TIHEÄPULSSISEN LASERAINEISTON VERTAILUTESTI

Transkriptio

1 TIHEÄPULSSISEN LASERAINEISTON VERTAILUTESTI Pekka Savolainen Terratec Oy Luottamuksellisuus Tämän raportin kirjoittaja on allekirjoittanut salassapitosopimuksen, jossa on sitoutunut olemaan julkaisematta tai muutenkaan luovuttamatta tietoja liittyen tietyn keilaimen aineistoihin. Siksi tämän raportin saa antaa, näyttää tai muuten luovuttaa siitä tietoa vain sellaiselle taholle, joka on saman salassapidon piirissä. Yo. syystä raportista on poistettu laitemerkit ja eri tekniikoita erotetaan termeillä harva- ja tiheäpulssinen lineaarikeilain sekä tiheäpulssinen single photon-keilain , Juho Heikkilä, Metsäkeskus. Tausta Suunniteltaessa uutta vuonna 2020 alkavaa kansallista laserkeilauskierrosta on pidetty hyödyllisenä lisätä pistemäärää noin kertaluokalla 5-8 pisteeseen neliömetrillä. Tämän toivotaan parantavan aineistojen käyttöarvoa ja niistä johdettujen tietojen tarkkuutta, sekä avaavan uusia käyttömahdollisuuksia. Metsävaratiedon tuottamisessa tämä voisi merkitä parempaa puustotunnusten estimointitarkkuutta ja mahdollistaa uusia inventointimenetelmiä, kuten latvusrajatut koealat ja laskentayksiköt ja jopa yksinpuin inventoinnin. Tässä työssä rajoitutaan vertaamaan kolmea erilaista keilausdataa samalta Akaan alueelta, jolle Terratec on tehnyt tulkinnan kauden 2017 harvapulssisesta aineistosta. Aineistot 1: Harvapulssinen 2017 lineaarikeilaindata. 2: Tiheäpulssinen 2018 lineaarikeilaindata. 3: Tiheäpulssinen 2018 single photon-keilaindata. Seuraavissa kuvissa on sama kohta keilainten tuottamista pintamalleista 0.20 m pikselikoolla. Harvassa datassa käytettiin hakusädettä 1 m. Tiheät aineistot mahdollistavat pienemmän säteen (0.40 m) käytön. Pintamalleista voidaan havaita tiheiden aineistojen yksityiskohtainen latvusten kuvaus. Likipitäen jokainen puu, joka ei ole toisen latvuksen alapuolella, voidaan selvästi havaita silmin ja myöskin automaattisilla latvusrajausalgoritmeilla.

2 Kuva 1: Harvapulssikeilaimen pintamallia, säde 1 m. Kuva 2: Tiheäpulssisen lineaarikeilaimen pintamallia, säde 0.40 m.

3 Kuva 3: Tiheäpulssisen single photon-keilaimen pintamallia, säde 0.40 m. Pistepilvien korkeusjakaumia verrattiin muutamilla pintamallilta valituilla kohdilla. Datasta poimittiin tutkittavan suorakaiteen muotoisen alueen sisään osuvat pisteet ja laskettiin ensimmäisen ja viimeisen kaiun persentiilikorkeudet 1 % välein. Oheisissa kuvissa on esitetty kaksi tällaista vertailua.

4 Kuva 4: Näytealue 2 on puustoltaan tiheä, pisimmät puut noin 24 m. 30 Näyte ALS-F ALS-L Riegl-F Riegl_L SPL-F SPL-L harva F harva L tiheä lineaari F tiheä lineaari L single photon F single photon L Kuva 5: Näytealueen 2 pistepilvien ensimmäisen (F) ja viimeisen (L) kaiun jakaumat kolmella eri keilaimella.

5 Eri keilaimet tuottavat hyvin erilaiset ensimmäisen kaiun > 2 m tiheydet (harva: 98 %, tiheä lineaari: 89 % ja tiheä single photon: 85 %). Single photon-keilaimen ensimmäinen ja viimeinen kaiku ovat jakautuneet keskenään samankaltaisesti, kun lineaarikeilaimilla erot ovat suuret. Erityisen merkille pantavan suuri tämä ero on harvapulssikeilaimella, joka tuntuu liipaisevan ensimmäisen kaiun hyvin herkästi ensimmäisestä pienestäkin osumasta latvaan tai oksaan. Tiheäpulssinen lineaarikeilain asettuu muiden keilainten välimaastoon, joskin on se lähempänä harvapulssista lineaarikeilainta. Kuva 6: Näytealue 6, harvennettu puusto, pituus noin 29 m, alikasvosta.

6 Näyte ALS-F ALS-L Riegl-F Riegl-L SPL-F SPL-L harva F harva L tiheä lineaari F tiheä lineaari L single photon F single photon L Kuva 7: Näytealueen 6 pistepilvien jakaumat. Harvennetussa puustossa kaikki keilaimet havaitsivat vallitsevat latvukset ja alikasvoksen. Korkein laserpiste harvapulssidatassa oli 1 m alempana kuin tiheissä keilauksissa. Osa tästä selittyy yhden kauden kasvulla, osa pistetiheyden erolla. Tässäkin ensimmäisen ja viimeisen kaiun jakaumien ero oli selvästi suurin harvapulssisella ja pienin single photon-keilaimella. Sekä harvapulssi- että tiheä single photon-keilain tunkeutuivat huonosti alikasvoksen läpi maanpintaan (alle 30 %), kun tiheällä lineaarikeilaimella vastaava osuus oli yli 60 %. Tässä esitetyt jakaumakuvat olivat pinta-alaltaan m2. Koealan tai laskentayksikön kokoisella (noin 250 m2) alalla harvapulssisen pistepilven jakaumat ovat jossakin määrin horjuvia, koska jakaumatilasto perustuu pieneen otokseen (pistemäärään). Tiheämpi pistepilvi tuottaa stabiilimmat jakaumatunnukset, joka mahdollistaa metsien tarkemman kuvailun erityisesti lähimmän naapurin menetelmillä. Tiheä single photon-keilain tuottaa jakaumamielessä heikoimman karakterisoinnin. Myös maanpinnasta saatavien kaikujen osuus oli pienin vertailuista sensoreista. Jossakin määrin mielenkiintoisesti tiheä lineaarikeilain meni ensimmäisen kaiun osalta syvemmälle kuin harvapulssikeilain. Viimeisen kaiun maanpintaan yltäneiden kaikujen osuus oli yleensä samaa luokka, joskin tiheämpi pistepilvi tuottaa myös maan pinnasta kertaluokkaa yksityiskohtaisemman kuvauksen. Kaikki keilaimet kuvasivat ylimpiä latvoja melko samalla tavalla, mutta luonnollisesti tiheämpi keilaus löytää herkemmin latvojen ylimmät huiput. Seuraavassa muutama esimerkki pintamallien erotuskuvista harvapulssi tiheä single photon. Erotukset ovat hyvin pieniä paikoissa, joissa ei ole muutosta. Yksittäisten puiden poistaminen tai kaatuminen näkyy hyvin, samoin harvennukset.

7 Kuva 8: Mahdollisia tuulenkaatoja.

8 Kuva 9: Hakkuu ja ajoura. Kuva 10: Harvennushakkuu.

9 Kuva 11: Poistuneita tai poistettuja puita. Menetelmät Aineistoja verrattiin käyttämällä niitä koealoja, jotka osuvat kaikkien keilausten alueelle. Yhteensä koealoja oli 420 kpl, joista 334 oli keskipituudeltaan yli 6 m ja käytettiin mallinnuksissa. 320 kpl oli yli 7 m, joille esitetään tulokset. Mallinnuksessa käytettiin Terratecin inventoinneissaan käyttämiä menetelmiä ja ohjelmia. Eri aineistoja pyrittiin kohtelemaan mahdollisimman samalla tavalla, jotta tulokset olisivat vertailukelpoisia. Keilainten datasta on ollut tapana määritellä ensimmäiseen kaikuun luokat ainoa kaiku ja ensimmäinen monesta. Vastaavasti viimeisiin kaikuihin kuuluvat ainoat kaiut ja viimeiset monesta. Lasertunnuksina käytettiin ensimmäisestä ja viimeisestä kaiusta laskettuja korkeusjakaumia maanpinnasta, näistä johdettuja muunnoksia, sekä pisteiden intensiteettiarvoista laskettuja tunnuksia. Ennakkokäsityksenä oli, että tiheä single photon-keilain ei tuota samasta lähtevästä pulssista useampia paluukaikuja, vaan aina tulisi joko ainoa kaiku tai ei lainkaan paluukaikua. Tämä käsitys osoittautui sikäli vääräksi, että Akaan single photon-datassa esiintyi myös kaikuluokkia ensimmäinen monesta ja viimeinen monesta. Näitä oli melko vähän verrattuna ainoihin kaikuihin. Siksi ensimmäisen ja viimeisen kaiun jakaumatunnukset olivat lähellä toisiaan.

10 Kokonais- ja keskitunnukset Mallinnuksissa käytettiin Terratecin samoja k-msn -ohjelmia, joilla tehdään normaalia aluepohjaista metsien inventointia. Malleissa oli selittävinä muuttujina runkotilavuus (m3/ha), pohjapinta-ala (m2/ha), runkoluku (1/ha), ppapainotettu keskipituus (m), ppa-painotettu keskiläpimitta (cm), ppa-painotettu keski-ikä (a) sekä valtapituus (m). Mallinnuksessa minimoidaan selitettävien muuttujien keskivirhettä ristiinvalidoinnissa. Minimoitava tunnus on selitettävien muuttujien suhteellisten neliöllisten keskivirheiden painotettu keskiarvo. Eri tunnusten painotusta käytetään normaalisti ohjaamaan malleja tuottamaan paras mahdollinen tarkkuus tärkeimmille ja kriittisimmille tunnuksille. Esimerkiksi pohjapinta-alalla kannattaa käyttää merkittävästi korkeampaa painoa kuin runkoluvulla tai iällä. Kokonais- ja keskitunnukset korreloivat voimakkaasti laserpiirteiden kanssa. Jos puulajitulkintaa ei tarvittaisi, olisi lasertulkinta huomattavan suoraviivaista. Puulaji puhtaissa metsiköissä tai puulajisuhteet sekametsissä korreloivat heikommin laserpiirteiden kanssa ja siksi on totuttu käyttämään puulajimalleissa ilmakuvapiirteitä. Ylivoimaisesti suurin osa kokonais- ja keskitunnuksista selittyy hyvin yksinkertaisilla laserpiirteillä, ennen kaikkea laserkorkeudella maanpinnasta ja myöskin lasertiheydellä eri korkeuksissa maanpinnasta. Haettaessa lisää tarkkuutta malleihin mukaan sekoittuu puulajien kanssa korreloivia piirteitä. Sama laserpisteiden jakauma vastaa eri puulajin metsissä erilaisia pohjapinta-aloja ja tilavuuksia. Vaikka esimerkiksi lehtipuut ja männyt näyttävät hyvin samanlaisilta korkeusjakaumissa, tulee koivulle yksinkertaisissa malleissa helposti yliarvio ja männylle aliarvio. Tässä lähimmän naapurin mallit tulevat avuksi, mikäli selittävät piirteet erottavat myös puulajia. Edellä mainituista syistä ennakko-odotuksissa toivottiin tiheämmän pistepilven karakterisoivan paremmin metsien hienorakennetta ja tuottavan paremman korrelaation laserpiirteiden (laser mittaa vain latvustoa) ja mitattujen tunnusten (vain puiden rungot mitattu) välille. Puulajitunnukset Puulajin tunnistus puhtaissa metsiköissä ja puulajisuhteet sekametsissä saavat pääasiallisen selitysvoimansa normaalisti ilmakuvatunnuksista. Ei ole kovin hedelmällistä verrata mukana olevia laseraineistoja, kun lähes kaikki selitys tulee kuitenkin kuvilta. Sen sijaan aineistoille tehtiin puulajitunnusmallit pelkän pistepilven avulla. Tämän toivottiin paljastavan voimakkaimmin keilausmenetelmän metsää kuvailevan voiman. Tuotantotulkinnoissa pelkkään laseriin perustuvat puulajiestimaatit jäävät kauaksi määritellystä vaatimustasosta, joka normaalisti saavutetaan rimaa hipoen ilmakuvienkin kanssa. Puulajimalleissa selitettävinä tunnuksina oli samanaikaisesti kolmen puulajin tai puulajiryhmän normaalit tunnukset (pohjapinta-ala, tilavuus, runkoluku, keskipituus, valtapituus, keskiläpimitta ja keski-ikä) minimoiden tunnusten neliöllisten suhteellisten keskivirheiden painotettua keskiarvoa. Suurimmat painot olivat tässäkin pohjapinta-aloilla ja tilavuuksilla. Käytössä ollut koealamäärä oli hieman pieni puulajitunnusten mallintamiseen. Tällöin on aina mukana ylimallintamisen riski ja tuloksiin kannattaa siksi suhtautua tietyllä varauksella. Normaalisti aluepohjaisessa tulkinnassa käytettävät piirteet perustuvat pelkästään h-koordinaattiin (pisteen korkeus maanpinnasta). X- ja y-koordinaatteja ei siis käytetä yhtään mihinkään muuhun kuin pisteen luokittelemiseen olemaan koealalla. Tiheämpi pistepilvi antaa mahdollisuuksia kokeilla myös xy-tason tunnuksia. Tässä testattiin pintamalleista laskettuja Haralickin tekstuuripiirteitä tiheille laseraineistoille kahdella eri pikselikoolla (0.5 m ja 1 m).

11 Tulokset Seuraavissa taulukoissa on mallinnustulokset kokonais- ja keskitunnusmalleille kolmella eri laseraineistolla, sekä puulajimallinnusten tulokset. G (m2/ha) V (m3/ha) Dgm (cm) Hgm (m) N (1/ha) Ikä (a) Hdom (m) keskiarvo hajonta RMSE RMSE-% Taulukko 1: Harvapulssinen lineaarikeilain, kokonais- ja keskitunnukset. G (m2/ha) V (m3/ha) Dgm (cm) Hgm (m) N (1/ha) Ikä (a) Hdom (m) keskiarvo hajonta RMSE RMSE-% Taulukko 2: Tiheäpulssisen single photon-keilain, kokonais- ja keskitunnukset. G (m2/ha) V (m3/ha) Dgm (cm) Hgm (m) N (1/ha) Ikä (a) Hdom (m) keskiarvo hajonta RMSE RMSE-% Taulukko 3: Tiheäpulssinen lineaarikeilain, kokonais- ja keskitunnukset.

12 G_ma G_ku G_le V_ma V_ku V_le N_ma N_ku N_le D_ma H_ma D_ku H_ku D_le H_le n ka.tulk ka.mit Keskihaj RMSE RMSE-% Harha Harha-% Harha-merk Taulukko 4: Harvapulssinen lineaarikeilain, puulajitunnukset. G_ma G_ku G_le V_ma V_ku V_le N_ma N_ku N_le D_ma H_ma D_ku H_ku D_le H_le n ka.tulk ka.mit Keskihaj RMSE RMSE-% Harha Harha-% Harha-merk Taulukko 5: Tiheäpulssisen single photon-keilain, puulajitunnukset. G_ma G_ku G_le V_ma V_ku V_le N_ma N_ku N_le D_ma H_ma D_ku H_ku D_le H_le n ka.tulk ka.mit Keskihaj RMSE RMSE-% Harha Harha-% Harha-merk Taulukko 6: Tiheäpulssinen lineaarikeilain, puulajitunnukset.

13 Kokonais- ja keskitunnuksissa tiheä single photon-keilaus ei tuottanut parannusta harvapulssiseen keilaukseen verrattuna. Eri tunnuksissa oli hyvin pieniä eroja kumpaankin suuntaan. Sen sijaan tiheä lineaarikeilaus antoi merkittävästi paremman tuloksen kokonais- ja keskimallissa eniten painotettujen pohjapinta-alan ja tilavuuden osalta. Puulajimalleissa on huomattava, että tiheiden aineistojen malleissa oli mukana piirre-ehdokkaina joukko tekstuuritunnuksia, joista joku tuli malliinkin, mutta harvapulssisessa tekstuuritunnuksia ei käytetty. Mallinnuksen aikana oli nähtävissä, että tekstuuritunnukset paransivat hieman puulajimalleja pelkkiin laserpiirteisiin verrattuna, mutta mallien järjestys ja erot olivat hyvin samanlaiset ilman tekstuuritunnuksia tai niiden kanssa. Single photon-keilaimen tiheäpulssinen aineisto kuvaa puulajeja selvästi paremmin kuin harvapulssinen laser. Tiheän pilven mahdollistamat tekstuuritunnukset ja muut xy-koordinaatteja käyttävät lisäpiirteet ovat lupaava tapa edelleen parantaa puuston kuvailua aluepohjaisessa tulkinnassa. Parhaan puulajierottuvuuden tuotti tiheäpulssinen lineaarikeilain. Jostakin syystä erityisesti kuusen tulokset paranivat paljon muihin keilaimiin verrattuna. Johtopäätökset Tehtyjen vertailujen perusteella voinee turvallisesti päätellä, että pistetiheyden lisääminen harvapulssisesta yli kertaluokalla parantaa mallinnustarkkuutta perinteistä aluepohjaista tulkintamenetelmää käytettäessä. Erityisesti puulajien erottuvuus paranee pelkillä laserpiirteilla ennustettaessa, joskin on muistettava, että puulajitarkkuus ei tällöinkään riitä täyttämään vakiintunutta vaatimustasoa, saati tuottamaan entistä parempaa tulosta ilman ilmakuvia. Tässä ei haluttu ottaa vertailuun ilmakuvatunnuksia, koska pienehkön koealamäärän takia ei olisi saatu tehtyä voimakkaita johtopäätöksiä. Voi kuitenkin sanoa, että ainakin Terratecin tavalla laskea ilmakuvatunnukset korkeampi pisteiden tiheys tuottaa hyötyä myös ilmakuvatunnuksia käytettäessä. Single photon-keilaimen heikkoutena on sen lineaarikeilainta vähäisempi puuston karakterisointi. Tämä johtuu ennen kaikkea siitä, että lähetetystä pulssista saadaan yleensä takaisin vain yksi kaiku. Lisäksi näyttää siltä, että tunkeutuvuus latvuskerroksen läpi ja latvusten välistä maanpintaan on heikompi kuin lineaarisella keilaimella, joissa toki myös on keskinäisiä eroja riippuen lasertehosta ja käytetyistä parametreista. Varauksena mainittakoon, että vertailu perustui perinteisesti harvapulssisessa aluepohjaisessa tulkinnassa käytettyihin menetelmiin. On mahdollista, että löytyy sellaisia uusia piirteitä, että myös tiheäpulssinen single photon katsotaan tulevaisuudessa tasavertaiseksi tavaksi kerätä aineistoa metsävaratiedon tuottamiseen. Joka tapauksessa on syytä tutkimus- ja kehitystyössä pyrkiä keksimään entistä parempia keinoja ottaa kaikki hyöty kertaluokkaa suuremmasta pistetiheydestä.