Palsojen tunnistaminen lidar-aineistosta
Noora Rämö 185769 Itä-Suomen yliopisto Historia- ja maantieteiden laitos Maantieteen Pro gradu -tutkielma Ohjaajat: Timo Kumpula ja Mariana Verdonen Tammikuu 2021
ITÄ-SUOMEN YLIOPISTO
Tiedekunta
Yhteiskuntatieteiden ja kauppatieteiden tiedekunta
Osasto
Historia- ja maantieteiden laitos Tekijä
Noora Rämö Työn nimi
Palsojen tunnistaminen lidar-aineistosta Pääaine
Maantiede
Työn laji
Pro gradu - tutkielma
Päivämäärä 15.1.2021
Sivumäärä 60
Tiivistelmä
Palsat ovat routasydämisiä turvekumpuja, joita esiintyy epäjatkuvan ikiroudan vyöhykkeellä sijaitsevilla soilla. Palsakummut muodostuvat kesä- ja talviolosuhteiden vuorottelun seurauksena ja kohoavat täysikasvuisina 0,5–10 metriä ympäröivää suonpintaa korkeammalle. Ilmaston lämpenemisen seurauksena useat palsat ovat sulamassa eikä uusia synny tilalle. Suomessa palsasuot on määritelty vaarantuneiksi ja palsarämeet erittäin uhanalaisiksi.
Palsasuot ovat ympäristön monimuotoisuuden kannalta rikkaita alueita. Suomessa palsoja esiintyy vain Pohjois-Lapissa Enontekiön, Inarin ja Utsjoen kuntien alueilla. Palsoista suuri osa sijaitsee vaikeakulkuisessa maastossa tai maitse lähes saavuttamattomilla suoalueilla. Tämän takia kaukokartoitetut materiaalit ovat lupaavia aineistoja palsojen esiintymisen kartoittamiseen.
Tässä tutkielmassa selvitetään, miten laserkeilattuja aineistoja voidaan käyttää palsakumpujen tunnistamisessa, voiko niiden tunnistamista automatisoida ja vaikuttaako aineiston tarkkuus tunnistamiseen. Tutkimuksen aineistona käytettiin Suomen Maanmittauslaitoksen tuottamaa pistemuotoista laserkeilausaineistoa sekä pisteaineiston pohjalta tehtyä valmista 2m-resoluutioista korkeusmallia. Lisäksi tutkimuksessa käytettiin apuna maastotietokannan aineistoja, ilmakuvia, sekä muita kaukokartoitettuja materiaaleja.
Tutkielmassa on esitetty kaksi erilaista menetelmää palsojen tunnistamiseksi korkeuspinnasta.
Ensimmäisessä palsat on tunnistettu käännetyn korkeuspinnan kuoppien täyttämisen avulla.
Toisessa menetelmässä korkeuspinnasta erotettiin ympäristöänsä keskimääräisesti korkeammalla olevat alueet, ja eroteltiin näistä alueista todennäköiset palsat rinnejyrkkyyden, heijastusintensiteetin ja korkean alueen koon ja sijainnin perusteella. Molemmissa menetelmissä käytettiin apuna tutkielman aikana luotua palsa-alueiden rajaustyökalua, jonka avulla aineistoista rajattiin vain palsojen esiintymiselle potentiaalisimmat alueet.
Laserkeilatut aineistot soveltuvat tutkielman perusteella palsojen kartoittamiseen hyvin. Palsojen korkeus ja muoto, palsaa ympäröivä kasvillisuus sekä aineiston tarkkuus vaikuttavat tunnistamisen osuvuuteen. Tunnistuksen tarkkuutta voisi edelleen kehittää automatisaation, muodontunnistuksen ja tunnistusmenetelmien yhdistämisen avulla. Päivittyvien aineistojen myötä näin saadulla mallilla voitaisiin helposti seurata palsoissa tapahtuneita muutoksia.
Avainsanat
Palsa, ikirouta, kaukokartoitus, lidar, laserkeilaus, DEM, korkeusmalli, kohteentunnistus
UNIVERSITY OF EASTERN FINLAND
Faculty
Faculty of Social Sciences and Business Studies
School
Department of Geographical and Historical Studies
Author Noora Rämö Title
Delineation of palsa areas using lidar-derived material Main subject
Geography
Level
Master’s thesis
Date 15.1.2021
Number of pages 60
Abstract
Palsas are periglacial features that occur on peatlands within the region of uncontinuous permafrost. Fully grown palsa mounds rise from 0.5 to 10 metres above the surrounding mire surface. Palsas are able to form due to the temperature variations between summer and winter conditions. Recent studies show that various palsas are degrading and new palsas are not forming.
Palsa mires have been declared endangered in Finland due to the warming climate.
Palsa mires are known to be rich in biodiversity. In Finland palsas are only found in Northern Lapland, within the municipalities of Enontekiö, Inari and Utsjoki. Most palsas are found in distant areas with poor connections via land. This makes regular field monitoring challenging and time consuming.
Remote sensed materials are a potential solution for the purpose of studying palsa mires.
In this study we explore how laser scanned materials serve in observing palsa mounds, the potential options for automating the process, and how the resolution of the materials affect the recognition.
The main material of the study was a laser scanned point cloud and a digital elevation model based on the point cloud, both produced by the National Land Survey of Finland. Topographic database, aerial orthophotos and other remote sensed materials were used during the study as secondary materials.
Two methods for recognising palsa mounds from digital elevation models (DEM) were developed during this study. The first model is based on inverting the DEM and filling the sinks in the inverted DEM. In the other model, elevation of a pixel is compared to the value of the surrounding avarage elevation. The regions with higher than average elevation are screened out in comparison to the intensity of reflection, slope steepness and the area and location of the spot with the higher than average elevation. A tool that precisely delimits the area to the potential palsa areas was developed and utilised in both methods.
This study demonstrates that laser scanned materials and digital elevation models are fit for mapping palsa mounds. The height and shape of the palsa mound, surrounding vegetation, and resolution of the materials all affect the accuracy of the recognition. The delineation process could be enhanced further with the methodologies of automatisation, object detection and combining the two methods that were developed during this study. The updated model could be used as a straightforward method for monitoring palsa occurrence in Northern Finland and easily adapted to any palsa region with appropriate materials at hand.
Keywords
Palsa, permafrost, remote sensing, lidar, laser scanning, DEM, feature extraction
Lyhenteet ... 4
1. Johdanto ... 5
2. Palsat ja niiden esiintyminen ... 8
2.1. Palsatyypit ... 9
2.2. Palsasuot ja ympäristö ... 12
3. Maanpinnan muotojen kaukokartoitus ... 14
3.1. Laserkeilaus maanpinnanmuotojen tutkimuksessa ... 14
3.2. Korkeusmallit ... 17
4. Tutkimusalue ... 19
4.1. Enontekiön ilmasto ... 19
4.2. Rommaenon laakso ... 20
5. Aineistot ... 22
5.1. Maanmittauslaitoksen kaukokartoitusaineistot... 22
5.2. Maanmittauslaitoken maastotietokanta ... 23
5.3. Muut aineistot ... 23
6. Menetelmät ... 24
6.1. Korkeuspinnan rajaaminen ... 25
6.2. Fill-menetelmä ... 28
6.3. Keskimääräinen korkeus -menetelmä ... 30
6.4. Tarkkuuden arvioiminen ... 34
7. Tulokset ... 36
7.1. Fill- ja Keskimääräinen korkeus -menetelmien avulla tunnistetut palsat ... 37
7.2. Tunnistukseen vaikuttaneita ominaisuuksia ... 38
7.2. Menetelmien tarkkuus ... 45
8. Pohdinta ... 48
9. Yhteenveto ... 53
Kirjallisuus ... 55
Liitteet ... 60
Lyhenteet
ALS Airborne Laser Scanning CSF Cloth Simulation Filter DEM Digital Elevation Model GPS Global Positioning System IMU Inertial Measurement Unit
KK-menetelmä Keskimääräinen korkeus -menetelmä
Laser Light amplification by stimulated emission of radiation LiDAR Light Detection And Ranging
Lidar Light Detection and Ranging, jossa valotyypiksi on valittu laser NASA The National Aeronautics and Space Administration
NDVI Normalised Difference Vegetation Index OBIA Object Based Image Analysis
RGB Red Green Blue colour model RMSE Room Mean Square Error
RMSEv Vertical Room Mean Square Error RTK Real Time Kinematic
SMS Segment Mean Shift
UAS Unmanned Airborne System TIN Triangulated Irregular Network IDW Inverse Distance Weighting
1. Johdanto
Palsat ovat periglasiaalisia muotoja, joita esiintyy epäjatkuvan ikiroudan vyöhykkeellä sijaitsevilla soilla. Yleisimmin palsoja esiintyy alueilla, joilla vuoden keskilämpötila pysyy alle –3 celsiusasteessa ja sademäärä on vähemmän kuin 450 millimetriä (mm) vuodessa (Luoto ym., 2004). Suomessa nämä ehdot täyttyvät vain pohjoisimmissa osissa Lappia. Ilmaston lämpenemisen myötä lämpötilavaatimuksen täyttävät alueet käyvät yhä harvinaisemmiksi. Suuri osa palsoista on sulamassa eikä uusia juurikaan synny tilalle (Gutman & Reissell 2011; Mamet ym., 2017; Borge ym., 2017; Fronzek, 2013; Olvmo ym., 2020). Suomen Ympäristökeskuksen ja Ympäristöministeriön tekemässä Suomen luontotyyppien uhanalaisuutta koskevassa raportissa peräänkuulutettiin uutta tutkimustietoa ilmastonmuutoksen vaikutuksista palsa- ja pounikkorämeisiin (Kontula & Raunio, 2018:163).
Suomen palsat sijaitsevat suurelta osin Pohjois-Lapin harvaan asutetuilla erämailla. Palsasoiden sijainteja on tiedossa varsin hyvin, ja niihin voi tutustua avoimista aineistoista esimerkiksi Suomen Maanmittauslaitoksen ylläpitämän Maastotietokannan aineistoissa. Palsasoista suuri osa sijaitsee vaikeakulkuisessa maastossa, jopa maitse lähes saavuttamattomilla suoalueilla. Tämä tekee paikan päällä tapahtuvasta palsojen säännöllisestä seurannasta haastavaa ja kallista. Tästä syystä kaukokartoitusmenetelmät soveltuvat perinteisten kenttämetodien ohella hyvin täydentämään palsasoiden, kuten muidenkin vaikeasti saavutettavien alueiden tutkimusta.
Yksi palsasoille tyypillinen ominaisuus on niillä esiintyvät paikalliset korkeusvaihtelut. Nämä palsakumpujen ja niiden ympäristön väliset korkeuserot johtuvat turvekerroksen sisässä vuosittain kasvavasta tai sulavasta jäälinssistä. Viime vuosien aikana satelliittien tarkkuus on parantunut lähelle ilmakuvien tarkkuutta. Esimerkiksi Pléiades 1, Superview-1 ja Kompsat-3A -satelliittien spatiaalinen tarkkuus on parhaillaan alle metrin (EOS, 2020), mutta tarkatkaan satelliitti- tai ilmakuvat eivät välttämättä sovi paikallisten korkeuserojen määrittämiseen.
Satelliitti- ja ilmakuvien lisäksi on olemassa kaukokartoitusmenetelmiä, joissa keskitytään valon eri aallonpituuksien heijastavuuden sijasta lähetetyn valoimpulssin kulkeman matkan mittaamiseen.
”Light Detection And Ranging” eli LiDAR-menetelmät ovat tällaisia kaukokartoitusmenetelmiä.
LiDAR-menetelmissä tarkkaan kontrolloituja valoimpulsseja lähetetään kohti tutkimuskohdetta, kuten maata ja sen kasvillisuutta. LiDAR-menetelmissä käytetään yleisimmin lähi-infrapunan
alueeseen kuuluvia aallonpituuksia 900–1350 nm, mutta myös näkyvän valon aallonpituuksia käytetään esimerkiksi vedenalaisten kohteiden kartoittamisessa (Shan & Toth, 2018).
Valoimpulssien kulkemien matka-aikojen tarkan mittaamisen avulla voidaan arvioida impulssin kulkeman matkan pituus ja tehdä mittausten pohjalta korkeusmalleja (engl. Digital Elevation Models; DEM) jopa senttimetrin tarkkuudella. LiDAR-menetelmillä on mahdollista tehostaa myös palsasoiden tutkimista, sillä palsakummuille ominaisten korkeuserojen pitäisi erottua selkeästi varsinkin tarkoista korkeusaineistoista.
Vaikka palsakumpujen voi olettaa erottuvan tarkoista korkeusmalleista hyvin, niiden havaitsemista vaikeuttaa esiintymisalueen kohtalaisen laaja pinta-ala. Korkeusaineistojen manuaalinen tarkastelu visuaalisesti koko esiintymisalueelta veisi paljon aikaa. Tunnistamisprosessin osittaisellakin automatisoinnilla on mahdollista vähentää palsakumpujen tunnistamiseen ja seurantaan vaadittavaa työmäärää. Kohteiden automatisoitua tunnistamista on kehitetty sekä tutkittu viime vuosina (Davis, 2019; Magnini ym., 2016; Jones & Vaughan, 2010:156; Verhagen & Drăgut, 2012;
Orengo ym., 2020), mutta kaikkien kohteiden tunnistaminen täysin automatisoidusti ei ole yksinkertaista. Tunnistettavien kohteiden ominaisuudet valitussa aineistossa pitää pystyä kuvaamaan hyvin tarkasti, jotta automatisoitu tunnistaminen onnistuisi.
Aineistojen tarkkuuden lisäksi aineistojen avoimessa saatavuudessa on tapahtunut viime vuosina suuri muutos. Monet satelliittikuvia ja muuta kaukokartoitusaineistoa tuottavat tahot ovat avanneet aineistonsa vapaaseen käyttöön verkkoalustojen kautta. Suomen Maanmittauslaitos (MML) aloitti vuonna 2008 koko Suomen kattavat LiDAR-kuvaukset. Vuonna 2019 MML sai ensimmäisen valtakunnallisen laserkuvauskierroksen päätökseen. Tämän ansiosta lähes koko Suomesta on saatavilla laserkeilausaineisto, jonka pistetiheys on 0,5 pistettä per neliömetri (p/m2).
Nämä materiaalit ovat avoimesti ladattavissa MML:n verkkosivujen kautta (MML, 2020f). Vuodesta 2020 lähtien MML toteuttaa toisen valtakunnallisen laserkuvauskierroksen, jolla tuotetaan edellistä kierrosta tarkempi aineisto. Tästä 5 p/m2 -tiheyksisestä maksullisesta aineistosta tullaan tuottamaan myös avoin, 0,5 p/m2 -tiheyksinen aineisto (MML, 2020b).
Palsakumpujen tunnistaminen LiDAR-pohjaisista aineistoista mahdollistaa sekä palsasoiden tilan seuraamisen että uusien aineistojen käyttömahdollisuuksien kartoittamisen. Palsakumpujen tunnistamisen automatisointiin ei ole vielä kehitetty menetelmiä, mutta samankaltaisia tutkimuksia on tehty. Esimerkiksi Pirankova (2017) tutki palsojen automatisoitua tunnistamista ilma- ja satelliittikuvista, todeten palsakumpujen osittain automatisoidun tunnistamisen toimivaksi
tutkimusmenetelmäksi, mutta täyden automatisoinnin olevan hankalaa. Esimerkiksi Niculiţă (2020), Davis, Lipo ja Sanger (2019) sekä Freeland ja kollegat (2016) käyttivät tutkimuksissaan automatisointia kohteiden tunnistamiseen korkeuspinnasta. Näiden tutkimusten pohjalta on perusteltua olettaa, että tarkkojen aineistojen, korkeusmallien sekä ohjelmistojen avulla myös palsakummut ovat erotettavissa kaukokartoitetusta materiaalista lähes automatisoidusti.
Tässä Pro gradu -tutkielmassa selvitetään, miten kaukokartoitusaineistoja ja erityisesti LiDAR- aineistoja voidaan hyödyntää palsojen tunnistamisessa ja mittaamisessa. Tutkimus sijoittui Enontekiöllä sijaitsevan Rommaenon varrella sijaitsevalle palsasuolle, mutta tuloksia voi soveltaa aineiston saatavuuden mukaan kaikille alueille, joilla esiintyy palsasoita.
Tässä tutkielmassa pyritään vastaamaan seuraaviin tutkimuskysymyksiin:
1) Miten LiDAR-aineistot soveltuvat palsojen tunnistamiseen?
2) Voiko palsakumpujen tunnistamista digitaalisesta korkeusmallista automatisoida?
3) Vaikuttaako DEM-aineistojen tarkkuus palsojen tunnistamiseen?
2. Palsat ja niiden esiintyminen
Palsojen tarkka määritelmä vaihtelee, mutta yleisesti palsasoita kuvataan epäjatkuvan ikiroudan alueella esiintyviksi soiksi, joiden tuntomerkkinä ovat palsakummut (kuva 1). Palsakumpujen esiintymiseen vaikuttaa erityisesti vuoden keskilämpötila, sademäärä sekä maaperän turve- ja mineraalipitoisuus (Seppälä, 2011). Tämän lisäksi myös kasvillisuuden on arveltu vaikuttavan erilaisten palsojen muodostumiseen ja sulamiseen (Railton & Sparling, 1973; Mamet ym., 2017).
Ilmaston lämpenemisellä on todettu olevan merkittävä vaikutus palsojen esiintymiseen, kasvamiseen sekä häviämiseen (Aalto ym., 2014; Fronzek ym., 2006; Fronzek, 2013; Kaakinen ym., 2018; Zoltai, 1993).
Kuva 1. Palsa Pulmankijoen varrella, Utsjoki. Kuva: Noora Rämö, 22.8.2020.
2.1. Palsatyypit
Sana ”palsa” on alunperin saamelaisten käyttämä termi. Se on lainattu saamesta suomeen ja moniin muihin kieliin, kuten englantiin, saksaan ja ranskaan (Aapala & Aapala, 2006:264). Palsakumpujen muoto vaihtelee, mutta yleisimmät esiintymismuodot voidaan jakaa kahteen päätyyppiin. Yleisesti ottaen palsat ovat tasaisesta suonpinnasta 1–10 metrin korkeuteen nousevia kumpuja, tai matalampia mutta pinta-alaltaan laajempia laakiopalsoja (Åhman, 1977; Oksanen, 2005).
Palsakummun ydin muodostuu jäästä ja turpeesta, sekä joidenkin määritelmien mukaan mineraalimaaperästä (Seppälä, 2011).
Palsan muodostuminen on hyvin hidas prosessi. Pitkäikäisimmät palsat voivat kasvaa jopa tuhat vuotta ennen turvepeitteen repeämistä ja palsakummun romahtamista (Zoltai, 1993; Seppälä, 1988 teoksessa Mamet ym., 2017). Useiden tutkimusten mukaan palsojen määrä on vähentynyt viime vuosikymmeninä merkittävästi (Borge ym., 2017; Fronzek ym., 2006; Mamet ym., 2017). Erityisesti talviaikaisissa ilmasto-olosuhteissa tapahtuneiden muutosten on todettu vaikuttavan palsojen muodostumiseen (Olvmo ym., 2020).
Palsakumpujen muodostuminen on syklinen prosessi, jota voidaan kuvata palsan elinkaareen vaiheilla: muodostuminen, nopean kasvun aika, korkeuskasvun jälkeinen kehitys, rappeutuminen ja täysi sulaminen (Seppälä, 2006). Seppälä (2011) on artikkelissaan kuvannut kattavasti palsan elinkaaren merkittävimmät vaiheet. Palsakummun muodostumiseen vaaditaan aluksi turvesuo, jonka turvekerros jäätyy talven aikana niin paksulti, ettei se ehdi sulamaan kokonaan seuraavana kesänä. Keväällä lämmin ilma sulattaa palsan ylintä turvekerrosta. Jäisen kerroksen alle kertyy ympäröivän maan sulaessa tasku, johon kerääntyy vettä sulan maan aikana. Talvella taskuun kerääntynyt vesi laajenee jäätyessään ja nostaa yläpuolellaan olevaa routasydäntä ylöspäin. Kesällä suon kohonneella pinnalla oleva sulanut, kuiva rahkasammal sekä turve toimivat eristeenä lämmintä ilmaa vastaan ja mahdollistavat syvemmällä turpeessa olevan jäätyneen kerroksen säilymisen yli kesän. Mikäli sääolosuhteet sallivat, seuraavina vuosina kaava toistuu ja routainen kumpu alkaa kasvamaan korkeutta vuosi vuodelta, muodostaen vuosien saatossa nuoren palsan.
Sääolosuhteiden vaihdellessa palsan kehitys voi pysähtyä pitkäksikin aikaa. Esimerkiksi mikäli vuoden keskilämpötila on noin alle –5 celsiusastetta, palsakumpua ympäröivä suo ei sula tarpeeksi muodostakseen vesitaskua jäätyneen kerroksen alapuolelle ja palsan kasvaminen pysähtyy. Hyvin lämmin tai kostea kesä taas saattaa syödä edellisten vuosien kasvun. Suurimmat palsat voivat
kasvaa jopa 10 metriä korkeiksi ennen romahtamistaan vesirimmiksi (Åhman, 1977; Seppälä, 2006).
Yleensä romahtamista ennakoi palsakummun turvepeitteen repeäminen. Palsan kasvaessa sitä suojaava turvekerros ohenee peitettävän pinta-alan kasvaessa. Lopulta turvekerros käy liian ohueksi, repeää ja paljastaa jäisen sisuksen kesän lämmölle ja sateille. Tämä voi aiheuttaa routasydämen nopean sulamisen joko osittain tai kokonaan. Maa vajoaa sulaessaan ja muodostaa entisen palsakummun kohdalle termokarstilammen.
Lämpötila- ja lumiolot suolla määräävät muodostuuko tiettyyn kohtaan palsaa vai ei. Luodon ja kollegoiden (2004) mukaan palsoja esiintyy enimmäkseen alueilla joiden vuoden keskilämpötila on –3 ja –5 celsiusasteen välillä, tai kattavamman kuvauksen mukaan alueilla joiden keskilämpötila on korkeintaan –1 celsiusaste (Ruuhijärvi, 1960; Seppälä, 2006). Palsojen esiintymisalueita on rajattu vanhemmissa tutkimuksissa (esim. Åhman, 1977) myös sen perusteella, kuinka monta päivää vuodesta ilman täytyy olla tiettyä lämpötilaa viileämpi. Nämä kuvaukset vastaavat epäjatkuvan ikiroudan aluetta. Fronzekin (2013) mukaan tutkimuksissa on havaittu palsoja Suomen, Ruotsin, Norjan, Islannin, Huippuvuorten, Venäjän, Mongolian, Japanin, Alaskan sekä Kanadan alueilla.
Sademäärä on toinen palsojen esiintymiseen voimakkaasti vaikuttava tekijä. Palsoja esiintyy lähinnä niukkasateisilla alueilla, joilla vuosisadanta on alhaisempi kuin 450 mm (Luoto ym., 2004).
Vuosittaisen sademäärän lisäksi myös sadannan jakautuminen vuodenaikojen välillä voi vaikuttaa palsakumpujen muodostumiseen koko niiden elinkaarten ajan.
Palsat muodostuvat yleensä ympäristöönsä verrattuna vähälumisiin kohtiin. Tämä voi johtua esimerkiksi kasvillisuuden vähäisyydestä, joka vähentää tuulen vastusta ja sitä kautta helpottaa lumen kantautumista pois tulevan palsakummun kohdalta. Palsakummun kasvaessa korkeutta sama ilmiö voimistuu entisestään, kun tuulen on helppo kuljettaa lumi palsan huipulta ympäröivälle tasamaalle. Ohut lumikerros toimii vain heikkona eristeenä ja paljastaa palsan huipun jäätymiselle.
Keväällä ohut lumikerros palsan huipulla sulaa ensimmäisenä ja paljastaa maaperän. Auringonvalon lisääntyessä myös ympäröivät lumimassat alkavat sulamaan. Valon matala saapumiskulma lämmittää eniten palsan laitoja ja aiheuttaa sulamista erityisesti palsan eteläreunalla. Lämpö sulattaa lumen ja kuivattaa palsaa päällystävän turpeen. Kuiva turve johdattaa heikosti lämpöä ja suojaa routaista ydintä sulamiselta. (Seppälä, 2011)
Seppälän (1976) mukaan palsojen etelärinteiden sulamiseen vaikuttaa erityisesti lämpötila.
Vastaavasti pohjoisrinteillä sekä palsan halkeamissa sademäärä vaikuttaa sulamiseen lämpötilaa
enemmän. Palsa itsessään suojaa pohjoisrinnettä auringon tuottamalta suoralta lämmöltä, mutta sadevesi imeytyy turpeen läpi myös pohjoisrinteillä, kuljettaen veteen sitoutuneen lämmön jäiseen sisukseen. Sama pätee myös routaydintä päällystävässä turvekerroksessa oleviin halkeamiin.
Runsaat kesäsateet estävät näin roudan selviytymisen seuraavaan talveen ja heikentävät mahdollisuuksia palsojen muodostumiseen.
Vuoden keskilämpötilan ja sademäärän lisäksi maaperän ominaisuudet rajoittavat palsojen esiintymistä. Oksasen (2005) mukaan palsa tarvitsee muodostuakseen kostean maaperän, jossa on runsaasti turvetta, toisin sanottuna suon. Seppälän (2011) mukaan palsan jäistä ydintä peittää vähintään puolen metrin turvekerros, joka toimii eristeenä sulamista vastaan. Tämä eriste hidastaa ja estää jäisen ytimen sulamisen lämpimämpinä aikoina. Turpeen osuus voi syvemmällä maaperässä laskea liian matalaksi, jolloin palsakummun kasvaminen korkeussuunnassa pysähtyy, vaikka sääolosuhteet sen sallisivat. Turpeen ja mineraalimaaperän vaihtelut voivat myös vaikuttaa muodostuvan palsan tyyppiin (Åhman, 1977).
Edellä kuvattujen esiintymisolosuhteiden vuoksi palsoja esiintyy vain hyvin rajatuilla alueilla.
Euroopassa palsojen esiintyminen keskittyy pohjoiskalotille. Suomessa palsoja esiintyy Enontekiön, Inarin sekä Utsjoen kuntien alueella (Fronzek ym., 2006; Kaakinen ym., 2018).
Palsojen muodot vaihtelevat ja niistä on erilaisia määritelmiä. Morfologisesti palsojen esiintymismuodot voidaan jakaa muutamaan päätyyppiin: laakiopalsoihin, kumpupalsoihin sekä erilaisiin harjumaisiin palsamuodostelmiin. Myös palsakompleksit, eli edellämainittujen palsatyyppien sekoitukset ja erilaiset ryhmittymät ja yhteenkasvamat ovat yleisiä.
Kumpupalsa eli kekopalsa on kupolinmuotoinen, 0,5–10 metriä korkea soikea kumpu, jonka sisällä olevaa jääsydäntä peittää paksu turvekerros. 10–15 metriä leveä ja 20–30 metriä pitkä kumpu muodostuu erityisesti alueilla, joilla on runsaasti turvetta. Mineraalimaa voi aiheuttaa muodoltaan pitkulaisempia tai monimutkaisempia kumpupalsoja. (Åhman, 1977; Kajala, 1999; Seppälä, 2006.) Palsakumpuihin tai kumpupalsoihin lasketaan määritelmästä riippuen myös erilaiset harjumaiset palsamuodostelmat. Åhman (1977) jakaa harjumaiset muodostelmat edelleen harjupalsoihin sekä rinnakkaisina sarjoina esiintyviin jännepalsoihin (ruotsiksi strängpalsa, englanniksi stringpalsa [ Åhman, 1977] ja saksaksi Strang artige Palsa [Ruuhijärvi, 1960]). Harjumaiset palsat voivat kasvaa suurimmillaan 6 metriä korkeiksi ja 500 metriä pitkiksi harjanteiksi (Seppälä, 2006). Myös termit vallipalsa, rengasmainen palsa ja pounupalsa esiintyvät kirjallisuudessa (Kajala, 1999).
Laakiopalsat ovat matalia, mutta pinta-alaltaan laajoja palsamuodostelmia. Laakiopalsat kasvavat noin 1–1,5 metriä korkeiksi, jyrkkärinteisiksi kohoumiksi, joiden pinta-ala voi kasvaa jopa neliökilometriin (Seppälä, 2006). Tasaista laakiopalsaa peittää ohuehko turvekerros. Laakiopalsan alustana voi olla mineraalimaata, joka sitoo vettä huonommin kuin paksu turvekerros, ja rajoittaa siten palsan korkeuskasvua (Åhman, 1977:40-42,138).
2.2. Palsasuot ja ympäristö
Koko Suomen maa-alueen pinta-alasta noin 30 prosenttia on soita, joista luonnontilaisia on nykyään noin 38 000 neliökilometriä (km2) eli noin 4 miljoonaa hehtaaria, ja suojeltuja 8 500 km2 (Väre &
Laine, 2014). Näistä palsasoita on noin 50 000 hehtaaria, joista itse palsamuodostelmat peittävät noin 600 hehtaaria (Kaakinen ym., 2018). Suomen ympäristökeskuksen ja Ympäristöministeriön teetättämän luontotyyppien uhanalaisuutta koskevan raportin mukaan palsarämeet on luokiteltu erittäin uhanalaisiksi ja palsasuot vaarantuneiksi, johtuen erityisesti ilmastonmuutoksen vaikutuksista (Kontula & Raunio, 2018).
Palsasuot ovat tutkimusten mukaan luonnon monimuotoisuudelta kannalta tärkeitä ympäristöjä (Fronzek, 2013; Oksanen & Väliranta, 2006; Seppälä, 2011). Palsakummun huippu on kuiva ja eroaa ympäröivästä kosteammasta biotoopista mikrobiologian ja kasvillisuuden puolesta (Marushchak, 2019; Oksanen & Väliranta, 2006). Monipuolisen kasviston lisäksi arktisilla soilla esiintyy runsaasti hyönteisiä, mikä tekee niistä tärkeitä pesimäpaikkoja muuttolinnuille, kuten kahlaajalinnuille ja hanhille (CAFF, 2001). Hyönteisistä esimerkiksi sudenkorentolaji S. Sahlbergi vaikuttaa esiintyvän Euroopassa pelkästään palsasoilla (Schröter, 2001).
Palsakummun kasvillisuus eroaa palsaa ympäröivästä kasvillisuudesta. Palsakummun huipulla yleisiä kasveja ovat muun muassa kuivan kankaan jäkälät ja sammalet, kuten rupijäkälät ja kynsisammalet (Kaakinen ym., 2018). Myös varpukasveja kuten variksenmarjaa, suopursua, puolukkaa, muurainta sekä vaivaiskoivua esiintyy palsojen huipuilla (Kaakinen ym., 2018; Ruuhijärvi, 1960). Oksasen ja Välirannan (2006) mukaan ikiroudan lähellä, tässä tapauksessa palsakummun huipulla, esiintyy yleisesti sammalia Dicranum elongatum ja Polytrichum strictum yhdessä jäkälien kanssa.
Vastaavasti palsakumpujen vieressä sijaitsevilla rimmillä rahkasammalet Sphagnum lindbergii ja S.
riparium sekä sarakasveista Eriophorum eli suovillat ovat merkittäviä lajeja. Zuidhoff ja Kolstrup (2005) totesivat kasvillisuuden vaihtelevan palsakummun kehitysvaiheiden myötä. Palsoille ei ole
löydetty yksiselitteisiä indikaattorikasveja, joiden avulla niiden esiintymistä historiallisesti voitaisiin selvittää, sillä samanlaisia kasviyhdyskuntia esiintyy myös muissa ympäristöissä. Hyvin tarkkaa kasvimakrofossiilianalyysia on silti mahdollista käyttää historiallisten palsaesiintymien selvittämiseen (Oksanen & Väliranta, 2006).
Oksasen (2005) mukaan on todennäköistä, että palsoja alkoi muodostumaan ilmaston viiletessä noin 3 000–4 000 vuotta sitten, mutta aiheesta ei ole tehty suoraa palsoihin perustuvaa tutkimusta.
Palsakumpujen muodostuminen on syklistä olosuhteiden niin salliessa, mikä voidaan todeta esimerkiksi samalla alueella esiintyvistä eri-ikäisistä palsakummuista (Fronzek ym., 2006). Oksasen (2005) mukaan suurin osa nykypäivän palsoista on nuorempia kuin 600 vuotta.
Palsasoista suurin osa sijaitsee alueilla, joilla ilmasto lämpiää nopeammin kuin maapallolla keskimäärin. Hallitustenvälisen ilmastonmuutospaneeli IPCC:n (2018) raportin mukaan ilmasto tulee todennäköisesti lämpenemään 2050-lukuun mennessä vähintään 1,5 celsiusastetta esiteolliseen aikaan verrattuna. Tämän lisäksi lämpeneminen on maapallolla voimakkaampaa mantereella kuin merellä ja erityisen voimakasta arktisilla alueilla (IPCC 2007, 2018). Näistä kriteereistä molemmat täyttyvät Pohjois-Euroopassa (Gutman & Reissell, 2011). Ikiroutaan on maailmanlaajuisesti sitoutunut merkittävä määrä hiiltä ja typpeä, joiden vapautuminen ilmakehään ja vesistöihin tulee edelleen vaikuttamaan sekä ilmastoon että ympäristöön (Marushchak, 2019).
Muutokset ilmastossa voivat ilmetä luonnossa eri tavoin. Ilmaston lämpeneminen voi paikallisten huippulämpötilojen lisäksi ilmetä esimerkiksi lämpimän ajan pitenemisenä (Maruschak, 2019).
Muutokset voivat tuoda mukanaan myös muita ilmiöitä, kuten muutoksia sadantaan sekä lämpöjaksojen vaihtelevuuden kasvamista. Ilmaston lämpenemistä kuvataan usein pelkän lämpötilan lisäksi monilla muilla tunnusluvuilla ja indikaattoreilla, kuten lämpösummilla, sulamiskertojen määrällä tai kasvukauden kestolla (Gutman & Reissell, 2011). Muutokset missä tahansa näistä vaikuttavat palsakumpujen syntyyn ja säilymiseen ja erityisesti valmiiksi sulamisen partaalla oleviin palsakumpuihin (Oksanen, 2005).
3. Maanpinnan muotojen kaukokartoitus
Kaukokartoitus tarkoittaa mitä tahansa menetelmää, jolla kerätään tietoa koskematta itse tutkimuskohteeseen. Tunnettuja esimerkkejä kaukokartoitetusta materiaalista ovat satelliitti- sekä ilmakuvat. Myös laser- tai äänikeilaukset kuuluvat kaukokartoitusmenetelmiin. Lasersäteitä on käytetty osana topografista kartoitusta jo 1960-luvulta lähtien, mutta vasta teknologiakehityksen myötä 1990-luvulla laserkeilaus alkoi yleistymään maanpinnan muotojen kartoittamisessa (Shan &
Toth, 2018). Digitalisaation myötä maanpinnan muotoa kuvaavien, eli topografisten aineistojen valikoima on monipuolistunut. Käyttäjän näkökulmasta avointen aineistojen yleistyminen on sekä lisännyt saatavilla olevien aineistojen määrää, että laskenut niiden käyttämiseen liittyviä kustannuksia. Shanin & Tothin (2018:1) mukaan laserkeilaus on merkittävin topografiseen tutkimukseen vaikuttanut teknologinen edistysaskel 2000-luvun aikana.
3.1. Laserkeilaus maanpinnanmuotojen tutkimuksessa
Light Detection And Ranging (LiDAR) tarkoittaa valoimpulssin avulla tehtävää etäisyyksien ja sijaintien mittaamista. Yleisimmin käytettäväksi impulssimuodoksi on vakiintunut Light Amplification by Stimulated Emission of Radiation eli laser, joka tarkoittaa tarkasti rajatulla aallonpituudella lähetettyä voimakasta valoimpulssia, joka kohdistetaan hyvin pienelle alueelle.
Yhdysvaltain ilmailu- ja avaruushallintovirasto NASA aloitti etäisyyksien mittaamisen laserimpulssien avulla jo 1960-luvulla pian laserin keksimisen jälkeen (Shan & Toth, 2018).
Nykyaikaisemmat, ilmasta käsin suorettavassa laserkeilauksessa (engl. Airborne Laser Scanning;
ALS) käytetyt laitteistot ovat alkaneet yleistymään 1990-luvulta lähtien (Maune, 2001:208–2010).
Pienin kirjaimin kirjoitettava termi lidar on yleistynyt laserpohjaisista LiDAR-menetelmistä puhuttaessa (Maune, 2001:207, 237). Nykyaikaiset laitteistot on kehitetty palvelemaan tapauskohtaista, tarkkaan määriteltyä tarkoitusta, minkä takia erilaisten lidar-laitteistojen valikoima on kehittynyt monipuoliseksi (Maune 2001:211–212).
Lidar-aineistojen keräämiseen tarvitaan sijainniltaan tunnettu lasersignaalin lähetin sekä vastakappale, joka vastaanottaa tutkittavasta kohteesta takaisin heijastuneen signaalin. Kohteen etäisyyden laserlaitteesta voi laskea signaalin matkaan kuluttamasta ajasta tunnetun valonnopeuden avulla. Signaalin lähtösuunta saadaan Inertial Measurement Unit eli IMU-tekniikan
avulla tarkasti selville. IMU-tekniikan toiminta perustuu kahdelle fysiikan laille, joiden mukaan pyörivän objektin akseli hakeutuu paikalla hallitsevan painovoiman suuntaisesti, ja objektin pyöriessä hyvin nopeasti se myös säilyttää suuntansa suhteessa ympäristöönsä. Signaalin lähtösuunnan ja sen kulkeman matkan pituuden avulla tutkimuskohteen sijainti on mahdollista laskea tarkasti (Maune, 2001: 208–209). Mittausten tarkkuuteen vaikuttaa muun muassa käytetyn lasersäteen teho, sille ominainen leviämisen voimakkuus sekä säteen lähetystiheys (Maune, 2001:213). Kerätyn aineiston lopullinen tarkkuus on usein alle 15 cm (Maune, 2001:221).
Lidarin avulla voidaan kerätä aineistoja riippumatta luonnonvalon määrästä, jolla on merkittävä vaikutus valokuvaamiseen pohjaavissa menetelmissä. Runsas kasvillisuus tai lehtevyys eivät hankaloita lidarilla tehtävää maaperän mallintamista yhtä paljon kuin valokuvauksen yhteydessä (Maune, 2001:136–137). Sen sijaan kovan tuulen tai sateen seurauksena ilmakehässä voi olla niin paljon ylimääräisiä hiukkasia, että se vaikuttaa lidar-menetelmällä kerättyjen aineistojen luotettavuuteen. Vesialueiden erottamiseen lidar-aineistosta käytetään usein apuna muita aineistoja, kuten ortoilmakuvia (Maune, 2001:222–223). Lidar-menetelmillä voidaan kartoittaa myös veden syvyyttä, mutta silloin tutkimuksessa käytetään infrapunaisten taajuuksien sijasta vihreän ja sinisen valon taajuuksia (Maune, 2001:212).
Laserkeilaimesta lähetetty säde heijastuu luonnossa harvoin kokonaisuudessaan takaisin yhtenäisestä, tasaisesta pinnasta. Säteen heijastuminen takaisin vain osittain tai useammassa osassa on yleistä. Esimerkiksi puustoisella alueella osa säteestä heijastuu takaisin puuston latvasta, osa oksistosta ja loput viimeistään maanpinnasta (Shan & Toth, 2018:210). Näitä paluukaikuja kutsutaan nimillä First Return (ensimmäinen, esimerkiksi latvustosta palaava kaiku), Last Return (viimeinen, yleensä maasta palaava kaiku), sekä Intermediate Return (mikä tahansa tältä väliltä) (Maune 2001:213–214). Palsasoilla kasvillisuus on yleensä niin matalaa ja tiheää, että yksittäisestä laserimpulssista rekisteröidään vain yksi paluukaiku riippumatta siitä, heijastuuko säde takaisin esimerkiksi paljaasta maasta, jäkäläkasvustosta vai varpukasvillisuudesta.
Kaiun järjestysnumeron lisäksi lidar-laitteet mittaavat myös palaavan säteen intensiteetin.
Tasaisesta pinnasta heijastuvan säteen intensiteetti on suurempi kuin epätasaisesta pinnasta heijastuvan säteen (Maune, 2001:214). Paluukaiun intensiteettiin vaikuttavat muun muassa kartoitettavan pinnan materiaali, heijastavuus sekä tasaisuus (Shan & Toth, 2018:210). Näiden lisäksi kasvillisuus ja sen kerrokset vaikuttaa paluukaikujen mitattuun intensiteettiin. Myös
ilmakehän partikkelit voivat aiheuttaa säteen siroamista ja vaikuttaa siten palaavan säteen intensiteettiin. Palsasoilla esimerkiksi paljas turve, pajukkoinen alue ja vesirimpi heijastavat lasersäteen takaisin erilaisilla intensiteettiarvoilla.
Laserkeilauksella kerätään runsaasti aineistoa alueen kokoon nähden. Aineiston tarkkuus edesauttaa käytettävyyttä monessa eri tarkoituksessa. Yhdestä aineistosta saadaan usein jalostettua sopivaa materiaalia useamman tutkimuksen tarpeisiin. Tarkempi aineisto tarkoittaa yleensä myös tiedostomäärien ja -kokojen kasvua. Aineistojen kasvaessa tiedon tallentamisen sekä hyödyntämisen täytyy olla teknisesti tehokasta (Kidner ym., 2000; Maune 2001:8). Usein tärkeä osa tutkimusta on harventaa tarkkaa aineistoa vääristämättä otoksen edustavuutta (Shan & Toth, 2018:368). Käytetyn aineiston tarkkuus vaikuttaa tutkimustulosten luotettavuuteen, minkä vuoksi aineiston valintaan tulisi kiinnittää tarkkaa huomiota (Schlögel ym., 2018).
Canuto ja kollegat (2018) tutkivat lidar-aineistojen pohjalta Guatemalassa yli 2 000 km2 aluetta osana arkeologisia tutkimuksia. Laajan ja monitieteisen tutkimuksen yhteydessä suoritettiin myös kattavat kenttätutkimukset tutkimustulosten parantamiseksi. Myös Magninin ja kollegoiden (2017) tutkimuksessa käytettiin kenttätutkimuksia LiDAR-aineistojen pohjalta saatujen tulosten arviointiin.
Davisin (2019) tutkimuksessa arkeologiseen tutkimukseen käytettiin Object Based Image Analysis eli OBIA-menetelmiä. Näissä menetelmissä yksittäisen pikselin sijasta analysoidaan yhtenäisiä alueita. OBIA-menetelmissä voidaan analysoida yhtä aikaa useampaa tasoa. Lähekkäin sijaitsevat pikselit, joilla on käytettävissä aineistoissa yhtenäiset arvot, tulkitaan yhdeksi yksiköksi.
Palsakummut muistuttavat monessa mielessä arkeologisia tutkimuskohteita, minkä takia samojen metodologioiden pitäisi olla käyttökelpoisia myös palsasoiden tutkimuksessa. Davisin ja kumppaneiden (2019) tutkimuksessa vertailtiin erilaisia tapoja analysoida arkeologisia kohteita.
Kumpujen tunnistamiseen sovellettiin useaa erilaista OBIA-pohjaista menetelmää tai menetelmien yhdistelmää. Näistä kaikki ovat mahdollisia menetelmiä myös palsojen tunnistamiseen.
3.2. Korkeusmallit
Tämän tutkielman pääasiallisena aineistona on käytetty lidar-laitteilla kerättyyn aineistoon perustuvia maanpinnan korkeutta kuvaavia Digital Elevation Model eli DEM-tasoja. Maa-alueita kuvaavat DEM-aineistot voidaan jakaa kahteen eri luokkaan: Digital Terrain Model (DTM) sekä Digital Surface Model (DSM). Näistä DTM-tasolla kuvataan maanpinnan paljaita muotoja ilman kasvillisuutta tai rakennuksia. DSM kuvaa vastaavasti maanpinnan päällä havaittavissa olevien kohteiden korkeutta (Maune, 2001:2). Palsojen tutkimisen kannalta olennaista on paljasta maata kuvaava DTM-pinta. Palsasoiden matalan kasvillisuuden vuoksi DTM- ja DSM-tasot ovat lähes samat, ja monissa aineistoissa ne eivät juuri erotu toisistaan. Pääaineistona käytettyjen tasojen tuottaja MML käyttää aineistoistaan nimitystä ”korkeusmalli 2m”. Tässä tutkielmassa korkeutta kuvaavista tasoista käytetään yleistermiä DEM.
Maanmittauslaitoksen tuottamat korkeusmallit on tehty lentokoneella kuvattujen lidar-aineistojen pohjalta. Lidar-kuvausten tuloksena saadaan tiheää pisteaineistoa, josta muodostetaan interpoloimalla korkeutta kuvaava jatkuvapintainen korkeusmalli. Interpoloinnin perusoletuksena on spatiaalinen autokorrelaatio, eli ajatus siitä, että toisiaan lähellä olevat pisteet muistuttavat toisiaan todennäköisemmin kuin kaukana olevat (Maune, 2001:10). Pisteiden määrä, jakautuneisuus sekä sijainti suhteessa maanpinnan muotoihin vaikuttavat tuloksena saadun mallin laatuun. Mallin reuna-alueilla olevien arvojen tarkkuuden kannalta olisi tärkeää, että käytettävä pisteaineisto kattaa tarpeeksi suuren reuna-alueen mallinnettavan alueen ulkopuolella. Lisäksi pisteitä olisi hyvä olla sitä enemmän, mitä vaihtelevampaa maastoa mallinnetaan. (Maune, 2001:16) Interpolointiin tarkoitettuja menetelmiä on useita erilaisia. Tärkeintä on selvittää mallinnettavan alueen ominaisuudet ja suorittaa mallinnus tapauskohtaisesti. Ominaisuuksiltaan hyvin monimuotoisen alueen tapauksessa voi olla tarpeen jakaa alue pienempiin, yhtenäisempiin alueisiin, suorittaa mallinnus kullekin alueelle erikseen, ja yhdistää mallinnuksen tulokset jälkikäteen yhtenäiseksi tasoksi (Maune, 2001:17). Menetelmien erityisominaisuudet voivat vaikuttaa myös aineistoihin kohdistettuihin kriteereihin. Kaikki menetelmät hyötyvät siitä, että mitattavan alueen paikalliset ääriarvot on sisällytetty kattavasti lähtöaineistoon, mutta toisten kohdalla niiden puuttuminen on erityisen haitallista mallin tarkkuudelle (Maune, 2001:216).
Interpolointimenetelmistä esimerkiksi Triangulated Irregular Network (TIN), Inverse Distance Weighting (IDW) ja linear natural neighbour eivät ennusta arvoja lähtöaineiston arvojen
ulkopuolelta, ja ovat siksi erityisen herkkiä mallin vääristymiselle, jos paikallisia ääriarvoja puuttuu lähtöaineistosta.
Virhearviointi on olennainen osa kaikkea mallintamista. Mallin osuvuutta voi tarkastella esimerkiksi histogrammin, minimi- ja maksimiarvojen tarkastamisen sekä visuaalisen tarkastelun avulla.
Tarkempaa virhearviointia tai mallien välistä vertailua voi tehdä esimerkiksi jättämällä osan lähtöaineiston pisteistä pois mallista ja laskemalla malliin mukaan otetun ja pois jätetyn aineiston välinen keskihajonta eli root mean square error (RMSE) (Maune, 2001:17).
DEM-aineistoista voi edelleen jalostaa maanpinnan ominaisuuksia tarkemmin kuvaavia aineistoja.
Muun muassa varjostavuuden, näkyvyyden, sekä rinteen jyrkkyyden ja suunnan laskeminen ovat toimenpiteitä, jotka voidaan suorittaa mallinnetun maanpinnan pohjalta (Maune 2001:21–22).
Näistä erityisesti rinteen jyrkkyys ja suunta voivat auttaa palsojen tunnistamisessa.
Freeland ja kollegat (2016) esittelevät artikkelissaan LiDAR-pohjaisten DEM-aineistojen käyttämistä kohoumien tunnistamiseen arkeologisessa tutkimuksessa Tongatapun saarella. Pistemuotoisen LiDAR-aineiston pohjalta muodostettiin DEM-pinta, josta tutkijat pyrkivät automatisoidusti tunnistamaan kohteita klassisella OBIA-pohjaisella menetelmällä sekä tutkimuksen aikana kehitetyllä iMound-menetelmällä. IMound-menetelmässä kohoumien tunnistamisen sijaan DEM- pinta on käännetty ylösalaisin ja käsitelty hydrologian tarpeisiin kehitetyn, kuoppien täyttämiseen tarkoitetun algoritmin avulla. Palsojen tunnistamisessa voisi käyttää hyödyksi tämänkaltaista käännetyn korkeustason analysointia.
4. Tutkimusalue
4.1. Enontekiön ilmasto
Enontekiö on yksi Suomen pohjoisimmista kunnista. Pohjois-Lapin luoteisosan kattavan kunnan pinta-ala on hieman alle 8 500 km2. Pinta-alasta merkittävä osa on valtion luonnonsuojelualuetta tai erämaata. Käsivarren erämaa-alue on näistä suurin, pinta-alaltaan 2 200 km2 eli noin neljänneksen Enontekiön kokonaispinta-alasta. Matkailu, poronhoito ja luontaiselinkeinot muodostavat merkittävimmän osan kunnan elinkeinoista (Kajala & Loikkanen, 2000; Enontekiö, 2019).
Suomi kuuluu kokonaisuutena pääosin boreaalisiksi luokiteltaviin ilmastovyöhykkeisiin (Kersalo &
Pirinen, 2009:9). Suurin osa Enontekiön, Inarin ja Utsjoen kuntien muodostamasta Pohjois-Lapista kuuluu pohjois-boreaaliseen ilmastovyöhykkeeseen (kuva 2). Enontekiön kunta on jaettavissa ilmastovyöhykkeen suhteen karkeasti kahteen osaan, pohjois-boreaaliseen sekä hemiarktiseen.
Suomen alueella näistä molemmilla esiintyy palsasoita.
Kuva 2. Pohjois-Suomen ilmastovyöhykkeet, keskilämpötilat ja vuosittainen sademäärä (Kersalo &
Pirinen, 2009), sekä tunnistetut palsaesiintymät (Kaakinen ym., 2018).
Enontekiön pohjoisimmat osat sijaitsevat hemiarktisella ilmastovyöhykkeella. Jäämeren läheisyys tuo alueelle ilmastoon merellisiä piirteitä. Tämä näkyy esimerkiksi kesän ja talven välisissä äärilämpötilaeroissa, jotka voivat pohjoisen ylätuntureilla olla jopa 10 °C pienempiä kuin Pohjois- Lapin mantereisessa osassa (Kersalo & Pirinen, 2009:145). Kunnan eteläiset osat kuuluvat pohjois- boreaalisen ilmastovyöhykkeeseen. Näillä alueilla esiintyy hidaskasvuista mäntymetsikköä (Ilmastovyöhykkeet, 2020). Maastotietokannan aineistojen mukaan erilaisten soiden osuus käsivarren alueen kokonaispinta-alasta on noin 19,1 %, josta puuttomien soiden osuus on 91,1 %.
Enontekiön vuoden keskilämpötila on –2 ja –3 celsiusasteen välillä. Vuosittainen sademäärä vaihtelee Käsivarren ylätunturien 700 millimetristä vuodessa alueen etelärajoilla esiintyvään 400 millimetriin vuodessa. Koko Enontekiön alueella vuosittaisesta sademäärästä lumena sataa noin 50–
60 prosenttia. (Kersalo & Pirinen, 2009:146–147.)
4.2. Rommaenon laakso
Tapausesimerkkinä käytetty Rommaenon laakso sijaitsee Enontekiön kunnassa. Länsi-itä- suuntaisesti virtaava Rommaeno saa vetensä Termisjärveltä Termisjoen ja Rommajärven kautta.
Idässä lähellä Norjan rajaa Rommaeno yhtyy Lätäsenoon ja laskee vetensä sitä myöten Muonio- ja Torniojokiin. Kuvassa 3 esitetty tutkimusalue sijaitsee Rommajärven ja Raittijärven välissä noin 69°
leveyspiirin korkeudella. Rommaenon varrella oleva kallioperä koostuu kaakkoisimpia kvartsiitti- ja graniittiesiintymiä lukuunottamatta graniittigneissistä. Yleisimmät maaperät joen varrella ovat kumpumoreeni, turve sekä moreeni (Kajala & Loikkanen, 2000). Tutkimusalueeseen kuuluvat turvesuoalueet sijaitsevat Rommaenon molemmin puolin noin 540–570 metrin korkeudella merenpinnasta. Noin 1 000 hehtaarin kokoisesta alueesta soita on noin 550 hehtaaria.
Palsantunnistusmenetelmiä varten rajatun tutkimusalueen pinta-ala on noin 280 hehtaaria (kuva 3).
Kuva 3. Tutkimusalue Rommaenon laaksossa Enontekiöllä. Ortoilmakuva: Maanmittauslaitos, 2012.
5. Aineistot
Tutkielman aineistoina käytettiin Suomen Maanmittauslaitoksen laserkeilauksen avulla tuotettua pistedataa, sen pohjalta muodostettua maanpinnan muotoja kuvaava DEM-pintaa, Maanmittauslaitoksen maanpeitettä kuvaavia aineistoja ja ilmakuvia, sekä Itä-Suomen Yliopiston Historia- ja maantieteiden laitoksen tuottamia Unmanned Airborne System eli UAS-pohjaisia aineistoja.
5.1. Maanmittauslaitoksen kaukokartoitusaineistot
Tutkimuksen aineistoina käytettiin sekä Maanmittauslaitoksen lidar-kuvausten alkuperäistä pistemuotoista dataa, että pisteaineiston pohjalta tehtyä maanpintaa kuvaavaa DEM- korkeusmallia. Valmista DEM-pintaa käytettiin tutkielmassa maanpinnan korkeuserojen laskemiseen. Korkeuspinnan lähdeaineistona käytettyä pisteaineistoa käytettiin intensiteetin, eli suopintojen heijastuksen voimakkuutta kuvaavien arvojen selvittämiseen. Ilmapistepilven korkeustarkkuus on vähintään 15 cm (Ilmapistepilven laatukäsikirja, 2016) ja DEM-tason korkeussijainnin neliökeskivirhe (RMSEv) korkeintaan 30 cm (Korkeusmallien laatukäsikirja, 2016).
Tämän lisäksi tutkielmassa käytettiin palsojen tunnistuksen aikana sekä tarkkuuden parantamiseen ja arvioinnin apuna MML:n ortoilmakuvia. Rommaenon alueen ortoilmakuvat vuodelta 2012 ovat horisontaaliselta tarkkuudeltaan 0,5 metriä (MML, 2020d).
Maanmittauslaitos tuotti vuosina 2008–2019 lidar-kuvauksilla tarkkaa kolmiulotteista pistedataa, jonka pistetiheys on vähintään 0,5 pistettä neliömetrille (MML, 2020b). Tutkielmassa käytetyt pisteaineistot eivät ole puhdasta raakadataa, vaan aineistoja, joille MML on suorittanut esikäsittelyssä korjauksia ja hienosäätöjä laadun parantamiseksi. Pisteaineisto on hyvin tiivistä ja tiedostokoot suuria. MML:n aineistolatauspalvelusta ladattavat tiedostot ovat pakattuja LAZ- tiedostoja, jotka täytyy purkaa ennen käyttöä esimerkiksi Lastools-ohjelmiston laszip-työkalulla.
Pisteaineiston tietoihin kuuluu x- ja y-koordinaattien lisäksi kohteen z-koordinaatti, eli korkeus merenpinnasta. Lisäksi tietoihin on tallennettu paluusäteen intensiteetti sekä suuntaa-antava maanpintaa kuvaava luokitustieto. Enontekiöstä on MML:n tuottamaa lidar-materiaalia vuosilta 2009, 2012, 2013, 2015, 2016 ja 2018 sekä uutta, tarkemmalla pistetiheydellä kuvattua materiaalia vuodelta 2020. Rommaenon alueen laserkuvaukset suoritettiin 17.8.2016.
5.2. Maanmittauslaitoken maastotietokanta
Maanmittauslaitoksen lidar-aineisto kattaa koko kuvatun alueen pinta-alan. Palsoja esiintyy vain suoalueilla, joten laajaa aineistoa rajattiin käsittämään vain alueet, joilla palsoja todennäköisimmin esiintyy. Tähän tarkoitukseen käytettiin MML:n ylläpitämää vektorimuotoista maastotietokantaa.
Alueiden maanpeitettä kuvaavista tiedoista erityisesti soihin ja vesistöihin liittyviä aluetietoja käytettiin tutkimusalueen rajaamisen.
Maastotietokannassa alue on luokiteltu suoksi, jos sillä kasvaa suokasvillisuutta ja sillä on turvetta vähintään 30 senttimetriä. Pohjois-Lapissa jälkimmäisestä kriteeristä on joustettu ja suoksi on luokiteltu myös alueita, joilla turvetta on vähemmän (Maastotietokannan sisältö, 2020).
Maastotietokannassa soihin luokitellut alueet on edelleen jaettu kahden ominaisuuden avulla neljään alaluokkaan. Luokittelun pohjana on käytetty suon kulkukelpoisuutta sekä metsäisyyttä (Maanmittauslaitoksen maastotietokohteet, 2016). Suoalueiden lisäksi tutkimusalueen rajaamisessa on hyödynnetty järvialueita, yli viisi metriä leveitä virtavesiä kuvaavia alueita sekä yli kaksi metriä leveitä jokia kuvaavia viiva-aineistoja.
5.3. Muut aineistot
Tutkielmassa käytettiin yhtenä vertailuaineistoina Itä-Suomen yliopiston Historia- ja maantieteiden laitoksen tuottamaa Unmanned Airborne System, eli UAS-pohjaista materiaalia ajalta 25–31.7.2018.
Real-Time Kinematic Global Positioning System, eli RTK GPS -tarkkuudella suoritetut kuvaukset tehtiin SensFly eebee -lennokilla, johon on kiinnitetty S.O.D.A. RGB-kamera sekä Parrot Sequoia - multispektrinen kamera. Kerätyistä aineistoista on muodostettu Agisoft Photoscan -ohjelmalla RGB- ortomosaiikki sekä DEM-taso, joita käytettiin tutkielmassa tunnistuksen apuna. RGB-ortomosaiikin horisontaalinen tarkkuus on 3 cm ja DEM-tason 6 cm. Lisäksi tunnistuksen apuna ja tulosten arvioinnissa käytettiin laitoksen asiantuntijoiden arvioita palsojen sijainneista. Käytössä oli palsojen sijainteja kuvaava pistemuotoinen aineisto koko Enontekiön alueelta, sekä palsojen pinta-alaa ja sijainteja kuvaava aineisto Rommaenon tutkimusalueelta.
6. Menetelmät
Tässä tutkielmassa on kartoitettu palsakumpujen tunnistamiseen soveltuvia menetelmiä kaukokartoitetun aineiston pohjalta. Erityisesti tutkielman aineistona on MML:n tuottama 2x2 m- resoluutioinen maanpinnan korkeutta kuvaava DEM-pinta, jota on analysoitu ESRIn ArcGIS- ohjelmiston työkalujen avulla.
Tutkielman aikana kehitettiin kaksi erilaista menetelmää palsakumpujen tunnistamiseksi korkeuspinnasta. Lisäksi tunnistamisen helpottamiseksi luotiin rajaustyökalu, joka rajaa korkeuspinnasta prosessoitavaksi vain palsojen esiintymisen suhteen todennäköisimmät alueet.
Rajaustyökalun tarkoitus on parantaa mallien tehokkuutta ja tuloksien tarkkuutta. Menetelmien käyttöä tutkielman aikana on esitetty kuvassa 4.
Maanmittauslaitoksen tuottamat ortoilmakuvat tutkimusalueesta ovat vuodelta 2012 ja Historia- ja maantieteiden laitoksen drone-kuvauksissa tuotetut ortomosaiikit ovat ajalta 25–31.7.2018. Kuvia käytettiin alueiden visuaaliseen tarkastelemiseen sekä mallin osuvuuden arvioimiseen.
Tutkimusalueen ortoilmakuvat ja laserkeilausaineistot eivät ole samoilta vuosilta, mikä vaikutti osaltaan kuvien käyttöön analyysissa. Kuva-aineiston moninaisuuden vuoksi sitä ei myöskään ole sisällytetty tutkielman malleihin, vaan käytetty vertailuaineistona.
Kuva 4. Menetelmien käyttö tutkielman aikana.
6.1. Korkeuspinnan rajaaminen
Palsoja esiintyy vain soilla. Soilla palsakummut erottuvat ympäristöstään hyvin korkeutensa puolesta. Välittömän esiintymisalueen ulkopuolella maastosta löytyy kuitenkin kohteita, joilla on palsakumpuja vastaavia korkeusominaisuuksia. Tämän vuoksi tunnistuksen parantamiseksi on hyödyllistä rajata tutkittava alue mahdollisimman tarkkaan ja karsia palsantunnistusmalleista pois kaikki alueet, joilla palsojen esiintyminen on epätodennäköistä. Tarkastelun pohjaksi kehitin rajaustyökalun, joka poistaa jatkuvasta korkeuspinnasta alueet, joilla palsojen esiintyminen on epätodennäköistä (Kuva 5). Lisäksi työkalu poistaa korkeuspinnasta alueita, joilla esiintyisi muuten runsaasti virheellisiä palsamäärityksiä.
Kuva 5. Rajaustyökalu potentiaalisten palsa-alueiden määrittelemiseksi.
Rajaamisen pohjana käytettiin MML:n maastotietokannan polygon- ja viiva-aineistoja.
Tutkimusaluetta kuvaavat aineistot on päivitetty viimeksi vuonna 2016 (MML, 2020e) ja ne ovat ladattavissa MML:n aineistonlatauspalvelun kautta (MML, 2020a). Tämän tutkielman kannalta aineistossa olennaisimpia olivat suo- ja vesialueita kuvaavat tiedot.
Palsakumpuja esiintyy vain turvealueilla, jotka maastotietokannassa on luokiteltu soiksi. Suota kuvaavia luokkia on maastotietokannan aineistossa neljä kappaletta: helppokulkuinen puuton suo, helppokulkuinen metsää kasvava suo, vaikeakulkuinen puuton suo sekä vaikeakulkuinen metsää kasvava suo. Luokat vastaavat käytetyissä maastotietokannan aineistossa kohdeluokkia 35411, 35412, 35421 sekä 25422 (Maanmittauslaitoksen maastotietokohteet, 2016). Kohdeluokkia verrattiin maanmittauslaitoksen ilmakuviin sekä palsoihin perehtyneen asiantuntijan tietoihin tunnetuista palsojen sijainneista. Vertailun pohjalta malliin valittiin kaksi suoluokkaa, joilla palsoja esiintyy todennäköisemmin: helppokulkuinen puuton suo (luokka 35411) ja vaikeakulkuinen puuton suo (luokka 35421).
Suoalueiden rajaamisen jälkeen tarkastelin korkeuspinnan ominaisuuksia tutkimukseen valittujen alueiden osalta. Palsakumpujen kanssa samanlaisia ominaisuuksia esiintyi erityisesti vesialueiden läheisyydessä sekä alueilla, joilla esiintyi korkeaa varpukasvillisuutta. Näistä korkeakasvustoisten alueiden poisrajaamiseksi ei löytynyt sopivia aineistoja, mutta aihetta on käsitelty muiden toimenpiteiden osalta tarkemmin luvussa 6.3. Keskimääräinen korkeus -menetelmä. Sen sijaan vesialueiden reunalla olevat alueet osoittautuivat helpoksi rajata pois maastotietokannan aineistojen avulla. Palsakumpuja ei visuaalisen tarkastelun perusteella esiintynyt tutkimusalueella vesistöjen välittömässä läheisyydessä, mikä mahdollisti vesialueiden lähistöjen rajaamisen pois malleissa käsiteltävistä alueista.
Maastotietokannassa tutkimusalueelta löytyy kolme erilaista vesistöä kuvaavaa luokkaa: vakavesiä kuvaava polygoniaineisto (Maastotietokannassa kohdeluokka 36200), yli viisi metriä leveitä virtavesiä kuvaava polygoniaineisto (luokka 36313) sekä 2–5 metriä leveitä virtavesiä kuvaava viiva- aineisto (luokka 36312). Tutkimusalueen ortoilmakuvien ja korkeusmallin visuaalisen tarkastelun pohjalta määrittelin erilaisille vesistöille raja-alueet: järvet 10 metriä, pienet joet 10 metriä sekä isot joet 25 metriä. Tutkimusalueesta leikattiin näiden arvojen mukaisesti vesistöä kuvaavien aineistojen ympäriltä pois alueet ArcMapin Buffer-työkalulla.
Edellä mainittujen rajausten pohjalta loin rajaustyökalun, joka leikkaa tutkimusalueesta mallien prosessoitavaksi vain alueet, joilla palsoja potentiaalisesti esiintyy. Kuvassa 5 on esitetty tiivistetysti rajaustyökaluun kuuluvat toiminnot. Työkaluun syötetään halutun alueen maastotietokannan aineistot ja lopputuloksena saadaan tutkimusalueen leikkaamiseen soveltuva tiedosto. Jatkuvasta korkeuspinnasta voidaan tällä rajauksella leikata avosuot, joista on edelleen rajattu pois vesistöjen ympäriltä tilanteeseen soveltuva alue. Kuvassa 6 on esitetty, miten rajaustyökalu vaikutti
esimerkkialueeseen Rommaenolla. Kyseisen palsasuon tapauksessa koko pinta-alasta mallin prosessoitavaksi jää 56,0 %.
Kuva 6. Potentiaalisten palsa-alueiden rajaustyökalun vaikutukset esimerkkialueeseen Rommaenolla. Korkeustiedot: Maanmittauslaitos, Korkeusmalli 2m, 2016.
6.2. Fill-menetelmä
Fill-menetelmä on toinen tässä tutkielmassa palsantunnistamista varten kehitetyistä menetelmistä (kuva 7). Menetelmän perusajatuksena on erottaa yksittäiset kohoumat ympäröivästä tasaisemmasta maastosta hyödyntäen digitaalisen pinnan kuoppien täyttämiseen käytettyä Fill- työkalua. Menetelmän etuihin kuuluu, että mallin läpi voidaan kerralla ajaa laajahkoja alueita lähes täysin automatisoidusti. Toisin sanoen menetelmän suorittamiseen ei tarvita ihmisen arviointia, lukuun ottamatta menetelmän viimeistä, valinnaista vaihetta. Menetelmään kuuluvien vaiheiden määrä on hyvin rajattu, eikä kevyiden vaiheiden suorittaminen normaalioloissa vie paljoa aikaa.
Tulokset ovat pääasiassa osuvia ja tarkkoja, mutta virheellisiä palsaluokituksiakin esiintyy.
Kuva 7. Fill-menetelmän työvaiheet ja tasot. Menetelmä koostuu seuraavista työvaiheista:
korkeuspinnan leikkaaminen, korkeusarvojen kääntäminen, ”kuoppien” täyttäminen, käännettyjen korkeusarvojen vähentäminen täytetystä tasosta, ja viimeisenä tulosten ryhmitteleminen harha- arvioiden poistamiseksi ja tulosten selkiyttämiseksi.
Mallin pohjana on käytetty potentiaalisten palsa-alueiden rajaustyökalulla leikattua korkeuspintaa, jossa korkeuspinnasta on rajattu käyttöön pelkät puuttomat suot, joista on leikattu pois vesistöt ja niiden lähistöt. Seuraavaksi tavoitteena on erottaa jäljelle jääneestä maanpinnasta ympäristöään korkeammalla olevat kohoumat.
Leikkaaminen suoritettiin ArcMap-ohjelman Fill-työkalulla. Työkalun ensisijainen tarkoitus on täyttää maastossa olevat kuopat veden kulkeutumista ja valuma-alueita koskevien mallien yhteydessä. Työkalu vertaa pikselin arvoa ympäröiviin arvoihin. Jos pikselin tai yhtenäisen pikseliryhmän arvo on matalampi kuin kaikkien ympäröivien pikselien arvot, työkalu korvaa pikselin arvon matalimmalla ympäristöstä löytyvällä arvolla. Lopputuloksena näin muodostuu yhtenäisen
Arvojen käämtäminen
Invert- toiminnolla Dem-taso
•Kuoppien täyttäminen
•Käännetty taso vähennetään alkuperäisestä DEM-tasosta Käännetty
DEM-tso
Tulosten ryhmitteleminen
Segment Mean Shift ja Reclassify-
työkaluilla Kohoumien
korkeutta kuvaava taso
Fill- menetelmällä
tunnistetut palsat
arvon alueita, joiden reunalta löytyy aina pikseli, jolla on alueen arvoa matalampi arvo (Esri, 2020a).
Valuma-alueiden yhteydessä piste tunnetaan laskukynnyksenä.
Palsojen tunnistamisessa tavoite on päinvastainen, eli muodostaa tasainen maastoa kuvaava taso poistamalla korkeuspinnassa esiintyvät yksittäiset kohoumat. Tämä onnistuu kääntämällä maanpinnan korkeutta kuvaavan DEM-tason arvot ylösalaisin, eli käytännössä kertomalla kaikki tason korkeuslukemat arvolla –1. Näin korkeimmasta arvosta tulee matalin ja matalimmasta korkein. Kun Fill-työkalua käytetään näin muodostettuun tasoon, se täyttää yksittäiset kuopat, tai alkuperäistä korkeuspintaa ajatellen leikkaa kohoumat pois.
Palsojen tunnistamisen kannalta merkittäviä ovat alueet, joiden arvo muuttui Fill-työkalun käytön yhteydessä. Nämä arvot saadaan selville laskemalla Raster Calculator -työkalulla tasoitetun maanpinnan ja lähtöpinnan erotus. Vähennämme siis Fill-työkalulla saadusta tasosta siihen syötetyn käännetyn DEM-tason arvot. Näin muodostuvassa tasossa arvot ovat lähellä arvoa 0 tasaisilla alueilla ja rinteillä, mutta kohoumien kohdalla tulostason arvoksi muodostuu kohouman ja sitä ympäröivän maanpinnan välinen erotus kussakin pikselissä.
Näin saatu taso on jo itsessään huomattavan osuva kuvaus palsojen sijainnista. Palsojen esiintymisalueilla muita ympäristöstään kohoavia yksittäisiä kohteita on rajallinen määrä.
Esimerkiksi tiheät varpukasvustot ja suon mättäät kohoavat ympäröivästä pinnasta. Tämän vuoksi kaikkia tason kohteita ei voi olettaa palsakummuiksi. Tulosten tarkastelun perusteella yli 0,3 metriä ympäristöänsä korkeammalle kohoavat yhtenäiset kohteet ovat suurella todennäköisyydellä palsakumpuja.
Jäljelle jäävissä, yli 0,3 metriä korkeissa alueissa on vielä jäljellä kohteita, jotka eivät ole palsoja.
Näitä virheellisiä palsamäärityksiä on mahdollista karsia tuloksista eri tavoin. Tässä mallissa erityisesti pienialaisten virheosumien karsimiseen on käytetty ArcMap-ohjelman työkalua Segment Mean Shift (Esri, 2016c), joka vertaa syötetyn tason tai tasojen arvoja ja muodostaa niistä yhtenäisiä alueita. Muodostettavien alueiden ryhmittelykriteereihin voidaan vaikuttaa kiinnostuksen kohteena olevien kohteiden ominaisuuksien mukaan. Työkalussa määriteltäviin ominaisuuksiin kuuluvat minimikoko, ryhmittyneisyys sekä ominaisspektrin yhtenäisyys, joista tässä tutkimuksessa päädyttiin kokeilun kautta käyttämään työkalun oletusarvoja (ominaisspektrin yhtenäisyys 15,5, ryhmittyneisyys 15 ja minimikoko 20). Työvaiheen miinuksena on, että käyttäjä joutuu
manuaalisesti tarkastelemaan työkalun tuloksia ja tarkastamaan, mitkä lopputason arvoista kuvaavat palsoja.
Raja-arvon määrittämisen jälkeen tason voi tarpeen mukaan ajaa vielä Reclassify-työkalun läpi.
Esimerkiksi, jos kaikki Segment Mean Shift -tason arvot, jotka ovat suurempia kuin 20 tulkitaan visuaalisen tarkastelun perusteella palsoiksi, Reclassify-työkaluun merkitään kaikki arvoa 20 suuremmat luvut arvolle 1, ja kaikki muut arvot luokitellaan uudestaan NoDataksi. Tällöin tuloksena saadaan rasteri, jossa pikselin arvo on 1, jos sen oletetaan kuuluvan palsamuodostelmaan, ja muissa tapauksissa pikselillä ei ole arvoa ollenkaan. Tämä taso voidaan tarvittaessa myös muuntaa vektorimuotoiseksi tiedostoksi.
Yleisesti Fill-menetelmä toimii hyvin, eikä vaadi tietokoneelta suuria tehoja. Tuloksia on mahdollista parantaa esimerkiksi valituilla Keskimääräinen korkeus -menetelmän yhteydessä esitellyillä lisävaiheilla, mutta työn määrä kasvaa jokaisessa tarkennuksen vaiheessa suhteutettuna saavutettuihin parannuksiin tulosten tarkkuudessa.
6.3. Keskimääräinen korkeus -menetelmä
Toisen tutkielmassa esitellyn menetelmän perusajatuksena on tunnistaa kohteet, jotka eroavat ympäröivän maastonsa keskimääräisestä korkeudesta (kuva 8). Keskimääräinen korkeus, eli KK- menetelmässä tunnistuksen apuna käytetään myös laserkeilauksen intensiteetti-tasoa sekä korkeuspinnasta tehtyjä johdannaistasoja. KK-menetelmä on edellisessä luvussa esiteltyä Fill- menetelmää monimutkaisempi ja vaatii enemmän käyttäjän valvontaa ja harkintaa raja-arvoissa.
KK-menetelmässä kehitetyn mallin tavoitteena on erottaa palsakummut, jotka ovat ympäristönsä keskimääräistä korkeutta korkeampia. KK-menetelmän ensimmäisessä vaiheessa jokaista pikseliä verrataan sitä ympäröiviin korkeusarvoihin. Ympäristöään korkeammat pikselit ovat potentiaalisia palsoja. Aineistosta löytyy alueita, joilla esimerkiksi tiheä varpukasvusto on estänyt lasersäteiden kattavan kulkeutumisen maahan asti. Tällaiset alueet voivat erottua aineistosta keskimääräistä korkeampina alueina samaan tapaan kuten palsakummut.
Kuva 8. Kuvassa on esitetty palsojen tunnistamista varten kehitetty korkeuden keskiarvon arvioimiseen pohjaava malli (KK-menetelmä).
Keskimääräisen korkeuden laskemiseen on tässä menetelmässä käytetty ArcGIS-ohjelman Focal Statistics (FS) ja Raster Calculator (RC) -työkaluja. FS-työkalulla saa laskettua erilaisia tunnuslukuja rasterin pikseleille. Tässä tutkielmassa korkeuden keskiarvo kullekin pisteelle on laskettu 25 pikselin eli 50 metrin säteeltä. Säde on määriteltävä aluekohtaisesti tarpeeksi suureksi, jotta isommatkin palsat erottuisivat ympäristöänsä korkeampina alueina. Liian pienellä säteellä erityisesti suurempien palsojen keskustat näkyisivät korkeudeltaan lähes keskivertoina, sillä erityisesti laakiopalsan kattama korkeampi alue voi olla huomattavan suuri ja matala. Korkeuden keskiarvojen laskemisen jälkeen RC-työkalulla alkuperäisestä korkeustasosta vähennettiin tämä korkeuden keskiarvo. Tuloksena saatiin taso, josta käy ilmi kuinka paljon korkeammalla tai matalammalla piste on ympäristöönsä nähden. Vertailemalla näin saatua tasoa ilmakuviin ja alkuperäiseen korkeusaineistoon, palsojen erottumisen raja-arvoksi määriteltiin 0,3 metriä. Yksittäinen pikseli kuuluu siis potentiaalisesti palsamuodostelmaan, jos se on vähintään 0,3 metriä ympäristöänsä korkeammalla.
Puhtaan korkeutta kuvaavan raja-arvon lisäksi analyysissa käytettiin myös ArcGIS-ohjelman työkalua Segment Mean Shift (SMS), jota käytettiin tulosten siistimiseen myös Fill-menetelmän yhteydessä.
Tämä työkalu jaottelee alueen pienempiin osiin arvojen muutoksen voimakkuuden perusteella.
Keskenään samanlaiset lähekkäin olevat arvot niputetaan siis yhdeksi alueeksi, joka rajaantuu kohtaan, jossa arvoissa esiintyy merkittävä muutos. Palsat erottuvat yleensä melko tarkkarajaisina ympäristöänsä korkeampina alueina, joten myös SMS-työkalun pitäisi tunnistaa palsakummut ympäristöstänsä. Työkalun parametreissa käytettiin samoja arvoja kuin Fill-menetelmän yhteydessä, sillä tunnistettavien kohteiden ominaisuudet ovat oleellisesti samat.
Keskimääräisen korkeuden lisäksi alkuperäisestä DEM-aineistosta laskettiin johdannaisena taso, joka kuvastaa rinteen jyrkkyyttä eli muutoksen voimakkuutta pikselin ja sitä ympäröivien pikselien välillä. ArcGIS-työkälu Slope laskee vierekkäisten pikselien välisen muutoksen suuruuden joko prosentteina tai asteina (ArcSlope, 2016). Tulostasosta kävi ilmi, että palsojen reunat näkyvät rinnejyrkkyyttä kuvaavassa tasossa selkeästi. Tasossa näkyy kuitenkin myös paljon muita kohteita, minkä vuoksi pelkkää rinnejyrkkyyttä ei voi pitää yksiselitteisesti palsan merkkinä. Valitsin visuaalisen tarkastelun perusteella palsakumpujen reunamaa kuvaavaksi raja-arvoksi 5 prosenttia.
Pikseli on siis todennäköisemmin osa palsan reunaa jos sen kohdalla rinnejyrkkyys kahden pikselin välillä on vähintään 5 prosenttia.
