Metsäkeilauksista suunnistuskarttoja?

Transkriptio

1 Metsäkeilauksista suunnistuskarttoja? Suunnistuskartoittajien talvipäivä Jussi Peuhkurinen

2 2 Arbonaut lyhyesti Perustettu 1994 Päätoimisto Joensuussa Sivutoimistot Helsingissä ja Vermontissa Konsultointi-, järjestelmätoimitus- ja tuotantopalvelutoimintaa liittyen paikkatietoon, kaukokartoitukseen ja luonnonvarojen seurantaan IT Metsien inventointi ja paikkatietoanalyysit Voimalinjojen kasvillisuusriskianalyysi REDD

3 3 Esityksen sisältö Laserkeilaukseen perustuva metsävarojen inventointi Käytettävät laserkeilausaineistot Mitä aineistoista voidaan tulkita suunnistuskartoittajien tarpeisiin? Mahdollisuudet Rajoitukset

4 Laserkeilaukseen perustuva metsävarojen inventointi 1 st (and only) return from ground 1 st return from tree top 2 nd return from branches 4 3 rd return from ground

5 Laserkeilaukseen perustuva metsävarojen inventointi 5 Kaksi tulkintamenetelmää Yksittäisten puiden tulkitseminen, ns. yksinpuintulkinta Aluetason tunnusten tilastollinen mallinnus, ns. aluepohjainen tulkinta

6 Laserkeilaukseen perustuva metsävarojen inventointi 6 Yksinpuintulkinta Yritetään rajata laseraineiston perusteella yksittäisten puiden latvukset Ennustetaan puulle dimensiot rajatun alueen laserpistehavaintojen perusteella Lasketaan tulkitut puut yhteen ja saadaan alueen kokonaistunnukset

7 Laserkeilaukseen perustuva metsävarojen inventointi 7 Yksinpuintulkinta Vaatii suuren laserpistetiheyden, yli 4 pulssia / neliömetri Yksittäisten puiden rajaaminen vaikeaa Lopputulos usein harhainen

8 Laserkeilaukseen perustuva metsävarojen inventointi 8 Aluepohjainen tulkinta Lasketaan tilastollisia tunnuslukuja alueen laserpistepilvestä Mitataan maastossa koealoja Laaditaan tilastollisia ennustemalleja laserpistepilvestä laskettujen tunnusten ja maastomittaustietojen välille Ennustetaan mallilla tunnukset alueille, joissa ei ole maastotietoa

9 Laserkeilaukseen perustuva metsävarojen inventointi 9 Aluepohjainen tulkinta Alhainen pistetiheys riittää, alle 1 pulssi / neliömetri Tilastollisella mallilla voidaan ennustaa periaatteessa mikä vain tunnus, joka korreloi laserhavaintojen kanssa Lopputulos harhaton suuralueella Suuri pistetiheys ei merkittävästi lisää ennusteen hyvyyttä verrattuna kustannuksiin (lentokorkeus, laserkeilaimen ominaisuudet) Laserhavainnot oltava kuitenkin yhteneviä laseraineisto kerätty samalla keilaimella, samaan kasvukauden aikaan, samoilla keilausparametreilla

10 10 Käytettävät laserkeilausaineistot Metsien inventoinnissa käytetään pääsääntöisesti aluepohjaista tulkintaa Pistetiheys alhainen Pistepilven ominaisuudet oltava tasalaatuiset Esimerkiksi lehdetön tai lehdellinen aineisto Lehdetön aika lumien lähdöstä kasvukauden alkuun (kasvukausi alkaa huhtikuun lopun ja toukokuun lopun aikoihin), ns. kevätaineisto Lehdellinen aika lehden puhjettua kokonaan lehtien kellastumiseen ja lähtöön saakka, ns. kesäaineisto

11 11 Käytettävät laserkeilausaineistot Suomen pinta-alasta noin 70 % metsää Laserkeilaukseen perustuvaa metsien inventointia tehdään Suomessa vuosittain 1-2 milj. hehtaaria Suuren vuosittaisen pinta-alan ja kevätkeilauksen lyhyen aikaikkunan takia metsäkeilauksista suuri osa tullaan tekemään lehdelliseen aikaan kesäkeilauksina Metsäninventoinnin kannalta laserkeilausaineisto vanhenee noin 2 vuodessa Inventointisykli on noin 10 vuotta -> sama alue keilataan uudestaan noin 10 vuoden kuluttua

12 12 Esimerkiksi Arbonaut Oy:n metsien laserkeilaushankkeet Suomessa Asiakkaat: MK Pohjois-Pohjanmaa MK Etelä-Pohjanmaa MK Rannikko MK Pirkanmaa MK Lounais-Suomi MK Pohjois-Savo Metsähallitus UPM Ahlström MHY Pohjois-Karjala Metsämannut 5. helmikuuta 2011 Jussi Peuhkurinen

13 13 Käytettävät laserkeilausaineistot Kevät- ja kesälaserin erot Maanpinnan tarkka havaitseminen Muiden kohteiden havaitseminen

14 14 Käytettävät laserkeilausaineistot Harvan ja tiheän laseraineiston erot Maanpinnan tarkka havaitseminen Muiden kohteiden havaitseminen

15 Mitä aineistoista voidaan tulkita? 15 Maanpinnan tarkka korkeusmalli Tuotetaan aina metsätulkinnan yhteydessä (tarvitaan kasvillisuushavaintojen korkeuden normalisointiin) Voidaan tuottaa useassa eri formaatissa (käyrät, TIN, rasteri)

16 Mitä aineistoista voidaan tulkita? 16 Pistemäiset ja viivamaiset kohteet Harvasta pisteaineistosta rakennukset melko hyvin Pienemmät pistemäiset kohteet ja kapeat viivamaiset kohteet, kuten voimalinjapylväät ja linjat on vaikea tulkita luotettavasti Pistemäisten ja viivamaisten kohteiden tulkinta vaatii tiheän pisteaineiston tai ilmakuvan

17 Mitä aineistoista voidaan tulkita? 17 Tiet ja ojat Saadaan tulkittua melko hyvin Automaattista tulkintaa kehitetty myös metsäteiden ja metsäojaverkon tulkintaan

18 Mitä aineistoista voidaan tulkita? 18 Kasvillisuuden tiheys Tuotetaan aina metsätulkinnan yhteydessä

19 Mitä aineistoista voidaan tulkita? 19 Automaattikuviointi Tuotetaan aina metsätulkinnan yhteydessä

20 Mitä aineistoista voidaan tulkita? 20 Tulkinnan haasteita Suon ja kivennäismaan raja Vesistöjen rajaus, jos paljon rantakasvillisuutta (laserhavaintoja ei saada vedestä) Pistemäisten ja viivamaisten kohteiden havainnointi Kasvillisuuden alla olevien kohteiden havainnointi Laser katsoo maastoa lintuperspektiivistä Ero ilmakuvien stereotulkintaan: Laserpistehavainnot eivät ole aidosti 3D aineistoa vaan 2,5D aineistoa

21 21 Lopuksi Aineistoja on jo monelta alueelta ja joka vuosi tulee lisää Arkistomateriaali on halpaa (~10 senttiä/ha) Moni suunnistuskartan pohjamateriaali tuotetaan metsätulkinnoissa ja analyysimenetelmät ovat pitkälle automatisoituja ja nopeita Harvalta laserkeilausaineistolta ei ole teoreettisestikaan mahdollista tuottaa kaikkea samaa informaatiota kuin stereoilmakuvalta