Biomassan estimointi laseraineiston, ilmakuvien ja maastomittausten perusteella Esitys Metsätieteen Päivän Taksaattorisessiossa 26.10.2011 Reija Haapanen, Sakari Tuominen ja Risto Viitala Paikkatietoa metsäbiomassan määrästä tarvitaan Bioenergian käytön suunnittelu metsäenergiavarat alueittain taloudellisen kuljetusetäisyyden sisällä tietystä kohteesta olevat varat logistiikan suunnittelu Kasvihuonekaasupäästöjen ja hiilitaseiden inventointi Ilmastopolitiikka, kansainväliset sopimusvelvoitteet
Uuden sukupolven metsäsuunnittelujärjestelmä Metsävarojen inventointi perustuu laser ja ilmakuvaperusteiseen puustotulkintaan Tavoitteena tuottaa metsikkötasolla riittävän tarkat puustotiedot Tällä hetkellä tulkittava puuston määrä perustuu vain runkopuuositteen tilavuuteen Menetelmän voidaan olettaa tarjoavan hyvän pohjan myös muun kuin runkopuun määrän arviointiin (esim. oksa /lehti /latvusbiomassa), koska varsinkin laserkeilausdatan voidaan olettaa korreloivan hyvin esim. latvusbiomassan kanssa Mahdollisuus liittää järjestelmään metsäbiomassan kartoitus Tutkimuksemme kysymyksiä Miten ilmakuva ja laserpiirteet toimivat aputietona biomassan ennustamisessa? Vertailuna runkotilavuus Tarvitaanko ilmakuvaa lainkaan? Millaisissa metsiköissä ovat suurimmat virheet?
Prosessi kokonaisuudessaan 1. Maastokoealojen puustotunnusten mittaus 2. Biomassatunnusten johtaminen mallien avulla mitatuista puustotunnuksista 3. Laser ja ilmakuvapiirteiden irrottaminen 4. Laser ja ilmakuvapiirteiden testaus ja valinta estimointia varten 5. Biomassatunnusten estimointi teemakartaksi valittujen piirteiden avulla Tutkimusalue Evolla
Aineisto 263 maastokoealaa säde 9,77 m, mitattu puittain, yli 5 cm puut vain puustoiset koealat mukana 8346 mitattua puuta (puulaji, d, h, latvuksen alaraja ja latvusleveys) Biomassat lukupuista mitattuihin tunnuksiin perustuvien mallien avulla Tässä esityksessä tulokset maanpäälliselle biomassalle Kaukokartoitusaineistona harvapulssinen laserkeilaus sekä vääräväri ilmakuvat 102 laserpiirrettä 120 ilmakuvapiirrettä Biomassatunnusten laskenta Runkotilavuus: Laasasenahon (1982) tilavuusmallit männylle, kuuselle ja koivulle (pituus, lpm) Kuoribiomassa: Repolan (2008, 2009) mallit männylle, kuuselle ja koivulle (lpm, pituus) Oksabiomassa: Repolan mallit männylle, kuuselle ja koivulle (lpm, pituus, elävän latvuksen pituus) Lehdet/neulaset: Repolan mallit männylle, kuuselle (lpm, pituus, elävän latvuksen pituus) ja koivulle (lpm, elävän latvuksen pituus) Maanpäällinen kokonaisbiomassa: Repolan mallit männylle, kuuselle (lpm, pituus, elävän latvuksen pituus) ja koivulle (lpm, pituus) Huom. Kaikissa tunnuksissa lpm = läpimitta rinnankorkeudelta
Piirteet Laserkorkeuksien, intensiteetin ja ilmakuvan sävyarvojen keskiarvot ja keskihajonnat 20 20 m ikkunasta. Lisäksi ilmakuvasta johdetut piirteet NDVI ja NIR/R Laserin pituushavaintojen variaatiokerroin, maksimi, prosenttipisteiden korkeudet, laserpisteiden suhteellinen määrä eri prosentuaalisilla korkeuksilla, yli 2 m havaintojen osuus kaikista havainnoista Laserkorkeuksien, intensiteetin ja ilmakuvan tekstuuritunnuksia (Haralick) 20 x 20 m ikkunasta Laserkorkeuksien, intensiteetin ja ilmakuvan keskihajontoja erikokoisiin blokkeihin jaetusta 32 32 pikselin ikkunasta Piirteet standardoitiin keskiarvoon 0 ja keskihajontaan 1 Menetelmät Testattiin seuraavia lähtöaineistoja aputietona: Pelkkä ilmakuva Pelkkä laser Yhdistelmä Kaikissa em. ryhmissä piirrejoukkoa supistettiin geneettisen algoritmin avulla Aputiedon avulla estimoitiin seuraavat tunnukset kokonaistilavuus ja biomassa, puulajeittaiset tilavuudet ja biomassat Estimointimenetelmänä knn, luotettavuuden arviointi ristiinvalidoinnilla Toimittiin koealatasolla (aluepohjainen)
Geneettinen algoritmi piirrevalinnassa Piirrevektorit ovat genomeja, piirteet ovat geenejä Jos piirre on käytössä, sen arvo genomissa on 1, muuten 0 Eli satelliittikuvan 7 kanavan muodostamia genomeja olisivat esim: 1110001 1111111 (kaikki kanavat käytössä) 1000110 0000010 0000001 (vain 7. kanava käytössä) jne Yksinkertainen GA 1. Luo satunnainen alkupopulaatio 2. Määrittele kunkin piirreyhdistelmän hyvyys (laske tilavuuden RMSE k nn:llä ristiinvalidointia käyttäen) 3. Valitse haluamasi määrä piirteistä parhaasta päästä lähtien 4. Anna parhaiden piirrevektorien vaihtaa osia keskenään (crossing over) 5. Lisää haluamasi määrä mutaatioita jälkeläisiin 6. Palaa kohtaan 2 ja jatka tarpeeksi monen sukupolven ajan
GA:n parametrit Aloituspopulaatio 300, sukupolvia 30, crossing over todennäköisyys 80 %, mutaation todennäköisyys 1 %. Minimoitiin kokonaisbiomassan tai kokonaistilavuuden RMSE:tä Puulajeittaisessa estimoinnissa huomioitiin kokonaistilavuuden (45 %), männyn (15 %), kuusen (15 %) ja muun puulajin (15 %) suhteelliset RMSE:t suluissa esitetyin painoin Tulokset Biomassa vs. tilavuus: Tulokset olivat kokonaisbiomassalle hieman paremmat kuin kokonaistilavuudelle ( 22,5 % vs. 23,4 % havaintojen keskiarvoista). Ero korostui vaadittaessa myös puulajien estimoinnin onnistumista (kuva): kokonaisbiomassan virhe oli 24,8 %, puulajeittaisten biomassojen virheiden ollessa 67 76 %, kun taas tilavuuden virheet olivat 27,5 % ja 71 79 %.
Tulokset Piirteet, laser vs. ilmakuva: Pelkkä laser tuotti tarkemmat estimaatit kokonaismäärille kuin laserin ja ilmakuvan yhdistelmä GA ei pystynyt pudottamaan kaikkia tuloksia heikentäviä ik piirteitä pois Puulajeittaisessa estimoinnissa ilmakuvasta oli hieman apua, tilavuudella enemmän kuin biomassalla Laserin korkeushavaintojen keskiarvo oli aina mukana piirrejoukoissa, samoin kuin ns. kasvillisuusosuus (yli 2 m havainnot per kaikki havainnot) Tulokset Piirteet, pelkkä laser: Puulajeittaisessa estimoinnissa ilmakuvapiirteet korvattiin suhteellisilla korkeuksilla olevilla suhteellisilla osuuksilla
Tulokset Piirteet, yhdistetty joukko: Pelkkiä kokonaismääriä ennustettaessa riitti vähäisempi määrä piirteitä kuin huomioitaessa myös puulajit Laserpiirteet hallitsivat valikoiduissa piirrejoukoissa Puulajeittaiseen estimointiin valikoitui enemmän ilmakuvapiirteitä kuin kokonaismäärien estimointiin, samoin tilavuuden estimointiin enemmän kuin biomassan estimointiin. Lähes kaikki mukaan valikoituneet ilmakuvapiirteet olivat tekstuuripiirteitä. Kasvillisuusindeksi tai NIR/R eivät menestyneet valinnassa. Keskustelu ja päätelmät Latvuksen ominaisuudet vaikuttavat laserpiirteisiin enemmän kuin rungon laser soveltuu maanpäällisen biomassan estimointiin hyvin Tässä annoimme geneettisen algoritmin valita piirteet, ja valikoiduista piirteistä voidaan sanoa seuraavaa: Ilmakuvaa ei tarvita Jos siitä on vähäistä hyötyä, kyseessä ovat tekstuuripiirteet Laserista mukaan valikoitui aina muutama peruspiirre (korkeuksien ka, kasvillisuusosuus)
Keskustelu ja päätelmät Kuten tyypillistä, puulajeittaisessa estimoinnissa oli moninkertaiset virheet kokonaismääriin verrattuna. Evolla puulajisuhteet melko tasan, joten puulajien virheet olivat keskenään samaa luokkaa Huom! Piirrevalinnassa vaikutti puulajin suhteellinen virhe 15% painolla, joten piirteiksi luonnollisesti valikoitui sellaisia, jotka saivat suurimpia virheitä painettua alas. Keskustelu ja päätelmät Tuloksia punnittaessa on huomioitava, että tässä verrataan puutunnusmalleihin perustuvia biomassoja toisiinsa. Kohdealue (Evon opetusmetsä) on suomalaiseksi metsäksi hyvin vaihtelevaa: koealojen kokonaisrunkotilavuus oli 190,9 m 3 /ha ja keskihajonta 109 m 3 /ha Maanpäällisen kokonaisbiomassan keskiarvo oli 96,4 tonnia/ha ja keskihajonta 50,4 tonnia/ha Puulajeja paljon, nyt kaadettiin luokkaan muut
Keskustelu ja päätelmät Tulosten perusteella uuden sukupolven metsäsuunnittelujärjestelmän voisi tarvittaessa laajentaa myös biomassan kartoitukseen