Nikkarilan Laserkeilausprojekti

Transkriptio

1 Tomi Miettinen Nikkarilan Laserkeilausprojekti Opinnäytetyö Metsätalouden koulutusohjelma Toukokuu 2009

2 Opinnäytetyön päivämäärä Tekijä Tomi Miettinen Koulutusohjelma ja suuntautuminen Metsätalouden koulutusohjelma Metsätalous Nimeke Nikkarilan laserkeilausprojekti Tiivistelmä Laserkeilaus on uusi kaukokartoituksen menetelmä ja kiinnostus sitä kohtaan on suuri. Laserkeilaus (LiDAR, Light Detection And Ranging; ALS, Airborne Laser Scanning) on optiseen kaukokartoitukseen verrattuna uusi menetelmä. Metsien inventoinnin kustannusten noustessa on pyritty kustannustehokkaisiin kaukokartoitusmenetelmiin ja laserkeilaus on osoittautumassa lupaavaksi kaukokartoitusmenetelmäksi puustotunnusten estimoinnissa. Maastossa tehtävään kuvioittaiseen arviointiin verrattuna laserkeilaus tarjoaa keskimääräistä tarkempaa tietoa. Nikkarilan Laserkeilausprojektin tavoite oli toteuttaa Nikkarilan opetusmetsässä laserkeilausinventointi yhteistyössä Blom Kartta Oy:n kanssa. Laserkeilaus tapahtui harvapulssista laserkeilausta käyttäen ja puustotulkinta tapahtui pienkuvioille, hilaruuduille sekä aikaisemman metsäsuunnitelman kuviolle. Tarkoituksena oli tuottaa aineistoa sekä kokemusta menetelmästä ja hyödyntää kokemuksia opetuksessa ja tutkimuksissa. Asiasanat (avainsanat) Laserkeilaus, Lidar, ALS, Metsien inventointi, Nikkarila Laserkeilaus Sivumäärä Kieli URN 36 s. + liitt.9 s. Suomi URN:NBN:fi:mamk-opinn Huomautus (huomautukset liitteistä) Ohjaavan opettajan nimi Heikki Lehmonen Opinnäytetyön toimeksiantaja Nikkarilan opetusmetsä

3 Date of the bachelor's thesis May 6, 2009 Author Tomi Miettinen Name of the bachelor's thesis Nikkarila Airborne Laser Scanning Project Degree programme and option Degree Programme in Forestry Forestry Abstract Airborne Laser Scanning (ALS) is a new remote sensing technique and ALS based forest inventories have awaken lot of interesting in Finland. Forest inventory costs have risen and now they are looking for a cheaper inventory system. The most promising remote sensing technique for forest inventory purposes is ALS. ALS gives more accurate information than the traditional Finnish forest inventory system, which is based on system where inventory has to be done in the field. The aim of the thesis was to do an ALS based forest inventory in Nikkarila educational forest in co-operation with Blom Kartta Oy. ALS data was collected by using a low-resolution system and all values were estimated in microstands, operative stands and grids. A second purpose was to bring information and knowledge to the school that the school can use the knowledge and information in teaching. Subject headings, (keywords) Airborne Laser Scanning, ALS, LIDAR, Forest inventory Pages Language URN 36 p. + app. 9 p. Finnish URN:NBN:fi:mamk-opinn Remarks, notes on appendices Tutor Heikki Lehmonen Bachelor s thesis assigned by Nikkarila Teaching forest

4 SISÄLLYS KUVAILULEHDET 1 METSÄINVENTOINTI SUOMESSA Metsävaratiedon keruu eli inventointi Mitä on metsäsuunnittelu? Metsäinventoinnin historiaa Metsien inventointi nyt ja tulevaisuudessa Yksityismetsien metsäsuunnittelu Valtakunnan metsien inventointi (VMI) LASERKEILAUS METSIEN INVENTOINNISSA Perusteet Yksinpuintulkinta Aluepohjainen puuston tulkinta Puuston pituusmalli Puustotunnusten määrittäminen puuston pituusmallista Parametriset menetelmät Ei-parametriset menetelmät Kuviointi Tulosten luotettavuuden arviointi Laserkeilaus verrattuna muihin metsämittausmenetelmiin Laserkeilauksen muu hyödyntäminen metsien ja maan mittauksessa Taimikot Eri latvuskerrokset MML:n korkeusmalli (Tulvariskialueet) NIKKARILAN LASERKEILAUSPROJEKTI Yleistä Aluerajaus Laserkeilauksen lentosuunnitelma ja lento Digikuvauksen lento-operaatio Koealojen sijoittelu Koealamittaukset Yleistä Paikallistaminen... 22

5 3.6.3 Mittaus Mittausvälineet ja mittaustekniikka Puustotulkinta POHDINTA LÄHTEET LITTEET Blom-kartta Oy:n Virherajat kaudella 2007/2008: Nikkarilan maastokoealojen jakauma lohkoittain Koealojen keskipisteiden maamerkit Nikkarilan koealojen tarkat sijainnit... 43

6 1 1 METSÄINVENTOINTI SUOMESSA 1.1 Metsävaratiedon keruu eli inventointi Yksityismetsien, metsäteollisuuden ja valtion metsien metsäsuunnittelua varten tarvittava inventointitieto hankitaan lähes poikkeuksetta kuvioittaisella arvioinnilla. Siinä suunniteltava metsäalue jaetaan kartan ja ilmakuvien avulla kuvioiksi, jotka pyritään rajaamaan kasvupaikan, puuston ja mahdollisen käsittelytarpeen mukaan homogeenisiksi. (Ärölä 2008.) Puustotunnukset voidaan arvioida neljällä eri tavalla: metsiköittäin, puulajeittain, puujaksoittain tai puulajeittain ja -jaksoittain. Tarkimmat tiedot metsikön rakenteesta saadaan viimeksi mainituilla menetelmillä, heikoimmat ensin mainitulla. Nykyisin lähes kaikissa organisaatioissa arvioitavat metsikkötunnukset ovat puuston ikä, pohjapintaala tai runkoluku sekä keskipituus ja keskiläpimitta. Mikäli tietoja ei kerätä puulajeittain, puulajien osuudet arvioidaan maastossa erikseen. Kuvioittaisen arvioinnin yhteydessä kerätään usein lisäksi tietoja kuolleesta puustosta, avainbiotoopeista, aiemmin tehdyistä toimenpiteistä sekä tehdään ehdotuksia tarvittavista toimenpiteistä ja niiden kiireellisyyksistä. (Kangas ym ) 1.2 Mitä on metsäsuunnittelu? Suunnittelu on metsän tulevaisuuden päätös- tai toimintavaihtoehtojen esittämistä ja niiden seurausten kartoitusta. Suunnittelun pyrkimyksenä on löytää etukäteen paras toimintavaihtoehto tuleviin valintatilanteisiin. Suunnittelu on siis valmistautumista tulevaan toimintaan. Suunnittelu tuottaa tietoa päätöksentekoa varten, mutta suunnittelija ei tee päätöksiä, vaan yleensä metsätaloudessa päätöksen toimenpiteistä tekee se kenelle suunnitelma on tehty. (Pukkala 2007) Metsäsuunnittelun luonteen kuvaamiseksi puhutaan erityyppisistä suunnittelutehtävistä. Perusteina ovat lähinnä suunnittelun käyttötarpeet, tavoitteet ja yksityiskohtaisuus. Metsäsuunnittelualueen laajuus vaihtelee suuresti. Suunnitelmia tehdään jopa alle puolen hehtaarin kuviosta lähtien koko maan kattavaan suunnitelmaan. Suunnittelun kohteena voi olla esimerkiksi kuvio, tila, kunta, metsäkeskusalue tai koko maa Ärölä 2008.)

7 2 1.3 Metsäinventoinnin historiaa Ennen varsinaisia valtakunnallisten inventointien toteuttamista Suomessa tehtiin Sahalahden ja Kuhmalahden pitäjissä koeinventoinnit, joiden tuloksia käytettiin edelleen ensimmäisten valtakunnan metsien inventointien suunnittelussa. Koeinventoinnit suunnitteli ja pani alulle Werner Cajanus vuonna Tämä työ muodostui otantamenetelmien soveltamisen sekä metsänarvioimisen pioneerityöksi Suomessa ja koko maailmassa. (Kangas ym ) Yksityismetsien suunnittelu yleistyi voimakkaasti 1970-luvulla, jolloin piirimetsälautakunnat alkoivat tehdä vuonna 1967 annetussa asetuksessa mainittua alueellista yksityismetsien metsäsuunnittelua luvulta lähtien alueellisesta metsäsuunnittelusta on tullut keskeinen ja vakiintunut metsäkeskusten työtehtävä, jossa painopiste on tilakohtaisten metsäsuunnitelmapalveluiden tuottamisessa yksityismetsänomistajille (Ärölä 2008). Aikoinaan Suomen puuhuollon turvaamiseksi laadittiin mm. sellaiset suunnitelmat kuin TEHO, MERA, ja Metsä Kaikki nämä suunnitelmat lähtivät siitä, että huolestuttiin metsien riittävyydestä ja aloitettiin suunnitella kuinka Suomen metsävaroja olisi järkevä käyttää (Pukkala 2007). 1.4 Metsien inventointi nyt ja tulevaisuudessa Suomessa metsävarojen inventointi voidaan jakaa kahteen eri tasoon. Valtakunnan metsien inventointiin, joka on suuralueinventointia sekä yksityismetsätalouden, metsäyhtiöiden sekä Metsähallituksen mailla tapahtuvaan kuvioittaiseen suunnitteluun (Mustonen 2007). Viime vuosina metsäkeskusten, metsänhoitoyhdistysten ja metsäpalveluyrittäjien tekemä vuotuinen yhteenlaskettu yksityismetsien metsäsuunnitteluala on ollut noin miljoona hehtaaria, josta noin 65 prosenttia on ollut tilakohtaista suunnittelua. Metsäkeskukset ovat toteuttaneet suunnittelumäärästä 90 prosenttia. Vuosittain maassamme laaditaan noin tilakohtaista metsäsuunnitelmaa. Voimassa olevat tilakohtaista suunnitelmaa kattavat noin 6,5 miljoonaa hehtaaria eli noin 45 prosenttia

8 3 yksityismetsien pinta-alasta. Voimassa olevan alueellisen suunnittelun peittävyys on noin 65 prosenttia yksityismetsien pinta-alasta (Ärölä 2008). Koska metsäsuunnittelu on metsäkeskusten tärkeimpiä tehtäviä, suunnittelua tehostetaan ja etsitään säästöjä. Maa- ja metsätalousministeriön hallinnonalaiset metsäkeskukset ovat ottamassa ministeriön strategisten linjausten mukaisesti käyttöön uuden metsävaratietojärjestelmän vuoteen 2010 mennessä. Uudessa metsävaratietojärjestelmässä tullaan hyödyntämään tiedonkeruussa mm. tehokkaita kaukokartoitusmenetelmiä, jotka perustuvat laserkeilainaineistoon ja digitaaliseen ilmakuvaan. Uudella metsävaratietojärjestelmällä toivotaan saavan suuria kustannussäästöjä esimerkiksi jättämällä maastoinventointien määrä minimiin. (Metsäkeskus 2008). 1.5 Yksityismetsien metsäsuunnittelu Metsäsuunnitelma on toiminnan perusta, kun toteutetaan ekologisesti, taloudellisesti ja sosiaalisesti kestävää metsätaloutta. Metsäsuunnittelussa on tavoitteena valita suunnittelun kohteena olevan alueen metsäkuvioille sellaiset käsittelyt, joiden yhdistelmä tuottaa metsäomistajalle suurimman mahdollisen hyödyn. Jotta metsäsuunnitelmasta pystytään tekemään metsänomistajan tavoitteisiin ja päämääriin ohjaava, tarvitaan tieto tilan puustosta eli metsävaratiedot. Metsävaratiedot hankitaan yleensä kuviottaisella inventoinnilla. Metsäomistajan tavoitteet voidaan selvittää esimerkiksi haastattelemalla tai antamalla alustavia metsäsuunnitelman laskentoja metsänomistajan arvioitavaksi. (Ärölä 2008) 1.6 Valtakunnan metsien inventointi (VMI) Valtakunnallisten inventointien tavoitteena on ollut kerätä tietoa metsätalouden suunnittelua varten suuralueilla. Tuloksia on käytetty hyväksi tehtäessä päätöksiä metsäteollisuuden investoinneista sekä myös metsäverotuksen pohjatietona. Lisäksi valtakunnalliset inventoinnit tarjoavat arvokasta aineistoa moniin tutkimuksiin. Inventointien tulokset esitellään Metsäntutkimuksen julkaisusarjoissa ja niitä on kerätty myös Tapion Taskukirjan tilasto-osaan. Tulokset sisältävät mm. puuston määrää ja laatua sekä metsänhoitotoimenpiteitä koskevia tilastotietoja metsälautakuntien alueittain, omistajaryhmittäin sekä puulajeittain. (Kangas ym. 2003)

9 4 Maailman ensimmäinen tilastolliseen otantaan perustuva valtakunnan metsien inventointi (VMI) tehtiin Suomessa professori, sittemmin akateemikko Yrjö Ilvessalon johdolla 1920-luvun alussa. Tämän jälkeen inventointeja on toistettu noin 5 10 vuoden välein. Neljä ensimmäistä inventointia vuosina tehtiin linjoittaisina arviointeina siten, että mittausryhmät kävelivät läpi maan lounaasta koilliseen kulkevia linjoja tehden arviointeja ja havaintoja linjalle osuneista metsiköistä. VMI5:ssä ( ) arviointilinjat olivat epäyhtenäisiä ja suorakaiteen muotoisia, mutta tilavuusarvioita tehtiin kaikilla inventointilinjaa leikkaavilla metsikkökuvioilla. VMI6:sta lähtien maastotietoja kerättiin vain linjalla sijaitsevilta koealoilta ja koealoja sisältäviltä metsikkökuvioilta. Koealat sijoitettiin ryppäisiin, ja koealaryppäät suunniteltiin yhden työpäivän kokoisiksi yksiköiksi. Ryppäiden väliseen etäisyyteen vaikuttivat inventointituloksille asetetut luotettavuusvaatimukset sekä käytettävissä olevat resurssit. Etelä- Suomessa ryppäiden koko ja etäisyydet säilyivät samana VMI8:aan ( ) asti. (Metla 2008a). Pohjois-Suomessa inventointimenetelmänä oli VMI5-VMI7:ssä kaksivaiheinen otanta osituksella. Ensimmäisessä otantavaiheessa käytettiin mustavalkoisia ilmakuvia. Ilmakuville paikannettiin koealat, jotka ositettiin ja kustakin ositteesta osa koealoista valittiin maastomittauksiin. Maastomittaukset yleistettiin sitten ositteen kaikille koealoille. VMI8:n aikana kehitettiin satelliittikuviin pohjautuva inventointimenetelmä. VMI:n maastokoealoja käytettiin maastoaineistona, jolla estimoitiin metsikkötunnusten arvoa satelliittikuvien kanavien sävyarvojen avulla. Tavoitteena oli saada metsävaratietoja pienemmälle alueelle kuin aiemmin ja tuottaa myös metsävarakarttoja. Uusi monilähdeinventointi ei korvannut maastoinventointia: koko maan ja metsäkeskusten tilastotiedot lasketaan edelleen suoraan maastomittauksista. VMI9:n otanta-asetelmaa suunniteltaessa käytettiin apuna monilähteisellä inventoinnilla VMI8:n aikana tuotettua tilavuuskarttaa. Kun maaluokkien pinta-alat ja puuston puulajittaiset tilavuudet oletettiin tunnetuiksi satelliittikuvan kuvanalkiossa, voitiin simuloida erilaisia otantaasetelmia ja laskea niiden otantavirheet. Runkotilavuuden luotettavuusvaatimuksen simuloinneissa oli mukana myös maastotöille asetettu aikatavoite. Metsien rakenteen vaihtelun takia erilaisten otanta-asetelmien käyttö eri osissa maata osoittautui tehokkaimmaksi tavaksi. (Metla 2008a) Metsäntutkimuslaitos (Metla) on aloittanut hankkeen numero 7216, jossa se pyrkii Maa- ja metsätalousministeriön (MMM) metsäsuunnittelustrategian mukaisesti kustannustehokkaisiin kaukokartoitusmenetelmiin vuoteen 2010 mennessä. Tässä hank-

10 5 keessa on Metlan lisäksi mukana mm. Metsätalouden kehittämiskeskus Tapio sekä Joensuun yliopisto. Laserkeilaus on osoittautumassa lupaavaksi kaukokartoitusmenetelmäksi puustotunnusten estimoinnissa. Kustannustehokas kaukokartoitusmenetelmiin perustuva inventointi edellyttää, että kuvattavat alueet ovat laajoja ja yhtenäisiä. Tutkimuksen yksi tavoitteista on tutkia, että voidaanko VMI:n koealoja käyttää laserkeilauksen tulkinnan maastoreferenssiaineistona paikallisesti kerätyn koeala-aineiston kanssa. Samalla täytyy yksilöidä VMI:n -koealoilta mahdollisesti tarvittavat lisämittaukset. Toinen hankkeen päätavoitteista on kehittää sovelluksia olemassa olevien laserkeilausaineistojen ja maastoaineistojen yhdistämiseksi uusiin aineistoihin. (Metla 2008b) Näillä edellä mainituilla asioilla syntyisi selvää kustannussäästöä, koska kalliit maastotyötunnit jäisivät vähemmälle valmiin maastokoealaverkon vuoksi. 2 LASERKEILAUS METSIEN INVENTOINNISSA 2.1 Perusteet Luonnonvarojen kaukokartoitusmenetelmät perustuvat sähkömagneettisen säteilyn rekisteröintiin. Kaukokartoituksessa yleisimmin hyödynnettävä sähkömagneettinen säteily on peräisin joko auringosta tai havainnointilaitteista, kuten tutkista. Jokaisella kohteella on sille ominainen tapa heijastaa, emittoida ja absorboida säteilyä. Kohteen heijastamaa säteilyä eli ominaissäteilyä, toiselta nimeltään ominaisspektriä, käytetään hyväksi kaukokartoituksessa tunnistettaessa kohteita ja hankittaessa tietoa niiden ominaisuuksista. (Tokola ym. 2008) Laserkeilain (LiDAR, Light Detection And Ranging; ALS, Airborne Laser Scanning) on optiseen kaukokartoitukseen verrattuna uusi menetelmä. Laserkeilaimen toiminta perustuu siihen, että lentävässä aluksessa oleva ilmaisinosa tallentaa ja tulkitsee vastaanotetun signaalin sekä määrittää sen perusteella etäisyyden mitattavaan kohteeseen. Laserkeilain pyyhkäisee tutkan muodostamaa laserpulssia (optinen/infrapuna) lentosuuntaa vastaan kohtisuoraan. Tällä tavalla katetaan koko kohteen ala. Alueelta saadaan lähes vierekkäisiä keiloja (keilan halkaisija tavallisesti muutama kymmenen senttimetriä). Koska laserkeilaimen paikka määritetään tarkasti keilaushetkellä, voidaan yksittäisten laserpulssien koordinaatit muuntaa korkeushavainnoiksi (XYZ) maanpäällisissä koordinaattijärjestelmissä. (Suvanto ym. 2005) Koska paikkatieto on

11 6 tarkasti tiedossa, laserkeilauksella tuotetaan tarkasti paikannettua kolmiulotteista informaatiota sekä kasvillisuuden että maapinnan korkeusvaihtelusta. Paikkatiedon selvittämiseksi käytetään differentiaalikorjattua signaalia, koska sillä saadaan paikkatieto tarkemmin kuin absoluuttista paikannusta käyttäen. Differentiaalisessa paikannuksessa (DGPS) etäisyydet satelliitteihin mitataan C/A-koodin avulla. Lisäksi mukaan tulee tukiasema, joka sijaitsee tunnetulla pisteellä. Kun tukiasema mittaa etäisyyden, se samalla laskee havaintopaikan ja satelliitin tunnettuja koordinaatteja vastaavan etäisyyden. Etäisyyksiin tehtävää korjausta kutsutaan differentiaalikorjaukseksi. Menettelyllä voidaan korjata tukiaseman ja paikantavan vastaanottimen yhteiset virheet, jotka ovat havaintohetken systemaattisia virheitä. Korjattujen etäisyyksien avulla paikantavan vastaanottimen sijainti saadaan laskettua huomattavasi tarkemmin kuin ilman korjaussignaalia (Laurila 2008) GPS-paikanninta voidaan täydentää inertiapaikannuksella (INS, Inertial Navigation System), jolloin radiotaajuisten häiriöiden vaikutukset vähenevät merkittävästi. Inertiapaikannuksessa käytetyissä sensoreissa syntyy ryömintävirhettä, jonka korjaaminen edellyttää muun paikannustiedon saatavuutta pidemmällä aikavälillä. Siten INS- ja satelliittipaikannusjärjestelmät täydentävät, mutta eivät korvaa toisiaan. Tarkemman paikkatiedon saavuttamiseksi satelliitti- ja inertiapaikannuksen (GPS/INS) yhdistämistä on käytetty sekä sotilas- että siviili-ilmailussa jo vuosia. (Airos ym. 2007) KUVA 1. Laserkeilaimen mittausperiaate. (Hyyppä 2008) Lasersäde divergoi eli leviää. Jos divergenssi on 0,25 mrad ja lentokorkeus m, laserpisteen halkaisija on maanpinnalla 25 cm. Osa valosta heijastuu vastaanottimeen puun lehvästöstä, osa vasta maanpinnasta. Useat laserkeilaimet kykenevät vastaanot-

12 7 taman useampia kaikuja. "First pulse"-kaiut kuvaavat lähinnä puiden latvoja ja sähköjohtoja, kun taas "last pulse"-kaiut kuvaavat aluskasvillisuutta ja maanpintaa (Haala 1999). Laserkeilauksessa tulee käyttää sellaista laserlaitetta, jolla voidaan lähettää riittävä määrä laserpulsseja yksittäisten puiden tai puuryhmien erottamiseksi toisistaan. Näytteiden määrään vaikuttaa tarkkuus, jolla puustoa halutaan mitata ja puiden latvuston koko. On mahdollista että laserimpulsseja lähetetään useita neliömetriä kohden, ja tiheyden kasvattaminen jopa kymmeniin impulsseihin tuo selkeää tarkkuusparannusta ainakin pohjoisella havumetsävyöhykkeellä. Pulssitiheyden optimointi on optimointia tarkkuuden ja kustannusten välillä. (Hyyppä 2009) Laserkeilaukseen vaikuttaa vuodenaika. Lumen ollessa maassa lasermittauksia ei kannata suorittaa, koska lumi saattaa heijastaa pulssin poispäin laserin ilmaisinosasta. Kun latvustossa on tarpeeksi neulasia ja lehtiä, jotka voivat heijastaa laserin signaalin latvasta, eikä maan pinnassa ole runsasta aluskasvillisuutta, on optimaalisin aika laserkeilaukselle. Mittaukset Suomen olosuhteissa ovat osoittaneet, että hyvälaatuista puustotietoa voidaan tuottaa myös loppukesästä sekä alkusyksystä. (Hyyppä 2008) 2.2 Yksinpuintulkinta Yleisesti ottaen on olemassa kaksi erillistä tekniikkaa puustotietojen tuottamiseen: yksinpuintulkinta ja aluepohjainen tulkinta. Yksinpuintulkinnassa tiheäpulssisesta laserkeilausaineistosta tunnistetuista puista saadaan suoraan arvio pituudesta. Muut puustotunnukset ennustetaan puun pituustiedon avulla puutason malleilla. Tiheäpulssisessa laserkeilauksessa pulssitiheydet voivat vaihdella 5 30 pulssin/m 2 välillä (Maltamo ym. 2008). Yksittäiset puut pyritään tunnistamaan hahmontunnistuksella. (Närhi ym. 2008). Metsäsuunnittelusovelluksissa pyritään kustannustehokkaampiin sovelluksiin, joilla voidaan saavuttaa riittävän luotettavia tuloksia päätöksenteon tueksi. Mitä korkeammalta pystytään laserkeilauksella lentämään, sitä halvemmaksi aineisto tulee. Yksinpuintulkinta edellyttää suurta määrää havaintoja, joten keilaamisen tulee tapahtua matalammalla kuin harvapulssisessa keilauksessa (Vertanen ym. 2006). Koska harva-

13 8 pulssisellakin keilauksella saadaan tarvittavan tarkkaa tietoa, yksinpuintulkinta on jäänyt huomattavasti vähemmälle. 2.3 Aluepohjainen puuston tulkinta Aluepohjaisessa tulkinnassa ennustetaan suoraan koealatason puustotunnuksia harvapulssisen laserkeilausaineiston avulla. Harvapulssisessa laserkeilauksessa pulssitiheys on 0,5 2 pulssia/m 2 (Maltamo ym. 2008). Suomessa metsien mittauksessa on pääasiassa käytetty menetelmää, jossa käytetään harvapulssista laserkeilausta ja aluepohjaista tulkintaa (esim. Suvanto ym ) Pulssitiheys hiukan vaihtelee kesken lennon, mutta keskimäärin pulssitiheys on harvapulssisessa keilauksessa noin 0,7 pulssia/m 2. Harvapulssinen laserkeilaus on huomattavasti halvempaa kuin tiheäpulssinen laserkeilaus, joten metsätaloudessa useimmiten käytetään kustannussyistä harvapulssista laserkeilausta (Maltamo ym. 2008) Puuston pituusmalli Laserkeilaus-pohjainen metsien inventointi perustuu kolmiulotteisen tiedon hankintaan metsikön latvustosta ja maastosta. Lasersäteillä on kyky tunkeutua kasvillisuuden läpi jopa tiheässä metsässä. Kolmiulotteinen tieto saadaan erottamalla maahan osuneet laserimpulssit latvustoon osuneista pulsseista, jolloin voidaan muodostaa digitaalinen maastomalli (DTM, Digital Terrain Model) ja digitaalinen kasvillisuuden pintamalli (DSM, Digital Surface Model). Kasvillisuuden pintamallin laskentaan käytetään laserimpulssin ensimmäisen kaiun tietoja ja maastomallin laskentaan viimeisen kaiun tietoja. (Mustonen 2007) Latvuston pituusmalli (CHM, Canopy Height Model) lasketaan digitaalisen pintamallin ja digitaalisen maastomallin avulla. Pintamalli (DSM) muodostetaan latvustosta heijastuneista pulsseista. Se voidaan muodostaa esimerkiksi siten, että jokaisesta pikselistä otetaan korkein kohta (suurin z-koordinaatti). Kohdissa, joista ei ole heijastunut pulssia, käytetään Delaunay-kolmiointia ja lineaarista interpolointia (Yu ym. 2004).

14 Puustotunnusten määrittäminen puuston pituusmallista Latvuston pituusmallin perusteella ennustetaan puille läpimitta ja edelleen yleisillä tilavuusfunktioilla tilavuus. Alueen pinta-alatietojen perusteella voidaan sitten yleistää kuvio-, hehtaari- ja aluekohtaisia tuloksia. Koska läpimitan ennustamisessa on käytettävissä myös puun pituus, saadaan läpimitta ennustettua huomattavasti paremmin kuin pelkän latvusalan avulla. Lisäksi jos alueelta on käytössä vanhaa inventointitietoa, voidaan sitä hyödyntää kuvioinnissa, puulajitunnistuksessa ja puutunnusmallien kalibroinnissa. Kuvioinnissa laserkeilausta voidaan puolestaan hyödyntää ainakin aputietona vierekkäisten kuvioiden puuston pituuserojen perusteella. (Maltamo & Pitkänen 2003) KUVA 2. 3D laserpisteaineisto ja ilmakuva (Maltamo ym. 2008) Parametriset menetelmät Koealan ja kuvion puuston rinnankorkeusläpimittajakaumien estimointia on Suomessa yleensä tutkittu olettaen, että koealalta mitataan vain puuston summa- ja keskitunnuksia, ja että kuvio on puustoltaan homogeeninen. Läpimittajakaumien estimointiin on käytetty tiettyihin parametrisiin tiheysfunktiohin (esim. beta- ja Weibull-funktiot) perustuvia menetelmiä. Läpimittajakaumien estimointi parametristen tiheysfunktioiden (Beta- ja Weibull-funktiot) avulla perustuu siihen, että tiheysfunktioiden parametrinen arvot ennustetaan koealalta tai kuviolta mitattujen puustotunnusten avulla regressiomalleilla. (Koivuniemi 2003) Yleisesti käytössä on myös Johnsonin SB-jakauman parametrimallit (esim. Kangas & Maltamo 2000).

15 10 Parametriset menetelmät perustuvat teoreettiseen todennäköisyyden laskemiseen. Regressiomallien avulla pyritään tulkitsemaan korkeusmallista puuston määrää ja regressiolähestymistavan perusajatuksena onkin käyttää regressioyhtälöitä puustotunnusten laskentaan laseraineiston tunnusten avulla. Näillä malleilla laserpisteaineistosta voidaan suoraan laskea halutun alueen, esimerkiksi kuvion puuston keskipituus tai tilavuus. Ennen kuin lähestymistapaa voidaan soveltaa, on mallinnettava kiinnostavat puustotunnukset. (Suvanto ym. 2005) Regressiomenetelmän suurin heikkous on, että ei ole käytössä yleisiä malleja, vaan jokaisessa erillisessä tutkimuksessa on laadittu uudet mallit. Esimerkiksi Næsset & Gobakken (2005) joutuivat tutkimuksessaan tekemään nuorille metsille sekä karujen kasvupaikkojen ja rehevien kasvupaikkojen uudistuskypsille metsille omat regressiomallinsa, koska yleisesti saatavia malleja ei ollut saatavilla. Regressiomallien hankaluudesta kertoo esimerkiksi Gobakkenin ja Næssetin (2004) tekemä tutkimus, jossa heillä oli käytössä pelkästään Weibull-funktioon perustuvia malleja eri kehitys- ja kasvupaikkaluokille yhteensä 24 kappaletta Ei-parametriset menetelmät Ei-parametristen menetelmien avulla haluttu tunnus ennustetaan koko aineiston perusteella, ja haluttu tunnus on painotettu keskiarvo lähimpien naapureiden havainnoista. Lähimmät naapurit valitaan puustotietokannasta, joka koostuu aiemmin mitatuista puu- ja metsikkökohtaisista tiedoista. Ei-parametrisillä menetelmillä saadaan realistisia tunnuksia, koska ennustukset perustuvat todellisista mitatuista tiedoista poimittuihin arvoihin. (Sironen ym. 2001) Ei-parametrisillä menetelmillä ei ole oletusta jakauman muodosta. Estimaatit määräytyvät puhtaasti datan mukaan ja parametrien määrä kasvaa optimaalisesti datan määrän mukaan. Ei-parametrisillä menetelmillä on myös ongelmansa. Menetelmät ovat usein raskaita ja moniulotteisuus luo ongelmia. (Lampinen, 2004) Puustotunnuksia laskettaessa ei-parametrisella k:n lähimmän naapurin mallilla, jossa selittävinä muuttujina käytetään laserkeilainaineiston korkeus- ja tiheystunnuksia sekä ilmakuvan sävyarvo- ja tekstuuritunnuksia, k:n lähimmän naapurin menetelmä valit-

16 11 see kulloisellekin kohteelle laser- ja ilmakuva-aineiston vastaavuuden perusteella sitä parhaiten kuvaavat tarkasti mitatut koealat (Maltamo ym. 2008). Absoluuttisiin etäisyyksiin perustuvalla knn-lähimmän naapurin menetelmällä (knearest neighbour) estimaatit lasketaan k:n aputiedoltaan lähimmän naapurin painotettuna keskiarvona. Toimenpiteiden luokittelu tehdään painottomalla knn-menetelmällä. Menetelmällä tuotetaan k:n lähimmän naapurin luokkajakauma, josta valitaan luokkaosuudeltaan suurin toimenpide-ehdotus. (Hyvönen 2002) k-msn-menetelmä (k-most Similar Neighbour) on menetelmä, jossa etäisyysfunktion parametrit saadaan kanonisen korrelaation avulla, jolloin selittäviksi ja selitettäviksi tunnuksiksi voidaan ottaa yhtä aikaa monia metsikkökohtaisia tunnuksia (Sironen ym. 2001). Tutkimusten mukaan (esim. Packalén & Maltamo 2007) k-msn menetelmä tuottaa hyviä tuloksia varsinkin silloin kun tulkinnan apuna on myös ilmakuvat. Tutkimuksissa (esim. Packalén 2008 ja Haara 2002) ei-parametrinen lähestymistapa on osoittautunut parametrisiä läpimittajakaumamalleja, kuten Weibull-jakaumaa, tarkemmaksi puuston läpimittajakauman kuvaajaksi. Laserkeilauksen tulkinnassa syynä ei-parametrisien menetelmien paremmuuteen on se, että ei-parametrinen lähestymistapa pystyy paremmin hyödyntämään kaukokartoitustiedon moninaista informaatiota kuin parametriset menetelmät. Lisäksi jakaumat ovat paikallisia eikä informaatiohävikkiä tapahdu jakaumia muodostettaessa. (Mustonen 2007) Ei-parametrinen tulkinta kaipaa tuekseen referenssimaastokoealoja, joten eiparametristen menetelmien ongelmana on ollut tarvittavan läpimittajakaumien referenssiaineiston olemassaolo. Koealojen on kuvattava inventointialueen puuston vaihtelu ja ollakseen käyttökelpoisia ei-parametrisessä tulkinnassa on koealoja oltava riittävästi erilaisilta maapohjilta, puulajiyhdistelmistä ja puuston kehitysvaiheista. Maastossa tapahtuva referenssikoealojen mittaus on merkittävä kustannustekijä keilauksen tulkinnassa. Optimaalisen koealojen sijoittelun, vanhan inventointitiedon tai laserkeilausinformaation avulla kuitenkin on mahdollista vähentää tarvittavaa koealamäärää. (Maltamo ym. 2008)

17 Kuviointi Puuston tulkinta kolmiulotteisesta aineistosta on yksi haastavimmista osista laserkeilauksessa. Maltamon ym. (2008) Metsälaser-hanke on ottanut yhdeksi tavoitteekseen kehittää puustotunnusten laskentaan hilapohjainen laskentasysteemi suuralueille, missä jokaiselle metrin hilasolulle lasketaan puulajittaiset puustotunnukset laserkeilauksen ja ilmakuvien avulla. Hilan pohjalta puustotunnukset voidaan yleistää kuviotasolle, jolloin aineisto kuvaa myös kuvion sisäistä vaihtelua. Kattavan hilan sijasta voidaan tulkinnan perusyksiköksi muodostaa myös pinta-alaltaan pienehköjä mikrokuvioita, jotka ovat puustoltaan homogeenisia. KUVA 3. Hilalla ennustettu puuston teemakartta (Maltamo ym. 2008). Laserkeilaustulkinnassa suurin ongelma on kenties puuston ikä. Mutta puuston ikä, kuvion maapohjaa kuvaavat tunnukset sekä esimerkiksi luontokohteet voidaan ainakin osalla kuvioista johtaa vanhasta inventointitiedosta, jota on kattavasti saatavissa (Maltamo ym. 2008) Tulosten luotettavuuden arviointi Jatkuvien muuttujien estimoinnin onnistumista testatessa yleisesti käytetty tunnusluku on RMSE (Root Mean Square Error). Jossain lähteissä käytetty nimitys samalle tunnusluvulle on myös keskineliövirheen neliöjuuri. RMSE on tunnus, joka kuvaa estimaattien tarkkuutta tietyssä havaintoaineistossa. RMSE:n komponentit ovat harha ja virheiden keskihajonta. Harha kertoo estimaattien keskiarvon poikkeaman todellisesta keskiarvosta. Jos estimaatit ovat harhattomia, RMSE on yhtä suuri kuin virheiden

18 13 keskihajonta. Virheiden keskihajonta kertoo yksittäisten havaintojen estimointivirheiden hajaantumisesta. Mitä pienempi keskipoikkeama on, sitä paremmin estimointi on onnistunut. (Tuominen 2003) 2.4 Laserkeilaus verrattuna muihin metsämittausmenetelmiin Selvitysten mukaan Taso-tietosisällön mukaisessa kuvioittaisessa arvioinnissa tulee varautua tärkeimpien metsikkökohtaisten puustotunnusten, kuten keskipituus, pohjapinta-ala, tilavuus ja ikä, kohdalla %:n suhteelliseen keskivirheeseen (Uuttera ym. 2002). Haaran ja Korhosen (2004) tutkimuksessa selvitettiin nykyisin käytössä olevan SOL- MU- muotoisen kuvioittaisen arvioinnin tarkkuutta laajalla tarkistusmittausaineistolla. Kuvion keskitilavuuden keskivirhe oli 24,8 % ja tarkistusmittauksen otanta- ja mittausvirhe huomioituna keskivirhe laski 21,4 %:iin. Puustotunnusten keskivirheet vastasivat aika pitkälle aikaisemmista laajoista kuvioaineistoista tehtyjä tutkimuksia. Viime vuosina Joensuun yliopiston metsätieteellisessä tiedekunnassa on kehitetty erityisesti laseraineiston aluepohjaista tulkintaa. Teknologian ja innovaatioiden kehittämiskeskuksen (TEKES) rahoittamassa tutkimushankkeessa Laserkeilauksen käyttö metsävarojen tarkassa inventoinnissa (Metsälaser) keskeinen tavoite oli kehittää menetelmä puulajeittaisten puustotunnusten ennustamiseksi laserkeilausinformaation avulla kuviotasolla. Toteutus tapahtui yhdistämällä harvapulssiseen laserkeilausaineistoon ilmakuvatunnuksia sekä hyödyntämällä tarkasti mitattua ja paikannettua maastokoeala-aineistoa. Ilmakuva tuotti tietoa puulajeista ja laserkeilaus puuston määrästä. Puustotunnusten laskenta tapahtui ei-parametrisella k:n lähimmän naa-

19 14 purin mallilla, jossa selittävinä muuttujina oli käytössä laserkeilainaineiston korkeusja tiheystunnuksia sekä ilmakuvan sävyarvo- ja tekstuuritunnuksia. K:n lähimmän naapurin menetelmä valitsee kulloisellekin kohteelle laser- ja ilmakuva-aineiston vastaavuuden perusteella sitä parhaiten kuvaavat tarkasti mitatut koealat. Projektissa tuotettiin keskeisimmät puustotunnukset (puuston tilavuus, pohjapinta-ala, runkoluku, keskiläpimitta ja keskipituus) männylle, kuuselle ja luokalle lehtipuut, johon yhdistettiin kaikki lehtipuulajit. Saadut tulokset olivat puulajeittain vähintään yhtä tarkkoja ja kokonaistunnusten sekä pääpuulajin osalta jopa huomattavasti tarkempia kuin kuvioittaisen arvioinnin maastotarkistuksissa saadut luotettavuusarviot. Esimerkiksi puuston kokonaistilavuuden osalta suhteellinen keskivirhe oli kuviotasolla yleensä noin 10 % ja pääpuulajin kohdalla reilut 20 %. (Maltamo ym. 2008) Käyttötarkoituksesta johdettuja laatuvaatimuksia metsävaratiedolle ei tällä hetkellä ole määritelty eikä varsinaisia laatukriteereitä sisälly uuteen metsäsuunnittelustrategiaan. Kuvioittaisen arvioinnin tarkkuudesta voidaan siis johtaa nykyhetken minimilaatuvaatimukset uusille inventointimenetelmille. Lisäksi menetelmien tulee täyttää metsäkeskusten laatujärjestelmien asettamat vaatimukset. Metsäkeskusten laatujärjestelmien asettamista tavoitteista voidaan ottaa esimerkiksi Metsäkeskus Pohjois-Savon metsäsuunnittelutiedolle vuonna 2002 asettamat kaksi päälaatutavoitetta: Metsikkökohtaisen tilavuuden virhe tulisi olla keskimäärin alle ±20 %, sekä 90 % ehdotetuista toimenpide-ehdotuksista tulisi olla oikeita verrattuna laatujärjestelmään liittyvien kontrollitarkastusten tuloksiin (Uuttera 2002). Uuttera ym. (2006) ovat vertailleet tutkimuksessaan samalla alueella eri kaukokartoitusmenetelmien sekä nykymuotoisen maastoinventoinnin luotettavuutta. Tutkimuksen mukaan laserkeilainaineiston korkeusjakaumaan perustuva menetelmä oli kokonaisuutena testatuista menetelmistä luotettavin. Tällöin metsikkökohtainen puuston kokonaistilavuuden suhteellinen keskivirhe (%) oli 18,8 ja 17,8 tutkimuksen kahdella testialueella. Haaran ja Korhosen (2004) tutkimuksen mukaan solmu-muotoisena kerätyn kuviotiedon kuvion keskitilavuuden keskivirheeksi tuli 21,4 %, mutta suuri ongelma oli mittaajien välinen huomattavaa vaihtelu. Keskitilavuuden mittaajakohtainen keskivirhe vaihteli 10,6 %:sta 33,9 %:iin. Kuten Kankaan ym. (2002) tutkimuksesta käy ilmi, mittaajien väliset erot voivat olla todella suuriakin. Tämä mittaajien välisen keskivir-

20 15 heen vaihtelu tulisi pyrkiä minimoida ja saada tuloksista objektiivisempia. Laserkeilanaineiston korkeusjakaumaan perustuva menetelmä on maastossa kerättyyn kuviotietoon verrattuna keskimäärin tarkempi kuten Uutteran (2006) ja Suvannon (2005) tutkimukset ovat sen osoittaneet. Peuhkurinen ym. (2008) ovat tutkineet puulajeittaisten läpimittajakaumien ja tukkisaannon ennustamista laserkeilausaineiston ja digitaalisen ilmakuvan avulla. Tutkimuksessa selvitettiin harvaimpulssisen laserkeilausaineiston ja digitaalisen vääräväriilmakuvan käyttöä leimikkotason puulajeittaisten läpimittajakaumien ennustamisessa. Lisäksi tutkittiin mahdollisuutta käyttää hakkuukoneen kerättyä runkopankkiaineistoa aputietona leimikon tukkisaannon ennustamisessa. Tulosten perusteella menetelmällä pystytään ennustamaan leimikon puulajeittaiset läpimittajakaumat melko tarkasti, mutta laatutekijöistä riippuvan tukkisaannon ennustamisen virheet ovat liian suuria käytännön hyödyntämisen kannalta. Runkopankkiaineisto voi tarjota kuitenkin käyttömahdollisuuksia kaukokartoitukseen perustuvan puunhankinnan suunnittelun aputietona. (Peuhkurinen ym. 2008) Kaikkein uusinta teknologiaa metsien kartoituksessa tarjoaa Radarsat-satelliitit. Nämä satelliitit kartoittavat kaukaa avaruudesta maapallon pintaa erilaisin havaintolaittein. Valokuvien ottamisen lisäksi nykyaikaiset kaukokartoitussatelliitit tekevät havaintoja mm. tarkkojen kuvantavien tutkalaitteistoiden avulla, joten ne pystyvät näkemään myös pilvien läpi. Radarsat 2-satelliitin tarkkuus on kolmen metrin luokkaa, joten se pystyy näkemään yksittäisiä jäälauttoja, puita ja veneitäkin. Kanadalaisten kehittämien satelliittien päällimmäinen tavoite oli käyttää satelliittien tuomaa informaatiota talvisen laivaliikenteen ohjaukseen, mutta toinen satelliittien päätarkoitus oli metsien kartoitus ja puuston seuranta. (Canadian Space Agency 2009)

21 Laserkeilauksen muu hyödyntäminen metsien ja maan mittauksessa Taimikot Närhi ym. (2008) tekivät tutkimuksen jossa he selvittivät, kuinka hyvin harvapulssisella laserkeilausaineistolla pystyy tuottamaan inventointitietoa varttuneista kuusentaimikoista (puuston pituusvaihtelu 2 8 m) ja pystyykö näille taimikoille määrittämään taimikonhoidon kiireellisyyden luotettavasti. Tutkimuksessa puuston keskipituuden suhteellinen keskivirhe oli 15,9 prosenttia, kun vastaavasti mallilla ennustetun puuston tiheyden suhteellinen keskivirhe oli noin 40 prosenttia käytettäessä tiheysmallissa laserpisteaineiston lisäksi metsäsuunnitelmatiedoista selittävänä muuttujana taimikon ikää. Tutkimuksen tulosten perusteella voitaneen olettaa, että laserkeilaus voisi tulevaisuudessa soveltua myös nuorten metsien inventointiin ja hoitotarpeen määrittämiseen, sillä ainakin varttuneissa kuusen taimikoissa puuston pituudet saadaan hyvin määriteltyä laserkeilausaineiston avulla. Taimikoiden, joiden pituus on alle 1,5 metriä, inventointiin ei laserkeilaus kuitenkaan soveltune tulevaisuudessakaan, koska maanpinnan epätasaisuudet, kuten kivet ja kannot, aiheuttavat virhettä tätä pienemmillä puuston pituuksilla. (Närhi ym. 2008) Eri latvuskerrokset Puuston vertikaalisen rakenteen komponentit ovat tärkeä osa luonnon monimuotoisuutta. Sellaiset tunnukset kuten latvuston kerroksellisuus, eri ikärakenne ja yksittäisten puiden esiintyminen ovat tärkeitä biologisen monimuotoisuuden ja monien uhanalaisten lajien kannalta. Maltamon ym. (2006) toteuttaman tutkimuksen mukaan laserkuvien visuaalinen tarkastelu paikkatietojärjestelmän avulla osoitti, että puuston vertikaalista rakennetta on mahdollista tutkia laserin avulla. Puuston kerroksellisuus on mahdollista havaita ylhäältä päin otetusta kuvasta tarkastelemalla kuvaa eri kulmista. Puuston vertikaalista rakennetta voidaan tutkia, koska osa lasersäteistä tunkeutuu vallitsevan latvuskerroksen läpi eri latvuskerroksiin sekä aluspuustoon. Puuston rakennetta tutkimalla voi saada selville esimerkiksi liito-oravien asuinpaikat, koska ne suosivat asuinpaikkana haaparyhmiä (Maltamo ym. 2006).

22 MML:n korkeusmalli (Tulvariskialueet) Maanmittauslaitos (MML) aloitti vuonna 2008 uuden valtakunnallisen korkeusmallituotannon laserkeilaamalla. Tavoitteena on tuottaa entistä tarkempaa korkeustietoa osaksi Maanmittauslaitoksen maastotietokantaa. Uusi valtakunnallinen korkeusmalli on kahden metrin ruutukokoon laskettu korkeusmalli, jonka korkeustarkkuus on 30 senttimetriä. Laserkeilaamalla tuotettu aineisto mahdollistaa korkeustiedon entistä laajemmat käyttömahdollisuudet erilaisissa suunnittelu- ja visualisointiprojekteissa. Tuotannon MML aloitti ensimmäisten noin neliökilometrin osalta keväällä 2008 ja ensimmäiset valmiit korkeusmallit valmistuivat vuoden 2008 loppuun mennessä. Ensimmäisinä vuosina Maanmittauslaitos laserkeilaa pääosin tulvaherkkiä alueita, joilta EU:n tulvadirektiivi edellyttää luotettavia tulvavaarakarttoja vuoteen 2013 mennessä. Toinen lähtökohta alueiden valinnassa on ollut kansainvälisen ilmailujärjestön International Civil Aviation Organizationin (ICAO) lentokenttien läheisyydestä vaatimat tarkat maastomallit (Maanmittauslaitos 2008). Maanmittauslaitoksen laserkeilaamalla saatua tietoa voisi olla mahdollista hyödyntää myös metsätaloudessa, mutta koska kuvaus tehdään lehdettömänä aikana, vaikuttaa se laserpulssin heijastumiseen erityisesti lehtipuuvaltaisissa metsissä. Tämän ilmiön vaikutusta puustotulkintaan selvitetään parhaillaan Metsätalouden Kehittämiskeskus Tapion koordinoimassa ja Maaja metsätalousministeriön rahoittamassa hankkeessa Kevätlaser metsävarojen inventoinnissa (Maltamo ym. 2008). 3 NIKKARILAN LASERKEILAUSPROJEKTI 3.1 Yleistä Nikkarilan laserkeilausprojektin tavoite oli toteuttaa Nikkarilan opetusmetsässä laserkeilausinventointi yhteistyössä Blom Kartta Oy:n kanssa. Projekti piti sisällään laserkeilauksen sekä ilmakuvien ottamisen, referenssimittausten tekemisen ja aineiston tulkinnan. Keilaus tapahtui harvapulssista laserkeilausta käyttäen. Puustotulkinta tapahtui pienkuvioille, hilaruuduille sekä aikaisemman metsäsuunnitelman kuviolle. Tulkintatyö tapahtui ei-parametrisillä malleilla, joten tulkinta kaipasi tuekseen referenssimaasto-

23 18 koealoja. Koealojen mittaukset suoritti Mikkelin ammattikorkeakoulun metsätalouden laitoksen opiskelijat. Projektin tuloksena oli tarkoitus saada Nikkarilan opetusmetsästä laserkeilauksella tuotetusta informaatiosta laskettu puustotieto sekä pysyvät maastokoealat, joita pystyy hyödyntämään myös muussa Mikkelin ammattikorkeakoulun opetuksessa. Projektin aikana tuotettu aineisto tuli arkistoida niin hyvin, että aineistoa pystyisi myöhemmin käyttämään opetus ja tutkimuskäytössä. 3.2 Aluerajaus Projektin alueeksi rajautui Nikkarilan opetusmetsän kotipalsta, joka on pinta-alaltaan n hehtaaria. Nikkarilan kotipalsta ympäröi Nikkarilan kampusta, joka sijaitsee muutaman kilometrin Pieksämäen keskustasta itään päin. 3.3 Laserkeilauksen lentosuunnitelma ja lento Laserkeilaus suoritettiin Nikkarilan kotipalstalla elokuussa Laserkeilauksen suoritti Blom Kartta Oy. Keilaimena toimi Optech ALTM Gemini-keilain (taulukko 1). Lentokorkeus oli metriä ja lentonopeus 75m/s. Tarkka referenssipiste differentiaali-gps:n tukiasemavastaanotinta varten oli Pieksämäellä. TAULUKKO 1. Optech ALTM Gemini-keilain. Lentokorkeus 1800 metriä Lentonopeus 75 m/s Avauskulma 30 Sivupeitto 20% Pulssitiheys 0,7 pulssia/m2 Lentolinjoja (kpl) 8 Lentolinjoja (km) 32

24 19 KUVA 4. Nikkarilan alueen laserlentolinjat. 3.4 Digikuvauksen lento-operaatio Ilmakuvauksen suoritti Blom kartta Oy syyskuussa Kalustona toimi Vexcel UltraCamD Lentokorkeus oli metriä ja sallittu lentokorkeuden poikkeaman 449 metriä. Opetusmetsän alueella oli kolme kymmenen kuvan lentolinjaa.

25 20 KUVA 5. Nikkarilan alueen ilmakuvauslinjat. 3.5 Koealojen sijoittelu Nikkarilan kotipalsta jaettiin viiteen lohkoon, joista jokaiseen lohkoon sijoitettiin sopivaksi katsottu määrä koealoja. Koealat sijoitettiin siten, että niitä tulisi jokaiseen kehitysluokkaan. Pääpaino kuitenkin oli varttuneimmilla kehitysluokilla (02, 03 ja 04). Kehitysluokista vielä pyrittiin löytämään ääriarvot koealoihin eli suuret ja pienet tilavuudet. Lohkojen nimet olivat Ukonmäki, Litmanen, Kypäräkangas, Kukkaroniemi ja Tahinlampi. Yhteensä näille viidelle lohkolle oli sijoitettu metsätaloussuunnitelmaa hyväksi käyttäen 125 koealaa. Yhteensä mitattuja koealoja kertyi 119. Osa sijoitetuista koealoista ei ollut tarpeeksi edustavia tai muista syistä 6 koealaa jäi alkuperäisestä 125 sijoitetusta koealasta mittaamatta.

26 21 Koealojen tarkka paikka määräytyi 100 metrin gridin mukaan. Kotipalstan alueelle määritetty 100 metrin gridi koostui 100 metrin välein olevista pisteistä, jotka muodostivat yhtenäisen verkoston kotipalstan alueelle. KUVA 6. Kotipalstan alueelle määritetty 100 metrin gridi. 3.6 Koealamittaukset Yleistä Koealojen puustotiedot kerättiin Blom-kartta Oy:n maastotyöohjeen mukaan. Koealamittaukset suoritettiin parityönä Mitattuja koealoja oli yhteensä 119. Koealan mitattu keskipiste merkittiin maastoon numeroidulla paalulla ja kuitunauhalla. Koska koealat sijaitsivat vilkkaissa ulkoilumaastoissa, päädyimme merkitsemään koealojen keskipisteet paalujen lisäksi selvästi maastoon siltä varalta, että paalut häviävät. Merkitsimme koealan pohjoisimman puun punaisella merkillä sekä mittasimme paalun ja merkityn puun välisen etäisyyden ja ilmansuunnan (liite 3).

27 Paikallistaminen Paikallistimme esisijoitetun koordinaatin/koealan ensin karkeasti Garmin etrex - merkkisellä GPS-paikantimella. Tarkka koealojen keskipisteen paikannus tapahtui differentiaalikorjattua signaalia käyttävällä Trimble GeoXH -merkkisellä DGPSvastaanottimella. Käytössä oli myös 5 metrin lisäantenni, jolla päästiin tarkempaan tulokseen kuin pelkällä GPS-vastaanottimella. Trimbleen oli asennettu Terrasyncin valmistama tiedonkeruuohjelma, jolla tallensimme jokaista koealan keskipistettä kohti 25 paikkatietohavaintoa. Siirsimme koealan paikkaa, jos esisijoitetun koealan koordinaatit sijoittuivat kahden kuvion rajalle Mittaus Koealat mitattiin maastossa kiinteäsäteisiltä ympyräkoealoilta. Käytetyt säteet olivat 9 metriä ja 12,65 metriä. Säde määriteltiin maastossa arvioiden ensin hehtaarikohtainen runkoluku. Nyrkkisääntönä oli, että nuorissa ja harventamattomissa metsiköissä säde on 9 metriä ja käsitellyissä ja varttuneissa metsiköissä säde on 12,65 metriä. Taimikoissa, joissa ei mitattu yksittäisiä puutietoja, yleistettiin 5,64 metrin mittaustulokset 9 metrin säteelle. Koealan keskipisteenä käytettiin maastoon tehtyä paalua. Säde oli paalun keskipisteen etäisyys mitattavan puun keskipisteeseen. Koealan säteen sisältä mitattiin kaikki puut, joiden läpimitta oli vähintään 50 mm. Poikkeuksena taimikot (alle 7 metriä), joilta mitattiin kaikki puut. Kooditus ja luokitukset tapahtuivat TA- PIO:n suositusten mukaisesti. Koealan mitattavat/tallennettavat yleistunnukset olivat; koealan numero, kasvupaikka, kehitysluokka, koealan säde ja vallitsevan puuston ikä. Puista mitattiin seuraavat tunnukset: puun nro, puulaji, rinnankorkeusläpimitta 1,3 metrin korkeudelta (mm), pituus(dm), laatu ja runkoluku. Koealalla mittausjärjestelyt menivät seuraavasti: 1. paikantaminen 2. tarkka keskipisteen määritys 3. keskipisteen paikkatiedon tallennus 4. kehitysluokan määrittäminen 5. koealan rajaus 6. puuston mittaus.

28 23 Mittaukset oli järkevä suorittaa parityönä, koska mitattavia tunnuksia oli useita ja kalustoa sen vuoksi paljon mukana. Mittausten suorittaminen yksin ei olisi myöskään ollut järkevää, koska puuston pituuden määrittäminen olisi mittaustavasta johtuen tullut todella hitaaksi Mittausvälineet ja mittaustekniikka Puiden pituuden mittaus tapahtui Vertex Laser korkeus- ja kaltevuusmittarilla. Vertexissä on laseretäisyysmittari, kaltevuusmittari sekä ultraäänellä toimiva etäisyysmittari, joten vertexiä voidaan käyttää hypsometrinä sekä normaalina etäisyysmittarina. Normaalisti esteettömissä olosuhteissa laitteella puu mitataan kolmipistemittauksena, jossa laserilla mitataan puun etäisyys mittaajaan ja laitteen sisäisellä kaltevuusmittarilla mitataan puun tyven ja latvan kaltevuudet. Laite laskee automaattisesti puun pituuden, kun nämä kolme edellä mainittua arvoa on mitattu. Käytimme puiden etäisyyden mittaamiseen laitteen ultraääniominaisuutta, jolloin mittaus tapahtuu 2-pistemittauksena. Ultraäänivastaanotin kiinnitetään puun läpimittaa mittaavan henkilön rintaan 1,3 metrin korkeudelle, josta ultraäänellä tapahtuu puun etäisyyden määrittäminen. Etäisyyden mittaamisen lisäksi 2-pistemittauksessa ei tarvitse mitata kuin kaltevuus puunlatvaan, koska 1,3 metrin korkeus on automaattisesti tiedossa etäisyyttä määrittäessä. Puun etäisyyden mittaamisessa ultraääni on varmempi kuin laser, jos mitattavan puun ja mittaajan välissä on paljon aluskasvillisuutta. Joissakin tilanteissa puun tyven näkeminen on hankalaa, joten laserilla mitatessa täytyisi liikkua niin paljon että näkisi koko tyven. Ultraäänellä mitatessa tyveä ei tarvitse nähdä, koska parityönä tehtävissä mittauksissa ultraäänivastaanotin on automaattisesti 1,3 metrin korkeudessa puun syntypisteestä. Ultraääni loi myös mahdollisuuden rajata koealan sisälle tulevat puut ultraääntä avuksi käyttäen. Aluksi koealojen rajaus tapahtui mittanauhalla koealan ympäri pyörähtäen, mutta se tapa osoittautui erittäin hitaaksi, varsinkin sellaisilla koealoilla, joilla oli paljon aluskasvillisuutta. Helpoimmaksi tavaksi osoittautui tapa, jossa ultraäänivastaanotin sijoitetaan koealan keskipisteeseen ja Vertexillä kierretään koealan ulkokehää pitkin. Ulkokehää kiertäessä koealan näkyvä rajaus on helpoin tehdä esimerkiksi lankaa käyttäen. Meillä oli mukana lankamittalaite, jossa oli valkeaa lankaa. Koealan rajaus on helppo nähdä puita mitatessa, koska lanka roikkuu selvästi maanpinnan ylä-

29 24 puolella. Langan värissä kannattaa huomioida myös vallitseva vuodenaika. Valkea lanka näkyy hyvin, kun lunta ei ole puissa eikä maassa, mutta talvella valkoinen lanka aiheuttaa ongelmia. KUVA 7. Puun pituuden mittausta Vertexillä. Ultraäänellä etäisyyttä mitatessa on myös ongelmansa. Suurin ongelma on ilmanlämpötilan vaikutus mittaustulokseen. Jokaisen mittauspäivän aamuna jouduimme kalibroimaan Vertexin uudelleen, koska lämpötila oli muuttunut edellisestä mittauksesta. Kalibrointi tapahtui 10 metrin mittanauhan avulla, ja usein jouduimme kalibroimaan koneen useita kertoja päivässä, koska lämpötila muuttui päivän aikana. Emme tehneet tarkkoja mittauksia ilmanlämpötilan vaikutuksesta mittaukseen, mutta yhden asteen lämpötilan lasku vaikuttaa jo monta senttiä etäisyydenmittauksessa. Suurimmat ongelmat syntyivät silloin, kun Vertex oli yön sisätiloissa lämpimässä ja aamulla mittaukset tapahtuivat pakkasessa. Koealojen tarkkaa keskipistettä paikantaessamme käytimme differentiaalikorjattua GPS signaalia käyttävää Trimble GeoExplorer GeoXH-maastotietokonetta varustettuna Terrasyncin tiedonkeruuohjelmistolla sekä 5 metrin hiilikuituisella lisäantennilla. Yksinkertaisesti ajateltuna Trimblen GPS-vastaanotin on integroitu maastokelpoiseen

30 25 Windows Mobile-kämmenmikroon, johon on mahdollista ohjelmoida tai asentaa mitä erilaisimpia Windows-pohjaisia ohjelmia. Trimbleen asennettu Terrasyncin tiedonkeruuohjelmisto (Terrasolid 2009) mahdollisti koealojen keskipisteen paikkatiedon tallentamisen usean paikkatietohavainnon avulla. Useamman paikkatietohavainnon ottaminen perustui siihen, että useammalla havainnolla saadaan tarkempi tulos. Paikkatiedon tarkkuuteen vaikuttaa myös se, missä satelliittitilanteessa paikannin tallentaa hyväksytyn havainnon muistiin. Trimblen vastaanottimessa voi säätää satelliittigeometriaa kuvaavan luvun kynnysarvoa, jonka jälkeen paikannus lopetetaan. Trimblen laitteissa säädöstä käytetään nimitystä PDOP-suodin. Tämän arvon pienentäminen parantaa paikannuksen tarkkuutta, mutta asettaa toisaalta suuremman vaatimuksen satelliittigeometrialle. Mittauksissamme pyrimme pääsemään alle 0,5 metrin tarkkuuteen, joten PDOP-arvo oli säädetty arvoon 5 ja havaintojen määrä yhtä koealaa kohti oli 25 kappaletta. Havaintojen tallentamisen nopeus oli määritetty siten, että havainnot tallentuivat 5 sekunnin välein. KUVA 8. Trimble GeoXT lisäantennin kanssa. Trimblen GeoExplorer GeoXT oli suhteellisen varmatoiminen laite, joka oli myös käyttöliittymältään erittäin helppo käyttää. Ainoat ongelmat ilmenivät silloin, kun satelliittigeometria oli huono eli satelliitteja ei ollut tarpeeksi tai satelliitit olivat huonossa kulmassa paikantimeen nähden. Silloin yhden koealan paikantamiseen vaadittavien 25 havainnon saaminen saattoi kestää useita minuutteja, koska PDOP-arvo oli yli

31 26 viiden. Trimblessa on ominaisuus, jolla pystyy seuraamaan paikantimen alueella tapahtuvia muutoksia satelliittigeometriassa. Tällä ominaisuudella on mahdollista ennakoida, että milloin on järkevä hetki mennä mittaamaan, ja milloin kannattaa pitää taukoa mittauksesta. Usein muutaman minuutin odottaminen riitti siihen, että tarvittavat satelliitit ilmestyivät näkyville ja paikantimen tarkkuus nousi tarvittavalle tasolle. Joinakin päivinä satelliittigeometria oli reilun tunnin jakson niin huono, ettei paikantaminen onnistunut. Sateisina päivinä paikannus saattoi kestää hiukan normaalia kauemmin, vaikka satelliittigeometria olisikin ollut kunnossa. Paikannin näytti, että satelliittitilanne on hyvä, mutta signaalin vahvuus oli huono. Ilmeisesti puissa oleva vesi haittasi signaalin kulkua. Varsinkin lehtimetsissä tämä havainto oli parhaiten huomattavissa. Puuston läpimitan mittaaminen sekä muiden puustotunnusten tallentaminen tapahtui Masser mittasaksilla, johon oli asennettu Blom Kartta Oy:n ohjelmisto. Massermittasakset olivat useita vuosia vanhat, mutta silti mittasakset toimivat pääasiassa ongelmitta. Blom Kartan ohjelmisto oli helppokäyttöinen ja ohjelmisto toimi ongelmitta Masser mittasaksissa. Ainoat ongelmat mittasaksien kanssa tapahtuivat lumisilla keleillä, jolloin puista putoava lumi jäätyi mittasaksien rullien väliin ja rullat menivät jumiin. Koealoja paikantaessa apuna oli Psion Workabout Pro -maastotietokone, jossa oli vanha metsäsuunnitelma. Käytimme vanhaa metsäsuunnitelmaa myös apuna koealojen kasvupaikkatyyppien sekä iän määrityksessä. Maastotietokoneessa on myös sisäinen GPS-paikannin, mutta laitteen ohjelmiston puutteista johtuen emme voineet käyttää Psionia koealojen karkeassa paikannuksessa, vaan jouduimme paikantamaan koealat Garmin etrex:in avulla. Pienillä ohjelmiston päivityksillä Psion olisi oiva väline koealojen paikantamiseen ja Garmin etrexin olisi voinut jättää kokonaan pois käytöstä.

32 27 KUVA 9. Vasemmalta oikealle, Garmin etrex GPS-paikannin, Masser mittasakset sekä Psion Workabout Pro -maastotietokone. Trimble GeoXH maastotietokoneessa oli Excel-taulukkolaskentaohjelma, jota käytimme muistiona. Tarvittaessa kirjasimme Exceliin koealaan liittyviä havaintoja samalla kuin teimme paikannusta. Tällaisia koealan mittauksessa sekä puuston tulkinnassa huomioitavia asioita olivat esimerkiksi surukuuset, joita löytyi yhdeltä koealalta. 3.7 Puustotulkinta Laserkeilauksella saatua laserdataa ei pysty suoraan hyödyntämään, vaan tämä pelkkää tekstimuotoista dataa sisältävä data täytyy saada sellaiseen muotoon, että siitä pystyy erottamaan puut. Latvuston pituusmallin avulla voidaan muodostaa korkeusmalli siten, että jokaisesta pikselistä otetaan korkein kohta (suurin z-koordinaatti). Jokaiselle korkeusarvolle annetaan oma värisävy esimerkiksi siten että mitä korkeampi kohta, sitä kirkkaampi väri.

33 28 KUVA 10. Segmentoitu laseraineisto, jossa värisävyt kuvaavat puuston pituutta. Mitä kirkkaampi väri, sitä pitempi on puu. Kuva Nikkarilan aineistosta. Puustotulkinta tapahtui pienkuvioille, hilaruuduille sekä aikaisemman metsäsuunnitelman kuviolle. Pienkuviot ovat kooltaan 0,1 1 hehtaaria ja hilaruudut ovat kooltaan 20 metriä x 20 metriä. Hilaruutujen koko määräytyi koealojen koon sekä 100 metrin gridin mukaan. Usein käytetyn (esim. Suvanto ym. 2005) 16 metrin hilan sijaan nyt käytössä oli 20 metriä x 20 metriä kooltaan olevat hilaruudut. 20 metriä x 20 metriä hilaruudut menevät tasan 100 metrin gridin sekä koealojen koon kanssa.

34 29 KUVA 11. Segmentoitu laseraineisto, jossa on rajattu keltaisella pienkuviot ja punaisella vanhan metsäsuunnitelman kuviot. Kuva Nikkarilan aineistosta. Pienkuviot ovat kooltaan 0,1 1 hehtaaria. Kuvioiden koko ja muoto määräytyy puuston samanlaisuuden mukaan, mutta kuitenkin siten, että kuviokoko ei ylitä yhtä hehtaaria. Pienkuviot koostuvat pienistä yhtenäisistä alueista, joissa puusto on pituuden ja runkoluvun mukaan suhteellisen samanlaista. Kuvan 11 pienkuvioiden rajauksesta huomaa erittäin hyvin, kuinka rajaus noudattelee kuvion todellista rajausta. Vanhan metsäsuunnitelman kuviorajat eivät ole aivan kohdallaan, vaan kuviorajat kulkevat liikaa isomman metsän puolella. Vanhassa kuvioinnissa tämä virhe on todennäköisesti johtunut puuston luomasta varjosta taimikon reunoille. Laserkeilatussa aineistossa puuston aiheuttamaan varjostusta ei tule, joten kuviorajat ovat suhteellisen oikein ja suuria pinta-ala heittoja ei tule. Pinta-alan mittauksessa tapahtuvat virheet vaikuttavat merkittävästi puustomäärän arvioon, joten pinta-alan mittauksessa tapahtuvat virheet tulisi minimoida. Aikaisemman metsäsuunnitelman kuvioiden pohjalle tehty tulkinta vaatii tarkat ja ajantasaiset kuvioiden väliset rajat. Jos kuvioiden rajat ovat väärin, tulkinnan tulos on kaukana todellisuudesta. Opetusmetsän metsäsuunnitelma oli vuodelta 2008, joten kuvioiden rajat pitivät suhteellisen hyvin paikkansa. Jos rajat eivät olisi olleet kohdallaan, ne olisi joutunut oikaisemaan ennen tulkintaa. Tämä rajojen korjaus olisi vienyt todella paljon aikaa. Nyt tämä aikaa vievä välivaihe jäi tekemättä.

35 30 Kun aluepohjaisessa tulkinnassa puu on tunnistettu, saadaan sille pituusmallista pituus ja segmentoinnin avulla myös latvusala. Segmentointi tapahtui Definiens Developer 7.0- Multiresolution Segmentation ohjelmalla. Segmentointi tapahtui laserdatan ja ilmakuvien avulla. Varsinaisen puustotulkinnan ennustettavat/laskennalliset muuttujat olivat seuraavat: tilavuus, keskiläpimitta, keskipituus, valtapituus, pohjapinta-ala ja runkoluku. Puustotulkinta tapahtui myös osittaisena eli puulajeittain ryhmiteltynä (mänty, kuusi ja lehtipuu). Taimikoissa tulkittavat tunnukset olivat kokonaispuustolle pituudeltaan alle 7 metrisessä puustossa; keskipituus, runkoluku sekä havu- ja lehtipuuosuudet runkoluvusta. Puustotulkinnassa käytettiin Blom-kartta Oy:n virherajoja kaudelle 2007/2008, jotka ilmenevät liitteestä 1. Tavoitetaso kaikille puulajittaisille tunnuksille oli 10 20%. Nikkarilan opetusmetsän puustotulkinnan tulokset ovat erillisenä liitteessä 5. 4 POHDINTA Laserkeilaus on uusi metsien kaukokartoituksen keino. Suomessa on muutamia henkilöitä, jotka ovat tutkineet laserkeilausta vuosia, mutta suuren yleisön tietoon laserkeilaus on tullut vasta hiljattain. Nyt on kehitetty tarpeeksi tarkkoja sovelluksia inventointitiedon tuottamiseen. Viime vuosina Joensuun yliopiston metsätieteellisessä tiedekunnassa on kehitetty erityisesti laseraineiston aluepohjaista tulkintaa, ja sieltä on tullutkin julkisuuteen erittäin rohkaisevia tuloksia laserkeilauksen tarkkuudesta ja mahdollisuuksista. Metsätaloudessa aluepohjainen tulkinta on huomattavasti kustannustehokkaampi tapa kuin yksinpuin tulkinta. Suomessa tehdyissä metsätalouden laserkeilauksen pilottihankkeissa käytössä on pääasiassa ollutkin aluepohjainen tulkinta, jonka tuottama tieto on jo tarpeeksi tarkkaa metsätalouden käyttöä varten. Esimerkiksi Packalénin (2009) tekemän tutkimuksen mukaan puulajikohtaiset tarkkuudet olivat vähintään yhtä hyviä kuin nykyisin käytetyssä kuvioittaisessa maastoinventoinnissa ja kokonaistunnusten osalta tarkkuus oli jopa parempi. Tarkkuuden paraneminen vähintään kuvioittaisen maastoinventoinnin tasolle tai jopa tarkemmaksikin on varmasti yksi tekijä, joka lisää mielenkiintoa laserkeilausta kohtaan.

36 31 Laserkeilaus on silloin taloudellisesti kannattavaa, kun keilattavat alueet ovat tarpeeksi laajoja ja yhtenäisiä. Pelkästään lentokoneen ilmaan lähettäminen on niin arvokasta, että muutaman hehtaarin alueille laserkeilaus ei ole taloudellisesti kannattavaa. Esimerkiksi metsäkeskusten kokoiset alueet, kuten myös metsäyhtiöiden suuret yhtenäiset metsäalueet, ovat otollisen kokoisia alueita laserkeilaukselle. Myös metsänhoitoyhdistyksillä on tarvetta kustannustehokkaisiin inventointeihin. Metsänhoitoyhdistysten viimeaikaisten fuusioiden seurauksena Suomeen on syntynyt useita yhdistyksiä, joiden pinta-alat ovat niin suuria, että laserkeilaus on varteenotettava inventointimenetelmä. Suomessa ei yleensäkään ole kovin montaa metsänhoitoyhdistystä, joiden pinta-aloilla laserkeilauksen suorittaminen olisi taloudellisesti kannattamatonta. Laserkeilauksen taloudellista kannattavuutta ei pysty suoraan sanomaan, sillä kustannukset ovat niin tapauskohtaisia. Kustannuksia vertailtaessa täytyy huomioida inventoivan tiedon määrä, laatu sekä laserkeilattavan alueen pinta-ala. Jo pelkästään keilattavan alueen rikkonaisuus vaikuttaa kustannuksiin, koska säännölliseen pinta-alaan verrattuna rikkonainen alue vaatii enemmän lentämistä vaikka pinta-ala olisikin sama. Myös maastokoealojen mittauksen tarve vaikuttaa paljon kustannuksiin. Jos alueella on aikaisemmin mitattua maastokoealadataa, niin silloin uusien maastokoealojen määrää pystyy vähentämään. Laserkeilaus poistaa monta sellaista virhelähdettä, joita syntyy perinteisin tavoin tehtävissä metsien inventoinnissa. Laserkeilatusta aineistosta kuviorajat tulevat erittäin selkeästi esille ja näin ollen kuviorajat on helppo rajata oikeille paikoilleen. Perinteisin menetelmin kuviorajat piirretään ilmakuvan pohjalta, jolloin kuvioiden rajat saattavat olla useita metrejä väärässä kohti varjostumista johtuen. Esimerkiksi pienkuvioinnilla rajauksesta saa erittäin tarkan, koska kuviointi pystyy huomioimaan pienetkin muutokset puustossa. Laserkeilauksella tulee myös mittaustuloksista tasaisempia, koska tarkkuus ei ole enää niin paljon riippuvainen mittaavasta henkilöstä. Opinnäytetyön tutkimusosassa kuvattiin paljon maastokoealojen mittausta sekä mittauslaitteita ja mittaustekniikkaa, vaikka maastomittaukset ovat vain osa koko prosessia. Maastokoealojen mittaus kuitenkin on suurin aikaa vievä osa koko prosessissa ja koealojen mittauksella on myös merkitystä kokonaiskustannuksissa. Koealojen mittausta tehostamalla sekä vähentämällä mittausten määrä on mahdollista saada laserkeilaus

37 32 vielä nykyistäkin edullisemmaksi. Koealojen mittaus on tällä hetkellä kuitenkin pakollinen osa prosessia, koska laserkeilauksen kannalta tarpeeksi tarkkaa koeala-aineistoa on vielä liian vähän käytettävissä. Projekti VMI:n koealojen yhdistämiseksi laserkeilauksen referenssikoealoiksi on yksi askel eteenpäin maastotöiden tehostamiseksi. Referenssimittauksissa puusto on mitattava huomattavasti tarkemmin kuin normaalin metsäsuunnitelman maastotöiden yhteydessä, joten yhdessä päivässä ei kerkeä mitata kovin montaa koealaa. Koealan mittausnopeus on riippuvainen mitattavan puuston määrästä sekä laadusta, joten yhden päivänä aikana mitattujen koealojen määrä saattaa vaihdella mittauspäivien kesken paljonkin. Koealojen sijoittelu on erittäin tärkeää mittausten kannalta. Mitä pidemmät siirtymät koealojen välillä on, sitä vähemmän päivän aikana saa mitattua koealoja. Koealojen sijoittelu tulisi tehdä siten, että koealat olisivat autolla ajettavien teiden läheisyydessä. Aina tämä teiden läheisyys ei onnistu, mutta silloin koealat tulisi sijoittaa ryppäisiin siten, että kävelymatkat eivät olisi pitkiä. Laserkeilaus muuttaa tulevaisuuden metsienmittauksen aivan toisenlaiseksi kuin mitä se nyt on. Maastotyötunnit vähenevät ja ilmasta tehtävät mittaukset lisääntyvät. Varsinkin korkeakoulutasoisen metsäopetuksen tulisi reagoida tähän muutoksen mahdollisimman nopeasti lisäämällä modernien kaukokartoitusmenetelmien opetusta. Tulevaisuudessa opiskelijat törmäävät jossakin muodossa laserkeilaukseen jo opiskeluaikaisissa työharjoitteluissaan tai viimeistään silloin kun he siirtyvät kokonaan työelämään. Toivottavasti Nikkarilan laserkeilausprojektissa tuotettua aineistoa käytetään tulevaisuudessa opetuksessa hyväksi. Aineistoa voi hyödyntää eri oppiaineissa ja kiinteät koealat tarjoavat mahdollisuuden myös erilaisille tutkimuksille.

38 33 LÄHTEET Airos, Esa, Korhonen, Risto & Pulkkinen, Timo Satelliittipaikannusjärjestelmät. Puolustusvoimien Teknillinen Tutkimuslaitos - Julkaisusarja. Julkaisu 12: Canadian Space Agency. Radarsat WWW-dokumentti. Päivitetty Luettu klo Gobakken, Terje & Næsset, Erik Estimation of diameter and basal area distributions in coniferous forest by means of airborne laser scanner data. Scandinavian Journal of Forest Research. 19: Haala, Norbert Combining Multiple Data Sources for Urban Data Acquisition, Photogrammetric Week '99, Wichmann, s Haara, Arto Kasvuennusteiden luotettavuuden selvittäminen knn-menetelmällä ja monitavoiteoptimoinnilla. Metsätieteen aikakauskirja 3/2002: Haara, Arto. & Korhonen, KariT Kuvioittaisen arvioinnin luetettavuus. Metsätieteen aikakausikirja 4/2004: Hyvönen, Pekka Kuvioittaisten puustotunnusten ja toimenpide-ehdotusten estimointi k-lähimmän naapurin menetelmällä Landsat TM -satelliittikuvan, vanhan inventointitiedon ja kuviotason tukiaineiston avulla. Metsätieteen aikakauskirja 3/2002: Hyyppä, Juha Laserkeilaimen käyttö puustotunnusten mittaamisessa. WWWdokumentti. Päivitystieto elokuu Luettu Klo Kangas, Annika, Heikkinen, Elina & Maltamo, M Puustotunnusten maastoarvioinnin luotettavuus ja ajanmenekki. Metsätieteen aikakausikirja 3/2002: Kangas, Annika. & Maltamo, Matti Performance of percentile based diameter distribution prediction and Weibull method in independent data sets. Silva Fennica 34(4): Kangas, Annika, Päivinen, Risto, Holopainen, Markus & Maltamo, Matti Metsän mittaus ja kartoitus. Silva Carelica 40. Koivuniemi, Jyrki Metsiköihin ja paikannettuihin koealoihin perustuva kuvioittaisen arvioinnin tarkkuus. Helsingin yliopiston metsävarojen käytön laitoksen julkaisuja 30: Lampinen, Jouko S Laskennallisen tekniikan erikoiskurssi. WWWdokumentti. Päivitetty Luettu klo Laurila, Pasi Mittaus- ja kartoitustekniikan perusteet. Rovaniemen ammattikorkeakoulun julkaisusarja D nro 3. S

39 34 Maanmittauslaitos WWW-dokumentti. valtakunnallisen_korkeusmallin_laserkeilaamalla_/. Päivitetty Luettu klo Maltamo, Matti, Haara, Arto, Hirvelä, Hannu, Kangas, Annika, Lempinen, Reetta, Malinen, Juha, Nalli, Aki, Nuutinen, Tuula & Siipilehto, Jouni Läpimittajakaumamalleihin perustuvat vaihtoehdot kuvauspuiden muodostamiseen puuston keskitunnustietojen avulla. Metsätieteen aikakauskirja 3/2002: Maltamo, Matti, Hyyppä, Juha, Eerikäinen, Kalle, Packalén, Petteri., Vehmas, Mikko & Kouki, Jari Metsikön vertikaalisen rakenteen tutkiminen 3D-kartotuksen avulla. METSOn jäljillä s Maltamo, Matti, Packalén, Petteri, Uuttera, Janne, Ärölä, Esa & Heikkilä, Juho Laserkeilaustulkinnan hyödyntäminen metsäsuunnittelun tietolähteenä. Metsätieteen aikakauskirja 4/2008 s Maltamo, Matti ja Pitkänen Juho Laserkeilauksen metsätaloudelliset sovellusmahdollisuudet. Maanmittaustieteiden Seuran julkaisu 40. Maanmittaustieteiden päivät Päivitetty Luettu klo Metla 2008a. WWW-dokumentti. Päivitetty Luettu klo Metla 2008b. WWW-dokumentti. Päivitetty Luettu klo Metsäkeskus WWW- dokumentti. Pohjanmaa/kuortaneen+ajantasaistushanke/laserkeilaus/etusivu.htm. Luettu klo Mustonen, Jukka Metsikkökuvioiden automaattinen segmentointi puuston latvustoa kuvaavan laserpintamallin ja ilmakuvan avulla. Metsänarvioimistieteen pro gradu tutkielma maatalous- ja metsätieteen maisterin tutkintoa varten. Helsingin yliopisto. Pro Gradu -tutkielma. Næsset, Erik. & Gobakken, Terje Estimating forest growth using canopy metrics derived from airborne laser scanner data Remote Sensing of Environment 96: Närhi, Matti, Maltamo, Matti, Packalén, Petteri, Peltola, Heli & Soimasuo, Janne Kuusen taimikoiden inventointi ja taimikonhoidon kiireellisyyden määrittäminen laserkeilauksen ja metsäsuunnitelmatietojen avulla. Metsätieteen aikakauskirja 1/2008: Packalén, Petteri Using airborne laser scanning data and digital aerial photographs to estimate growing stock by tree species. University of Joensuu, Faculty of Forest Sciences. Dissertationes Forestales 77.

40 35 Packalén, Petteri & Maltamo, Matti The k-msn method for the prediction of species-specific stand attributes using airborne laser scanning and aerial photographs. Remot Sensing of Enviroment 109 (2007): Peuhkurinen, Jussi, Maltamo, Matti & Malinen, Jukka Estimating speciesspecific diameter distributions and saw log recoveries of boreal forests from airborne laser scanning data and aerial photographs: a distribution-based approach. Silva Fennica 42(4): Pukkala, Timo Metsäsuunnittelun menetelmät: s Joensuu Gummerus Kirjapaino. Ratilainen, Ari Henkilökohtainen tiedonanto Tuotepäällikkö. Blom Kartta Oy. Sironen, Susanna, Kangas, Annika, Maltamo, Matti, & Kangas, Jyrki Estimating individual three growth with the k-nearest neighbour and k-most Similar Neigbours methods. Silva Fennica 35(4): Suvanto, Aki, Maltamo, Matti, Packalén, Petteri & Kangas, Jyrki Kuviokohtaisten puustotunnusten ennustaminen laserkeilauksella. Metsätieteen aikakauskirja 4/2005: Terrasolid WWW-dokumentti. Päivitetty Luettu klo Tokola Timo, Hyppänen Harri, Miina, Saija, Vesa, Lauri. & Anttila Perttu Silva Carelica 32. Metsän kaukokartoitus. S.3, Tuominen, Sakari Marv6 harjoitus 4. WWW-dokumentti. Päivitetty Luettu klo Uuttera, Janne, Hiltunen, Juha, Rissanen, Pirjo, Anttila, Perttu & Hyvönen, Pekka Uudet kuvioittaisen arvioinnin menetelmät arvio soveltuvuudesta yksityismaiden metsäsuunnitteluun. Metsätieteen aikakauskirja 3/2002: Uuttera, Janne, Anttila, Perttu, Suvanto, Aki & Maltamo, Matti Yksityismetsien metsävaratiedon keruuseen soveltuvilla kaukokartoitusmenetelmillä estimoitujen puustotunnusten luotettavuus. Metsätieteen aikakausikirja 4/2006: Vertanen, Antti, Saarikoski, Antti, Hyyppä, Juha, Jarva, Jaana, Tomppo, Erkki, Veermeer, Martin, Joukola, Matti, Rasimus, Risto, Kvarnström, Henry, Tujunen, Matti, Mustaniemi, Rainer & Vihomaa, Juha Valtakunnallisen korkeusmallin uudistamistarpeet ja vaihtoehdot. Työryhmämuistio, Helsinki WWW-dokumentti. Päivitetty Luettu Klo Yu, Xiao-Wei, Hyyppä, Juha, Kaartinen, Harri & Maltamo, Matti Automatic detection of harvested trees and determination of forest growth using airborne laser scanner, Remote Sensing of Environment 90, s

41 Ärölä, Esa Metsäsuunnittelu. Teoksessa Tapion Taskukirja 25 uudistettupainos: Jyväskylä: Metsäkustannus. 36

42 37 LITTEET Liite 1. Blom-kartta Oy:n Virherajat kaudella 2007/2008: Taimikoita lukuun ottamatta kokonaistilavuuden, pohjapinta-alan, keskipituuden ja valtapituuden keskivirhe pienempi kuin 10 %, keskiläpimitan pienempi kuin 15 % ja runkoluvun pienempi kuin 20 %. Puulajittaiset tunnukset männylle ja kuuselle o tilavuuden RMSE < 32 % o Pohjapinta-alan RMSE < 32 % o pituuden RMSE < 20 % o läpimitan RMSE < 20 o runkoluvun RMSE < 40 %. Puulajittaiset tunnukset lehtipuille o tilavuuden RMSE < 60 % o Pohjapinta-alan RMSE < 50 % o pituuden RMSE < 20 % o läpimitan RMSE < 25 o runkoluvun RMSE < 60 %. Tavoitetaso kaikille puulajitteisille tunnuksille on 10 20%.

43 38 Liite 2. Nikkarilan maastokoealojen jakauma lohkoittain Maastokoealojen jakaumat lohkottain: 1. Ukonmäki (Salvosenmäki) Kehitysluokka Pääpuulaji T1+vast T Yht Mä Ku Ko Muu Yht Koealat 1,0 5,0 4,0 6,0 14,0 30,0 20,0 5,0 4,0 1,0 30,0 %-osuus 3,3 16,7 13,3 20,0 46,7 100,0 66,7 16,7 13,3 3,3 100,0 MS-jak 7,4 16,2 14,1 16,8 45,5 100,0 68,0 17,0 11,0 4,0 100,0 2. Litmanen Kehitysluokka Pääpuulaji T1+vast T Yht Mä Ku Ko Muu Yht Koealat 2,0 5,0 7,0 6,0 10,0 30,0 13,0 9,0 6,0 2,0 30,0 %-osuus 6,7 16,7 23,3 20,0 33,3 100,0 43,3 30,0 20,0 6,7 100,0 MS-jak 11,4 19,9 21,4 20,7 26,6 100,0 47,0 28,0 16,0 9,0 100,0 3. Kypäräkangas Kehitysluokka Pääpuulaji T1+vast T Yht Mä Ku Ko Muu Yht Koealat 1,0 6,0 5,0 4,0 19,0 35,0 26,0 5,0 3,0 1,0 35,0 %-osuus 2,9 17,1 14,3 11,4 54,3 100,0 74,3 14,3 8,6 2,9 100,0 MS-jak 3,7 17,1 14,1 10,4 54,7 100,0 75,0 14,0 9,0 2,0 100,0

44 39 4. Kukkaroniemi Kehitysluokka Pääpuulaji T1+vast T Yht Mä Ku Ko Muu Yht Koealat 1,0 2,0 1,0 2,0 9,0 15,0 11,0 2,0 1,0 1,0 15,0 %-osuus 6,7 13,3 6,7 13,3 60,0 100,0 73,3 13,3 6,7 6,7 100,0 MS-jak 10,1 12,0 3,8 6,1 68,0 100,0 74,0 12,0 10,0 4,0 100,0 5. Tahinlampi Kehitysluokka Pääpuulaji T1+vast T Yht Mä Ku Ko Muu Yht Koealat 1,0 1,0 1,0 6,0 6,0 15,0 13,0 1,0 1,0 0,0 15,0 %-osuus 6,7 6,7 6,7 40,0 40,0 100,0 86,7 6,7 6,7 0,0 100,0 MS-jak 10,5 7,0 7,3 36,0 39,2 100,0 85,0 7,0 7,0 1,0 100,0 Kotipalsta yhteensä Kehitysluokka Pääpuulaji T1+vast T Yht Mä Ku Ko Muu Yht Koealat 6,0 19,0 18,0 24,0 58,0 125,0 83,0 22,0 15,0 5,0 125,0 %-osuus 4,8 15,2 14,4 19,2 46,4 100,0 66,4 17,6 12,0 4,0 100,0 MS-jak 7,4 16,2 14,1 16,8 45,5 100,0 68,0 17,0 11,0 4,0 100,0

45 40 Liite 3. Koealojen keskipisteiden maamerkit. Koeala Suunta Matka (cm) Puulaji Puu Puu Puu Keppi Pihlaja Puu Puu Mänty Puu Keppi Kuusi Puu Puu Keppi Puu Puu Puu Puu Puu Puu Keppi Puu Puu Koivu Puu Kivi Mänty Kanto Puu Puu Kuusi Kuusi Puu Mänty Keppi Kuusi Puu Keppi Puu Puu Puu

46 Koivu Koivu Kuusi Mänty Koivu Mänty Kuusi Koivu Kuusi Keppi Mänty Kuusi Mänty Keppi Keppi Mänty Mänty Keppi Koivu Keppi Puu Keppi Kuusi Koivu Mänty Koivu Koivu Kuusi Kuusi Kanto Mänty Koivu Mänty Kuusi Koivu Puu Keppi Puu Koivu Mänty Mänty Puu Mänty Keppi 41

47 Mänty Kivi Keppi Mänty Kuusi Mänty Kuusi Mänty Koivu Keppi Mänty Mänty Koivu Mänty Mänty Koivu Keppi Kuusi Mänty Mänty Koivu Mänty Koivu Mänty Koivu 42

48 43 Liite 4. Nikkarilan koealojen tarkat sijainnit Koeala ID Max_pdop Gps_height Latitude Longitude ,1 148,503 62, , ,1 147,736 62, , ,9 142,54 62, , ,9 145,894 62, , ,3 150,476 62, , ,4 150,066 62, , ,7 150,806 62, , ,7 145,521 62, , ,7 145,863 62, , ,3 150,65 62, , ,9 152,476 62, , ,5 153,206 62, , ,7 155,569 62, , ,2 148,074 62, , ,6 146,279 62, , ,8 160,981 62, , ,1 146,802 62, , ,5 159,199 62, , ,1 156,004 62, , ,1 162,54 62, , ,4 149,593 62, , ,509 62, , ,7 156,445 62, , ,4 170,385 62, , ,5 163,927 62, , ,3 154,145 62, , ,1 171,516 62, , ,1 158,624 62, , ,4 160,177 62, , ,4 163,769 62, , ,1 141,133 62, , ,2 150,881 62, , ,8 150,161 62, , ,5 161,897 62, , ,7 162,452 62, , ,3 162,636 62, , ,768 62, , ,8 150,164 62, , ,2 155,972 62, , ,2 156,693 62, , ,5 152,412 62, , ,9 154,026 62, ,

49 558 2,8 157,049 62, , ,5 157,103 62, , ,4 157,749 62, , ,2 147,368 62, , ,1 151,395 62, , ,799 62, , ,1 152,641 62, , ,1 150,066 62, , ,3 156,85 62, , ,3 158,969 62, , ,9 141,942 62, , ,2 147,946 62, , ,2 146,697 62, , ,7 142,766 62, , ,2 144,201 62, , ,6 145,766 62, , ,2 148,014 62, , ,8 145,287 62, , ,6 147,766 62, , ,2 146,154 62, , ,7 145,806 62, , ,1 148,416 62, , ,8 148,491 62, , ,9 147,647 62, , ,246 62, , ,6 152,056 62, , ,3 149,657 62, , ,475 62, , ,2 140,634 62, , ,4 144,689 62, , ,5 145,92 62, , ,7 144,183 62, , ,1 144,73 62, , ,5 146,546 62, , ,4 143,073 62, , ,2 143,226 62, , ,1 143,959 62, , ,7 139,727 62, , ,3 141,062 62, , ,183 62, , ,6 144,409 62, , ,483 62, , ,9 153,81 62, , ,9 154,472 62, , ,3 144,978 62, , ,9 145,966 62, ,

50 1805 5,2 143,437 62, , ,5 146,507 62, , ,8 149,891 62, , ,4 144,265 62, , ,7 148,848 62, , ,4 152,232 62, , ,1 156,508 62, , ,4 162,789 62, , ,1 154,106 62, , ,182 62, , ,687 62, , ,5 144,908 62, , ,5 158,129 62, , ,5 151,46 62, , ,9 147,317 62, , ,9 150,32 62, , ,4 161,083 62, , ,5 149,151 62, , ,8 149,459 62, , ,8 139,336 62, , ,6 141,683 62, , ,024 62, , ,7 142,829 62, , ,2 143,59 62, , ,251 62, , ,2 144,061 62, , ,5 141,38 62, , ,1 140,167 62, , ,1 140,331 62, , ,904 62, , ,29 62, ,