Taimikoiden ja nuorien metsien hoito- ja energiapuukohteiden inventointi kopterikuvauksena ja lentokonekeilauksena

Transkriptio

1 Taimikoiden ja nuorien metsien hoito- ja energiapuukohteiden inventointi kopterikuvauksena ja lentokonekeilauksena Puu- ja bioenergiamessut Jyväskylä Kalevi Pietikäinen Tätä tutkimusta on tukenut Eino ja Marjatta Kollin säätiö

2 Kopterikuvaus ja lentokonekeilaus/ Suomen energiapuuvarojen inventointi Suoratulkinta-algoritmit on kehitetty Euroopan maaseudun kehittämisen maatalousrahaston osarahoittamissa Metsävaramittaus kunnostamattomissa metsissä ja Maaseutu 2.0 -projekteissa Toteuttajat JAMK / IT Suomen Metsäkeskus (mm. Metsään.fi palvelu) Metsänhoitoyhdistys Keski-Suomi Bitcomp Oy (mm. metsätietostandardien kehittäminen, toiminnanohjausjärjestelmät) Raportti JAMKin julkaisusarjassa: Uusia menetelmiä metsävaratietojen hyödyntämiseen

3 Kaukokartoitus (lentokonekeilaus) ja metsien inventointi Maanmittauslaitos (MML) Avoimien aineistojen tiedostopalvelu ha (4 * 900 ha) karttalehtinä (las, laz tiedostot) FugroViewer, ArcGIS ja QGIS sekä LAStools Kehitysluokat T1, T2 ja 02 Hoitotöiden kiireellisyydet Energiapuusaantojen ja työllisyyspotentiaalien laskenta Hoito- ja energiapuukohteet (gps) Paikkatietoon ja pinta-alaan sidottuna koko Suomessa Käytetty tasokoordinaattijärjestelmä ETRS TM35FIN N/E pohjois/itäkoordinaatit metrijärjestelmässä

4 Maanmittauslaitos (MML)

5 Taimikoiden hoito (T1, T2) Nuoren metsän hoito (02) Kehitysluokat T1 on pieni taimikko 0-1,3 m Hoitotyön kiireellisyys 5-10 v, 0-5 vuotta, heti T2 on varttunut taimikko 1,3-6,0 m Tavoitetiheys esim runkoa/ha 02 on nuori kasvatusmetsikkö 6-12 m Kemera tukikelpoisuusrajat ja -rahoitus vaihtelevat eri ajanjaksoina.

6 Keskimääräinen etäisyys kpl/ ha 0,2 m ,5 m ,9 m ,0 m ,1 m ,2 m ,3 m ,4 m ,5 m ,6 m ,7 m ,8 m ,9 m ,0 m ,5 m ,0 m ,0 m 625 5,0 m 400 Puuston tiheys puiden välisen etäisyyden funktiona

7 Lentokonekeilauksen kaiut ja algoritmit Arbonautin piirteet: Piirteiden laskenta DEM (Digital Elevation Model) -korkeusmalli DSM (Digital Surface Model) -pintamalli DTM (Digital Terrain Model) -maanpintamalli CHM (Canopy Height Model) kasvillisuuden tai latvuston korkeusmalli = DSM-DTM Kyyt- ja Aalto algoritmit Kehitysluokat (T1, T2, 02) Hoitotöiden kiireellisyydet Latvuston korkeusmallit Lajiteltu nousevaan järjestykseen ja Latvatasojakaumat sekä ruudun maksimit

8 CHM Latvuston korkeusmalli (CHM, Canopy Height Model) lasketaan digitaalisen pintamallin ja digitaalisen maastomallin avulla. CHM = DSM - DTM Pintamalli (DSM) muodostetaan latvustosta heijastuneista pulsseista. DSM voidaan muodostaa esimerkiksi siten, että jokaisesta rasterin ruudusta otetaan korkein kohta (z-koordinaatti). Maastomalli (DTM) muodostetaan maasta heijastuneista pulsseista. Kohdissa, joista ei ole heijastunut pulssia, käytetään Delaunay-kolmiointia ja lineaarista interpolointia.

9 DEM, DTM, CHM -tietotyyppi ncols nrows xllcorner yllcorner cellsize NODATA_value sarakemäärä rivimäärä x-piste alueen lounaiskulmassa y-piste alueen lounaiskulmassa ruudun koko kyseisellä ruudulla ei ole dataa

10 Class Model (CLM-tietotyyppi) tai Forest Class Model (FCM) CLM-luokka on projektin yhteydessä kehitetty tietorakenne, johon ohjelma tallentaa syötetyn alueen kasvuluokat. Säästää muisti- ja tallennustilaa Tiedosto sisältää vain tiedon puuston kehitysluokasta sidottuna hoitotöiden kiireellisyyteen 2 (maa), 14 (aukko), (T1), (T2), (02), 30 (03) CLM käyttää esim. 8 m * 8 m ruudutusta, joka on sidottu paikkatietoon. CLM:n tarkoitus on saada puristettua karttalehden data mahdollisimman pieneen tilaan. Tämä saadaan aikaiseksi jakamalla alueen pisteet 8*8 metriä kokoisiin ruutuihin ja laskemalla näille ruuduille kehitysluokka ja hoitotyön kiireellisyysluokka. Muistin tarve on alle 1/200 las-tiedoston koosta.

11 CLM-tiedoston muoto 900 ha tai 3600 ha CLM -luokka on projektin yhteydessä kehitetty tietorakenne, johon ohjelma tallentaa syötetyn alueen kasvuluokat. DEM-, DTM-, CHM- ja CLM- sekä FCM-tiedostoja voidaan piirtää ja käsitellä myös kaupallisilla ArcGIS- ja QGIS-ohjelmilla m / 8 m = 750 kpl tai 3000 m / 8m = 375 kpl ncols 750 sarakemäärä nrows 750 rivimäärä xllcorner x-piste alueen lounaiskulmassa yllcorner y-piste alueen lounaiskulmassa cellsize 8 ruudun koko NODATA_value kyseisellä ruudulla ei ole dataa Kehitysluokka ja kiireellisyys

12 CLM-muotoon saatetun karttalehtitason tiedon muistin tarve 900 ha Konnevesi F1-karttalehti (2 osumaa / m 2 ) N4442F1.laz kt 108 Mt N4442F1.txt kt 1,5 Gt N4442F1.clm 8 m * 8 m -ruutu 0,4 Mt Koko Suomen CLM-tiedostomuodon muistin tarve kpl *0,4 Mt = 10 Gt Kopterikuvauksen pistetiheys kpl / m 2 Tiedostokoko supistuu jopa 1/1000 1/10000 osaan lähdetiedostosta

13 Laserkeilausosumien (Lidar) luokitus (Lidar on optinen kaukokartoituslaite, lentokone) 0 Created, never classified Käsittelemätön 1 Unclassified Luokittelematon 2 Ground Maa 3 Low Vegetation Kasvusto 4 Medium Vegetation 5 High Vegetation 6 Building Rakennus 9 Water Vesistö Kehitysluokat ja hoitotöiden kiireellisyydet 14, (T1), (T2), (02), 30 (03) Laser-keilaus osuman tietueen muoto x y z intensity classification gps_time

14 Kehitysluokkien tunnistus ruudusta Aalto-algoritmi (T1 10 cm, T2 50 cm ja 02 1 m)

15 Karttalehden T1, T2, 02 tulkinta Konneveden karttalehden N4442F1:n suoratulkinta ja saantojen laskenta Kuviossa on Konneveden karttalehden N4442F1 900 ha taimikon ja nuorenmetsän kehitysluokkien suoratulkinta ja hoitotöiden kiireellisyydet. Pinta-alaperusteinen ja paikkatietoon sidottu tulkinta suo mahdollisuuden laskea ja arvioida energiapuusaantoja ja hoitotyön työmääriä.

16 Konneveden Lidar-datan suoratulkinta N4442F1:n

17 QGIS:llä tehty analyysi Konnevedeltä 6 karttalehteä yhdessä 5400 ha

18 Hoitotyökuukaudet (T1, T2) ja energiapuusaannot (02) N4442F1-karttalehdeltä Taimikko T1 T1_15 T1_16 T1_17 T1_18 T1_19 yhteensä 8 m * 8 m kpl 3527 kpl 4100 kpl 1262 kpl hehtaaria 67,4 ha 32,7 ha 22,6 ha 26,2 ha 8,1 ha 156,9 ha Hoitotyö kk 0 0,8 kk 1,1 2,0 0,8 4,7 kk Taimikko T2 T2_20 T2_21 T2_22 T2_23 T2_24 8 m * 8 m 5155 kpl 6609 kpl 5947 kpl 5757 kpl 2713kpl hehtaaria 33 ha 42,3 ha 38 ha 36,8 ha 17,4 ha 167,6 ha Hoitotyö kk 0 1,6 2,9 4,1 2,6 11,2 kk Nuori metsä 02_25 02_26 02_27 02_28 02_29 8 m * 8 m 1652 kpl 6835 kpl kpl 8032 kpl 1406 kpl hehtaaria 10,6 ha 43,7 ha 64,7 ha 51,4 ha 9 ha 179,4 ha Saanto k-m k-m 3 Maa_2 Vesistö_9 Aukko_14 Metsä 30 8 m * 8 m kpl hehtaaria 334,4 ha

19 Työmäärien ja saannon arviointi 900 ha:n tai 3600 ha:n karttalehdiltä Kehitysluokkien määrittäminen esim. 8 metrin ruuduille (rasterit, hilat) MML-aineistosta. Hoitotöiden kiireellisyyden määrittäminen. Pinta-alaperusteinen käsittely valitulle kohteelle. Työmäärien ja energiapuunsaantojen työkohteisiin sidottuja kertoimia tulee määrittää jatkuvasti mm. hakkuu- ja ajokoneilla. Pinta-alaperusteinen (gps) hoitotyön kertoimien määrittäminen voisi tapahtua esim. mobiilisovelluksella (T1, T2). Energiapuuta saadaan myös päätehakkuista.

20 Erittäin tiheän hoitokohdekuvion (T2) työmäärien laskenta (60,5 h/1,8 ha)

21 Erittäin tiheän mäntytaimikon (T2) 2016 kuvat ennen ja jälkeen hoidon Ennen hoitoa Hoidon jälkeen

22 Nuoren metsän hoitokohteiden tunnistaminen lentokonekeilauksella

23 Lajitellut kasvuston korkeuskäyrät Hoidettu 1 ha, Hoitamaton 1 ha

24 Hoitamaton 1 ha, hoidettu 1 ha nuorimetsä (02) latvatasomalli (1 m)

25 Kopteri- ja lennokkikuvauskohteita mm. Lammenlenkki (JKL) ja Konnevesi Kuvamateriaali sisältää lennokin m korkeudesta kuvaamaa maastoa ja metsää sekä kuvina että las-tiedostona. Mittalaitteina kamera ja gps-paikannus (x, y, z) Kuvista tuotetuista las-tiedostosta voidaan laskea mm. kasvuston korkeus ja kehitysluokat. Seuraavassa on vertailussa Konnevedeltä vuonna 2015 lentokonekeilattua sekä 2016 ja 2017 lennokki- ja kopterikuvattua aineistoa, jota viritetään mm. hoitotöiden kiireellisyyden osalta. Lehdettömän ja lehdellisen kuvauksen vertailu

26 Konnevedellä käytetty lennokki ebee + Parrot Sequoia -multispektrikamera sensefly ebee Paino 0,7 kg Siipien kärkiväli 96 cm Pisin lentoaika 50 minuuttia Tuulensieto 12 m/s Parrot Sequoia -multispektrikamera 4 kpl 1,2 MP multispektikameraa Lähi-infrapuna (NIR), punaisen reuna-alue, punainen, vihreä 16 MP RGB-kamera

27 Kopteri DJI Phantom 4 ja ohjain

28 DJI Phantom 4 Käyttöpaino 1380 g Kamera 12 Mpix Paikannusmenetelmät GPS/GLONASS Maksiminopeus 20 m/s (riippuen lentotilasta) Maksimi lentokorkeus 6000 m Maksimi tuulensieto 10 m/s

29 Pistetiheydet (Kopteri 300/m 2, Lennokki 10/m 2, lentokone 2/m 2 )

30 Lammenlenkki lehdetön aika

31 Lammenlenkki lehdellinen aika

32

33 Jyväskylän Laajavuoren Lammenlenkki kopterikuvaus noin 2 ha lehdetön aika

34 Jyväskylän Laajavuoren Lammenlenkki kopterikuvaus lehdellinen aika

35 Metsän inventointi lennokkikuvauksena (RGB) Konnevedellä

36 Lentokonekeilattu lidar-tulkinta 225 ha alueesta Konnevedeltä 2015

37 Lennokkikuvaus 225 ha alueesta Konnevedeltä 2016

38 Lennokki- ja kopterikuvausaineiston haasteena on maanpintamallin korjaukset (pieni taimikko T1)

39 Vertailu 32 m koeruuduista (T1) ylärivi lennokki (RGB) kuvattu 2016 alarivi lentokone (Lidar) keilattu 2015

40 JAMK:n julkaisuja Uusia menetelmiä metsävaratietojen hyödyntämiseen Energiapuun tehokas käsittely ja kuivuminen: Metsä työllistäjänä ja ympäristön hoitokohteena Pietikäinen Kalevi Jyväskylän ammattikorkeakoulu 2014 Julkaisun pysyvä osoite on

41 JAMK:n julkaisuja Opinnäytetyöt keväällä 2016 ja 2017 Antti Ruotsalainen Lentokeilausdatan käsittely ja analysointi metsän inventoinnissa. löytyy theseuksesta Antti Ruotsalainen.pdf 1 Mt Mikko Kemppinen Lennokki-LAS-datan hyödyntäminen metsänhoitotöissä Sanna Räisänen Lennokilla ja kopterilla tuotetun LAS-datan hyödyntäminen metsäalalla