TALVIAIKAISEN KASVIPEITTEISYYDEN
|
|
- Hannele Sipilä
- 7 vuotta sitten
- Katselukertoja:
Transkriptio
1 TEHO Plus hankkeen raportti 4/2013 TALVIAIKAISEN KASVIPEITTEISYYDEN KAUKOKARTOITUS LANDSATSATELLIITTISENSORIN KUVISTA JONI KOSKINEN
2 SISÄLLYS 1. Johdanto 3 2. Kasvipeitteisyyden satelliittikuvatulkinta 4 3. Aineisto ja menetelmät 7 Verifiontiaineiston luonti 9 Eri luokittelurastereiden luominen 11 Luokittelutarkkuuden arviointi Luokittelutulokset Tulosten tarkastelu 18 Luokittelutarkkuuteen vaikuttavia tekijöitä 18 Paras kanavayhdistelmä 20 Sovellus suunniteltuun kasvipeitteisyystoimenpiteen valvontaan Johtopäätökset Lähteet 23 2
3 1. JOHDANTO Peltolohkojen talviaikaisen kasvipeitteisyyden määrittäminen maastossa vaatii paljon resursseja ja koskee alueellisesti pientä alaa. Kaukokartoitusaineiston käyttäminen kasvipeitteisyyden tulkinnassa vähentäisi maastotyötä ja on tästä syystä varsin perusteltua. Talviaikaisen kasvipeitteisyyden määrittäminen kaukokartoitusaineiston perustella vaatii ajankohtaisen ja tarkan aineiston, kuten ilmakuvan. Ilmakuvan käytön etuna on tarkka ja todenmukainen kasvipeitteisyyden määritys, jolloin esimerkiksi valvontaan tarvittavat pinta-alat on mahdollista tarkastaa. Ilmakuvaus vaatii kuitenkin hintavia lentoja sopivana ajankohtana ja käsittää lopulta melko pienen alan. Satelliittiaineiston etuna verrattuna muihin menetelmiin on sen ilmaisuus (Landsatsensorin kuvat) ja sen kattama suuri ala (yksi kuva kattaa 160km X 160km alueen). Lisäksi satelliittisensorit tallentavat heijastavaa säteilyä aallonpituusalueilta, joita silmällä ei voi nähdä. Satelliittiaineiston analysointia voidaan pitkälti automatisoida, jolloin saadaan objektiivista ja toistettavaa aineistoa. Toisaalta Landsatsensorin resoluutio (30m X 30m) on melko karkea pienipiirteisen suomalaisen peltomaiseman kaukokartoitukseen. Satelliittiaineiston käytöllä voitaisiin saavuttaa lukuisia etuja nykyisen kasvipeitteisyyden seurannan ja valvonnan tueksi, mutta onko sitä mahdollista käyttää? Tässä raportissa käsitellään menetelmiä, kokemuksia ja tuloksia satelliittiaineiston käytöstä talviaikaisen kasvipeitteisyyden tulkinnassa ja käytössä valvonnan apuna. Tutkimus on tehty Varsinais-Suomen ELY-keskuksessa TEHO Plus -hankkeessa. 3
4 2. KASVIPEITTEISYYDEN SATELLIITTIKUVATULKINTA Satelliittikuvatulkinnassa on syytä huomioida, että kuva ei itse asiassa ole kuva maan pinnasta, vaan eri aallonpituusalueilla toimivien kanavien heijastusosuuksien visualisointia. Optinen satelliittikaukokartoitus perustuu valon näkyvän ja lähi-infrapuna-alueen tutkimukseen. Maan pinnalle pääsevän sähkömagneettisen säteilyn näkyvän valon, lähi-infrapunan ja keski-infrapunan aallonpituudet heijastuvat, absorboituvat ja johtuvat eri tavoin eri bioottisilta ja abioottisilta pinnoilta (van Leeuwen 2009). Heijastuvan, absorboituvan ja johtuvan säteilyn osuudet vaihtelevat maan pinnan ominaisuuksien mukaan. Optiset satelliittikaukokartoitusmenetelmät operoivat aallonpituusalueilla, joilla heijastuvan säteilyn osuus on dominoiva. Siten maan pinnan ominaisuuksia tarkastellaan heijastuvan säteilyn määrän aallonpituuden funktiona. Kuvassa 1 on esitetty eri pintojen heijastusosuuksia aallonpituuden funktiona. Kuvassa on myös Landsat 5TM -satelliittisensorin tallentamat aallonpituusalueet (harmaalla). Tässä tutkimuksessa on käytetty uudempaa Landsat 8OLI - sensorin kuvaa, jonka kanavaominaisuudet on esitetty taulukossa 1. Kanava-alueet ovat periaatteessa samat kuin Landsat 5TM -sensorissakin muutamilla lisäyksillä. Tallennusalueet on valittu siten, että niiden perusteella voidaan tehokkaasti arvioida maanpeitteitä, koska eri maanpeitteillä on erilainen spektraalinen singulariteetti eli ominainen heijastuskäyrän muoto. Kasvillisuuden kaukokartoitus perustuu pitkälti siihen tietoon, että kasvit käyttävät yhteyttämiseen säteilyn sinisen ja punaisen valon aallonpituutta (Mather 1999:170). Lehtien sisältämä klorofylli absorboi auringon säteilystä sinistä (0,455 0,492 µm) ja punaista valoa (noin 0,67µm) fotosynteesiä varten (Lillesand & Kiefer 1994:17; Mather 2005:8). Näkyvän valon vihreä aallonpituus ei absorboidu niin voimakkaasti. Kasvillisuuden heijastuskäyrässä ilmiö näkyy heijastuvan säteilyn piikkinä näkyvän valon vihreän aallonpituuden (0,588 0,492 µm) alueella (kuva 1). 4
5 Kuva 1. Eri pintojen heijastusominaisuuksia aallonpituuden funktiona. Muunnettu de Jong ym. (2004) mukaan. Kuvassa myös Landsat 5TM sensorin kanavien tallentamat aallonpituusalueet. Taulukko 1. Landsat 8OLI sensorin kanavakohtaiset aallonpituuden tallennusalueet. Lähde: USGS (2013). Bands Wavelength Resolution Band 1 - Coastal / Aerosol µm 30 m Band 2 - Blue µm 30 m Band 3 - Green µm 30 m Band 4 - Red µm 30 m Band 5 - Near Infrared µm 30 m Band 6 - Short Wavelength Infrared µm 30 m Band 7 - Short Wavelength Infrared µm 30 m Band 8 - Panchromatic µm 15 m Band 9 - Cirrus µm 30 m USGS (United States Geological Survey) avasi Landsat-sensorin arkistoaineistot kaikkien käyttöön vuoden 2008 joulukuussa. Tätä uudemmat kuvat, joissa on pilviä alle 60 %, tulevat automaattisesti USGS:n latauspalveluun (USGS 2013). Tällä hetkellä aktiivisena on 2 satelliittisensoria: vuonna 2007 laukaistu Landsat 7 ja keväällä 2013 laukaistu Landsat 8. Landsat 7 sensorissa on laukaisuhetkestä ollut tekninen vika, mikä aiheuttaa kuvissa nk. striping ilmiön. Sensorin kuvia voitaisiin käyttää tästä huolimatta kasvipeitteisyystarkastelujen sovelluksissa. Landsat 8 sensorin kuvat ovat virheettömiä ja sensorin kaikki kuvat tulevat avoimiin arkistoihin (Jonescheit 2013). Landsat-satelliittien kiertoaika on 16 päivää ja pyyhkäisypinta-ala 160 km. 5
6 Landsat-aineistot eivät maksa mitään ja siksi niiden käyttö olisi perusteltua. Lisäksi Landsat-aineistoihin perustuvaa kasvillisuustutkimusta on tehty maailmalla paljon, mikä edesauttaa referenssiaineiston löytymistä. Satelliittien kiertoaika on kuitenkin niin pitkä, että talviaikana satelliitti kuvaa saman kohteen kaksi kertaa kuussa eli noin 12 kertaa Suomen talvessa. Näissä kerroissa tulisi aina olla vähintään yksi päivä, jolloin maassa ei ole lunta ja taivaalla ei ole pilviä. Arkistoa selaamalla voi havaita, että kuvaukset eivät joka vuosi osu otollisiin olosuhteisiin. Tästä syystä pelkästään Landsat-satelliittikaukokartoitukseen ei voida tulevaisuudessa nojata talviaikaisen kasvipeitteisyyden arvioinnissa. Huolimatta satelliittikaukokartoituksen hyvistä sovellusmahdollisuuksista, menetelmää on käytetty kasvipeitteisyyden tutkimiseen vähän. Yhdysvalloissa satelliittikuvia on käytetty muokkauspinta-alojen tunnistamiseen lukuisissa eri tutkimuksissa. Haastavaksi on osoittautunut kevennetyn muokkauksen erottaminen muista muokkauspinnoista. De Gloria ym. (1986) pääsivät 81 % luokittelutarkkuuteen perinteisen muokkauksen ja kevennetyn muokkauksen välillä käyttäen Landsat MSS-sensorin kuvaa. Myöhemmät tutkimukset ovat päässeet vastaaviin tarkkuuksiin käyttäen eri kanavien ominaisuuksista luotuja indeksejä. Gowda ym. (2008) tutkivat eri kanavayhdistelmien ja indeksien erottelukykyä muokkauksen ja kevytmuokkauksen välillä Texasissa, Yhdysvalloissa. Heidän mukaan Landsat TM kanavat 4, 5 ja 6 erottavat parhaiten eri muokkauspinnat. 6
7 3. AINEISTO JA MENETELMÄT Tutkimus toteutettiin Varsinais-Suomen ELY-keskuksen maataloustukivalvonta-alueella. Tutkimusalueen satelliittikuva ladattiin USGS:n verkkosivuilta ( Kuvan kanavat toimitetaan erillisinä tiedostoina. Eri kanavat yhdistettiin yhdeksi kanavapaketiksi huomioiden niiden tallennusalue (taulukko 1). Kanavapaketti oikaistiin EUREF-FIN koordinaatistoon. Varsinais-Suomen ELY-keskuksen E-vastuualueelta saatiin tieto keväällä 2013 tehdyistä kasvipeitevalvonnoista, joita käytettiin kevään 2013 satelliittikuvan luokittelun taustaksi. Merkinnät vaihtelivat merkitsijän mukaan, mutta pääosin peltoalueita, joita ei ollut muokattu, ei oltu merkitty. Tämä aiheutti sen, että aineistossa on vähän muokattujen alueiden tarkistusaineistoa. Usein merkinnät olivat S=sänki ja K=kasvipeite. Joillain tiloilla kevytmuokkaus ja muokkaus oli myös merkattu. Kasvulohkokohtaiset merkinnät merkittiin paikkatietokantaan. Yhteensä 41 tilan kasvipeitetietoja käytettiin luokitteluun (kuva 2). 7
8 Kuva 2. Tutkimuksessa käytetty Landsat-kuva. USGS/NASA Landsat Program Sensori: Landsat 8 OLI, aika: 01/05/2013, RGB:321 8
9 Verifiontiaineiston luonti Luokittelua varten satelliittiaineisto leikattiin peltolohkorekisterin 2011 kanssa, jonka jälkeen satelliittikuva sisälsi vain peltolohkorekisterissä olevat alueet. Tulkinnan helpottamiseksi sekä jatkoluokittelua varten leikatusta satelliittikuvasta laskettiin NDVI-rasteri. NDVI (Normalized Difference Vegetation Index) lasketaan valon punaisen aallonpituuden ja lähi-infran normalisoidusta suhteesta, joka Landsat 8 OLI-sensorin tapauksessa on: NDVI =(ρkanava5-ρkanava4)/(ρkanava5+ρkanava5) NDVI-indeksin rasteri saa arvot välillä Mitä suurempi arvo on, sitä suurempi on heijastavan pinnan biomassa. NDVI-rasteria käytettiin luokittelun opetuslaikkujen luonnin tausta-aineistona (kuva 3). Luokittelua varten luotiin jokaiselle luokalle ominainen heijastusvaste opetuslaikkujen avulla (kuva 3). Opetuslaikut luotiin valvontalohkojen tietojen perusteella (taulukko 2). Kasvulohkot haettiin Kartturi-sovelluksesta ja opetuslaikut digitoitiin noudattaen kasvulohkorajoja, jättäen ulkoreunaan kuitenkin tilaa. Tämä johtuu siitä, että 30m X 30m pikseli ei noudata tarkempia lohko- ja kasvulohkorajoja. Tällöin reunapikselit sisältävät usein heijastusvasteita myös muilta kuin tutkittavalta pinnalta. Opetuslaikkuihin haluttiin sisältää vain puhtaita pikseleitä. 9
10 Kuva 3. Opetuslaikut piirrettiin hieman lohkorajojen sisälle, jolla vältettiin rajapikseleiden heijastusarvot. Taulukko 2. Luokittelussa käytetyt valvontalohkot. Kasvulohkon muokkausmerkintä Luokkanumero Kasvulohkoja (kpl) Opetuslaikkujen pintaala (ha) Sänki Kevytmuokkaus Kyntö Luonnonhoitopelto Puutarha Syysvilja Nurmi
11 Eri luokittelurastereiden luominen Kasvipeitteisyyden tutkimista varten luotiin kolme erilaista kanavayhdistelmää, joille tehtiin ohjattu luokittelu (taulukko 3). Eri luokittelujen avulla voidaan paremmin arvioida luokittelua kokonaisuutena verrattuna vain yhden luokittelun käyttöön. Ensimmäiseksi kanavayhdistelmäksi valittiin kaikki 30m resoluutiolla toimivat sensorin kanavat. Toiseksi kanavayhdistelmäksi valittiin kanavat 5 ja 6 sekä NDVI. Gowdan ym. (2008) tutkimusten perusteella maatalouden maanpeitteen tutkimisessa Landsat-sensorin kanavat 5 ja 6 ovat hyödyllisiä. Lisäksi NDVI indeksi on tunnetusti tehokas erottamaan yhteyttävän biomassan ja elottoman maan. Kolmanneksi kanavayhdistelmäksi valittiin pääkomponenttianalyysin komponentit 1, 2 ja 3. Pääkomponenttianalyysi on tehokas menetelmä, jolla voidaan usein kolmella komponentilla kuvata useamman komponentin varianssi. Esimerkiksi useamman kanavan satelliittikuvien tiedot voidaan pääosin kuvata vain muutamalla pääkomponenttirasterilla menettämättä tietoa. Taulukko 3.Tutkimuksessa käytetyt eri kanavayhdistelmät Kanavat Kanavayhdistelmä 1 2,3,4,5,6,7 Kanavayhdistelmä 2 5,6,NDVI Kanavayhdistelmä 3 Pääkomponentit 1,2,3 Jokaiselle kanavayhdistelmälle luotiin eri muokkauspinnalle spektraalinen singulariteetti, jonka perusteella voitiin luokitella koko satelliittikuvan kattama peltoala muokkaustietoihin. Lisäksi luotiin jokaiselle kanavayhdistelmän luokitukselle dendrogrammi, jonka perusteella voidaan arvioida eri luokkien etäisyyttä toisistaan. Luokittelutarkkuuden arviointi Luokittelun onnistumista arvioitiin laskemalla oikein luokiteltujen pikselien määrä. Tätä varten tehtiin 30 m X 30 m tarkastusruudukko. Ruudukko asettuu muokkauspikseleiden päälle ja helpottaa tarkastuslaskemisen tekemistä. Pikselin muokkaustieto lasketaan kuvaamaan lohkon muokkausta, jos yli puolet pikselistä on lohkon rajan sisäpuolella. Pikselien luokittelutiedoista tehtiin ristiintaulukointi validointiaineiston kanssa ja verrattiin eri kanavayhdistelmien luokittelutarkkuutta. Lopulta valittiin paras kanavayhdistelmä kuvaamaan satelliittikuvan kattaman alueen talviaikaista kasvipeitteisyyttä. 11
12 4. LUOKITTELUTULOKSET Kuvissa 4, 6 ja 8 on esitetty otos eri luokittelusysteemien luokittelutuloksista samalta alueelta. Eri kanavayhdistelmien luokittelutuloksista voidaan havaita, että eri kanavayhdistelmät tuottavat erilaisia luokkia. Samojen peltolohkojen muokkausmerkintä näyttäytyy kuitenkin pääosin samanlaisena esimerkkikuvissa 4, 6 ja 8. Kuvien alapuolella on esitetty kunkin kanavayhdistelmän dendrogrammi. Dendrogrammeista voidaan lukea luokkien väliset etäisyydet eri kanavayhdistelmien luokitteluissa. Etäisyys kuvaa sitä, kuinka lähellä luokat ovat spektraalisesti toisiaan. Kaikissa tapauksissa luokkien 7 ja 5 etäisyys on pienin. Toisin sanoen puutarha- ja nurmiluokat ovat lähimpänä toisiaan. Kanavayhdistelmän seuraava luokka on 1 eli sänki. Sen sijaan muilla kanavayhdistelmillä seuraava luokka on luonnonhoitopelto. Kaikissa yhdistelmissä kevytmuokkaus (2) ja kyntö (3) ovat lähimpänä toisiaan. Samoin kaikissa luokitteluissa syysvilja (luokka 6) kuuluu spektraalisesti samaan ryhmään kevytmuokkauksen ja muokkauksen kanssa Kuva 4. Luokittelutulokset kanavayhdistelmällä 1. 12
13 Kuva 5. Kanavayhdistelmän 1 dendrogrammi, joka kuvaa luokkien väliset etäisyydet. Numerot viittaavat taulukon 2 numerointiin. Kuva 6. Luokittelutulokset kanavayhdistelmällä 2. 13
14 Kuva 7. Kanavayhdistelmän 2 dendrogrammi, joka kuvaa luokkien väliset etäisyydet. Luokkanumerot viittaavat taulukon 2 numerointiin. Kuva 8. Luokittelutulokset kanavayhdistelmällä 3. 14
15 Kuva 9. Kanavayhdistelmän 3 dendrogrammi, joka kuvaa luokkien väliset etäisyydet. Luokkanumerot viittaavat taulukon 2 numerointiin. Luokat syysvilja, luonnonhoitopelto, puutarha ja nurmi yhdistettiin yhdeksi luokaksi ja eri kanavayhdistelmien luokkien pinta-alat laskettiin (taulukko 4). Eri luokittelusysteemien luokkien pinta-alaosuudet ovat huomattavan samankaltaiset. Taulukko 4. Eri luokittelusysteemien luokkien pinta-alaosuudet. Luokka Kaikki ala (%) 5,6,NDVI ala (%) PCA123 ala (%) Sänki Kevytmuokkaus Kyntö Nurmi Tarkastusruudukon avulla tarkastettiin jokaisen kanavayhdistelmän luokittelun oikeellisuus (kuva 10). Validointiaineistona käytettiin neljän tilan aineistoa. Näitä aineistoja ei käytetty verifiointiin. Luokittelutarkkuutta arvioitiin ristiintaulukoinnin avulla. Taulukossa riveillä on validointiaineiston kasvulohkojen kasvipeitetiedot. Sarakkeissa on satelliittiaineiston neljä kasvipeiteluokkaa. Taulukosta voidaan lukea kunkin luokan luokittelutarkkuus sekä se, minkä luokan kanssa luokittelu sekoittuu. Lisäksi taulukosta voidaan lukea luokan luotettavuus. 15
16 Kuva 10. Tarkastusruudukon avulla tarkistettiin luokittelut pikselikohtaisesti. Taulukko 5. Kanavayhdistelmän 1 luokittelun ristiintaulukointi. Sänki Kevytmuokkaus Kyntö Nurmi Yht. Luokan luokittelutarkkuus (%) Sänki Kevytmuokkaus(kultivointi) Kyntö Nurmi Nurmi 1.vuosi Syysvilja Yht Keskiarvo = 49 % Luokan luotettavuus (%) Keskiarvo = 44 % Kokonaistarkkuus = 49 % Luokan luokittelutarkkuus ja luotettavuus jos oletetaan, että kasvipeitteisyyttä kuvaavat luokat voivat olla sänkeä tai nurmea ja kasvipeitteettömyyttä kuvaavat luokat kyntöä ja kevytmuokkausta. Varhaisperuna oletettu kasvipeitteiseksi katteen takia. 16
17 Taulukko 6. Kanavayhdistelmän 2 luokittelun ristiintaulukointi. Sänki Kevytmuokkaus Kyntö Nurmi Yht. Luokan luokittelutarkkuus (%) Sänki Kevytmuokkaus Kyntö Nurmi Nurmi 1.vuosi Syysvilja Yht Keskiarvo = 55 % Keskiarvo = Luokan luotettavuus (%) % Kokonaistarkkuus = 58 % Taulukko 7. Kanavayhdistelmän 3 luokittelun ristiintaulukointi. Sänki Kevytmuokkaus Kyntö Nurmi Yht. Luokan luokittelutarkkuus (%) Sänki Kevytmuokkaus Kyntö Nurmi Nurmi 1.vuosi Syysvilja Yht Luokan luotettavuus (%) Keskiarvo = 52 % 58 Taulukossa 8 on yhdistelty luokkia kasvipeitetoimenpiteen mukaisesti ja laskettu tarkkuudet ja luotettavuudet eri luokittelusysteemille. Taulukko 8. Eri luokittelusysteemien tarkkuus ja luotettavuusindikaattoreita. Kyntö-Kevytmuokkaus-aito kasvipeite Kaikki 5,6,NDVI PCA1,2,3 Keskimääräinen tarkkuus (%) Keskimääräinen luotettavuus (%) Kokonaistarkkuus (%) Muokattu (Kyntö+Kevytmuokkaus)-aito kasvipeite Kaikki 5,6,NDVI PCA1,2,3 Keskimääräinen tarkkuus (%) Keskimääräinen luotettavuus (%) Kokonaistarkkuus (%) Kyntö-kasvipeite Kaikki 5,6,NDVI PCA1,2,3 Keskimääräinen tarkkuus (%) Keskimääräinen luotettavuus (%) Kokonaistarkkuus (%)
18 5. TULOSTEN TARKASTELU Luokittelutarkkuuteen vaikuttavia tekijöitä Luokittelutarkkuuteen vaikuttaa oleellisesti suomalaisten peltojen muoto. Käytettävän satelliittiaineiston ruutukoko on 30m X 30m, mikä tarkoittaa sitä, että 0,0625 ha ala saa aina yhden arvon. Satelliittiaineisto on siis verraten karkeaa. Pienipiirteiseen peltomaisemaan tulee runsaasti reuna-alueita, joissa pikselit eivät ole puhtaita vaan sisältävät heijastustietoa erilaisilta pinnoilta. Esimerkiksi metsänreunapikseleissä on heijastuksia sekä pellolta että metsästä. Lisäksi viereisten pikselien heijastus vaikuttaa viereisiin pikseleihin, vaikka heijastuspinta ei maantieteellisesti sijaitsisikaan ruudun alueella. Validointiaineiston lohkojen pinta-ala oli keskimäärin 1,5 ha kun se Varsinais-Suomessa on noin 3 ha. Keväällä havumetsäalueiden yhteytys on suurempaa kuin peltoalueiden. Tämä johtaa satelliittikuvassa siihen, että peltojen metsänreunat voivat saada liian korkeita heijastusarvoja. Esimerkkikuvassa on vastaava tilanne, jossa metsänreuna selvästi vaikuttaa pikseleiden heijastusarvoon. Kuva 11. Metsänreuna-alueiden heijastusvirheitä. 18
19 Samoin pitkänmuotoiset lohkot kuten suojavyöhykkeet luokittuvat virheellisesti. Esimerkkikuvassa nurmipeitteellä olevien suojavyöhykkeiden kapean muodon takia pikselit sisältävät heijastusarvoja myös viereisiltä alueilta. Kun vieressä on kyntöpelto, se vaikuttaa nurmipeitteen heijastukseen alentavasti ja siten voidaan selittää suojavyöhykkeiden sänkipeitteisyys kuvassa 12. Kuva 12. Pitkänmuotoisten peltojen heijastusvirheitä. Luokkien luokittelutarkkuudet ja luotettavuudet poikkesivat paljon toisistaan. Kaikissa luokittelusysteemeissä sänkipeitteiden luokittelutarkkuus oli paras. Toisaalta kaikissa luokittelusysteemeissä sänkipeitteiden luokitteluluotettavuus oli pienin. Tämä tarkoittaa sitä, että vaikka malli luokitteli validointiaineiston sänkipeitteet sängeksi n. 80 % varmuudella, satelliittiaineiston sänkiluokka edusti vain 20 % luotettavuudella sänkeä validointiaineistossa. Sänkipeitteissä oli selvästi suurin opetuslaikkujen määrä. Tästä syystä voidaan olettaa, että kaikki mallit liioittelevat sängen osuutta jonkin verran, koska muut peitteet luokittuvat herkästi sängeksi. Toisaalta muiden peitteiden opetuslaikkujen määrän kasvu pienentäisi myös sängen spektraalisen singulariteetin liikkumarajoja. Sängen luokittelutarkkuuteen voi myös vaikuttaa se, että validointiaineistossa oli ensimmäisen vuoden nurmia, joiden todellinen peite on lähempänä sänkeä, vaikka ne tulisi luokitella nurmiksi. Kevytmuokkaus luokittui selvästi heikoiten jokaisessa luokittelusysteemissä. Tämä johtuu siitä, että kevytmuokkauksen opetuslaikkujen lukumäärä oli pieni. Kevytmuokatun lohkon pinta voi olla myös hyvin erilainen 19
20 riippuen muokkausmenetelmästä sekä ajokerroista. Siten kevytmuokkausluokan heterogeenisyys vaikuttaa luokan luokittelutarkkuuteen. Tämä on nähtävissä myös taulukoista 4,5 ja 6, kun tarkastellaan mihin luokkiin systeemi on luokitellut kevytmuokkauspintoja. Kevytmuokkaus on sekoittunut kaikkien muiden luokkien kanssa. Samoin kynnön ja syysviljan luokittelu on sekoittunut muiden luokkien kanssa, kun taas sänki ja nurmi ovat sekoittuneet verraten vähän muiden kuin toistensa kanssa. Tämä viittaa siihen, että kaikilla kanavayhdistelmillä on mahdollista päästä melko tarkkaan aidon kasvipeitteen luokitteluun, mutta muiden peitteiden kanssa tarkkuus on heikompi. Verifiointiaineistossa oli nurmialueilla vastaperustettuja nurmia, jotka vaikuttivat luokittelutarkkuuteen. Näillä alueilla nurmi ei ollut vielä vapunpäivänä kasvanut ja maanpinta oli ennemminkin sänkeä. Syysviljojen menestys on toinen luokittelutarkkuuteen vaikuttava tekijä. Kevytmuokkauspinnan luokittelu lienee kaikkein haastavinta. Luokan alle kuuluu useita erilaisia käytäntöjä, jotka tuottavat monenlaista maanpeitettä. Paras kanavayhdistelmä Taulukon 8 tietojen perusteella voidaan arvioida, mikä kanavayhdistelmä olisi kaikkein sopivin talviaikaisen kasvipeitteisyyden kaukokartoitukseen. Talviaikaisen kasvipeitteisyyden luokat voidaan jakaa kolmeen osaan. Nämä ovat 1) kynnön, kevytmuokkauksen ja aidon kasvipeitteisyyden luokat, 2) muokatun ja aidon kasvipeitteen luokat ja 3) kynnön ja kasvipeitteen luokat. Koska kevytmuokkauksen kartoituksen tarkkuus on huono kaikilla kanavayhdistelmillä, myös 1. jaon luokittelun tarkkuus on heikko kaikissa tapauksissa. Paras luokittelutarkkuus on kanavayhdistelmällä 2. Toisessa luokkajaossa kyntö- ja kevytmuokkausluokat oletetaan yhdeksi muokatuksi luokaksi ja loput aidoksi kasvipeitteeksi. Luokittelutarkkuudet ja -luotettavuudet ovat selvästi parempia kuin 1. jaolla. Parhaat tarkkuudet saavutetaan edelleen kanavayhdistelmällä 2. Tätä luokkajakoa voitaisiin soveltaa, jos kevytmuokkausta ei huomioitaisi lainkaan kasvipeitteisyyteen. Toisin sanoen näillä tarkkuuksilla voidaan kartoittaa alueita, jotka ovat tehostetun talviaikaisen kasvipeitteisyyden piirissä, johon kevytmuokkausta ei lasketa. Kolmannessa luokkajaossa kevytmuokkaus on sulautettu sängen ja nurmen kanssa kasvipeitepinnaksi ja kyntö jätetty omaksi luokakseen. Tällä jaolla luokittelutarkkuudet ja -luotettavuudet ovat parhaita ja kanavayhdistelmä 1 antaa kaikkein parhaimman tuloksen. Kun luokkien lukumäärää vähennetään, luokittelutarkkuus paranee. Tästä johtunee myös se, että kanavayhdistelmien välille ei syntynyt kovin suurta eroa pinta-alaosuuksittain. Toisaalta voidaan myös todeta, että hajonnan ollessa verraten pieni, myös luokat kuvaavat melko hyvin osuuksia todellisuudessa. Luokittelutarkkuudet esiintyvät kuitenkin kauttaaltaan liian huonoina. Kysymyksessä on pikselikohtainen luokittelu, joka johtaa siihen, että esim. isossa sänkilohkossa voi olla sänkiluokittelun lisäksi nurmea. Tällöin karttakuvaa katsomalla voi päätellä, että kysymyksessä on sänkipelto, vaikka 10 % pikseleistä olisikin jotain muuta luokkaa. Lohkoja ei kuitenkaan voi automatisoidusti luokitella yleisimmän luokan mukaan, koska kasvipeitteisyys muuttuu kasvulohkokohtaisesti ja paikkatiedossa pienin spatiaalinen yksikkö on peruslohko. Sovellus suunniteltuun kasvipeitteisyystoimenpiteen valvontaan Nykyisessä tukijärjestelmän kasvipeitteisyystoimenpiteessä on kolme vaihtoehtoa: 1) peltojen talviaikainen kasvipeitteisyys ja kevennetty muokkaus 2) peltojen talviaikainen kasvipeitteisyys ja 3) peltojen tehostettu talviaikainen kasvipeitteisyys. Näistä vaihtoehdoissa 2 ja 3 voitaisiin melko hyvällä tarkkuudella käyttää satel- 20
21 liittikaukokartoitusta. Sen sijaan, koska kevennetyn muokkauksen luokka on spektraalisesti haastava, sen erottaminen omaksi luokakseen vaikuttaa tarkkuuteen ja samalla systeemin käyttökelpoisuuteen. Tulevassa korvausjärjestelmässä talviaikaisen kasvipeitteisyyden toimenpide jaetaan maantieteellisesti kahdelle alueelle. Kohdentamisalueella kevytmuokkaus hyväksytään pakolliseen 20 % kasvipeitteisyyteen, mutta tämän ylittävän kasvipeitteisyysalan tulee olla aitoa kasvipeitettä. Muualla kuin kohdentamisalueella kevytmuokkaus hyväksytään täyttämään kaikkea kasvipeitteisyysalaa (20, 40, 60 %). Satelliittikaukokartoitusta voidaan käyttää koko Suomessa pakollisen 20 % talviaikaisen kasvipeitteen tarkastamiseen melko hyvällä varmuudella. Tarkkuus on kiinni kyntöpeitteen erottelun tarkkuudesta. Kynnetty peltoala voidaan tässä esitetyllä metodilla saada melko tarkasti erotettua. Satelliittikaukokartoitusta voidaan edelleen käyttää ei-kohdennusalueella talviaikaisen kasvipeitteisyyden kartoituksessa melko tarkasti, jos tukitasoja ei eritellä kasvipeitteiden mukaan, kuten nyt on suunniteltu. Tällöin päästäisiin taulukon 8 kyntö vs. kasvipeite tarkkuuksiin, jotka ovat kanavayhdistelmästä riippumatta melko korkeat. Sen sijaan kohdennusalueella voitaisiin samalla systeemillä (kyntö vs. muut) ja varmuudella tarkastaa vain 20 % asti. Tämän jälkeen olisi erikseen tarkastettava aidon kasvipeitteen määrä, jossa päästäisiin melko hyviin tarkkuuksiin edelleen. Systeemi vastaa taulukon 8 muokattu vs. aito kasvipeite tarkkuuksia. Jos korvaustasot suunnitellaan niin, että kevennetylle muokkaukselle tulee oma korvaustasonsa, se vaikeuttaa se satelliittikaukokartoituksen käyttöä talviaikaisen kasvipeitteen määrittelyssä. Jos taas korvaustasot asetettaisiin kyntö vs. muut, voitaisiin melko tarkasti kartoittaa näiden luokkien sijoittumista. Karkealla satelliittiaineistolla ei kuitenkaan saada tarkkaan kasvipeitteisten kasvulohkojen pinta-aloja tms. Siksi sen soveltamista kasvipeitteisyyden valvontaan pitäisi käyttää ennemminkin selkeiden tapausten karsimisessa. Menetelmän tarkkuutta voitaisiin parantaa asettamalla alusta asti kasvipeitevalvontaan soveltuvat luokat ja luokittelemalla verifiointiaineisto tämän mukaisesti. Lisäksi verifiointiaineistossa tulisi olla enemmän pintaaloja määritellyille luokille. 6. JOHTOPÄÄTÖKSET Satelliittikaukokartoitus on nopea ja edullinen menetelmä laajojen alueiden tarkasteluun. Tässä tutkimuksessa talviaikaisen kasvipeitteisyyden maantieteellistä jakautumista arvioitiin valvonnan mahdollisuuksien näkökulmasta. Menetelmällä saatiin melko hyvin eroteltua kasvipeitteiset ja kasvipeitteettömät alat toisistaan luokittelusysteemistä huolimatta. Tarkimman tuloksen antoi kanavien 5,6 ja NDVI yhdistelmä. Vaikka luokittelutarkkuudet kohosivat verrattain suuriksi, menetelmällä ei voida kuitenkaan tarkasti määrittää maanpeitteitä tai aloja. Tässä mielessä menetelmän käyttö ei sovellu täysin valvonnan tarpeisiin. Tarkkoja pinta-aloja ei voida kuvien perusteella todeta ja esimerkiksi syysviljojen onnistumisen laatua on mahdotonta arvioida. Menetelmän tuloksia voitaneen parantaa asettamalla luokittelusysteemi tavoitteiden mukaisesti esimerkiksi luomalla alusta asti vain kaksi eri kasvipeiteluokkaa. Landsat-kuvien potentiaalia tulisi käyttää mahdollisimman paljon. Kokonaan niiden varaan perustuvaa järjestelmää ei kuitenkaan ole mahdollista toteuttaa. Satelliitin kuvatessa saman kohdan 16 vuorokauden välein, on mahdollista, että kuvausikkunan aikana ei ole saatavissa yhtään pilvetöntä kuvaa. Lisäksi, jos malli halutaan soveltaa vuosittain valtakunnalliseen kattavuuteen, tulisi pilvetöntä kuvaa olla saatavissa koko Suomes- 21
22 ta samalta ajankohdalta. Toisaalta mallia voitaisiin käyttää täydentämään valvontaa niinä vuosina, kun satelliittiaineisto on saatavissa. Riippuu paljon tulevaisuuden kasvipeitetoimenpiteen toteutuksesta, miten hyvin kaukokartoitusmenetelmiä voidaan soveltaa kasvipeitevalvontaan. Jos kevytmuokkaus jätetään toimenpiteen hyväksyttävään kasvipeitepinta-alaan erikseen erillisenä korvaustasona, ei tässä kuvattua kaukokartoitusmenetelmää voida käyttää kuvaamaan kasvipeitettä. Sen sijaan jos kevytmuokkauspinta lisätään kynnön tai kasvipeitteen kanssa samaan luokkaan, voidaan saavuttaa melko korkeakin luokittelutarkkuus. Tulevaisuudessa tarkkuutta voidaan edelleen parantaa keräämällä monipuolisemmin verifiointiaineistoa (nyt kevytmuokkaus, kyntö, syysvilja, ja varhaisperuna aika vähäisiä hehtaarimääriä). Tarkkuutta voidaan parantaa myös multitemporaalisella lähestymistavalla, jossa luokkien tunnistamisen avuksi otetaan niiden spektraalinen vaste vuodenaikojen muutokseen. Lisäksi muoto voidaan ottaa huomioon esimerkiksi OBIA (Object Based Image Analysis) -menetelmällä. Landsat-aineistolla ei kuitenkaan koskaan päästä tarkkoihin kasvipeiteluokkiin ja pinta-aloihin sensorin resoluution soveltuessa huonosti pienipiirteiseen maatalousmaisemaan. Tarkemmalla aineistolla kuten Quickbird ym. päästään huomattavasti tarkempiin luokitteluihin, mutta näissä ongelmana on hinta ja kuvien kattavuus. Tutkimuksen perusteella ilmaista Landsat-aineiston soveltamista kasvipeitevalvontaan kannattaisi kuitenkin kehittää, koska aineisto on ilmaista ja kattaa laajoja alueita. 22
23 7. LÄHTEET DeGloria, S., Wall, S., Benson, A., Whiting, M. (1986). Monitoring conservation tillage practices using Landsat multispectral data. Journal of Soil and Water Protection 41:3, Gowda, P., Howell, T., Evett, S., Chavez, J., New, L. (2008). Remote sensing of contrasting tillage practices in the Texas Panhandle. Internationa Journal of Remote Sensing 29:12, de Jong, M. & van der Meer, F. (2004). Remote Sensing and Digital Image Processing Remote Sensing Image Analysis: Including The Spatial Domain Jonescheit, Linda (2013). About Landsat Images. Henkilökohtainen Sähköpostiviesti Van Leeuwen, W. (2009). Visible, near-ir and shortwave IR spectral characteristics of terrestrial surfaces. Teoksessa: Warner, T., Duane Nellis, M., Foody, G. (toim.) (2009). The SAGE Handbook of Remote Sensing, SAGE publications, London. Lillesand, T. & Kiefer, R. (1994). Remote sensing and image interpretation. 3 rd edition. John Wiley & sons, NY. 750 s. Mather, P. (1999). Computer processing of remotely sensed images. 2. painos. 292 s. John Wiley & Sons Ltd. England Mather, P. (2005). Computer Processing of Remotely-Sensed images. 3. painos. 312 s. John Wiley & Sons, England USGSa (2013). Opening Landsat archive. USGS:n verkkosivut: verkkodokumentti. Luettu saatavissa: USGSb (2013). FAQ about Landsat Missions. Landsat 8 Operational Land Imager (OLI) and Thermal Infrared Sensor (TIRS). Landsat-sensorin kanavat. Luettu:
24 24
Talviaikaisen kasvipeitteisyyden kaukokartoitus
Talviaikaisen kasvipeitteisyyden kaukokartoitus Markus Katainen Turun yliopisto, Maantieteen laitos Yhteenveto talviaikaisen kasvipeitteisyyden kaukokartoituksesta 29.04.2017 Johdanto Peltojen talviaikainen
LisätiedotKorkeusmallien vertailua ja käyttö nitraattiasetuksen soveltamisessa
Korkeusmallien vertailua ja käyttö nitraattiasetuksen soveltamisessa Valtakunnallisesti kattavaa laserkeilausaineistoa ei vielä ole. Kaltevuusmallit perustuvat tällä hetkellä digitaalisen korkeusmallin
LisätiedotYKJ ETRS (usein joutuu säätämään itse)
GPS-järjestelmästä ja kaukokartoituksesta Kertausta GPS-järjestelmästä GPS:n käyttämät koordinaatistot Sisäisesti GPS-järjestelmä käyttää WGS84-pallokoordinaatistoa Koordinaatit voidaan projisoida lennossa
LisätiedotSatelliittikuvien jakelu ja prosessointi -osahanke Markus Törmä, Suomen ympäristökeskus SYKE, Mikko Strahlendorff & Mikko
Satelliittikuvien jakelu ja prosessointi -osahanke Markus Törmä, Suomen ympäristökeskus SYKE, markus.torma@ymparisto.fi Mikko Strahlendorff & Mikko Moisander IL 22.11.2017 1 Johdanto EU:n Copernicus-ohjelma
LisätiedotYmpäristökorvauksen sitoumuksen koulutuspäivä. Eija Mutila, Satakunnan Ely-keskus
Ympäristökorvauksen sitoumuksen koulutuspäivä Eija Mutila, Satakunnan Ely-keskus Lannoituksen vähimmäisvaatimukset: Fosfori 325 kg/ha/5 vuotta ja puutarhataloudessa 560 kg/ha/5 vuotta Ennakointi (viljelykierto,
LisätiedotYmpäristön aktiivinen kaukokartoitus laserkeilaimella: tutkittua ja tulevaisuutta
Ympäristön aktiivinen kaukokartoitus laserkeilaimella: tutkittua ja tulevaisuutta Sanna Kaasalainen Kaukokartoituksen ja Fotogrammetrian Osasto Ilmastonmuutos ja ääriarvot 13.9.2012 Ympäristön Aktiivinen
LisätiedotKaukokartoitustiedon käyttö LUKE:ssa
Kaukokartoitustiedon käyttö LUKE:ssa Sakari Tuominen sakari.tuominen@luke.fi Metsien kartoitus: Valtakunnan metsien inventointi VMI VMI perustuu systemaattiseen ryvästettyyn koealaotantaan 5 vuoden inventointikierrolla
LisätiedotKehittyvien satelliittiaineistojen mahdollisuudet
VTT TECHNICAL RESEARCH CENTRE OF FINLAND LTD Kehittyvien satelliittiaineistojen mahdollisuudet Forest Big Data loppuseminaari, Heureka 8.3.2016 Tuomas Häme, Laura Sirro, Yrjö Rauste VTT VTT:n satelliittikuvatutkimusaiheet
LisätiedotYmpäristönurmien kohdentaminen paikkatietomenetelmien avulla
4.6.2012 Ympäristönurmien kohdentaminen paikkatietomenetelmien avulla Talviaikaisen kasvipeitteisyyden kohdentaminen riskialueille on tärkeä tavoite tulevalla ympäristökorvauskaudella. Kasvipeitealatyöryhmän
LisätiedotKASVIPEITTEISYYS- VALVONTA 2016
Asianro: 1578/03.00.01/2016 KASVIPEITTEISYYS- VALVONTA 2016 Voimassa 18.11.2016 alkaen. 1 YLEISTÄ KASVIPEITTEISYYSVALVONNASTA... 2 1.1 Toimenpiteen pinta-alavaatimukset... 2 1.2 Valvonnassa olevat tilat...
LisätiedotMAA-57.1010 (4 OP) JOHDANTO VALOKUVAUKSEEN,FOTOGRAM- METRIAAN JA KAUKOKARTOITUKSEEN Kevät 2006
MAA-57.1010 (4 OP) JOHDANTO VALOKUVAUKSEEN,FOTOGRAM- METRIAAN JA KAUKOKARTOITUKSEEN Kevät 2006 I. Mitä kuvasta voi nähdä? II. Henrik Haggrén Kuvan ottaminen/synty, mitä kuvista nähdään ja miksi Anita Laiho-Heikkinen:
LisätiedotKASVIPEITTEISYYSVALVONTA 2017
Asianro: 1677/03.00.01/2017 KASVIPEITTEISYYSVALVONTA 2017 Voimassa 10.11.2017 alkaen. 1 YLEISTÄ KASVIPEITTEISYYSVALVONNASTA... 2 1.1 Toimenpiteen pinta-alavaatimukset... 2 1.2 Valvonnassa olevat tilat...
LisätiedotMiehittämättömän lennokin ottamien ilmakuvien käyttö energiakäyttöön soveltuvien biomassojen määrän nopeassa arvioinnissa
Miehittämättömän lennokin ottamien ilmakuvien käyttö energiakäyttöön soveltuvien biomassojen määrän nopeassa arvioinnissa Anna Lopatina, Itä-Suomen yliopisto, Metsätieteiden osasto, Anna.lopatina@uef.fi
LisätiedotSchuelerin vettä läpäisemättömän pinnan osuuteen perustuvan taajamapurojen luokittelun soveltuvuus Vantaan pienvaluma-alueille
Schuelerin vettä läpäisemättömän pinnan osuuteen perustuvan taajamapurojen luokittelun soveltuvuus Vantaan pienvaluma-alueille Outi Kesäniemi Taajamapuroja voidaan luokitella rakennetun pinta-alan perusteella
LisätiedotMenetelmäkuvaus ja laadunvarmistus
Menetelmäkuvaus ja laadunvarmistus Ortoilmakuvatulkinta: Seudullinen maanpeiteaineisto TP 35/14 Blom Kartta Oy; Pasilanraitio 5, 00240 Helsinki; puh 010 322 8940; fax 010 322 8941 etunimi.sukunimi@blomasa.com;
LisätiedotLoppuraportti Blom Kartta Oy - Hulevesien mallintaminen kaupunkiympäristössä / KiraDIGI
1 YMPÄRISTÖMINISTERIÖ Virve Hokkanen Loppuraportti Blom Kartta Oy - Hulevesien mallintaminen kaupunkiympäristössä / KiraDIGI Kehitystyö Tässä projektissa haluttiin selvittää kaupunkiympäristössä haasteelliseksi
LisätiedotPälkäne Äimälä vesihuoltolinjan inventointi 2009
1 Pälkäne Äimälä vesihuoltolinjan inventointi 2009 Hannu Poutiainen Timo Jussila Kustantaja: Etelä-Pälkäneen vesiosuuskunta 2 Sisältö: Perustiedot... 2 Inventointi... 3 Kuvia... 4 Maastokartat... 5 Ilmakuva...
LisätiedotKaukokartoitusmenetelmien hyödyntämis- mahdollisuuksista maaainesten oton valvonnassa ja seurannassa
Kaukokartoitusmenetelmien hyödyntämis- mahdollisuuksista maaainesten oton valvonnassa ja seurannassa Riitta Teiniranta, Pekka Härmä, Markus Törmä, Jari Rintala ja Mikko Sane Suomen Ympäristökeskus Maa-aineispäivät
LisätiedotMetsikön rakenteen ennustaminen 3D-kaukokartoituksella
8.10.2017 1 Metsikön rakenteen ennustaminen 3D-kaukokartoituksella Dosentti (MMT) Mikko Vastaranta Metsätieteiden laitos, Helsingin yliopisto Laserkeilaustutkimuksen huippuyksikkö mikko.vastaranta@helsinki.fi
LisätiedotTERRAMONITOR HAKKUIDEN MUUTOSTULKINTA JA RAJAUS PERUSTUEN SENTINEL-2 SATELLIITTIKUVA-AINEISTOON SUOMEN METSÄKESKUKSELLE RAPORTTI 13.2.
TERRAMONITOR HAKKUIDEN MUUTOSTULKINTA JA RAJAUS PERUSTUEN SENTINEL-2 SATELLIITTIKUVA-AINEISTOON SUOMEN METSÄKESKUKSELLE RAPORTTI 13.2.2019 Terramonitor 00240 Helsinki FINLAND contact@terramonitor.com 1
LisätiedotTaustaa. Opinnäytetyön materiaali kesältä 2017 Mustialan opetusmaatilalta Materiaalit on myös viety internettiin. Hämeen ammattikorkeakoulu
TEEMU REKOLA Taustaa - Viittä vaille valmis Agrologi - Omistanut pienoishelikopterin lähes 3 vuotta - Opinnäytetyön aihe : Pienoishelikopterin hyödyntäminen maataloudessa Tilaaja Ravinne- ja energiatehokas
LisätiedotTäsmäviljellä voi monella tavalla
Täsmäviljely Täsmäviljelyssä yhdistetään paikkakohtaista tietoa viljelykasvin tarpeisiin Lopputuloksena on optimoitu panos-tuotossuhde ja minimoitu ympäristön kuormitus Tähän on pyritty kautta maanviljelyn
LisätiedotSäilörehunurmen sadon määrän kaukokartoitus
Säilörehunurmen sadon määrän kaukokartoitus Jere Kaivosoja, LUKE LYHYESTI Kaukokartoitusta droneilla ja satelliiteilla Dronet: +Tarkka resoluutio +Absoluuttiset arvot mahdollisia +Tarkemmat laatutiedot
LisätiedotViherryttäminen. Viherryttämistuki Pysyvä nurmi. Materiaali perustuu julkaisuhetkellä käytettävissä oleviin tietoihin.
Viherryttäminen Viherryttämistuki Pysyvä nurmi Materiaali perustuu julkaisuhetkellä käytettävissä oleviin tietoihin. 26.4.2016 Pauli Pethman Haikula Oy 1 Viherryttämistuki Viherryttämisen vaatimukset Viljelyn
LisätiedotMaamies ja Aurajoki - maatalouden ympäristönsuojelu Aurajoen vesistöalueella. Aino Launto-Tiuttu, TEHO Plus hanke Lieto
Maamies ja Aurajoki - maatalouden ympäristönsuojelu Aurajoen vesistöalueella Aino Launto-Tiuttu, TEHO Plus hanke 28.11.2013 Lieto Aurajoen virtaa seminaari Aurajoen nykyisyydestä ja tulevasta Aurajokisäätiö/Lieto
LisätiedotPeltolohko. Kuivatusalue. Vaikutusten havaitseminen Seurantarooli. Vesistöjen tila Kokonaiskuormitus Maatalouden osuus Kokonaisvaikutukset
Peltolohko Lohko- vai valuma-aluekohtaiset ratkaisut - Valuma-aluekohtaiset monipuoliset vesienhoitotoimet Markku Puustinen, Syke, 3.4.2019 Pellot ja vedet kuntoon Kuivatusalue Vaikutusten havaitseminen
LisätiedotViherryttäminen. Viherryttämistuki Pysyvä nurmi Pauli Pethman Haikula Oy 1
Viherryttäminen Viherryttämistuki Pysyvä nurmi Pauli Pethman Haikula Oy 1 Viherryttämistuki Viherryttämisen vaatimukset Viljelyn monipuolistaminen Pysyvien nurmien säilyttäminen Ekologinen ala Vaatimus
LisätiedotPolaarisatelliittidataan perustuva lumentunnistusalgoritmi (valmiin työn esittely)
Polaarisatelliittidataan perustuva lumentunnistusalgoritmi (valmiin työn esittely) 24.01.2011 Ohjaaja: Niilo Siljamo, Ilmatieteen Laitos Valvoja: Harri Ehtamo Esityksen sisältö Termejä Tausta Menetelmät
LisätiedotMAA-C2001 Ympäristötiedon keruu
MAA-C2001 Ympäristötiedon keruu Luento 1b Petri Rönnholm, Aalto-yliopisto 1 Laserkeilauksen, fotogrammetrian ja kaukokartoituksen harjoituksista Laserkeilausharjoitus Tarkempi aikataulu julkaistaan lähiaikoina
LisätiedotBOREAALISEN METSÄN SITOMAN SÄTEILYN (FPAR) ARVIOIMINEN SATELLIITTIMITTAUKSISTA SATELLIITTIMITTAUSTEN PERUSTEITA METSÄTIETEEN PÄIVÄN TAKSAATTORIKLUBI
BOREAALISEN METSÄN SITOMAN SÄTEILYN (FPAR) ARVIOIMINEN SATELLIITTIMITTAUKSISTA METSÄTIETEEN PÄIVÄN TAKSAATTORIKLUBI Titta Majasalmi 1 *, Miina Rautiainen 1, Pauline Stenberg 1 and Terhikki Manninen 2 1
LisätiedotFYSIIKAN LABORATORIOTYÖT 2 HILA JA PRISMA
FYSIIKAN LABORATORIOTYÖT HILA JA PRISMA MIKKO LAINE 9. toukokuuta 05. Johdanto Tässä työssä muodostamme lasiprisman dispersiokäyrän ja määritämme työn tekijän silmän herkkyysrajan punaiselle valolle. Lisäksi
LisätiedotMaatilan ympäristötoimenpiteet. ja talous. Sari Peltonen ProAgria Keskusten Liitto
Maatilan ympäristötoimenpiteet ja talous Sari Peltonen ProAgria Keskusten Liitto MT 7.10.2009 Yhtälö oli viime keväänä vaikea: viljelyn kustannukset nousujohteiset, sadon hinta pohjalla, varastot täynnä
LisätiedotMistä on kyse? Pilvien luokittelu satelliittikuvissa. Sisältö. Satelliittikartoitus. Rami Rautkorpi 25.1.2006. Satelliittikartoitus
Pilvien luokittelu satelliittikuvissa Mistä on kyse? Rami Rautkorpi 25.1.2006 25.1.2006 Pilvien luokittelu satelliittikuvissa 2 Sisältö Satelliittikartoitus Satelliittikartoitus Pilvien luokittelu Ensimmäinen
LisätiedotViherryttäminen. Viherryttämistuki Pysyvä nurmi. 1.4.2015 Pauli Pethman Haikula Oy 1
Viherryttäminen Viherryttämistuki Pysyvä nurmi Pauli Pethman Haikula Oy 1 Viherryttämistuki Viherryttämisen vaatimukset Viljelyn monipuolistaminen Pysyvien laitumien säilyttäminen Ekologinen ala Vaatimus
LisätiedotKASVIPEITTEISYYSVALVONTA 2018
Asianro: 3340/03.00.01/2018 KASVIPEITTEISYYSVALVONTA 2018 Voimassa 1.11.2018 alkaen. 1 YLEISTÄ KASVIPEITTEISYYSVALVONNASTA... 2 1.1 Toimenpiteen pinta-alavaatimukset... 2 1.2 Valvonnassa olevat tilat...
LisätiedotLajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely)
Lajittelumenetelmät ilmakehän kaukokartoituksen laadun tarkkailussa (valmiin työn esittely) Viivi Halla-aho 30.9.2013 Ohjaaja: Dos. Johanna Tamminen Valvoja: Prof. Harri Ehtamo Työn saa tallentaa ja julkistaa
LisätiedotSUOJAVYÖHYKKEET. Raakaversio
SUOJAVYÖHYKKEET Tämän raportin tarkoituksena on esitellä paikkatietoanalyysi jossa pyritään osoittamaan optimaalinen sijainti suojavyöhykkeille. Esitelty paikkatietoanalyysi on osa KOTOMA-hankkeessa tehtävää
LisätiedotPellon muokkaus ja kasvipeitteisyys
Pellon muokkaus ja kasvipeitteisyys Markku Puustinen Merikeskus Vellamo 27.3.2013 Maatalous ja vesistökuormitus Yleistä Kuormituksen vuodenaikaisjakauma Hydrologia sadanta, valunta Peltolohkojen tila kasvukauden
LisätiedotAlustusta Vesientila-aineistosta ja kohdentamistyökaluista
Alustusta Vesientila-aineistosta ja kohdentamistyökaluista Joni Koskinen, TEHO Plus hanke Kohdentaminen alatyöryhmä 3.10.2013 3.10.2013 J. Koskinen 1 Maatalousmaa on keskittynyt etelärannikolle ja Pohjanmaalle
LisätiedotLumen optisten kaukokartoitusmenetelmien kehittäminen boreaalisella metsävyöhykkeellä. Kirsikka Heinilä SYKE/HY 05.11.2014
Lumen optisten kaukokartoitusmenetelmien kehittäminen boreaalisella metsävyöhykkeellä Kirsikka Heinilä SYKE/HY 05.11.2014 Content Motivaatio Johdanto Lumen heijastusominaisuudet Lumisen metsän heijastusominaisuudet
LisätiedotViherryttäminen. Viherryttämistuki Pysyvä nurmi Pauli Pethman Haikula Oy 1
Viherryttäminen Viherryttämistuki Pysyvä nurmi Pauli Pethman Haikula Oy 1 Viherryttämistuki Viherryttämisen vaatimukset Viljelyn monipuolistaminen Pysyvien laitumien säilyttäminen Ekologinen ala Vaatimus
LisätiedotLatuviitan Landsat-mosaiikki Itämeren alueelta
Latuviitan Landsat-mosaiikki Itämeren alueelta Summary: A public domain 7 band thematic Landsat mosaic which covers the whole Baltic Sea area. Combined from 159 full Landsat 7 ETM+ scenes from year 1999-2002.
LisätiedotMaatilan ympäristötoimenpiteet. ja talous. Sari Peltonen ProAgria Keskusten Liitto
Maatilan ympäristötoimenpiteet ja talous Sari Peltonen ProAgria Keskusten Liitto MT 7.10.2009 Yhtälö oli viime keväänä vaikea: viljelyn kustannukset nousujohteiset, sadon hinta pohjalla, varastot täynnä
LisätiedotHiidenveden vedenlaatu 15.8.2005
LUODE CONSULTING OY 1636922 4 HIIDENVESIPROJEKTI Hiidenveden vedenlaatu 15.8.2005 Mikko Kiirikki, Antti Lindfors & Olli Huttunen Luode Consulting Oy 24.10.2005 LUODE CONSULTING OY, OLARINLUOMA 15, FIN
Lisätiedot1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI
1. OHJAAMATON OPPIMINEN JA KLUSTEROINTI 1 1.1 Funktion optimointiin perustuvat klusterointialgoritmit Klusteroinnin onnistumista mittaavan funktion J optimointiin perustuvissa klusterointialgoritmeissä
LisätiedotFysikaaliset menetelmät metsien kaukokartoituksessa
Fysikaaliset menetelmät metsien kaukokartoituksessa Miina Rautiainen Metsätieteiden laitos, Helsingin yliopisto Image: Jacques Descloitres, NASA/GSFC Metsätieteen päivä, 12.11.2014 Kaukokartoitus luonnontieteellisenä
LisätiedotKaukokartoitusaineistot ja maanpeite
Kansallinen maastotietokanta hanke Maasto-työpaja 20.9.2016 Kaukokartoitusaineistot ja maanpeite Pekka Härmä Suomen Ympäristökeskus 1 Sisältö SYKE tietotarpeet Tietolähteet maanpeitetiedon tuottamisessa
LisätiedotPääkaupunkiseudun ja Vantaan vesistöalueen vettä läpäisemättömien pintojen kartoitus Soil sealing rasteriaineistolla
Pääkaupunkiseudun ja Vantaan vesistöalueen vettä läpäisemättömien pintojen kartoitus Soil sealing rasteriaineistolla Johdanto Ilmastonkestävä kaupunki työkaluja suunnitteluun (ILKKA) hankkeessa on selvitetty
LisätiedotAjantasaistus, kartat ja pinta-alat
Ajantasaistus, kartat ja pinta-alat EU-avustajakoulutukset 19-26.3.2013 8.3.2013 AJANTASAISTUS = ilmakuvien päivitystä Ajantasaistusta tehdään peruskarttalehtineljännes kerrallaan, kuntarajoista riippumatta
LisätiedotVALKUAIS- JA PALKOKASVIT
VALKUAIS- JA PALKOKASVIT Uudistuneessa tukijärjestelmässä 13.3.2015 Sisältö Valkuaiskasvipalkkio Viherryttämisvaatimukset Palkokasvit eräissä ympäristökorvauksen toimenpiteissä Suorat tuet Nuorten tuki
LisätiedotKOTOMA-hanke. Maatalouden vesiensuojelutoimenpiteiden kohdentaminen. Parkkila Pekka
KOTOMA-hanke Maatalouden vesiensuojelutoimenpiteiden kohdentaminen 21.11.2018 KOTOMA- hanke Hanke alkoi 1.11.2016 ja päättyi 30.6.2018 Hanketta koordinoi Varsinais-Suomen ELY-keskus Yhteistyössä: Ympäristöministeriö
LisätiedotMäärittelydokumentti
Määrittelydokumentti Aineopintojen harjoitustyö: Tietorakenteet ja algoritmit (alkukesä) Sami Korhonen 014021868 sami.korhonen@helsinki. Tietojenkäsittelytieteen laitos Helsingin yliopisto 23. kesäkuuta
LisätiedotJokivesien sameusalueet rannikolla vuosien 2003 2015 satelliittikuvista arvioituna
12.4.2016 Jokivesien sameusalueet rannikolla vuosien 2003 2015 satelliittikuvista arvioituna Jenni Attila TK/SYKE Hanna Alasalmi TK/SYKE Eeva Bruun TK/SYKE Kari Kallio MK/SYKE Antti Räike/MK/SYKE jenni.attila@ymparisto.fi,
LisätiedotKaukokartoitusaineistot ja maanpeite
Kansallinen maastotietokanta hanke Maasto-työpaja 20.9.2016 Maanmittauslaitos Kaukokartoitusaineistot ja maanpeite Pekka Härmä Suomen Ympäristökeskus 1 Sisältö SYKE tietotarpeet / kokemukset maanpeiteseurannassa
LisätiedotTeledyne Optech Titan -monikanavalaser ja sen sovellusmahdollisuudet
Teledyne Optech Titan -monikanavalaser ja sen sovellusmahdollisuudet Jan Biström TerraTec Oy TerraTec-ryhmä Emoyhtiö norjalainen TerraTec AS Liikevaihto 2015 noin 13 miljoonaa euroa ja noin 90 työntekijää
LisätiedotRavinnehuuhtoumien mittaaminen. Kirsti Lahti ja Pasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry
Ravinnehuuhtoumien mittaaminen Kirsti Lahti ja Pasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry RaHa-hankkeen loppuseminaari 17.6.2014 18.6.2014 1 Mitä hankkeessa tavoiteltiin? Kehittää
LisätiedotKaukokartoitus luonnonmaantieteessä 2016
Kaukokartoitus luonnonmaantieteessä 2016 Ohjeita satelliittikuvien käsittelyyn ArcGIS-ohjelmistossa Olli Karjalainen (Mari Pukkisen ja Miia Parviaisen ERDAS Imagine 2013 -opetusmonisteeseen pohjautuen)
LisätiedotAutomaattimittarit valuma-alueella tehtävien kunnostustoimien vaikutusten seurannassa
Automaattimittarit valuma-alueella tehtävien kunnostustoimien vaikutusten seurannassa Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry 14.6.2017 Esityksen sisältö Miksi automaattimittauksia kannattaa
LisätiedotSisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4
Sisällysluettelo ESIPUHE 1. PAINOKSEEN... 3 ESIPUHE 2. PAINOKSEEN... 3 SISÄLLYSLUETTELO... 4 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 6 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA... 7 1.2 AIHEESEEN PEREHTYMINEN...
LisätiedotKilpailutettavat vuokrapellot 2016-2020
Kilpailutettavat vuokrapellot 2016-2020 Tarjousten jättöaika 25.11-16.12.2015 Peltokokonaisuuksia vuokrataan tarjousten perusteella Hämeenlinnan kaupunki tarjoaa vuokrattavaksi 21 peltokokonaisuutta (yht.
LisätiedotERDAS IMAGINE 2013 - OPETUSMONISTE
1 ERDAS IMAGINE 2013 - OPETUSMONISTE Landsat 7 ETM+ -satelliitin kuva (R: 7, G: 4, B: 3) ja vinovalovarjostustaso (hillshade) Pellon, Ylitornion ja Rovaniemen rajalta Mari Pukkinen Miia Parviainen 2013
LisätiedotViljelykierron ja talviaikaisen kasvipeitteisyyden lisääminen
Viljelykierron ja talviaikaisen kasvipeitteisyyden lisääminen 13.10.2011 Ympäristö- ja luonnonvarat vastuualue, Kari Koppelmäki, Luonto ja maaseutu yksikkö 1 RaHa-hanke Tavoitteena edistää vesiensuojelun
LisätiedotVärijärjestelmät. Väritulostuksen esittely. Tulostaminen. Värien käyttäminen. Paperinkäsittely. Huolto. Vianmääritys. Ylläpito.
Tällä tulostimella voidaan tulostaa värillisiä asiakirjoja. Värituloste herättää huomiota, lisää arvostusta ja tulosteen tai tietojen arvoa. käyttö lisää lukijoiden määrää, sillä väritulosteet luetaan
LisätiedotMetsämuuronen: Tilastollisen kuvauksen perusteet ESIPUHE... 4 SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 2. AINEISTO...
Sisällysluettelo ESIPUHE... 4 ALKUSANAT E-KIRJA VERSIOON... SISÄLLYSLUETTELO... 6 1. METODOLOGIAN PERUSTEIDEN KERTAUSTA... 8 1.1 KESKEISTEN KÄSITTEIDEN KERTAUSTA...9 1.2 AIHEESEEN PEREHTYMINEN...9 1.3
LisätiedotBiomassatulkinta LiDARilta
Biomassatulkinta LiDARilta 1 Biomassatulkinta LiDARilta Jarno Hämäläinen (MMM) Kestävän kehityksen metsävarapalveluiden yksikkö (REDD and Sustainable Forestry Services) 2 Sisältö Referenssit Johdanto Mikä
LisätiedotNyt on aika miettiä oman tilan lohkokohtaisia toimia! 30.03.2015
Nyt on aika miettiä oman tilan lohkokohtaisia toimia! 30.03.2015 Kaikki voimassa olevat ympäristötuen sitoumukset lakkaavat tai raukeavat tänä keväänä, ja viljelijä voi halutessaan liittyä uuteen järjestelmään.
LisätiedotVesiensuojelutoimenpiteiden vaikutusten mittaaminen vesistössä. Pasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry
Vesiensuojelutoimenpiteiden vaikutusten mittaaminen vesistössä Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry Esityksen sisältö Lyhyesti automaattisesta veden laadun seurannasta Kasvipeite/muokkaus/
LisätiedotPaikkatietoaineistot. - Paikkatieto tutuksi - PAIKKATIETOPAJA hanke 9.5.2007
Paikkatietoaineistot - Paikkatieto tutuksi - PAIKKATIETOPAJA hanke 9.5.2007 Maanmittauslaitoksen aineistoja PerusCD rasterimuotoinen (2 x 2 m) peruskartta-aineisto Maanmittauslaitoksen näyteaineistoa,
LisätiedotMaastokartta pistepilvenä Harri Kaartinen, Maanmittauspäivät
Maastokartta pistepilvenä 22.3.2018 Harri Kaartinen, Maanmittauspäivät 2018 1 Sisältö Pistepilvi aineistolähteenä Aineiston keruu Aineistojen yhdistäminen ja käsittely Sovellukset 22.3.2018 Harri Kaartinen,
LisätiedotMaatalouden vesiensuojelutoimenpiteiden vaikutukset vesistöissä
Maatalouden vesiensuojelutoimenpiteiden vaikutukset vesistöissä - tuloksia LOHKO-hankkeesta Pasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry Mistä tänään puhutaan? LOHKO- ja LOHKO
LisätiedotMittaustulosten tilastollinen käsittely
Mittaustulosten tilastollinen käsittely n kertaa toistetun mittauksen tulos lasketaan aritmeettisena keskiarvona n 1 x = x i n i= 1 Mittaustuloksen hajonnasta aiheutuvaa epävarmuutta kuvaa keskiarvon keskivirhe
LisätiedotKerääjäkasvien vaikutukset ravinnehuuhtoumiin
Kerääjäkasvien vaikutukset ravinnehuuhtoumiin - UusiRaha-hankkeen tuloksia 2016-2018 Pasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry Seurannan tausta ja tavoitteet 1 Salaojaveden
LisätiedotVÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA
VÄRISPEKTRIKUVIEN TEHOKAS SIIRTO TIETOVERKOISSA Juha Lehtonen 20.3.2002 Joensuun yliopisto Tietojenkäsittelytiede Kandidaatintutkielma ESIPUHE Olen kirjoittanut tämän kandidaatintutkielman Joensuun yliopistossa
LisätiedotPasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry. Esityksen sisältö. Automaattinen veden laadun seuranta ja sen tuomat hyödyt
Maatalouden vesiensuojelutoimenpiteiden vaikutusten todentaminen jatkuvatoimisilla mittauksilla rakennekalkki, jankkurointi, kevytmuokkaus, talviaikainen kasvipeitteisyys Vantaanjoen ja Helsingin seudun
LisätiedotOiva Niemeläinen, Luke Sieppari pellossa hankkeen seminaari Livia, Tuorla. Luonnonvarakeskus. Luonnonvarakeskus
Saaristomeren valuma-alueiden viljelyssä talviaikaisen kasvipeitteisyyden lisäys suotavaa Paimion- ja Aurajoen valumaalueiden viljelyn kuvausta Biomassa-Atlaksen avulla Oiva Niemeläinen, Luke Sieppari
LisätiedotJärvi 1 Valkjärvi. Järvi 2 Sysijärvi
Tilastotiedettä Tilastotieteessä kerätään tietoja yksittäisistä asioista, ominaisuuksista tai tapahtumista. Näin saatua tietoa käsitellään tilastotieteen menetelmin ja saatuja tuloksia voidaan käyttää
LisätiedotYmpäristökorvauksen syysilmoitus. Syksy 2016
Ympäristökorvauksen syysilmoitus Syksy 2016 Sisällysluettelo Hakijan tiedot ja ilmoitukset.............................. 3 Kirjautuminen ja laitteistovaatimukset......................... 8 Ohjeen tulostaminen...................................
LisätiedotEri maankäyttömuotojen aiheuttaman vesistökuormituksen arviointi. Samuli Launiainen ja Leena Finér, Metsäntutkimuslaitos
Eri maankäyttömuotojen aiheuttaman vesistökuormituksen arviointi Samuli Launiainen ja Leena Finér, Metsäntutkimuslaitos Tavoitteena selvittää kuormituslähteet ja kehittää menetelmiä kuormituksen arviointiin
LisätiedotSeurantatieto tarkentuu eri mittausmenetelmien tuloksia yhdistäen
Seurantatieto tarkentuu eri mittausmenetelmien tuloksia yhdistäen Pirkko Kauppila, Jenni Attila, Sari Mitikka, Juhani Kettunen, Kari Kallio ja Seppo Kaitala Suomen ympäristökeskus Limnologipäivät 10.-11.4.2013
LisätiedotViimeistely Ajourien huomiointi puutiedoissa ja lopullinen kuviointi. Metsätehon tuloskalvosarja 5/2018 LIITE 4 Timo Melkas Kirsi Riekki Metsäteho Oy
Viimeistely Ajourien huomiointi puutiedoissa ja lopullinen kuviointi Metsätehon tuloskalvosarja 5/2018 LIITE 4 Timo Melkas Kirsi Riekki Metsäteho Oy Viimeistely ajourien huomiointi ja lopullinen kuviointi
LisätiedotPuiden biomassan, puutavaralajien ja laadun ennustaminen laserkeilausaineistoista
Puiden biomassan, puutavaralajien ja laadun ennustaminen laserkeilausaineistoista MMT Ville Kankare Metsätieteiden laitos, Helsingin yliopisto Laserkeilauksen huippuyksikkö 8.3.2016 1 Sisältö I. Biomassaositteet
LisätiedotVisualisointi kansanedustajista neljässä eri ulottuvuudessa
Visualisointi kansanedustajista neljässä eri ulottuvuudessa Jaakko Talonen talonen.dm@gmail.com Johdanto Helsingin Sanomat julkaisi eduskuntavaalien 2011 vaalikoneensa avoimena tietona. Vaalikoneen tietojen
LisätiedotMiten maatalouden vesiensuojelutoimien tehoa voidaan mitata? Pasi Valkama Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry
Miten maatalouden vesiensuojelutoimien tehoa voidaan mitata? Vantaanjoen ja Helsingin seudun vesiensuojeluyhdistys ry Esityksen sisältö Kuormituksen muodostuminen Automaattinen veden laadun seuranta ja
LisätiedotPeruslohkomuutokset & kasvulohkojen jakaminen Viljelijätukihakukoulutus 2015
1 Peruslohkomuutokset & kasvulohkojen jakaminen Viljelijätukihakukoulutus 2015 Maaseutuvirasto / Tietohallinto-osasto 2 Vipu-palvelun kartat 3 Peruslohkomuutokset Peruslohkomuutokset Jako Yhdistäminen
LisätiedotGradu UASI-hankkeesta
Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit Heikki Jyväskylän yliopisto 8.3.2011 Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit 1 Johdanto ja motivointi Maatalouden
LisätiedotMAATALOUDEN VESIENSUOJELUKEINOT MUUTTUVASSA ILMASTOSSA. Projektipäällikkö Aino Launto-Tiuttu Eura
MAATALOUDEN VESIENSUOJELUKEINOT MUUTTUVASSA ILMASTOSSA Projektipäällikkö Aino Launto-Tiuttu 9.2.2013 Eura Maatalouden vesiensuojelun tehostaminen TEHO Plus -hanke (2011-2013) Toteutus Rahoitus Valtakunnallinen
LisätiedotYmpäristötalon seminaari Outi Kesäniemi
Vettä läpäisemätön pinta Seudullisessa maanpeiteaineistossa Ympäristötalon seminaari 24.11.2014 Outi Kesäniemi Sisältö 1) Seudullinen maanpeiteaineisto 1) Taustaa 2) Aineiston tuottaminen 2) Longinojan
LisätiedotMaanmittauspäivät 2014 Seinäjoki
Maanmittauspäivät 2014 Seinäjoki Parempaa tarkkuutta satelliittimittauksille EUREF/N2000 - järjestelmissä Ympäristösi parhaat tekijät 2 EUREF koordinaattijärjestelmän käyttöön otto on Suomessa sujunut
LisätiedotLuomutilan vaihtoehtoja uudella tukikaudella. Poimintoja Tukijärjestelmästä Ulla Turunen ProAgria Pohjois-Karjala
Luomutilan vaihtoehtoja uudella tukikaudella Poimintoja Tukijärjestelmästä Ulla Turunen ProAgria Pohjois-Karjala Esityksen tiedot perustuvat tukien valmistelutilanteeseen marras-joulukuussa 2014 ja tiedot
LisätiedotWP1: Inventory of existing data sources for land cover and land use
WP1: Inventory of existing data sources for land cover and land use GIS ja insitu aineistot maanpeitteestä ja maankäytöstä Minna Kallio, SYKE, Lucas-seminaari, 3.6.2015 Yleiskuvan saaminen aineistoista
LisätiedotMaatalousluonnon monimuotoisuus
Maatalousluonnon monimuotoisuus Kimmo Härjämäki Luonnon- ja riistanhoitosäätiö Hiidenveden kunnostus & LuVy & JÄRKI hankkeen viljelijäilta VIHTI 3.4.2013 Kuvat: Kimmo Härjämäki, ellei toisin mainita Esityksen
LisätiedotGIS hyvinvointitieteissä Case: MOPO-tutkimus
GIS hyvinvointitieteissä Case: MOPO-tutkimus Soile Puhakka Oulun yliopisto, Maantieteen tutkimusyksikkö Riitta Pyky Luonnonvarakeskus / ODL Liikuntaklinikka www.tuunaamopo.fi Maantieteellisen aineiston
LisätiedotKäytännön esimerkkejä maatalouden vesistökuormituksen vähentämisestä. Saarijärvi 19.3. 2014 Markku Puustinen Syke, Vesikeskus
Käytännön esimerkkejä maatalouden vesistökuormituksen vähentämisestä Saarijärvi 19.3. 2014 Markku Puustinen Syke, Vesikeskus 19.3.2014 Sisältö Ravinnekuormituksesta Maatalouden ympäristötoimenpiteistä
LisätiedotALKUSANAT... 4 ALKUSANAT E-KIRJA VERSIOON... 5 SISÄLLYSLUETTELO... 6
Sisällysluettelo ALKUSANAT 4 ALKUSANAT E-KIRJA VERSIOON 5 SISÄLLYSLUETTELO 6 1 PERUSASIOITA JA AINEISTON SYÖTTÖ 8 11 PERUSNÄKYMÄ 8 12 AINEISTON SYÖTTÖ VERSIOSSA 9 8 Muuttujan määrittely versiossa 9 11
LisätiedotYmpäristökorvaus 2015-2020 ohjelmaluonnos
Ympäristökorvaus 2015-2020 ohjelmaluonnos Juha Lappalainen 29.11.2013 Ohjelma on vasta luonnos Ohjelman lopullinen rahoitus, sisältö ja korvaustasot ovat vielä auki Valvontaan liittyviä asioita ei ole
LisätiedotJHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista. 1. Johdanto...
JHS 160 Paikkatiedon laadunhallinta Liite I: Esimerkkejä mitattavien laatutekijöiden osatekijöiden sovelluskohteista Sisällysluettelo 1. Johdanto...2 2. Täydellisyys...2 3. Looginen eheys...3 4. Sijaintitarkkuus...5
LisätiedotMikroskooppisten kohteiden
Mikroskooppisten kohteiden lämpötilamittaukset itt t Maksim Shpak Planckin laki I BB ( λ T ) = 2hc λ, 5 2 1 hc λ e λkt 11 I ( λ, T ) = ε ( λ, T ) I ( λ T ) m BB, 0 < ε
LisätiedotMynälahti Kosteikkotalouden pilotoinnin ydinalueeksi Anders Blom 12.1.2015 Turku
Mynälahti Kosteikkotalouden pilotoinnin ydinalueeksi Anders Blom 12.1.2015 Turku Mynälahti Pintavesien ekologinen tila 2014: välttävä Ruovikkoa: xx ha USGS/NASA Landsat Program Sensori: Landsat 8 OLI,
LisätiedotLiito-oravan elinympäristöjen mallittaminen Tampereen seudulla
Liito-oravan elinympäristöjen mallittaminen Tampereen seudulla Ari Nikula Metsäntutkimuslaitos Rovaniemen toimintayksikkö Ari.Nikula@metla.fi / Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest
Lisätiedot