Kymmenen vuotta puulajin perässä Mihin päästiin? Ilkka Korpela, HY/Metsätieteiden laitos

Transkriptio

1 Kymmenen vuotta puulajin perässä Mihin päästiin? Ilkka Korpela, HY/Metsätieteiden laitos

2 Yhteistyössä - opiskelijat Metsäylioppilaat paikantaneet ja mitanneet noin 3000 puuta/v

3 Yhteistyössä yritykset Ensimmäinen aaltomuotokeilain Suomeen (Leica + Finnmap) 2010, PERS-kansi 2011, Leica ADS40 ja reflektanssikalibroidut ilmakuvat (FGI+Maa-amet) 2008; Arbonaut

4 Yhteistyössä Puulajiprobleeman äärellä GL + MML + HY

5 Yhteistyössä Puulajiprobleeman äärellä UEF (Joensuu) UMB (Ås) KIT (Karlsruhe) UZH (Zurich) ETH (Zurich)

6 Blomley, R., Hovi, A., Weinmann, M., Hinz, S., Korpela, I., Jutzi, B Tree species classification using within crown localization of waveform LiDAR attributes. ISPRS JPRS. Korpela, I Acquisition and evaluation of radiometrically comparable multi-footprint airborne LiDAR data for forest remote sensing. Remote Sensing of Environment. Hovi, A., Korhonen, L., Vauhkonen, J., Korpela, I LiDAR waveform features for tree species classification and their sensitivity to tree- and acquisition related parameters.remote Sensing of Environment. Korpela, I., Mehtätalo, L., Markelin, L., Seppänen, A. Kangas, A Tree species identification in aerial image data using directional reflectance signatures. Silva Fennica 48(3) ID Pant, P., Heikkinen, V., Korpela, I., Hauta-Kasari, M.&Tokola, T Logistic Regression Based Spectral Band Selection for Tree Species Classification Effects of Spatial Scale and Balance in Training Samples. IEEE Geoscience and Remote Sensing Letters 11(9). Hovi A.&K orpela I Real and simulated waveform-recording LiDAR data in juvenile boreal forest vegetation. Remote Sensing of Environment 140, Pant, P., Heikkinen, V., Hovi, A., Korpela, I., Hauta-Kasari, M. & Tokola, T Evaluation of simulated bands in airborne optical sensors for tree species identification. Remote Sensing of Environment 138, p Korpela, I., Hovi,. A. &Korhonen, L Backscattering of individual LiDAR pulses from forest canopies explained by photogrammetrically derived vegetation structure. ISPRS Journal of Photogrammetry and Remote Sensing 83, p Korpela, I., Hovi, A. &Morsdorf, F Understory trees in airborne LiDAR data - Selective mapping due to transmission losses and echo-triggering mechanisms. Remote Sensing of Environment 119, Korpela, I., Heikkinen, V., Honkavaara, E., Rohrbach F. &Tokola, T Variation and anisotropy of reflectance of forest trees in radiometrically calibrated airborne line sensor images implications for species classification in digital aerial images. Remote Sensing of Environment 115(8), Heikkinen, V., Korpela I., Honkavaara E., Parkkinen, J.&Tokola, T Classification of tree species using support vector machines and radiometrically corrected multiangular airborne image data. IEEE Transactions on Geoscience and Remote Sensing48(3),

7 Korpela, I., Ørka, H.O., Maltamo, M., Tokola, T. & Hyyppä, J Tree species classification using airborne LiDAR effects of stand and tree parameters, downsizing of training set, intensity normalization and sensor type. Silva Fennica 44(2). Vauhkonen J., Korpela, I., Maltamo, M. &Tokola, T Imputation of single-tree attributes using airborne laser scanning-based height, intensity, and alpha shape. Remote Sensing of Environment 114(6), Markelin L., Honkavaara, E., Beisl, U., Korpela, I Validation of the radiometric correction chain of the airborne photogrammetric ADS40 imaging system. ISPRS 2010 conference in Vienna.International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences 38: 7A Heikkinen, V., Tokola, T., Parkkinen, J., Korpela,I. &Jääskeläinen T Simulated Multispectral Imagery for Tree Species Classification Using Support Vector Machines. IEEE Transactions on Geoscience and Remote Sensing48(3), Korpela, I., Koskinen, M., Vasander, H., Holopainen, M. &Minkkinen, K., Airborne small-footprint discrete-return LiDAR data in the assessment of boreal mire surface patterns, vegetation and habitats. Forest Ecology and Management 258 (7): Korpela I., Tuomola T., Tokola T. & Dahlin, B Appraisal of seedling stand vegetation with airborne imagery and discrete-return LiDAR an exploratory analysis.silva Fennica 42(5): Korpela, I., B. Dahlin, H. Schäfer, E. Bruun, F. Haapaniemi, J. Honkasalo, S. Ilvesniemi, V. Kuutti, M. Linkosalmi, J. Mustonen, M. Salo, O. Suomi, and H. Virtanen Single-tree forest inventory using LiDAR and aerial images for 3D treetop positioning, species recognition, height and crown width estimation. IAPRS Volume XXXVI, Part 3 / W52, pp Korpela, I. &Tokola T Potential of aerial image-based monoscopic and multiview single-tree forest inventory - a simulation approach. Forest Science 52(2): Korpela I Individual tree measurements by means of digital aerial photogrammetry. Silva Fennica monographs p.

8 Tärkeimmät tutkimustulokset vuosien varrelta Rakenne määrää pitkälti optisen alueen signaalin, on kyseessä kuva tai laser. Puulajin sisällä vaihtelu on suurta, ja monet kaukokartoituspiirteet eivät ole invariantteja esim. puun iän tai metsikköaseman suhteen. Voimakas Puuefekti, joka on lisäksi korreloitunut yli aallonpituusalueiden (kuvilla).

9 Tärkeimmät tutkimustulokset vuosien varrelta BRDF (kaksisuuntaisheijastuminen) huomioiminen parantaa puulajin tulkintaa, mutta vain marginaalisesti (monikuvatulkinta). Digitaalisen ilmakuvan absoluuttinen reflektanssikalibrointi, hyöty on kyseenalainen, signaaliin vaikuttaa vakiomuotoinen additiivinen ilmakehäefekti.

10 Kuvadatassa dominoi varjostus ja katveet Rivikamerakuva on homogeenisempaa, mutta redundanssi jää vähäiseksi

11 Optimaalinen ilmakuvakamera 5 tai 6 kapeahkoa kanavaa. Laserin takaisinsironta riippuu kohteen geometriasta ja heijastusominaisuuksista. Small, volumetric I = I obs (R/R ref ) a, a = 2..4

12 Fenologiset vaikutukset rakenteeseen näkyvät datassa (aaltomuotolaser), Tässä puuttuva kolmas neulaskohortti männyllä. Naapuripuut vaikuttavat IP-kuvasignaaliin (monikertainen heijastuminen) Suhteellinen metsikköasema vaikuttaa kuvasignaaliin, erit. koivu Aaltomuodossa on lisäinformaatiota, ja parempia (invariantteja piirteitä)

13 Yhteenveto ja tulevaisuudenvisiot Parhaimmillaan 90% tarkkuus (mä, ku, ko). Kuvadatalla < 85%. Vaatii tiheää aineistoa. Visio: Jos opetusaineistoa on paljon, voidaan populaatiota osittaa (invarianssin puute) ja saavuttaa hyötyjä. Laserkeilain == väline, jolla mitataan latvuston sulkeutuneisuutta, korkeutta ja maanpinnan muotoja. Loistava monostaattinen katselu- ja valaisugeometria. Kamera == havaintoihin vaikuttaa voimakkaasti paikallinen valaisu ja varjostus. Puuefekti on korreloitunut spektraalisesti kanavista vain vähän hyötyä, samoin lisäkuvista. SWIR kanavia? nm tuplataajuuslaserkeilaimista saattaa olla lisähyötyjä, koska puulajien ylös näkyvässä siluetisssa voi olla eroja vihreän ja ei-vihreän materiaalin välillä. Tulevaisuuden herkät vastaanottimet niiden avulla saataneen yhä pienemmistä kohteista sironnut signaali erotettua nyt intensiteettijakaumat typistyvät ja piiloon jäävä (korkealta tai isolla jalanjäljellä) heikko pää saattaa sisältää puulaji-informaatiota. Puulajisuhteiden estimointi: p1x1 + p2x1 + p3x1; p1+p2+p3 = 1; osuus latvusalasta