Laserkeilausseminaari 2017 MML 12.10.2017 Kaukokartoituspohjainen metsien inventointi Suomessa - mitä tästä eteenpäin? Petteri Packalen
Metsien inventointi Suomessa Kaksi erityyppistä inventointia: Valtakunnan metsien inventointi (LUKE) Kuvioittainen inventointi (SMK, palveluntarjoajat) Molempiin inventointeihin liittyy kaukokartoituksen käyttöä, mutta kuvioittainen inventointi on se, missä laserkeilausaineistoa hyödynnetään Samaa kuvioittaista inventointia käytetään sekä julkisella (SMK/MH) että yksityisellä puolella (metsäyhtiöt) Julkisen metsävaratiedon tuottamisen rooli on vahvistumassa, kiinnostusta yhdistää inventointeja
Kuvioittainen inventointi ennen Perinteisesti kuvioittainen inventointi on tehty sijoittamalla muutama maastokoeala per kuvio Puustotunnukset arvioidaan puulajeittain Pohjapinta-ala, runkoluku, ikä, dgm & hgm Maaluokka, kasvupaikka, lisämääreitä Inventointitiedon hyödyntämiseen on vakiintunut tapa (jakaumamallit, tuotosmallit, jne.) kaukokartoitusinventoinnin pitää tuottaa yhteensopivat lähtötiedot käytännössä kaukokartoitusinventointi tuottaa samat tiedot kuin perinteinen maastoinventointi, paitsi että lehtipuut on yhdistetty ja osa tunnuksista otetaan vanhasta tiedosta
Laserkeilausinventoinnin periaate Yksinpuintulkinta 1. tunnistetaan yksittäiset puut 2. ennustetaan puukohtaiset tunnukset 3. koostetaan metsä puista Etuja puutason tietoa, sijainti? puulajin ja puun tunnusten ennustus suoraviivaista Ongelmakohtia valtapuiden alla olevia puita jää paljon tunnistamatta läpimitan ennustus pituudella vaikeaa pitkä malliketju, (puutason paikalliset mallit?) Vaatii korkean pistetiheyden
Laserkeilausinventoinnin periaate Aluepohjainen ennustaminen kerätään laserdata ja maastokoealat yehdään paikallinen malli: puustotunnus = f( laserdata) ennustetaan hilalle Etuja ennusteiden tarkkuus hyvä (kokonaistunnukset) yleensä harha ei ole ongelma vakiintunut konsepti Ongelmakohtia ylimmän latvuksen alla olevat puut eivät kuvaudu kovin hyvin (keilausparametrit) yleensä melko paljon koealamittauksia jokaiselle tunnukselle tarvitaan oma malli Alhainen pistetiheys (<1pt/m 2 ) riittää
Laserkeilausinventoinnin periaate Puulajeittainen ennustaminen on erittäin vaikeaa Tämä on kuitenkin tietotarve Suomessa mänty, kuusi & lehtipuut lehtipuut ryhmänä, koska erottelu on erittäin vaikeaa ( G, BA, N, dgm & hgm ) ( mänty, kuusi, lehtipuut ) Yleensä käytetään ilmakuvia parantamaan puulajierottelua Ennustus usein lähimmän naapurin menetelmillä Samalta alueelta ja samalta ajankohdalta tarvitaan laserkeilausaineisto ilmakuvat maastokoealat jos joku puuttuu osalta aluetta, niin inventointi jää tekemättä käytännössä aineistojen homogeenisuus on merkittävä ongelma
SMK:n ja UEF:n yhteishankkeet laserinventoinnin kehittämiseksi Osa MM:n Metsätieto ja sähköiset palvelut hankekokonaisuutta Puulajeittaisten läpimittajakaumien Kehittäminen (Maltamo) Monikanavaisella laserkeilausinstrumentilla parempaa puulajierottelua (Packalen) Tiheäpulssisesta laserkeilausaineistosta parempaa tarkkuutta (Packalen)
Frekvenssi Puulajeittaisten läpimittajakaumien kehittäminen Hankkeen tavoitteena on vertailla ja kehittää eri tavoin ennustettuja laserkeilausinformaatioon perustuvia puulajeittaisia läpimittajakaumia 0.25 Lähtökohtana laserkeilausinventoinnin yksi ongelmakohde eli puulajeittaiset läpimittajakaumat keskiarvoistuminen, sivupuulajit Nykykäytäntö inventoinnissa on ennustaa puulajeittaiset puustotunnukset ja niiden perusteella laskea vastaavat teoreettiset Weibull-jakaumat Vaihtoehtona inventointialueen maastokoealojen puulistojen hyödyntäminen lähimmän naapurin menetelmällä 0.2 0.15 0.1 0.05 0 1 3 5 7 9 11 13 15 17 19 21 23 Läpimitta, cm Mitattu jakauma k-nn Weibull paramet rien ennusta minen
Puulajeittaisten läpimittajakaumien kehittäminen Lähtökohtaisesti hankkeessa vertaillaan edellä mainittuja menetelmiä, mutta: Lisäinformaatiota läpimittajakaumiin tuo myös monikanavainen ja tiheämpi laserdata sekä eri datayhdistelmät (muut SMK/UEF hankkeet) Mitä lopulta halutaan (sivupuulajien tietotarve?) ja millä jakaumia validoidaan (tukkitilavuus? error index?) Jakaumat on ennustettava kaukokartoitustiedolla ilman kuviotason kalibrointeja maastomittausinformaatiolla
Monikanavaisella laserkeilausinstrumentilla parempaa puulajierottelua Tavoitteena on selvittää, saadaanko monikanavalaseraineistolla parempaa tarkkuutta puulajikohtaisiin ennusteisiin kuin perinteisellä laseraineistolla, kun: käytetään sekä laseraineistoa että ilmakuvia käytetään pelkästään laseraineistoa Fokus on intensiteettitiedon hyödyntämisessä puulajitulkinnassa
Optech Titan Käyttäjän näkökulmasta katsoen Optech Titan -keilaimessa on kolme erillistä keilainta, jotka toimivat eri aallonpituuksilla Vihreä (532 nm), NIR (1064 nm) ja keski-infra (1550 nm) Pulssin avauskulma on vihreällä kanavalla kaksi kertaa suurempi kuin muilla kanavilla (0.7 vs. 0.35 mrad)
Range Correction What is optimal value of power parameter? Is there any gain from Range Correction?
Tiheäpulssisesta laserkeilausaineistosta parempaa tarkkuutta Hankkeen tavoitteena on selvittää, voidaanko tiheämpipulssisella laseraineistolla parantaa metsien inventoinnin tarkkuutta verrattuna nykyiseen harvapulssiseen aineistoon Erityisenä kiinnostuksen kohteena on ns. rajapuu-menetelmä, jolla korjataan reunapuiden vaikutusta aluepohjaisessa menetelmässä Verrataan seuraavia menetelmiä: Rajapuu-menetelmä Aluepohjainen tulkinta Yksinpuintulkinta
Miten tiheäpulssiaineistosta parempaa tarkkuutta? Pistetiheyden vaikutusta inventoinnin tarkkuuteen on tutkittu paljon ja lähes poikkeuksetta johtopäätös on ollut, että nykymuotoisessa aluepohjaisessa menetelmässä pistetiheydellä ei ole suurta vaikutusta inventoinnin tarkkuuteen Jos halutaan hyötyä tiheämmästä laserkeilausaineistosta, pitää käyttää jotakin muuta menetelmää kuin nykyisin käytössä olevaa aluepohjaista lähestymistapaa Yksinpuintunnistusta pidetään usein vaihtoehtona aluepohjaiselle lähestymistavalle. Yksinpuintunnistuksessa on kuitenkin omat ongelmakohtansa eikä julkaistujen tutkimusten perusteella voida vetää johtopäätöstä, että yksinpuintulkinnalla saataisiin tarkempia ennusteita kuin käytössä olevalla aluepohjaisella menetelmällä
Rajapuu-menetelmä
Käytännössä huomioitavaa Puusto vaihtelee ja kaukokartoitusaineiston ominaisuudet vaihtelevat: tarvitaan paikallinen malli alueen pitää olla riittävän suuri, jotta tarvittavan paikallisen malliaineiston hinta per pinta-ala ei ole liian suuri käytännössä alueen minimikoko on usein luokkaa 100 000 ha Kaukokartoitusaineistojen hankinta on kustannustehokasta vain suurilla alueilla Koko inventoinnin hinta pitää olla muutamia euroja per hehtaari Aineistojen homogeenisuus on käytännössä usein suurin ongelma tasalaatuisuus inventointialueen sisällä ajallinen tasalaatuisuus Laseraineistoa hyödynnetään kuvioittaisessa inventoinnissa myös muulla tavalla kuin puustotunnusten ennustamisessa, esim. automaattinen kuviointi, puuston korkeusmallit visualisoinnissa, jne.
Kiitos mielenkiinnosta! kysymyksiä?