Metsätieteen aikakauskirja

Transkriptio

1 Metsätietee aikakauskirja t u t k i m u s a r t i k k e l i Pekka Hyvöe Pekka Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri meetelmällä Ladsat TM -satelliittikuva, vaha ivetoititiedo ja kuviotaso tukiaieisto avulla Hyvöe, P Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri meetelmällä Ladsat TM -satelliittikuva, vaha ivetoititiedo ja kuviotaso tukiaieisto avulla. Metsätietee aikakauskirja 3/2002: Tutkimuksessa tarkasteltii Ladsat TM -satelliittikuva käyttökelpoisuutta puustotietoje sekä toimepide-ehdotuste estimoimiseksi metsikkökuvioille ja segmeteille ei parametrisella k-lähimmä aapuri meetelmällä (k). Satelliittikuva iformaatio ohella estimoiissa hyödyettii vaha ivetoii mukaisia puustotietoja. Tutkimuksessa vertailtii myös satelliittikuva sävyarvoista eri tavoi laskettuje keskiarvoje tehokkuutta estimoiissa. Estimoii tukiaieisto koostui 935 kuviosta ja kohdeaieisto 921 kuviosta. Paras estimoititulos saatii käyttämällä satelliittikuva iformaatioa kuvioide ydiosie keskiarvosävyjä ja kuvioide reuaetäisyydellä paiotettuje sävyarvoje keskiarvoja sekä vahaa ivetoititietoa. Puusto keskitilavuude keskivirheeksi saatii 42,1 % (51,6 m 3 ha 1 ). Tarkimmi estimoitii puusto keskiläpimitta (keskivirhe 32,3 % (5,4 cm)), sekä keskipituus (keskivirhe 34,1 % (4,6 m)). Nuorissa ja varttueissa kasvatusmetsissä vastaavat keskivirheet olivat oi 10 %-yksikköä pieemmät kui koko aieistossa keskimääri. Segmettiestimoiissa suhteelliset keskivirheet olivat %-yksikköä vastaavia metsikköestimoiteja suuremmat. Toimepide-ehdotuste luokittelussa kasvatushakkuide oikeiluokitusprosetiksi saatii 61,3 % ja uudistamishakkuide 64,1 %. Hoitotoimepide-ehdotuste luokittelussa koko aieisto oikeiluokitusprosetti oli 71,2 %. Tutkimuksessa testattu meetelmä tarjoaa opea ja edullise vaihtoehdo puustotuuste ja toimepide-ehdotuste tuottamiseksi esimerkiksi välialueide suuitteluu. Asiasaat: kuvioittaie arvioiti, k-meetelmä, segmetoiti, Ladsat TM, puustotuukset, toimepide-ehdotukset Yhteystiedot: Metla, Joesuu tutkimuskeskus, PL 68, Joesuu Sähköposti pekka.hyvoe@metla.fi Hyväksytty

2 Metsätietee aikakauskirja 3/ Johdato Tutkimusartikkeli 1.1 Tutkimukse tausta ja aikaisempia tutkimuksia Kuvioittaista arvioitia o Suomessa käytetty periteisesti tiedo keruusee metsiä koskeva päätökseteo tueksi. Yksityismetsissä kuvioittaise arvioii ja tilakohtaise suuittelu tekevät pääosi metsäkeskukset. Alueellie ja tilakohtaie suuittelu ovat puolestaa metsäkeskuste lakisääteisiä tehtäviä. Tällä hetkellä metsäsuuittelu kattaa oi 72 % yksityismetsie pita-alasta (Metsäsuuittelu kokoaisselvitys 1997). Kasallisessa metsäohjelmassa (KMO) tilakohtaise metsäsuuittelu tavoitteeksi o asetettu 75 % yksityismetsie pita-alasta (Maa- ja metsätalousmiisteriö 1999). Suuittelu pita-alaa voidaa ostaa lisäämällä yhteiskua tukea sekä suuittelu ja ykyiste meetelmie tehostamisella. Kaukokartoitus tarjoaa yhde kustaustehokkaa vaihtoehdo kuviotietoje tuottamisee. Käytetyimmät satelliittikuvalähteet metsätaloudessa ovat olleet Ladsat- ja SPOT-satelliitit. Toistaiseksi äide heikko spatiaalie resoluutio (30/15 m) o rajoittaut satelliittie käyttökelpoisuutta kuviotasolla. Uusie satelliittiohjelmie myötä satelliittie resoluutio sekä todeäköisesti myös kuviotaso tietoje luotettavuus tulevat paraemaa. Heikosta resoluutiosta huolimatta satelliittikuvie hyödytämistä metsätaloudessa o tutkittu viimeisie kymmeie vuosie aikaa tiiviisti. Tiedo estimoimisee o käytetty useita meetelmiä, joista k-lähimmä aapuri meetelmä (k-earest eighbour, k) lieee yksi yleisimmistä (mm. Keller ym. 1985). Lähimmä aapuri meetelmässä toisiaa lähellä olevat hahmovektorit kuuluvat samaa luokkaa. Luokiteltavasta hahmovektorista lasketaa etäisyydet kaikkii tukialueide vektoreihi ja järjestetää etäisyydet pieimmästä suurimpaa. Näistä tukialuee hahmovektoreista haetaa k lähitä ja kohde luokitellaa luokkaa, jota o eite. Meetelmä yksi variaatio o Kilki ja Päivise (1987) esittelemä referessikoealameetelmä, jossa spektristä etäisyyttä käytetää tukialuetiedo merkitykse paiottamisee. Kyseistä meetelmää ovat soveltaeet ja edellee kehittäeet mm. Tokola (1990), Tokola ym. (1996) ja Tomppo (1992). Meetelmissä tukiaieistoa käytetää yleesä koealoittai tai kuvioittai mitattuja tuuksia. Satelliittikuva sävykaavie lisäksi estimoiissa voidaa käyttää apua myös muuta tietoa, esimerkiksi tietoa kasvupaikasta tai vahaa ivetoititietoa (Tokola ja Heikkilä 1997, Katila ja Tomppo 2001, Mäkelä 2001, Tuomie ja Poso 2001). K-meetelmä o operatiivisessa käytössä valtakua metsie ivetoiissa (VMI) (Tomppo 1990, Katila ja Tomppo 2001). Tokola ja Heikkilä (1995, 1997) estimoivat referessikoealameetelmällä puusto keskitilavuutta. Ivetoitava alue ositettii umeeriste veroluokituskarttoje avulla. Puusto keskitilavuude suhteellie keskivirhe oli 50 hehtaari alueella 14 %. Tätä pieemmillä alueilla keskivirhe oli selvästi suurempi olle esimerkiksi yhde hehtaari kokoisella alueella 39,3 %. Puulajeittaiste tilavuusestimaattie keskivirheet yhde hehtaari alueella vaihtelivat kuuse 58,6 %:sta mäy 93,5 %:ii. Veroluokituskarttoje käyttö pieesi keskivirhettä aluee koosta riippue 1 6 %. Holmgrei ym. (2000) tutkimuksessa keskitilavuude keskivirhe metsikkökuvioilla oli 36 %, ku käytettii aioastaa satelliittikuva sävykaavia. Metsikkökuvioide keskikoko oli 19 hehtaaria. Sävykaavie lisää käytetyt kasvupaikka, ikä ja keskipituus pieesivät keskivirhee 17 %: ii. Mäkelä (2001) estimoi k-meetelmällä puustotuuksia metsikkökuvioille. Ladsat TM -sävykaavie lisäksi hä käytti vahoja kuvioittaise arvioii tietoja. Keskitilavuude keskivirheeksi tuli tällöi 29,8 % ja puulajeittaiste keskitilavuuksie 56,8 123,5 %. Ilma vahaa ivetoititietoa puusto keskitilavuude keskivirheeksi tuli 47,6 % ja puulajeittaiste keskitilavuuksie 81,3 174,4 %. Mäkelä (2001) estimoi puustotuuksia myös segmeteille. Vahoje kuviotietoje käyttö pieesi puusto keskitilavuude keskivirhee 58,0 %:sta 39,5 %:ii. Suomessa metsäsuuittelussa erotettava keskimääräie metsikkökuvio koko o 1 2 hehtaaria. Kuviot ovat moesti epämääräise muotoisia. Heiko resoluutio satelliittikuvilla pikselit osuvat usei kuviorajoje päälle. Estimoii tuloksia voidaa parataa käyttämällä estimoiissa tietoa metsikkökuvio rajoista. Kilpeläie ja Tokola (1999) estimoivat puusto keskitilavuutta metsik- 364

3 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... kökuviolle referessikoealameetelmällä. Puusto keskitilavuude keskivirheeksi he saivat 62 %. Ku lisätietoa estimoiissa oli koeala etäisyys kuvio reuasta, keskivirhe pieei 56 %:ii. Käyttämällä metsikkökuvioide sijasta segmettejä, Kilpeläie ja Tokola (1999) saivat tilavuude keskivirheeksi 59 %. Mäkelä ja Pekkarie (2001) estimoivat puusto keskitilavuutta segmetoidulle Ladsat TM -kuvalle k-meetelmällä. Keskitilavuude keskivirheeksi tuli 79,3 % ja puulajeittaiste tilavuuksie keskivirheeksi 138,1 193,5 %. Satelliittikuvie käyttöä toimepide-ehdotuste tuottamisee o toistaiseksi tutkittu vähä. Se sijaa alueide luokittelusta o tehty paljo tutkimuksia. Fraco-Lopez ym. (2001) luokittelivat Ladsat TM -kuvaa k-meetelmällä eri luokkii vallitseva puulaji mukaa. Kokoaisluokitukse tarkkuudeksi he saivat 52,3 % ja eri luokkie oikeiluokitusprosetti oli 0 88 %. Stefaov ym. (2001) estimoivat aluee maakäyttöluokkia 8 12 eri luokkaa Ladsat TM -kuvalta. Kokoaisluokitukse tarkkuus oli 57 85,2 % luokkie määrästä ja meetelmästä riippue. 1.2 Tutkimukse tavoite Tämä työ tavoitteea o selvittää, kuika hyvi Ladsat TM -satelliittikuva sopii alue- ja metsikkötaso puustotietoje ja toimepide-ehdotuste estimoitii. Estimoiissa käytetää satelliittikuva lisäksi vahaa kuvioittaista ivetoititietoa. Tarkasteltavia puustotuuksia ovat keskitilavuus, puulajeittaiset tilavuudet, ikä, pohjapita-ala sekä keskiläpimitta ja -pituus. Tarkasteltavia toimepide-ehdotuksia ovat hakkuutapa ja taimikohoito. Koska tuki- ja kohdealue sijaitsevat oi 45 kilometri päässä toisistaa, samalla tarkastellaa voiko olemassa oleva suuittelualuee tietoja käyttää uude suuittelualuee tietoje tuottamisee. 2 Aieisto 2.1 Tutkimuksissa käytetty kuviotieto Tutkimusalueet sijaitsevat Pohjois-Savo metsäkeskukse alueella lähellä Suoejokea (Viippero) ja Leppävirtaa (Mustimäki) (kuva 1). Molemmilta alueilta oli käytettävissä kuvioittaise maastoarvioii tiedot kahdelta ajakohdalta; Viipperosta vuosilta 1987 sekä 1999 ja Mustimäestä vuosilta 1990/1991 sekä Aluetaso tarkastelussa tukialueea oli Viippero ja kohdealueea Mustimäki. Tuki- ja kohdealuee tärkeimmät tuusluvut ovat taulukossa 1. Kohdealueella oli selvästi tukialuetta vahempia ja kuusivaltaisempia metsiköitä (kuvat 2 ja 3). Kuviotiedot oli arvioitu suuittelija tekemällä kuvioittaisella arvioiilla molemmissa ivetoieissa. Kuvioide rajaukset oli tarkistettu maastossa Taulukko 1. Tuki- (Viippero) ja kohdealuee (Mustimäki) sekä tarkistusmittausaieisto metsä-, kitu- ja joutomaa kuvioide tärkeimmät kuvio- ja puustotuukset. Tuus Tuki- ja kohdeaieisto Tarkistusmittausaieisto Viippero Mustimäki Viippero Mustimäki Kuvioita, kpl Kiveäismaa kuviot, kpl Suokuviot, kpl Kuvio keskikoko, ha 1,8 1,4 3,1 1,9 Ikä, a 43,3 46,3 66,2 55,1 Pohjapita-ala, m 2 ha 1 10,9 15,9 21,3 23,0 Keskiläpimitta, cm 12,2 16,8 24,1 22,3 Keskipituus, m 11,9 13,4 19,8 18,5 Keskitilavuus, m 3 ha 1 88,7 122,7 204,5 203,3 Mäy keskitilavuus, m 3 ha 1 33,5 27,0 77,2 46,4 Kuuse keskitilavuus, m 3 ha 1 43,9 78,7 108,4 136,7 Lehtipuusto keskitilavuus, m 3 ha 1 11,3 17,0 18,9 20,2 365

4 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli Kuva 1. Viippero ja Mustimäe tutkimusalueide sijaiti. Suome kartassa metsäkeskuste sekä käytety satelliittikuva rajat. Kohdekartoissa alueide kuviorajat sekä käytettyje ilmakuvie rajat. Osuus pita-alasta, % Viippero Mustimäki A0 S0 T1 T2 Y Ei tietoa Kehitysluokka Kuva 2. Viippero ja Mustimäe kuvioide kehitysluokkajakauma. Osuus pita-alasta, % Viippero Mustimäki Mäty Kuusi Lehtipuu Ei tietoa Pääpuulaji Kuva 3. Viippero ja Mustimäe kuvioide puulajisuhteet. ja kuvioilta oli mitattu silmämääräisesti 4 8 koealaa, joista lasketut keskiarvot kuvasivat metsikö puustotuuksia puusto-ositteittai. Eri ivetoitihetkie kuvioiit oli tehty toisistaa riippumatta eikä kaikille uusille kuvioille ollut vahaa tietoa käytössä. Tutkimuksee valittii vai kuviot, joille vahaa tietoa oli saatavilla. Molemmilta alueilta poistettii kuviot, jotka oli uudistushakattu satelliittikuva oto ja uude ivetoii välissä. Tämä tehtii vertaamalla visuaalisesti satelliittikuvaa ja uutta kuviotietoa. Lisäksi poistettii kuviot, jotka eivät kokoaa mahtueet samalle ilmakuvalle, koska samaa aieistoa käytettii myös ilmakuvapohjaisessa tutkimuksessa. Lopulliseksi kuviomääräksi jäi Viipperossa 935 kpl ja Mustimäessä 921 kpl. Molemmilla alueilla oli tehty tarkistusmittauksia, Viipperossa 37:llä ja Mustimäessä 22:lla kuviolla. Tarkistusmitatuille kuvioille oli sijoitettu systemaattisesti keskimääri kahdeksa kiiteäsäteistä ympyräkoealaa, joista oli mitattu puustotiedot. 366

5 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... Taulukko 2. Tarkistusmittausaieisto perusteella lasketut uude kuvioittaise arvioii virheet tuki- (Viippero) ja kohdeaieistossa (Mustimäki). Tukiaieisto tilastollisesti merkitsevät harhat merkitty *:llä. Tuus Viippero, 37 kuviota Mustimäki, 22 kuviota RMSE RMSE% harha harha% RMSE RMSE% harha harha% Ikä, a 9,23 13,94 0,62 0,94 7,61 13,82 0,06 0,12 Pohjapita-ala, m 2 ha 1 4,98 23,32 1,88* 8,82 4,20 18,27 0,80 3,49 Keskiläpimitta, cm 5,75 23,89 4,79* 19,88 2,52 11,29 0,45 2,02 Keskipituus, m 2,59 13,11 1,67* 8,44 2,81 15,10 0,80 4,28 Keskitilavuus, m 3 ha 1 57,61 28,18 28,17* 13,78 46,55 22,90 17,05 8,39 Mäy keskitilavuus, m 3 ha 1 36,06 46,72 6,10 7,90 21,91 47,22 2,23 4,81 Kuuse keskitilavuus, m 3 ha 1 33,23 30,67 12,70* 11,72 37,76 27,62 16,72 12,23 Lehtipuusto keskitilavuus, m 3 ha 1 14,91 78,75 9,34* 49,48 9,58 47,52 2,61 12,94 Kyseie aieisto muodosti tarkistusmittausaieisto. Se avulla voitii tarkistaa uude kuviotiedo luotettavuus. Viippero kuvioaieisto havaittii Mustimäe kuvioaieistoa epätarkemmaksi, esimerkiksi tilavuude suhteellie keskivirhe oli 28,18 % ja harha 13,78 % (taulukko 2). Tämä vuoksi tukiaieistoa käytety Viippero kuvioaieisto puusto pohjapita-aloja, keskiläpimittoja, tilavuuksia ja puulajeittaisia tilavuuksia kalibroitii tarkistusmittausaieisto perusteella. Pohjapita-ala ja keskiläpimitta kalibroitii eriksee ja tilavuus sekä puulajeittaiset tilavuudet kalibroitii samaaikaisesti, jotta puulajeittaiset tilavuudet summautuisivat edellee kokoaistilavuudeksi. Kalibroiti tehtii suoraviivaisesti pieetämällä tai suuretamalla alkuperäisiä arvoja suhteellisilla kertoimilla muutamassa ositteessa. Esimerkiksi kokoaistilavuude kalibroiissa korjauskertoimet laskettii seuraaville ositteille: 1. pääpuulaji kuusi ja keskitilavuus vähitää 200 m 3 /ha, 2. pääpuulaji kuusi ja keskitilavuus m 3 /ha, 3. pääpuulaji mäty ja keskitilavuus yli 50 m 3 /ha, 4. pääpuulaji koivu tai muu lehtipuu. 2.2 Kuvamateriaali Tutkimuksessa käytettii 30 metri spatiaalise resoluutio Ladsat 7 TM -kuva 187/16 (rata/keskipiste) vaseta alaeljäestä (kuva 1). Kuva oli otettu Kuva oikaistii 43 tukipistee avulla yhteäiskoordiaatistoo 25 metri resoluutioo esimmäise astee polyomifuktiolla. Tukipisteide sovitukse kokoaisvirhe oli 0,527 pikseliä, x-suuassa virhe oli 0,4 pikseliä ja y-suuassa virhe oli 0,34 pikseliä. Tutkimusta varte kuvasta leikattii 64 km 25 km kokoie osakuva, joka kattoi molemmat tutkimusalueet. Satelliittikuvalta erotettii peruskartta-aieisto avulla pois muut kui metsämaat. Muide maaluokkie poisto tehtii laskea opeuttamiseksi. Satelliittikuvasta käytettii kaavia 1 5 ja 7. Kaavaa 6 ei käytetty se huoomma spatiaalise resoluutio takia. Koska estimoiissa käytettii myös vahaa kuviotietoa liitettyä lisäkaaviksi satelliittikuvaa, satelliittikuva kaavat ja lisäkaavat ormalisoitii site, että kuki kaava sävyarvoje keskiarvoksi tuli olla ja keskihajoaksi yksi. Tämä jälkee kaavie arvot skaalattii välille 0 255, jotta jokaisella kaavalla olisi estimoiissa samasuuruie paioarvo. 3 Meetelmät 3.1 Käytettyje piirteide haku Vahoista kuviotiedoista puusto keski-ikä, keskitilavuus, lehtipuu suhteellie osuus sekä pohjapita-ala, keskipituude, pääpuulaji ja kasvupaika avulla johdettu harveukse ajakohda läheisyys (Luooläheie metsähoito 1994) liitettii satelliittikuvaa lisäkaaviksi. Vahoja ivetoititietoja käytettii, koska mm. Mäkelä (2001) havaitsi iide paratava selvästi puustoestimaatteja. Harveukse ajakohda läheisyydellä oletettii tarkeettava hakkuutoimepiteide luokittelua. Molemmille alueille vaha tieto liitettii lisäkaavaksi suoraa vahoje kuviorajoje mukaa. Vahaa ivetoiti- 367

6 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli tietoa voidaa hyödytää, jos sama tieto o käytettävissä sekä tukiaieistossa että kohdealueella. Koska kuvioiit olivat eri ivetoieissa hivee erilaiset, jouduttii kohdealuee (Mustimäki) kuvioille kohdistamaa toimepide-ehdotuste luokittelussa tarvittavat vahat puusto- ja kuviotiedot uudestaa. Vektorimuodossa ollut vaha kuviotieto rasteroitii, mikä jälkee uudelle kuviolle haettii tieto siltä vahalta kuviolta, joka oli vallitsevaa uude kuvio alueella. Ladsat TM -kuvasta metsikkökuvioide sävyarvopiirteet (Ladsat kaavat 1 5 ja 7 sekä eljä lisäkaavaa) haettii kolmella eri meetelmällä; a) pikselie sävyarvoje keskiarvoa metsikkökuviolla, b) pikselie paiotettuje sävyarvoje keskiarvoa metsikkökuviolla ja c) metsikkökuvio ydiosassa pikselie sävyje keskiarvoa. Paiotettu sävyarvoje keskiarvo laskettii paiottamalla pikselie sävyarvoja etäisyydellä kuvio reuasta. Mitä etäämpää pikseli oli kuvio reuasta, sitä suurempi oli se paioarvo. Ydiosie keskiarvo laskeassa olivat metsikkökuviolta mukaa vai e pikselit, jotka eivät koskettaeet kuviorajoja. Näistä kuvioista käytetää jatkossa imitystä ydikuviot. Ydikuvioide määrä oli 558 kappaletta. 3.2 k-meetelmä Puustotuuste estimoiti tehtii etäisyydellä paiotetulla k-meetelmällä, missä estimaatit laskettii k: aputiedoltaa lähimmä aapuri paiotettua keskiarvoa. Paiotus tehtii käyttämällä euklidise aputiedosta lasketu etäisyyde kääteislukua (kaava 1) (Altma 1992). k k 1 1 ŷ = yi i d (1) 2 2 = 1 i i= 1 di missä ŷ = estimaatti y i = i: aapuri y arvo d i = i:eksi lähimmä aapuri euklidie aputiedosta laskettu etäisyys kohdekuviosta k = käytettyje aapureide määrä. Toimepiteide luokittelu tehtii paiottamattomalla k-meetelmällä. Meetelmässä tuotettii k: lähimmä aapuri luokkajakauma, josta valittii luokkaosuudeltaa suuri toimepide-ehdotus. Ee puustotuuste estimoitia ja toimepideehdotuste luokittelua testattii eri tavoi haettuje piirteide paremmuutta sekä lähimpie aapurie lukumäärää tukiaieistossa ristiivalidoii (egl. cross-validatio) avulla. Ristiivalidoiissa tukiaieisto kulleki kuviolle haettii estimaatti aieisto muide kuvioide avulla. Kriteereiä käytettii estimaati keskivirhettä (kaavat 2 ja 3) sekä harha estimaattia (kaavat 4 ja 5). Estimoidut puustotuukset sekä luokittelu toimepide-ehdotukset olivat suoraa käyttökelpoisia jatkotarkasteluu. Toimepide-ehdotuksia saattoi luokittelusta tulla useita, maksimissaa luokittelussa käytettyje aapurie verra. Tämä vuoksi ehdotuksia tarkeettii vielä luokittelu jälkee. Tämä tapahtui käyttämällä hyväksi vahasta ivetoititiedosta kuviolle kohdistettuja kuviotietoja (alaryhmä, kasvupaikka), puustotietoja (ikä, tilavuus, rukoluku, pääpuulaji, pohjapita-ala) ja toimepide-ehdotuksia (hakkuutapa, taimikohoito) sekä iide kiireellisyyttä. Näide avulla pyrittii valitsemaa loogisi toimepide-ehdotus. Valita tehtii muutamie yksikertaiste päättelysäätöje avulla. Esim. luokittelu tuloksea oli saatu toimepide-ehdotuksiksi avohakkuu, harveus ja esiharveus. Vahoissa kuviotiedoissa oli metsikö ikä 40 vuotta ja hakkuutapaa harveus 5 10 vuode sisällä. Tällöi toimepide-ehdotukseksi valittii harveus, mikä oli loogisi vaihtoehto. Toimepidetarpeet voisi tuottaa myös estimoituje puustotietoje avulla. Pelkistä puustotiedoista ei kuitekaa selviä esim. metsikö ryhmittäisyydestä johtuva harveustarve. Nämä selviävät aioastaa maastossa ja siksi toimepide-ehdotukset tuotettii luokittelemalla ja käyttämällä maastossa päätettyjä toimepide-ehdotuksia luokittelu tukiaieistossa. 3.3 Estimoitiyksiköt Estimoiti tehtii suoraa kuvioille, koska kuviorajat olivat olemassa. Kokeeksi satelliittikuva myös segmetoitii ja estimoiti tehtii joideki muuttujie kohdalla segmeteille. Segmetoiti tehtii käyttämällä modifioitua suuattuje puide algoritmia (Naredra ja Goldberg 1980, Pekkarie 2002) sekä t-suhteesee perustuvaa alueide yhdis- 368

7 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... tämisalgoritmia (Hager 1990, Mäkelä ja Pekkarie 2001). Segmetoiissa segmettie keskikoko kohdealueella oli yhdistämisalgoritmi jälkee 1,38 hehtaaria, mikä oli lähes sama kui kohdealuee kuvioide keskikoko. Kuvioide ollessa estimoitiyksikköiä estimoitaville kuvioille laskettii samat sävyarvopiirteet kui tukiaieistossa. Keskiarvosävyjä käytettäessä kuvio pikselie sävyje keskiarvo yleistettii kuvio jokaiselle pikselille. Ku käytettii kuvio ydiosie sävyje keskiarvoa, ydiosie keskiarvo yleistettii vastaavasti kuvio jokaiselle pikselille. Ku estimoitiyksikköä oli segmetti, segmeti jokaiselle pikselille yleistettii kyseise segmeti pikseleide sävyarvoje keskiarvo. Koska segmettie oletetaa oleva sävyarvoiltaa homogeeisempia alueita kui kuvioide, ydiosie sävyarvoje tai paiotettuje sävyarvoje keskiarvo käyttöä ei katsottu tarpeelliseksi. Tukiaieistossa käytettii kuvio ydiosie sävyarvoje keskiarvoja sekä kuvio reuaetäisyydellä paiotettuja sävyarvoje keskiarvoja. 3.4 Tuloste arvioiti Estimoitaessa tuuksia suoraa metsikkökuvioille saatuja estimaatteja verrattii uude ivetoii kuviotietoihi. Ku estimoitiyksikköä oli segmetti, haettii segmeteiltä tieto uusille kuviolle osueide segmettie keskiarvoia. Tässäki tapauksessa estimaatteja verrattii uude ivetoii kuviotietoihi. Puustotuuste estimoiissa tuloksie luotettavuutta tarkasteltii keskivirhee (kaava 2), suhteellise keskivirhee (kaava 3), harha (kaava 4) ja suhteellise harha (kaava 5) avulla. RMSE = ( yi yˆ i) 2 i= 1 (2) RMSE RMSEs = 100 (3) y ( yi yˆ i) i= 1 Harha = (4) Harha Harhas = 100 (5) y missä ŷ i = estimaatti y = havaitoje keskiarvo y i = havaittu arvo = kuvioide lukumäärä. Lisäksi tuloksie luotettavuutta tarkasteltii kuvio pita-alalla (p i ) paiottae (kaavat 6 9). RMSE RMSE Harha Harha p ps p ps = i= 1 p ( y yˆ ) 2 i i i i= 1 p i (6) RMSEp = 100 (7) y = i= 1 p ( y yˆ ) i i i i= 1 p i (8) Harhap = 100 (9) y Harha merkitsevyyttä tarkasteltii toisistaa riippuvie otoste parittaisella t-testillä, jossa testisuure saadaa jakamalla erotuste keskiarvo erotuste keskihajoalla ja havaitoje lukumäärä eliöjuurella (Rata ym. 1989). Harha katsottii oleva tilastollisesti merkitsevä, jos testisuuree itseisarvoksi saatii suurempi kui 5 %: riskitasolla oleva t-arvo. Toimepide-ehdotuste tarkastelu tehtii oikeiluokitusproseti avulla (kaava 10). Siiä laskettii oikei luokiteltuje osuus jokaisesta luokasta eriksee sekä yli koko aieisto. oikei Oikeiluokitus % = 100 (10) missä oikei o iide kuvioide määrä, joilla estimoiti o tuottaut sama ehdotukse kui suuittelija o maastossa ataut. Koska oikeiluokitusprosetti ataa aia hyviä tuloksia, jos joki luoka osuus o selvästi mui- 369

8 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli ta suurempi (Cambell 1987), laskettii vertailu vuoksi Kappa-arvo (κ) (Rosefeld ja Fitzpatrick- Lis 1986): r N Xii ( Xi+ X+ i) i= 1 i= 1 κ = r 2 N ( X X ) i= 1 r i+ + i missä r = virhematriisi rivie ja sarakkeide lukumäärä X i+ = rivisumma rivillä i X +i = sarakesumma sarakkeella i N = havaitoje lukumäärä X ii = havaitoje lukumäärä rivillä i ja sarakkeella i. (11) Lisäksi hakkuuehdotuksia tarkasteltii yhdistämällä esiharveus- ja harveushakkuu yhdeksi luokaksi ja eri uudistamishakkuut yhdeksi luokaksi. Toimepide-ehdotuste estimoiissa tukiaieistossa ei ollut kaistale- eikä verhopuuhakkuita. Kohdeaieistosta jätettii tämä vuoksi eljä kuviota pois, joilla oli kyseiset hakkuuehdotukset. Hakkuuehdotuste tarkastelussa oli site mukaa 917 kuviota. 4 Tulokset 4.1 Sävyarvoje, muu aputiedo ja puustotuuste korrelaatiot Puustotietoje ja eri tavoi Ladsat TM -satelliittikuvalta haettuje sävyarvoje korrelaatiot käyttäytyivät lähes samalaisesti. Korrelaatiot olivat puustotuuste ja alkuperäiste TM-kaavie välillä egatiivisia ja lisäkaavie välillä sekä egatiivisia että positiivisia. Eroa oli lähiä korrelaatioide suuruudessa. Koko tukiaieistossa (935 kuviota) puustotuuste kassa vahvimmi korreloivat kaavie eljä ja viisi sävyarvoje keskiarvot. Vahvimmat korrelaatiot olivat kaava eljä ja puusto iä välillä ( 0,605) sekä kaava viisi ja puusto keskitilavuude ( 0,635) sekä pohjapitaala välillä ( 0,697). Mäy ja lehtipuusto tilavuudet korreloivat heikoimmi sävyarvoje kassa. Lisäkaavista aioastaa lehtipuusto suhteellie osuus korreloi selvästi lehtipuusto tilavuude kassa (0,561) (taulukko 3). Tarkasteltaessa pelkästää kuvioita, joista voitii muodostaa ydikuvio (558 kuviota), olivat korrelaatiot sävyarvoje keskiarvoilla hivee vahvempia kui kokoaieistossa. Suurimmat korrelaatiot olivat kaava eljä ja puusto iä ( 0,705) sekä keskiläpimita ( 0,712) välillä sekä kaava viisi ja puusto keskitilavuude ( 0,700) sekä pohjapita-ala ( 0,772) välillä. Myös lisäkaavilla oli hivee paremmat korrelaatiot, kui tarkasteltaessa keskiarvosävyjä koko tukiaieistossa. Tästä poikete mäy ja lehtipuusto keskitilavuude korrelaatiot sävyarvoje kassa olivat koko aieistoa huoommat. Ydikuvioille lasketuilla paiotettuje sävyarvoje keskiarvolla oli hivee sävyarvoje keskiarvoja korkeammat korrelaatiot. Edellee suurimmat korrelaatiot puustotuuste kassa olivat kaavilla Taulukko 3. Ladsat TM-kaavie 1 5 ja 7 sekä lisäkaavie sävyarvoje ja puustotuuste korrelaatiot metsikkökuvioilla (935 kpl). Puustotuukse paras korrelaatio lihavoitu. Puustotuus Kaava Tilavuus Tilavuus Tilavuus Tilavuus Ikä Pohja- Keski- Keskimäty kuusi lehtipuusto pita-ala läpimitta pituus 1 0,450 0,140 0,385 0,213 0,306 0,495 0,382 0, ,587 0,270 0,455 0,237 0,463 0,634 0,539 0, ,451 0,171 0,354 0,249 0,298 0,517 0,381 0, ,568 0,432 0,438 0,143 0,605 0,550 0,575 0, ,635 0,387 0,485 0,068 0,517 0,697 0,570 0, ,544 0,294 0,416 0,140 0,391 0,622 0,459 0,490 Ikä 0,270 0,080 0,316 0,134 0,441 0,097 0,295 0,235 Tilavuus 0,463 0,148 0,475 0,041 0,452 0,280 0,417 0,382 Lehtipuu% 0,045 0,181 0,104 0,561 0,078 0,015 0,004 0,088 h-raja 0,335 0,273 0,127 0,299 0,222 0,323 0,281 0,

9 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... Keskivirhe, % keskiarvo paiotettu ydikuvio Naapurie lukumäärä Kuva 4. Keskitilavuusestimaati suhteellie keskivirhe eri sävyarvoilla ja aapurie lukumäärillä tukiaieisto ristiivalidoiissa. Keskivirhe, % tilavuus ikä pohjapita-ala keskiläpimitta pituus Naapurie lukumäärä Kuva 6. Eri puustotuusestimaattie suhteelliset keskivirheet tukiaieisto ristiivalidoiissa aapurie eri lukumäärillä ydikuvioilla (558 kpl). Keskivirhe, % ch6 ch6a ch6av ch6avlp ch6avlphr Naapurie lukumäärä Kuva 5. Keskitilavuusestimaati suhteellie keskivirhe eri tietoyhdistelmillä ja aapurie lukumäärillä tukiaieisto ristiivalidoiissa. ch6 = TM-kuva sävykaavat 1 5 ja 7, a = vaha puusto ikä, v = vaha puusto keskitilavuus, lp = vaha lehtipuusto suhteellie osuus, hr = harveusraja läheisyys kuviolla. eljä ja viisi. Mäy ja lehtipuu korrelaatiot olivat muita huoommat. Ydikuvioide tarkastelussa suurimmat korrelaatiot saatii, ku käytettii pelkästää kuvio ydiosista laskettuja sävyarvoje keskiarvoja. Tässäki vahvimmat korrelaatiot olivat kaava eljä ja puusto keskitilavuude ( 0,734), iä ( 0,743) ja keskiläpimita ( 0,764) välillä sekä kaava viisi ja puusto pohjapita-ala ( 0,795) välillä. Myös kaava eljä ja puusto keskipituude korrelaatio oli edellisiä meetelmiä selvästi vahvempi ( 0,745). Mäy ja lehtipuu tilavuude korrelaatiot sävyarvoje kassa olivat tässäki tapauksessa selvästi muita huoommat. 4.2 Ristiivalidoiti tukiaieistossa Puusto keskitilavuude ristiivalidoiissa pieimpii keskivirheisii päästii käyttämällä kuvioide ydiosista laskettuja kaavie 1 5 ja 7 sävyarvoje sekä kolme lisäkaava (vaha ivetoii mukaie puusto ikä, keskitilavuus ja lehtipuu osuus) arvoje keskiarvoja (kuvat 4 ja 5). Myös muille puustotuuksille kyseiset kaavie yhdistelmät tuottivat pieimmät keskivirheet. Käytettyje aapurie lukumäärä kasvaessa keskivirheet pieeivät alussa selvästi, mutta kymmee aapuri jälkee ei juuri ollut muutosta. Puustotuuste suhteelliset keskivirheet olivat pääosi %: välillä (kuva 6). Puulajeittaiste tilavuuksie suhteelliset keskivirheet olivat suurimmat mäyllä, %, ja pieimmät kuusella, %. Toimepide-ehdotuste ristiivalidoiissa paras oikeiluokitusprosetti koko aieistossa hakkuuehdotuksissa saatii käyttämällä kuvio ydiosista laskettuja sävyarvoje keskiarvoja sekä kaikkia eljää lisäkaavaa (kuva 7). Taimikohoitoehdotuksissa erot eri sävyarvoje välillä olivat pieiä (kuva 7). Eri hakkuuehdotuste kohdalla oikeiluokitusprosetit vaihtelivat paljo. Parhaite luokiteltii osuudeltaa suuret ositteet, esiharveus (oikeiluokitusprosetti 21,2 %), avohakkuu (13,3%) ja lepo (10,9%). Osuudeltaa pieempie ositteide luokitustarkkuus huooi käytettyje aapurie lukumäärä lisäätyessä. Koko aieisto oikeiluokitusprosetti parai käytettyje aapurie lukumäärä lisäätyessä (kuva 8). 371

10 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli Oikeiluokitusprosetti Naapurie lukumäärä keskiarvo, t.hoito paiotettu, t.hoito ydikuvio, t.hoito keskiarvo, hakkuu paiotettu, hakkuu ydikuvio, hakkuu Kuva 7. Hakkuu- ja hoitotoimepide-ehdotuste oikeiluokitusprosetit eri sävyarvoilla tukiaieisto ristiivalidoiissa. Oikeiluokitusprosetti Naapurie lukumäärä esiharveus avohakkuu lepo yhteesä harveushakkuu Kuva 8. Hakkuutoimepide-ehdotuste oikeiluokitusprosetit ydikuvio keskiarvosävyillä aapurie eri luku määrillä tukiaieisto ristiivalidoiissa ydikuvioilla (558 kpl). Taulukko 4. Eri sävyarvoilla sekä alkuperäisellä ja kalibroidulla tukiaieisto tilavuudella kuvioille ja kalibroidulla tukiaieisto tilavuudella segmeteille estimoituje tilavuuksie keskivirheet ja harhat (* = harha tilastollisesti merkitsevä, k = 7). Sävyarvot Koko aieisto, 921 kuviota Kehitysluokat 02 04, 654 kuviota ja kuvio RMSE Harha RMSE Harha m 3 ha 1 % m 3 ha 1 % m 3 ha 1 % m 3 ha 1 % Kalibroimato tukiaieisto Keskiarvo 58,28 47,49 16,48* 13,43 54,18 33,14 20,47* 12,52 Paiotettu 57,98 47,25 15,74* 12,83 53,98 33,02 21,38* 13,08 Ydi + keskiarvo 56,70 46,21 13,34* 10,87 52,21 31,94 17,90* 10,95 Ydi + paiotettu 56,80 46,29 12,79* 10,42 52,48 32,10 18,89* 11,55 Kalibroitu tukiaieisto Keskiarvo 51,62 42,07 2,20 1,79 51,29 31,38 3,92 2,40 Paiotettu 51,78 42,20 1,86 1,52 50,46 30,87 5,06* 3,10 Ydi + keskiarvo 51,86 42,26 4,48* 3,65 50,68 31,00 0,97 0,59 Ydi + paiotettu 52,27 42,60 4,11* 3,35 50,47 30,87 2,20 1,35 Segmetti, kalibroitu tukiaieisto Paiotettu 76,74 62,54 7,29* 5,94 72,76 44,51 15,36* 9,39 Ydi 78,09 63,64 17,83* 14,53 69,46 42,49 5,76* 3,52 Edelliste perusteella puustotuuste estimoiissa sekä toimepide-ehdotuste luokittelussa käytettii kuvioide ydiosie sävyarvoje keskiarvoja. Puustotuuste estimoiissa käytettii seitsemää lähitä aapuria ja toimepide-ehdotuste luokittelussa kolmea. Koska pieiltä ja epämääräise muotoisilta kuvioilta ei välttämättä löytyyt ydiosa pikseliä, jouduttii kyseisille kuvioille estimoimaa tulokset käyttämällä sävyarvoje tai paiotettuja sävyarvoje keskiarvoja. 4.3 Kuviokohtaiset estimoii tulokset kohdealueella Puustotuuste estimaatit Puusto keskitilavuude estimoiissa paras tulos kalibroimattomalla tukiaieistolla saatii estimoimalla ydikuvioille puusto keskitilavuus käyttäe tukiaieistossa ydikuvioille laskettuja sävyarvoja ja lopuille kuvioille (joista ei voitu muodostaa ydikuviota) laskettuja paiotettuje sävyarvoje keskiarvoja (taulukko 4). Suhteelliset 372

11 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... keskivirheet olivat kuvioestimoiissa kaikilla meetelmillä 46,2 47,5 % ja harhat 10,4 13,4 %. Kalibroidulla tukiaieistolla tulokset olivat selvästi parempia (taulukko 4). Suhteelliset keskivirheet pieeivät edellisii vastaavii meetelmii verrattua 3,7 5,4 %-yksikköä ja suhteelliset harhat muuttuivat 1,8 3,7 %: yliarvioiksi. Eri meetelmie keskivirheet olivat kalibroitua tukiaieistoa käytettäessä lähes samasuuruiset (42,1 42,6 %). Eroa oli lähiä harhoissa, suhteellie harha yliarvio jäi sekä keskiarvo- että paiotetuilla sävyarvoilla alle kahde proseti. Kyseiset harhat eivät olleet tilastollisesti merkitseviä. Ku estimoitiyksikköä oli segmetti ja tukiaieistoa kalibroidut tilavuudet sekä kuvioide paiotettuje sävyarvoje keskiarvot tai ydikuvioide sävyarvoje keskiarvot, tulokset olivat selvästi kuvioestimoitia huoommat (taulukko 4). Isoille kuvioille segmettiestimoiti tuotti parempia estimaatteja kui pieille kuvioille. Pita-alalla paiotetut keskivirheet olivat. 10 %-yksikköä paremmat kui paiottamattomat keskivirheet. Myös harhat olivat muutama prosettiyksikö pieempiä yliarvioita, mutta silti tilastollisesti merkitseviä. Tarkasteltaessa pelkästää kehitysluokkia (uori kasvatusmetsikkö uudistuskypsä metsikkö), keskivirheet olivat pieempiä kui koko aieistoa tarkasteltaessa (taulukko 4). Suhteelliset keskivirheet pieeivät 10,7 21,2 %-yksikköä. Se sijaa suhteelliset harhat olivat sekä kalibroimattomalla että kalibroidulla aieistolla segmetti-estimoiissa huomattavia, 3,5 13,1 %: aliarvioita. Kalibroidulla aieistolla kuvioille estimoitaessa harhoje aliarviot olivat 0,6 3,1 %. Harha oli tilastollisesti merkitsevä aioastaa, ku estimoiissa käytettii paiotettuje sävyarvoje keskiarvoja. Muide puustotuuste osalta eri meetelmillä saadut tulokset oudattelivat keskiäise Taulukko 5. Alkuperäisillä ja kalibroiduilla tukiaieisto tiedoilla kuvioille ja kalibroiduilla tukiaieisto tiedoilla segmeteille estimoituje tietoje keskivirheet ja harhat (* = harha tilastollisesti merkitsevä, k = 7). Koko aieisto, 921 kuviota Kehitysluokat 02 04, 654 kuviota Kuvio RMSE harha RMSE harha abs. % abs. % abs. % abs. % Kalibroimato tukiaieisto Ikä, a 20,25 43,68 1,46* 3,15 15,54 26,11 2,38* 4,00 Pohjapita-ala, m 2 ha 1 6,53 41,11 2,69* 16,92 6,66 32,62 4,36* 21,37 Keskiläpimitta, cm 7,02 41,81 2,78* 16,54 6,44 30,87 4,46* 21,34 Keskipituus, m 4,55 34,05 0,05 0,38 3,53 21,44 0,67* 4,05 Mäy keskitilavuus, m 3 ha 1 45,44 168,16 6,82* 25,25 51,83 148,64 6,67* 19,14 Kuuse keskitilavuus, m 3 ha 1 63,24 80,39 17,14* 21,79 71,07 65,20 29,10* 26,70 Havupuusto keskitilavuus, m 3 ha 1 52,26 49,45 8,50* 8,04 53,23 37,00 20,51* 14,26 Lehtipuusto keskitilavuus, m 3 ha 1 21,52 126,46 3,92* 23,06 22,05 112,43 4,66* 23,76 Kalibroitu tukiaieisto Pohjapita-ala, m 2 ha 1 5,5 34,64 1,41* 8,90 5,3 26,00 2,22* 10,87 Keskiläpimitta, cm 5,43 32,33 0,09 0,56 4,2 20,1 0,3 1,44 Mäy keskitilavuus, m 3 ha 1 45,63 168,85 9,85* 36,47 52,06 149,31 10,94* 31,38 Kuuse keskitilavuus, m 3 ha 1 59,71 75,9 7,34* 9,33 67,24 61,68 11,44* 10,50 Havupuusto keskitilavuus, m 3 ha 1 48,64 46,02 2,83 2,68 48,96 34,03 0,05 0,04 Lehtipuusto keskitilavuus, m 3 ha 1 20,97 123,28 0,63 3,71 21,17 107,92 0,46 2,34 Segmetti, kalibroitu tukiaieisto Ikä, a 27,50 59,34 3,55* 7,66 23,39 39,29 2,41* 4,05 Pohjapita-ala, m 2 ha 1 7,34 46,21 0,34 2,11 6,05 29,65 2,53* 12,42 Keskiläpimitta, cm 8,13 48,39 0,45 2,69 6,62 31,72 0,47 2,27 Keskipituus, m 6,11 45,68 0,78* 5,80 4,87 29,58 0,10 0,60 Mäy keskitilavuus, m 3 ha 1 45,00 166,51 6,90* 25,53 49,94 143,23 3,06 8,79 Kuuse keskitilavuus, m 3 ha 1 75,78 96,33 3,60 4,57 80,41 73,77 11,10* 0,18 Havupuusto keskitilavuus, m 3 ha 1 75,24 71,19 10,50* 9,93 70,48 48,99 1,59 1,11 Lehtipuusto keskitilavuus, m 3 ha 1 23,04 135,43 2,21* 13,02 24,12 122,96 4,17* 21,25 373

12 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli Taulukko 6. Hakkuuehdotuste virhematriisi. Koko aieisto oikeiluokitusprosetti o 45,1 ja kappa-arvo 0,28 (k = 3). Maastoehdotus Estimaatti Lepo Ylispuide Esiharveus Harveus Avohakkuu Suojuspuu- Siemepuu- Yhteesä poisto hakkuu hakkuu Lepo Ylispuide poisto Esiharveus Harveus Avohakkuu Suojuspuuhakkuu Siemepuuhakkuu Yhteesä Oikei, % 49,4 1,6 67,6 24,3 60,2 0,0 4,8 RMSE ja harha, % RMSE, % Harha, % Keskihajota, m 3 /ha Kuvio vähimmäiskoko, ha Kuva 9. Kuvio pita-ala vaikutus keskitilavuusestimaati suhteellisee keskivirheesee ja harhaa sekä keskihajotaa Keskihajota, m 3 /ha paremmuude osalta tilavuusestimoii tuloksia. Taulukossa 5 o eri puustotuuste estimoitie parhaat tulokset kalibroimattomalla ja kalibroidulla tukiaieistolla. Segmettiestimoiissa käytettii kalibroitua tukiaieistoa. Kalibroimattomalla aieistolla parhaat tulokset saatii pääasiassa käyttämällä kuvio ydiosie sävyarvoje ja paiotettuja sävyarvoje keskiarvoja. Kalibroidulla aieistolla estimoitaessa parhaat tulokset saatii pääasiassa käyttämällä kuvioide sävyarvoje keskiarvoja. Erot eri meetelmie välillä olivat pieet. Kalibroituje tuuste estimaateista keskiläpimitalla olivat pieimmät virheet. Keskiläpimita keskivirhe kalibroimattomalla aieistolla vaihteli välillä 41,8 42,3 % ja kalibroidulla aieistolla välillä 32,3 33,8 %. Vastaavasti harhat olivat välillä 16,5 19,0 % ja 0,7...0,9 %. Kalibroimattomie tuuste estimaateista keskipituudella oli pieimmät virheet. Keskivirhe vaihteli välillä 34,1 35,2 % ja harha välillä 1,8...0,4 %. Kalibroidulla aieistolla osa harhoista muuttuivat tilastollisesti ei merkitseviksi. Kuvio koo vaikutus estimaattie keskivirheisii oli eri tuuksilla samasuutaie. Kuvassa 9 o pita-ala vaikutus puusto keskitilavuusestimaati keskivirheesee. Kuvio miimikoo kasvaessa kahtee hehtaarii tuuste keskivirheet pieeivät lähes lieaarisesti. 10 %-yksikköä. Tämä jälkee keskivirheet olivat samalla tasolla tai jopa hivee suureivat. Ku estimoitiyksikköä oli segmetti, keskivirheet pieeivät lähes 20 %-yksikköä kuvio miimikoo kasvaessa ollasta kahtee hehtaarii. Kohdeaieisto puusto keskitilavuus oli kuvioittaise arvioii mukaa kuvio pita-alalla paiotettua 135,2 m 3 ha 1. Estimoiissa kohdealuee puusto keskitilavuudeksi saatii 124,4 m 3 ha 1. Aluetuloksissa puusto keskitilavuude harha oli siis 8,6 % Toimepide-ehdotuste luokittelu Hakkuutarpeide luokittelussa paras tulos saatii käyttämällä suurilla kuvioilla kuvio ydiosa sävyje keskiarvoja ja pieillä kuvioilla paiotettuje sävyarvoje keskiarvoa sekä päättelemällä vaha tiedo avulla todeäköie hakkuuehdotus epävarmoissa kohteissa (taulukko 6). Luokittelu jälkee tehty päättely parasi koko aieisto oikeiluokitusproseti 43,6 %:sta 45,1 %:ii. Varsiki esiharveus ja siemepuuhakkuu sekä lepokuvioide 374

13 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... Taulukko 7. Hakkuuehdotuste virhematriisi, ku toimepideluokkia o yhdistetty. Kasvatushakkuut sisältävät esiharveukse, harveukse ja ylispuide poisto. Uudistamishakkuut sisältävät avo-, suojuspuu- ja siemepuuhakkuu. Koko aieisto oikeiluokitusprosetti o 57,6 ja kappa-arvo 0,35 (k = 3). Maastoehdotus Estimaatti Lepo Kasvatus- Uudistamie Yhteesä hakkuu Lepo Kasvatushakkuu Uudistamie Yhteesä Oikei, % 49,4 61,3 64,1 Taulukko 8. Hoitotoimepiteide virhematriisi. Koko aieisto oikeiluokitusprosetti o 71,2 ja kappa-arvo 0,36 (k = 3). Maastoehdotus Estimaatti Lepo Taimikohoito Nuore metsä Yhteesä kuostus Lepo Taimikohoito Nuore metsä kuostus Yhteesä Oikei, % 86,7 42,3 28,0 kohdistamie oistuivat kohdeaieistossa selvästi tukiaieisto ristiivalidoitia huoommi. Eroa oli oikeiluokitusprosetissa jopa 25 %-yksikköä. Ku luokat yhdistettii kolmee luokkaa, tulos parai huomattavasti (taulukko 7). Koko aieisto oikeiluokitusprosetti oli tällöi 57,6 %. Luokiteltuje hakkuutarpeide pita-alat olivat lähellä kuvioittaise arvioii tietoja, ku eri hakkuuehdotukset yhdistettii kolmee luokkaa. Lepokuvioide pita-ala oli arvioii mukaa 464 hehtaaria, kasvatushakkuide 452 hehtaaria ja uudistamishakkuide 356 hehtaaria. Vastaavat luvut olivat estimoii mukaa 432, 458 ja 382 hehtaaria. Eri hakkuutapoje kohdalla pita-aloje erot olivat suhteellisesti selvästi suuremmat. Hoitotoimepiteide (taimikohoito ja uore metsä kuostus) luokittelussa paras tulos saatii käyttämällä kuvioide sävyarvoje keskiarvoja (taulukko 8). Tällöi koko aieisto oikeiluokitusprosetti oli 70,7 % ja kappa-arvo 0,35. Epävarmoje kohteide toimepitee päättely luokittelu jälkee parasi luokitusprosettia vai 0,5 %. Ku taimikohoito ja uore metsä kuostus yhdistettii samaa luokkaa, ousi koko aieisto oikeiluokitusprosetti 76 %:ii ja hoitotoimepiteide 52,6 %: ii. Koko aieisto kappa-arvo oli tällöi 0,41. Luokiteltuje hoitotoimepiteide pita-alat jäivät selvästi alle kuvioittaise arvioii tietoje. Taimikohoido pita-ala oli arvioii mukaa 244 hehtaaria ja luokitukse mukaa 174 hehtaaria. Vastaavasti uore metsä kuostuskohteita oli arvioii mukaa 150 hehtaaria ja luokitukse mukaa 113 hehtaaria. 4.4 Puustotuuste estimaatit tarkistusmittauskuvioilla Koska kuvioittaie arvioiti sisälsi arvioitivirhettä, tehtii puustotuuste tuloste tarkastelu vertaamalla estimoituja tietoja tarkistusmitattuje kuvioide tietoihi. Viippero tarkistusmittauskuvioille estimoiti tehtii käyttämällä Viippero kuvioita, joissa ei ollut tarkistusmittauskuviot mukaa. Mustimäe tarkistusmittauskuvioille estimoiti tehtii käyttämällä Viippero kalibroitua aieistoa. Viippero tarkistusmittauskuvioide puustotuuste estimaatit olivat selviä aliarvioita, ja suhteelliset keskivirheet vaihtelivat tuuksesta riippue välillä 14,2 103,7 % (taulukko 9). Myös Mustimäe estimaatit olivat pääosi aliarvioita ja keskivirheet vaihtelivat välillä 11,8 122,7 % (taulukko 9). Estimaattie keskivirheet olivat hivee suurempia kui alueide kuvioittaise arvioii keskivirheet (taulukko 2). Varsiki puulajeittaiste tilavuuksie keskivirheet olivat suuria. Mustimäessä mäy ja kuuse keskitilavuusestimaattie keskivirheet olivat Viippero vastaavia arvoja selvästi suuremmat. Molemmissa aieistoissa parhaat estimaatit keskivirhee perusteella saatii puusto iälle, keskipituudelle ja keskiläpimitalle. Molemmilla alueilla mäy ja kuuse keskitilavuude harhat olivat suuria, mutta tilastollisesti e eivät olleet merkitseviä 375

14 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli Taulukko 9. Tarkistusmittauskuvioille estimoituje tietoje virheet tuki- (Viippero) ja kohdealueella (Mustimäki). Tilastollisesti merkitsevä harha o merkitty *:llä. Tuus Viippero, 37 kuviota Mustimäki, 22 kuviota RMSE RMSE% Harha Harha% RMSE RMSE% Harha Harha% Ikä, a 9,41 14,22 0,81 1,23 11,08 20,11 2,29 4,16 Pohjapita-ala, m 2 ha 1 5,47 25,64 3,02* 14,17 6,48 28,18 3,73* 16,24 Keskiläpimitta, cm 6,09 25,28 4,98* 20,67 3,16 14,15 1,00 4,49 Keskipituus, m 3,05 15,37 1,86* 9,37 2,19 11,82 1,36* 7,36 Keskitilavuus, m 3 ha 1 66,23 32,39 38,37* 18,77 62,68 30,84 24,81 12,20 Mäy keskitilavuus, m 3 ha 1 70,76 91,68 16,31 21,13 59,92 122,66 12,77 27,51 Kuuse keskitilavuus, m 3 ha 1 63,43 58,54 13,84 12,77 98,28 71,89 35,00 25,60 Havupuusto keskitilavuus, m 3 ha 1 58,21 31,37 30,15* 16,25 62,05 33,88 22,24* 12,14 Lehtipuusto keskitilavuus, m 3 ha 1 19,64 103,71 8,22* 43,43 15,75 78,14 2,57 12,75 5 Tarkastelu Tutkimuksessa tarkasteltii Ladsat TM -satelliittikuva sekä vahoje ivetoititietoje käyttökelpoisuutta uude suuittelualuee kuviotaso tietoje tuottamiseksi. Meetelmää oli ei parametrie aputietoo perustuvalla etäisyydellä paiotettu k-lähimmä aapuri meetelmä (k-meetelmä) ja estimoiti tehtii sekä kuvioille että segmeteille. Satelliittikuvasta eritavoi irrotettuja sävyarvopiirteitä ja vahoje kuviotietoje yhdistelmiä testattii tukiaieistossa ristiivalidoiilla. Kohdealueelle estimoiit tehtii käyttämällä ristiivalidoiissa parhaimmiksi havaittuja yhdistelmiä eli ydikuvioille kuvio ydiosista laskettuja sävyarvoje keskiarvoja sekä pieille kuvioille laskettuja reuaetäisyydellä paiotettuja sävyarvoje keskiarvoja ja satelliittikuvaa liitettyjä vahoja kuviotietoja. Koska tuki- ja kohdealue sijaitsivat erillää ja olivat omiaisuuksiltaa erilaisia, estimoiissa käytettii myös kuvioille laskettuja sävyarvoje keskiarvoja sekä reuaetäisyydellä paiotettuja sävyarvoje keskiarvoja. Sovellustilateessa kohdealueella ei voida vertailla eri meetelmie paremmuutta, vaa paras estimoitiketju joudutaa valitsemaa pelkästää tukiaieisto ristiivalidoii perusteella. Sekä ristiivalidoiti että se perusteella sovellettava estimoitimeetelmä ovat automatisoitavissa. Tukialueella sävyarvoje ja puustotuuste välillä vallitsi vahva egatiivie korrelaatio. Varsiki kaavalla eljä oli voimakkaat korrelaatiot vaihdelle välillä 0, ,764. Parhaimmat korrelaatiot saatii käyttämällä kuvio ydiosie mukaa laskettuja sävyje keskiarvoja. Seuraavaksi parhaat korrelaatiot olivat kuvio reuaetäisyydellä paiotetuilla sävyarvoje keskiarvoilla ja kaavalla eljä iide arvot vaihtelivat välillä 0, ,775. Kuvio reuoilla olevat pikselit (=reuapikseli) heikesivät selvästi Ladsat TM -kaavie sävyarvoje ja puustotuuste korrelaatiota. Koska pikseli koko o metriä, saavat reuapikselit sävyarvo useammalta kuviolta, jolloi iide saama sävyarvo ei vastaa mikää kuvio todellista sävyarvoa. Tämä vuoksi reuapikselie poisjättämie tai iide paioarvo pieetämie parasi selvästi korrelaatioita. Samalaisia tuloksia saivat mm. Kilpeläie ja Tokola (1999), Pussie (1992) ja Mäkelä (2001). Pelkkie sävykaavie käyttö estimoiissa ei ristiivalidoii perusteella ollut riittävä. Esimerkiksi tilavuude keskivirhe pieei 50 %:sta 38 %: ii, ku sävykaavie lisäksi käytettii lisäkaaviksi liitettyjä vahoja kuviotietoja. Samaa tuloksee tuli mm. Mäkelä (2001), joka tutkimuksessa tilavuude keskivirhe pieei 48 %:sta 30 %:ii, ku estimoiissa käytettii vahaa kuviotietoa apua. Vahoje ivetoititietoje käyttö voi aiheuttaa tuloksii harhaa. Tätä pyrittii ehkäisemää mm. poistamalla satelliittikuva oto ja uude ivetoii välissä uudishakatut kuviot. Aieistoo jäi kuiteki vaha ivetoii ja satelliittikuva oto välissä uudishakatut sekä harveetut kuviot. Puustotuuste ristiivalidoiissa harhat muuttuivat 0 3 %-yksikköä. Harha muuttui pääsäätöisesti pieestä aliarviosta pieeksi yliarvioksi. Harha pie- 376

15 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... uude takia vaha ivetoii tietoja päätettii käyttää, koska e pieesivät selvästi tuuksie keskivirheitä. Tarkistusmittausaieisto perusteella tukiaieisto havaittii useide puustotuuste osalta harhaiseksi. Tämä vuoksi tukiaieisto puusto keskitilavuutta, puulajeittaisia tilavuuksia, keskiläpimittaa ja pohjapita-alaa kalibroitii tarkistusmittausaieisto avulla. Kyseiste tuuste kohdalla tulokset paraivat selvästi lukuu ottamatta mäy tilavuusestimaattia. Jos mätyä ja kuusta tarkasteltii yhteisessä havupuustoluokassa, ii kalibroiti parasi havupuusto tilavuusestimaati keskivirhee 49,5 %:sta 46 %:ii ja harha 8,0 %:sta 2,7 %:ii. Tästä voi päätellä, että estimoiissa mäy ja kuuse erottamie oli vaikeaa ja e meivät osittai sekaisi. Tämä johtui todeäköisesti tuki- ja kohdealuee erilaisuudesta. Tukialue oli selvästi mätyvaltaista ja kohdealue kuusivaltaista. Tukialuee kuvioilla puusto keskitilavuus oli 34 m 3 ha 1 pieempi kui kohdealuee kuvioilla. Tämä vuoksi tukialueelta ei löytyyt riittävästi oikealaisia kuvioita estimoitii. Tätä päätelmää tukee myös se, että kokeeksi estimoiti tehtii vai tukialueella, jolloi puolet kuvioista muodostivat tukiaieisto ja toie puoli kohdeaieisto. Kyseisessä estimoiissa mäy tilavuude keskivirhe oli 105 % ja harha 14,3 %. Segmettiestimoiissa suhteelliset keskivirheet olivat %-yksikköä suurempia kui kuvioestimoiissa. Erot eivät välttämättä johtueet kokoaa estimoii epäoistumisesta, vaa tuloste hakumeetelmästä. Segmeteistä haettii tieto kuviolle osueide segmettie keskiarvoia. Näi olle kuviolle saattoi kohdistua lähes sama tietosisällö omaava segmetti ja muutama segmeti reua-alue, joilla tietosisältö voi olla erilaie ja jotka vaikuttavat keskiarvo lasketaa. Paras tapa hakea tieto kuviolle olisi ollut paiottaa segmeti tietoa kuviolle osuee segmeti pita-alaosuudella. Tätä ei tehty, koska todeäköisimmässä sovellustilateessa eli välialuesuuittelussa ei välttämättä ole kuviorajoja käytössä. Segmettiestimoii luotettavuude tarkastelussa käytetty kuviotaso aieisto ei välttämättä aa oikeaa kuvaa segmetoitimeetelmä käyttökelpoisuudesta. Kuviot pyritää maastossa rajaamaa järkeviksi toimepideyksiköiksi, jolloi esimerkiksi havupuuvaltaise kuvio sisällä olevat pieet lehtipuusaarekkeet yhdistetää ympäröivää kuvioo. Yhdistämise seurauksea lehtipuusto kuviotuukset äkyvät koko kuvio keskiarvoissa tai e puuttuvat kokoaa. Se sijaa segmetoiissa kuvalta erottuvat pieetki homogeeiset alueet muodostavat oma yksikkösä, jotka ovat periteisiä metsikkökuvioita selvästi pieempiä. Tämä hakkee jatkohakkeessa, Metsävaratietoje tuottamie ja ylläpito (METY II), tutkitaa tarkemmi segmettie käyttökelpoisuutta puustotiedo tuottamiseksi metsäsuuittelua varte. Kehitysluokkie estimaattie suhteelliset keskivirheet olivat sekä kuvio- että segmettiestimoiissa %-yksikköä koko aieisto vastaavia arvoja pieemmät. Suhteellise keskivirhee pieeemisee vaikuttaa osaltaa tuuksie keskiarvo ousu. Koska myös absoluuttie keskivirhe oli kyseisissä luokissa muutama proseti pieempi kui koko aieistossa, estimoiti o oistuut paremmi. K-meetelmä omiaisuuksii kuuluu, että ääripäide estimaatit ovat heikoimpia ja usei selvästi harhaisia (Altma 1992). Taimikot sekä sieme- ja suojuspuumetsiköt ovat eräälaisia ääripäitä, jote iide poisjättämie parasi tuloksia. Kehitysluokat kuuluvat kasvatusvaihee metsiköihi, joissa latvusto ei ole vielä sulkeutuut ja joissa maasta tuleva säteily o kuiteki vähäistä. Kyseisissä metsiköissä estimoii tuleeki oistua luotettavimmi, koska säteily muutokset heijastavat metsikö omiaisuuksie muutoksia. Se sijaa aukkoisissa ja harvoissa metsiköissä säteilyy voi puustoa eemmä vaikuttaa maaperä (Nilso ja Peterso 1994, Holmgre ym. 2000). Toimepide-ehdotuste luokittelussa parhaite oistuivat taimikohoido ja esiharveustarpee luokittelu. Taimikohoidoista luokittui 71,2 % ja esiharveuksista 67,6 % oikei. Heikoimmi oistuivat harviaiste erikoishakkuide luokittelut. Niillä luokitusprosetit olivat 0 5 %. Erikoishakkuide alhaiset oikeiluokitusprosetit johtuivat iide alhaisista luokkaosuuksista. Useamma aapuri käyttämie olisi todeäköisesti parataut kokoaisluokitusprosettia, mutta huootaut lisää erikoishakkuuluokituste tulosta. Samalaisii päätelmii tuli mm. Fraco-Lopez (2001). Toimepiteide kohdalla tärkeitä o löytää kuviot, joilla o jokilaista toimepidetarvetta. Siksi eri hakkuuja hoitotoimepiteide yhdistämie muutamaksi 377

16 Metsätietee aikakauskirja 3/2002 Tutkimusartikkeli luokaksi estimoii oistumise tarkastelussa oli perusteltua. Metsähoidollie toimepide-ehdotus o jossai määri subjektiivisesti määritettävä tuus. Maastoarvioiissa toimepidetarpee arvioititulos riippuu voimakkaasti arvioijasta (Poso 1983). Tätä tukee kohdeaieisto toimepide-ehdotuksie ja harveusmalleilla (Luooläheie metsähoito 1994) laskettuje toimepide-ehdotuksie vertailu tulos. Kyseisessä vertailussa hakkuide oikeiluokitusprosetiksi saatii 56,9 %, ku käytettii luokkia; lepo, kasvatushakkuu ja uudistushakkuu. Varsiki kasvatushakkuuehdotuksia oli maastossa aettu selvästi eemmä kui mitä harveusmallit tuottivat. Tällä perusteella toimepidetarpee luokittelu tulosta ei voi pitää kovi huooa. Tuki- ja kohdealuee uudet sekä vahat kuviotiedot olivat eri ajakohdilta, mutta satelliittikuva oli samalta ajakohdalta. Kuviotietoje eriaikaisuus lisää estimoii virhemahdollisuutta, mitä tässä tutkimuksessa ei tarkasteltu. Satelliittikuva kaikkie kaavie ormalisoii tavoitteea oli pieetää kyseistä virhemahdollisuutta. Normalisoiissa kaikille kaaville tulee sama paioarvo. Ilma sitä lisäkaaviksi liitetyt vahat kuviotiedot olisivat saaeet sävykaavia suuremma paioarvo, jolloi kuviotietoje eriaikaisuus olisi ollut suurempi ogelma. Käytety Ladsat TM -satelliittikuva tarkkuus ei riittäyt luotettavie kuviotaso tietoje tuottamisee. Vaikka estimaattie virheet tarkistusmittauskuvioilla olivat esimerkiksi puusto keskitilavuude ja -pituude osalta lähellä kuvioittaise arvioii virheitä (Poso 1983, Suutarla 1985, Laasaseaho ja Päivie 1986, Pussie 1992, Pigg 1994) voidaa eteki puulajeittaiste tuuste estimaatteja pitää liia epätarkkoia. Silti satelliittikuva o varteeotettava vaihtoehto tuotettaessa tietoa välialueille, vaikeakulkuisille alueille tai jos halutaa vai karkeita tietoja isommasta suuittelualueesta. Aluee koolla ei juuri ole vaikutusta estimoii kustauksii, koska Ladsat TM: km kuva o lähes samahitaie km kuva kassa. Aluee koo kasvaessa lasketa-ajat kasvavat, mutta ovat silti vai muutamia päiviä. Oleellista estimoii oistumiseksi o tukiaieisto harhattomuus sekä samakaltaisuus kohdealuee kassa. Lisäksi käytettävä tukiaieisto tulee olla tarpeeksi kattava site, että kuvioita löytyy jokaisesta ositteesta (mm. kehitysluokka, tilavuus, kasvupaikka) tarpeeksi. Myös laskeassa käytettävie tietoje tulisi olla samoilta ajakohdilta. Kiitokset Tutkimus o osa Maa- ja metsätalousmiisteriö yhteistutkimusvaroi toteutettua metsäsuuittelu tietohuolto -tutkimushaketta. Pohjois-Savo metsäkeskus o tarjout tutkimukse kuvioaieisto käyttööi, josta kiitokset Juha Hiltuselle ja Pirjo Rissaselle. Kiitokset Jari Varjolle, Helea Mäkelälle, Perttu Attilalle sekä Kari T. Korhoselle, jotka ovat omalla paoksellaa vaikuttaeet tutkimukse edistymisee. Erityiskiitokset Assi Pekkariselle avustuksesta ohjelmie käytössä ja keskusteluista tutkimukse ogelmakohdissa. Kirjallisuus Altma, N Itroductio to kerel ad earesteighbour oparametric regressio. The America Statisticia 46(3): Campbell, J.B Itroductio to remote sesig. The Guilford Press, New York. 551 s. Fraco-Lopez, H., Ek, A. & Bauer, M Estimatio ad mappig of forest stad desity, volume ad cover type usig the k-earest eighbors method. Remote Sesig of Eviromet 77(3): Hager, O Computer aided forest stad delieatio ad ivetory based o satellite remote sesig. Teoksessa: SNS/IUFRO workshop i Umeå : The usability of remote sesig for forest ivetory ad plaig. Swedish Uiversity of Agriculture Scieces. Remote Sesig Laboratory. Umeå. Holmgre, J., Joyce, S., Nillso, M. & Olsso, H Estimatig stem volume ad basal area i forest compartmets by combiig satellite image dadta with field data. Scadiavia Joural of Forest Research 15: Katila, M. & Tomppo, E Selectig estimatio parameters for the Fiish multisource Natioal Forest Ivetory. Remote Sesig of Eviromet 76(1): Keller, J., Gray, M. & Gives, J.J A fuzzy k-earest 378

17 Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri... eighbor algorithm. IEEE Trasactios o systems, Ma ad Cyberetics 15(4): Kilkki, P. & Päivie, R Referece sample plots to combie field measuremets ad satellite data i forest ivetory. Julkaisussa: Remote sesig-aided forest ivetory. Semiars orgaized by SNS ad Taksaattoriklubi, December 10 12, 1986, Hyytiälä, Filad. Uiversity of Helsiki, Departmet of Forest Mesuratio ad Maagemet, Research Notes 19: Kilpeläie, P. & Tokola, T Gai to be achieved from stad delieatio i Ladsat TM image-based estimates of stad volume. Forest Ecology ad Maagemet 124(2 3): Laasaseaho, J. & Päivie, R Kuvioittaise arvioii tarkistamisesta. Folia Forestalia s. Luooläheie metsähoito Metsähoitosuositukset. Metsäkeskus Tapio julkaisuja 6/ paios. Helsiki 72 s. Maa- ja metsätalousmiisteriö Kasallie metsäohjelma MMM: julkaisuja 2/1999. Metsäsuuittelu kokoaisselvitys Metsäsuuittelu kokoaisselvitykse projektiryhmä, Tapio. 46 s. Mäkelä, H Estimatio of forest stad parameters by Ladsat TM imagery ad stad-level ivetory data. Joesuu yliopisto, metsätieteellie tiedekuta. Metsätaloude suuittelu lisesiaattitutkimus. 57 s. & Pekkarie, A Estimatio of timber volume at the sample plot level by meas of image segmetatio ad Ladsat TM imagery. Remote Sesig of Eviromet 77(1): Naredra, P. & Goldberg, M Image segmetatio with directed trees. IEEE Trasactios o Patter Aalysis ad Machie Itelligecy Pami-2(2): Nilso, T. & Peterso, U Age depedece of forest reflectace: aalysis of mai drivig factors. Remote Sesig of Eviromet 48: Pekkarie, A Image segmet-based spectral features i the estimatio of timber volume. Remote Sesig of Eviromet 82(2 3): Pigg, J Keskiläpimita ja puutavaralajijakauma sekä muide puustotuuste tarkkuus Metsähallitukse kuvioittaisessa arvioiissa. Metsäarvioimistietee pro gradu -työ. Helsigi yliopisto. 86 s. Poso, S Kuvioittaise arvioimismeetelmä perusteita. Silva Feica 17(4): Pussie, A Ilmakuvat ja Ladsat TM -satelliittikuva välialueide kuvioittaisessa arvioiissa. Syvetävie opitoje tutkielma. Joesuu yliopisto, metsätieteellie tiedekuta. 48 s. Rata, E., Ritala, H. & Kouki, J Biometria tilastotiedettä ekologeille. Yliopistopaio, Helsiki. 589 s. Rosefield, G.H. & Fitzpatrick-Lis, K A coefficiet of agreemet as a measure of thematic classificatio accuracy. Photogrammetric Egieerig ad Remote Sesig 52(2): Stefaov, W., Ramsey, M. & Christese, P Moitorig urba lad cover chage: A expert system approach to lad cover classificatio of semiarid to arid urba ceters. Remote Sesig of Eviromet 77(3): Suutarla, T Kuvioittaise ivetoii päivitys ja se luotettavuus. Metsäarvioimistietee pro gradu -tutkielma maatalous- ja metsätieteide kadidaati tutkitoa varte. Helsigi yliopisto. 47 s. Tokola, T Satelliittikuva ja VMI-koealatiedo käyttö metsätalousaluee puusto ivetoiissa. Joesuu yliopisto, metsätieteellie tiedekuta. Lisesiaattitutkimus. 53 s. & Heikkilä, J Satelliittikuvaivetoii puusto tilavuusestimaattie luotettavuus tilatasolla. Teoksessa: Korhoe, K. & Mäkkeli P. (toim.). Metsie eri käyttömuodot yhdistävä suuittelu. Metsätutkimuspäivä Joesuussa Metsätutkimuslaitokse tiedoatoja 568: & Heikkilä, J Improvig satellite based forest ivetory by usig a priori site quality iformatio. Silva Feica 31(1): , Pitkäe, J., Partie, S. & Muioe, E Poit accuracy of a o-parametric method i estimatio of forest characteristics with differet satellite materials. Iteratioal Joural of Remote Sesig 17(12): Tomppo, E Satellite image based atioal forest ivetory of Filad. Photogrammetric Joural of Filad 12(1): Multi-source atioal forest ivetory of Filad. Julkaisussa: Nyyssöe, A, Poso, S. & Rautala, J. (toim.). Proceedigs of Ilvessalo symposium o atioal forest ivetories. Metsätutkimuslaitokse tiedoatoja 444: Tuomie, S. & Poso, S Improvig multi-source forest ivetory by weightig auxiliary data sources. Silva Feica 35(2): viitettä 379