Metsäalueen kuviointi laserkeilausaineiston ja soluautomaatin avulla

Transkriptio

1 Metsäalueen kuviointi laserkeilausaineiston ja soluautomaatin avulla Taksaattoriklubin vuosikokous Eero Viitanen

2 Taustaa Metsikkökuvio Oliver & Larson: Spatiaalisesti jatkuva joukko puita ja muuta kasvillisuutta, jolla on samanlainen rakenne ja joiden maaperä- ja ilmasto-olosuhteet ovat samankaltaisia Kuvio (compartment) on operationaalinen käsittely-yksikkö Metsikkö (stand) on ekologinen kasviyhdyskunta Perinteisesti kuviointi on tehty manuaalisesti ilmakuvien, maastokartan ja nykyään myös latvusmallin avulla Aikaa vievää suurilla pinta-aloilla Subjektiivista, kuvioinnin lopputulos riippuu kuvioinnin tekijästä Ei välttämättä tuota optimaalista kuviointia minkään tavoitteen kannalta

3 Laserkeilaus (ALS) Aktiivinen kaukokartoitusmenetelmä, joka perustuu tarkasti kohdistettujen laserpulssien kaikujen havaitsemiseen Voidaan muodostaa kolmiulotteinen pistepilvi latvustosta sekä erilaisia pintamalleja Soveltuu hyvin metsäsovelluksiin Kaikujen korkeusjakauma korreloi vahvasti monien puustotunnusten kanssa Koska kuviot ovat homogeenisia puuston suhteen, myös kuviointi korreloi kaikujen korkeusjakauman kanssa hyvin

4 Automaattikuviointi Perustunut aikaisemmin ilma- tai satelliittikuviin Ei tarpeeksi hyviä tuloksia operationaaliseen käyttöön sinällään Laserkeilauksen kehityksen myötä ALS-aineistot ovat tuottaneet parempia tuloksia Haasteita: Kuvioiden erottaminen helppoa ihmissilmälle, koneelle vaikeampaa Objektiivinen mittari kuvioinnin laadulle puuttuu Käytettyjä kuvioinnin validointimenetelmiä: Visuaalinen tarkastelu Vertailu referenssikuviointiin Varianssianalyysi tiheän koealaverkoston avulla

5 Soluautomaatti Matemaattinen malli, joka kuvaa systeemin kehittymistä satunnaisesta alkutilanteesta järjestäytyneeseen rakenteeseen (Wolfram 1983) Koostuu hilasta jossa on soluja Soluilla on arvo (tila) ja määritelty naapurusto Solujen tila muuttuu sääntöjen mukaan, joissa otetaan huomioon naapuruston solut Moore Von Neumann Painotettu Moore Heksahila

6 Tutkimuksen tavoitteet Kehitettään uusi menetelmä metsän automaattikuviointiin soluautomaatin ja ALS-datan avulla Testataan mitkä ALS-tunnukset sopivat parhaiten kuviointiin Valitaan toimivat parametrit kuviointialgoritmiin Tutkitaan miten pelkästään ALS-hiloihin perustuva menetelmä soveltuu kuvioinnin validointiin

7 Aineisto Kiihtelysvaaran tutkimusalue Kuviointia varten: Tiheä ALS-pisteaineisto (12 pulssia/m²) Keilattu kesäkuussa 2009 Manuaalinen referenssikuviointi Huom: ei edusta oikeaa kuviointia

8 Menetelmät Optimointiparametrien valinta kokeilemalla Kuvioinnissa käytettävät tunnukset valittiin lähtötasojen visuaalisella tarkastelulla ja tunnusten välisten korrelaatioiden minimoinnilla Alkuratkaisu: säännölliset 100 m x 100 m neliöt

9 Kuviointialgoritmi Muodostetaan metsäalueelle kuviointi seuraavilla periaatteilla: Kuvioiden oltava homogeenisia Kuvioiden oltava yhtenäisiä Kuviokoko oltava riittävän suuri Yksittäisen solun siirtyminen segmentistä toiseen säädellään yleisen hyötyfunktion avulla Kolme osahyötyä: Solun ja segmentin samankaltaisuus Segmentin naapuriosuus Segmentin koko Osahyötyjen painotus muuttuu kuvioinnin edetessä painofunktion mukaan Iteroidaan kuviointialgoritmia 200 kierrosta

10 Segmenttien labelointi ja yhdistäminen Kuvioinnin edetessä segmentit pirstoutuvat moniosaisiksi Erotetaan erilliset osat omiksi segmenteikseen CCL-algoritmilla Liian pieniä tai samankaltaisia segmenttejä muodostuu Yhdistetään segmentit samankaltaisimpaan naapurisegmenttiin

11 Kuvioinnin validointi Visuaalinen arviointi Kuvioiden homogeenisuuden arviointi varianssianalyysillä Tiheän koealaverkoston sijasta perustuu laserkeilaushiloihin Lasketaan selitysaste R² jokaiselle hilatasolle Kuinka suuri osa muuttujatasojen arvojen vaihtelusta selittyy kuvioinnilla? Lasketaan selitysasteen suhteellinen muutos verrattuna lähtötilanteeseen Kuinka paljon kuviointi on parantanut kuvioiden homogeenisuutta?

12 Tuloksia Valitut ALS-muuttujatasot: Hajonta: hajonta (AAD) päällimmäisten kaikujen korkeuksista Keskiarvo: keskiarvo pohjimmaisten kaikujen korkeuksista Intensiteetti: intensiteetin 20. persentiili pohjimmaisista kaiuista

13 Optimointi Testattiin eri tekijöiden vaikutuksia: Muuttujat Naapuruston tyyppi Hilan solukoko Hilan suodattaminen Optimointi OPT_REF OPT_VAR OPT_AVG OPT_INT OPT_NEU OPT_MOO OPT_4M OPT_6M OPT_FILT Kuvaus Perusoptimointi Optimointi hajontatasolla Optimointi keskiarvotasolla Optimointi intensiteettitasolla Optimointi von Neumannin naapurustolla Optimointi Mooren naapurustolla Optimointi 4 m hilalla Optimointi 6 m hilalla Optimointi suodatetulla 2 m hilalla

14 Manuaalinen kuviointi

15 Kuviointi Kuvioiden keskikoko, ha Hajonnan R² Keskiarvon R² Intensiteetin R² Selitysasteiden keskiarvo Manuaalinen kuviointi 1,91 0,35 0,29 0,36 0,33 Alkuratkaisu 0,80 0,25 0,20 0,26 0,24 Soluautomaatti R²abs R²rel R²abs R²rel R²abs R²rel R²abs R²rel OPT_REF 1,60 0,38 52,0 0,31 55,0 0,40 53,8 0,36 52,8 OPT_VAR 2,01 0,40 60,0 0,26 30,0 0,33 26,9 0,33 38,9 OPT_AVG 2,64 0,28 12,0 0,30 50,0 0,32 23,1 0,30 26,4 OPT_INT 2,61 0,27 8,0 0,25 25,0 0,40 53,8 0,31 29,2 OPT_NEU 1,70 0,39 56,0 0,32 60,0 0,42 61,5 0,38 58,3 OPT_MOO 1,80 0,38 52,0 0,31 55,0 0,40 53,8 0,36 52,8 OPT_4M 1,81 0,36 44,0 0,30 50,0 0,37 42,3 0,34 44,4 OPT_6M 1,84 0,35 40,0 0,29 45,0 0,36 38,5 0,33 40,3 OPT_FILT 1,65 0,38 52,0 0,32 60,0 0,41 57,7 0,37 55,

16 Kuvioinnin kehittyminen

17

18 Johtopäätöksiä Soluautomaatti- ja laserkeilauspohjainen menetelmä soveltuu automaattikuviointiin Parhaat tulokset käyttäen kaikkia kolmea lähtötasoa, von Neumannin naapurustoa ja 2 metrin solukokoa Manuaalinen kuviointi oli visuaalisesti automaattikuviointeja parempi, mutta heikompi kuvioiden homogeenisuuden suhteen Korkeimmat selitysasteet intensiteettitasolta ja pienimmät keskiarvotasolta Kuvioinnin ALS-pohjainen validointimenetelmä tuotti loogisia tuloksia

19 Menetelmän kehittäminen Parametrien ja ALS-tunnusten valinnan parantaminen Kuvioiden tavoitekoko Nyt tavoitteena oli muodostaa suoraan operationaalisia kuvioita Toinen vaihtoehto muodostaa pienempiä mikrokuvioita ja yhdistää nämä spatiaalisella optimoinnilla käsittelyjä varten Latvussegmentit tai heksahila optimoinnin lähtökohtana Kuvioinnin validointi ALS-aineistosta ennustetulta puustotunnushilalta Kuvioinnin optimointi haluttujen tavoitteiden (esim. NPV maksimointi) pohjalta

20 Kiitos! uef.fi