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, Assi Pekkarie ja Sakari Tuomie Pekka Hyvöe Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus puustotuuste ei-parametrisessa estimoiissa Hyvöe, P., Pekkarie, A. & Tuomie, S Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus puustotuuste ei-parametrisessa estimoiissa. Metsätietee aikakauskirja /2007: Assi Pekkarie Sakari Tuomie Tutkimuksessa tarkasteltii ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuutta puustotuuste ei-parametrisessa estimoiissa. Aieistoa oli kolmesta ilmakuvasta koostetu ortoilmakuvamosaiiki 0 alueelta mitattu segmettiaieisto. Segmettie lukumäärä oli 467 kpl, pita-ala 63,8 ha ja keskimääräie koko 0,35 ha. Segmetoiti tehtii ilmakuva sävyarvoje perusteella. Segmetit paikaettii ja iide segmetti- ja puustotiedot talleettii tiedokeruulaitteelle. Tiedokeruulaitteessa käytettii ilmakuva- ja segmettiraja-aieistoa taustakarttoia sekä GPS-sijaititietoa apua paikatamisessa. Segmettie puustotuuste estimaatit laskettii segmettie spektrisiä omiaisuuksia ja k-lähimmä aapuri (k) meetelmää käyttäe ja iide luotettavuutta tarkasteltii ristiivalidoiilla. Käytäö sovellustilaetta jäljiteltii simuloimalla otoksia sävyarvoje perusteella ositettuu segmettiaieistoo. Otaa luotettavuutta tarkasteltii osittee keskitilavuude keskiarvo keskivirheellä. Estimoiissa puustotuuste suhteelliset keskivirheet vaihtelivat 36,8 %: (keskiläpimitta) ja 56,3 %: (lehtipuu tilavuus) välillä. Keskitilavuude keskivirhe oli 55, %. Otaa simuloiissa piei keskitilavuude keskiarvo keskivirhe 36,0 m 3 ha saatii ositemäärällä 40 ja käyttämällä otaassa suhteellista kiitiöitiä. Tarkasteltu meetelmä havaittii jatkotutkimukse arvoiseksi, vaikka tarkkuus ei tämä tutkimukse perusteella vielä riitä sovellettavaksi käytäö metsätaloudessa. Asiasaat: kuvioittaie arvioiti, metsävarat, segmetoiti, otata, ivetoiti, ilmakuva Yhteystiedot: Hyvöe, Metla, Joesuu toimitayksikkö, PL 68, 800 Joesuu; Pekkarie, Joit Research Cetre of the Europea Commissio, Istitute of Eviromet ad Sustaiability, Lad Maagemet ad Natural Hazards Uit, T.P. 26, I-2020 Ispra (VA), Italy; Tuomie, Metla, Helsigi toimipaikka, Uioikatu 40 A, 0070 Helsiki. Sähköposti pekka.hyvoe@metla.fi Hyväksytty

2 Metsätietee aikakauskirja /2007 Johdato Kuvioittaie arvioiti o Suomessa jo pitkää ollut hallitseva metsätaloude suuittelu tiedokeruumeetelmä. Kuvioittaista arvioitia o käytetty sekä ivetoiti- että metsätaloude järjestelymeetelmää (Poso 983). Kuvioittaise ivetoitimeetelmä päävaiheet ovat: ) eakkokuvioiti yleesä ilmakuvie pohjalta ja 2) kuviotietoje arvioiti ja rajaukse tarkistamie maastossa, jolloi arvioija käy jokaisella kuviolla. Kuvioittaisella arvioiilla toteutetu tiedokeruu tulokset talleetaa yleesä metsätietojärjestelmää, joka tietosisältö koostuu tyypillisesti kuvioide sijaiti- ja omiaisuustiedoista. Kuvioittaise arvioii merkittävää etua o se, että se tuottaa metsätaloude suuittelu vaatimat toimepideyksiköt ja toimepidesuositukset. Tähä liittyy myös kuvioittaise arvioii merkittävä ogelma: kuviot rajataa lähiä toimepideyksiköiä eikä puusto- ja kasvupaikkatuuksiltaa homogeeisiä metsiköiä. Lisäksi metsähoito- ja hakkuutoimepiteet eivät useikaa oudata kuvioide rajausta, mikä vaikeuttaa kuvioide käyttöä suuittelujaksoa pidempiaikaisessa metsävaroje seuraassa (Hyvöe ja Korhoe 2003). Edellee, kuvioide rajaus o subjektiivista, ja metsikkökuvio o jo käsitteeä epämääräie. Site eri hekilöide samalle alueelle tekemät kuvioiit voivat poiketa toisistaa huomattavasti, koska s. oikeaa kuvioitia ei voida objektiivisesti määritellä. Alueellisee metsäsuuitteluu suuatut voimavarat ovat ykyisellää rajalliset suhteessa kerättävää tietomäärää. Kuvioittaie arvioitimeetelmä o luoteeltaa maastotyöitesiivistä ja site kustauksiltaa ivetoitua pita-alaa kohti kallista. Lisäksi meetelmä tehostamie muutoi kui arvioititarkkuutta heiketämällä ei se luoteesta johtue ole juuri mahdollista. Toisaalta alueellise metsäsuuittelu kattavuus pyritää säilyttämää vähitääki etisellää. Kasallisessa metsäohjelmassa o yhdeksi tavoitteeksi asetettu tilakohtaiste metsäsuuitelmie määrä ostamie 75 %:ii yksityismetsie pita-alasta (Kasallie Metsäohjelma 999). Tähä tavoitteesee pääsemiseksi o maastossa tapahtuvaa tiedokeruuta tehostettava. Keioja metsäivetoii tehostamisee sekä kuvioarvioii subjektiivisuude vähetämisee Tutkimusartikkeli voisivat tarjota esimerkiksi kaukokartoitustiedo käytö lisäämie sekä otaa käyttö ivetoii maastotyö kohdetamisessa. Tämäkaltaise ivetoitimeetelmä ivetoitiyksikköä voidaa käyttää esimerkiksi kaukokuvie automaattisella segmetoiilla tuotettuja kuvasegmettejä. Segmetoiissa tarkoituksea o jakaa ivetoitava alue aputietoa käytettävä kaukokuva (esim. umeerie ilmakuva) avulla toisesa poissulkevii, spatiaalisesti yhteäisii ja sisäisesti homogeeisii yksiköihi, so. segmetteihi. Segmettie tehokas käyttö varsiaisessa ivetoititiedo tuottamisessa edellyttää sitä, että iide tietosisältö voidaa selvittää suhteellise pieellä maasto-otoksella. Tämä voidaa toteuttaa esimerkiksi kaksivaiheise otaa avulla. Ilmakuvatulkitaa o sovellettu aikaisemmi kaksivaiheise koealaotaa yhteydessä esimerkiksi 5. valtakua metsie ivetoiissa Pohjois-Suomessa (Poso ja Kujala 97). Kaksivaiheie otata perustuu siihe, että ivetoii eri vaiheissa käytetää samalaista otosyksikköä, mutta toise vaihee otoksee poimitaa vähemmä yksiköitä. Kaksivaiheisee otataa perustuvissa metsäivetoitisovelluksissa o esimmäise vaihee tietoa tyypillisesti käytetty kaukokartoitustietoa ja toise vaihee tietoa maastomittauksia. Kaksivaiheise otaa käyttö o perusteltua silloi, ku (esim. Tuomie ym. 2006): a) esimmäise vaihee tiedo hakkimie o edullisempaa kui toise vaihee tiedo b) toise vaihee tieto o tarkempaa kui esimmäise vaihee tieto c) esimmäise ja toise vaihee tieto ovat korrelaatiossa keskeää. Kaukokartoituskuvie segmetoitia ja segmettipohjaista puustotuuste estimoitia o kokeiltu mm. keskiresoluutio satelliittikuvilla ja korkea resoluutio ilmakuvilla. Esim. Mäkelä ja Pekkarie (200) sekä Hyvöe (2002) ovat tutkieet Ladsat TM -satelliittikuva ja Pekkarie (2002b) sekä Pekkarie ja Tuomie (2003) ilmakuva käyttöä segmetoii perustaa. Näissä tutkimuksissa puustotuuste estimoiissa käytetty maastoaieisto oli kerätty joko metsikkökuvioilta tai koealoilta. Samoi estimoiissa käytetyt kaukokuvapiirteet oli irrotettu joko metsikkökuvioilta tai koealoilta. Metsikkökuvio o kuiteki usei puustoltaa hete- 40

3 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus rogeeie eikä siksi ole välttämättä paras yksikkö piirreirrotuksee. Samoi koeala ympäriltä yhde tai useamma pikseli muodostamasta ikkuasta irrotetut kuvapiirteet voivat sisältää muide kui se kuvio piirteitä, jolla koeala keskipiste sijaitsee, varsiki jos keskimääräie kuviokoko o piei suhteessa kuvamateriaali spatiaalisee resoluutioo. Toisaalta yhde pikseli alueelta irrotettuihi piirteisii vaikuttavat voimakkaasti mahdolliset sijaitivirheet koeala paikatamisessa joko kuvalla tai maastossa. Edellä maiittuje syide vuoksi puustotuuste estimoii tarkkuus oki ollut pääosi alle kuvioittaiselle arvioiille asetettuje tarkkuusrajoje (Uuttera ym. 2002). Segmetoiti tuottaa yleesä metsikkökuvioita pieempiä ja homogeeisempia yksiköitä (esim. Hager 997, Pekkarie 2002a). Tämä vuoksi sekä piirteide irrotus että maastoaieisto keräämie tulisi tehdä segmeteiltä. Tällöi piirteet ja puustotuukset vastaavat todeäköisesti paremmi toisiaa. Toisaalta, segmettejä voidaa myös käyttää metsikkökuvioide muodostamisee ja kuvioide metsikkötuuste estimoitii. Ogelmaa pita-alaltaa piete segmettie mittaamisessa o pidetty iide paikatamista sekä todeäköisesti alhaista maastotyö tuottavuutta ja tätä kautta soveltuvuutta käytäö metsätaloutee. Tämä tutkimukse tavoitteea oli selvittää kuika luotettavasti metsikkötaso puustotuukset voidaa estimoida kaksivaiheista otataa, ilmakuvasegmettejä, segmeteittäi kerättyä maastoaieistoa ja ilmakuvilta irrotettuja spektrisiä piirteitä käyttäe. Toisea tavoitteea oli selvittää segmettipohjaise lähestymistava soveltuvuutta käytäö ivetoitii. Lisäksi työssä tarkasteltii ilmakuva sävyarvoje korjaukse vaikutusta puustotuusestimaattie tarkkuutee. 2 Aieisto 2. Tutkimusalue Tutkimusalue koostui kymmeestä erillisestä alueesta (A A0), jotka sijaitsevat Metsäkeskus Pohjois- Karjalassa Kotiolahde kuassa Puso kylässä lähellä Koli Kasallispuistoa (kuva ). Tutkimusaluee metsät olivat pääosi havupuuvaltaisia sekametsiä. Tutkimusaluee metsie kehitysluokat vaihtelivat taimikoista uudistuskypsii metsii. Vallitsevat kehitysluokat olivat uoret ja varttueet kasvatusmetsät. Tutkimusaluee korkeus vaihteli välillä metriä merepia yläpuolella. Koealoista 7 % sijaitsi yli 200 metri korkeudella ja 76 % metri korkeudella. Tutkimusalueide keskeisimmät segmetti- ja puustotuukset o esitetty taulukossa. 2.2 Kuvamateriaali Tutkimusalueelta hakittii kolme vääräväri-ilmakuvaa, jotka oli kuvattu Ilmakuvie rajat Taulukko. Tutkimusalueide keskeisimmät segmetti- ja puustotuukset. Tuus Alue A A2 A3 A4 A5 A6 A7 A8 A9 A0 Segmettejä, kpl Kiveäismailla soilla, kpl Pita-ala, ha 23,8 53,6,0 5,8 7,5 0,2 3,4 8,5 9,8 0,2 Ikä, a 50, 64,3 39,9 76, ,3 64,0 4, 56,3 53,8 Pohjapita-ala, m 2 ha 8,8 8,9,9 2,6 5,,9 6,0 6,3 5,9 22,2 Keskiläpimitta, cm 5,3 8,0 0,7 20,8 4,9 4,6 22,6 8,3 2,2 2, Keskipituus, m,9 3,4 8,8 6,0 2,,6 8, 5,7 3,4 8, Keskitilavuus, m 3 ha 38,4 48,9 80,0 78, 00,8 90,7 59,8 2,6,7 202,3 Mäy keskitilavuus, m 3 ha 32,4 68,7 48,5 44,2 20,4 29,4,5 3,7 6,0 7,8 Kuuse keskitilavuus, m 3 ha 92,7 55,5 27,5 9,9 44,8 44,6 89,9 32,7 89,0 34,2 Lehtipuu keskitilavuus, m 3 ha 3,6 24,6 4,0 4,0 35,6 6,6 58,4 57,2,7 96,3 4

4 Metsätietee aikakauskirja /2007 Tutkimusartikkeli Kuva. Tutkimusalueide A A0 sijaiti käytettyje ilmakuvie alueilla Pusossa. o esitetty kuvassa. Kuvat skaattii umeerisee muotoo 4 μm resoluutiolla ja talleettii kolmekaavaisee (lähi-ifra, puaie ja vihreä) TIFF formaattii. Skaatut kuvat orto-oikaistii yhteäiskoordiaatistoo käyttäe apua umeerista korkeusmallia (25 m: rasteri) ja peruskarttaa sekä maastossa GPS: avulla paikaettuja tukipisteitä. Kuvie oikaisumalli kokoaisvirhe vaihteli välillä 3,3 4,8 m. Oikaistuista kuvista muodostettii tutkimusaluee kattava ortoilmakuvamosaiikki (koko,0 km,7 km) 0,5 m: maastoresoluutiolla. 2.3 Maastoaieisto Puustotuuste estimoiissa käytetty maastoaieisto kerättii kesie 2002 ja 2003 aikaa. Koska tutkimukse yhteä tarkoituksea oli testata ilmakuva sävyarvokorjaukse vaikutusta puustotuukse estimoii tarkkuutee, tutkimusalueet sijoitettii ilmakuvamosaiiki eri osii. Kesä 2002 aikaa mitatut alueet, A ja A2, sijoitettii suoraa ilmakuvamosaiikille. Kesä 2003 mittauste allokoimiseksi ja sopivie alueide löytämiseksi koko segmettiaieisto klusteroitii 400 ositteesee käyttäe segmettie sävyarvoje keskiarvoja ja hajotoja sekä k-meas -algoritmia (MacQuee 967). Maastotiedo keruu tehostamiseksi työt kohdeettii alueille, joilla ositteide lukumäärä pita-alayksikköä kohde oli suuri. Tätä tarkasteltii 25 hehtaari (500 m 500 m) ruuduissa. Mittaukset kohdistettii kahdeksalle sellaiselle ruudulle jossa ositteide määrä oli vähitää 20 kpl. Mitattavat osa-alueet valittii äide ruutuje sisältä site, että e sisälsivät mahdollisimma usea osittee vierekkäi sijaitsevia segmettejä sekä edustava otokse ositteista. Ivetoitiyksikköä käytettii segmettejä, joille sijoitettii iide homogeeisuudesta ja koosta riippue 2 7 vaihtuvasäteistä relaskooppikoealaa. Mitattuje koealoje lukumäärä perustui aikaisempaa tietoo siitä, että metsäsuuittelussa käytettävä kuvio tarkkoje puustotuuste estimoiti edellyttää se koosta 42

5 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus riippue. 5 0 koeala mittaamista (Laasaseaho ja Päivie 986). Segmeteillä tarvittava koealamäärä arvioitii tätä pieemmäksi, koska segmetit ovat tyypillisesti pita-alaltaa metsikkökuviota pieempiä ja puustotuuksiltaa iitä homogeeisempia. Mitattuje segmettie keskimääräie pita-ala oli 0,35 ha ja iide pita-ala keskihajota 0,296. Mitattuje segmettie lukumäärä oli 467 kpl ja iille sijoitettii yhteesä 523 koealaa. Segmettie vaihteleva muodo ja piee keskimääräise pita-ala vuoksi iide paikatamiseksi ja mittaamiseksi maastossa käytettii paikauslaitetta ja karttatoimioilla varustettua tiedokeruulaitetta. Paikatamisessa ja tiedokeruussa käytetty ohjelmisto toteutettii käyttäe MapLT-karttakompoettia (GISet MapBox 2002, Torttila 2003). Ohjelmisto koostuu karttapohjaisesta käyttöliittymästä ja tiedokeruusovelluksesta. Ohjelmisto voi hyödytää sekä rasteri- että vektorimuotoista aieistoa. GPS-vastaaottime ollessa päällä mittaaja sijaiti maastossa äkyy tiedokeruulaittee äytöllä. Käytetty tiedokeruulaite oli Husky Fex2 (29 MHz, 32 MB RAM, 6.5 VGA). Käyttöjärjestelmää oli MS Widows CE sekä MS Widows HPC Paikauksessa käytetty GPS-vastaaoti oli Trimble NavGuide, joka paikaustarkkuus o oi 5 metriä. Sijaii differetiaalikorjausta ei käytetty mutta paikaukse tarkkuutta kotrolloitii vertaamalla sijaitia maastossa äytöllä esitettyy sijaitii. Koska yksittäiset samasta kohdasta talleetut GPS-sijaitipisteet saattavat poiketa toisistaa huomattavasti, koeala sijaitipiste talleettii vasta se jälkee, ku GPS-koordiaatit pysyivät samoia. Jokaisella koealalla mitattii silmävaraise kuvioittaise arvioii tapaa puusto keskiläpimitta, keskipituus, keski-ikä sekä pohjapita-ala tai rukoluku hehtaaria kohde puulajeittai ja jaksoittai (SOLMU. Metsäsuuittelu 2000). Lisäksi jokaisella segmetillä määritettii segmettikohtaisia tietoja kute maaluokka ja kasvupaikka. Puustoositteide määrä segmeteillä vaihteli välillä 8, keskimääri ositteita segmetillä oli 3,3. Maastossa mitattii vai kohteet, joilla ei ollut tehty metsähoidollisia toimepiteitä ilmakuvie oto ja maastotöide väliseä aikaa. Aluee A2 maastomittaukse teki metsätieteide opiskelija ja alueide A sekä A3 A0 Metsätutkimuslaitokse kettätöide ammattilaie. Maastomittaajilla oli myös ammattitaitoa ilmakuvie visuaalisesta tulkiasta. Tämä lisäsi osaltaa koeala paikatamisvarmuutta, koska mittaaja pystyi todetamaa olevasa maastossa tiedokeruulaittee äyttämässä paikassa. Koeala- ja segmettikohtaiset puustotiedot johdettii maastomittauksista MELA2002-ohjelmistolla (Redsve ym. 2002). Tutkimusalueide (A A0) segmettie määrät, pita-alat ja puustotuukset o esitetty taulukossa sekä alueide sijaiti kuvassa. 3 Meetelmät 3. Ilmakuvie segmetoiti Tutkimusaluee ilmakuvamosaiikki segmetoitii käyttäe Metsätutkimuslaitoksessa kehitettyä kaksivaiheista meetelmää. Meetelmä esimmäie vaihe perustuu k. ohjattuje puide meetelmä ideaa (Naredra ja Goldberg 980, Pekkarie 2002a), ja siiä etsitää homogeeiset siemealueet paikalliste reuavoimakkuuksie avulla. Siemealueide tuistamise jälkee e kuvaelemetit, jotka eivät kuulu iihi, liitetää siemealueisii vedejakaja (watershed) -tyyppise algoritmi avulla. Näi saatuja segmettejä kutsutaa iitiaalisegmeteiksi. Meetelmä toisessa vaiheessa iitiaalisegmettejä yhdistellää suuremmiksi yksiköiksi käyttäjä atamie pita-ala- ja samakaltaisuusparametrie mukaisesti (Pekkarie 2002b). Segmettie yhdistely toteutetaa ii, että aettua miimikokoa pieemmät iitiaalisegmetit liitetää sävyarvoltaa lähiä samakaltaisee aapurisegmettii. Segmettie samakaltaisuutta mitataa iide sävyarvoje keskiarvoje välisellä euklidisella etäisyydellä (kaava ). 2 i j i, ch j, ch ch= d( s, s ) = ( x x ) ( ) missä d(s i,s j ) = euklidie etäisyys segmettie i ja j välillä x i, ch = segmeti i sävyarvoje keskiarvo kaavalla ch = kaavie lukumäärä 43

6 Metsätietee aikakauskirja /2007 Tutkimusartikkeli Taulukko 2. Tutkimusalueide segmettie sävyarvoje keskiarvot ja keskihajoat. Ylempi rivi alkuperäie ilmakuvamosaiikki ja alempi sävyarvokorjattu. Kaava Alue A A2 A3 A4 A5 A6 A7 A8 A9 A0 Keskiarvo Lähi-ifra 35,8 06,9 35,3 7,4 39,5 65,2 39,9 45,6 72,6 3,5 05,3 98,5 92,4 96,4 49,8 8,8 0,0 20,6 04,5 9,6 Puaie 90,4 67,7 05,2 85,9 86, 8,4 98,9 86,9 30,6 83,7 79,6 83,2 05,6 80, 79,0 88, 98,6 67,6 85, 70,7 Vihreä 23,4 84,4 34,2 4,6 2,8 49, 26,9 2,4 6,4 2,9,0, 2,8 0,6 9,3 8,6 20,4 05,7 4,5 07,6 Keskihajota Lähi-ifra 3,5 29,4 26,6 35,2 30,4 25,2 30,5 30,2 3,7 26,9 29,7 33,4 22,4 35, 37,4 2,8 28,5 30, 23,3 29,4 Puaie 23,0 8,2 9,6 24,7 20,5 2,3 2,5 22,4 26,5 7,9 3,5 35,5 28,2 36,3 30,4 24,6 3,9 29,4 26,8 24,8 Vihreä 24,9 22,4 20,0 27,2 23,8 2,3 22,6 26,5 25,0 20,6 34,8 45,7 26,9 40,0 37,7 25,4 3,4 38,9 26,5 29,8 Segmetoitia varte ilmakuvamosaiiki resoluutio muuettii metrii ja se sävyarvoje kotrastia pehmeettii paikallisesti Gauss-suodatuksella. Resoluutio muuttamie ja kuva suodattamie o usei tarpee erittäi korkea spatiaalise resoluutio aieistoa käytettäessä, jos segmettie halutaa edustavaa metsikköä tai se osaa yksittäiste puide sijaa. (esim. Hyppäe 996, Pekkarie ja Tuomie 2003). Käytety suodatusikkua koko oli 3 3 pikseliä, ja suodatusta iteroitii 5 kertaa edellise iteraatio tuloskuva toimiessa aia seuraava suodatukse lähtökuvaa. Esimmäise ja toise vaihee segmetoieissa testattii eri parametreja mahdollisimma hyvä segmetoititulokse tuottamiseksi. Näide testie ja aikaisempie kokemuste perusteella voidaa todeta, että segmetoii tulokse kaalta ratkaisevi o toise vaihee yhdistelyssä käytettävä miimikokoparametri. Tässä työssä testattii erilaisia segmettie miimikokoja 00 ja pikseli väliltä ja segmetoitie tuloksia tarkasteltii visuaalisesti sekä tutkimalla segmettie homogeeisuutta. Visuaalisella tarkastelulla selvitettii segmetoiilla tuotettuje rajoje sijaititarkkuutta ja sitä, erottuivatko eri kehitysluokkii kuuluvat aapurimetsiköt omiksi segmeteiksee. Myös segmettie homogeeisuutta arvioitii visuaalisesti sekä laskemalla segmettie kaavakohtaie pita-alalla paiotettu variassi (kaava 2) koko segmetoidulle alueelle. var A i * var i ( 2) A total = i= missä = segmettie lukumäärä var i = segmeti i variassi A i = segmeti i pita-ala A = segmettie pita-ala Käytettäväksi valittii segmetoiti, joka sekä visuaalise tulkia että segmettie homogeeisuude perusteella arvioitii oistueimmaksi (kuva 2). Oistueimmaksi arvioidussa segmetoiissa miimikokoparametri arvoa käytettii 000:ta pikseliä (0, ha). Puustotuuste estimoitia varte umeerise ilmakuvamosaiiki sävyarvoja korjattii epäsymmetrise heijastukse aiheuttama sävyarvoje vaihtelu vähetämiseksi Metsätutkimuslaitoksessa kehitetyllä meetelmällä, jossa epäsymmetrise heijastukse vaikutuksesta kuva eri osissa sävyarvot korjataa referessikuva avulla metsikö tasolla re- 44

7 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus missä y i = mitattu puustotuus ŷ i = puustotuukse estimaatti d i = euklidie etäisyys i:eksi lähimpää aapurii k = aapurie lukumäärä Kuva 2. Tutkimusaluee A2 mitattuja segmettejä. Ilmakuva Blom Kartta Oy. feressikuvaa vastaaviksi (Tuomie ja Pekkarie 2004). Referessikuvaa käytettii Ladsat 7 ETM -satelliittikuvaa, jossa epäsymmetrise heijastukse vaikutus sävyarvoihi o huomattavasti vähäisempi kui ilmakuvilla. 3.2 Puustotuuste estimoiti Segmettie puustotuukset estimoitii k: lähimmä aapuri meetelmällä (mm. Muioe ja Tokola 990, Tomppo 990, Tokola ym. 996). Lähimmät aapurit määritettii segmeteille ilmakuvalta irrotettuje kuvapiirteide välise Euklidise etäisyyde perusteella. Käytetyt kuvapiirteet olivat segmettie sävyarvoje kaavakohtaiset keskiarvot ja keskihajoat sekä alkuperäiseltä että sävyarvokorjatulta ilmakuvalta. Estimoiissa lähimpiä aapureita paiotettii euklidise etäisyyde kääteisluvu eliöllä (kaava 3). k ˆ yi ( ) d y = i d i= i i= i k Estimoiissa testattii erilaisia k: arvoja ja tarkasteltii se vaikutusta keskitilavuude keskivirheesee (RMSE) ja harhaa. Tämä tarkastelu perusteella havaittii keskivirhee pieeevä selvästi k: kasvaessa yhdestä seitsemää, joka jälkee keskivirhe ei merkittävästi pieetyyt. Myös harha pysyi lähes samalla tasolla eri k: arvoilla. Myös esim. Tokola ym. (996), Mäkelä ja Pekkarie (200) ja Pekkarie (2002b) ovat teheet samasuutaisia havaitoja. Tämä perusteella puustotuuste estimoiissa käytettii seitsemää lähitä aapuria. Puustotuuste estimaattie luotettavuutta arvioitii käyttämällä s. ristiivalidoitia, missä kuki maastossa mitatu segmeti puustotuukset estimoitii muide maastossa mitattuje segmettie piirre- ja maastotietovektorie avulla. Puustotuuste estimaattie tarkkuutta tarkasteltii keskivirhee (kaava 4) ja harha (kaava 5) avulla. Näistä laskettii myös suhteelliset tuusluvut jakamalla absoluuttie arvo mitatulla keskiarvolla ja kertomalla se sadalla. RMSE= 2 i i i= 4 ( y yˆ ) ( y ˆ i yi ) harha = i= 5 missä o segmettie lukumäärä. Lisäksi keskitilavuude estimoii luotettavuutta tarkasteltii 50 m 3 ha ja 00 m 3 ha tilavuusluokissa oikeiluokitusproseti avulla (kaava 6). Siiä laskettii oikei luokiteltuje osuus tilavuusluokittai sekä yli koko aieisto. Koska oikeiluokitusprosetti voi ataa liia optimistisia tuloksia, luokitustuloste vertaamiseksi laskettii myös kappaarvo, K (Rosefield ja Fitzpatrick-Lis 986) oikei ( ) Oikeiluokitus-% = * 00 ( 6) missä oikei o oikeaa tilavuusluokkaa estimoituje segmettie määrä. ( ) 45

8 Metsätietee aikakauskirja /2007 Tutkimusartikkeli 3.3 Otaa simuloiti Vaikka edellä esitetty ristiivalidoitii perustuva tarkastelu ataa hyvä kuva aieisto ja meetelmä soveltuvuudesta puustotuuste estimoitii, ei se avulla voida hyvi arvioida meetelmä soveltuvuutta käytätöö, koska vastaava laajuise maastoaieisto keruu olisi liia aikaa vievää ja kallista. Käytäö sovellustilateessa ivetoitava alue segmetoitaisii ja segmetit jaettaisii ositteisii joki tai joideki kuvalta irrotettavie piirteide avulla ja tämä jälkee kustaki ositteesta mitattaisii maastossa vai muutama segmeti tiedot. Lopuksi mitattuje segmettie tiedot yleistettäisii samoje ositteide lopuille segmeteille. Tässä työssä käytäö tilaetta jäljiteltii simuloii avulla. Käytäö toteutukse simuloimiseksi segmettiaieisto ositettii segmeteiltä irrotettuje kuvapiirteide perusteella. Osittamie tehtii miimoimalla ositteide välistä segmettie sävyarvoje keskiarvoista ja -hajooista laskettua euklidiste etäisyyksie summaa. Koska käytäö toteutuksee tarvittavasta ositteide määrästä ei ollut selvää eakkokäsitystä, ositteide määrä vaikutusta ositekeskiarvoje välisee hajotaa tutkittii eri ositemääriä käyttäe (kuva 3). Koska ositukse tavoitteea oli homogeeiste ositteide muodostamie ja ositemäärä pitämie kohtuullisea käytäö sovellusta silmälläpitäe, päädyttii 40, 50 ja 60 osittee käyttöö. Kute kuva 3 osoittaa, suuremmilla ositemäärillä ositteide homogeeisuude suhteellie muutos o vähäie ja lisäksi suuremmilla ositemäärillä olisi segmettie lukumäärä ositteittai saattaut jäädä liia pieeksi. Kustaki ositteesta poimittii osa segmeteistä ja ositteelle laskettii keskitilavuusestimaatti äide poimittuje segmettie tilavuuksie keskiarvoa. Tätä estimaattia verrattii osittee kaikista segmeteistä laskettuu osittee keskitilavuutee. Mitattavie segmettie määrä ositteessa laskettii suhteellisella kiitiöiillä (kaava 7), missä otokse koko o suhteessa osittee kokoo (mm. Cochra 977, Kagas ym. 2003). Vaihtoehtoisea tapaa käytettii Neyma-kiitiöitiä (mm. Cochra 977, Kagas ym. 2003) (kaava 8), missä otosyksiköide määrä ositteessa oli suhteessa ositteesta laskettuje segmettie kaavittaiste sävyarvoje summie Kuva 3. Ositteide piirrekeskiarvoje hajota eri ositemäärillä. keskihajotaa ja osittee kokoo. Molemmat kiitiöiit tehtii kahdella tavalla. Esimmäisessä vaihtoehdossa ositteesta valittii vähitää yksi segmetti otoksee ja toisessa vaihtoehdossa vähitää kaksi. f h h = h ( 7) N h = * Nh * N S h Nh * N S L h= h ( 8) missä f h = otatasuhde ositteessa h h = otokse koko ositteessa h = otaassa mitattavie segmettie kokoaismäärä N h = osittee h koko N = aieisto koko S h = osittee h kaavittaiste sävyarvoje summie keskihajota L = ositteide kokoaismäärä Otata toteutettii simuloimalla otoksia ositettuu segmettiaieistoo. Otaassa jokaisesta ositteesta poimittii satuaisesti kiitiöii mukaie määrä segmettejä ja kuki segmetti hyväksyttii sama simuloii aikaa otoksee vai kerra. Otaassa mitattavie segmettie kokoaismääräksi asetet- 46

9 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus tii 00. Tällä haluttii varmistaa, että jokaisesta ositteesta tulisi vähitää yksi segmetti otataa. Laskelmissa segmettie kokoaismääräksi saattoi tulla yli 00, koska kiitiöiistä (kaavat 7 ja 8) saatu tulos pyöristettii lähimpää kokoaislukuu ja lisäksi toisessa vaihtoehdossa kaikista ositteista valittii vähitää kaksi segmettiä otoksee. Ositukse oistumista tarkasteltii laskemalla ositteide keskitilavuude keskihajoat koko aieistossa. Keskihajota laskettii myös paiottamalla osittee keskitilavuude keskihajotaa osittee suhteellisella pita-alaosuudella. Otaalla mitattuje segmettie tiedo yleistämise luotettavuutta tarkasteltii laskemalla ositteittai keskitilavuude keskiarvo keskivirhe (kaava 9) sekä osittee pita-alalla paiotettu koko segmettiaieisto keskiarvo keskivirhe (kaava 0). s.e. h = L s i= ( y y ˆ ) s 2 ( 9) s.e. = Ah * s.e. h ( 0) A h= missä s.e. h = osittee h keskitilavuude keskiarvo keskivirhe s.e. = pita-alalla paiotettu segmettiaieisto keskitilavuude keskiarvo keskivirhe s = simuloitie lukumäärä ositteessa y = osittee keskitilavuus ŷ = simuloii keskitilavuus A h = osittee h pita-ala A = ositteide (= segmettie) yhteie pita-ala Se sijaa iide absoluuttiset keskivirheet olivat pieemmät kui keskitilavuude. Suhteelliset harhat vaihtelivat välillä 7,3 0,8 %. Piei absoluuttie harha oli lehtipuu tilavuudella (0,2) ja suuri keskitilavuudella ( 5,9). Käytettäessä sävyarvokorjatulta ilmakuvalta haettuja piirteitä puustotuuste estimoitii, suhteelliset keskivirheet olivat,0 20, prosettiyksikköä suurempia kui käytettäessä alkuperäiseltä ilmakuvalta haettuja piirteitä (taulukko 3). Se sijaa suhteelliset harhat olivat sävyarvokorjatulla aieistolla muilla kui lehtipuu tilavuudella 0,3 4,3 prosettiyksikköä pieemmät kui alkuperäisellä aieistolla. Tarkasteltaessa estimoii luotettavuutta puhtaissa mäiköissä (mäy osuus yli 80 % kokoaistilavuudesta, 79 segmettiä) ja kuusikoissa (95 segmettiä), tulokset olivat koko aieistoa selvästi paremmat. Keskitilavuude suhteellie keskivirhe oli puhtaissa mäiköissä 2 prosettiyksikköä pieempi ja kuusikoissa 9 prosettiyksikköä pieempi kui koko aieistossa. Myös muilla puustotuuksilla suhteelliset keskivirheet olivat 2,8 2,6 prosettiyksikköä pieemmät kui koko aieistossa. Tarkasteltaessa estimoii tarkkuutta tilavuusluokittai, havaittii pieissä tilavuusluokissa estimoii aiheuttava tilavuude yliarvioitia ja suurissa tilavuusluokissa aliarvioitia (taulukko 4). Luokitustarkkuudessa ei juuri ollut eroa alkuperäise ja sävyarvokorjatu aieisto välillä. Estimoiti oistui parhaite iissä tilavuusluokissa, joissa oli eite havaitoja. Koko aieisto oikeiluokitusprosetti oli 50 m 3 ha tilavuusluokkavälillä sävyarvokorjatulla aieistolla 36 % (taulukko 4) ja 00 m 3 ha tilavuusluokkavälillä 52,5 %. 4 Tulokset 4. Puustotuuste estimoiti k-meetelmällä Alkuperäise aieisto ristiivalidoiissa pieimmät suhteelliset keskivirheet olivat keskipituudella (36,8 %) ja keskiläpimitalla (37,6 %) (taulukko 3). Puulajeittaiste tilavuuksie suhteelliset keskivirheet olivat selvästi suuremmat kui keskitilavuude. 4.2 Osittamie ja otata Segmettiaieisto osittamisessa ositteide välie segmettie sävyarvoje keskiarvoista ja iide keskihajooista laskettu ositteide välistä hajotaa kuvaava tuusluku pieei selvästi ositteide määrä lisäätyessä (kuva 3). Arvioidu puusto keskitilavuude keskihajota koko segmettiaieistossa pieei ositemäärä kasvaessa (taulukko 5). Pita-alalla paiottamattomat keskihajoat olivat pieempiä kui pita-alalla paiotetut arvot. 47

10 Metsätietee aikakauskirja /2007 Tutkimusartikkeli Taulukko 3. Puusto estimoii absoluuttiset (abs.) ja suhteelliset (%) keskivirheet (RMSE) ja harhat ristiivalidoiissa (k = 7). Ylempi rivi laskettu alkuperäisellä ilmakuvamosaiikilla ja alempi sävyarvokorjatulla. (Keskiarvo koko aieisto keskiarvo.) Tuus Keskiarvo RMSE Harha abs. % abs. % Ikä 53,5 22,0 4,0 2,0 3,6 22,5 42,0,4 2,6 Pohjapita-ala, m 2 ha 7,4 7,6 43,5 0,6 3,4 8,0 45,9 0,2, Keskiläpimitta, cm 7,3 6,5 37,6 0,4 2,3 7,0 40,4 0,4 2,0 Keskipituus, m 3,5 5,0 36,8 0,3 2,2 5,2 38,6 0,3,9 Keskitilavuus, m 3 ha 35,6 74,7 55, 5,9 4,4 77,2 56,9 2,,5 Mäy tilavuus, m 3 ha 42, 48,6 5,4 3, 7,3 50,2 9,2,3 3,0 Kuuse tilavuus, m 3 ha 64,6 58,6 90,8 3, 4,8 65,4 0,3,8 2,8 Lehtipuu tilavuus, m 3 ha 28,8 39,5 37,0 0,2 0,8 45,0 56,3 0,5 3,5 Taulukko 4. Alkuperäisellä ja sävyarvokorjatulla aieistolla estimoidu keskitilavuude oikeiluokitus 50 m 3 ha luokissa. Estimaatti Tilavuusluokka, m 3 ha >300 Yhteesä Oikei, % (UA) Alkuperäie aieisto , , , , , ,6 > ,4 Yhteesä Oikei, % (PA) 5,6 33,8 48,4 29,8 9,6 35,0 7,7 37,5 Sävyarvokorjattu aieisto , , , , , ,6 > ,3 Yhteesä Oikei, % (PA) 54,0 30,9 47,3 26,3 23,9 20,0 5, 36,0 48

11 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus Taulukko 5. Puusto keskitilavuude keskihajota (m 3 ha ) segmettiaieistossa eri ositemäärillä. Ositteita Puusto keskitilavuude keskihajota aieistossa Alkuperäie Sävyarvokorjattu Ei paiotusta Pita-ala-paiotus Ei paiotusta Pita-ala-paiotus 40 68,4 69,6 67,5 69, 50 65,9 67, 67,3 68, ,4 65,3 65,9 67,9 Taulukko 6. Keskitilavuude keskivirheet (m 3 ha ) segmettiaieistossa eri ositemäärillä ja eri otatameetelmillä. s.e. = keskivirhe, = segmettie määrä otaassa, 2suht = otoskoko kussaki ositteessa vähitää kaksi ja suhteellie kiitiöiti, Ney = otoskoko kussaki ositteessa vähitää yksi ja Neyma-kiitiöiti. Ositteide lukumäärä Alkuperäie Sävyarvokorjattu Alkuperäie Sävyarvokorjattu Alkuperäie Sävyarvokorjattu s.e. s.e. s.e. s.e. s.e. s.e. 2suht 36, ,3 0 38, 5 37,8 5 39, ,7 25 2Ney 36,7 3 37,9 37,7 9 38, , ,3 32 suht 38, ,0 0 42,5 99 4,3 0 43, ,9 97 Ney 4,7 99 4, , , 0 43, 2 48,5 03 Otaa simuloieissa koko aieisto keskitilavuude keskiarvo keskivirhe vaihteli välillä 35,3 48,2 m 3 ha (taulukko 6). Keskivirhe kasvoi hivee ositemäärä kasvaessa. Suhteellisella kiitiöiillä saatii vastaavaa Neyma-kiitiöitiä pieempi keskiarvo keskivirhe kahdeksassa tapauksessa ja Neyma-kiitiöiillä vastaavaa suhteellista kiitiöitiä pieempi eljässä tapauksessa. Ositteide lukumäärä ollessa 40 tai 50 suhteellisella kiitiöiillä sävyarvokorjatulla ilmakuvamosaiikilla saatii pieempiä keskivirheitä kui alkuperäisellä ilmakuvamosaiikilla. Neyma-kiitiöiillä tilae oli päivastoi. Ositteide lukumäärä ollessa 60 alkuperäisellä ilmakuvamosaiikilla saatii pieempiä keskivirheitä kui sävyarvokorjatulla. Kiitiöititavalla ei ollut vaikutusta keskivirheesee. Ku kiitiöititapa ja ositemäärä olivat vakioita, keskivirhe pieei otoskoo kasvaessa. 5 Tuloste tarkastelu Segmetoitiohjelma tuotti esimmäisessä vaiheessa sävyarvoiltaa homogeeisia alueita. Relaskooppikoealoihi pohjautuvia maastomittauksia ei äillä segmeteillä olisi voiut toteuttaa iide piee pita-ala vuoksi, jote iitä yhdisteltii toisiisa suuremmiksi kokoaisuuksiksi. Yhdistämie perustettii vai segmettie kokoo ja spektrisee samakaltaisuutee, eikä muotoa sääteleviä parametreja käytetty. Tämä vuoksi segmettie muoto oli hyvi vaihteleva (kuva 2), eivätkä kaikki segmetit muotosa vuoksi soveltueet maastossa mitattaviksi. Segmetit säilyivät yhdistämise jälkeeki spektrisesti homogeeisia ja iide sävyarvoje ja puustotuuste korrelaatiot olivat vähitää samaa tasoa kui aikaisemmissa vastaavissa tutkimuksissa (mm. Hager 997, Holopaie ja Wag, 998, Hyvöe 2002). Segmetteihi perustuva maastomittaus todettii periaatteessa mahdolliseksi tutkimukse aikaa ke- 49

12 Metsätietee aikakauskirja /2007 Tutkimusartikkeli hitety tiedokeruuohjelmisto avulla. Se ja käytety laitteisto avulla piete ja mutkikkaideki segmettie paikatamie oistui opeasti. Laittee suorituskyky oli ohjelmistoo ja käytettyihi aieistoihi suhteutettua rajallie, mikä hidasti ohjelma käyttöä, tiedosiirtoa ja kerättyje tietoje talleusta. Tämä lisäksi GPS sigaali heikkous saattoi välillä viivästyttää paikausta jolloi myös mittauksee tuli tauko. Koeala mittauksee käytetty aika oli karkeasti arvioide lähellä kuvioittaise arvioii koeala mittaukse aikaa. Yhde koeala mittauksee käytetty aika voitii laskea koealatietoje mittaukse yhteydessä talleetusta kello ajasta. Se perusteella segmeteillä, joissa oli mitattu vähitää kaksi peräkkäistä koealaa, oli keskimääräie koeala mittausaika oi 8 miuuttia. Mitattua pita-alaa aikayksikköä kohti kertyi vähä segmettie pieuude takia. Esim. Kakaa ym. (2002) tutkimuksessa, jossa koealoilta mitattii eljä puustotuusta, vaihteli koealalla käytetty aika. 5 3 miuuti välillä. Parhaat tulokset puustotuuste estimoiissa saatii keskipituudelle (RMSE 36,8 %) ja keskiläpimitalle (RMSE 37,6 %). Tulokset olivat hivee parempia kui Tuomise ja Pekkarise (2004) koealoihi ja osi samaa aieistoo (A, A2) perustueessa tutkimuksessa. Siiä sävyarvoje korjaus pieesi keskivirheitä huomattavasti, koska lähimmät aapurit haettii eri kuvalta kui millä estimoitava koeala sijaitsi. Tässä työssä sävyarvoje korjaus vaikutti vai pieetämällä harhaa muutamalla prosettiyksiköllä. Selvästi erilaiset tulokset johtuevat juuri lähimpie aapurie hausta; tässä työssä hakua ei ollut rajoitettu ja lähimmät aapurit löytyivät todeäköisesti samalta alueelta. Tutkimusalueet sijoitettii tarkoituksellisesti ilmakuvie eri osii ja puustoltaa vaihteleville alueille. Alueide sisällä sekä välillä oliki suurta vaihtelua sekä puustotuuksissa että sävyarvoissa (taulukot ja 2). Tämä vaikutti todeäköisesti myös siihe, että tulokset olivat hivee huoompia kui aikaisemmissa kuvioihi perustuvissa tutkimuksissa. Esimerkiksi Attila (2002) tutkimuksessa keskitilavuude keskivirhe oli 44, % ja Muiose ym. (200) 8 26 %. Molemmissa edellä maiituissa oli myös selvästi laajempi maastoaieisto käytettävissä kui tässä tutkimuksessa, mikä osaltaa selittää paremmat tulokset. Se sijaa Pekkarise (2002a) segmetteihi ja koealoihi perustuvassa työssä kokoaistilavuude keskivirhe oli 56,6 % eli lähes sama kui tässä tutkimuksessa. Myös tilavuusluokittai tarkasteltua Pekkarise (2002a) tulokset olivat tämä tutkimukse kassa samasuutaisia. Attila (2002) havaitsi keskitilavuude estimoii oleva luotettavampaa suurilla kui pieillä kuvioilla. Tämä voi johtua piete kuvioide rajoilla olevie pikselie, reuapikselie, suuresta suhteellisesta osuudesta verrattua kuvio pita-alaa. Reuapikselit voivat vaikuttaa kuvio sävyarvopiirteisii voimakkaasti ja sitä kautta estimoii luotettavuutee. Tässä työssä segmettie keskimääräie pita-ala oli 0,35 ha, jote huomattava osa segmettie pikseleistä oli tyypillisesti reuapikseleitä, mutta iide vaikutusta estimoitii ei eriksee tutkittu. Sävyarvoje lisäksi moissa tutkimuksissa o käytetty kuvapiirteiä erilaisia tekstuurituuksia (mm. Hager 997, Attila 2002, Tuomie ja Pekkarie 2005). Tuomie ja Pekkarie (2005) havaitsivat ilmakuvalta irrotettuje koealoittaiste sävyarvoje keskiarvoje korreloiva koeala puusto tilavuude kassa paremmi kui sävyarvoje hajotaa tai järjestyeisyyttä kuvaavie tekstuurituuste. Segmettie homogeeisuusoletukse vuoksi tässä tutkimuksessa päädyttii käyttämää sävyarvoje keskiarvoja vaikkaki reuapikseleide mahdollisesti aiheuttama ogelma tiedostettii. Tämä lisäksi käytettii sävyarvoje keskihajotoja, koska iide käytö havaittii laskeva kokoaistilavuude suhteellista keskivirhettä 7 prosettiyksikköä käytetystä aapurimäärästä riippue. O myös huomattava, että tekstuurituuste lasketa kapeilta ja mutkikkailta segmeteiltä voi tuottaa kohdesegmetille piirteitä aapurisegmeteiltä, mikä osaltaa aletaisi tekstuurituuste luotettavuutta. Tekstuurituuste vaikutusta estimoii luotettavuutee kaattaa kuiteki tarkastella jatkotutkimuksissa. Segmettie osittamisessa saatii samasuutaisia tuloksia kui aiemmiki (esim. Pekkarie ja Tuomie, 2003). Ositemäärä kasvaessa 20:stä 50:ee keskitilavuude keskihajota pieei 5 0 m 3 ha alueesta ja segmettie koosta riippue. Myös tässä tutkimuksessa keskitilavuude keskihajota pieei parhaimmillaa 5 m 3 ha, ku ositemäärä lisättii 40:stä 60:ee. Suuremmilla ositemäärillä keskihajota olisi todeäköisesti pieetyyt edellee, kute kuva 3 osoittaa. Aieisto pieuude ja simu- 50

13 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus loii testaamise vuoksi suurempaa ositemäärää ei katsottu järkeväksi käyttää. Suuremmat ositemäärät olisivat laskeeet ositekohtaista segmettie määrä eikä simuloiti olisi ataut realistista kuvaa meetelmä soveltuvuudesta käytätöö. Segmettie ositukse lopputulosta voitaisii todeäköisesti parataa käyttämällä esimerkiksi umeerista maaperäkarttaa ja segmetoimalla sekä osittamalla kiveäismaat ja suot eriksee. Käytäö sovellustilatee simuloiissa havaittii, että Neyma-kiitiöiissä tarvittii eemmä otoksia kui suhteellisessa kiitiöiissä. Tämä johtui siitä, että Neyma-kiitiöiissä ositteissa oli edellee suurta vaihtelua segmettie sävyarvoissa, mitä tietoa käytettii otoskoo määrityksessä. Kute edellä o todettu, aieistoo oli haettu vaihtelua todeäköisesti liikaa verrattua aieisto määrää. Myös segmettie koo kasvattamie isommiksi mittauste mahdollistamiseksi lisäsi segmettie heterogeeisuutta. Koska sekä ositemäärällä että kiitiöititavalla oli suuri vaikutus keskitilavuude keskivirheesee, tulisi äitä osa-alueita tarkastella syvällisemmi. Tarkempi aalyysi vaatisi laajempaa aieistoa kui tässä työssä oli käytettävissä Epäsymmetrise heijastukse aiheuttama ilmakuvie sävyarvoje erilaisuus kuva eri osissa aiheuttaa merkittävä ogelma varsiki ositukse ja estimoii kaalta, jotka perustuvat siihe, että samalaiste metsie tulisi kuvalla äyttää samalaisilta. Tätä ogelmaa voidaa vähetää käyttämällä tapauksee soveltuvaa sävyarvoje korjausmeetelmää. Segmetoiti ei paikallisea operaatioa ole juurikaa herkkä epäsymmetrise heijastukse aiheuttamille sävyarvovaihteluille, koska segmettie koko o hyvi piei verrattua tämä ilmiö esiitymismittakaavaa. Segmetoii erityiseä ogelmaa ovat se sijaa varjosegmetit. Metsä ja avoime aluee reuaa varjo puolelle (kuva 2) tai jopa harva metsä sisälle saattaa muodostua varjosegmettejä. Sävyarvoiltaa ämä tummat segmetit vastaavat vahoja havumetsiä, mutta iide puustotiedot voivat olla aiva muuta. Silloiki, ku varjoalue ei muodosta omaa segmettiä, suure puusto aukkoo jättämä varjoalue tulee virheellisesti liitetyksi (sävyltää samakaltaisee) suure puusto segmettii. Nämä segmetit sekoittivat todeäköisesti estimoitia ja osittamista. Keioja varjoje vaikutukse vähetämiseksi sekä estimoitii että osittamisee ei tässä työssä selvitetty. Tutkimukse perusteella segmetteihi perustuva metsävaratiedo keräämie tarjoaa yhde vaihtoehdo metsäsuuitteluu. Kute johdaossa o todettu, kuviot muodostetaa metsäsuuittelussa yleesä ajatelle tulevia toimepiteitä. Segmetit eivät yksiää ole toimepideyksiköiksi sopivia, mutta yhdistelemällä vierekkäisiä segmettejä kulloiseki tavoittee mukaa voidaa muodostaa joustavasti sopivia toimepideyksiköitä. Laiho (2004) teki tämä tutkimukse osa-aieistolla tarkasteluja mitattuje segmettie yhdistämiseksi isommiksi alueiksi. Yhdistämistä ohjasivat segmettie pita-ala, estimoidu puusto pituusero, pääpuulaji ja maapohjatiedot. Yhdistämise jälkee segmettie muodot läheivät metsäkeskukse suuittelija tekemää kuvioitia. Seuraavissa tarkasteluissa pitäisi selvittää kuika tuleva toimepitee ja se kiireellisyyde käyttämie segmettie yhdistämisehtoia vaikuttavat toimepideyksiköide muodostumisee. Tällaisessa tarkastelussa segmettie mittausajakohda toimepidetarpeet voidaa tuottaa suoraa mitatuista tuuksista ja tulevaisuude toimepidetarpeet kasvumalleilla ja simulaattorilla. Segmeteittäi toteutettua tulkitaa voidaa ilmakuvie lisäksi soveltaa myös muide kaukokartoitusaieistoje kassa. Erityise kiiostavaa olisi selvittää kuika tässä työssä kuvatu kaltaie meetelmä soveltuu yhdistety laserkeilaus- ja ilmakuva-aieisto tulkitaa. Esimerkiksi laserkeilausaieistoilla tehdyillä puustotuuste estimoieilla o saatu lupaavia tuloksia sekä puutasolla (esim. Holmgre ja Persso 2004, Yu ym. 2004) että koeala- ja kuviotasolla (esim. Næsset 997 ja 2002, Suvato ym. 2005). Pohjoismaista eteki Norja, Suomi ja Ruotsi ovat olleet vahvasti mukaa laseraieistoo perustuvassa tutkimustyössä (Næsset ym. 2004). Laseraieistoa käytettäessä segmetoiti pohjautuisi edellee ilmakuva sävyarvoihi mutta se lisäksi laserkeilausaieistosta saatavaa pituustietoa voitaisii käyttää yhteä lisäpiirteeä segmetoii tuloste paratamiseksi. Tämä voisi osaltaa pieetää varjoje aiheuttamaa ogelmaa segmettie muodostamisessa sekä sitä kautta parataa myös osittamise luotettavuutta. Puustotuukset voitaisii tuottaa yhdistettyy laser- ja ilmakuva-aieistoo perustue, koska ilmakuvaa tarvitaa aputietoa määritettäessä puulajia. 5

14 Metsätietee aikakauskirja /2007 Kiitokset Tämä tutkimus oli osa Metsätutkimuslaitoksessa Maa- ja metsätalousmiisteriö yhteistutkimusvaroi toteutettua Metsävaratietoje tuottamie ja ylläpito -tutkimushaketta. Kari T. Korhoe vastasi tutkimukse eteepäiviemisestä. Segmettimittauste maastotyö tekivät Hau Koivue ja Marko Neoe. Jaakko Heioe avusti otaa simuloii suuittelussa. Kaksi esitarkastajaa esittivät asiatutevia ja hyödyllisiä käsikirjoitusta koskevia kommetteja. Kiitämme edellä maiittuja. Kirjallisuus Tutkimusartikkeli Attila, P Noparametric estimatio of stad volume usig spectral ad spatial features of aerial photographs ad old ivetory data. Caadia Joural of Forest Research 32: Cochra, W.G Samplig techiques. Joh Wiley & Sos, New York. 428 s. GISet MapBox v MapLT data format descriptio. MapSplitter user s guide. GISet Solutios Filad, Helsiki. 0 s. Hager, O Textur i flygbilder för skattig av bestådsegeskaper. Sveriges Latbruksuiversitet, Umeå, Arbetsrapport s. Holmgre, J. & Persso, Å Idetifyig species of idividual trees usig airbore laser scaer. Remote Sesig of Eviromet 90(4): Holopaie, M & Wag, G The calibratio of digitized aerial photographs for forest stratificatio. Iteratioal Joural of Remote Sesig 9: Hyppäe, H Spatial autocorrelatio ad optimal spatial resolutio of optical remote sesig data i boreal forest eviromet. Iteratioal Joural of Remote Sesig 7(7): 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: & Korhoe, K.T Metsävaratiedo jatkuva ajatasaistus yksityismetsissä. Metsätietee aikakauskirja 2/2003: Kagas, A., Heikkie, E. & Maltamo, M Puustotuuste maastoarvioii luotettavuus ja ajameekki. Metsätietee aikakauskirja 3/2002: , Päivie, R., Holopaie, M. & Maltamo, M Metsä mittaus ja kartoitus. Silva Carelica s. Kasallie metsäohjelma Maa- ja metsätalousmiisteriö julkaisuja 2/ s. Laasaseaho, J. & Päivie, R Kuvioittaise arvioii tarkistamisesta. Folia Forestalia s. Laiho, J Ilmakuvalta automaattisesti muodostettuje segmettie soveltuvuus metsäsuuittelu lähtöaieistoksi. Metsäsuuittelu ja -ekoomia pro gradu -työ. Joesuu yliopisto, metsätieteellie tiedekuta. 48 s. + liitteet. MacQuee, J Some methods for classificatio ad aalysis of multivariate observatios. Volume of Proceedigs of the Fifth Berkeley Symposium o Mathematical statistics ad probability. Berkeley, 967. Uiversity of Califoria Press. s Muioe, E. & Tokola, T A applicatio of remote sesig for commual forest ivetory. Julkaisussa: The usability of remote sesig for forest ivetory ad plaig. Proceedigs from SNS/IUFRO workshop i Umeå February 990. Swedish Uiversity of Agricultural Scieces, Remote Sesig Laboratory, Report 4: , Maltamo, M., Hyppäe, H. & Vaiikaie, V Forest stad characteristics estimatio usig a most similar eighbor approach ad image spatial structure iformatio. Remote Sesig of Eviromet 78(3): Mäkelä, H. & 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(): Naredra, P. & Goldberg, M Image segmetatio with directed trees. IEEE Trasactios o Patter Aalysis ad Machie Itelligecy. Pami-2: Næsset, E Estimatig timber volume of forest stads usig airbore laser scaer data. Remote Sesig of Eviromet 6(2): Predictig forest stad chatacteristics with airbore scaig laser usig a practical two-stage procedure ad field data. Remote sesig of Eviromet 80(): , Gobakke, T., Holmgre, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsso, M., Olsso, H., Persso, Å. & Söderma, U Laser scaig of forest resources: the Nordic experiece. Scadiavia Joural of 52

15 Hyvöe, Pekkarie & Tuomie Ilmakuvasegmetteihi perustuva kaksivaiheise otaa luotettavuus Forest Research 9: Pekkarie, A. 2002a. Image segmet-based spectral features i the estimatio of timber volume. Remote sesig of Eviromet 82(2 3): b. A method for the segmetatio of very high spatial resolutio images of forested ladscapes. Iteratioal Joural of Remote Sesig 23(4): & Tuomie, S Stratificatio of a forest area for multisource forest ivetory by meas of aerial photographs ad image segmetatio. Julkaisussa: Coroa, P., Köhl, M. & Marchetti, M. (toim.). Advaces i forest ivetory for sustaiable forest maagemet ad biodiversity moitorig. Kluwer Academic Publishers, Dordrecht, Netherlads. s. 23. Poso, S Kuvioittaise arvioimismeetelmä perusteita. Silva Feica 7(4): & Kujala, M. 97. Ryhmitetty ilmakuva- ja maastootata Iari, Utsjoe ja Eotekiö metsie ivetoiissa. Folia Forestalia s. Redsve, V., Aola-Pukkila, A., Haara, A., Hirvelä, H., Härköe, K., Kärkkäie, L., Lempie, R., Muioe, E., Nuutie, T., Salmie, O. & Siitoe, M MELA2002 referece maual. Metsätutkimuslaitos. 590 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): Solmu. Metsäsuuittelu maastotyöopas Metsätaloude kehittämiskeskus Tapio, Helsiki. 82 s. Suvato, A., Maltamo, M., Packalé, P. & Kagas, J Kuviokohtaiste puustotuuste eustamie laserkeilauksella. Metsätietee aikakauskirja 4/2005: Tokola, T., 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 7(2): Tomppo, E Satellite image based atioal forest ivetory of Filad. Photogrammetric Joural of Filad 2(): Torttila, J ForestPad käyttöopas v..2. GISet Solutios Filad. 2 s. Tuomie, S. & Pekkarie, A Local radiometric correctio of digital aerial photographs for multi source forest ivetory. Remote Sesig of Eviromet 89(): & Pekkarie, A Performace of differet spectral ad textural aerial photograph features i multi-source forest ivetory. Remote Sesig of Eviromet 94(2): , Holopaie, M. & Poso, S Multiphase samplig. Julkaisussa: Kagas, A. & Maltamo, M. (toim.). Forest Ivetory methodology ad applicatios. Spriger, Netherlads. s Uuttera, J., Hiltue, J., Rissae, P., Attila, P. & Hyvöe, P Uudet kuvioittaise arvioii meetelmät arvio soveltuvuudesta yksityismaide metsäsuuitteluu. Metsätietee aikakauskirja 3/2002: Yu, X., Hyyppä, J., Kaartie, H. & Maltamo, M Automatic detectio of harvested trees ad determiatio of forest growth usig airbore laser scaig. Remote Sesig of Eviromet 90(4): viitettä 53