisein ym.
2013). Tällaista aineistoa voidaan käsitellä kuin laserkeilausaineistoa käyttämällä alue- pohjaista menetelmää tai yksinpuintulkintaa (Vauhkonen ym. 2014). Droonilla hankittua aineistoa voidaan soveltaa esimerkiksi toistuvaan pienialaiseen (<100 ha) metsävaratie-
don hankintaan. Toisaalta tässä tapauksessa tarvittavia maastokoealoja olisi vähän ja nii- den mittaaminen tulisi suhteellisen kalliiksi. Tämän vuoksi olisi toivottavaa, että edellä mainittuja maastomittauksia ei tarvitsisi tehdä lainkaan.
Puliti ym. (2015) hyödynsivät droonipohjaista ilmakuvapistepilveä ja siitä laskettuja met- riikoita (mm. korkeus-, tiheys-, spektriset metriikat) pienalaisen metsikön tunnusten en- nustamiseen Norjassa. Tutkimuksessa ennustettavia tunnuksia olivat muun muassa val- tapituus sekä rungon tilavuus ja siinä hyödynnettiin saman alueen lentolaserkeilausai- neistoa maaston korkeuden määrittämiseen drooni-ilmakuville. Heidän tuloksensa osoit- tautuivat varsin hyviksi ja olivat hyvin vertailukelpoisia esimerkiksi laserkeilauksella saatujen ennusteiden kanssa. Tilavuusmallin suhteellinen keskineliövirhe oli 14,9%. Val- tapituusmallilla tämä virhe oli 3,6%. Vastaavalla tavalla Ota ym. (2017) suorittivat droo- niaiheisen tutkimuksen Japanin saarilla, jossa mielenkiinnon kohteena oli tilavuuden li- säksi kolme eri pituusmuuttujaa. Heidän tuloksensa olivat myös lupaavia: tilavuusmallin suhteellinen keskineliövirhe oli 20,0%. Navarro ym. (2018) toteuttivat espanjanlaisessa rannikkomäntymetsikössä laserkeilaus- ja drooniaineistojen välisen vertailun, jossa en- nustettiin puuston valtapituutta, tilavuutta, pohjapinta-alaa ja runkolukua. He saivat drooni-ilmakuvapistepilveen sovitetun valtapituuden mallin suhteelliseksi keskineliövir- heeksi kuviotasolla 10,71%. Tilavuusmallin osalta tämä virhe oli 26,80%. Kyseisessä tutkimuksessa mielenkiintoista oli se, että laserkeilausaineistoon sovitetun valtapituus- mallin suhteellinen keskineliövirhe (11,06%) oli hieman suurempi kuin drooniaineistoon sovitetun mallin.
Ilman maastomittauksia tehtävästä ja drooni-ilmakuviin perustuvasta metsäninventoin- nista ei juuri ole tutkimuksia. Eräänlainen lähestymistapa tällaiseen inventointiin olisi hyödyntää aiempia lentolaseraineistoja sekä maastokoealoja, joiden avulla sovitettaisiin aluepohjaisia malleja tunnusten ennustusta varten (Kotivuori ym. 2016, 2018). Tämä olisi mahdollista silloin, kun 3D-pistepilvestä johdetut metriikat olisivat verrannollisia vastaa- viin lentolaserkeilausmetriikoihin (Kotivuori ym. 2020). Koska drooni-ilmakuvat ja niistä muodostetut pistepilvet eivät sisällä tietoa niistä metsikön kerroksista, jotka eivät olet kuvissa näkyvillä (Lisein ym. 2013), on todennäköistä, että valtapuuston ylimmistä latvuskerroksesta johdetut metriikat korreloisivat parhaiten lentolaser- ja drooniaineisto- jen välillä. Esimerkiksi Kotivuori ym. (2016) hyödynsivät lentolaseraineistoa ja maasto-
koealoja koostaakseen yhdeksältä inventointialueelta valtakunnallisia malleja maan ylä- puoliselle biomassalle, valtapituudelle sekä rungon tilavuudelle. Tässä tutkimuksessa to- dettiin, että valtakunnallisilla malleilla oli mahdollista saada hyviä ennusteita valtapituu- delle, tilavuudelle ja biomassalle koko Suomessa.
1.1 Tutkielman tavoitteet
Tämän tutkielman tavoitteena on selvittää, kuinka tarkasti droonipistepilvestä johdettujen met- riikoiden avulla voidaan ennustaa puustotunnuksia metsikköön ilman paikkaan ja aikaan sidot- tuja maastomittauksia paikallisten mallien avulla, sekä selvittää, kuinka mallien virheet vaihte- levat inventointialueiden välillä. Tässä tutkielmassa paikallisilla malleilla tarkoitetaan sitä, että 22 metsäalueelle ympäri Suomea sovitetaan valtapituuden ja tilavuuden mallit lentolaserkei- lausmetriikoiden avulla (opetusaineisto). Kunkin puustotunnuksen osalta käytetään jokaisella alueella samaa mallin muotoa - vain parametrien estimaatit ovat erilaiset. Testialueelle, joka sijaitsee Liperissä, lasketaan vastaavat metriikat drooniaineistolle. Aiemmin luotuja paikallisia malleja käyttäen ennustetaan testialueen koealoille valtapituudet ja tilavuudet, joita verrataan testialueelta maastosta mitattuihin arvoihin. Saadut tulokset ovat 15 x 15 metrin koealoille ja ne yleistetään kuvioittaisen arvioinnin tapaan laajemmalle 30 x 30 metrin tasolle. Tarkoituksena on simuloida käytännön kaukokartoitusperusteista inventointia, jossa ennusteet tuotetaan ku- viotasolle kuvion sisällä olevista pienemmistä ennusteyksiköistä. Lopuksi lasketaan eri mal- leille suhteellinen keskineliövirhe (RMSE-%) ja suhteellinen harha (HARHA-%), mikä mah- dollistaa mallien paremmuuden vertailun.
2 AINEISTO JA MENETELMÄT
2.1 Opetusaineisto
Tässä tutkielmassa opetusaineistona hyödynnetyt lentolaserkeilaus- sekä maastoaineisto ovat samat kuin Kotivuori ym. (2018) ja Kotivuori ym. (2020) tutkimuksessa käytetyt. Maastoai- neisto perustui 22 alueeseen ympäri Suomea (Kuva 1). Valtaosan maastoaineistosta tarjosi Suo- men Metsäkeskus, loput Blom Kartta Ltd. ja TerraTec Ltd. Maastoaineistoa yhtenäistettiin siten, että siitä poistettiin kaikki puut, joiden rinnankorkeusläpimitta oli alle viisi senttimetriä sekä ne koealat, joiden hehtaarikohtainen tilavuus oli alle kolme kuutiometriä. Lisäksi maastoaineis- tosta poistettiin ne koealat, jotka sijaitsivat taimikoissa. Inventoinneissa oli käytetty inventoin- tialueesta ja puuston koosta riippuen neljää eri koealakokoa (säde 5,64; 9; 12,62 tai 12,65 met- riä) ja kolmea eri otantaperiaatetta. Runkojen tilavuudet laskettiin tässä tapauksessa puulaji- kohtaisilla Laasasenahon (1982) tilavuusmalleilla. Edellä mainituista mittauksista ja laskuta- voista löytyy laajemmin tietoa julkaisusta Kotivuori ym. (2016).
Hyödynnetty valtakunnallinen lentolaserkeilausaineisto hankittiin olosuhteissa, joissa lehdet olivat vielä puissa, ja se kerättiin samaan aikaan maastomittausten kanssa (2011-2015). Ainoa poikkeus aineistossa oli Ilomantsi, jonka maastoaineisto oli 1-2 vuotta lentolaseraineistoa nuo- rempaa. Tämä poikkeus otettiin kuitenkin huomioon käyttämällä Luonnonvarakeskuksen (Luke) kasvumalleja. Jokaiselta inventointialueelta valittiin tarkasteltavaksi 301 koealaa joh- tuen koealojen määrän laajasta vaihtelusta. Valinta tehtiin R-ohjelmalla kvantiileihin perustuen.
Kahdelta inventointialueelta ei kuitenkaan saatu 301 koealaa: Ilomantsista 149 sekä Savukos- kelta 233. Täten kaiken kaikkiaan tutkimuksessa hyödynnettiin 6402 koealaa.
Lentolaseraineiston hankinnassa oli käytetty Leican ja Optechin keilaimia: yhteensä 12 eri lait- teistoa. Käytetty pulssitiheys vaihteli 0,5-1,2 pistettä/m2 välillä. Keilauskulma vaihteli 15-20 asteen sekä lentokorkeus 1675-2000 metrin välillä. Aineistoa kerättiin kahdella tavalla: yksi- pulssi-ilmassa- sekä monta-pulssia-ilmassa -periaatteilla. Pulssintoistotaajuudet vaihtelivat käytetyn keräystavan mukaan 114,6-136,5 tai 50,0-71,8 kHz välillä.
Kuva 1. Lentolaserkeilausalueiden sijoittuminen Suomen kartalle. Karttapohja: Suomen Maa- kuntajako, Maanmittauslaitos.
2.2 Testiaineisto
Tässä tutkielmassa käytettiin saman testialueen maastokoealoja kuin Kotivuori ym. (2020) tut- kimuksessa käytettiin. Liperin alueelta mitattiin kaiken kaikkiaan 111 30 x 30 metrin maasto- koealaa kesällä 2017, joista valittiin subjektiivisesti 20 koealaa siten, että puulajien ja kehitys- luokkien edustus olisi mahdollisimman monipuolinen. Jokainen koeala jaettiin vielä neljäksi pienemmäksi alikoealaksi (15 x 15 metriä), joka johti kaiken kaikkiaan 80 inventointiyksikköön.
Mittauksiin otettiin mukaan kaikki puut, joiden rinnankorkeusläpimitta oli vähintään viisi sent- timetriä. Näiden puiden osalta mitattiin niiden pituus, rinnankorkeusläpimitta sekä niiden si- jainti Korpelan ym. (2007) menetelmää hyödyntäen. Mittausten jälkeen laskettiin jokaiselle puulle rungon tilavuus käyttäen puulajikohtaisia Laasasenahon (1982) tilavuusmalleja, joissa tilavuus saadaan läpimitan ja pituuden funktiona. Nämä tilavuudet laskettiin yhteen 15 x 15 metrin koealoille, joilta ne edelleen yleistettiin 30 x 30 metrin koealatasolle (m3 ha-1).
Myös drooniaineisto pohjautui Kotivuori ym. (2020) tutkimukseen. Droonina käytettiin DJI Inspire 1 (v. 2.0) -droonia, jonka sensoreina käytettiin Zenmuse x3 -digitaalikameraa sekä Sony IMX078CQK -kuvasensoria. Ilmakuvaukset suoritettiin Liperin alueella aikavälillä 20.6. – 23.8.2017. Kuvauksiin lukeutui sekä aurinkoisia että pilvisiä päiviä. Samoin kuvauksissa otet- tiin huomioon tuuli, joka vaihteli hieman kuvauspäivistä riippuen. Voimakastuulisina päivinä kuvauksia ei tehty lainkaan. Kuvaukset tehtiin 75 metrin korkeudelta koeala kerrallaan hyö- dyntäen kolmea lentolinjaa siten, että sivupeitto oli 60% ja yläpeitto oli 90%. 30 x 30 metrin koealan keskus sijoittui aina keskimmäisen lentolinjan keskelle. Ilmakuvista luotiin kolmiulot- teiset pistepilvet käyttäen Agisoft Photoscan -ohjelmistoa (AgiSoft PhotoScan Professional 2020).
Pistepilven luonnin jälkeen se kohdistettiin x- ja y-suunnassa siten, että droonipohjainen puus- ton pituusmalli vastasi mahdollisimman hyvin lentolaserkeilausaineistosta johdettua puuston pituusmallia. X- ja y-suuntaista korjausta tarvitaan, sillä ilmakuvapistepilven georeferointi ei ole riittävän tarkka ilman kontrollipisteiden (GCP, Ground Control Point) käyttöä. Tässä tut- kielmassa x- ja y-suuntaiset korjaukset tehtiin Maanmittauslaitoksen (MML) lentolaserkeilaus- aineistoon perustuen. Lisäksi ilmakuvapisteet kohdistettiin z-suunnassa vastaamaan paremmin lentolaserkeilausaineistoa siten, että pistepilveä siirrettiin kokonaisuudessaan kyseisessä suun- nassa (Kotivuori ym. 2020). Tämän jälkeen tehdyssä z-normalisoinnissa on yleensä hyödyn- netty lentolaserkeilausainestosta johdettua maanpinnan korkeusmallia (ALS-DTM). Tässä tut- kielmassa pisteiden z-normalisointi maanpinnan suhteen laskettiin pelkästään ilmakuvapisteai- neistoa käyttämällä. Pisteet erotettiin maapisteiksi Axelsson (2000) -algoritmia käyttämällä.
Näistä maapisteistä luotiin seuraavaksi maanpinnan korkeusmalli, jonka jälkeen kaikkien pis- teiden z-arvosta vähennettiin maanpinnan korkeus.
2.3 Lentolaserkeilaus- ja droonimetriikat
Lentolaserkeilausmetriikat laskettiin ainoastaan ensimmäisistä kaiuista, koska droonilla hankittujen ilmakuvien avulla luodut pistepilvet sisältävät informaatiota vain latvusker- roksen yläpäästä. Lentolaseraineistossa nämä kaiut ovat alun perin nimeltään ”ensimmäi- set ja ainoat kaiut”. Lentolasermetriikoita vastaavat droonimetriikat laskettiin käyttäen kaikkia pistehavaintoja. Määritettyjä metriikoita olivat pisteiden z-arvojen maksimi (hmax), keskiarvo (hmean) ja pituuskvantiili (h95). Näitä metriikoita käytettiin myöhem- mässä vaiheessa tilavuus- ja valtapituusmalleilla ennustettaessa.
2.4 Regressiomallit
Paikallisten aluepohjaisten tilavuus- ja valtapituusmallien luonnissa käytettiin lentolasermetrii- koita (Osio 2.3). Paikalliset mallit sovitettiin jokaiselle 22 inventointialueelle. Tilavuuden en- nustamisessa käytettiin kahta, ja valtapituuden ennustamisessa yhtä metriikkaa. Muuttujia käy- tettiin vähän, jotta malleista tulisi mahdollisimman yksinkertaisen muotoisia ja niillä ennusta- minen olisi helpompaa. Valtapituuden ennustuksessa käytettiin samaa mallin muotoa kuin Ko- tivuori ym. (2016) tutkimuksessa käytettiin. Valtapituuden lineaarisessa mallissa selittävänä muuttujana toimi pistehavaintojen korkeuskvantiili h95 (Kaava 1).
𝐻𝐷𝑂𝑀 = 𝛽0+ 𝛽1 × ℎ95 (1) jossa
HDOM = ennustettu valtapituus (lyh. dominant height) β0 = mallin vakiotermi
β1 = mallin kerroin
h95 = pistehavaintojen 95% korkeuskvantiili
Tämän lineaarisen valtapituusmallin sovituksessa käytettiin R-ohjelmiston lm-funktiota. Tila- vuuden mallinnus oli epälineaarista, ja siinä selittävinä muuttujina käytettiin pituusmaksimia (hmax) ja -keskiarvoa (hmean) (Kaava 2). Tilavuusmalli oli muotoa:
𝑉 = (𝑎 + 𝑏 × √ℎ𝑚𝑒𝑎𝑛 + 𝑐 × ℎ𝑚𝑎𝑥)2 (2) jossa
a, b, c = mallin parametreja
hmean= pistehavaintojen korkeuksien keskiarvo hmax = pistehavaintojen korkeuksien maksimiarvo
Tämän epälineaarisen tilavuusmallin sovituksessa käytettiin R-ohjelman nlme-paketista löyty- vää gnls-funktiota. Se sovittaa epälineaarisen mallin yleistetyllä pienimmän neliösumman me- netelmällä. Residuaalivirheiden varianssiksi oletettiin tässä tapauksessa power-tyypin varianssi var(ei) = σ2h952θ. Tässä σ ja θ ovat parametreja ja h95 on pistehavaintojen 95% korkeuskvantiili.
2.5 Ennustaminen testikoealoille
Edellä mainittuja menetelmiä ja malleja käyttäen tehtiin valtapituuden ja tilavuuden (m3/ha) ennustaminen Liperin testiaineistoon 15 x 15 metrin koealoille käyttäen lentolaserkeilausai- neistoa vastaavia droonimetriikoita. Varsinaiset 30 x 30 metrin koealaennusteet laskettiin ky- seisen koealan sisällä olevien 15 x 15 metrin koealatulosten keskiarvoina. Saadut tulokset tila- vuus- sekä valtapituusmallien osalta on esitetty seuraavassa kappaleessa vain 30 x 30 metrin kuviotasolta. Mallien suhteellinen keskineliövirhe (Kaava 3) sekä suhteellinen harha (Kaava 4) laskettiin tällä laajemmalla tasolla.
𝑅𝑀𝑆𝐸% = 100 × √∑ (𝑦̂−𝑦𝑖)2
𝑛
𝑛𝑖=1 /𝑦̅ (3)
𝐻𝐴𝑅𝐻𝐴% = 100 × ∑ (𝑦̂−𝑦𝑖)2
𝑛
𝑛𝑖=1 /𝑦̅ (4)
jossa
𝑦̂ = muuttujan y ennustettu arvo koealalla i, 𝑦𝑖 = muuttujan y maastomitattu arvo koealalla i,
𝑦̅ = muuttujan y maastomitatuista arvoista laskettu keskiarvo koealalla i n = koealojen lukumäärä
3 TULOKSET
3.1 Lentolaserkeilaus- ja droonimetriikoiden vertailu
Laserkeilaus sisältää ilmakuvapistepilviaineistoa enemmän havaintoja läheltä maanpintaa. Sen sijaan drooniaineisto, tässä tapauksessa ilmakuvapistepilvi, voi kuvata latvuston yläkerroksia jopa laseria tarkemmin, sillä sen pistetiheys on usein laserkeilausaineistoa suurempi. Aiem- massa tällä samalla aineistolla tehdyssä tutkimuksessa (Kotivuori ym. 2020) huomattiin, että valtapuustoa kuvaavien metriikoiden (esimerkiksi h95) riippuvuus näiden kahden aineiston vä- lillä on suurinta. Sen sijaan alemman latvuskerroksen puuston ominaisuuksia kuvaavilla met- riikoilla ei ollut yhtä suurta riippuvuutta. Kuvassa 2 on esitettynä lentolaserkeilaus- ja drooni- aineistoista johdettujen kolmen metriikan välinen riippuvuus Liperin testiaineistossa.
Kuva 2. Kolmen malleissa käytetyn metriikan vertailu drooni- ja lentolaserkeilausaineistojen välillä Liperin 15 x 15 metrin testikoealoilla.
Kuvasta nähdään, että pistehavaintojen korkeuksien maksimiarvot ja 95% korkeuskvantiilin ar- vot vastaavat kahden aineiston välillä hyvin toisiaan. Keskimäärin drooniaineisto antaa 95%
kvantiiliarvoissa lentolaseraineistoa suuremman arvon. Samoin maksimiarvoissa droonilla saa- daan pääasiassa lentolaseraineistoa suuremmat arvot. Pistehavaintojen korkeuksien keskiarvo- jen (hmean) tapauksessakin drooniaineistolla saadaan lentolaseraineistoa suuremmat arvot. Li- säksi hajonta on edellisiä metriikoita suurempaa.
3.2 Paikalliset valtapituusmallit
Valtapituusmallit ja niiden suhteelliset keskineliövirheet sekä harhat Liperin testiaineistossa on esitetty Taulukossa 1. Valtapituusmallien vakiotermin β0 minimiarvo oli 2,0762 (Tornio) ja maksimiarvo 4,3162 (Ilomantsi). Kertoimen β1 vastaavat arvot olivat 0,8349 (Savukoski) ja 1,0055 (Orivesi). Näistä kertoimien eroista voidaan päätellä, että valtapituusmallien välillä on jotain vaihtelua. Koska kyseessä on ensimmäisen asteen polynomiyhtälö, voidaan vakiotermi β0 ymmärtää y-akselin leikkauspisteenä ja kerroin β1 suoran kulmakertoimena. Suhteellisen harhan laskukaavan (Kaava 4) mukaan positiivinen harha tarkoittaa mallin yliarviota ja nega- tiivinen vastaavasti aliarviota. Valtapituusmallien suhteellinen harha vaihteli Turun 0,77% ja Savukosken -9,14% välillä. Keskimäärin suhteelliset harhat olivat välillä 0-3%. Valtapituus- mallien suhteellinen keskineliövirhe vaihteli Oriveden 3,53% ja Savukosken 10,65% välillä.
Keskimäärin se kuitenkin pysyi välillä 3-5%. Ainoastaan Sodankylän, Savukosken sekä Tor- nion tulokset poikkesivat tästä ja olivat lähempänä 10%.
Taulukko 1. Paikalliset valtapituusmallit, niiden suhteelliset harhat ja keskineliövirheet Lipe- rin testiaineistossa. Valtapituusmalleissa käytettiin selittäjänä pistehavaintojen 95% korkeus- kvantiilia.
Inventointialue Malli HARHA-% RMSE-%
Savukoski HDOM = 4,2254 + 0,8349 * h95 -9,14 10,65
Sodankylä HDOM = 3,2639 + 0,9371 * h95 -4,67 6,09
Kolari HDOM = 3,0415 + 0,9939 * h95 -0,77 3,62
Kuusamo HDOM = 2,7899 + 0,9766 * h95 -3,40 4,95
Ranua HDOM = 2,8201 + 1,0038 * h95 -0,92 3,64
Tornio HDOM = 2,0762 + 0,9900 * h95 -5,45 6,51
Pudasjärvi HDOM = 3,7004 + 0,9504 * h95 -1,55 4,09
Kuhmo HDOM = 3,8555 + 0,9239 * h95 -3,14 5,14
Siikalatva HDOM = 3,6229 + 0,9678 * h95 -0,41 3,68
Toholampi HDOM = 3,7774 + 0,9411 * h95 -2,01 4,36
Maaninka HDOM = 2,8661 + 0,9794 * h95 -2,81 4,56
Kaavi HDOM = 3,3075 + 0,9550 * h95 -2,93 4,76
Ilomantsi HDOM = 4,3162 + 0,9393 * h95 0,26 3,90
Ähtäri HDOM = 3,9541 + 0,9449 * h95 -0,89 3,94
Kristiinankaupunki HDOM = 3,2960 + 0,9772 * h95 -1,07 3,75
Kangasniemi HDOM = 3,1182 + 0,9766 * h95 -1,92 4,08
Sulkava HDOM = 3,5296 + 0,9500 * h95 -2,36 4,46
Orivesi HDOM = 2,9594 + 1,0055 * h95 -0,15 3,53
Sastamala HDOM = 3,3076 + 0,9806 * h95 -0,72 3,66
Virolahti HDOM = 3,3730 + 0,9744 * h95 -0,96 3,74
Hyvinkää HDOM = 3,6259 + 0,9429 * h95 -2,53 4,61
Turku HDOM = 3,7978 + 0,9724 * h95 0,77 3,71
Valtapituusmallit antoivat Turun ja Ilomantsin mallia lukuun ottamatta aliarviota valtapituu- desta Liperin testiaineistossa. Huomionarvoista on kuitenkin, että pohjoisesta sijainnistaan huo- limatta Kolarin alueen malli pärjäsi valtapituuden ennusteissa Liperin testiaineistossa oikein hyvin: suhteellinen harha oli vain -0,77% ja suhteellinen keskineliövirhe 3,62%. Pienempiä arvoja harhan osalta löytyi vain Ilomantsista, Siikalatvalta, Orivedeltä ja Turusta. Lisäksi on huomattava, että Liperiä lähimpien alueiden malleissa Kaavilla, Maaningalla, Sulkavalla sekä Orivedellä niin harha kuin keskineliövirhe olivat suhteellisen suuria. Sen sijaan Länsi- ja Etelä Suomesta löytyi pääasiassa hyviä valtapituusmalleja Liperin testiaineistoon ennustettaessa.
Kuva 3 esittää kaikkien 22 alueen mallin ennusteiden (pystyakseli) sekä Liperin testiaineiston todellisten arvojen (vaaka-akseli) väliset sirontakuviot. Näiden mallien osalta voidaan todeta, että ne istuivat pääsääntöisesti hyvin Liperin testiaineistoon. Sirontakuvista huomataan, että kolmen havainnon ennusteet eivät onnistuneet niin hyvin kuin muiden. Lisäksi havaitaan, että Savukosken malli tuottaa suurilla valtapituuden arvoilla selviä aliarvioita valtapituudesta.
Kuva 3. Kuvassa on esitettynä kaikkien 22 alueen mallin sirontakuviot valtapituuden ennustei- den osalta. Vaaka-akselilla on mitattu ja pystyakselilla ennustettu arvo.
Kuva 4 selventää valtapituuden mallien virheiden jakautumista Suomen kartan avulla. Se ha- vainnollistaa hyvin mallien toimivuuden eroja siirryttäessä alueelta toiselle. Paikkakunnan ni-
men alapuolinen arvo tarkoittaa virhettä Liperin testiaineistossa, 30 x 30 metrin koealalla, ky- seisen alueen mallilla ennustettuna. Yleisesti voidaan sanoa, että valtapituusmallien suhteelli- nen harha sekä keskineliövirhe ovat kasvoivat, mitä pohjoisemman Suomen malleja käytettiin.
Lisäksi Länsi- ja Etelä-Suomen mallien suhteelliset virheet olivat keskimääräistä matalammalla tasolla.
Kuva 4. Valtapituusmallien suhteellinen keskineliövirhe (A) ja suhteellinen harha (B) Suomen kartalle sijoitettuna mallien sovitusalueittain. Karttapohja: Suomen Maakuntajako, Maanmit- tauslaitos.
3.3 Paikalliset tilavuusmallit
Tilavuusmallien virheet olivat odotetusti valtapituusmalleja suurempia (Taulukko 2), sillä val- tapituus saadaan tilavuuteen nähden lähes suoraan metriikan h95 arvosta. Tilavuuden johtami- nen vaatii sen sijaan epälineaarista mallinnusta ja enemmän muuttujia. Toisaalta liian suuri muuttujien määrä tekee malleista monimutkaisia. Tilavuusmallien parametrin aminimiarvo oli -5,2732 (Ilomantsi) ja maksimiarvo -0,2739 (Ähtäri). Parametrin b vastaavat arvot olivat 2,9720 (Ilomantsi) ja 5,3177 (Orivesi), parametrin c 0,0038 (Orivesi) ja 0,0108 (Ranua). Tilavuusmal- lien parametrien estimaatit siis vaihtelivat huomattavasti valtapituusmallien parametriestimaat- teja enemmän. Paikallisten tilavuusmallien suhteellinen keskineliövirhe vaihteli Hyvinkään
20,84% ja Ranuan 65,94% välillä. Suurin osa tilavuusmallien suhteellisesta keskineliövirheestä oli välillä 20-30%. Tässäkin tapauksessa pohjoisemmat alueet osoittautuivat vähiten soveltu- viksi aineistoiksi tilavuuden ennustamiseen: näiden alueiden keskineliövirheet olivat välillä 40- 65%. Poikkeuksena tästä oli yllättäen Savukosken alueen malli, joka oli alueista pohjoisin. Sen suhteellinen keskineliövirhe oli vain noin 27%. Muualta Suomesta on mainittava Ähtärin ja Kuhmon mallien korkea suhteellinen keskineliövirhe: molemmissa se oli noin 42% ja ympä- röiviä alueita suurempi. Suhteellisen harhan osalta tulokset olivat vastaavanlaisia: pohjoisen Suomen mallit, pois lukien Savukosken malli, saivat suurempia harhoja eli nämä mallit antoivat suuria yliarvioita Liperin testiaineistosta. Näiden alueiden mallien suhteellinen harha vaihteli välillä 24-51%. Muun Suomen osalta mallien suhteellinen harha oli keskimäärin välillä 3-17%.
Keskineliövirheen tapaan Ähtärin ja Kuhmon mallien suhteelliset harhat olivat lähialueita suu- rempia: Ähtärin mallin 30%, Kuhmon 29%.
Taulukko 2. Paikalliset tilavuusmallit, niiden suhteelliset harhat ja keskineliövirheet Liperin testiaineistossa. Tilavuusmalleissa käytettiin selittäjinä pistehavaintojen korkeuksien keskiar- voa ja maksimiarvoa.
Inventointi-
alue Malli HARHA-% RMSE-%
Savukoski V = (-0,5558 + 4,0651 * √hmean + 0,0054 * hmax)2 14,03 27,07 Sodankylä V = (-0,3869 + 3,9644 * √hmean + 0,0079 * hmax)2 32,49 44,78 Kolari V = (-0,8957 + 4,2327 * √hmean + 0,0080 * hmax)2 39,90 51,98 Kuusamo V = (-1,0380 + 4,2724 * √hmean + 0,0093 * hmax)2 51,56 65,43 Ranua V = (-0,7162 + 3,8212 * √hmean + 0,0108 * hmax)2 49,34 65,94 Tornio V = (-2,4827 + 4,1512 * √hmean + 0,0092 * hmax)2 24,15 41,75 Pudasjärvi V = (-0,6986 + 4,8214 * √hmean + 0,0047 * hmax)2 39,20 46,61 Kuhmo V = (-1,6277 + 4,2705 * √hmean + 0,0077 * hmax)2 28,95 42,10 Siikalatva V = (-1,1206 + 3,8124 * √hmean + 0,0070 * hmax)2 10,18 27,42 Toholampi V = (-2,5022 + 4,5770 * √hmean + 0,0048 * hmax)2 10,24 24,19 Maaninka V = (-3,7200 + 4,6843 * √hmean + 0,0062 * hmax)2 8,57 26,16 Kaavi V = (-3,9381 + 4,8173 * √hmean + 0,0058 * hmax)2 8,81 25,64 Ilomantsi V = (-5,2732 + 2,9720 * √hmean + 0,0057 * hmax)2 14,78 29,14 Ähtäri V = (-0,2739 + 3,9152 * √hmean + 0,0077 * hmax)2 30,09 42,46 Kristiinankau-
punki V = (-2,0118 + 4,4576 * √hmean + 0,0058 * hmax)2 16,94 29,57 Kangasniemi V = (-2,5730 + 4,2523 * √hmean + 0,0067 * hmax)2 8,24 26,53 Sulkava V = (-4,0632 + 4,8334 * √hmean + 0,0050 * hmax)2 3,02 22,11 Orivesi V = (-4,7897 + 5,3177 * √hmean + 0,0038 * hmax)2 7,68 21,98 Sastamala V = (-3,6972 + 4,7484 * √hmean + 0,0046 * hmax)2 2,98 21,56 Virolahti V = (-2,8821 + 4,3958 * √hmean + 0,0069 * hmax)2 13,14 29,39 Hyvinkää V = (-3,5541 + 4,7508 * √hmean + 0,0041 * hmax)2 -2,27 20,84 Turku V = (-2,2117 + 4,6279 * √hmean + 0,0043 * hmax)2 10,76 23,87
Kaiken kaikkiaan parhailla tilavuusmalleilla päästiin suhteellisen keskineliövirheen osalta noin 20% prosentin ja suhteellisen harhan osalta alle 10% arvoihin. Tilavuusmallit antoivat Hyvin- kään mallia lukuun ottamatta yliarviota Liperin testiaineiston tilavuudesta. Kuva 5 esittää kaik- kien 22 alueen tilavuusmallien ennusteiden sekä mitatun tilavuuden välisen sirontakuvion.
Näistä kuvista huomataan, että suuri harha vaikuttaa selvästi Kolarin, Kuusamon, Ranuan ja Pudasjärven sirontakuvissa. Näiden sirontakuvien havainnot poikkeavat selvästi punaisesta regressiosuorasta, ja hajonta kasvaa suuremmilla tilavuusarvoilla.
Kuva 5. Kuvassa on esitettynä kaikkien 22 alueen mallien tilavuuden ennusteiden sirontakuviot.
Vaaka-akselilla on mitattu ja pystyakselilla ennustettu arvo. Yksikkönä kuutiometriä per heh- taari.
Kuva 6 esittää tilavuusmallien suhteellisen keskineliövirheen sekä harhan Suomen kartalle si- joitettuna. Se havainnollistaa hyvin mallien toimivuuksien eroja. Paikkakunnan nimen alapuo- linen arvo kuvaa virhettä Liperin testiaineistossa, 30 x 30 metrin koealalla, kyseisen alueen
mallilla ennustettuna. Kartan avulla voidaan yleisesti todeta, että tilavuusmallien suhteellinen keskineliövirhe ja harha olivat pienimmät Länsi- ja Etelä-Suomen alueiden malleilla ennustet- taessa yksittäisiä poikkeuksia lukuun ottamatta. Alueen pohjoinen sijainti keskimäärin kasvatti näitä virheitä. Tilavuusmallit antoivat Hyvinkään mallia lukuun ottamatta yliarviota Liperin testiaineiston tilavuudesta. Se oli ainoa alue, jossa harha oli negatiivinen.
Kuva 6. Kuvassa on esitettynä paikallisten tilavuusmallien suhteellinen keskineliövirhe (A) ja suhteellinen harha (B) Suomen kartalle sijoitettuna mallien sovitusalueittain. Karttapohja: Suo- men Maakuntajako, Maanmittauslaitos.
Lisäksi yksi huomionarvoinen tulos tässä tutkielmassa on se, että tilavuusmalleissa suuri suh- teellinen keskineliövirhe on peräisin suurelta osin suhteellisesta harhasta (Kuva 7). Tämä tar- koittaa sitä, että suuri harha johtaa myös suuriin keskineliövirheisiin tilavuusennusteissa.
Kuva 7. Tilavuusmallien suhteellisen keskineliövirheen ja harhan välinen sirontakuvio kertoo virheiden välisestä riippuvuudesta. Yksi piste kuvastaa yhtä tilavuusmallia.
4 DISKUSSIO JA JOHTOPÄÄTÖKSET
4.1 Diskussio
Malleja tarkasteltaessa on huomattava, että eri alueiden mallien parametrien estimaatit eroavat toisistaan juuri metsien rakenteen muuttumisen myötä, mikä johtuu edelleen kasvu- ja ilmasto- olosuhteiden muuttumisesta alueellisesti (Pretzsch 2009, Kotivuori ym. 2018). Lisäksi laser- keilausaineiston koheesiota rikkovat käytetty keilausajankohta ja käytetty laserkeilain. Nämä vaihtelut vaikuttavat edelleen lentolaseraineiston metriikoihin (Næsset 2005, Næsset 2009).
Näistä syistä johtuen laserkeilattu opetusaineisto on valittava tarkoin, jotta se kuvaa mahdolli- simman hyvin inventointialuetta. Laseraineiston tapaan myös drooniaineistoon muodostuu si- säistä epäkoheesiota johtuen muun muassa kuvausolosuhteista. Lisäksi drooniaineistosta, eli tässä tapauksessa ilmakuvapistepilvestä, lasketut metriikat voivat saada eri arvoja kuin lentola- serkeilausaineiston vastaavat, sillä käytetty lentolaserkeilausaineisto ja drooniaineisto eroavat hieman toisistaan. Samoin droonipistepilven luonnissa käytetty ohjelma ja luontialgoritmi voi- vat aiheuttaa eroja drooni- ja lentolaserkeilausaineistojen välille. Nämä kaikki edellä mainitut syyt johtavat siihen, että mallien ennusteiden suhteelliset virheet vaihtelevat toisinaan huomat- tavasti alueittain. Lisäksi tutkielman aineistoon liittyvää epävarmuutta aiheuttavat muun mu- assa maastomittauksissa käytettyjen mittausprotokollien vaihtelu, ennustamisessa ja mallinnuk- sessa käytettyjen koealakokojen vaihtelu (Packalen ym. 2019) sekä se, että Ilomantsin maasto- dataa jouduttiin päivittämään kasvumallin avulla aineiston vanhuuden takia.
Valtapituusmallit soveltuivat pääasiassa hyvin Liperin testiaineistoon ennustamiseen. Aivan pohjoisimpien alueiden (Savukoski, Sodankylä, Tornio) mallien suhteelliset keskineliövirheet olivat kuitenkin muuta Suomea korkeampia. Poikkeuksen tähän kuitenkin teki Kolari, jonka mallin suhteellinen keskineliövirhe oli samalla tasolla Etelä- ja Länsi-Suomen parempien mal- lien kanssa. Suuret virheet paikallisissa valtapituusmalleissa Lapin alueella selittyvät osin puus- ton rakenteen muutoksella pohjoisemmaksi siirryttäessä: Lapin pohjoisboreaalinen puusto on keski- ja eteläboreaalisia metsiköitä lyhyempää, mikä johtaa suurempiin virheisiin Liperin alu- eelle ennustettaessa. Toisaalta Liperin lähellä olevien alueiden valtapituusmallien suhteelliset keskineliövirheet olivat kuitenkin noin yhden prosenttiyksikön suurempia kuin parhaat mallit Suomen länsi- ja eteläpuolella. Mahdollinen syy tähän voi olla yksinkertaisesti metsikön raken-
teen erilaisuus Liperin ja sen lähialueiden välillä: Länsi- ja Etelä-Suomen metsiköt ovat parem- min vastanneet Liperin testiaineiston rakennetta. Ero ei kuitenkaan ole suuri, eikä Liperin lähi- alueiden malleja voi pitää huonoinakaan.
Jos valtapituusmallien suhteellisia keskineliövirheitä verrataan aiempiin tutkimuksiin, joissa droonipohjaisen ilmakuvapistepilven avulla on ennustettu puuston valtapituutta hyödyntäen maastomittauksia, tuloksiin voidaan olla tyytyväisiä. Esimerkiksi Puliti ym. (2015) saivat val- tapituusmallin suhteelliseksi keskineliövirheeksi Norjassa tehdyssä tutkimuksessa 3,64%. Tu- lokset ovat samansuuntaisia tässäkin tapauksessa, mutta on huomattava, että kyseinen tutkimus oli toteutukseltaan varsin erilainen: siinä ei suoritettu tämän tutkimuksen kaltaista vertailua eri alueiden mallien toimivuuden osalta ja esimerkiksi droonikuvaukset suoritettiin talviaikaan. Li- sein ym. (2013) ennustivat myös valtapituutta ja muita puustotunnuksia drooni-ilmakuvapiste- pilveen perustuen Belgiassa. Heidän valtapituuden mallinsa erosi hieman tässä tutkielmassa käytetystä: muoto oli muuten sama, mutta 95% korkeuskvantiilin sijaan he käyttivät 99% kor- keuskvantiilia. Valtapituusmallin suhteellinen keskineliövirhe oli tällä menetelmällä 8,50%.
Ota ym. (2017) suorittivat puustotunnusten ennustamisen ilmakuvapistepilveen perustuen Ja- panissa. He eivät ennustaneet valtapituutta (hdom), vaan pohjapinta-alalla painotettua puun pi- tuutta. Suhteelliseksi keskineliövirheeksi he saivat tämän keskipituuden mallin osalta 7,50%.
Drooni-ilmakuvapistepilveä puustotunnusten ennustamisessa hyödynsivät myös Navarro ym.
(2018). He saivat espanjalaisessa rannikkomännikössä valtapituusmallin suhteelliseksi keski- neliövirheeksi kuviotasolla 10,71%, mikä on tässä tutkielmassa saatujen arvojen yläpuolella.
Tilavuusmalleissa oli suuria eroja soveltuvuudessa Liperin alueelle ennustamiseen. Erityisen suuret virheet Lapin alueiden malleilla (suhteellinen keskineliövirhe yli 50%) selittyvät tässäkin tapauksessa puuston rakenteen muutoksella pohjoisemmaksi siirryttäessä siten, että valtapituus jää pohjoisempana pienemmäksi, mutta toisaalta nämä puut ovat pituuteen nähden suhteellisen paksuja etelämpänä oleviin nähden, mikä johtaa Liperin alueella vääriin ennusteisiin. Toisaalta yksittäisiä keskimääräistä korkeampia virheitä (20-29%) esiintyi Liperin testiaineistoon ennus- tettaessa myös muiden kuin Lapin alueen malleilla ennustettaessa. Esimerkiksi Ähtärin mallin suhteellinen keskineliövirhe oli 42,46% ja Kuhmon 42,10%. Nämä lähialueiden malleihinsa nähden suuret virheet voivat johtua metsien rakenteellisesta erilaisuudesta Liperin testiaineis- toon verrattuna tai esimerkiksi käytetyn laserkeilaimen ominaisuuksista. Myöskään pohjoinen sijainti ei aina tarkoittanut tilavuusmallin osalta huonoa soveltuvuutta: kaikista pohjoisimman
alueen, Savukosken, tilavuusmallin suhteellinen keskineliövirhe oli vain 27,07%, mikä vastaa keskimääräisen tilavuusmallin tasoa koko tutkimuksessa. Toinen ääripää löytyy melko läheltä:
Kuusamon ja Ranuan mallien suhteellinen keskineliövirhe oli yli 65%. Näin suurta eroa lähek- käisten alueiden mallien osalta selittää osin se, että esimerkiksi Kuusamon alueen metsikkö oli rakenteeltaan hyvin vaihtelevaa: tällä alueella mitatun valtapituuden sekä tilavuuden suhde vaihteli koealojen välillä paljon, eikä se siten odotetusti voinut toimia kovin hyvänä mallina Liperin testiaineistolle. Savukosken mallin hyvää soveltuvuutta voi selittää sattuma: on hyvin todennäköistä, että Savukosken metsikkö on vain sattunut olemaan riittävän paljon Liperin met- sikön tapainen metsikön rakenteen osalta. Vastaavasti Ähtärin ja Kuhmon mallien tilanne on ollut päinvastainen. On todennäköistä, että näillä alueilla on ollut karuja männiköitä, kun taas Liperin metsiköt ovat olleet rehevämpiä. Tämän vaihtelevuuden aiheuttaa esimerkiksi kasvu- paikka, ja sen kasvuolosuhteet, kuten ravinteiden määrä tai topografia.
Tässä tutkielmassa saadut tulokset tilavuusmallien osalta ovat keskimäärin hieman heikommat verrattuna aikaisempiin tutkimuksiin, joissa puuston tilavuutta on ennustettu droonipohjaiseen ilmakuvapistepilveen sovitettujen mallien avulla. Esimerkiksi Puliti ym. (2015) saivat omassa tutkimuksessaan tilavuusmallin suhteelliseksi keskineliövirheeksi 14,95%, mikä on huomatta- vasti tämän tutkielman tason alapuolella. Eroa selittävät monet tekijät, kuten tässä tutkielmassa käytetty regressiomalli, joka erosi heidän käyttämästään. Tässä tutkielmassa ei käytetty lain- kaan maastomittauksia, toisin kuin Puliti ym. tapauksessa, ja ennustaminen testialueelle perus- tui muiden alueiden paikallisten mallien muotoon ja parametrien estimaatteihin, kun taas Puliti ym. tutkimuksessa mallien muodostaminen ja ennustaminen tehtiin alueelle itselle sen oman aineiston pohjalta ilman ulkoisia määrityksiä. Navarro ym. (2018) sen sijaan saivat drooni-il- makuvapistepilveen sovitetun tilavuusmallin suhteelliseksi keskineliövirheeksi kuviotasolla 25,60%, mikä on hyvin paljon samansuuntainen tämän tutkielman kanssa. Ota ym. (2017) en- nustivat myös tilavuutta ilmakuvapistepilveen perustuen Japanissa. Heidän tilavuusmallinsa erosi tässä tutkielmassa käytetystä, ja he käyttivät lisäksi valtapuulajin dummymuuttujaa reg- ressiomallissa. Tilavuusmallin suhteellinen keskineliövirhe oli heidän tutkimuksessaan 20,02%.
Tämänkaltaisen lisätiedon huomioonottaminen tutkimuksissa ja sen pohjalta tehtävän koealo- jen jaottelun on osoitettu parantavan tuloksia. Esimerkkejä tällaisista ovat tieto puulajeista (Naesset 2002) sekä metsätyypistä (Bouvier ym. 2015). Esimerkiksi Kotivuori ym. (2020) to- tesivat tutkimuksessaan, että koealojen luokittelu lehti- ja havupuuvaltaisiin pienentää tilavuus- mallien suhteellista keskineliövirhettä.
4.2 Johtopäätökset
Drooneilla tehtävää ilmakuvapistepilveen perustuvaa metsikön tunnusten ennustamista on tut- kittu jo vuosien ajan. Tässä tutkielmassa mallit sovitettiin lentolaserkeilausaineistolla, ja ennus- taminen tehtiin droonipohjaisella ilmakuvapistepilvellä. Yleisesti puustotunnusten ennustami- nen tulisi tehdä puulajeittain, kuten esimerkiksi Suomessa hyödynnettävässä lentolaserkeilauk- seen ja ilmakuvapiirteisiin perustuvassa kuvioittaisessa arvioinnissa tehdään (Packalen & Mal- tamo 2007). Tässä tutkielmassa sitä sen sijaan ei tehty. Lentolaserkeilausaineiston käyttöä ko- keiltiin vähentää tässä tutkielmassa tekemällä ilmakuvapistepilven z-suuntainen normalisointi lentolaseraineiston sijaan ilmakuvapisteaineistoa käyttämällä. Kuitenkin x- ja y-suuntaiset kor- jaukset tehtiin edelleen Maanmittauslaitoksen (MML) lentolaserainestoa hyödyntäen. Tämän tutkielman tapaista ilman paikkaan ja aikaan sidottuja maastomittauksia tehtävää eri paikallis- ten alueiden aluepohjaisten mallien vertailua testialueen ennusteiden osalta ei ole vielä tutkittu.
Tämä tutkielma osoitti, että puuston valtapituutta ja joissain tapauksissa myös tilavuutta voi- daan ennustaa droonipohjaisen ilmakuvapistepilven avulla melko pienillä virhemarginaaleilla ilman maastomittauksia siten, että hyödynnetään paikallisia lentolaserkeilaukseen pohjautuvia malleja muilta alueilta. Lisäksi huomattiin se, että kohdealueen läheiset alueet eivät aina tuota parasta tulosta ennusteiden osalta, vaan tärkeämpää on kohde- ja opetusalueiden metsien raken- teellinen samankaltaisuus. Tässä tutkielmassa esitetty menetelmä puustotunnusten ennustami- seen olisi todennäköisesti hyvin kustannustehokas menetelmä pienemmille, alle sadan hehtaa- rin, metsäalueille. Kaikesta huolimatta lisätutkimuksia on vielä tehtävä aiheeseen liittyen, en- nen kuin tätä menetelmää voidaan hyödyntää laajemmin.
KIRJALLISUUS
AgiSoft PhotoScan Professional. 2020. Versio 1.3. Saatavissa: http://www.agisoft.com/down- loads/installer/. [Viitattu 23.01.2020]
AltiGator. 2020. Saatavissa: https://altigator.com/drone-uav-uas-rpa-or-rpas/. [Viitattu 4.2.2020]
Axelsson, P. 2000. DEM generation from laser scanner data using adaptive TIN-models. Inter- national Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences – ISPRS Archives. 2000 International Society for Photogrammetry and Remote Sensing: 110–
117.
Bouvier, M., Durrieu, S., Fournier, R. A. & Renaud J.-P. 2015. Generalizing predictive models of forest inventory attributes using an area-based approach with airborne LiDAR data. Remote Sensing of Environment 156: 322-334.
Breidenbach, J., Kublin, E., McGaughey, R.J., Andersen, H.-E. & Reutebuch, S.E. 2008.
Mixed-effects models for estimating stand volume by means of small footprint airborne laser scanner data. The Photogrammetric Journal of Finland 21 (1): 4-15.
Colomina I. & Molina P. 2014. Unmanned aerial systems for photogrammetry and remote sens- ing: A review. ISPRS Journal of Photogrammetry and Remote Sensing 92: 79-97.
Dandois, J.P. & Ellis, E.C. 2013. High spatial resolution three-dimensional mapping of vegeta- tion spectral dynamics using computer vision. Remote Sensing of Environment 136: 259–276.
Droneinfo. 2020. Saatavissa: https://www.droneinfo.fi/fi/usein_kysyttya/ilmailu_-_miehitta- mattomat_ilma-alukset_ja_lennokit. [Viitattu 4.2.2020]
Guerra-Hernandez, J. 2017. Use of multi-temporal UAV-derived imagery for estimating indi- vidual tree growth in Pinus pinea stands. MDPI Forests 8(8). 19 s.
Holopainen, M., Hyyppä, J. & Vastaranta, M. 2013. Laserkeilaus metsävarojen hallinnassa.
Helsingin yliopiston metsätieteiden laitoksen julkaisuja 5: 1–75.
Hyyppä, J. & Inkinen, M. 1999. Detecting and estimating attributes for single trees using laser scanner. The Photogrammetric Journal of Finland 16: 27–42.
Kangas, A., Päivinen, R., Holopainen, M., & Maltamo, M. 2011. Metsän mittaus ja kartoitus.
Silva Carelica 40. Itä-Suomen yliopisto, Joensuu. 210 s.
Korpela, I., Tuomola, T. & Välimäki, E. 2007. Mapping forest plots: An efficient method com- bining phogrammetry and field triangulation. Silva Fennica 41(3): 457-469.
Kotivuori, E., Korhonen, L. & Packalen, P. 2016. Nationwide airborne laser scanning based models for volume, biomass and dominant height in Finland. Silva Fennica 50(4). 28 s.
Kotivuori, E., Maltamo, M., Korhonen, L. & Packalen, P. 2018. Calibration of nationwide air- borne laser scanning based stem volume models. Remote Sensing of Environment 210: 179- 192.
Kotivuori, E., Kukkonen, M., Mehtätalo, L., Maltamo, M., Korhonen, L. & Packalen, P. 2020.
Forest inventories for small areas using drone imagery without in-situ field measurements.
Remote Sensing of Environment 237. 13 s.
Laasasenaho, J. 1982. Taper curve and volume functions for pine, spruce and birch. Communi- cationes Instituti Forestalis Fenniae 108. 74 s.
Lin, Y., Hyyppä, J. & Jaakkola, A. 2011. Mini-UAV-borne LiDAR for fine-scale mapping.
IEEE Geoscience and Remote Sensing Letters 8(3): 426-430.
Lisein, J., Pierrot-Deseilligny, M., Bonnet, S. & Lejeune, P. 2013. A Photogrammetric Work- flow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery. MDPI Forests 4(4): 922-944.
Maanmittauslaitos. 2020. Saatavissa: https://www.maanmittauslaitos.fi/. [Viitattu 21.2.2020].
Maltamo, M., Bollandsas, O. M., Naesset, E., Gobakken, T. & Packalen, P. 2011. Different plot selection strategies for field training data in ALS-assisted forest inventory. Forestry 84(1): 23- 31.
Maltamo, M. & Packalen, P. 2014. Species specific management inventory in Finland. Teo- ksessa: Maltamo, M., Næsset, E. & Vauhkonen, J. (toim.). Forestry applications of airborne laser scanning - Concepts and Case Studies. Managing Forest Ecosystems 27: 241-252.
Metsäkeskus. 2019. Saatavissa: https://www.metsakeskus.fi/. [Viitattu 19.12.2019].
Mohan, M., Silva, C.A., Klauberg, C., Jat, P., Catts, G., Cardil, A., Hudak, A.T. & Dia, M.
2017. Individual Tree Detection from Unmanned Aerial Vehicle (UAV) Derived Canopy Height Model in an Open Canopy Mixed Conifer Forest. MDPI Forests 8(9). 17 s.
Navarro, J. A., Fernández-Landa, A., Tomé, J. L., Guillén-Climent, M. L. & Ojeda, J. C. 2018.
Testing the quality of forest variable estimation using dense image matching: a comparison with airborne laser scanning in a Mediterranean pine forest. International Journal of Remote Sensing 39(14): 4744–4760.
Næsset, E. 2002. Predicting forest stand characteristics with airborne scanning laser using a practical two-stage procedure and field data. Remote Sensing of Environment 80(1): 88-99.
Naesset, E. 2005. Assessing sensor effects and effects of leaf-off and leaf-on canopy conditions on biophysical stand properties derived from small-footprint airborne laser data. Remote Sens- ing of Environment 98(2-3): 356-370.
Næsset, E. & Gobakken, T. 2008. Estimation of above- and below-ground biomass across re- gions of the boreal forest zone using airborne laser. Remote Sensing of Environment 112(6):
3079-3090.
Næsset, E. 2009. Effects of different sensors, flying altitudes, and pulse repetition frequencies on forest canopy metrics and biophysical stand properties derived from small-footprint airborne laser data. Remote Sensing of Environment 113(1): 148-159.
Ota, T., Ogawa, M., Mizoue, N., Fukumoto, K. & Yoshida, S. 2017. Forest Structure Estima- tion from a UAV-Based Photogrammetric Point Cloud in Managed Temperate Coniferous For- ests. MDPI Forests 8(9). 11 s.
Packalén, P. & Maltamo, M. 2006. Predicting the Plot Volume by Tree Species Using Airborne Laser Scanning and Aerial Photographs. Forest Science 52(6): 611–622.
Packalen, P. & Maltamo, M. 2007. The k-MSN method for the prediction of species-specific stand attributes using airborne laser scanning and aerial photographs. Remote Sensing of Envi- ronment 109: 328-341.
Packalen, P. & Maltamo, M. 2008. The estimation of species-specific diameter distributions using airborne laser scanning and aerial photographs. Canadian Journal of Forest Research 38:
1750-1760.
Packalen, P., Strunk, J., Packalen, T., Maltamo, M. & Mehtätalo, L. 2019. Resolution depend- ence in an area-based approach to forest inventory with airborne laser scanning. Remote Sens- ing of Environment 224: 192-201.
Pretzsch, H. 2009. Forest Dynamics, Growth and Yield. From Measurement to Model. Springer – Verlag Berlin Heidelberg. 664 s.
Puliti, S., Ørka, H.O., Gobakken, T. & Næsset, E. 2015. Inventory of small forest areas using an unmanned aerial system. Remote Sensing 7: 9632-9654.
Sabol, J., Procházka, D. & Pato Ka, Z. 2016. Development of models for forest variable esti- mation from airborne laser scanning data using an area-based approach at a plot level. Journal of Forest Science 62(3): 137-142.
Ståhl, G., Saarela, S., Schnell, S., Holm, S., Breidenbach, J., Healey, S. P., Patterson P. L., Magnussen, S., Næsset, E., McRoberts, R. E. & Gregoire, T. G. 2016. Use of models in large- area forest surveys: Comparing model-assisted, model-based and hybrid estimation. Forest Ecosystems 3(1): 1-11.
Surový, P., Almeida Ribeiro, N. & Panagiotidis, D. 2018. Estimation of positions and heights from UAV-sensed imagery in tree plantations in agrosilvopastoral systems. International Jour- nal of Remote Sensing 39: 4786-4800.
Suvanto, A., Maltamo, M., Packalen, P. & Kangas, J. 2005. Kuviokohtaisten puustotunnusten ennustaminen laserkeilauksella. Metsätieteen aikakausikirja 4/2005: 413-428.
Tang, L. & Shao, G. 2015. Drone remote sensing for forestry research and practices. Journal of Forestry Research 26: 791-797.
Vauhkonen, J. 2010. Estimating single-tree attributes by airborne laser scanning: Methods based on computational geometry of the 3-D point data. Suomen Metsätieteellinen Seura, Van- taa. 44 s.
Wallace, L., Lucieer, A., Watson, C. & Turner, C., 2012. Assessing the feasibility of UAV- based LiDAR for high resolution forest change detection. ISPRS – International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XXXIX-B7: 499–504.
Äijälä, O., Koistinen, A., Sved, J., Vanhatalo, K. & Väisänen, P. 2014. Metsänhoidon suosituk- set. Metsätalouden kehittämiskeskus Tapion julkaisuja. 181 s.
