Luonnontieteiden ja metsätieteiden tiedekunta Faculty of Science and Forestry

Transkriptio

1 Luonnontieteiden ja metsätieteiden tiedekunta Faculty of Science and Forestry KASVUPAIKAN BONITEETIN MÄÄRITTÄMINEN ERIAIKAISEN KAUKOKARTOITUSTIEDON AVULLA Petteri Vartiainen METSÄTIETEEN PRO GRADU, ERIKOISTUMISALA METSÄNARVIOINTI JA METSÄSUUNNITTELU JOENSUU 2021

2 2 Petteri Vartiainen Kasvupaikan boniteetin määrittäminen eriaikaisen kaukokartoitustiedon avulla. Itä-Suomen yliopisto, luonnontieteiden ja metsätieteiden tiedekunta, metsätieteiden osasto. Metsätieteen pro gradu, erikoistumisala metsänarviointi ja metsäsuunnittelu. 46 s. Tiivistelmä Kasvupaikan määrittäminen tehdään nykyään yleensä silmämääräisesti arvioimalla maastossa Cajanderin kasvupaikkojen mukaan. Pituusboniteetin käyttäminen puuntuotoksen määrittämisessä voisi olla tarkempi ja objektiivisempi kuin perinteinen kasvupaikkaluokitus. Tämän tutkimuksen tarkoituksena on ennustaa metsikön pituusboniteetti eriaikaisella kaukokartoitusdatalla. Aineistona on käytetty Metsäkeskuksen avointa dataa ja uudempaa tiheää laserkeilausta sekä droonikuvausta. Droonikuvaus ja tiheä laserkeilausdata on kerätty Liperin alueelta. Droonikuvauksesta tehtiin pisteparvi SfM-tekniikalla (Structure from Motion) kahdella eri menetelmällä. Kaukokartoituksella voidaan määrittää tarkasti puuston pituus. Kun käytössä on kahden eri ajankohdan kaukokartoitustietoa, tiedoilla voi ennustaa puuston kasvua. Kasvun ja pituuden avulla pystytään määrittämään boniteettikäyriltä pituusboniteetti. Pituusboniteettia ennustettiin myös suoralla menetelmällä regressiomallilla pisteparvien erotuksista saatavilla tunnuksilla. Valtapituuden ennustamisessa droonidatasta RMSE:ksi saatiin 1,0 tai 0,8 metriä verrattuna maastomittaukseen automaattisella maantunnistuksella ja manuaalisella menetelmällä. Pituusboniteetin suhteelliseksi RMSE:ksi saatiin epäsuoralla menetelmällä droonipisteparvista 21,0 % ja 19,1 % sekä laserkeilausdatasta 14,4 %. Suoralla menetelmällä suhteelliset RMSE:t vaihtelivat 9,8 %:n ja 12,6 %:n välillä. Iän määrittämisen suhteelliset RMSE:t vaihtelivat 4,9 %:n ja 8,5 %:n välillä, kun se oli maastoarvioinnissa 6,0 %. Cajanderin kasvupaikoiksi muutettuna kasvupaikka yliarvioitiin % koealoista riippuen tekniikasta. Tuloksista huomataan, että pituusboniteetti saadaan arvioitua melko hyvällä tarkkuudella, mutta Cajanderin kasvupaikoiksi muutettaessa kasvupaikan hyvyys yliarvioidaan. Eriaikaisen kaukokartoitustiedon käyttäminen näyttää lupaavalta tutkimuskohteelta tulevaisuudessa.

3 3 Petteri Vartiainen Determination of site-index using bitemporal remote sensing data. University of Eastern Finland, Faculty of Science and Forestry, School of Forest Sciences. Master s thesis in Forest Science, specialization Forest Mensuration and Forest Planning, 46 p. Abstract Nowadays habitat determination is usually done visually from ground using Cajander s habitat classification. Using site-index to determine wood yield could be more accurate and objective than traditional habitat type classification. The purpose of this study was to predict the site-index of the stand with bitemporal remote sensing data. Data used in this study was Finnish forest center s open data and newer dense laser scanning as well as drone imaging. The drone data and newer laser scanning data was collected from the Liperi area. Drone images were turned into point cloud by Structure from Motion using two different methods. Remote sensing data can be used to accurately determine the length of a tree stand. If bitemporal remote sensing data is available, the data can be used to predict the growth of trees. With the help of growth and length of trees, it is possible to determine the site-index with the help of site-index curves. Site-index was also predicted by the direct method with a regression model with the variables from point cloud differences. Predicting dominant height from drone data yielded RMSE of 0,8 or 1,0 meters compared to field measurement using automatic ground classification or manual technique respectively. The relative RMSE of site-index was from 21.0% and 19.1% with the drone point clouds and 14.4% with the laser scanning data acquired with indirect method. With direct method, the relative RMSEs ranged from 9.8% to 12.6%. The relative RMSEs for determining age ranged from 4.9% to 8.5%, compared to 6.0% in the ground measurements. Converted to Cajander s habitat types, the habitat was overestimated in 65 82% of the plots compared to ground measurements depending on the technique. It can be seen from the results that the site-index can be estimated with decent accuracy, but when site-index is converted to Cajander s habitat types, the goodness of the habitat is overestimated. The use of different-time remote sensing data looks promising research topic in the future.

4 4 SISÄLTÖ 1 JOHDANTO Aiemmat tutkimukset Pituusboniteetin ennustaminen Drooni-tutkimukset Droonidatan edut ja rajoitteet SfM DIPC:n ja ALS:n erot Tunnusten korrelaatio Yleisiä eroja Tavoitteet AINEISTO JA MENETELMÄT Aineisto Menetelmät Boniteettikäyrät Tulosten arviointi TULOKSET Valtapituuden ennustaminen Valtapituuden kasvu Pituusboniteetin ennustaminen Epäsuora menetelmä Suora menetelmä Vertailu Iän määrittäminen boniteettikäyriltä Vertailu avoimeen metsävaratietoon TULOSTEN TARKASTELU Virhelähteet Johtopäätökset LÄHTEET... 42

5 5 1 JOHDANTO Metsän arvioinnissa kasvupaikan määrittäminen on erittäin tärkeää, jotta saadaan selville metsikön tuotospotentiaali. Se vaikuttaa merkittävästi hakkuiden suunnitteluun ja maan arvoon. Suomessa kasvupaikka on perinteisesti määritelty maastossa kasvilajiston avulla Cajanderin (1926) luokitusten perusteella. Muualla maailmassa yleisempi menetelmä on pituusboniteetin tai -indeksin (site-index) käyttö. Pituusboniteetti tai -indeksi kuvaa tasaikäisrakenteisen metsän kasvukykyä. Se tarkoittaa käytännössä valtapituutta tietyllä iällä; Suomessa havupuilla yleensä sadan vuoden ikäisenä ja koivulla 50 vuoden ikäisenä. Tämä kuitenkin vaihtelee paljon eri maissa, joten arvot eivät ole vertailukelpoisia. Valtapituus lasketaan sadasta rinnankorkeusläpimitaltaan paksuimmasta puusta hehtaarilla. Valtapituuteen ei vaikuta runkoluku eivätkä harvennukset niin paljoa kuin keskipituuteen (Skovsgaard ym. 2008). Pituusboniteetti on suoraan verrannollinen valtapituuden kasvun kanssa. Pituusboniteetti on objektiivisempi tapa luokitella kasvupaikka, mutta siinä on omat ongelmansa. Ensinnäkin iän tarkka määritys on hankalaa pystyssä olevista puista, varsinkin vahingoittamatta puita. Toisekseen boniteettikäyrät eivät ota huomioon metsätuhoja, jonka takia pituuden ja iän suhde voi olla vääristynyt. Tässä tutkimuksessa käytetyt boniteettikäyrät ovat 1980-luvulta (Gustavsen 1980, Oikarinen 1983), ja ne perustuvat valtakunnan metsien kolmanteen inventointiin, joka tehtiin vuosina Kasvunopeudet voivat olla hieman muuttuneet johtuen esimerkiksi jalostetusta taimiaineksesta tai ilmastonmuutoksesta. Pituusbonitoinnin hyviin puoliin kuuluu sen objektiivisuus ja kvantitatiivisuus (Gustavsen 1980). Sen arviointi on kuitenkin virhealtista, koska ikä ja valtapituus on arvioitava. Gustavsen (1980) luettelee myös rajoituksia, joita bonitointiin liittyy: 1. Valtapituuden vaihtelu ei saisi olla liian suuri. 2. Pääpuulajin osuuden pitäisi olla yli 60 prosenttia. 3. Ojitettuja ja lannoitettuja metsiköitä ei ole mallien laadinta-aineistossa, joten ne aiheuttavat virheitä. 4. Nuorten metsiköiden (alle 30-vuotiaat) bonitointi on epätarkkaa.

6 6 Pituusboniteettiin vaikuttavia asioita on monia. Näillä määreillä onkin mallinnettu pituusboniteettia: maaperän ominaisuudet (esimerkiksi Farrely 2011), topografia (esimerkiksi Aertsen 2010) ja ilmasto (esimerkiksi Antón-Fernández 2016). Kuitenkin ALS-tunnuksilla mallintaminen on ollut suhteellisen vähäistä (ks. luku 1.1.2). Viime vuosikymmenen aikana miehittämättömät ilma-alukset (UAV eli unmanned aerial vehicle tai UAS eli unmanned aerial system) eli yleisimmin droonit ovat yleistyneet monella alalla. Myös metsätaloudessa niitä on alettu hyödyntää esimerkiksi pienialaisiin metsäinventointeihin, joissa droonilla tehtävä ilmakuvaus mahdollistaa puustotietojen edullisen inventoinnin ja päivittämisen. Varsinkin droonin hyödyntämistä yksinpuintulkinnassa on alettu tutkimaan paljon (esim. Birdal ym. 2017), mutta myös aluepohjaisesti on tehty tutkimuksia (esim. Puliti ym. 2015). Yksinpuintulkinnassa jokainen puu käsitellään datassa erikseen eli esimerkiksi jokaisen puun pituus määritetään. Aluepohjaisella menetelmällä arvioidaan joko kuvioittain tai tietyn kokoiselta hilaruudulta keskiarvoisia tunnuksia, joiden perusteella ennustetaan alueen puustotunnuksia. Drooni-kuvausta ilman erillistä maastossa tehtävää mittausta on tutkittu aluepohjaisilla menetelmillä (Kotivuori ym. 2020). Latvuston korkeuden perusteella voidaan droonipohjaisesta pisteparvesta johtaa muita puustotunnuksia, kuten tilavuus ja rinnankorkeusläpimitta samalla tavalla kuin LiDAR datasta (esimerkiksi Næsset 2002 ja Corona 2008). 1.1 Aiemmat tutkimukset Pituusboniteetin ennustaminen Pituusboniteetin ennustamista droonilla ei ole vielä tehty, mutta laserkeilausaineistosta sitä on tehty hieman, ja tulokset ovat olleet melko hyviä. Hollaus ym. (2015) on tutkinut myös yksinpuintulkinnan mahdollisuuksia pituusboniteetin määrittämisessä ja saanut lupaavia tuloksia. Kandare ym. (2017) on käyttänyt yksinpuintulkintaa ja saanut pituusboniteetin suhteelliseksi RMSE:ksi (root mean square error eli keskineliövirheen neliöjuuri) 27,6 27,8 prosenttia ilman maastomittauksia ja käyttämällä maastossa mitattua ikää suhteelliseksi RMSE:ksi 7,6 7,4 % Norjassa.

7 7 Noordermeer ym. (2018) on käyttänyt kahta eri ajankohdilta hankittua ALS-aineistoa ja saanut pituusboniteetin RMSE:ksi suoralla menetelmällä noin 1,78 metriä kuuselle ja 1,08 metriä männylle. Epäsuoralla menetelmällä, jossa käytetään boniteettikäyriä, on saatu molemmille puulajeille RMSE:ksi 1,82 metriä. Tässä tutkimuksessa käytetään samoja menetelmiä, ja ne on kerrottu tarkemmin luvussa 2.2. Socha ym. (2017) on käyttänyt myös kahden eri ajankohdan ALS-aineistoa ja useita malleja valtapituuden kasvun sekä pituusboniteetin ennustamiseksi. Verrattuna runkoanalyysillä tehtyyn malliin valtapituuden ero oli 0,7 1.1 metriä vaihdellen hieman eri pituusboniteettiluokissa. Guerra-Hernández ym. (2020) on käyttänyt myös kahden ajankohdan laserkeilausta ja lisäksi monia ilmastollisia, edafisia ja topografisia tekijöitä. Pituusboniteettia ennustavan mallin selitysasteeksi saatiin 0,66. Véga ym on saanut pituusboniteetin RMSE:ksi 2,41 metriä ja iän RMSE:ksi seitsemän vuotta käyttämällä ortokuvia eri vuosikymmeniltä ja laserkeilausaineistoa banksinmännyllä (Pinus banksiana). Myös Holopainen ym. (2010) on ennustanut kasvupaikkaa käyttämällä ALS-valtapituutta ja ikää, joka oli arvioitu aiemmin tehdyssä metsäsuunnitelmassa. Kasvupaikka ennustettiin Väliahon (1980) sekä Gustavsenin (1980) malleilla, joita käytetään tässäkin tutkimuksessa. Kasvupaikka saatiin määritettyä oikein 70,9 prosentissa koealoista, kun maastossa mitatuilla tarkkuus oli 78,6 %. Tompalski ym. (2015) on verrannut maastomittauksen perusteella arvioitua boniteettia laserkeilauksella saatavaan uuteen boniteettimalliin Kanadassa. Malli tuotti rehevämmän kasvupaikan noin 57 prosentille koealoista. Noin 31 prosenttia pysyi samana ja vain 12 prosentilla koealoista kasvupaikka huononi. Tämän perusteella perinteinen boniteettiluokitus aliarvioi puun oikeaa tuotoskykyä. Eriaikaisen kaukokartoitustiedon käyttämistä on tutkittu aiemmin. Yleensä käytetään joko suoraa tai epäsuoraa menetelmää, joilla vertaillaan eriaikaista tietoa. Epäsuoralla menetelmällä ennustetaan malleilla kummallekin ajankohdalle haluttu puutunnus ja vertaillaan puutunnusten erotusta. Suoralla menetelmällä ennustetaan puutunnuksen muutosta pisteparvien muuttujilla ja pisteparvien muuttujien erotuksilla. Goodbody ym. (2016) toteaa epäsuoran menetelmän olevan suoraa menetelmää parempi tilavuuden muutoksen ennustamisessa: suhteelliset RMSE:t olivat 16,65 % ja 86,56 %. Epäsuoralla menetelmällä ennustettiin tilavuus erikseen kahdelle eri ajankohdalle ja laskettiin niistä erotus, kun taas suoralla menetelmällä ennustettiin ALS tunnuksilla tilavuuden muutosta. Bollandsås ym. (2013) on vertaillut epäsuoraa ja suoraa menetelmää biomassan muutoksen arvioinnissa. Suora menetelmä antoi paremmat tulokset,

8 8 ja he myös totesivat, että epäsuoraa menetelmää käytettäessä virhelähteitä on enemmän kuin suorassa menetelmässä, koska biomassa joudutaan mallintamaan kahdessa eri kohdassa Droonitutkimukset Kuvista, jotka on otettu matalalla lentävällä droonilla, saa hyvin arvioitua puuston latvuston korkeuden. Yksinpuintulkinnalla droonikuvista on tehty monia tutkimuksia. Droonikuvauksella on päästy noin metrin tarkkuuteen puuston pituuden arvioinnissa, välillä parempaankin. Esimerkiksi Birdal ym. (2017) on saanut puuston korkeudelle RMSE:ksi vain 28 cm verrattuna oikeisiin arvoihin käyttämällä niin sanottua kuluttajatason droonia ja kameraa. Myös Zarco-Tejada ym. (2014) on saanut kuluttajatason välineillä oliivipuiden pituuden RMSE:ksi 35 cm tai 11,5 %. Dugdale ym. (2019) raportoi puuston latvuksen korkeuden RMSE:ksi 1,16 metriä ja selitysasteeksi 0,96. Puliti ym. (2019) on saanut pituuden selitysasteeksi 0,94 ja MAE:ksi (mean absolute error eli absoluuttinen virhe) 1,2 metriä. Puliti ym. (2015)on saanut myös puuston valtapituuden RMSE:ksi 72 cm tai 3,6 %, tilavuuden keskivirheeksi 38 m 3 tai 15,0 % ja pohjapinta-alan virheeksi 4,5 m 2 tai 15,4 %. Myös aluepohjaista menetelmää, jota käytetään tässä tutkimuksessa, on käytetty droonikuvauksen tulkinnassa. Se on osoittautunut vertailukelpoiseksi laserkeilauksen kanssa. Puliti ym. (2019) on vertaillut neljää eri kaukokartoitustekniikkaa puiden mittaamisessa ensiharvennusikäisissä metsissä; droonidataa ilman maastomallia, droonidataa, joka käytti erikseen hankittua maastomallia, drooni-laserkeilausta ja normaalia laserkeilausta. Droonidata, joka käytti erillistä maastomallia, oli paras kaikissa puustotunnuksissa (pituus, pohjapinta-ala, runkoluku ja tilavuus), jos vertailtiin selitysasteita oikeiden arvojen ja ennustettujen välillä (arvot 0,65 ja 0,73 välillä) tai RMSE-%:a (arvot 2,08 ja 9,34 välillä). LiDAR-datalla puiden pituuden suhteellinen RMSE oli kuviotasolla 31,6 ja droonilla 23,6. Puiden runkoluvun suhteelliset RMSE:t olivat 43,7 ja 21,8. Giannetti ym. (2018) on mallittanut droonidatalla puuston tilavuutta aluepohjaisella menetelmällä käyttämättä korkeusmallia, eli pisteparvea ei verrattu maanpintaan. Muuttujina käytettiin intensiteettiä ja monia sen muunnoksia, latvuston muotoa sekä väriä. Tämä lähestymistapa antoi vain hieman huonompia tuloksia (0,3 ja 2,9 prosenttiyksikköä heikompi RMSE) kuin korkeusmallia käyttämällä tai laserkeilausdatalla. Myös Giannetin (2020) toisessa tutkimuksessa droonin käyt-

9 9 täminen ilman korkeusmallia antoi hyviä tuloksia yleisten puustotunnusten ennustamisessa. Virheet pohjapinta-alalle, rinnankorkeusläpimitalle, pituudelle ja tilavuudelle olivat samankaltaisia kuin laserkeilausaineistolla. Goodbody ym. (2016) on saanut tilavuuden suhteelliseksi RMSE:ksi 17,3 % ALS-tunnuksilla ja 18,5 % UAV-tunnuksilla Brittiläisessä Kolumbiassa Kanadassa. 1.2 Droonidatan edut ja rajoitteet LiDAR-datasta tehdystä pisteparvesta näkee paremmin pienet kuilut ja huiput kuin DIPC:stä (drone image point cloud eli droonikuvista tehty pisteparvi) (Lisein ym. 2013), eli puun muodot hieman tasoittuvat. Havupuut kärsivät enemmän tästä tasoittavasta vaikutuksesta kuin lehtipuut. Myös yksittäiset erilliset puut tasoittuvat, ja niistä tulee kapeampia kuin LiDAR-datalla. Toisaalta LiDAR:n laser läpäisee latvusta, joten se voi aiheuttaa aliarvioita puuston pituudessa (Baltsavias 2007). Alonzo ym (2018) listaa droonien neljä etua verrattuna lentokoneella käytettäviin LiDAR-laitteisiin: 1. Droonit ovat halvempia ja helpommin saatavilla. 2. Dataa voidaan hankkia helposti jopa päivittäin yhden ihmisen voimin. 3. SfM:llä (structure from motion) tehdyissä pisteparvissa on yleensä paljon enemmän pisteitä kuin LiDAR-datalla tehdyissä pisteparvissa. 4. Droonikuvista tehdyissä pisteparvissa on myös maaston oikeat värit. Huonoihin puoliin kuuluu akun kesto, joka on kuluttajatason drooneilla noin puoli tuntia. Tässä ajassa voidaan parhaimmillaan kuvata esimerkiksi vajaan 30 hehtaarin alue 80 metrin lentokorkeudella käyttämällä 80 prosentin kuvien limittäisyyttä. Kuvausaika riippuu paljon käytettävästä droonista ja sen lentonopeudesta. Myös erilaiset droonilennättämisen säädökset sekä rajoitukset rajoittavat droonin käyttöä. Uusien EU:n asettamien rajoitusten mukaan ilman erityislupia saa lentää vain alle 120 metrin korkeudella ja alle 25 kg:n painoista droonia. Lisäksi drooniin on pidettävä näköetäisyys, ja sitä on lennätettävä häiritsemättä muita ihmisiä. Droonilla ei myöskään saa kuljettaa vaarallisia aineita eikä droonista saa tiputtaa mitään,

10 10 paitsi sertifioituja lannoitteita. (Euroopan komissio 2019.) voimaan tulleen EU:n droonilennättämisen yhtenäistävän asetuksen mukaan kaikkien kameralla varustettuja drooneja käyttävien tulee rekisteröityä ja suorittaa teoriakoe. Tämä tulee vaikeuttamaan droonin lennätyksen aloittamista. (Euroopan lentoturvallisuusvirasto 2020.) Droonikuvauksella voi vähentää työn määrää verrattuna normaaleihin maastoinventointeihin. Puliti ym. (2019) raportoi, että työmäärä vähentyi noin puoleen, kun käytössä oli drooni, jos ei tehdä uusia malleja ja maastokäyntejä uusille alueille. Suurten maanisäkkäiden määrän ja laittomien hakkuiden etsimistä pelkillä drooni-ilmakuvilla on tutkittu Indonesian sademetsissä (Koh ym. 2012). Tutkimuksessa onnistuttiin paikantamaan maankäytön muutokset ja norsuja sekä orankeja erittäin halvalla verrattuna maasta käsin tehtäviin kartoituksiin. 1.3 SfM Structure from motion eli SfM tai fotogrammetria tarkoittaa 3D-mallien tekemistä 2D-kuvista. Tähän on olemassa nykyään useita erilaisia ohjelmia, muun muassa SFMToolkit sekä suosittu ja tässäkin tutkimuksessa käytetty Agisoft Metashape. Tietokoneiden laskentateho on kasvanut viime vuosina paljon, ja SfM-tekniikoita voidaan käyttää nykyään tavallisilla tietokoneilla. SfM-tekniikkaa käytettäessä ei tarvitse tietää kameran suuntausta eikä tarvitse olla tarkasti määriteltyjä kontrollipisteitä (GCP, Ground Control Point), vaan algoritmi päättelee suuntauksen. Agisoftin PhotoScan-algoritmi tunnistaa ensin kuvista uniikit piirteet ja seuraa niiden liikettä eri kuvissa (Semyonov 2011). Sen jälkeen ohjelma käyttää niin sanottua ahne-algoritmia (greedy algorithm) arvioimaan kameroiden paikat ja tarkentaa niitä kimppuoikaisu-algoritmillä (bundle adjustment algorithm). Nämä vaiheet ovat kuitenkin samankaltaisia muissakin SfM-ohjelmissa (Javernick ym. 2014). Puuston arviointia varten droonit ja SfM-tekniikat ovat tulossa laserkeilauksen rinnalle toiseksi vaihtoehdoksi varsinkin pienillä eli alle sadan hehtaarin pinta-aloilla. Laserkeilaukseen tarvittavat laitteet ovat huomattavasti kalliimpia kuin pieni drooni, joka kuljettaa normaaliin verrattavissa olevaa digikameraa.

11 11 Kuvien ottaminen ja niistä pisteparven tekeminen ei kuitenkaan ole ongelmatonta metsäympäristössä. Maanpinnalta ei saada niin paljon havaintoja kuin LiDAR laitteilla, joiden laser läpäisee latvustoa. Yleisimpiä ongelmia ovat myös liikkuvat asiat, esimerkiksi tuuli ja latvusten monikerroksisuus (Baltsavias ym. 2007). Varjot estävät pienten kolojen muodostumista pisteparveen, mikä vaikeuttaa tulkintaa (Kotivuori 2016). Lehdettömään aikaan SfM:n on vaikea havaita lehtipuita, mikä edelleen rajoittaa dronen käyttöä. 1.4 DIPC:n ja ALS:n erot Tunnusten korrelaatio Aiemmissa tutkimuksissa on huomattu, että ALS-pisteparvet ja DIPC-pisteparvet ovat hyvin samanlaisia, jos vertaillaan korkeita kvantiileja. Kvantiililla tarkoitetaan latvuksen korkeutta tietyssä prosentissa kaikujen määrästä kumulatiivisesti. Esimeriksi, jos 90 prosentin kvantiilikohta on 15 metriä, se tarkoittaa sitä, että 90 prosenttia kaikujen määrästä tulee täyteen 15 metrin kohdalla. Vastaranta ym. (2013) ovat saaneet 70:n, 80:n ja 90:n kvantiilikohdille keskivirheeksi alle 0,2 metriä käyttämällä ilmakuvista tehtyä pisteparvea, eikä niillä ollut tilastollisesti merkitsevää eroa. h90-tunnuksen osalta Vastaranta sai korrelaatiokertoimeksi 0,93 (taulukko 1) DIPC:n ja ALS:n välillä. Kotivuoren ym tutkimuksessa kvantiilien erot todetaan niin vähäisiksi, että ero ei ole tilastollisesti merkitsevä. Korrelaatiokertoimen arvot olivat näille kvantiileille 0,88 0,99. Goodbody ym. (2016) ja Cheonggil ym. (2020) ovat osoittaneet, että korkeilla kvantiileilla korrelaatio on suurta, mutta korrelaatiot eivät ole niin suuria kuin Kotivuoren tuloksissa. Koska Kotivuoren ja Vastarannan tuloksissa on vertailtu vain ALS:n ensimmäisiä kaikuja ( first of many ), ne muistuttavat enemmän DIPC:tä kuin Goodbodyn ja Cheonggilin tutkimuksissa. Taulukko 1. ALS ja UAV-SfM tunnuksien korrelaatiokertoimet eri tutkimuksissa. *Vastaranta käytti h90 kvantiilia h95 sijaan. h5 h25 h50 h75 h95 hmax havg hsd d2 Goodbody ,06 0,11 0,72 0,82 0,84-0,64 0,42 0,02 Kotivuori ,32 0,58 0,78 0,98 0,99 0,98 0,91 0,92 0,87 Cheonggil ,48 0,66 0,83 0,89 0,90 0, Vastaranta ,93*

12 Yleisiä eroja Erilaiset ALS-tunnukset eivät korreloi niin paljon toistensa kanssa kuin DIPC-tunnukset (Vastaranta 2013). Tämä tarkoittaa sitä, että latvustosta saadaan monipuolisempi kuvaus laserkeilauksella kuin valokuvista tehdyillä pisteparvilla. Maanpinnan korkeusmallin tekeminen droonikuvauksella ja SfM:llä voi olla haasteellista. Guerra-Hernández ym. (2018) on havainnut ALS-korkeusmallin ja DIPC-korkeusmallin välillä suuria eroja alueilla, joissa oli tiheää metsää, koska valokuvissa ei näkynyt yhtään maata. Myös jyrkät rinteet voivat aiheuttaa virhettä DIPC-korkeusmallissa. DIPC:n on huomattu olevan tarkempaa kuin ALS:n esimerkiksi yksinpuintulkinnassa puiden havaitsemisessa (Thiel ym. 2016) ja taimien havaitsemisessa (Puliti 2018). DIPC antaa hieman suurempia puiden pituuksia kuin ALS. Tämä johtuu Thielin (2016) mukaan esimerkiksi näistä asioista: DIPC:ssä on enemmän pisteitä ja ALS:n LiDAR tunkeutuu latvuksen sisään, eikä kaikuja tule välttämättä jokaisesta oksasta. 1.5 Tavoitteet Tämän työn tarkoituksena on ennustaa metsän pituusboniteetti vertailemalla kahden eri ajankohdan kaukokartoitusaineistojen eroja. Pohja-aineistona käytetään Maanmittauslaitoksen harvapulssista laserkeilausta, joka on tehty Liperin alueella vuonna Toisena aineistona käytetään vuonna 2016 tehtyä tiheäpulssista laserkeilausta ja vuonna 2017 tehtyä droonikuvausta. Näiden aineistojen erotuksesta saadaan laskettua metsikön kasvu, ja kasvun avulla saadaan määritettyä pituusboniteetti boniteettikäyriltä. Pituusboniteettia verrataan lopuksi metsään.fi-aineistossa olevaan kasvupaikkaluokitukseen.

13 13 2 AINEISTO JA MENETELMÄT 2.1 Aineisto Maastokoealat ovat 30 x 30 metriä ja näitä on mitattu yhteensä 20. Koealat sijoittuvat Liperin, Heinäveden ja Savonrannan alueille (kuva 1). Maastomittaukset on tehty vuonna Koealoilta on mitattu kaikki puut, joiden rinnankorkeusläpimitta oli vähintään 5 cm. Koealoilta on määritetty kasvupaikka, kehitysluokka ja pääpuulaji sekä ikä silmämääräisesti sekä kairaten. Kuusilta, männyiltä ja lehtipuilta on määritetty erikseen puiden määrä, pohjapinta-ala, läpimitta sekä valtapituus (taulukko 1). Laasasenahon (1982) malleilla on laskettu kaikille puulajeille myös tilavuus. Kuva 1. Koealojen sijainti Liperin, Heinäveden ja Savonrannan alueilla.

14 14 Taulukko 1. Maastokoealojen puutunnuksia. Koealan 85 iän määritys epäonnistui. Kuvio nro Kasvupaikka Pääpuulaji Kehitysluokka Pohjapintaala (m2/ha) Ikä Pituusboniteetti (m) Valtapituus (m) 3 MT , ,31 27,6 10 MT , ,55 28,7 21 MT , ,77 23,6 31 OMT , ,39 21,8 47 MT , ,48 21,1 62 MT , ,30 33,1 85 MT ,9 174* 17,69* 25,0 97 MT , ,97 29,6 101 OMT , ,45 22,5 103 OMT , ,92 15,0 143 MT , ,73 21,9 32 VT , ,49 13,9 49 OMT , ,89 13,2 84 MT , ,98 16,9 128 MT , ,58 19,5 150 MT , ,84 19,4 27 Lehto , ,26 29,7 29 MT , ,48 17,3 83 OMT , ,06 26,4 87 OMT , ,01 20,9 Keskiarvo ,5 64,0 28,97 22,4 Keväällä 2020 tehtiin maastomittauksien koealoilta kairauksia, jotta ikä saataisiin tarkasti määritettyä. Kairaukseen valittiin vuoden 2017 maastomittausaineistosta pohjapinta-alamediaanipuu, joka oli pääpuulajia. Puu pystyttiin paikantamaan aiemmin määritettyjen koordinaattien avulla. Kairauksella saatavaan rinnankorkeusikään pitää tehdä lisäyksiä biologisen iän saamiseksi. Rinnankorkeusikään lisätään ikä, joka kuluu rinnankorkeuden saavuttamiseen. Se koostuu kannonkorkeuden saavuttamisiästä ja kantoiän sekä rinnankorkeusiän erotuksesta. Lisäyksen suuruus saatiin Siipilehdon ym. (2015) taulukosta (taulukko 2). Kuviolla 85 kairauksen iäksi saatiin 174 vuotta, vaikka kuvion keski-ikä on oikeasti huomattavasti pienempi. Kairauksen vaikeus onkin siinä, että ei tiedetä, onko kyseinen puu ollut valtapuuasemassa sukkession alusta asti. Tässä tutkimuksessa kairaukseen otettiin vain yksi puu, joten aliskasvustossa kehittyneitä puita voi sattua mukaan kairaukseen.

15 15 Taulukko 2. Lisäykset rinnankorkeusikään, jotta saadaan puun biologinen ikä Siipilehdon ym. (2015) mukaan lämpösummalla Puulaji Lämpösumma Cvrk OMT MT VT Mänty ja lehtipuut Kuusi Kannonkorkeuden saavuttamisikä Tutkimuksessa kaukokartoitusaineistoina käytetään Maanmittauslaitoksen harvapulssista laserkeilausdataa, joka on keilattu Liperin alueelta vuonna Droonidata on kuvattu vuonna 2017 eli samaan aikaan kuin on tehty maastomittaukset, ja tiheä laserkeilausaineisto on keilattu vuonna Droonikuvauksissa käytettiin droonia DJI Inspire 1 v2.0 ja kamerana oli Zenmuse x3 (kuva 2). Droonia lennätettiin koealojen yllä noin 75 metrin korkeudella, ja valokuvia otettiin linjoittain noin 100 kappaletta yhdeltä koealalta. Nimelliseksi resoluutioksi eli pikselin kooksi maanpinnalla (GSD) tällä korkeudella saadaan noin 3,2 cm. Kuvien resoluutio oli 4000 px x 3000 px eli maastossa kuvien alueeksi saadaan noin 128 m x 96 m. Lentolinjojen väli oli noin 50 metriä, joten lentolinjojen limittäisyydeksi tulee vain noin 60 %, joka aiheuttikin joillain koealoilla ongelmia pisteparven tekemisessä. Yleensä metsän kuvaukselle suositellaan 75 %:n sivuttaispeittoa. Lentolinjojen limittäisyys on muissa tutkimuksissa ollut enemmän, esimerkiksi Pulitin ym. (2019) tutkimuksessa käytettiin 80 %:n limittäisyyttä. Kameran suunta on suoraan alaspäin (nadir) ja lentonopeus oli 11 km/h. Koealoja oli yhteensä 20. Valokuvaukset tehtiin kuutena päivänä keskikesällä. Käytössä ei ollut maassa olevia kiintopisteitä (GCP).

16 16 Kuva 2. Kuvauksissa käytetty drooni DJI Inspire 1 v2.0 ja kamera Zenmuse x3. Heinäkuun alussa vuonna 2016 tehty tiheä laserkeilaus on tehty Optech Titan LiDAR -laitteella multispektrikanavalla 2 eli aallonpituudella nm. Lentokorkeus oli 850 metriä ja keilauskulma oli 20. Pistetiheydeksi saatiin 12,4 neliömetrillä. Vuodelta 2011 olevan Maanmittauslaitoksen laserkeilausaineiston tiheys on vähintään 0,5 pistettä neliömetrillä ja korkeustarkkuuden keskivirhe on enintään 15 senttimetriä. Aineisto on tarkastettu stereomalliavusteisesti Maanmittauslaitoksen ilmakuvien avulla. 2.2 Menetelmät Droonilla otetuista valokuvista tehtiin automaattisesti pisteparvi eli DIPC Agisoft Metashape -ohjelmalla. Ohjelma tunnistaa eri kuvista päällekkäisyydet eli yhteiset pisteet, laskee etäisyyden tiettyyn pisteeseen kuvien ottamisen kohdasta ja sen avulla saa laskettua pisteelle tarkat z-koordinaatit. Tämän perusteella ohjelma muodostaa kuvista 3D-pistepilven. Tähän toimenpiteeseen tarvitaan valokuvien tarkat koordinaatit. Pisteparvesta muodostettiin ohjelmalla tiheämpi pisteparvi (dense point cloud). Tiheämmän pisteparven tekemisessä asetuksena käytettiin lievää (mild), joka ei tasoittele pisteparvea eli jättää siihen

17 17 pienet yksityiskohdat. Sekä yhdistämisessä että tiheämmän pisteparven muodostamisessa käytettiin korkeaa tarkkuutta, ettei kuvien laatu huonone. Tiheä pisteparvi vietiin ohjelmasta ulos laz-tiedostona. Pisteparvea muokattiin kahdella tavalla: 1. Lastools-ohjelmalla luokiteltiin tiheän pisteparven pisteet maapisteiksi ja muiksi pisteiksi Las- Ground-toiminnolla. Sen jälkeen pisteparveen tehtiin korkeuden normalisointi käyttämällä LasHeight-toimintoa. Ohjelma tekee maapisteistä pinnan eli TIN:n (Triangulated Irregular Network), joka on korkeudella 0, ja maanpinnan yläpuoliset pisteet suhteutetaan siihen. 2. Maanmittauslaitoksen laserkeilausaineistosta otettiin pelkät maapisteet ja yhdistettiin ne DIPC:iin. Manuaalisesti korjattiin z-arvoa, jotta maapisteet vastaisivat DIPC:n maanpintaa. Tämän jälkeen käytettiin LasHeight-toimintoa. Tästä oli hyötyä erittäin tiheissä metsissä, joissa kamera kuvasi erittäin vähän maanpintaa. Tätä metodia on käytetty yleisesti muissakin tutkimuksissa, esimerkiksi Giannetti (2018) ja Puliti (2015). Tästä pisteparvesta käytetään jatkossa nimitystä DIPCALS. Pisteparvelle ei tehty x-y-korjausta, sillä koordinaatit ovat tarpeeksi tarkkoja aluepohjaisen menetelmän käyttämiseen. Esimerkiksi Turner ym. (2012) sai x- ja y-koordinaattien tarkkuudeksi cm. Pisteparvesta tehtiin CHM:t (canopy height model eli latvuston korkeusmalli) koealan kohdalta (kuva 3). Myös Maanmittauslaitoksen laserkeilausaineistolle ja vuoden 2016 tiheälle laserkeilausaineistolle tehtiin CHM:t. Pisteparvista laskettiin korkeuden keskiarvo, maksimi ja keskihajonta. Laserkeilauspisteparvista käytettiin vain ensimmäisiä kaikuja. Kaiuille on laskettu myös kvantiilit kohdissa 5, 10, 20, 30, 40, 50, 55, 60, 65, 70, 75, 80, 85, 90 ja 95. Aineistosta on edelleen laskettu kaikujen intensiteetin keskiarvo ja -hajonta sekä latvuston tiheys. Kvantiilit ovat latvuksen korkeuden kertymä tietyssä prosentissa kaikujen määrästä.

18 18 Kuva 3. CHM:t eri pisteparvista koealalla 3, säde 30 metriä. a) Maanmittauslaitoksen avoimesta harvapulssisesta datasta tehty, b) 2016 tiheäpulssisesta laserkeilauksestaa tehty ja c) drooni-kuvien pisteparven pohjalta tehty. Valtapituus laskettiin kaikista pisteparvista Kotivuoren ym. (2016) mallilla (kaava 1). HDOM = h95 F Kaava 1 jossa HDOM on valtapituus ja h95f ensimmäisten kaikujen 95 prosentin kvantiilikohta. Pituusboniteetti saatiin mallinnettua koealoille kahdella eri tavalla: 1. Epäsuoralla menetelmällä, jossa ensin ennustetaan valtapituus kahdessa ajankohdassa T1 ja T2. Tässä tutkimuksessa T1 on Maanmittauslaitoksen keilaus vuodelta 2011 ja T2 on joko droonipisteparven tapauksessa 2017 tai laserkeilauksessa Valtapituudella T1 määritetään ikä pituusboniteetin arvoilla 6 42 käyttäen havupuilla Gustavsenin (1980) pituusboniteettikaavaa (kaava 2). Ikään lisätään aineistojen iän ero eli viisi tai kuusi vuotta. Tällä iällä ja valtapituudella T2 lasketaan sitten pituusboniteetti. Pituusboniteetti saatiin tarkennettua sadasosan tarkkuuteen käyttämällä kuutio-splineä (R-ohjelman oletuspaketissa splinefun). Koivuille menetelmä oli hieman erilainen, koska Oikarisen (1983) mallissa (kaava 3) ei ennusteta suoraan pituusboniteettia, vaan valtapituuden kasvun viiden vuoden ennusteprosenttia. Pituusboniteetti on myös hieman eri, koska se lasketaan koivulla 50 vuoteen, kun taas havupuilla se lasketaan sataan vuoteen. 2. Suoralla menetelmällä, jossa ennustetaan valtapituuden kasvua aiemmin mainituilla lasertunnuksilla ja ajankohtien T1 sekä T2 lasertunnusten erotuksilla. Pisteparven korkeuden keskiarvoista

19 19 ja korkeuskvantiileista h90 sekä h95 otettiin erotus, näistä käytetään merkintöjä Δhavg, Δh90 ja Δh95. Muuttujille tehtiin logaritmi-, potenssi- ja neliöjuurimuunnoksia. Muuttujan valinta tehtiin R-ohjelman paketilla leaps, joka testaa jokaisen muuttujajoukon erikseen käyttämällä branchand-bound -algoritmia. Tuloksena tulee siis paras malli jokaisella muuttujien määrällä. Parhaita muuttujia etsittiin myös tekemällä ensin kaikista muuttujista malli ja sen jälkeen pudottamalla muuttujista pois se, jonka vaikutus mallin AIC-arvoon (Akaike information criterion) on pienin. Malliin valittiin enintään kolme muuttujaa ylisovittumisen välttämiseksi. Malleja testattiin LOOCV-tekniikalla (leave one out cross validation) eli ristiin validoinnilla, jossa opetusaineistona on kaikki paitsi yksi havainto ja testiaineistona toimii se havainto, joka ei ole opetusaineistossa. Tämä toistetaan jokaiselle havainnolle kerran. Koealan pääpuulajia käytettiin dummy- eli tekomuuttujana malleissa. Noordermeer ym. (2018) testasi näitä tekniikoita käyttämällä kahta eri aikaan mitattua ALS-dataa ja totesi suoran menetelmän olevan tarkempi. Kuitenkin epäsuorassa menetelmässä on se hyvä puoli, ettei tarvitse kairata puiden ikää, kun tehdään kontrollimittauksia maastossa. 2.3 Boniteettikäyrät Boniteettia on tutkittu jo yli 300 vuotta Euroopassa (Skovsgaard 2007) luvun jälkimmäisellä puoliskolla alettiin kehitellä ikään ja pituuteen perustuvia boniteettikäyriä. Tässä tutkimuksessa käytetään Gustavsenin (1980) luontaisesti syntyneiden metsiköiden malleja (kuva 4 ja kaava 2). Koivuille käytetään Oikarisen (1983) istutettujen rauduskoivikoiden malleja (kaava 3). Kaavassa 3 ei ole suoraan muuttujana pituusboniteettia, mutta se voidaan määrittää laskemalla kaavalla seuraavan viiden vuoden keskikasvu ja lisäämällä se valtapituuteen, kunnes saavutetaan 50 vuoden ikä, jolloin valtapituus vastaa pituusboniteettia koivuilla.

20 20 Kuva 4. Gustavsenin (1980) pituusboniteettikäyrät männiköille ja kuusikoille. Puuston ikä ennustettiin käyttämällä Vuokilan ja Väliahon (1980) kylvömänniköiden ja istutuskuusikoiden pituuskasvumalleja (kaavat 4 ja 5) sekä Oikarisen (1983) malleja koivulle (kaava 3). Mallilla lasketaan normaalisti puuston kasvuprosenttia valtapituuden ja iän avulla. Tässä on Newtonin menetelmällä (R-ohjelman uniroot-funktio) approksimoitu ikä ennustetun valtapituuden ja viimeisen viiden vuoden kasvun avulla. H 100 = b 0 exp [ ln(h) ln (b 0) exp ( b 1 T b 2 b b 2 ) ] Kaava 2. P H = 1, ,4 802,8 + (T + 4,5) 1,5 H + 34, (H 1,8 T 1,2 ) Kaava 3. P H = 0, ,4 H 0,55 + T 1, ,9 (H 0,55 + T 1,05 Kaava 4. ) 2

21 21 P H = 0, ,52 H 0,4 + T 1,1 124,51 (H 0,4 + T 1,1 Kaava 5. ) 2 joissa H on puuston valtapituus, T on metsikön biologinen ikä, H100 on pituusboniteetti ja PH valtapituuden tulevan viisivuotiskauden vuotuisen kasvun ennusteprosentti, b0, b1 sekä b2 ovat parametrejä, jotka vaihtuvat puulajeittain (taulukko 3). Taulukko 3. Parametrit kaavaan 2 puulajeittain. b0 b1 b2 Mänty 128,229 4, ,47692 Kuusi 147,481 4, ,29981 Myös metsäkeskuksen avoimelle hilatiedolle laskettiin pituusboniteetti. Ensin hilaruudulle laskettiin valtapituus käyttämällä sen laserkorkeutta eli 95-prosentin kvantiilikohtaa ja Kotivuoren (2016) mallia (kaava 2). Sen jälkeen pituusboniteetti laskettiin Gustavsenin (1980) ja Oikarisen (1983) boniteettikäyrillä samalla tavalla kuin muillekin aineistoille. 2.4 Tulosten arviointi Ennustettujen tulosten tarkkuutta arvioitiin RMSE:llä ja harhalla, suhteellisena sekä absoluuttisena arvona. Suoran menetelmän regressiomallien vertailussa käytettiin ristiinvalidoinnin antamaa RMSE:tä ja selitysastetta (R 2 ) (kaavat 6 ja 7). Ristiinvalidointi parantaa tulosten uskottavuutta havaintojen määrän ollessa pieni. n 2 R 2 i=1 e i = 1 y 2 i 1 Kaava 6. n n i=1 n ( i=1 y i ) 2 RMSE = (y y i) 2 n i=1 n Kaava 7. jossa n on koealojen lukumäärä, ei on havainnon virhe koealalla i, yi on maastomitattu arvo koealalla i ja ŷ on ennustettu arvo koealalla i.

22 22 Studentin t-testillä tarkasteltiin, onko kasvupaikkojen tai kehitysluokkien ennustetuilla pituuskasvuilla tilastollisesti merkitsevää eroa. Merkitsevyystasoksi valittiin 0,05, joka on yleisesti käytössä.

23 23 3 TULOKSET 3.1 Valtapituuden ennustaminen Valtapituus ennustettiin Kotivuoren (2016) mallilla (kaava 1) vuodelle Kuvassa 5 on vertailtu ennustettua valtapituutta maastomitattuun valtapituuteen kahdella eri DIPC-tekniikalla. Suurimmalla osalla koealoista virhe on erittäin pientä, mutta parilla koealalla automaattisella DIPC:llä on hieman virhettä, koska metsä oli erittäin tiheä. Kuva 5. Ennustetun valtapituuden vertailu maastomitattuun valtapituuteen eri DIPC-tekniikoilla. Musta viiva on x=y.

24 24 Taulukosta 4 nähdään mallin virheet verrattuna maastomitattuihin arvoihin. Kotivuori (2016) sai tämän mallin suhteelliseksi RMSE:ksi 6,7 %, joka on hieman suurempi kuin tämän tutkimuksen arvot. Harha oli negatiivista molemmilla DIPC-tekniikoilla, eli malli antoi hienoisen aliarvion valtapituudesta. Taulukko 4. Valtapituuden RMSE:t ja harhat eri DIPC tekniikoilla. RMSE (m) RMSE-% Harha (m) Harha-% DIPCALS 0,799 3,574-0,386-1,728 DIPC 1,038 4,643-0,267-1, Valtapituuden kasvu Maanmittauslaitoksen vuoden 2011 laserkeilauksen ja uudempien kaukokartoitusaineistojen ennustettua valtapituutta verrattiin toisiinsa (taulukko 5). Laserkeilauksella keskiarvo on suurempi kuin DIPC:llä. Molemmilla DIPC-tekniikoilla kuvioille 10 ja 97 saatiin negatiivinen kasvu. Nämä molemmat olivat kairauksen perusteella noin sadan vuoden ikäisiä kuusikoita, joten niissä pituuskasvu voi olla jo heikentynyt. Koealalle 143 automaattisella maantunnistuksella saatiin negatiivinen kasvu, joka johtuu puuston tiheydestä. Tämän koealan valokuvissa ei näkynyt paljon maanpintaa, joten pisteparvessa maanpinta on korkeammalla kuin todellisuudessa.

25 25 Taulukko 5. Koealoittain valtapituuden vuosittaiset kasvut vuosien 2011 ja 2016 tai 2017 välillä. Kuvio nro Pääpuulaji DIPCALS (cm) DIPC (cm) 2016 ALS (cm) 3 Kuusi 11,1 14,9 21,7 10 Kuusi -10,7-3,7 16,2 21 Kuusi 21,7 22,1 37,6 31 Kuusi 37,2 41,5 47,1 47 Kuusi 21,2 26,5 37,6 62 Kuusi 0,4 9,8 15,6 85 Kuusi 34,0 35,7 54,2 97 Kuusi -13,3-9,6 15,6 101 Kuusi 34,5 37,1 45,7 103 Kuusi 21,2 31,5 35,9 143 Kuusi 15,6-25,8 48,7 32 Mänty 2,5 9,5 18,9 49 Mänty 61,6 58,0 63,9 84 Mänty 26,6 61,2 40,8 128 Mänty 10,9 7,4 25,4 150 Mänty 31,7 31,1 46,9 27 Koivu 16,2 33,4 34,9 29 Koivu 68,6 49,2 76,3 83 Koivu 27,6 21,5 42,4 87 Koivu 47,2 54,1 45,5 Keskiarvo - 23,3 25,3 38,5 OMT:lle saatiin kaikilla mittaustavoilla suurimmat vuosikasvut, 36,7 48,2 cm vuodessa (taulukko 6). OMT:n ja MT:n välillä oli tilastollisesti merkitsevä ero DIPC-aineistoissa, mutta laserkeilausaineistossa niillä ei ollut eroa. VT:llä ja lehdoilla oli vain yksi havainto, joten studentin t-testiä ei voitu tehdä. Taulukosta 7 nähdään valtapituuden kasvu kehitysluokittain. Kasvu on selvästi suurinta nuorissa kasvatusmetsissä. Uudistuskypsissä metsissä se on pienintä.

26 26 Taulukko 6. Valtapituuden kasvu vuodessa eri kaukokartoitusmenetelmillä kasvupaikoittain sekä OMT:n ja MT:n vertailu t-testillä. Kasvupaikka DIPCALS (cm) DIPC (cm) 2016 ALS (cm) Koealojen lukumäärä Lehto 16,2 33,4 34,9 1 OMT 38,2 40,6 46,8 6 MT 18,2 18,2 36,4 12 VT 2,5 9,5 18,9 1 OMT vs MT p-arvo 0,036 0,026 0,13 - Taulukko 7. Valtapituuden kasvu vuodessa eri kaukokartoitusmenetelmillä kehitysluokittain sekä maastomitattu keskipituus ja ikä. Kehitysluokka DIPCALS (cm) DIPC (cm) 2016 ALS (cm) Ennustettu valtapituus (m) Koealojen lukumäärä 02 50,5 46,2 58,7 15, ,7 27,3 40,8 20, ,2 11,1 24,4 28,5 6 Kasvut näyttävät todenmukaisilta. Esimerkiksi Mielikäisen (1985) kasvukäyrillä saadaan 10 metrin pituiselle ja 30-boniteettiluokkaiselle eli OMT-kuusikolle pituuskasvuksi 48 cm ja 15 metrin pituiselle 37 cm. MT sai arvot 41 cm ja 32 cm. Gustavsenin (1980) malli valtapituuden kasvulle antaa 30-boniteettiluokalla 40-vuotiaalle ja 16 metrin valtapituudella olevalle kuusikolle keskimääräiseksi vuotuiseksi valtapituuden kasvuksi noin 43 senttimetriä. Boniteettiluokalla 27 ja valtapituudella 14 metriä malli antaa valtapituuskasvuksi vajaat 40 senttimetriä. Kuvassa 6 huomataan negatiivinen korrelaatio vuosikasvun ja mitatun keskipituuden välillä sekä vuosikasvun ja mitatun iän välillä. Keskipituudella ja iällä on loogisesti hyvä positiivinen korrelaatio. Kuvasta on poistettu koeala 85, jossa metsikön iäksi saatiin kairauksella 174 vuotta, joka ei vastaa metsikön oikeaa keski-ikää.

27 27 Kuva 6. Ennustetun vuosikasvun korrelaatio keskipituuden ja iän kanssa vuodelle Kolmiot ovat koivuja, ympyrät kuusia ja neliöt mäntyjä. 3.3 Pituusboniteetin ennustaminen Epäsuora menetelmä Taulukossa 8 on maastomitattu kasvupaikka ja pituusboniteetti sekä epäsuoralla menetelmällä ennustetut pituusboniteetit drooniaineistoilla ja laserkeilausaineistolla koealoittain. Metsäkeskuksen hila-aineistosta on myös laskettu pituusboniteetti. Taulukosta on poistettu drooniaineiston arvot, joilla pituuskasvu oli lähellä nollaa, eli pituusboniteettikin oli erittäin pieni.

28 28 Taulukko 8. Maastossa mitattu pituusboniteetti metreinä ja kasvupaikka verrattuna epäsuoralla menetelmällä ennustettuihin arvoihin eri tekniikoilla koealoittain. * virheellinen arvo. Kasvupaikka Pituusboniteetti Pituusboniteetti Pituusboniteetti Pituusboniteetti Hila-ai- Koeala maastomitattu (m) DIPCALS (m) DIPC (m) ALS (m) neisto (m) 3 MT 30,31 21,83 25,18 30,13 28,51 10 MT 28, ,71 28,22 21 MT 25,77 26,64 26,91 35,30 31,33 27 Lehto 29,26 27,24 32,48 32,43 27,53 29 MT 21,48 27,90 23,99 29,66 25,81 31 OMT 33,39 32,95 34,91 37,14 34,24 32 VT 21,49-11,38 18,27 23,06 47 MT 31,48 23,76 26,98 32,61 35,94 49 OMT 28,89 35,73 34,45 36,31 31,36 62 MT 32,30-25,00 30,49 34,14 83 OMT 27,06 28,20 25,81 32,42 30,90 84 MT 27,98 23,42 38,57 30,33 23,00 85 MT 17,69* 34,28 35,12 42,84 29,45 87 OMT 26,01 26,74 28,09 25,43 23,38 97 MT 29, ,85 32, OMT 33,45 31,61 32,87 36,53 37, OMT 30,92 19,42 25,15 27,17 24, MT 26,58 15,70 12,37 25,78 35, MT 35,73 20,30-37,84 35, MT 29,84 28,18 27,85 35,00 30,38 Taulukossa 9 on lukujen keskiarvot. Laserkeilausaineistosta määritelty pituusboniteetti näyttäisi antavan hieman yliarvioita. Harhaa on 2,54 metriä eli ylibonitointia on melkein yhden kasvupaikan verran ylöspäin, koska kasvupaikan väli on yleisesti kolme metriä pituusboniteetissa. Drooniaineistosta määritetyt arvot ovat keskimäärin aliarvioita. Harhaa on -2,48 ja -1,49 metriä eli alibonitointia on melkein yhden kasvupaikan verran. Suhteelliset RMSE:t ovat noin 20 prosenttia molemmilla tekniikoilla. Laserkeilausaineiston RMSE on pienempi, hieman yli 4 metriä ja suhteellinen RMSE jää alle 15 prosenttiin. Hilaaineiston harha on 1,23 metriä eli vähiten harhainen näistä aineistoista. RMSE on kuitenkin suurin eli 6,39 metriä.

29 29 Taulukko 9. Pituusboniteetin keskiarvo, harha ja RMSE metreinä ja suhteellinen RMSE. Oikea SI DIPCALS DIPC ALS Hila-aineisto Keskiarvo 28,97 26,49 27,48 31,51 30,20 Harha - -2,48-1,49 2,54 1,23 RMSE - 6,09 5,53 4,18 6,39 RMSE-% - 21,02 19,08 14,44 22, Suora menetelmä Pituusboniteetin ennustamiseen käytettiin myös suoraa menetelmää, jonka menetelmä on selitetty tarkemmin luvussa 2.2. Jos Δh95 oli jollain koealalla negatiivista, koeala otettiin pois mallin etsimisestä. Muuttujille tehtiin neliöjuuri-, potenssi- ja logaritmimuunnoksia siten, että niiden jakaumat vastaisivat normaalijakaumaa. Taulukossa 10 on parhaat mallit ja niiden ristiinvalidoinnin RMSE ja suhteellinen RMSE sekä selitysaste. Malleissa oli joko kaksi tai kolme selittäjää, ja kaikkiin malleihin laitettiin pääpuulaji-valemuuttuja. Mallien ristiinvalidointien RMSE:t sekä selitysasteen arvot ovat DIPC:llä parhaita. Malleissa käytettävät selittävät muuttujat ovat hyvin samanlaisia jokaisessa mallissa, kaikissa malleissa on ajankohdan T2, eli vuoden 2017 droonikuvaustekniikoilla ja vuoden 2016 laserkeilauksella, 90 prosentin kvantiilikohta. Selitysasteet ovat melko pieniä, mikä voi johtua aineiston suhteellisen pienestä koosta. Taulukko 10. Pituusboniteetin ennustamiseen kaavat sekä ristiinvalidoinnin RMSE:t ja selitysasteet. Kaukokartoi- RMSE Suht. R Malli 2 tusmenetelmä (cv) RMSE (cv) DIPCALS 19,65 + 0,34 h90 T2 + 2,64 Δh95 + Puulaji 3,65 12,6 0,18 DIPC 7, ,39 Δh95 + 0,41 h90 T2 5,74 Δh95 + Puulaji 2,84 9,8 0,41 ALS 17,46 + 0,26 h90 T2 + 4,60 Δh90 + Puulaji 3,63 12,5 0,16 h90t2 on 90 prosentin kvantiilikohta ajankohtana T2, Δh95 ja Δh90 ovat droonikuvauksen tai laserkeilauksen kvantiilikohtien ja Maamittauslaitoksen keilauksen kvantiilikohtien erotuksia. Puulaji on dummy- eli valemuuttuja, joka vaihtelee pääpuulajin mukaan (taulukko 11).

30 30 Puulaji-valemuuttujan arvot ovat koivulle reilusti negatiivisia. Tämä johtuu erilaisesta pituusboniteetin asteikosta. Koivulla pituusboniteetin arvo katsotaan 50 vuoden iällä, kun havupuilla se on sata vuotta. Kuusella arvot vaihtelevat 0,72 ja 2,95 välillä. Taulukko 11. Parametrit puulaji-valemuuttujalle. Männyn arvo on aina 0. Kaukokartoitusmenetelmä Kuusi Koivu DIPCALS 2,95-4,33 DIPC 0,72-5,66 ALS 2,92-3,34 Jäännösvaihtelulla eli residuaalilla tarkoitetaan estimoidun mallin ja oikeiden arvojen erotusta. Jäännösvaihtelukuvasta nähdään, sopiiko malli mitattuihin arvoihin. Kuvassa 7 on taulukon 10 mallien jäännösvaihtelukuvat. Punainen viiva on LOWESS-käyrä (locally weighted scatterplot smoothing) eli liukuvan keskiarvon viiva. Kuvista nähdään, että residuaalit ovat suurimmaksi osaksi ±3 metrin sisällä lukuun ottamatta paria poikkeavaa havaintoa, esimerkiksi koealalle 21 ennustetaan suuri aliarvio jokaisella tekniikalla. LOWESS-käyrä ei näytä muodostavan systemaattista muotoa, vaikka DIPCALS:n kuvassa onkin hienoista paraabelisuutta.

31 31 Kuva 7. Residuaali- eli jäännösvaihtelukuvat taulukossa 10 oleville malleille. Numero tarkoittaa koealan numeroa.

32 Vertailu Kuvassa 8 on vertailtu suoraa ja epäsuoraa menetelmää. X-akselilla on jokaisessa kuvassa maastoarvioitu pituusboniteetti. Y-akselilla on ennustetut pituusboniteetit. Suoralla menetelmällä pisteet ovat huomattavasti lähempänä maastomitattuja. Samankaltaisia tuloksia on havaittu myös Noordermeerin ym. (2018) tutkimuksessa. Suoran menetelmän etuihin kuuluu se, että vain yksi arvo täytyy ennustaa, joten on vain yksi mahdollinen virhelähde. Epäsuoraa menetelmää käyttäessä pitää ennustaa valtapituudet ensin kahdelle eri ajankohdalle ja näiden avulla määrittää pituusboniteetti. Valtapituuden ennustamiseen käytetyn mallin täytyykin olla tarkka, eikä siinä saa olla systemaattisia virheitä.

33 33 Kuva 8. Suoran menetelmän vertailu epäsuoraan menetelmään eri kaukokartoitustekniikoilla. Eri puulajit on kuvattu eri värillä ja symbolilla.

34 Iän määrittäminen boniteettikäyriltä Ikä on määritetty käyttämällä Vuokilan ja Väliahon (1980) kylvömänniköiden ja istutuskuusikoiden pituuskasvumalleja sekä Oikarisen (1983) malleja koivulle (kaavat 3 5 luvussa 2.3). Iät ovat vuodelle 2020 eli maastoarvioituihin ja kaukokartoituksella määritettyihin ikiin on lisätty kolme vuotta (laserkeilauksen tapauksessa neljä), koska kairaus on tehty vuonna 2020 ja muut aineistot on kerätty Suhteelliset harhat vaihtelevat 1,1 prosentista 8,4 prosenttiin ja suhteelliset RMSE:t 4,9 prosentista 8,5 prosenttiin. Maastoarvioidut iät ovat harhattomimpia, mutta laserkeilauksella määritetyt iät saavat pienimmän RMSE:n. Laserkeilaus antaa suurimman aliarvion, mutta suuria heittoja aineistossa ei ole, joten sen RMSE ei ole suuri (taulukko 12). Taulukko 12. Boniteettikäyriltä määritetyt iät ja maastoarvioitu ikä verrattuna kairattuun ikään. Koeala nro Oikea ikä Maastoarvioitu ikä DIPCALS DIPC ALS Harha -0,63-3,14-2,88-4,52 Harha% -1,10 % -5,70 % -5,22 % -8,42 % RMSE 3,28 4,10 4,65 2,66 RMSE% 6,01 % 7,51 % 8,54 % 4,89 %

35 Vertailu avoimeen metsävaratietoon Avoimen metsävaratiedon keruussa on käytetty referenssikoealoja, joissa kasvupaikka määritetään silmämääräisesti (Suomen Metsäkeskus 2016). Kasvupaikassa ei pitäisi olla yli yhden kasvupaikan eroa oikeaan. Kuitenkin, jos maastoinventointia ei ole tehty tietyltä kuviolta, kasvupaikkatiedon laatu voi olla heikompi. Taulukosta 13 nähdään pituusboniteetin arvot ja niitä vastaavat Cajanderin (1926) kasvupaikat. Havupuilla pituusboniteetin arvo saadaan sadan vuoden iällä ja koivuilla 50 vuoden iällä. Taulukko 13. Pituusboniteetit ja niitä vastaavat kasvupaikat havupuilla Gustavsenin (1980) mukaan ja koivulla Oikarisen (1983) mukaan. Vastaava kasvupaikka OMT+ (Lehto) OMT MT VT CT Clt Mänty Kuusi Koivu Taulukosta 14 nähdään, että kaikki paitsi yksi kuusivaltainen koeala saa kasvupaikaksi OMT+/Lehdon, jos käytetään maastomitattua ikää ja valtapituutta pituusboniteetin määrittämiseen. Pituusboniteetti muunnettiin Gustavsenin (1980) taulukkoarvoja (taulukko 13) käyttäen Cajanderin kasvupaikoiksi. Myös kaukokartoitustekniikoilla saatavat kasvupaikat saavat suurimmaksi osaksi kasvupaikakseen OMT+:n. Tämä voi johtua monesta asiasta, esimerkiksi näistä: 1. Gustavsenin 40 vuotta vanhat taulukkoarvot, jotka perustuvat valtakunnan metsien kolmanteen inventointiin vuodelta , eivät vastaa enää tämän päivän metsiköitä. Kuusikoiden kasvut olisivat siis parantuneet johtuen esimerkiksi metsänhoidon parantumisesta, ilmaston lämpenemisestä, typpilaskeumasta tai taimiaineksen jalostuksesta tai kaikista näistä. 2. Liperin alueella on hyvin kasvavat kuusikot. 3. Mittauksissa on systemaattista virhettä. 4. Metsiköitä on lannoitettu. 5. Sekapuustoa on liikaa, joten boniteettikäyrät eivät toimi kunnolla. Pääpuulajia pitäisi olla vähintään 60 % puustosta.