Metsätieteen aikakauskirja
|
|
- Topi Kouki
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 Metsätietee aikakauskirja t u t k i m u s a r t i k k e l i Matti Närhi, Matti Maltamo, Petteri Packalé, Heli Peltola ja Jae Soimasuo Matti Närhi Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie laserkeilaukse ja metsäsuuitelmatietoje avulla Närhi, M., Maltamo, M., Packalé, P., Peltola, H. & Soimasuo, J Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie laserkeilaukse ja metsäsuuitelmatietoje avulla. Metsätietee aikakauskirja 1/2008: Matti Maltamo Petteri Packalé Heli Peltola Taimikohoido tarve määritetää periteisesti maastoivetoiilla, joka o kuiteki hidasta ja kallista. Viime aikoia oki pohdittu mahdollisuutta hyödytää kaukokartoitusmateriaaleja taimikohoitotarpee määrittämisessä. Tämä tutkimukse tavoitteea oli selvittää laserkeilaukse soveltuvuutta varttueide kuuse taimikoide ivetoitii ja taimikohoitotarpee määrittämisee. Tutkimuksessa hyödyetty maastoaieisto mitattii Pohjois-Savossa Sokajärve kua alueella ja se koostui yhteesä 25 taimikosta ivetoidusta 195 koealaryppäästä. Kaukokartoitusmateriaalia käytettii pistetiheydeltää 0,5 pulssia per eliömetri olevaa laserpisteaieistoa. Laserpisteaieisto tuuksilla ja metsätaloussuuitelmatiedoilla eustettii lieaarisilla sekamalleilla koealoje puustoje keskipituutta ja tiheyttä. Taimikohoido kiireellisyysluokitus tuotettii sekä lieaarisella erotteluaalyysillä käyttäe selittäjiä suoraa lasertuuksia että luokittelemalla, jolloi hyödyettii laadittuja malleja puusto tiheydestä ja pituudesta. Laskettuja estimaatteja verrattii maastossa mitatuille koealoille tehtyy taimikohoido kiireellisyysluokituksee virhematriisi avulla. Taimikohoido kiireellisyysluokittelu oistui hiema paremmi suoralla erotteluaalyysillä (oikeiluokitusprosetti 71,8 %) verrattua sekamalleihi perustuvie puusto pituus- ja tiheysestimaattie käyttöö luokittelussa (oikeiluokitusprosetti 69,2 %). Tulokset atavat viitteitä siitä, että laserkeilausta voitaee tulevaisuudessa hyödytää myös varttueide taimikoide ivetoitii ja taimikohoido kiireellisyyde määrittämisee. Asiasaat: Lidar, Picea abies, varttueet taimikot, toimepidetarve, taimikot Yhteystiedot: Närhi ja Soimasuo, Metsämaut Oy, PL 314, Tampere; Maltamo, Packalé ja Peltola, Joesuu yliopisto, metsätieteellie tiedekuta, PL 111, Joesuu. Sähköposti matti. maltamo@joesuu.fi Hyväksytty Jae Soimasuo
2 Metsätietee aikakauskirja 1/ Johdato Tutkimusartikkeli Metsäuudistamise tavoitteea o saada aikaa elivoimaie, riittävä tiheä ja hyvälaatuie ja kasvupaikalle kasvatettavaksi soveltuvista puulajeista koostuva taimikko sekä turvata se kasvuedellytykset. Tämä metsäkasvatukse yksi tärkeimmistä vaiheista määrää pitkälti metsikö kehitykse kiertoaja kuluessa. Toisaalta, metsä uudistamise tuloksea sytyvä taimiko hoidosta o myös huolehdittava, jotta pystytää turvaamaa tuotatopuusto kasvuedellytykset ja hyvä laatukehitys sekä esiharveukse kaattavuus. Uudistamise oistumie ja taimikohoidosta huolehtimie turvaavat pitkällä aikavälillä metsie taloudellise kestävyyde lisäksi myös metsie ekologise ja sosiaalise kestävyyde (Hyvä metsähoido 2006). Taimikohoidotarpee määritykse tueksi tarvitaa tietoja taimiko tiheydestä ja puulajisuhteista sekä tilajärjestyksestä. Taimiko ivetoiissa o periteisesti käytetty muu muassa maastomittauksii perustuvaa ollaruutumeetelmää ja sekvessiotataa (Kagas ym. 2003). Suurie metsäpitaaloje maastossa tehtävä ivetoiti o kuiteki hidasta ja kallista, mikä vuoksi o viime aikoia selvitetty vaihtoehtoiste ja kustaustehokkaampie ivetoitimeetelmie käyttömahdollisuuksia. Esimerkiksi Pesoe ym. (2007) ovat tutkieet taimikohoitotarpee määrittämistä lehtipuusto osuude perusteella alle 11 metriä valtapituutta edustavilla metsikkökuvioilla muodostamalla karttataso, jossa VMI: maastokoealoje tiedot yhdistettii Ladsat TM -satelliittikuvii. Pesose ym. (2007) maastoaieisto käsitti koealaivetoii 83 kuviolta, mikä lisäksi aieistoa täydeettii metsähoitosuuitelmie perusteella valituilla 42 hoitotarpeisella kuviolla. Taimikohoitotarpee kiireellisyyde oikeiluokitus oistui Pesose ym. (2007) mukaa kiveäismailla 62 prosettisesti, se sijaa turv la tulos ei ollut yhtä hyvä. Ogelmia tuottivat myös joideki kuvioide tiheä aluskasvusto ja reuapuide varjostus. Tätä meetelmää tutkittii, jotta valtio myötämiä uore metsä hoitoo tarkoitettuja varoja voitaisii markkioida ykyistä tehokkaammi metsäomistajille. Vastaavasti Tuomola (2007) o selvittäyt umeeriselta ilmakuvalta irrotettavie sävy- ja tekstuuripiirteide soveltamista havupuutaimikkokuvioide perkaustarpee määrittämisee (aieistoa 25 taimikkokuviolta mitatut 65 ympyräkoealaa). Hä muodosti kuvapiirteistä sekä kuvapiirteide ja metsikkötuuste yhdistelmistä esi taimiko puustotuuksille lieaarisia regressiomalleja, joita sitte käytettii logistisissa regressiomalleissa taimiko perkaustarpee eustamisee. Tuomola (2007) mukaa lähestymistapa, jossa käytetää yhdessä umeerisilta ilmakuvilta irrotettavia kuvapiirteitä ja metsäsuuittelutietoja taimiko omiaisuuksie estimoitii ja edellee perkaustarpee määrittämisee, ei äyttäisi toimiva riittävä hyvi taimikohoido ajakohda määrittämisee. Toisaalta meetelmä, jossa yhdistetää ilmakuva- ja laserkeilausaieistoa saattaisi Tuomola (2007) mukaa olla varteeotettava lähestymistapa taimiko perkaustarpee estimoimiseksi. Verrattua periteisii optisii kaukokartoitusmeetelmii, laserkeilaus o aktiivie kaukokartoitusmeetelmä, jota tehdää yleesä letokoeesta tai helikopterista käsi. Se perustuu laserkeilaime lähettämii valopulsseihi, jotka mittaavat etäisyyde kohteesee ajassa. Koska valo opeus, laserkeilaime tarkka paikka ja pulssi lähetyssuuta tuetaa jokaiselle pulssille, voidaa määrittää koordiaatti (XYZ), jossa pulssi kohtaa maa pia tai esimerkiksi puu latvukse. Metsie kartoituksessa ollaa yleesä kiiostueita pulssie korkeuksista suhteessa maapia tasoo. Tällöi esimmäie vaihe o muodostaa laseraieistosta maapia korkeusmalli (DTM, Digital Terrai Model) joka väheetää alkuperäisistä ellipsoidi- tai ortometrisistä korkeuksista. Maapia tasoo suhteutetut korkeus- ja tiheyshavaiot mahdollistavat metsikö puustotuuste eustamise. Ivetoititiedo tuottamismeetelmät laserkeilaiaieistosta voidaa jakaa kahtee lähestymistapaa: aluepohjaiset meetelmät ja yksipuitulkita. Aluepohjaisessa tulkiassa käytetää laserpisteide korkeus- ja tiheysjakaumia eustamaa puustotuuksia koeala-, mikrokuvio- tai kuviotasolla. Yksipuitulkiassa taas pyritää tuistamaa yksittäiset puut hahmotuistuksella, eustamaa puutaso tuukset jokaiselle puulle ja lopuksi koostamaa metsikkö yksittäisistä puista. Aluetaso tulkita edellyttää regressiomallie tai vaihtoehtoisesti ei-parametriste meetelmie hyödytämistä. Regressiotekiikkaa laserkeilauk
3 Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie se metsäsovelluksissa o eite käytetty ja tutkittu Norjassa (Næsset ja Bjerkes 2001, Næsset 2004, Næsset ym. 2004). Suomessa o puolestaa käytetty ii regressiotekiikkaa kui myös ei-parametrisia malleja (Suvato ym. 2005, Maltamo ym. 2006, 2007, Packalé ja Maltamo 2006, 2007). Aluepohjaiste lasertulkitameetelmie eräs vahvuus o se, että käyttö ei vaadi kovikaa tiheää laserpisteaieistoa, vaa esimerkiksi alle yksi pulssi eliömetrille riittää (Næsset 2004, Suvato ym. 2005). Tämä vuoksi regressiomeetelmä o operatiivisee käyttöö toistaiseksi halvempi kui tiheä laserpulssitiheyde vaativa yksipuitulkita (esim. Maltamo ym. 2004). Yksipuitulkita ei myöskää aiakaa vielä oistue uorissa ja käsittelemättömissä metsissä, joissa tiheydet ovat suuria ja puut yleesä pieikokoisia. Viimeise vuode aikaa o tehty useita laserkeilauksee perustuvia ivetoiteja uorte ja varttueide kasvatusmetsie (valtapituus > 10 m) puustotuuste eustamiseksi. Næsseti ja Bjerkesi (2001) Norjassa tehdyssä tutkimuksessa o saatu lupaavia tuloksia myös taimikoide (joissa valtapituus < 6 m) tiheyde ja puusto pituude määrittämisestä laserkeilaukse avulla. Suomessa tähäastiset laserkeilausivetoiit o tehty lähiä tutkimuskäyttöä varte, ku taas Norjassa käytäö metsäivetoiteja o tehty laserkeilaukse avulla jo vuodesta 2002 lähtie (Næsset ym. 2004). Tämä tutkimukse tavoitteea o selvittää mite luotettavasti laserkeilaukse ja metsäsuuitelmatietoje avulla o mahdollista määrittää varttueissa kuuse taimikoissa (puusto valtapituude ollessa 2 8 metriä) puusto pituus ja tiheys sekä voidaako iide avulla määrittää riittävä luotettavasti taimikohoitotarve ja se kiireellisyys. Taimiko tiheyde ja puusto pituude määrittämisee käytetää sekamalleja ja taimikohoitotarpee kiireellisyysluokitus tehdää joko suoraa laserpisteaieisto ja metsäsuuitelmatietoje avulla erotteluaalyysillä tai laadittuje sekamallie perusteella lasketuilla puustotuusestimaateilla. Taimikohoitotarpee kiireellisyys määritellää kolmeportaisella luokituksella (heti, 5 vuode kuluessa ja ei hoitotarvetta) riippue taimiko tiheydestä ja puusto pituudesta. 2 Aieisto ja meetelmät 2.1 Tutkimusaieisto maastoivetoiti ja laserkeilaus Tutkimukse maastoaieisto sijaitsi Metsämaut Oy: hallioima Suome metsäsijoitus Oy: ja Metsähallitukse omistamilla mailla Pohjois-Savossa Sokajärve kua alueella. Maastokoealoje mittaukset suoritettii heiä- ja elokuussa Tutkimusaieistoo otettii mukaa e taimikot, joide pääpuulaji oli kuusi, kasvupaikka vähitää tuore kagas ja valtapituus yli kaksi metriä. Valtapituudeltaa alle kahde metri taimikoita ei sisällytetty tutkimuksee se vuoksi, että laserkeilauksessa maapia tausta- ja pesaskerrokse heijastukset heiketävät tuloste luotettavuutta tätä lyhyemmillä puusto pituuksilla (Næsset 2004). Kuviotietokatatiedoista hyödyettii olemassa olevaa tietoa taimikoperustamisvuodesta (taimiko ikä) sekä tehdyistä maamuokkaus- ja hoitotoimepiteistä. Koealaryppäät pyrittii sijoittamaa kulleki kuviolle mahdollisimma kattavasti. Kaike kaikkiaa mitattii 25 taimikkoa, joille tuli yhteesä 212 koealaryvästä. Alle yhde hehtaari kuviolle sijoitettii eljä kappaletta ryväskoealoja. Vastaavasti 1 3 hehtaari kuviolle sijoitettii kahdeksa ja yli kolme hehtaari kuviolle 12 koealaryvästä. Koealoje väliset etäisyydet määritettii site, että koealaverkosta tuli mahdollisimma tasaie. Taimikoide väliset koealaetäisyydet voivat siis vaihdella, mutta yhde taimiko sisällä koealavälit pidettii yhtä suuria. Kuki koealaryväs (pita-ala 201 m 2 ) muodostui eljästä pieemmästä ympyräkoealasta, sätee ollessa eljä metriä ja koeala pita-ala ollessa oi 50 m 2 (kuva 1). Koealaryppää muoto valittii se mukaa, että yksi hekilö pystyi se metsässä mittaamaa. Koealaryppää ympyräkoealoje keskipisteet sijoitettii pääilmasuutie (pohjoie, itä, etelä ja läsi) mukaa 5,66 metri päähä koealaryppää keskipisteestä, millä vältettii mittauste päällekkäisyys ja saatii mitattua ryväs suhteellise kattavasti. Ympyräkoealalta luettii 4 metri säteeltä kaikki puut puulajeittai. Lisäksi mitattii puide pituus puulajeittai käyttäe 0,5 metri pituusluokkia. Koealaryppää keskipiste määritettii differetiaalikorjatulla GPS:llä, mikä mahdollisti mitattuje koealatuloste myöhemmä vertaami
4 Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli Kuva 1. Koealaryppää mittaamisperiaate. Kuva 2. Taimikohoido kiireellisyysluokat määritettii kolmee luokkaa taimiko tiheyde ja puusto keskipituude mukaa: 1. Ei toimepiteitä, 2. Taimikohoido tarve viide vuode kuluessa ja 3. Taimikohoido tarve kiireellie (heti). se laserkeilaiaieistosta leikattuu sama paika laserpisteaieistoo. Kuki koealaryppää eljä ympyräkoeala mitatuista tuuksista laskettii keskiarvot, joide oletettii vastaava yhdeksä metri ympyräkoeala tuloksia (taulukko 1). Näitä maastoaieistosta laskettuja keskituuksia tarvitaa regressiomalleilla estimoituihi tuuksii vertaamiseksi (taimiko tiheys ja puusto pituus). Maastoaieisto perusteella laadittii myös kolmiportaie taimikohoido kiireellisyysluokitus, joho eri luokittelumeetelmie vastaavia tuloksia verrataa (kuva 2). Kuuse taimiko puusto keskipituude ja tiheyde perusteella < 4 m: pituutta ja alle taita/ha edustavilla taimikoilla ei katsottu oleva taimikohoitotarvetta. Myöskää > 4 m: keskipituutta ja alle taita/ha edustavat taimikot eivät edellyttäeet taimikohoitoa. Se sijaa alle 4 m: pituiset ja taita/ha tiheyttä edustavilla taimikoilla taimikohoitotarvetta esiityi seuraava viide vuode kuluessa. Vastaavasti taimiko keskipituude ollessa < 4 m ja tiheyde ollessa > taita/ha tai pituude ollessa > 4 m ja tiheyde > taita/ha oli taimikohoitotarve luokiteltu kiireelliseksi. Laserkeilaukse suoritti Blom Kartta Oy Optech ALTM3100 -laserkeilaimella. Laserkeilauksessa käytettii Piper Navajo -letokoetta, joka opeus oli oi 75 m/s ja letokorkeus keskimääri metriä maapia yläpuolella. Avauskulma adiirista letosuutaa vastaa oli ±17 astetta. Letolijoje väleiksi tuli maastossa metriä ja letolijoje keskiäisiksi sivupeitoiksi 24 prosettia. Laserkeilaus suoritettii harvapulssisella tiheydellä, jolloi laserpulsseja tuli oi 0,5 pulssia/m Laserpisteaieisto aalysoiti ja regressiomallie laadita Regressiotekiika lähtökohtaa o käyttää regressioyhtälöitä pita-alaperusteisesti koealakohtaiste metsikkötuuste eustamisee. Yleisimmät laserpisteaieisto regressiopohjaisessa laskeassa käytetyt puustoa kuvaavat tuukset ovat laserpisteide korkeusjakauma prosettipisteet, joide avulla pyritää kuvaamaa mitattava aluee puusto
5 Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie Taulukko 1. Taimikkoaieisto keskituukset ja iide vaihteluvälit eri tavoi muokatuilla (maamuokkaus: laikutus/ äestys, mätästys ja auraus) ja hoidetuilla (ei käsitelty, perattu, harveettu) koealoilla. Lisäksi taulukossa o esitetty taimikoide lukumäärä eri tiheysluokissa sekä pelkä kuuse että kaikkie puulajie osalta. Hoitotoimepide Puulaji Keskitiheys Tiheysvaihtelu Keskipituus Pituusvaihtelu Taimiko tiheys, taita/ha (taita/ha) (taita/ha) (m) (m) < >2000 Laikutus/äestys Ei käsitelty Kuusi 1750± ,4±0,3 2,9 3,8 6 1 (7 koealaa) Kaikki 3321± ,2±0,3 2,8 3,5 7 Mätästys Perattu Kuusi 1656± ,9±1,1 2,4 6, (32 koealaa) Kaikki 5811± ,2±0,8 2,0 5,5 32 Harveettu Kuusi 1975± ,4±0,4 2,9 3,8 2 2 (4 koealaa) Kaikki 2113± ,4±0,4 2,8 3,6 1 3 Auraus Ei käsitelty Kuusi 1581± ,1±1,3 2,6 7, (44 koealaa) Kaikki 3728± ,9±1,2 3,1 7, Perattu Kuusi 1597± ,6±1,1 2,6 7, (88 koealaa) Kaikki 3969± ,9±0,9 2,1 7, Harveettu Kuusi 1358± ,4±1,1 2,1 5, (20 koealaa) Kaikki 2270± ,5±1,0 3,0 6,0 20 Yhteesä (195 koealaa) Kuusi 1592± ,5±1,2 2,1 7, Kaikki 3982± ,0±1,1 2,0 7, rakeetta ja kokoa. Tässä työssä prosettipisteiksi valittii 5, 10, 20,, 90 ja 95 proseti korkeudet (h 5 95 ) ja tiheydet (p 5 95 ). Koska maasto epätasaisuudesta ja pitakasvillisuudesta voi aiheutua virhepulsseja (Næsset 2004), asetettii laserpisteille 0,3 metri korkeusrajoite, joka yläpuolelle osueet pisteet tulkittii puustoo osueiksi pisteiksi. Tämä perusteella voitii määrittää kasvillisuusosuus (veg), joka laskettii jakamalla kaikkie yli korkeusrajoittee yläpuoliselle korkeudelle osueide laserpulssie lukumäärä koko koealalle osueide laserpulssie kokoaismäärällä (Næsset 2004). Kasvillisuusosuudella pyritää kuvaamaa taimiko suhteellista tiheyttä: mitä suurempi o kasvillisuusosuus, sitä tiheämpää o taimikko. Lisäksi laskettii korkeusrajoittee yläpuoliste laserpisteide korkeuksie keskiarvo (ave) ja keskihajota (std). Kaikki tuukset laskettii eriksee sekä esimmäise (f) että viimeise (l) kaiu havaioille ja iitä käytettii selittäviä muuttujia sekä puustotuuste regressiomalleissa (puusto keskipituus tai tiheys) että erotteluaalyysissä. Maastossa mitatuista 212 koealarypäästä vai 195 koealarypää tiedot soveltuivat lopulta hyödyettäviksi, sillä 17 koealarypääsee oli talletuut liia alhaie määrä korkeusrajoittee ylittäviä paluupulsseja (miimirajoite 20 pulssia/koeala). Laserpisteaieistosta rajattii yhdeksä metri säteiset ympyräkoealat jotka vastasivat sijaiiltaa maastossa mitattuja koealoja. Koska regressiomallie laadita-aieistossa oli hierarkkie rakee, eli yksittäiseltä taimikkokuviolta oli mitattu useita koealoja, koealakohtaiste tuloste lasketaa varte laadittii s. sekamalleja, joita kutsutaa myös variassikompoettimalleiksi. Sekamalli ottaa huomioo malli muuttujissa tapahtuva koeala- ja kuviotaso vaihtelu ja jakaa vaihtelu kahtee erillisee variassikompoettii (Lappi 1993, Kagas 2001), ja voidaa esittää muodossa: y ki = µ + b k + ε ki (1) missä alaideksi k viittaa luokkaa eli tässä tapauksessa taimikkoo ja alaideksi i liittyy luoka sisällä olevaa yksittäisee havaitoyksikköö, eli
6 Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli taimikossa olevaa koealaa. Malli termi b k o kuvio satuaisvaikutus; E(b k ) = 0 ja var(b k ) = d b 2. Vastaavasti ε ki o kuviolla oleva koeala satuaisvaikutus; E(ε ki ) = 0 ja var(ε ki ) = d e 2. Malli (1) termi µ o kiiteä ja kuvaa populaatiosta laskettua odotusarvoa. Mikäli odotusarvo tuotetaa joideki selittävie muuttujie fuktioia, µ vastaa tavallise regressiomalli kiiteää osaa (Kagas 2001). Laserpisteaieisto tuuste lisäksi malleissa oletettii, että kuvio historiatiedoista käytettävissä ovat taimikoperustamisvuosi (taimiko ikä) ja mahdolliset maamuokkaus- ja hoitotoimepiteet. Ee sekamallie laaditaa tehtii selittävie muuttujie valita lieaarisella regressiolla käyttämällä pieimmä eliösumma meetelmää. Laadittuje regressiomallie hyvyyde arvioitii käytettii malli keskivirhettä (RMSE) ja harhaa (b): RMSE ( y yˆ) i ( yi yˆ i) i b i 2 ( 2) 1 3 Keskivirheestä ja harhasta laskettii myös suhteelliset virheet, jolloi perusmuodossa saatu tulos jaettii havaitulla vastemuuttuja y keskiarvolla. 2.3 Taimikohoido kiireellisyysluokitus Taimikohoido kiireellisyysluokitus määritettii kahdella eri meetelmällä. Esimmäisessä meetelmässä luokat määritettii laserpisteaieistosta erotteluaalyysi avulla (ks. Tabachick ja Fidell 1989). Toisessa meetelmässä sekamalleilla eustettuja puusto keskipituutta ja tiheyttä käytettii kiireellisyysluokkie määrityksee. Molemmissa meetelmissä eustettuja luokkia verrattii maastossa määritettyihi kiireellisyysluokituksii virhematriisie avulla. Erottelu- ja luokittelumeetelmässä pyrittii erottelufuktioilla luokittelemaa havaiot oikeisii ryhmii. Maastoivetoii perusteella tiedettii ealta, mihi ryhmää kuki havaio tulisi kuulua. Näide tietoje perusteella laskettii ( ) kuika mota prosettia havaioista sijoittui oikei. Mitä suurempi joukko havaitoja eustettii oikei, sitä parempi oli erottelufuktio. Taimikohoido kiireellisyyde luokittelu selittäjiä toimivat sekä laserpisteaieisto että metsätaloussuuitelma kuviotiedot. Vertailuje tulokset koottii virhematriisii, joka avulla laskettii oikeiluokitusprosetti laskemalla yhtee matriisi lävistäjällä olevie alkioide arvot ja jakamalla saatu tulos kaikkie alkioide arvoje summalla: Oikeiluokitus %. oikei 100 ( 4) missä.oikei o iide koealoje määrä, joilla malleilla estimoituje arvoje luokitus o sama kui maastomittauste perusteella tehty luokitus ja o kaikkie koealoje lukumäärä yhteesä. Oikeiluokitusproseti lisäksi luokitukse oistumista kuvaamaa laskettii myös kappa-arvo (kaava 5), joka ottaa huomioo lävistäjäalkioide lisäksi myös rivija sarakesummat (Kagas ym. 2003): r xii ( xi x i) ˆ i 1 i 1 r 2 ( x x ) i 1 r i i missä r o virhematriisi rivie ja sarakkeide lukumäärä, x i+ o rivisumma rivillä i, x +i o sarakesumma rivillä i, o havaitoje lukumäärä ja x ii o havaitoje lukumäärä rivillä i ja sarakkeella i. Kappa-arvo ollessa lähellä ollaa ei luokitus ole paljoa parempi kui satuaie luokitus, ku taas jos arvo o taas lähellä ykköstä, kertoo se luokitukse oistuee hyvi. Ladis ja Kochi (1977) mukaa luokitukse voi katsoa oistueeksi hyvi jos kappa-arvo o yli 0,4. Vastaavasti jos kappa-arvo o yli 0,75, luokitus o oistuut eriomaisesti. ( 5) 10
7 Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie 3 Tulokset 3.1 Laserpisteaieistoo ja metsätaloussuuitelmatietoo perustuvat sekamallit Ku taimitiheydelle laadittii mallit sekä pelkkie laserpisteide (kaava 6) että laserpisteide ja metsätaloussuuitelmatietoje pohjalta (kaava 7), selittäväksi muuttujaksi metsätaloussuuitelmatiedoista tuli aioastaa ikä. Taulukko 2. Koealakohtaiste tuloste laskeassa käytettyje regressiomallie luotettavuustuukset. Maastoaieisto puusto keskipituus oli 4,0 m ja puusto keskimääräie tiheys taita/ha. Muuttujat Mallieustee RMSE RMSE Harha Harha keskiarvo (yks.) (%) (yks.) (%) Pituus (m) 3,98 0,63 15,93 0,04 1,03 Tiheys (taita/ha), ,20 40,28 1,01 laser Tiheys (taita/ha), ,83 56,45 1,42 laser + suuitelma l(tiheys) = 10, ,018 lveg + 0,332 ll_h 90 0,046 f_p 30 0,391 f_h 20 + d 2 /2 l(tiheys) = 10, ,021 lveg + 0,604 likä 0,216 f_h 60 1,089 lf_p 20 + d 2 /2 (6) (7) Koska logaritmisilla muuttujilla lasketut tuukset, kute RMSE, eivät sellaiseaa kerro malli hyvyydestä, eustetut arvot oli palautettava ee vertaamista mitattuu arvoo. Luoollise logaritmimuuokse takia mallie käytössä oli otettava huomioo myös harhattomuuskorjaukset. Kaavassa 6 esitety malli virhetermit olivat ( b 2 ) 0,04419 ja ( 2 ) 0,06790 jote harhattomuuskorjaus oli d 2 = 0, Vastaavasti kaavassa 7 esitety malli virhetermit olivat ( b 2 ) 0,05498 ja ( 2 ) 0,06404 ja harhattomuuskorjaus oli d 2 = 0, Molempie tiheysmallie residuaalie kuvaajat olivat myös symmetrisiä ja arvot tasaisesti olla molemmilla puolilla. Kute taimiko tiheydelle, myös koealoje puustoje keskipituudelle oli tarkoitus laatia mallit sekä pelkä laserpisteaieisto (kaava 8) että laserpisteide ja metsätaloussuuitelma pohjalta. Yksikää metsätaloussuuitelmatiedoista ei kuitekaa tullut merkitseväksi selittäjäksi. l(pituus) = 0, ,112 f_h ,159 ll_h 20 + d 2 /2 (8) Pituusmalli (kaava 8) virhetermit olivat ( b 2 ) 0,010 ja ( 2 ) 0,011 ja harhattomuuskorjaus d 2 = 0,0105. Myös pituusmalli residuaaliarvot olivat tasaisesti olla molemmi puoli. Maastossa mitatu ja mallilla eustetu puusto keskipituude välie keskivirhe oli 0,63 metriä ja suhteellie keskivirhe 15,9 prosettia (taulukko 2). Puusto pituude malli oli lähes harhato. Ku taimitiheyde selittäjiä käytettii pelkästää laserpisteitä, mitatu ja eustetu tiheyde suhteellie keskivirhe oli oi 45,2 prosettia. Vastaavasti ku malli selittäjiksi otettii myös metsätaloussuuitelmatiedoista ikä, suhteellie keskivirhe oli 39,2 prosettia. Molemmat tiheysmallit olivat myös lähes harhattomia. 3.2 Erottelumeetelmä ja regressiomalleilla eustettuje tuuste perusteella lasketut luokitustulokset Taulukossa 3 o esitelty paras erotteluaalyysi luokitustulos, missä selitettäviä luokkia käytettii kuvassa 2 esitettyjä luokkia ja selittäviä tuuksia toimivat koealoje laserpisteaieisto tuukset ja Taulukko 3. Erotteluaalyysi absoluuttiset ja suhteelliset (%) luokitustulokset virhematriisissa. Tauluko lävistäjärivillä o esitetty oikeiluokittueide koealoje lukumäärä ja iide %-osuudet. Maastoivetoiti- Eustettu luokitus, lkm ja % luokka Ei toime- 5 v: Heti Yhteesä pidettä kuluessa Lkm Ei toimepidettä v: kuluessa Heti % Ei toimepidettä 63,6 24,2 12, v: kuluessa 4,8 85,7 9,5 100 Heti 20 10,8 69,
8 Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli Taulukko 4. Regressiomalleilla eustettuje tuuste avulla määritettyje luokkie absoluuttiset ja suhteelliset (%) luokitustulokset Tauluko lävistäjärivillä o esitetty oikeiluokittueide koealoje lukumäärä ja iide %- osuudet. Maastoivetoiti- Eustettu luokitus, lkm ja % luokka Ei toime- 5 v: Heti Yhteesä pidettä kuluessa Kuva 3. Taimikohoido kiireellisyyde erottelufuktiot. Lkm Ei toimepidettä v: kuluessa Heti % Ei toimepidettä 6,1 15,2 78,8 100,0 5 v: kuluessa 7,1 50,0 43,9 100,0 Heti 0,8 5,8 93,3 100,0 metsätaloussuuitelmatiedot. Koealoilla, joille ei maastoivetoii perusteella suuiteltu tehtäväksi taimikohoitoa laikaa, luokittui oikei 63,6 prosettia ja virheellisesti 24,2 prosettia 5 v: kuluessa -luokkaa ja 12,1 prosettia Heti -luokkaa. Koealoista, joille suositellaa taimikohoitoa viide vuode kuluessa, luokittui oikei 85,7 prosettia, ku taas koealoilla, joilla suositeltii heti taimikohoitoa, luokittui oikei 69,2 prosettia koealoista. Se sijaa koealoista Ei toimepidettä -luokkaa luokittui virheellisesti 20 prosettia. Koska taimikohoido kiireellisyysluokkia oli kolme, iide luokituksee sekä luokkakeskuste paika määrittämisee käytettii kahta erottelufuktiota; parhaide erottelufuktioide luokitustulos ja luokkakeskuste sijaiti o esitetty kuvassa 3. Taimiko tiheydelle ja puusto keskipituudelle eustettuje tuuste perusteella tehtii uusi taimikohoido kiireellisyysluokitus, joka luotettavuutta arvioitii vertaamalla regressiomalleilla estimoituje taimikkokoealoje tiheyde ja puusto keskipituude mukaa luokitettuja tuloksia maastomittauste pohjalta tehtyihi luokituksii taimikohoido kiireellisyydestä. Koealoista, jotka eivät tarvitse taimikohoitotoimepiteitä luokittui oikei vai 6,1 prosettia, ku virheellisesti luokasta luokittui 5 v: kuluessa -luokkaa 15,2 prosettia ja Heti -luokkaa jopa 78,8 prosettia (taulukko 4). Koealoilla, joilla taimikohoito olisi ollut todellisuudessa syytä tehdä viide vuode kuluessa, luokittui oikei puolet, mutta virheellisesti 43,9 prosettia luokkaa Heti. Se sijaa koealat, joilla taimikohoito olisi tarpeellie heti, luokittui oikei 93,3 prosettisesti. Erotteluaalyysi oikeiluokitusprosetit ja kappa-arvot olivat 71,8 prosettia ja 0,54. Regressiomalleilla estimoituje tuuste perusteella tehdy luokitukse oikeiluokitusprosetti oli puolestaa 69,2 ja kappa-arvo 0,34. 4 Tuloste tarkastelu ja johtopäätökset Tämä tutkimukse tarkoituksea oli selvittää, kuika hyvi harvapulssisella laserkeilausaieistolla pystytää tuottamaa ivetoititietoa varttueista kuusetaimikoista (puusto pituusvaihtelu 2 8 m) ja pystytääkö äille taimikoille määrittämää taimikohoido kiireellisyys luotettavasti. Puusto pituude ja tiheyde eustamie malleilla atoi samasuutaisia tuloksia kui aioa aiemmi aiheesta tehty tutkimus (Næsset ja Bjerkes 2001), jossa tutkittii pituudeltaa < 6 m: taimikoide puusto pituude ja tiheyde eustamista oi yhde pulssi per eliömetri sisältävästä laseraieistosta muodostetuilla regressiomalleilla. Heidä tutkimuksessaa puusto pituude suhteellie keskivirhe oli 15 pro 12
9 Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie settia ja tiheyde oi 29 prosettia. Tässä tutkimuksessa puusto keskipituude suhteellie keskivirhe oli 15,9 prosettia, ku vastaavasti mallilla eustetu puusto tiheyde suhteellie keskivirhe oli oi 40 prosettia käytettäessä tiheysmallissa laserpisteaieisto lisäksi metsäsuuitelmatiedoista selittävää muuttujaa taimiko ikää. Toisaalta, ku puusto tiheyttä malliettii pelkkie laserpisteaieisto selittävillä muuttujilla, tiheyde suhteellie keskivirhe ousi hiema (45,2 prosettii). Vertailtaessa tämä työ tuloksia Næsseti ja Bjerkesi (2001) tutkimuksee aioaa suurehkoa eroa o tässä työssä saatu suurempi taimikkotiheyde keskivirhe, mitä voi tosi selittää aiaki osittai eri tutkimuksissa ivetoituje taimikoide puusto pituus- ym. erot (esim. tässä tutkimuksessa taimiko valtapituus < 8 m ja Næsset ja Bjerkes (2001) < 6 m). Laserkeilaus oli heidä tutkimuksessaa tehty myös hiema tiheämpää pulssia käyttäe (yksi pulssi per eliömetri) kui tässä tutkimuksessa (0,5 pulssia per eliömetri). Tarkasteltaessa oikeiluokitusprosetteja ja kappaarvoja voidaa todeta, että erotteluaalyysillä kyettii luokittelemaa alkuperäiset taimikohoitokiireellisyysluokat oikei jopa 71,8-prosettisesti, jolloi kappa-arvoksi tuli 0,54. Jos pidetää k = 0,4 rajapyykkiä luokitukse oistumiselle, voidaa todeta luokitukse oistuee hyvi. Taulukosta 3 ähdää, että parhaite luokittuivat taimikot, joilla taimikohoitotarve o lähimmä viide vuode kuluessa (85,7 prosettia). Toiseksi parhaite luokittuivat taimikot, joissa taimikohoitotarve oli välitö (69,2 prosettia). Nämä ovatki tärkeimmät luokat ajateltaessa tuleva taimiko kehitystä, sillä ajallaa tehty taimikohoito ataa parhaat edellytykset tuotatopuusto kehitykselle. Toisaalta, osa taimikoista joilla hoitotarvetta olisi ollut heti, oli luokittuut 20 prosettia luokkaa ei kiirettä. Tämä tarkoittaa käytäössä sitä, että luokitukse mukaa toimittua 20 prosettia kiireellistä taimikohoitoa kaipaavista taimikoista jäisi kokoaa hoitamatta. Lisäksi taimikot, joilla ei havaittu toimepidetarvetta, luokittuivat huooite (63,6 prosettia). Toisaalta, pieempi kustaus sytyy siitä, ku käydää turhaa tarkastamassa taimikko, kui siitä, että jätetää taimikohoitoa kaipaava taimikko kokoaa hoitamatta. Asettamalla maastossa mitatut alkuperäiset luokat ja laserpisteistä regressiomalleilla estimoituje tuuste luokat virhematriisii, voitii tarkastella taimikohoido kiireellisyysluokitukse oistumista. Maastoivetoii perusteella tehtyy kiireellisyysluokituksee verrattua estimoidu luokitukse oikeiluokitusprosetti oli 69,2, mitä voidaa pitää hyvää. Kappa-arvo oli tosi vai 0,34, mikä mukaa luokitus oistui satuaisee luokituksee verrattua vai kohtalaisesti. Parhaite luokittui tässäki tapauksessa välitötä taimikohoitoa tarvitsevat koealat, eli jopa 93,3 prosettia luokista luokittui oikei. Toisaalta, heikoite luokittuivat koealat, joilla ei ollut taimikohoitotarvetta (vai 6,1 prosettia luokittui oikei), ja 78,8 prosettia koealoista luokittui välittömästi taimikohoitoa tarvitsevii. Virhematriisitarkastelu perusteella voidaa tehdä se johtopäätös, että regressiomalli tuotti yliarvioita taimiko tiheydelle mikä aiheutti se, että osa taimikoista, joilla todellisuudessa taimikohoitotarvetta ei ollut, luokittui virheellisesti taimikohoitoa tarvitsevii. Kuiteki tärkeimpää luokittelu oistumise kriteeriä voitaee pitää kiireellistä ja ylipäätäsä taimikohoitoa tarvitsevie kohteide tuistamista, sillä työpaoste suutaamie sitä eite tarvitseville kohteille parataa kustaustehokkuutta metsie hoidossa. Regressiomallie perusteella tehty taimikohoido kiireellisyysluokitus atoi hiema huoompia tuloksia kui erotteluaalyysi. Tämä tulos oli toisaalta odotettavissa, sillä sekamallit ottavat huomioo aieisto hierarkkisuude, mutta heiketävät hiema malli selitysastetta. Taimiko tiheyde regressiomalli tuotti myös yliarvioita pieillä tiheyksillä. Toisaalta erotteluaalyysi luokitusmeetelmät perustuvat regressiotekiikkaa, joka ei ota aieisto hierarkkisuutta huomioo, mikä taas voi vääristää todellista tulosta. Kappa-arvoja vertailtaessa erottelumeetelmä luokitus toimi kuiteki selvästi paremmi kui regressiomallie avulla tehty luokitus. Regressiomalleilla saadut virhematriisie heikommat kappa-arvot selittyvät osi myös sillä, että sekamallie avulla estimoidut luokat atoivat yliarvioita tiheydelle suurilla puusto pituuksilla. Tämä johti siihe, että koealoja luokittui virheellisesti taimikohoitoa tarvitsevii luokkii. Tämä perusteella voidaa todeta, että taimiko tiheyksie sekamallit eivät ehkä sittekää ole täysi luotettavia, vaikka mallie selitysasteet olivat kohtalaisia ja mallit olivat lähes harhattomia. Verrattaessa tämä tutkimukse tuloksia Pesose 13
10 Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli ym. (2007) tutkimustuloksii, jossa Ladsat TM -satelliittikuvie perusteella luokiteltii kiveäismaide taimikohoitotarvetta, voidaa todeta, että laserkeilausaieisto avulla saatu oikeiluokitusprosetti oli molemmilla meetelmillä hiema suurempi, kappa-arvo erotteluaalyysi tapauksessa samaa luokkaa mutta regressiomalleilla heikompi. Tuloksia verrattaessa täytyy kuiteki muistaa, että tässä tutkimuksessa tarkastelutaso oli koeala ja Pesose ym. (2007) tutkimuksessa kuvio. Laserpisteaieistosta sekamalleilla eustetut taimiko tiheys ja puusto keskipituus toteutuivat koealatasolla myös melko hyvi. Kuviotasolla laskettaessa vastaavat tulokset olisivat varmasti olleet vielä parempia, sillä kuviotasolla koealakohtaiset tulokset keskiarvoistuvat. Myös luokittelumeetelmä tuloksista voidaa päätellä, että laserpisteaieisto perusteella voidaa määrittää taimikohoitotarvetta varsi hyvi. Toisaalta, tuloksia tarkasteltaessa o kuiteki hyvä pitää mielessä, että laserpisteaieistosta leikatussa yhdeksä metri sätee ympyräkoealalla, joho maastoaieistoa verrattii, oli mukaa mittaamatota aluetta. Maastomittauksissa o siis otosvirhettä, mikä voi hiema vaikuttaa tuloksii. Myöskää käytössä olleella paikauslaitteella (differetaali-gps) ei päästä täysi virheettömää tarkkuutee paikatamise suhtee, mikä o myös yksi virhelähteistä. Ottae huomioo käytety harva laserpulssitiheyde, puide piee koo ja taimikoide peitteisyyde sekä epätasaisuude, tämä tutkimukse tulosta voitaee pitää hyvää ja saatua tarkkuutta riittävää taimiko ivetoitii ja taimikohoido kiireellisyyde määrityksee. Mallitusaieisto koealarypäistä 17 eli. 8% jouduttii hylkäämää liia vähäise laserpisteaieisto takia. Toisaalta määrä o isohko, mutta toisaalta jos laserkeilausaieistosta lasketaa kuviokohtaisia tuloksia systemaattise hila (esim. Packalé ja Maltamo 2007) avulla, sattuu jo hehtaari suuruiselle kuviolle 40 solua käytettäessä tämä tutkimukse mallituskoealaa vastaavaa hilasolukokoa (16 m 16 m). Jos äistä soluista joudutaa hylkäämää keskimääri eljä kappaletta, jää kuviotaso toimepide-ehdotukse estimoitii kuiteki varsi paljo aieistoa. Toisaalta tulkiassa olisi kuiteki hyvä erottaa taimikossa esiityvät puuttomat kohdat iistä soluista, joille tulkitaa ei voida tehdä vähäise laserpistemäärä takia. Tämä tutkimukse tuloste perusteella voitaee olettaa, että laserkeilaus voisi tulevaisuudessa soveltua myös uorte metsie ivetoitii ja hoitotarpee määrittämisee, sillä aiaki varttueissa kuuse taimikoissa puusto pituudet saadaa hyvi määriteltyä laserkeilausaieisto avulla. Puusto tiheydeki määrittämisessä saadaa suutaa atavaa tietoa riittävästi, toisaalta tiheysmallie paratamiseksi tulisi vastaisuudessa testata erilaisia selittävie muuttujie yhdistämistä ja iide variaatioita sekä erilaisia malliraketeita. Taimikoivetoitii ja taimikohoido kiireellisyyde luotettavaa määrittämisee laserkeilausaieisto avulla tarvittaisii tulevaisuudessa tueksi edellee muulla meetelmällä tuotettua puulajikohtaista tietoa, sillä laserkeilaukse suuri tämä hetkie ogelma o se, että eri puulajeja ei vielä pystytä tuistamaa harvapulssista laserkeilausaieistoa hyödytäe. Varsiki lehtipuusto määrä luotettava eustamie olisi tärkeää määriteltäessä havupuuvaltaiste taimikoide hoitotarvetta, sillä eteki kuuse taimikoissa opeakasvuisempi lehtipuusto haittaa usei kuuse varhaiskehitystä. Aiaki siiä tapauksessa, ettei käytössä ole metsäsuuitelmatietoja, joista käy ilmi kuvioide puulajisuhteet, tarvitaa iide selvittämiseksi muu ratkaisu, kute ilmakuvie hyödytämie. Ilmakuvie avulla saadaa uorissa metsissä puulajisuhteita eroteltua, mutta toisaalta taimie pituuksie ja taimiko tiheyksie määrittämie tuottaa ogelmia. Packaléi ja Maltamo (2006 ja 2007) ovat viime aikoia selvittäeet myös mahdollisuutta hyödytää ilmakuvista saatua spektristä iformaatiota yhdistettyä laserkeilausaieistoo. Heidä mukaasa lehtipuusto osuus saatii aieistosta eroteltua tällä meetelmällä, mikä tarkoittaa sitä että tämä kaltaie meetelmä voisi toimia myös tulevaisuudessa määriteltäessä taimikoide lehtipuusto osuude avulla taimikohoitotarvetta havupuuvaltaisessa taimikossa. Laserkeilaukse ja ilmakuvatulkia yhdistämie uorte metsie ivetoiissa (myös muut puulajit kui kuusi) ja hoitotoimepiteide määrittämiseksi kaipaa kuiteki edellee jatkotutkimusta. Kuitekaa taimikoide, joide pituus o alle 1,5 metriä, ivetoitii ei laserkeilaus soveltue tulevaisuudessakaa, koska maapia epätasaisuudet, kute kivet ja kaot, aiheuttavat virhettä tätä pieemmillä puusto pituuksilla. 14
11 Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie Kirjallisuus Hyvä metsähoido suositukset Metsätaloude kehittämiskeskus Tapio. 59 s. Kagas, A Tilastollie malli. Julkaisussa: Maltamo, M. & Laukkae, S. (toim.). Metsää kuvaavat mallit. Silva Carelica 36. s , Päivie, R., Holopaie, M. & Maltamo, M Metsä mittaus ja kartoitus. 2. uudistettu paios. Silva Carelica s. Ladis, R.J. & Koch, G.G The measuremet of observer agreemet for categorical data. Biometrics 33: Lappi, J Metsäbiometria meetelmiä. Silva Carelica s. Maltamo, M., Mustoe, K., Hyyppä, J., Pitkäe, J. & Yu, X The accuracy of estimatig idividual tree variables with airbore laser scaig i a boreal ature reserve. Caadia Joural of Forest Research 34: , Malie, J., Packalé, P., Suvato, A. & Kagas, J No-parametric estimatio of stem volume usig laser scaig, aerial photography ad stad register data. Caadia Joural of Forest Research 36: , Korhoe, K.T., Packalé, P., Mehtätalo, L. & Suvato A A test o the usability of trucated agle cout sample plots as groud truth i airbore laser scaig based forest ivetory. Forestry 80: Næsset, E Practical large-scale forest stad ivetory usig a small footprit airbore scaig laser. Scadiavia Joural of Forest Reserch 19: & Bjerkes, K-O Estimatig tree heights ad umber of stems i youg forest stads usig airbore laser scaer data. Remote Sesig o Eviromet 78: , Gobakke, T., Holmgre, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsso, M., Olsso, H., Persso, Å. & Söderma, U Laser scaig of forest recources: the Nordic experiece. Scadiavia Joural of Forest Research 19: Packalé, P. & Maltamo, M Predictig the plot volume by tree species usig airbore laser scaig ad aerial photographs. Forest Sciece 56: & Maltamo, M The k-msn method i the predictio of species specific stad attributes usig airbore laser scaig ad aerial photographs. Remote Sesig of Eviromet 109: Pesoe, A., Korhoe, K.T., Tuomie, S., Maltamo, M. & Lukkarie, E Taimikohoitotarpee arvioiti valtakua metsie ivetoii metsävarakarta pohjalta. Metsätietee aikakauskirja 2/2007: Suvato, A., Maltamo, M., Packalé, P. & Kagas, J Kuviokohtaiste puustotuuste eustamie laserkeilauksella. Metsätietee aikakauskirja 4/2005: Tabachick, B.G. & Fidell, L.S Usig multivariate statistics. HarperCollis Publishers. 746 s. Tuomola, T Numeeriste ilmakuvie käyttö havupuutaimikoide perkaustarpee määrittämisessä. Pro gradu -tutkielma. Metsäarvioimistiede. Helsigi yliopisto. 77 s. 17 viitettä 15
Metsätieteen aikakauskirja
Metsätietee aikakauskirja t u t k i m u s a r t i k k e l i Pekka Hyvöe Pekka Hyvöe Kuvioittaiste puustotuuste ja toimepide-ehdotuste estimoiti k-lähimmä aapuri meetelmällä Ladsat TM -satelliittikuva,
LisätiedotYhden selittäjän lineaarinen regressiomalli
Ilkka Melli Tilastolliset meetelmät Osa 4: Lieaarie regressioaalyysi Yhde selittäjä lieaarie regressiomalli TKK (c) Ilkka Melli (007) Yhde selittäjä lieaarie regressiomalli >> Yhde selittäjä lieaarie regressiomalli
LisätiedotVMI-koealatiedon ja laserkeilausaineiston yhdistäminen metsäsuunnittelua varten
VMI-koealatiedon ja laserkeilausaineiston yhdistäminen metsäsuunnittelua varten Kuortaneen metsäsuunnitteluseminaari 10.09.2007 Aki Suvanto, Joensuun yliopisto Petteri Packalén, Joensuun yliopisto Matti
LisätiedotMARV Metsikkökoealaharjoitus Aluepohjaiset laserpiirteet puustotunnusten selittäjinä. Ruuduille lasketut puustotunnukset:
MARV1-11 Metsikkökoealaharjoitus Aluepohjaiset laserpiirteet puustotunnusten selittäjinä Metsikkökoealojen puuston mittaukseen käytetty menetelmä, jossa puut etsitään laseraineistosta/ilmakuvilta ja mitataan
LisätiedotOtantajakauman käyttö päättelyssä
Keskiarvo otatajakauma Toisistaa tietämättä kaksi tutkijaa tutkii samaa ilmiötä, jossa perusjoukko koostuu kuudesta tutkittavasta ja tarkoituksea o laskea keskiarvo A: Kokoaistutkimus B: Otatatutkimus
LisätiedotOtantajakauma. Otantajakauman käyttö päättelyssä. Otantajakauman käyttö päättelyssä
Otatajakauma kuvaa tarkasteltava parametri jakauma eri otoksista laskettua parametria o joki yleesä tuusluku, esim. keskiarvo, suhteellie osuus, riskisuhde, korrelaatiokerroi, regressiokerroi, je. parametria
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
LisätiedotSisältö. Kvantitatiivinen metodologia verkossa. Monitasomallintaminen. Monitasomallit. Regressiomalli dummy-muuttujilla.
Kvatitatiivie metodologia verkossa Moitasomallius Pekka Ratae Helsigi yliopisto isältö Moitasomallit Matemaattisia peruskäsitteitä Esimerkki kovariassista Otatavirhe Esimerkki elittävie muuttujie lisäämie
Lisätiedot( ) k 1 = a b. b 1) Binomikertoimen määritelmän mukaan yhtälön vasen puoli kertoo kuinka monta erilaista b-osajoukkoa on a-joukolla.
Kombiatoriikka, kesä 2010 Harjoitus 2 Ratkaisuehdotuksia (RT) (5 sivua) Käytä tehtävissä 1-3 kombiatorista päättelyä. 1. Osoita, että kaikilla 0 b a pätee ( ) a a ( ) k 1 b b 1 kb Biomikertoime määritelmä
LisätiedotBiomassatulkinta LiDARilta
Biomassatulkinta LiDARilta 1 Biomassatulkinta LiDARilta Jarno Hämäläinen (MMM) Kestävän kehityksen metsävarapalveluiden yksikkö (REDD and Sustainable Forestry Services) 2 Sisältö Referenssit Johdanto Mikä
LisätiedotPuustotietojen keruun tekniset vaihtoehdot, kustannustehokkuus ja tarkkuus
Puustotietojen keruun tekniset vaihtoehdot, kustannustehokkuus ja tarkkuus Janne Uuttera Metsätehon seminaari 8.5.2007 Metsävaratietojärjestelmien tulevaisuus Tausta Tietojohtamisen välineissä, kuten metsävaratietojärjestelmissä,
LisätiedotNUMEERISET ILMAKUVAT TAIMIKON PERKAUSTARPEEN MÄÄRITTÄMISESSÄ
NUMEERISET ILMAKUVAT TAIMIKON PERKAUSTARPEEN MÄÄRITTÄMISESSÄ Selvitettiin numeeristen ilmakuva-aineistojen hyödyntämismahdollisuuksia taimikon puustotunnusten ja perkaustarpeen määrittämisessä. Tuukka
Lisätiedot****************************************************************** ****************************************************************** 7 Esim.
8.3. Kombiaatiot MÄÄRITELMÄ 6 Merkitä k, joka luetaa yli k:, tarkoittaa lause- ketta k = k! ( k)! 6 3 2 1 6 Esim. 1 3 3! = = = = 3! ( 3)! 3 2 1 3 2 1 3 2 1 Laskimesta löydät äppäime, jolla kertomia voi
LisätiedotJohdatus tilastotieteeseen Yhden selittäjän lineaarinen regressiomalli. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Yhde selittää lieaarie regressiomalli TKK (c) Ilkka Melli (2005) Yhde selittää lieaarie regressiomalli Yhde selittää lieaarie regressiomalli a sitä koskevat oletukset Yhde selittää
Lisätiedot= true C = true) θ i2. = true C = false) Näiden arvot löydetään kuten edellä Kun verkko on opetettu, niin havainto [x 1
35 Naiivi Bayes Luokkamuuttua C o Bayes-verko uuri a attribuutit X i ovat se lehtiä Naiivi oletus o, että attribuutit ovat ehdollisesti riippumattomia toisistaa aettua luokka Ku käytössä o Boole muuttuat,
LisätiedotS Laskennallinen systeemibiologia
S-4250 Laskeallie systeemibiologia Harjoitus Mittaustuloksea o saatu havaitoparia (x, y ),, (x, y ) Muuttuja y käyttäytymistä voidaa selittää muuttuja x avulla esimerkiksi yksikertaise lieaarise riippuvuude
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Mat-.104 Tilastollise aalyysi perusteet, kevät 007 6. lueto: Johdatus regressioaalyysii S ysteemiaalyysi Tekillie korkeakoulu Kai Virtae 1 Regressioaalyysi idea Tavoitteea selittää selitettävä tekiä/muuttua
Lisätiedot4.3 Signaalin autokorrelaatio
5 4.3 Sigaali autokorrelaatio Sigaali autokorrelaatio kertoo kuika paljo sigaali eri illä korreloi itsesä kassa (josta imiki). Se o Fourier-muuokse ohella yksi käyttökelpoisimmista sigaalie aalysoitimeetelmistä.
LisätiedotKantobiomassan määrän mallintaminen leimikoissa hakkuukonemittausten avulla
Metsätietee päivä, 6.0.0 Katobiomassa määrä mallitamie leimikoissa hakkuukoemittauste avulla Heikki Ovaskaie, Itä Suome yliopisto Pirkko Pihlaja, UPM Kymmee Teijo Palader, Itä Suome yliopisto Johdato Suomessa
LisätiedotKaksiulotteinen normaalijakauma Mitta-asteikot Havaintoaineiston kuvaaminen ja otostunnusluvut
Mat-2.09 Sovellettu todeäköisyyslasku /Ratkaisut Aiheet: Kaksiulotteie ormaalijakauma Mitta-asteikot Havaitoaieisto kuvaamie ja otostuusluvut Avaisaat: Ehdollie jakauma, Ehdollie odotusarvo, Ehdollie variassi,
LisätiedotTaimikonhoidon omavalvontaohje
Omavalvonnalla laatua ja tehoa metsänhoitotöihin Taimikonhoidon omavalvontaohje Taimikonhoidon merkitys Taimikonhoidolla säädellään kasvatettavan puuston puulajisuhteita ja tiheyttä. Taimikonhoidon tavoitteena
LisätiedotRATKAISUT x 2 3 = x 2 + 2x + 1, eli 2x 2 2x 4 = 0, joka on yhtäpitävä yhtälön x 2 x 2 = 0. Toisen asteen yhtälön ratkaisukaavalla saadaan
RATKAISUT 8 17 8 a) Paraabelie y x ja y x + x + 1 leikkauspisteet saadaa määritettyä, ku esi ratkaistaa yhtälö x x + x + 1, eli x x, joka o yhtäpitävä yhtälö x x. Toise astee yhtälö ratkaisukaavalla saadaa
LisätiedotTiheäpulssinen ja monikanavainen laserkeilausaineisto puulajeittaisessa inventoinnissa
Metsätieto ja sähköiset palvelut -hankkeen lopputulosseminaari Helsinki, 22.1.2019 Tiheäpulssinen ja monikanavainen laserkeilausaineisto puulajeittaisessa inventoinnissa Petteri Packalen, Eetu Kotivuori,
LisätiedotKuviokohtaisten puustotunnusten ennustaminen laserkeilauksella
Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Aki Suvanto, Matti Maltamo, Petteri Packalén ja Jyrki Kangas Aki Suvanto Matti Maltamo Petteri Packalén Kuviokohtaisten puustotunnusten ennustaminen
LisätiedotMS-A0501 Todennäköisyyslaskennan ja tilastotieteen peruskurssi
MS-A0501 Todeäköisyyslaskea ja tilastotietee peruskurssi 4A Satuaisotata ja parametrie estimoiti Lasse Leskelä Matematiika ja systeemiaalyysi laitos Perustieteide korkeakoulu Aalto-yliopisto Syksy 2016,
LisätiedotTodennäköisyys, että yhden minuutin aikana saapuu 2 4 autoa.
Testimuuttuja kriittie arvo 5 %: merkitsevyystasolla katsotaa taulukosta. Kriittie arvo o 9,488. Koska laskettu arvo 4,35 o pieempi kui taulukosta saatu kriittie arvo 9,488, ii ollahypoteesi jää voimaa.
LisätiedotMetsätieteen aikakauskirja
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
LisätiedotLahopuuinventoinnin menetelmien vertailu Nuuksion ulkoilualueilla
Metsätietee aikakauskirja t i e d o a t o Aika Kagas, Tuomas Aakala, Haa Alae, Maarit Haavisto, Jai Heikkilä, Au Kaila, Sami Kakaapää, Hau Kämäri, Olli Leio, Atti Mäkie, Eeva Nurmela, Sami Oksa, Atti Saari,
Lisätiedot1. (Jatkoa Harjoitus 5A tehtävään 4). Monisteen esimerkin mukaan momenttimenetelmän. n ne(y i Y (n) ) = 2E(Y 1 Y (n) ).
HY / Matematiika ja tilastotietee laitos Tilastollie päättely II, kevät 018 Harjoitus 5B Ratkaisuehdotuksia Tehtäväsarja I 1. (Jatkoa Harjoitus 5A tehtävää ). Moistee esimerki 3.3.3. mukaa momettimeetelmä
LisätiedotTaimikonhoito. Mänty Ohjeet omatoimiseen taimikonhoitoon Pekka Riipinen, Jyväskylän ammattikorkeakoulu. Sykettä Keski Suomen metsiin
Taimikonhoito Mänty Ohjeet omatoimiseen taimikonhoitoon Pekka Riipinen, Jyväskylän ammattikorkeakoulu Sykettä Keski Suomen metsiin Taimikonhoito Tavoitteena luoda sopivalla tiheydellä ja puulajisuhteella
LisätiedotTilastollinen todennäköisyys
Tilastollie todeäköisyys TOD.NÄK JA TILASTOT, MAA10 Klassisessa todeäköisyydessä oli ehdot: äärellisyys ja symmetrisyys. Tämä tilae o usei mahdoto ts. alkeistapauksia o usei ääretö määrä tai e eivät ole
LisätiedotNUORTEN METSIEN RAKENNE JA KEHITYS
NUORTEN METSIEN RAKENNE JA KEHITYS Saija Huuskonen Metsäntutkimuslaitos, Vantaa Tutkimuksen tavoitteet 1. Selvittää 198-luvulla onnistuneesti perustettujen havupuuvaltaisten taimikoiden metsänhoidollinen
LisätiedotTervasrosoon vaikuttavat tekijät - mallinnustarkastelu
Tervasrosoon vaikuttavat tekijät - mallinnustarkastelu Ville Hallikainen Kuva: Risto Jalkanen Tutkimuskysymykset Mitkä luonnossa vallitsevat ekologiset ja metsänhoidolliset ym. tekijät vaikuttavat tervasroson
LisätiedotTyö 55, Säteilysuojelu
Työ 55, Säteilysuojelu Ryhmä: 18 Pari: 1 Joas Alam Atti Tehiälä Selostukse laati: Joas Alam Mittaukset tehty: 7.4.000 Selostus jätetty: 1.5.000 1. Johdato Tutkimme työssämme kolmea eri säteilylajia:, ja
LisätiedotLaserkeilauksen hyödyntäminen metsätaloudellisissa
Metsätieteen aikakauskirja 4/2008 Tieteen tori Matti Maltamo, Petteri Packalén, Janne Uuttera, Esa Ärölä ja Juho Heikkilä Laserkeilaustulkinnan hyödyntäminen metsäsuunnittelun tietolähteenä Johdanto Laserkeilauksen
LisätiedotLaserkeilaus puustotunnusten arvioinnissa
Uusi Teknologia mullistaa puun mittauksen Metsäpäivät 7.11.2008 Laserkeilaus puustotunnusten arvioinnissa Markus Holopainen Helsingin yliopisto Metsävarojen käytön laitos markus.holopainen@helsinki.fi
LisätiedotLaserkeilauspohjaiset laskentasovellukset
Laserkeilauspohjaiset laskentasovellukset Petteri Packalén Matti Maltamo Laseraineiston käsittely: Ohjelmistot, formaatit ja standardit Ei kovin monia ohjelmia laserpisteaineiston käsittelyyn» Terrasolid
LisätiedotMETSÄTALOUDEN HIRVIVAHINGOT Uusi hirvivahinkojen korvausjärjestelmä
METSÄTALOUDEN HIRVIVAHINGOT Uusi hirvivahinkojen korvausjärjestelmä 20.3.2018 Heikki Kuoppala Hirvivahinkojen arviointiin muutoksia Valtioneuvoston asetus riistavahingoista annetun asetuksen muuttamisesta
LisätiedotLIITTEET Liite A Stirlingin kaavan tarkkuudesta...2. Liite B Lagrangen kertoimet...3
LIITTEET... 2 Liite A Stirligi kaava tarkkuudesta...2 Liite B Lagrage kertoimet... 2 Liitteet Liitteet Liite A Stirligi kaava tarkkuudesta Luoollista logaritmia suureesta! approksimoidaa usei Stirligi
LisätiedotSMG-4200 Sähkömagneettisten järjestelmien lämmönsiirto Ehdotukset harjoituksen 6 ratkaisuiksi
SMG-400 Sähkömageettiste järjestelmie lämmösiirto Ehdotukset harjoitukse 6 ratkaisuiksi Tarkastellaa suljetu järjestelmä tehotasaaioa joka o P + P P = P i g out st Oletetaa että verkotetussa alueessa jossa
LisätiedotTILASTOT: johdantoa ja käsitteitä
TILASTOT: johdatoa ja käsitteitä TOD.NÄK JA TILASTOT, MAA10 Tilastotietee tehtävää o esittää ja tulkita tutkimuskohteesee liittyvää havaitoaieistoa eli tilastoaieistoa. Tutkitaa valittua joukkoa ja se
LisätiedotOsa 2: Otokset, otosjakaumat ja estimointi
Ilkka Melli Tilastolliset meetelmät Osa : Otokset, otosjakaumat ja estimoiti Otokset ja otosjakaumat TKK (c) Ilkka Melli (007) 1 Otokset ja otosjakaumat >> Satuaisotata ja satuaisotokset Otostuusluvut
LisätiedotMetsävaratieto ja sen käytön mahdollisuudet. 4.12.2014 Raito Paananen Metsätietopäällikkö Suomen metsäkeskus Julkiset palvelut, Keski-Suomi
Metsävaratieto ja sen käytön mahdollisuudet 4.12.2014 Raito Paananen Metsätietopäällikkö Suomen metsäkeskus Julkiset palvelut, Keski-Suomi Sisältö 1. Julkisin varoin kerättävien metsävaratietojen keruun
Lisätiedot10 Kertolaskusääntö. Kahta tapahtumaa tai satunnaisilmiötä sanotaan riippumattomiksi, jos toisen tulos ei millään tavalla vaikuta toiseen.
10 Kertolaskusäätö Kahta tapahtumaa tai satuaisilmiötä saotaa riippumattomiksi, jos toise tulos ei millää tavalla vaikuta toisee. Esim. 1 A = (Heitetää oppaa kerra) ja B = (vedetää yksi kortti pakasta).
LisätiedotMat-2.090 Sovellettu todennäköisyyslasku A
Mat-.090 Sovellettu todeäköiyylaku A Mat-.090 Sovellettu todeäköiyylaku A / Ratkaiut Aiheet: Avaiaat: Tilatollite aieito keräämie ja mittaamie Tilatollite aieitoje kuvaamie Oto ja otojakaumat Aritmeettie
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2004) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (004) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo otosjakauma Otosvariassi otosjakauma
LisätiedotMikä on taimikonhoidon laadun taso?
Mikä on taimikonhoidon laadun taso? MMT Timo Saksa Luonnonvarakeskus Suonenjoen toimipaikka Pienten taimikoiden laatu VMI:n mukaan Tyydyttävässä taimikossa kasvatettavien taimien määrä on metsänhoito-suositusta
LisätiedotHIRVI-INFO Uusi hirvivahinkojen korvausjärjestelmä. Heikki Kuoppala
HIRVI-INFO Uusi hirvivahinkojen korvausjärjestelmä Heikki Kuoppala Hirvivahinkojen arviointi muuttuu Valtioneuvoston asetus riistavahingoista annetun asetuksen muuttamisesta 268/2017 Tullut voimaan 15.5.2017
LisätiedotPuun kasvu ja runkomuodon muutokset
Puun kasvu ja runkomuodon muutokset Laserkeilaus metsätieteissä 6.10.2017 Ville Luoma Helsingin yliopisto Centre of Excellence in Laser Scanning Research Taustaa Päätöksentekijät tarvitsevat tarkkaa tietoa
LisätiedotPaikkatietoa metsäbiomassan määrästä tarvitaan
Biomassan estimointi laseraineiston, ilmakuvien ja maastomittausten perusteella Esitys Metsätieteen Päivän Taksaattorisessiossa 26.10.2011 Reija Haapanen, Sakari Tuominen ja Risto Viitala Paikkatietoa
LisätiedotTIIVISTELMÄRAPORTTI (SUMMARY REPORT)
2012/MAT814 ISSN 1797-3457 (vekkojulkaisu) ISBN (PDF) 978-951-25-2408-2 TIIVISTELMÄRAPORTTI (SUMMARY REPORT) Vaiheistettu heijastipita valemaalia Joha Ste, Päivi Koivisto, Ato Hujae, Tommi Dufva, VTT,
LisätiedotTaimikonhoidon vaikutukset metsikön
Taimikonhoidon vaikutukset metsikön jatkokehitykseen ja tuotokseen Saija Huuskonen Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute www.metla.fi Sisältö 1. Taimikonhoidon
LisätiedotKUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI
KUITUPUUN KESKUSKIINTOMITTAUKSEN FUNKTIOINTI Asko Poikela Samuli Hujo TULOSKALVOSARJAN SISÄLTÖ I. Vanha mittauskäytäntö -s. 3-5 II. Keskusmuotolukujen funktiointi -s. 6-13 III.Uusi mittauskäytäntö -s.
LisätiedotMääräys. sähköverkkotoiminnan tunnuslukujen julkaisemisesta. Annettu Helsingissä 2 päivänä joulukuuta 2005
Dro 1345/01/2005 Määräys sähköverkkotoimia tuuslukuje julkaisemisesta Aettu Helsigissä 2 päivää joulukuuta 2005 Eergiamarkkiavirasto o määräyt 17 päivää maaliskuuta 1995 aetu sähkömarkkialai (386/1995)
LisätiedotT Datasta tietoon, syksy 2005 Laskuharjoitus 8.12., ratkaisuja Jouni Seppänen
T-1.1 Datasta tietoo, syksy 5 Laskuharjoitus.1., ratkaisuja Joui Seppäe 1. Simuloidaa tasoittaista algoritmia. Esimmäisessä vaiheessa ehdokkaia ovat kaikki yhde muuttuja joukot {a}, {b}, {c} ja {d}. Aaltosulkeide
LisätiedotRiistapäivät 2015 Markus Melin Itä Suomen Yliopisto Metsätieteiden osasto markus.melin@uef.fi
Riistapäivät 2015 Markus Melin Itä Suomen Yliopisto Metsätieteiden osasto markus.melin@uef.fi Laserkeilaus pähkinänkuoressa Aktiivista kaukokartoitusta, joka tuottaa 3D aineistoa (vrt. satelliitti- ja
Lisätiedot4.7 Todennäköisyysjakaumia
MAB5: Todeäöisyyde lähtöohdat.7 Todeäöisyysjaaumia Luvussa 3 Tuusluvut perehdyimme jo jaauma äsitteesee yleesä ja ormaalijaaumaa vähä taremmi. Lähdetää yt tutustumaa biomijaaumaa ja otetaa se jälee ormaalijaauma
LisätiedotTunnuslukuja 27 III TUNNUSLUKUJA
Tuuslukuja 27 III TUNNUSLUKUJA Tuuslukuja 28 Tuuslukuja käytetää, ku tilastoaieistoa havaiollistetaa tiivistetysti yksittäisillä luvuilla. Tuusluvut lasketaa muuttujie arvoje perusteella ja e kuvaavat
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
LisätiedotLaserkeilauksella kattavaa tietoa kaupunkimetsistä
Laserkeilauksella kattavaa tietoa kaupunkimetsistä Topi Tanhuanpää HY, Metsätieteiden osasto / UEF, Historia- ja maantieteiden osasto Kaupunkimetsät: Mitä ne ovat? Kaupungissa ja sen laitamilla kasvavien
LisätiedotMATP153 Approbatur 1B Harjoitus 1, ratkaisut Maanantai
MATP53 Approbatur B Harjoitus, ratkaisut Maaatai..05. (Lämmittelytehtävä.) Oletetaa, että op = 7 tutia työtä. Kuika mota tutia Oili Opiskelija työsketelee itseäisesti kurssilla, joka laajuus o 4 op, ku
Lisätiedot2.3.1. Aritmeettinen jono
.3.1. Aritmeettie joo -joo, jossa seuraava termi saadaa edellisestä lisäämällä sama luku a, a + d, a+d, a +3d, Aritmeettisessa joossa kahde peräkkäise termi erotus o aia vakio: Siis a +1 a d (vakio Joo
LisätiedotKymmenen vuotta maastolaserkeilaustutkimusta käytännön kokemuksia
Kymmenen vuotta maastolaserkeilaustutkimusta käytännön kokemuksia MMT Ville, Kankare Laserkeilaustutkimuksen huippuyksikkö Metsätieteiden laitos, Helsingin yliopisto Kymmenen vuotta maastolaserkeilaustutkimusta
LisätiedotPäähakemisto Tehtävien ratkaisut -hakemisto. 203. Vuosi Indeksi 2008 108,3 2012 116,7. a) Jakamalla 1,07756 7,76 %. c) Jakamalla 0,92802
Päähakemisto Tehtävie ratkaisut -hakemisto 2 Raha 202. Vuosi Ideksi 2007 104,1 2009 108,3 108,3 a) Jakamalla 1,040345 104,1 saadaa iflaatioprosetiksi 4,03 %. 104,1 b) Jakamalla 0,96121 saadaa, että raha
Lisätiedot2 avulla. Derivaatta on nolla, kun. g( 3) = ( 3) 2 ( 3) 5 ( 3) + 6 ( 3) = 72 > 0. x =
TAMMI PYRAMIDI NUMEERISIA JA ALGEBRALLISIA MENETELMIÄ PARITTOMAT RATKAISUT 7 Tiedosto vai hekilökohtaisee käyttöö. Kaikelaie sisällö kopioiti kielletty. a) g( ) = 5 + 6 Koska g o eljäe astee polyomi, ii
LisätiedotPäähakemisto Tehtävien ratkaisut -hakemisto. 203. Vuosi Indeksi 2003 105,1 2007 110,8. a) Jakamalla 110,8 1,05423 saadaan inflaatioprosentiksi noin
Päähakemisto Tehtävie ratkaisut -hakemisto 2 Raha 202. Vuosi Ideksi 2002 104,2 2004 106,2 a) Jakamalla 106,2 1,01919 saadaa iflaatioprosetiksi 1,92 %. 104,2 b) Jakamalla 104,2 0,98116 saadaa, että raha
LisätiedotTaimikonhoidon vaikutus. Taimikonhoidon vaikutus kasvatettavan puuston laatuun
Taimikonhoidon vaikutus kasvatettavan puuston laatuun Taimikonhoidon teemapäivä 26.8.2010 MMT Metsäntutkimuslaitos, Suonenjoki Varhaishoito Pintakasvillisuuden torjunta - kilpailun vaikutukset Taimikonhoidon
LisätiedotTaimikonhoidon ajoitus ja sen merkitys kuusen uudistamisketjussa. Karri Uotila Kustannustehokas metsänhoito seminaarisarja 2011 17.11.
Taimikonhoidon ajoitus ja sen merkitys kuusen uudistamisketjussa Karri Uotila Kustannustehokas metsänhoito seminaarisarja 2011 17.11.2011 Mikkeli Karri Uotila Taimikonhoidon kustannukset Taimikonhoidon
LisätiedotVaihtoehtoisia malleja puuston kokojakauman muodostamiseen
Vaihtoehtoisia malleja puuston kokojakauman muodostamiseen Jouni Siipilehto, Harri Lindeman, Jori Uusitalo, Xiaowei Yu, Mikko Vastaranta Luonnonvarakeskus Geodeettinen laitos Helsingin yliopisto Vertailtavat
Lisätiedot811312A Tietorakenteet ja algoritmit , Harjoitus 1 ratkaisu
83A Tietoraketeet ja algoritmit 06-07, Harjoitus ratkaisu Harjoitukse aiheea o algoritmie oikeellisuus. Tehtävä. Kahvipurkkiogelma. Kahvipurkissa P o valkoisia ja mustia kahvipapuja, yhteesä vähitää kaksi
LisätiedotTree map system in harvester
Tree map system in harvester Fibic seminar 12.6.2013 Lahti Timo Melkas, Metsäteho Oy Mikko Miettinen, Argone Oy Kalle Einola, Ponsse Oyj Project goals EffFibre project 2011-2013 (WP3) To evaluate the accuracy
LisätiedotLaserkeilaus yksityismetsien inventoinnissa
Kuvat Arbonaut Oy Laserkeilaus yksityismetsien inventoinnissa Laserkeilaus ja korkeusmallit Maanmittauslaitoksen seminaari 9.10.2009 Juho Heikkilä Metsätalouden kehittämiskeskus Tapio Sisältö Kuva Metla
Lisätiedotn = 100 x = 0.6 99%:n luottamusväli µ:lle Vastaus:
1. Tietyllä koeella valmistettavie tiivisterekaide halkaisija keskihajoa tiedetää oleva 0.04 tuumaa. Kyseisellä koeella valmistettuje 100 rekaa halkaisijoide keskiarvo oli 0.60 tuumaa. Määrää 95%: ja 99%:
LisätiedotSatelliittipaikannuksen tarkkuus hakkuukoneessa. Timo Melkas Mika Salmi Jarmo Hämäläinen
Satelliittipaikannuksen tarkkuus hakkuukoneessa Timo Melkas Mika Salmi Jarmo Hämäläinen Tavoite Tutkimuksen tavoite oli selvittää nykyisten hakkuukoneissa vakiovarusteena olevien satelliittivastaanottimien
LisätiedotTaimikonhoitotarpeen arviointi valtakunnan metsien inventoinnin metsävarakartan pohjalta
Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Annukka Pesonen, Kari T. Korhonen, Sakari Tuominen, Matti Maltamo ja Eero Lukkarinen Annukka Pesonen Taimikonhoitotarpeen arviointi valtakunnan
LisätiedotTilastollinen päättely II, kevät 2017 Harjoitus 3B
Tilastollie päättely II, kevät 7 Harjoitus 3B Heikki Korpela 3. maaliskuuta 7 Tehtävä. Jatkoa harjoitukse B tehtävii -3. Oletetaa, että x i c kaikilla i, ku c > o vakio. Näytä, että ˆβ, T ja T ovat tarketuvia.
LisätiedotMarkov-ketjun hetkittäinen käyttäytyminen
Matematiika ja systeemiaalyysi laitos 1B Markov-ketju hetkittäie käyttäytymie Tämä harjoitukse tavoitteea o oppia muodostamaa Markov-malleja satuaisilmiöille, piirtämää tiettyä siirtymämatriisia vastaava
LisätiedotJohdatus tilastotieteeseen Otos ja otosjakaumat. TKK (c) Ilkka Mellin (2005) 1
Johdatus tilastotieteesee Otos ja otosjakaumat TKK (c) Ilkka Melli (005) 1 Otos ja otosjakaumat Yksikertaie satuaisotos Otostuusluvut ja otosjakaumat Aritmeettise keskiarvo ja otosvariassi otosjakaumat
LisätiedotMat Tilastollisen analyysin perusteet, kevät 2007
Usea selittää lieaarie regressiomalli Mat-.04 Tilastollise aalyysi perusteet, evät 007 8. lueto: Usea selittää lieaarie regressiomalli Selitettävä muuttua havaittue arvoe vaihtelu halutaa selittää selittävie
Lisätiedot1 Eksponenttifunktion määritelmä
Ekspoettifuktio määritelmä Selvitimme aikaisemmi tällä kurssilla, millaie potessisarja säilyy derivoiissa muuttumattomaa. Se perusteella määritellää: Määritelmä. Ekspoettifuktio exp : R R määritellää lausekkeella
Lisätiedot- menetelmän pitää perustua johonkin standardissa ISO 140-5 esitetyistä menetelmistä
RAKENNUKSEN ULKOVAIPAN ÄÄNENERISTYSTÄ KOSKEVAN ASEMAKAAVAMÄÄRÄYKSEN TOTEUTUMISEN VALVONTA MITTAUKSIN Mikko Kylliäie, Valtteri Hogisto 2 Isiööritoimisto Heikki Helimäki Oy Piikatu 58 A, 3300 Tampere mikko.kylliaie@helimaki.fi
LisätiedotTehtäviä neliöiden ei-negatiivisuudesta
Tehtäviä epäyhtälöistä Tehtäviä eliöide ei-egatiivisuudesta. Olkoo a R. Osoita, että 4a 4a. Ratkaisu. 4a 4a a) a 0 a ) 0.. Olkoot a,, R. Osoita, että a a a. Ratkaisu. Kerrotaa molemmat puolet kahdella:
LisätiedotVäljennyshakkuu männyn luontaisessa uudistamisessa
Metsänuudistaminen pohjoisen erityisolosuhteissa Loppuseminaari Rovaniemi 15.03.2012 Väljennyshakkuu männyn luontaisessa uudistamisessa Mikko Hyppönen Sameli Salokannel Ville Hallikainen Mikä on väljennyshakkuu?
LisätiedotEpäyhtälöoppia matematiikkaolympialaisten tehtäviin
Epäyhtälöoppia matematiikkaolympialaiste tehtävii Jari Lappalaie ja Ae-Maria Ervall-Hytöe 0 Johdato Epäyhtälöitä reaaliluvuille Cauchy epäyhtälö Kaikille reaaliluvuille a, a,, a ja b, b,, b pätee Cauchy
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
LisätiedotTaimettuminen ja taimikon hoito männyn luontaisessa uudistamisessa Eero Kubin ja Reijo Seppänen Metsäntutkimuslaitos Oulu
Taimettuminen ja taimikon hoito männyn luontaisessa uudistamisessa Eero Kubin ja Reijo Seppänen Metsäntutkimuslaitos Oulu Metsänuudistaminen pohjoisen erityisolosuhteissa Tutkimushankkeen loppuseminaari
LisätiedotPuukarttajärjestelmä hakkuun tehostamisessa. Timo Melkas Mikko Miettinen Jarmo Hämäläinen Kalle Einola
Puukarttajärjestelmä hakkuun tehostamisessa Timo Melkas Mikko Miettinen Jarmo Hämäläinen Kalle Einola Tavoite Tutkimuksessa selvitettiin hakkuukoneeseen kehitetyn puukarttajärjestelmän (Optical Tree Measurement
LisätiedotEräs matematiikassa paljon hyödynnetty summa on ns. luonnollisten lukujen neliöiden summa n.
POHDIN projekti Neliöide summa Lukujoo : esimmäise jäsee summa kirjoitetaa tavallisesti muotoo S ai i 1. Aritmeettisesta lukujoosta ja geometrisesta lukujoosta muodostetut summat voidaa johtaa varsi helposti.
LisätiedotTAIMIKON KÄSITTELYN AJOITUKSEN VAIKUTUS TYÖN AJANMENEKKIIN
TAIMIKON KÄSITTELYN AJOITUKSEN VAIKUTUS TYÖN AJANMENEKKIIN Projektiryhmä Simo Kaila, Reima Liikkanen Rahoittajat Metsähallitus, Metsäliitto Osuuskunta, Stora Enso Oyj, UPM-Kymmene Oyj ja Yksityismetsätalouden
LisätiedotKirjoitetaan FIR-suotimen differenssiyhtälö (= suodatuksen määrittelevä kaava):
TL536, DSK-algoritmit (S4) Harjoitus. Olkoo x(t) = cos(πt)+cos(8πt). a) Poimi sigaalista x äytepisteitä taajuudella f s = 8 Hz. Suodata äi saamasi äytejoo x[] FIR-suotimella, joka suodikertoimet ovat a
LisätiedotSELITETTÄVÄ MUUTTUJA SELITTÄVÄ MUUTTUJA. Välimatka- tai suhdelukuasteikko. Laatuero- tai järjestysasteikko. Laatuero- tai järjestysasteikko
Moimuuttujameetelmät Kvatitatiiviset meetelmät Sami Fredriksso Yleie valtio-oppioppi Mikko Mattila 009 1 Yhde muuttuja meetelmät (uivariate statistics): keskiluvut ja hajotaluvut Moimuuttujameetelmät:
Lisätiedot3.2 Sijaintiluvut. MAB5: Tunnusluvut
MAB5: Tuusluvut 3.2 Sijaitiluvut Sijaitiluvut ovat imesä mukaiset: e etsivät muuttuja tyypillise arvo, jos sellaie o olemassa, tai aiaki luvu, joka lähellä muuttuja arvoja o eite. Sijaitiluvut jaetaa kahtee
Lisätiedotja läpäisyaika lasketaan (esim) integraalilla (5.3.1), missä nyt reitti s on z-akselilla:
10 a) Valo opeus levyssä o vakio v 0 = c / 0, jote ajaksi matkalla L laskemme L t0 = = 0 L. v0 c b) Valo opeus levyssä riippuu z:sta: c c v ( z) = = ( z ) 0 (1 + 3az 3 ) ja läpäisyaika lasketaa (esim)
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 1 Iduktiotodistus Iduktiotodistukse logiikka Tutkitaa tapausta, jossa haluamme todistaa joki väittee P() site, että se pätee kaikilla luoollisissa luvuilla. Eli halutaa
LisätiedotSuomen metsäkeskus. SMK:n ja VMI:n inventointien yhteistyömahdollisuuksia. Taksaattoriklubin kevätseminaari Helsinki, 20.3.
Suomen metsäkeskus SMK:n ja VMI:n inventointien yhteistyömahdollisuuksia Taksaattoriklubin kevätseminaari Helsinki, 20.3.2015 Juho Heikkilä Sisältöä 1. SMK:n metsävaratiedosta lyhyesti 2. VMI-SMK yhteistyön
Lisätiedot8. laskuharjoituskierros, vko 11, ratkaisut
Mat-2.091 Sovellettu todeäköisyyslasku, kevät -05 Heliövaara, Palo, Melli 8. laskuharjoituskierros, vko 11, ratkaisut D1. Oletetaa, että havaiot X i, i = 1, 2,..., 100 muodostavat yksikertaise satuaisotokse
LisätiedotMatematiikan tukikurssi
Matematiika tukikurssi Kurssikerta 3 1 Lisää iduktiota Jatketaa iduktio tarkastelua esimerki avulla. Yritetää löytää kaava : esimmäise (positiivise) parittoma luvu summalle eli summalle 1 + 3 + 5 + 7 +...
LisätiedotTehtävä 1. Voidaanko seuraavat luvut esittää kahden neliön summina? Jos voidaan, niin kuinka monella eri tavalla? (i) n = 145 (ii) n = 770.
JOHDATUS LUKUTEORIAAN (syksy 07) HARJOITUS 0, MALLIRATKAISUT Tehtävä. Voidaako seuraavat luvut esittää kahde eliö summia? Jos voidaa, ii kuika moella eri tavalla? (i) = 45 (ii) = 770. Ratkaisu. (i) Jaetaa
Lisätiedot811312A Tietorakenteet ja algoritmit, , Harjoitus 4, Ratkaisu
81112A Tietoraketeet ja algoritmit, 217-218, Harjoitus 4, Ratkaisu Harjoitukse aiheita ovat algoritmie aikakompleksisuus ja lajittelualgoritmit Tehtävä 4.1 Selvitä seuraavie rekursioyhtälöide ratkaisuje
Lisätiedot