Automaattisen kuvioinnin kehittäminen (kärkihankeprojekti: 21003/512)

Transkriptio

1 Automaattisen kuvioinnin kehittäminen (kärkihankeprojekti: 21003/512)

2 Kuvioinnin kehittäminen 2 (34) Sisällys 1 Johdanto Leimikko-optimoinnilla staattinen ja kattava toimenpidekuviointi Testin tarkoitus Tekninen toteutus Tulosten tarkastelu Johtopäätökset Toimenpideoptimointi kuvion segmenteille Testin tarkoitus Tulosten tarkastelu Tulosaineiston muokkaus Kuviointivirheet Kuvion toimenpiteen ja vallitsevan optimoidun toimenpiteen välinen suhde Esimerkkejä kuviointivirheistä ja vaikutuksista toimenpiteisiin Johtopäätökset Segmenttien yhdistelyn kehittäminen Tausta ja tavoitteet Segmenttien yhdistelyn mallintaminen ja johtopäätökset Kaksijaksoisen puustotulkinnan hyödyntäminen segmenttien yhdistelyssä Kaksijaksoisten segmenttien yhdistelyn tulosten tarkastelu ja johtopäätökset Jatkuva kuviointi Taustaa Tarkennettavien kuvioiden valinta Työvaiheet Jatkuvan kuvioinnin hyödyt ja haitat Johtopäätökset Uudistushakkuiden rajaukset eri ajankohtien pistepilvistä Testin tarkoitus Tekninen toteutus Tulosten tarkastelu Johtopäätökset

3 Kuvioinnin kehittäminen 3 (34) 1 Johdanto Metsäkeskus palvelee tasapuolisesti sekä metsänomistajia että metsäalan toimijoita. Siinä missä suuret toimijat voivat hyödyntää pienipiirteisempää inventointitietoa ja dynaamisempaa suunnittelua, niin pienemmillä toimijoilla ja metsänomistajilla ei ole samoja edellytyksiä. Metsikkökuvio, jolla metsänomistaja ja metsäammattilainen ymmärtävät toisiaan, on metsätalouden perusyksikkö luvullakin niin metsäsuunnittelussa kuin puunhankinnassa. Tämän vuoksi maastossa erottuvien ja metsätalouden operatiivisessa toiminnassa käytettävien yksiköiden tulee olla jatkossakin yksi metsätiedon tuottamisen lopputuotteista. Kuviointia tehdään pääosin kaukokartoitusinventoinnin näkökulmasta, eli kuviorakenteen pitää tukea tiedon tuottamisen tapaa. Kuviointia ohjaavat puuston homogeenisuus ja yhtenäinen toimenpidetarve. Metsikkökuvioaineiston käyttäjien tulee myös oppia ymmärtämään kuvioinnin muodostumisen periaatteet. Vaihtelevissa metsissä kuviokoko on pienempi, jotta niiden toimenpiteet pystytään tuottamaan luotettavasti. Vastaavasti metsissä, joita on käsitelty pitkään selkeinä metsikkökuvioina, kuviokoko on selvästi suurempi. Jatkossa on tavoitteena siirtyä enempi jatkuvaan kuviointiin, jossa kuvioverkkoa pidetään mahdollisimman hyvin ajantasalla myös laserkeilausten välisenä aikana. Jatkuvalle kuvioinnille on myös huomattavasti paremmat edellytykset tulevalla inventointikierroksella. Kun kuvioita päivitetään jatkuvasti, se tasaa myös työtä paremmin ympärivuotiseksi. Muilla kuin uusilla keilausalueilla kuviogeometrioita voidaan ylläpitää eri tietolähteitä yhdistämällä. Yhtenä esimerkkinä on metsänkäyttöilmoitus, jonka toteutuminen varmistetaan ja rajausta täsmennetään ilma- tai satelliittikuvalla. Tämä mahdollistaa päätehakkuiden päivityksen, mutta ei harvennushakkuita. Kuviorajojen korjaus vaatii edelleen manuaalista työtä, mutta päivitys voidaan kohdistaa metsänkäyttöilmoituksille ja rajausten korjaus käsinkin on nopeaa, jos taustalla on tuore kuva-aineisto. Eri ajankohdan kaukokartoitusaineistojen erotuskuvatulkinnalla on mahdollista tuottaa päätehakkuille myös muutosvektoreita, joiden hyödyntämistä kuviorajojen päivityksessä voidaan osin automatisoida. Käytännössä satelliittikuvien muutostulkinta voi resoluutiosta johtuen tuottaa liian karkean rajauksen ja vaatii enemmän manuaalista tarkastelua. Vastaavasti ilmakuvien sävyarvoilla tehtävässä muutostulkinnassa on ongelmana kuvien keskusprojektiivisuus sekä varjot, joten kuviorajapäivitys vaatii siinäkin visuaalista täsmentämistä. Ilmakuvien osalta yhtenä mahdollisuutena tulevaisuudessa on ilmakuvapistepilvien tuottaminen, joista saadaan myös kasvillisuuden pintamallirasteri. Ilmakuvapistepilvien laatu ei kuitenkaan ole lähellekään niin hyvä kuin keilauksen ja 3

4 Kuvioinnin kehittäminen 4 (34) prosessointi on raskasta, mutta kuvien ja menetelmien kehittyessä se voi olla jatkossa yksi tapa päivittää hakkuiden rajauksia osin automaattisesti. Tulevaisuuden tavoitteena on, että metsävaratiedon ajantasaistus perustuu merkittäviltä osin toimijoilta saatavaan hakkuiden ja metsänhoitotöiden toteutustietoon, joista voidaan saada myös riittävän tarkka kuviogeometria pääosin automaattiseen päivitykseen. Hakkuukonetiedosta voidaan jalostaa leimikon rajaus sekä harvennus- että päätehakkuille. Metsänhoitotöiden omavalvontatieto ei välttämättä sisällä kuvion tarkempaa rajausta, mutta olemassa olevakin metsävarakuvio voi olla toimiva toisin kuin hakkuussa, jossa leimikon rajaus voi olla hyvinkin eri kuin alkuperäinen kuvio. Lisäksi kuvioverkon ylläpitoon hyödynnetään jatkossakin esim. Kemera-ilmoituksia, Metsään.fi päivityspyyntöjä ja metsäsuunnitelmia, jos niitä on käytettävissä ja soveltuvat kuviorajojen korjailuun. Kuviogeometrioiden ajantasaistusta tehdään edelleen myös kiinteistörajojen muutosten yhteydessä sekä ympäristötuki- ja luonnonsuojeluaineistoilla. Uusilla inventointialueilla metsikkökuvioinnin tuottaminen perustuu laserkeilausaineistoon ja ilmakuviin. Kuvioverkko tuotetaan pääosin automaattisesti perustuen mikrokuvioiden yhdistelyyn. Kuvioinnin automatiikkaa on viime vuosina kehitetty onnistuneesti ja kehittäminen jatkuu edelleen. Tavoitteena on kuvioverkon muodostaminen automaattisesti ilman merkittävää manuaalista korjailua. Manuaalinen työ sisältää lähinnä kuvioinnin laadunvarmistusta, jossa poimitaan esille tiedossa olevia ongelmakohtia, jotka korjataan. Toisella keilauskierroksella on tavoitteena uudistaa kuviointia niin, ettei sitä aloiteta uusillakaan keilausalueilla puhtaalta pöydältä kuten nykyisin. Toisin sanoen puustotulkitsijan tuottamilla uusilla mikrokuvioilla korjataan olemassa olevia kuviorajoja tai muodostetaan uusia metsikkökuvioita. Korjailua tehdään kuitenkin vain, jos olemassa oleva kuvio ei ole rajauksiltaan riittävän laadukas tai kuvion puusto on esimerkiksi tehdyn toimenpiteen takia niin erilaista eri osissa kuviota, että tarvitaan uuden kuvion erottaminen. Tämä aiheuttaa haasteen, miten määritellään ja löydetään kuviointivirheet, sekä miten ne korjataan mahdollisimman automaattisesti. Toisaalta vain tarvittavien rajojen korjaus nopeuttaa uuden inventoinnin julkaisua ja varsinkin, jos pohjalla on jo suhteellisen hyvä ja ajantasalla pidetty kuvioverkko. Edelleen tämä toimintamalli tukee myös kuvioinnin pysyvyyttä ja parantaa käytettävyyttä, jos kuvioverkko ei muutu uudellakaan keilauksella kuin aidosta päivitystarpeesta. Kuviogeometrioiden ylläpidon voi laajassa mitassa kiteyttää niin, että muilla tietolähteillä kuin laserkeilauksella ja hakkuukoneella on todennäköistä, että rajauksia joudutaan varmistamaan enempi manuaalisesti. Toisaalta, jos on käytettävissä osin toimijoilta saatavaa toteutustietoa ja osin muutokset 4

5 Kuvioinnin kehittäminen 5 (34) tunnistetaan ilma- ja satelliittikuvilta metsänkäyttöilmoituksen kera, niin tavoitteena oleva jatkuva kuviointi myös keilausten välissä on mahdollinen ja parantaisi tiedon laatua ja uskottavuutta merkittävästi. Luotettava ja oikea-aikainen toimenpide-ehdotus on tärkein metsävaratieto. Puustotietojen tarkkuuden lisäksi toimenpiteen simulointiin vaikuttaa keskeisesti kuviointi. Jos rajaus on huono, niin kaikkien sille osuvien inventointiyksiköiden perusteella lasketut puustotunnukset eivät välttämättä kuvaa kuvion oikeaa toimenpidetarvetta. Lisäksi käytännössä halutaan isompia käsittely-yksiköitä, jolloin kuvion sisäisen vaihtelunkin takia saattaa jäädä toimenpide simuloitumatta. Eli miten saadaan oikea toimenpide isommallekin kuviolle, jossa voi olla ryhmittäisyyttä tai puustoltaan vähän erilaisia kuvion osia, joita ei kuitenkaan kannata jakaa omiksi kuvioikseen. 2 Leimikko-optimoinnilla staattinen ja kattava toimenpidekuviointi 2.1 Testin tarkoitus Tällä hetkellä puustotunnuksista simuloitu toimenpide-ehdotus ei ole mukana mikrokuvioiden yhdistelyssä. Syynä tähän on kuvioinnin ajoitus ennen puustotulkintaa, jolloin toimenpiteitä ei voida simuloida kuvioinnin lähtötiedoiksi. Kuvioinnin ajoittaminen puustotulkinnan jälkeen mahdollistaisi toimenpiteen huomioimisen yhdistelyssä. Kyseinen muuttuja parantaisi lopputulosta ja vähentäisi näin ollen manuaalisen korjauksen tarvetta, jolloin lopputuotteena saataisiin pienemmällä työllä parempi toimenpidekuviointi lähes samalla aikataululla. Simosol Oy on kehittämässä Simo-järjestelmään kuviointimenetelmää, joka perustuu spatiaalisen optimoinnin algoritmeihin. Menetelmää on kehitetty Forest Big Data -hankkeen yhteydessä dynaamiseen toimenpidekuviointiin. Menetelmällä voidaan tuottaa myös staattisempaa kuviointia hakemalla esimerkiksi tiettyä keskimääräistä kuviokokoa ja optimoimalla samalla tilan nettonykyarvoa. Menetelmä hyödyntää yhdisteltäville segmenteille simuloitua toimenpidettä. Tavoitteena on testata malliaineistolla tätä menetelmää ja sen lopputulosta. Lähtöaineistona voidaan käyttää sekä hila- että mikrokuviotietoa. Menetelmä ei sellaisenaan soveltune Metsäkeskuksen kuviointiin, mutta on tärkeää selvittää myös, miten simuloitu toimenpide-ehdotus voidaan huomioida SMK:n kuviointityökalussa. Voidaanko 5

6 Kuvioinnin kehittäminen 6 (34) Simosolin menetelmää kehittää myös Metsäkeskuksen tarpeisiin sopivaksi ja onko mahdollista yhdistää eri kuviointimenetelmiä yhdeksi toimivaksi työketjuksi. 2.2 Tekninen toteutus Testialueiksi valittiin viisi työaluetta eri puolilta Suomea olevilta kaukokartoitusalueilta (Rovaniemi, Liperi-Savonlinna, Juva-Mikkeli, Orimattila, Kankaanpää-Ikaalinen). Testialueilta toimitettiin Simosolille kasvupaikkahila, tulkitut segmentit ja tilanrajat. Myöhemmin toimitettiin Juva-Mikkeli ja Rovaniemi alueilta muutama esimerkkitila, joille testattiin kuviointia eri optimointiparametrein. Loppuvaiheessa keskityttiin vain Juva-Mikkelin alueen esimerkkitilojen tulosten tarkasteluun. Kuviointi perustui viiden vuoden askelissa tapahtumaan puustokuvioiden simulointiin, sekä optimointikausiin, joiden pituus on viidellä vuodella jaollinen. Testissä käytettiin seuraavia optimointikausia: 1-10;11-20;21-30;31-40;41-50;51-60;61-70;71-80;81-90;91-95 Jokaiselle optimointikaudelle ajettiin vaihtoehtoja tuottava simulointi ja sen jälkeinen optimointi niin että jakson loppuun lisättiin 10 vuoden kausi. Esimerkiksi jaksolle 1-10 v nykytilan jälkeen ajettiin vaihtoehtoisia käsittelyjä tuottava simulointi vuosille 1-20 jaksoille 1-5 v, 6-10 v, v, v. Simuloinnin jälkeen ajettiin spatiaalinen optimointi, jossa tavoitefunktioina olivat: Nettonykyarvon maksimointi. Vierekkäisten puustokuvioiden rajaviivan pituuden minimointi uudistushakkuukuviolle ja kuviolle, jolla ei ole uudistushakkuuta. Kääntäen tämä tarkoittaa yhtenäisten uudistuskuvioiden pinta-alan maksimointia. Kuten yllä, mutta harvennushakkuu. Kuten yllä, mutta ensiharvennus. Näille neljälle tavoitteelle testattiin eri painoarvoja siten, että painoarvojen summa oli aina 1. Testialueen kuviointiin poimittiin sellaiset puustokuvioryhmät, joille optimointiratkaisusta löytyi tietyn tyypin (uudistus, harvennus, ensiharvennus) hakkuuehdotus optimointikaudelle. Puustokuvioryhmään kuuluvat puustokuviot muodostavat topologisesti yhtenäisen alueen jaettujen rajojen kautta. Niitä kuvioita, joille hakkuuehdotus osui optimointikauden jälkeiselle 10 v kaudelle, ei poimittu tässä vaiheessa mukaan kuviointiratkaisuun. Lisäksi kullekin kuvioinnin tuottavalle puustokuvioryhmän hakkuuehdotukselle sovellettiin alarajoja hakkuukuvion pinta-alan ja hakkuukertymän suhteen. Mikäli hakkuukuvio ei täyttänyt jompaakumpaa näistä ehdoista, sitä ei 6

7 Kuvioinnin kehittäminen 7 (34) poimittu mukaan kuviointitulokseen. Kullakin optimointikaudella kuviointiratkaisuun poimitut puustokuviot poistettiin seuraavan optimointikauden simulointi- ja optimointiaineistosta, jolloin kukin puustokuvio voi kuulua vain yhteen toimenpidekuvioon. 2.3 Tulosten tarkastelu Käytetyt geometriatermit: Toimenpidekuvio = Leimikko-optimoinnilla tuotettu toimenpidekuvio. MV-kuvio = Nykyisen kuviointiprosessin mukainen metsävarakuvio. Segmentti = Puustotulkitsijan tekemään kuviointisegmentti eli mikrokuvio. Tarkastelussa verrattiin miten hyvin toimenpidekuvioiden geometriat vastaavat MV-kuvioiden geometrioita. MV-kuviot on tuotettu nykyisen kuviointiprosessin mukaisesti. Vertailussa on käytetty kahta eri tilannetta: A = 80% toimenpidekuviosta yhden MV-kuvion rajojen sisällä. Eli vastaa MV-kuvion ulkorajausta, mutta voi olla vain osa MV-kuviosta (kuva 1). B = 80% toimenpidekuviosta yhden MV-kuvion rajojen sisällä ja täyttää 80% yhdestä MVkuviosta (kuva 2). Kuva 1. Kuva 2. Tulokset on laskettu kaikille toimenpidekuvioille sekä toimenpidekuviolle, joiden toimenpide ajoittuu ensimmäiselle 5 vuotiskaudelle (v. 2022). 7

8 Kuvioinnin kehittäminen 8 (34) Toimenpidekuvioinnissa käytetyt parametrien painorvot: 1=Nettoarvo 10, Uudistuspinta-ala 30, Harvennuspinta-ala 30, Ensiharvennus pinta-ala 30 3=Nettoarvo 50, Uudistuspinta-ala 10, Harvennuspinta-ala 20, Ensiharvennus pinta-ala 20 5=Nettoarvo 75, Uudistuspinta-ala 5, Harvennuspinta-ala 10, Ensiharvennus pinta-ala 10 6=Nettoarvo 90, Uudistuspinta-ala 3.4, Harvennuspinta-ala 3.3, Ensiharvennus pinta-ala 3.3 Toimenpidekuviot parametriarvoin 1 Juva-Mikkeli Kaikki Uudistushakkuut 2022 Harvennushakkuut 2022 kpl % kpl % kpl % Kuviota kaikkiaan A. tilanteen kuvioita % % 7 58 % B. tilanteen kuvioita % 6 21 % 3 25 % Toimenpidekuviot parametriarvoin 3 Juva-Mikkeli Kaikki Uudistushakkuut 2022 Harvennushakkuut 2022 kpl % kpl % kpl % Kuviota kaikkiaan A. tilanteen kuvioita % % % B. tilanteen kuvioita 38 9 % % 3 16 % Toimenpidekuviot parametriarvoin 5 Juva-Mikkeli Kaikki Uudistushakkuu 2022 Harvennushakkuut 2022 kpl % kpl % kpl % Kuviota kaikkiaan A. tilanteen kuvioita % % % B. tilanteen kuvioita 35 7 % % 3 8 % Toimenpidekuviot parametriarvoin 6 Juva-Mikkeli Kaikki Uudistushakkuu 2022 Harvennushakkuut 2022 kpl % kpl % kpl % Kuviota kaikkiaan A. tilanteen kuvioita % % % B. tilanteen kuvioita 38 7 % % 4 7 % 8

9 Kuvioinnin kehittäminen 9 (34) Vertailun vuoksi laskettiin tulokset myös Rovaniemen alueelta. Tulokset olivat hyvin samansuuntaiset, kuin Juva-Mikkelissä. Toimenpidekuviot parametriarvoin 1 Rovaniemi Kaikki kpl % Kuviota kaikkiaan 95 A. tilanteen kuvioita % B. tilanteen kuvioita % Toimenpidekuviot parametriarvoin 6 Rovaniemi Kaikki kpl % Kuviota kaikkiaan 194 A. tilanteen kuvioita % B. tilanteen kuvioita % Alla on taulukko ensimmäisen 5 vuoden toimenpidemääristä. MVkuviot Toimenpidekuviot Parametrit 1 Toimenpidekuviot Parametrit 3 Toimenpidekuviot Parametrit 5 Toimenpidekuviot Parametrit 6 Aineisto Uudistushakkuut 2022, ha Harvennushakkuut 2022, ha Kaikki kuviot: Kuvion keskikoko, ha , Kun nettotulojen painoarvoa lisätään ja kuvioiden pinta-alojen painoarvoa pienennetään, niin hakkuumäärät lisääntyvät ja kuvioin keskikoko pienenee. 9

10 Kuvioinnin kehittäminen 10 (34) Esimerkkejä erilaisista kuviointi tilanteista: MV-kuviointi poikkeaa segmenttien rajoista. Segmentointi virheet vaikuttavat toimenpidekuviointiin. Toimenpidekuviossa ei ole huomioitu kangas/turvemaata. MV-kuvioinnissa olisi voitu erottaa koilliskulmassa oleva vanhempi osa omaksi kuvioksi. 10

11 Kuvioinnin kehittäminen 11 (34) Parametriarvoilla 1 ajettu toimenpidekuviointi. MV-kuvioinnissa on huomioitu puuston tiheysvaihtelu. Toimenpidekuvio sisältää kaksi MV-kuviota. Jako perusteena on puulajisuhteet. Voidaan pitää myös yhtenä kuviona. 11

12 Kuvioinnin kehittäminen 12 (34) Toimenpidekuvioon on yhdistynyt havupuu- ja lehtipuusegmentit. Pidettävä omina kuvioinaan. Toimenpidekuvioilla, joilla toimenpide sijoittuu pitkälle tulevaisuuteen, näkyy segmenttien puustotiedoissa olevien pienten erojen vaikutus lopputulokseen. Korostuu eritoteen taimikoissa, joissa yksittäinen säästöpuu voi vaikuttaa lopputulokseen. 12

13 Kuvioinnin kehittäminen 13 (34) 2.4 Johtopäätökset Testissä olleen toimenpideoptimointimenetelmän kuviointi ei vastaa nykyistä metsävarakuviointia, joten sitä ei sellaisenaan voida hyödyntää tämän hetkisessä kuviointiprosessissa. Miten toimenpidekuviointia voisi kehittää: Korjuukelpoisuustieto mukaan lähtöaineistoihin (kangas/turve). Puulajisuhteet (merkittävä puutavaralajirakenne muutos) pitää huomioida rajauksessa. Segmenttien tietomallia pitää parantaa (2-jaksoiset puustot), jotta toimenpidesimulointi saadaan luotettavammaksi. Hyvä automaattikuviointi edellyttää sekä toimenpiteen, maapohjan että puustotiedon käyttöä segmenttien yhdistelysäännöissä. Toimenpiteellä pitää olla myös oma painoarvo, joka muuttuu ehdotusajoituksen mukaan. Mv-kuviot, joihin toimenpidekuviointia on verrattu, on yksi näkemys metsikkökuvioinnista. Tulosten arvioinnissa esitettyjä huonoja yhtäläisyysosuuksia ei pidä tulkita toimenpidekuvioinnin virheinä vaan menetelmien eroina. Molemmat kuviointimenetelmät vaativat jatkokehitys ja lisäselvitystä paremman ja käyttökelpoisemman kuvioinnin tuottamiseen, joka sopii hyvin nykyiseen puustoinventointiin ja toimenpidesimulointiin. 3 Toimenpideoptimointi kuvion segmenteille 3.1 Testin tarkoitus Testillä pyrittiin selvittämään, miten spatiaalinen optimointi soveltuu kuviointivirheiden etsimiseen ja miten kuvion sisäinen toimenpidevaihtelu vaikuttaa kuvion toimenpiteeseen ja sen ajoitukseen. Testissä käytetään SimoSolin leimikko-optimoinnin työkaluja, jolloin optimoitavina aluerajoina toimivat Metsäkeskuksen toimittamat toimenpidekuviot ja optimointiyksikköinä toimenpidekuvion sisälle jäävät kuviointisegmentit (tai hilat). Optimoinnin tuloksena syntyy geometrioita, joille on optimoitu yhtenäinen toimenpide ja sille kiireellisyys. Tulosgeometriat rajoittuvat aina SMK:n toimenpidekuvion rajoihin muodostaen yhden tai useamman optimoidun toimenpidealueen. Toimenpiteinä käytettiin ensiharvennusta, harvennusta, avohakkuuta, siemenpuuhakkuuta sekä lepoa, ja kiireellisyyksinä vuosia 2023, 2028 ja Hilalle optimoituja tuloksia ei saatu tällä aikataululla selvitettyä. Hilojen tarkasteluun voidaan palata tarvittaessa myöhemmin. Optimointiajot teki Simosol Oy. 13

14 Kuvioinnin kehittäminen 14 (34) 3.2 Tulosten tarkastelu Tulosaineiston muokkaus Optimointituloksen toimenpiteille ja kiireellisyyksille annettiin oma koodiarvo: 21= ensiharvennus 1-5v 51= avo/siemenpuuhakkuu 1-5v 22= ensiharvennus 6-10v 52= avo/siemenpuuhakkuu 6-10v 23= ensiharvennus 11-15v 53= avo/siemenpuuhakkuu 11-15v 31= harvennus 1-5v 0= ei toimenpidettä 1-15v 32= harvennus 6-10v 33= harvennus 11-15v SMK:n toimenpidekuviolle laskettiin niiden sisältämien optimointitoimenpiteiden pintaalaosuudet. Näin saatiin selville kuvion vallitsevin toimenpide sekä muiden mahdollisten toimenpiteiden osuudet. Eri toimenpiteiden ja niiden kiireellisyyksistä luotiin poikkeavuusmatriisi. Kuvioille, jotka sisälsivät useamman kuin yhden optimoidun toimenpiteen, laskettiin matriisin perusteella muiden toimenpiteiden poikkeavuus suhteessa kuvion valitsevaan toimenpiteeseen. Kuviolle laskettiin poikkeavuusarvojen ja niiden pinta-alasuhteiden perusteella muuttuja, jonka perusteella voitaisiin löytää mahdolliset kuviointivirheet. Toimenpiteiden poikkeavuusmatriisi. 14

15 Kuvioinnin kehittäminen 15 (34) Kuviointivirheet Poikkeavuusarvojen ja niiden pinta-alasuhteiden perusteella tuotettavan muuttujan laskennassa kokeiltiin eri painotuksia pinta-alojen ja poikkeavuusarvojen välillä. Laskennassa päädyttiin antamaan toimenpidekohtainen virhearvo, josta pinta-alaosuudelle arvon oli väliltä 0-1 ja poikkeavuuden väliltä 1-3. Lopullinen virhemuuttuja laskettiin toimenpidekohtaisten virhearvojen summana. Testialue sisälsi 279 kpl SMK:n toimittamaa toimenpidekuviota. Näistä optimointi päätyi yhteen toimenpiteeseen 159 kuviolla (57%) ja 120:llä useampaan optimoituun toimenpiteeseen. Kuvio, jolla oli vain yksi optimoitu toimenpide, sai virhemuuttujaksi 0-arvon. Usean toimenpiteen kuviolle virhemuuttujan arvo jakaantui välille 1-7. Virhemuuttujan jakauma, kun kuviolla on useita toimenpiteitä Kuvion toimenpiteen ja vallitsevan optimoidun toimenpiteen välinen suhde Tarkastelukohteiksi valittiin virhemuuttujan perusteella kuvioita, joiden vallitsevan toimenpiteen ja siitä seuraavan toimenpiteen ajoituksessa oli suuria eroja, kuten (ensi)harvennus 1-5 vuodelle ja lepo. Kuviolle seuraava toimenpide saatiin käyttäen kuvion sisälle jäävien tulkittujen segmenttien puustotietoja. Käyttämällä segmenttien tulkintatietoja hilayleistyksen sijaan, päästiin lähemmäksi samoja lähtötietoja, joita käytettiin optimoinnin lähtötietoina. Tästä huolimatta puustotietoihin tuli eroja, jotka vaikeuttivat tulosten tarkastelua. 15

16 Kuvioinnin kehittäminen 16 (34) Esimerkkejä kuviointivirheistä ja vaikutuksista toimenpiteisiin Virhemuuttuja 6,7. Kuviolla on kuviointivirhe. Kuvion länsi- ja eteläreunalla olevat toimenpidealueet pitää siirtää viereisiin kuvioihin. Peruskuvioksi jää toimenpiteetön osa (0). Virhemuuttuja 6,6. Selkeä kuviointivirhe. Nuori puusto yhdistetty päätehakkuu metsää. Kuviosta erotettava omaksi kuvioiksi nuoren metsäosuus (toimenpide 23+0). Optimoitu päätoimenpide kuviolle on uudistushakkuu 1-5 v. (70% osuus). Koko kuviolle simuloituu myös sama toimenpide ja samalla ajoituksella. Pienemmän puuston osuus ei vaikuta koko puuston keskiläpimittaan niin paljoa, että sillä olisi vaikutusta toimenpide-ehdotukseen. 16

17 Kuvioinnin kehittäminen 17 (34) Virhemuuttuja 6,3. Kuvioin sisällä olevat ylemmän jakson puuryhmät vaikuttavat sekä perussegmentointiin että puustotietojen totaalitunnuksiin. Tuosta seuraa se, että kuviolle toimenpideoptimoidut alueet eivät kuvaa vallitsevaa puustoa, ei toimenpidettä. Virhemuuttuja 5,2. Kuvion luoteisosaan muodostunut optimoinnissa alue, jolle ei tule toimenpidettä seuraavaan 15 vuoteen. Kyseinen alue voitaisiin liittää viereiseen lepo kuvioon (nro 89). Kuviolle simuloituu uudistushakkuu 1-5 v. 17

18 Kuvioinnin kehittäminen 18 (34) Virhemuuttuja 3,9. Kuvion pohjoisosa on järeämpää puustoa, jolle optimoituu uudistushakkuu 11-15v. Onko kyseessä kuviointivirhe ja pitääkö kuvio jakaa kahteen osaan? Pohjoisosan alareunassa on pieni järeämmän puuston vyöhyke, joka voi nostaa keskiläpimittaan juuri sen verran, että optimoitutoimenpide vaihtuu harvennuksesta uudistukseen. Koko tarkastettavalle kuviolle simuloituu eteläisen osan mukainen harvennushakkuu. Sen perusteella kuvion jakamiseen ei ole tarvetta. Virhemuuttuja 3,8. Kuvion eteläosa on selvästi harvempaa aluetta, jolle ei optimoidu toimenpidettä seuraavaan 15 vuoteen. Myös koko tarkastettavalle kuviolle ei simuloidu toimenpidettä seuraavaan 15 vuoteen. Kuvion pohjoisosa voidaan erottaa omaksi kuvioksi, jolle simuloituu harvennushakkuu. 18

19 Kuvioinnin kehittäminen 19 (34) 3.3 Johtopäätökset Virhemuuttujan avulla on mahdollista löytää kuviointivirheitä. Muuttujan arvo ei suoraan korreloi kuviointivirheen vakavuutta, mutta tietyn kynnysarvon ylittävät kuviot ovat selvästi potentiaalisia virhekohteita. Virhemuuttujan lisäksi pitää ottaa vallitsevasta toimenpiteestä poikkeavien toimenpiteiden pinta-ala mukaan etsittäessä kuviointivirheitä. Pinta-alalla voidaan päätellä pitääkö kuvio jakaa vai pitääkö osa kuvioista mahdollisesti liittää viereiseen kuvioon. Liittämisvaihtoehdoissa pitää tutkia puustotietojen ja toimenpiteen perusteella, löytyykö viereisistä kuvioista sopivaa liittämiskohde. Viereisen kuvioon liittämisehtoja ei tässä selvityksessä tutkittu. Kuviolle pääteltävästä toimenpiteestä valitsevan optimoidun toimenpiteen perusteella ei testiaineiston perusteelle saatu selvää toimintamallia. Testiaineisto oli liian suppea ja kuvion puustotietojen heikkous ei antanut riittävästi varmuutta tulosten tarkempaan analysointiin. Yksi ongelma, joka näkyy tulosten tarkastelussa, on toimenpiteen muutosherkkyys puustotietojen vaihteluille. Toimenpiteen päättely perustuu nykyisin hyvän metsähoidon ohjeisiin ja niissä oleviin puustotunnuskohtaisiin raja-arvoihin. Metsänhoito-ohjeiden harvennusmallit, uudistusläpimitat ym. perustuvat maastossa tehtävän toimenpidepäätöksen tukemiseen, jolloin pelkästään niiden perusteella tehtävä toimenpide-ehdotus on ongelmallinen. Alla on esimerkkitilanteita puustotietojen ja toimenpiteen muutosherkkyydestä: Männyn keskiläpimittaa suurennetaan 0,1 cm -> toimenpide muuttuu harvenushakkuusta avohakkuuseen. Kuusen ikään lisätään 5 vuotta ->toimenpide muutuu harvennushakkuusta avohakkuuseen 19

20 Kuvioinnin kehittäminen 20 (34) Kuusen ikään lisätään 5 vuotta ja kuusen ppa:t lisätään 1,1 m 2 ->toimenpiteen ajoitus viivästyy 7 vuotta. Esimerkkitilanteissa kuvatut muutokset pysyvät kyseisten puustotunnusten laatuvaatimusten sisällä (esim. ppa +-3m 2, klpm +-3 cm), eli muutoksen kuvaavat normaalia tulkita tietojen vaihtelua. Ensimmäinen esimerkkitilanne kuvaa sitä miten herkkä toimenpiteen muutos on keskiläpimitalle. Tilannetta, jossa harvennus ja uudistusvaihtoehdot ovat hyvin lähellä toisiaan, voitaisiin paremmin kuvata toimenpideindeksillä. Indeksiksi kertoisi miten lähellä kuvion puusto on harvennus- ja uudistusrajoja. Toisin sanoen kuviolle esitettäisiin sekä harvennus- että uudistusindeksi, jota olisivat keskenään yhteismitallisia. Toinen esimerkki kuvaa pääpuulajin merkitystä toimenpiteen määräytymiseen. Tilanteessa, jossa kuusen ppa on 9m 2, pääpuulaji on lehtipuu. Kun kuusen ppa nostetaan 10,1 m 2, pääpuulajiksi tulee kuusi. Lehtipuun ja havupuun harvennusmalleissa ja uudistusrajoissa on suuret erot ja niiden käyttö perustuu pääpuulajin päättelyyn ja on-off tyyppiseen mallin käyttöön. Parempi tapa olisi siirtyä käyttämään dynaamisia toimenpidemalleja, jotka perustuisivat lehti-havupuuosuuksiin ja tämän perusteella laskettuihin liukuviin toimenpiderajoihin. Käytössä oli mikrokuviot, jotka perustuivat yhden puujakson tietomalliin. Kyseinen puuston kuvaustapa heikentää oleellisesti toimenpiteen luotettavuutta useampijaksoisissa puustoissa. Kehittämishankkeessa määriteltiin ja testattiin uusi mikrokuvioiden tietomalli. Kappaleissa 4.3 ja 4.4. on kuvattu uuden kaksijaksoisen tietomallin käyttöä ja hyötyjä. 4 Segmenttien yhdistelyn kehittäminen 4.1 Tausta ja tavoitteet Nykyisessä toimenpidekuvioinnissa yhdistellään tätä varten kehitetyllä sovelluksella puustotulkitsijoiden tuottamia mikrokuvioita varsinaisiksi kuvioiksi. Sovellus hyödyntää mikrokuvioille tuotettuja lasertunnuksia sekä puulajeittaisia tilavuuksia, jos ne ovat yhdistelyvaiheessa käytettävissä. Mikrokuvioiden yhdistelyä voidaan myös ohjata muilla aineistoilla, kuten esimerkiksi vanhalla kuvioinnilla tai maastotietokannasta tuotettavalla turvemaa - kallio maskilla. Projektin alussa 20

21 Kuvioinnin kehittäminen 21 (34) tavoitteena tai oletuksena oli, että Simosolin leimikko-optimoinnin lopputuloksella voitaisiin ohjata myös mikrokuvioiden yhdistelyä. Eri inventointihankkeilla metsät ja puustotulkinnat vaihtelevat. Tämän takia mikrokuvioiden yhdistelyä pitää tehdä eri hankkeilla hieman eri tavoin tai eri parametreilla. Projektissa oli tavoitteena löytää mallinnuksen keinoin segmenttien ominaisuudet ja niiden painot, joilla segmenttien automaattista yhdistelyä tehdään. Näitä mallinnuksen ominaisuuksia ja niiden painoja oli tavoitteena ottaa käyttöön nykyiseen sovellukseen. 4.2 Segmenttien yhdistelyn mallintaminen ja johtopäätökset Juva-Mikkelin ja Kankaanpään inventointihankkeilta muodostettiin testiaineistot. Mallinnusta varten tehtiin opetusaineisto, joka muodostettiin mikrokuvioita yhdistelemällä. Jos mikrokuvioiden segmentoinnin rajauksessa oli selkeä virhe, virheelliset mikrokuviot jätettiin pois opetusaineistosta, ettei virheellinen mikrokuvion rajaus sotke mallinnusta. Segmenttien yhdistely on iteratiivinen prosessi. Ensin yhdistetään palstan segmenttiparit, jotka ovat valituilta piirteiltään lähimpiä ja seuraavaksi yhdistetään seuraavaksi lähimpinä olevat segmentit, jne. Koska ensimmäisen yhdistelyn jälkeisissä yhdistelyissä lähimmän segmenttiparin voi muodostaa jo aikaisemmin yhdistellyt segmentit, yhdistelyn jälkeen segmentille täytyy laskea uudet piirretunnukset. Yhdisteltyjen piirretunnuksien laskennassa ongelmana on keskiarvoistuminen. Tämän takia keskiarvojen lisäksi täytyy laskea minimi- ja maksimiarvoja, joita segmenttien yhdistelyn seuraavilla yhdistelykierroksilla hyödynnetään. Tämänkaltaisen segmenttien yhdistelyn mallintaminen osoittautui hankalaksi, koska mallinnuksessa yhdistelyn hyvyyttä kuvaavaa tunnusta, jota olisi voinut optimoida, oli vaikea löytää. Testien myötä hahmottui, ettei kuviointia kannata tulevaisuudessa muodostaa puhtaalta pöydältä uusia segmenttejä yhdistelemällä, vaan ennemminkin pitää kuviointia paremmin ajantasalla inventointien välissä. Tällöin segmenttien yhdistelyn mallintamisella ei voitaisikaan saavuttaa suurta kuvioinnin tehostumista. Lisäksi voidaan todeta, että: kuviointi yhdistellyistä mikrokuvioista manuaalisesti muokkaamalla vaatii paljon henkilöresursseja lyhyellä ajalla, sekä muokkaamalla olemassa olevaa kuviointia jo siinä vaiheessa, kun tarvittavat kaukokartoitusaineistot ovat käytettävissä, kuviointityötä pystytään jakamaan pidemmälle aikavälille tasaten työkuormaa. 21

22 Kuvioinnin kehittäminen 22 (34) Näiden hyötyjen perusteella kuvioinnissa kannattaa siirtyä jatkuvaan kuviointiin (kappale 5). Sillä mahdollistetaan paremmin myös kuvioinnin korjaamisen automatisointi tai puoliautomatisointi, kun kuvioinnin korjaamisessa siirrytään suurien kuviorajamuutosten tekemisestä kuvioinnin tarkentamiseen. Myös projektin ohjausryhmä päätti, ettei segmenttien yhdistelyn mallintamista kannata selvittää enempää, vaan keskittyä löytämään muita kuviointia tehostavia ja parantavia menetelmiä. On kuitenkin huomattava, että vaikka tulevaisuudessa siirrytään jatkuvaan kuviointiin, tarve mikrokuvioiden yhdistelystä kuvioinnin pohjaksi ei poistu kokonaan. Mikrokuvioiden yhdistelyä manuaalisine tarkasteluineen tarvitaan jatkossakin osalla palstoista. Kuviointi kannattaa jatkossakin tehdä yhdisteltyjen mikrokuvioiden pohjalta, jos palstalta puuttuvat kuviot tai kuviointi on niin heikkolaatuista, että yhdistellyistä mikrokuvioista kuvioinnin korjaaminen on helpompaa. 4.3 Kaksijaksoisen puustotulkinnan hyödyntäminen segmenttien yhdistelyssä Segmenttien yhdistelyn mallinnuksissa havaittiin myös, että taimikoissa yksittäiset isot puut/puuryhmät tai pienet segmentointivirheet sotkevat mikrokuvioille tuotettavat ominaisuustiedot (lasertunnukset ja puustotiedot), jotka aiheuttavat virheitä mikrokuvioiden yhdistelyyn. Tämän virhelähteen pienentämiseksi, päätettiin testata segmenttien kaksijaksoista puustotulkintaa, jota voidaan toteuttaa useilla tavoilla. Testiä varten segmenttien kaksijaksoinen puustotulkinta toteutettiin suoraviivaisesti muodostamalla taimikkojakso taimikkotulkintayksiköistä ja varttunut jakso varttuneen puuston tulkintayksiköistä, sekä yhdistelmäjakso näiden yhdistelmästä, joka vastaa yksijaksoisen puustotulkinnan puustotietoja. Kaikille kolmelle jaksolle tuotettiin puusto- ja lasertunnuksien lisäksi taimikon ja varttuneen puuston tulkintayksiköiden pinta-alaosuudet. Kaksijaksoisesti puustotulkittujen mikrokuvioiden yhdistely tehtiin samalla mikrokuvioista kuvioiksi sovelluksella. Yhdistelyä varten aineistoon jouduttiin kuitenkin tekemään muokkauksia, koska sovellus pystyy hyödyntämään vain yhden jakson lasertunnuksia ja puustotietoja. Testissä päädyttiin hyödyntämään taimikkojakson laser- ja puustotunnuksia, jos: segmentillä oli taimikko- ja varttunut jakso, taimikkojakson osuus tulkintayksiköistä on suurempi kuin 20 %, tai taimikkojakson ja varttuneen puuston jakson laserkorkeuden ero on suurempi kuin 5 m. Muutoin yhdistely tehtiin yhdistelmäjakson laser- ja puustotunnuksilla. 22

23 Kuvioinnin kehittäminen 23 (34) 4.4 Kaksijaksoisten segmenttien yhdistelyn tulosten tarkastelu ja johtopäätökset Kaksijaksoinen puustotulkinta paransi segmenttien yhdistelyn lopputulosta. Parannukset kohdistuivat taimikoihin, joissa oli yksittäisiä isompia puita/puuryhmiä tai pieniä segmentointivirheitä. Sinisen rajauksen sisällä olevia säästöpuita ei huomioida segmenttien yhdistelyssä. Punaisen rajauksen sisällä olevia segmentointivirheitä ei huomioida segmenttien yhdistelyssä. Segmenttien yhdistely on iteratiivinen prosessi. Tämän takia kaksijaksoinen yhdistely voi aiheuttaa yhdistelyn lopputulokseen muutoksia myös siellä, missä ei ole lähellä segmenttejä, joiden yhdistely tehdään kaksijaksoisen puustotulkinnan taimikkojakson perusteella. Tämä hankaloittaa osaltaan yksija kaksijaksoisen yhdistelyn lopputulosten hyvyyden vertailua. 23

24 Kuvioinnin kehittäminen 24 (34) Kuvassa keltaisella segmenttejä, jotka on yhdistely taimikkojakson tunnuksilla. Vihreällä on 2-jaksoisen ja sinisellä 1- jaksoisen yhdistelyn tulos. Taimikko keskellä on yhdistynyt kahdeksi kuvioksi 2-jaksoisessa ja viideksi kuvioksi 1-jaksoisessa yhdistelyssä (samat parametrit). 2-jaksoinen tulkinta on vaikuttanut myös 1-jaksoisten segmenttien yhdistelyyn (pun. alue). Testiaineisto oli yhdeltä inventointihankkeelta, eikä sen perusteella voitu määrittää yleisesti käytettäviä parametreja, milloin segmenttien yhdistely tehdään kaksijaksoisesti puustotulkitun taimikkojakson perusteella. Jatkokehityksessä tai yksittäisissä inventointihankkeissa olisi hyvä hakea alue- tai hankekohtaiset parametrit. Testeissä myös havaittiin, että osaa käytetyistä parametreista olisi hyvä suhteuttaa segmenttien pinta-alaan. Jos kuviointia tehdään segmenttejä yhdistelemällä, segmentointimallin valinnassa olisi hyvä pyrkiä huomioimaan myös segmentoinnin hyvyyden lisäksi, miten segmentit käyttäytyvät segmenttien yhdistelyssä. Johtopäätöksenä mikrokuvioiden kaksijaksoisen puustotulkinnan todettiin parantavan mikrokuvioiden yhdistelyä taimikoissa. Tämän myötä Metsäkeskukselle tilattavien mikrokuvioiden puustotulkinnat on muutettu kaksijaksoisiksi. 24

25 Kuvioinnin kehittäminen 25 (34) 5 Jatkuva kuviointi 5.1 Taustaa Nykyinen metsävarakuvioiden ajantasaistusprosessi on keskittynyt toimenpiteiden ajantasaistukseen metsänkäyttöilmoitusten, Metsään.fi-päivityspyyntöjen ja Kemeran toteutusilmoitusten saapuessa. Sillä hetkellä ko. tietolähteet eivät tarjoa riittävän tarkkaa tietoa metsävarakuvioiden rajojen tarkennukseen, joten kuvioiden rajat jäävät entiselleen tai niitä pystytään tarkentamaan vain suurpiirteisesti. Paremmat perusteet kuviorajojen ajantasaistukseen saadaan uuden ilmakuvan tai laserin CHM-aineiston (Canopy Height Model) saapuessa. Karkeammasta resoluutiosta huolimatta voidaan jatkossa tarkastella kuviorajojenkin suhteen myös Sentinel-satelliittikuvia, jos tarkempaa aineistoa ei ole saatavissa. Kaukokartoitusaineistoista voidaan erottaa ainakin toteutettujen uudistushakkuiden rajat. Tämä uusien kaukokartoitusaineistojen avulla tehtävä kuviorajojen ajantasaistus on jäänyt vähemmälle huomiolle, vaikka hakkuiden myötä syntyneet kuvioinnin virheet näkyvät asiakkaille ja antavat kuvan huonolaatuisesta aineistosta. Aiemmin tähän työhön ei ollut merkittäviä mahdollisuuksia erityisesti harvemman ilmakuvauskierron johdosta. Nykyään tilanne on jo toinen ja mahdollisuuksia metsävarakuvioiden laadun parantamiseen löytyy tätä kautta merkittävästi. Paremman laadun ohella ajantasaisemmat kuviorajat avaavat mahdollisuuksia uuden metsävaratiedon julkaisun tehostamiseen. Jos kuviorajat olisivat lähes kohdallaan uuden inventointiprosessin käynnistyessä, keventäisi se uuden tiedon julkaisuun liittyvää kuvioinnin työvaihetta huomattavasti. Uusi tieto voitaisiin tuottaa ensisijaisesti olemassa oleville kuvioille sen sijaan, että kuviointi tehtäisiin tyhjästä uudelleen. Tämä on luontainen suunta kehitykselle, sillä lähes valtakunnan kattava kuviointi on syntynyt ensimmäisen 10-vuotisen inventointikierron aikana. On selvää, että sen eteen aiemmin tehty työ kannattaa hyödyntää täysimääräisesti. Projektissa kuviorajojen ajantasaistus sai työnimen jatkuva kuviointi. Jatkuvalle kuvioinnille kehitettiin toimintaprosessi, jolla työtä voi tehdä jo nyt. Kuviorajojen tarkennuksen automatisoinnin mahdollisuudet tulevat myös myöhemmin mukaan, mutta muiden projektin osien kautta. Tämä osa keskittyi ensisijaisesti manuaalisen työn toteutukseen ja organisointiin. Työn tuloksena syntyneen prosessin vaiheet on kuvattu alla. 25

26 Kuvioinnin kehittäminen 26 (34) 5.2 Tarkennettavien kuvioiden valinta Valintaehdot kuvioille, joilla on todennäköisesti tarvetta kuviorajojen tarkennukseen: - Viimeisin toteutunut hakkuu vaikuttaa laskentaan tai ajantasaistustila on 8 (tarkistettava uudelleen), hakkuutapa on 2, 3, 4, 5, 7, 8, 9, 11, 12 tai Kuvion kohdalta löytyy ilmakuva tai CHM, joka on kuvattu viimeisimmän toteutuneen hakkuun toteuttamispäivämäärän jälkeen. Jatkuvaan kuviointiin valitut kuviot luokitellaan tarkistusprioriteetteihin sen mukaan, miten todennäköistä on, että hakkuu näkyy ilmakuvalta tai CHM:ltä. Tarkistusprioriteetit (Aarni-järjestelmän kooditus): 1. Varma (MKI:n voimassaolo on päättynyt ilmakuvaushetkellä). 2. Todennäköinen (MKI on ollut vielä voimassa ilmakuvaushetkellä, mutta on ollut kuitenkin voimassa vähintään 15 kk, kuukausiraja on vielä linjattava). 3. Mahdollinen (MKI on ollut vielä voimassa ilmakuvaushetkellä, mutta on ollut kuitenkin voimassa alle 15 kk, kuukausiraja on vielä linjattava). Tarkistusprioriteeteissa todennäköisen ja mahdollisen kuukausirajaa muokkaamalla pystytään säätämään jatkuvan kuvioinnin työn tehokkuutta. Prioriteettiluokat on muodostettu siten, että Aarniin pystytään toteuttamaan tarvittavat jatkuvan kuvioinnin toiminnot mahdollisimman pienillä muutoksilla. Tulevassa metsätietojärjestelmässä prioriteettiluokista kannattanee luopua ja käyttää suoraan, miten pitkä aika hakkuun toteutuksesta ja ilmakuvauksesta/laserkeilauksesta on. Jatkuvan kuvioinnin tarkkuutta ja tehokkuutta voidaan parantaa, jos hakkuun toteutusajankohtaa tarkennetaan MKI:n 3 vuoden voimassaolosta esimerkiksi Sentinel-kuvilta tehdyillä hakkuiden erotuskuvatulkinnoilla. Kuviolla olevaa tarkistustarvetta tarkennetaan vielä tarkistustarpeen syyllä (Aarnin kooditus): 11. Toteutunut uudistushakkuu. 12. Toteutunut kasvatushakkuu. 21. Ajantasaistustila on 8, uudistushakkuu. 22. Ajantasaistustila on 8, kasvatushakkuu. 26

27 Kuvioinnin kehittäminen 27 (34) 5.3 Työvaiheet 1. Tehdään kuviorajojen tarkennus metsävaratiedon julkaisukuvioille (MVj-kuviot). Jos MVj-kuvioita yhdistetään, niin yhdistettävien kuvioiden kasvupaikkojen tulee olla samat tai lähes samat. Jos MVj-kuvioita yhdistetään ja ne ovat A0-kuvioita (aukko), niin niille tulee kohdistua sama uudistamistieto. 2. Yleistetään puustotiedot hilalta MVj-kuvioille, joiden rajaus muuttuu merkittävästi. 3. Tarkistetaan toteutustiedot. Jos kuvio on A0, tuodaan kuviolle uudistamistiedot, mikäli niitä löytyy. Jos uudistushakkuuta ei ole toteutettu, niin toteutunut hakkuu laitetaan tilaan Ei toteutettu. 4. Lasketaan puuston nykytila muokatuille MVj-kuvioille. 5. Poistetaan kuvioinnin tarkistustarve. 5.4 Jatkuvan kuvioinnin hyödyt ja haitat Hyödyt lyhyellä tähtäimellä - Jatkuvasti ajantasainen metsävaratieto myös kuvioinnin osalta. - Parempi MV-tiedon laatu. - Kemerat ja MKI:t kohdistuvat paremmin. - Lainvalvonta tehostuu. - Manuaalisen ajantasaistamisen tarve pienenee. Hyödyt pitkällä tähtäimellä - Jos/kun uuden MV-tiedon julkaisu voidaan tehdä suoraan MVj-kuvioille. - Julkaisu-prosessi yksinkertaistuu. - Kuviot muuttuvat pysyvämmiksi. - Kertaalleen asetetut tiedot säilyvät varmemmin (esim. käytön rajoitteet). - Kuvioiden numeroinnissa tulee vähemmän muutoksia. - Kuviointityö jakautuu tasaisemmin koko vuodelle. - Uuden inventoinnin hetkellä kuvioinnin muokkaamisen tarve on vähäisempää ja pienimuotoisempi kuvioinnin tarkentaminen automaattisemmin on helpompaa. Haitat - Siirtymävaiheessa ilmenee väistämättä ongelmia. 27

28 Kuvioinnin kehittäminen 28 (34) - Nykyisen kuvioaineiston soveltuvuus jatkuvan kuvioinnin prosessiin. - Jatkuva kuviointi kohdennetaan pääasiassa kuvioihin, joissa on toteutettu hakkuita. Vanhoja kuviointivirheitä ei välttämättä havaita, jos kuviolla ei ole toteutettu hakkuita. Näitä kuviovirheitä pyritään löytämään kuvion segmenttien toimenpideoptimoinnilla. - Uuden prosessin omaksuminen. Muut havainnot - Tarkempi tieto hakkuun toteutusajankohdasta tehostaisi jatkuvaa kuviointia. - Kasvatushakkuiden jatkuva kuviointi on vaikeampaa ja varsinkin, jos ilmakuvaus/laserkeilaus on tehty useamman vuoden päästä hakkuun toteutuksesta. Lehtipuusto on erityisen hankala, koska lehtipuiden latvukset täyttävät harvennuksessa vapautuneen latvustilan nopeasti myös ajourien kohdalla. Ongelma pienenee, kun uusi laserkeilaus- ja ilmakuvausohjelma pääsee kunnolla käyntiin. 5.5 Johtopäätökset Osin jo käyttöönotetun ja tässä projektissa suunnitellun toimintaprosessin hyödyt nousevat selvästi haittojen edelle. Käytännön ongelmana ja käyttöönoton hidasteena on resurssien riittävyys manuaalisiin työvaiheisiin. On kuitenkin huomattava, että tähän käytetty työ tehostaa muita tehtäviä, kuten Kemeran asiatarkastuksia, jos kuviorajat täsmäävät suuremmalla todennäköisyydellä saapuneisiin Kemera-asiakirjoihin. Työtavassa on paljon potentiaalia parantaa aineiston laatua merkittävästi jo lyhyellä tähtäimellä. Yleisesti metsävaratiedon ylläpidon prosessien jatkokehityksessä merkittävien laatuloikkien ottaminen on entistä suuremman työn takana. Parannuksia toki syntyy, mutta niiden vaikutus tähän mennessä saavutettuun laatutasoon ei kaikilta osin ole enää niin suurta. 28

29 Kuvioinnin kehittäminen 29 (34) 6 Uudistushakkuiden rajaukset eri ajankohtien pistepilvistä 6.1 Testin tarkoitus Testin tarkoituksena oli selvittää, minkä laatuisia uudistushakkuiden rajauksia eri ajankohdan pistepilvistä voidaan tuottaa ja miten niitä voitaisiin hyödyntää metsävaratiedon ylläpidossa. Jos uudistushakkuiden rajaukset pystytään muodostamaan riittävän tarkasti, sitä voidaan hyödyntää kuvioinnin kunnostamisessa automaattisesti tai puoliautomaattisesti. 6.2 Tekninen toteutus Testi toteutettiin kahdella alueella. Kahden eri ajankohdan laseraineistoja oli ensinnäkin Savonlinnan pohjoispuolella, jossa vertailu tehtiin vuosien 2015 ja 2018 laserien välillä. Testialue 1 - Savonlinna Keilain Leica, ALS 60 Optec, ALTM Gemini Lentokorkeus n m n m Aikaikkuna A (kevät) C (kesä) Keskimääräinen pistetiheys 1,65 p/m 2 0,73 p/m 2 Toinen testialue toteutettiin Kouvolan itäpuolella Utissa. Siellä vertailu tehtiin vuosien 2015 ja 2018 lasereilla. Utin testialueesta tuotettiin tarkasteluun myös ilmakuvapistepilvi ja siitä tehty CHM. Testialue 2 - Utti ilmakuvaus 2018 Keilain/kamera Leica, ALS 70 HA Leica, ALS 60 Vexcel UltraCam Eagle Lentokorkeus n m n m n m Aikaikkuna C C C Keskimääräinen pistetiheys 0,71 p/m 2 0,8 p/m 2-29

30 Kuvioinnin kehittäminen 30 (34) Lasereista tehtävien uudistushakkuiden erotusta varten prosessoitiin perinteisistä CHM:istä poikkeavat rasterit. CHM:ien prosessoinnissa käytettiin isompaa ikkunaa, jonka sisältä tutkittiin maksimi laserpulssien korkeutta. Testeissä optimaaliseksi ikkunan kooksi päädyttiin valitsemaan 2,5 metrin säde pikselin keskikohdalta. Rasterit prosessoitiin 1 metrin pikselikokoon. Suurentamalla ikkunan kokoa, voidaan pienentää eri ajankohdan erilaisten laserien aiheuttamia ilmiöitä. Uudistushakkuiden erotustulkintoja tehtiin myös perinteisten CHM:ien välillä. Ennen varsinaista erotustulkintaa, CHM:iä muokattiin tätä tarkoitusta varten hakemalla alkuperäisen CHM:n maksimiarvo 2,5 metrin säteellä pikselin keskikohdalta. Muokattu CHM prosessoitiin 1 metrin pikselikokoon. Suurentamalla ikkunan kokoa, voidaan pienentää erilaisten laserien ja alkuperäisten CHM:ien eroista johtuvia ilmiöitä. Suoraan kahden eri ajankohdan CHM:n erotus tuottaa paljon pientä silppua ja syheröistä rajausta, vaikka CHM:ien tarkastelun ikkunaa onkin kasvatettu. Tämän pienentämiseksi luotiin ArcGIS ModelBuilder-malli, jossa syheröistä rajausta pystyttiin minimoimaan ja osa silpusta poistamaan. Testialueiden alkuperäiset CHM:t olivat hyvin samankaltaisesti prosessoituja, jolloin tulkintojen erot erotustulkintaa varten tuotettujen ja alkuperäisten CHM:ien välillä olivat kohtalaisen pieniä. Uudistushakkuiden erotustulkintoihin voi kuitenkin tulla huomattavia virheitä tai ylimääräistä kulmikkuutta, jos alkuperäisten CHM:ien tuotantoprosessit poikkeavat toisistaan. Tätä ei kuitenkaan testeissä tutkittu. 6.3 Tulosten tarkastelu Kahden eri ajankohdan lasereista saadaan tuotettua luotettavasti uudistushakkuiden rajaukset. Yksittäiset siemenpuut/säästöpuut saattavat aiheuttaa rajauksiin joitakin virheitä. Uudistushakkuiden rajausten tuottaminen laser- ja ilmakuvapistepilvien erotuksena on epäluotettavaa. Yksittäiset kohteet voivat onnistua hyvin, mutta suuressa osassa uudistushakkuita rajauksissa on sellaista epätarkkuutta, ettei rajausta voida hyödyntää kuvioinnin korjaamisessa ainakaan koko uudistushakkuun osalta. Lisäksi ilmakuvapistepilvien harvojen puustojen ongelma tuottaa runsaasti vääriä uudistushakkuita harvoissa puustoissa. 30

31 Kuvioinnin kehittäminen 31 (34) Alla on esimerkki uudistushakkuurajauksista, joka on onnistunut hyvin sekä kahden eriaikaisen laserin CHM:stä että eriaikaisen laserin ja ilmakuvan CHM:stä. Vihreällä uudistushakkuurajaus CHM CHM 2018 erotustulkinnasta. Violetilla uudistushakkuurajaus CHM Ilmakuvapistepilvi 2018 erotustulkinnasta. Taustakartta vasemmalla CHM 2015, oikealla CHM Vihreällä uudistushakkuurajaus CHM CHM 2018 erotustulkinnasta. Violetilla uudistushakkuurajaus CHM Ilmakuvapistepilvi 2018 erotustulkinnasta. Taustakartta vasemmalla CHM ilmakuvapistepilvestä 2018, oikealla ortoilmakuva

32 Kuvioinnin kehittäminen 32 (34) Alla on esimerkki uudistushakkuurajauksista, joka on onnistunut hyvin kahden eriaikaisen laserin CHM:stä. Laserin ja Ilmakuva CHM:ien erotuksessa uudistushakkuun rajaus on valunut harvan kasvatusmetsän puolelle. Vihreällä uudistushakkuurajaus CHM CHM 2018 erotustulkinnasta. Violetilla uudistushakkuurajaus CHM Ilmakuvapistepilvi 2018 erotustulkinnasta. Taustakartta vasemmalla CHM 2015, oikealla CHM Vihreällä uudistushakkuurajaus CHM CHM 2018 erotustulkinnasta. Violetilla uudistushakkuurajaus CHM Ilmakuvapistepilvi 2018 erotustulkinnasta. Taustakartta vasemmalla CHM ilmakuvapistepilvestä 2018, oikealla ortoilmakuva

33 Kuvioinnin kehittäminen 33 (34) Alla on esimerkki harvennetusta kuviosta, jossa ilmakuvapistepilven pisteet ovat menneet suurelta osin maanpintaan, jolloin ilmakuvan CHM:n uudistushakkuun tulkinta on mennyt väärin. Vihreällä uudistushakkuurajaus CHM CHM 2018 erotustulkinnasta. Violetilla uudistushakkuurajaus CHM Ilmakuvapistepilvi 2018 erotustulkinnasta. Taustakartta vasemmalla CHM 2015, oikealla CHM Vihreällä uudistushakkuurajaus CHM CHM 2018 erotustulkinnasta. Violetilla uudistushakkuurajaus CHM Ilmakuvapistepilvi 2018 erotustulkinnasta. Taustakartta vasemmalla CHM ilmakuvapistepilvestä 2018, oikealla ortoilmakuva

34 Kuvioinnin kehittäminen 34 (34) 6.4 Johtopäätökset Korkealta kuvatuista ilmakuvista tuotetusta pistepilvestä ei pystytä tulkitsemaan uudistushakkuiden rajauksia luotettavasti. Vain yksittäisissä tapauksissa rajaukset olivat niin luotettavia, että niitä olisi voinut hyödyntää kuvionrajojen korjauksessa. Ilmakuvapistepilvien prosessointi on hyvin laskentaintensiivistä ja sen myötä prosessointikustannukset nousevat helposti kuvioinnin korjauksessa saatavia hyötyjä suuremmiksi. Näyttäisi sille, ettei 2020-luvun ilmakuvausohjelman väliilmakuvauksen ilmakuvilla ja pistepilvien prosessointitekniikoilla pystytä automatisoimaan kuvioinnin korjausta inventointikierron puolivälissä. Kahden eri ajankohdan lasereista tuotettujen CHM:ien perusteella pystytään tuottamaan uudistushakkuiden rajauksia, joita voidaan hyödyntää kuvioinnin korjaamisessa. Korjaamista ei pystytä täysin automatisoimaan, vaan sen täytyisi olla puoliautomaattista. Uudistushakkuiden rajauksia voidaan periaatteessa hyödyntää jo nyt Aarni-järjestelmässä. Nykyisillä Aarnin toiminnoilla uudistushakkuiden rajauksien hyödyntäminen kuvioinnin korjaamisessa ei kuitenkaan ole sujuvaa. Sujuvampi työskentely vaatisi Aarniin uuden toiminnon, joka voitaisiin toteuttaa nykyisiä toimintoja räätälöimällä ja ketjuttamalla. Takautuvaan jatkuvaan kuviointiin uudistushakkuiden rajauksia voidaan tehdä vain rajatuilta alueilta, koska kahden eri ajankohdan laseraineistoa on valtakunnan tasolla vielä suhteellisen vähän. Uudella keilauskierroksella tämä on kuitenkin mahdollista. Uuden keilauskierroksen myötä tuotettavien uudistushakkuiden rajauksien kokonaishyötyä ei pystytä vielä arvioimaan, koska ei ole tiedossa, miten pitkään nykyisestä Aarnista siirtyminen uuteen metsätietojärjestelmään kestää ja miten nopealla aikataululla automatisoituja prosesseja pystytään ottamaan käyttöön. Kun uuden metsätietojärjestelmän rakentamisen aikataulu täsmentyy, on harkittava kannattaako kahden eri ajankohdan lasereista tuotettuja uudistushakkuiden rajauksia hyödyntää jo Aarnissa. 34