Satelliitit, alus tat ja tekoäly mets ätaloudes s a Laura S irro VTT Location Business Forum 2018, 6.11.2018
Satelliittikuvien s ovellus kohteita mets ätaloudes s a Metsäpinta-alan arviointi Kustannustehokas metsävarojen arviointi suurille alueille Muutosten seuranta Pohjapinta-ala Runkotilavuus Keskipituus Puulajiosuudet Kasvupaikkatyyppi Latvuspeitto Uudistushakkuu Avohakkuiden paikantaminen Metsän uudistaminen Taimikon varhaishoito Harvennusten paikantaminen Harvennus Ensiharvennus Taimikon vesakoitumisen tunnistaminen 2
Ilmais ta Sentinel-2 s atelliittiaineis toa s aatavilla operatiivis es ti maailmanlaajuis es ti EU:n ja ESA:n yhteisen Copernicus-ohjelman satelliitit mahdollistavat operatiiviset palvelut Optista aineistoa, 13 kanavaa 10-60 metrin pikselikoko riippuen aallonpituuskanavasta Aineistoa saatavissa Suomesta elokuusta 2015 alkaen Suomen alueella kuva 1-3 päivän välein (Sentinel-2 A ja B) 300 km Sentinel-2A 17.8.2015 3
Lisääntyvä data ja laskentateho mahdollistavat ja vaativat uudenlais ia tapoja toimia Samasta alueesta kuvia tiheästi - aikasarjojen hyödyntäminen Automatisointi Parempi luotettavuus Uudet sovellukset Laskennallisesti entistä raskaammat koneoppimismenetelmät mahdollisia Suurten datamäärien siirtely tehotonta työkalut ja data samaan paikkaan Palvelu Satelliittikuva Satelliittikuv Satelliitti- akuva- aikasarja aa Automatisoitu palvelu Maastohavainnot Satelliittikuv Satelliittikuvat aa a Maastohavainnot Maastohavainnot Työkalut 1. Perinteinen palvelu 2. Aikasarjapalvelu 3. Alustapalvelu Palvelu 1 Palvelu 2 Palvelu N 4
Metsävaratiedon ajantasaistus - s atelliittikuviin perus tuva muutos tulkinta - pilo ttipalve lu Hanke on osa Maa- ja Metsätalousministeriön Metsätieto ja sähköiset palvelut -kärkihanketta Avohakkuiden ja harvennusten automaattinen paikantaminen Sentinel-2 - aineistosta Metsäkeskus on koekäyttänyt palvelun tuloksia www.hakkuut.fi Hankkeen osapuolet: VTT, Satellio, Luke, Metsäkeskus, Syke 5
Es imerkki hakkuiden paikantamis es ta Ähtärin seudulla 2015-2017 ja vertailua mets änkäyttöilmoituks iin ja Pléiades - s atelliittiaineis toon Pléiades-kuvan kanavat punainen: lähi-infrapuna vihreä: punainen sininen: vihreä Sentinel-2 23.8.2015 Sentinel-2 5.9.2017 -valkoinen: MKI 15.8.2015 24.9.2017 -punainen: luokiteltu avohakkuuksi -keltainen: luokiteltu harvennukseksi Alue noin 1000 m x 700 m 6
Aikas arjamallinnuks e n käyttö mets än muutos ten havaits emis es s a 7 / 2010 Pikseleittäinen analyysi käyttäen 361 Landsat -kuvaa vuosilta 1997 2015 8 / 2012 06 / 2013 Havaittu hakkuu Time series modelling SWIR1, 1.566-1.651 mm Mets ävahti Matthieu Molinier VTT Remote Sens ing 7
Täysautomaattinen maanpeiteluokitus Sentinel-2 -aineis tolla Kuusi Sentinel-2 -tiiltä samalta alueelta Itä-Suomesta Referenssiaineistona GlobCover 2009 maanpeiteluokitus Pilvien tunnistaminen aikasarjan avulla Maanpeitteen luokitus Random Forest -menetelmällä Haasteena heterogeenisen referenssiaineiston käyttö Joensuu 8
Copernicus Sentinel -s atelliitit tarjoavat myös tutka-aineis toa Mosaiikki Sentinel-1 kuvista 2.10.2018 ja 12.10.2018 Alue noin 6.5 km x 4.5 km Punainen ja sininen= VVpolarisaatio, vihreä = VHpolarisaatio Alue noin 6.5 km x 4.5 km Suomen metsämaski monen ajankohdan Sentinel-1 kuvista. Northstate EU FP7 northstatefp7.eu 9
Tarkat s ate lliittikuvat Pikselikoko alle 1 m, jopa 30 cm pankromaattisella kanavalla Maksullisia kuvia - arkistokuva n. 10-25 /km 2 Käyttökohteita: Kaikki mihin karkeamman erotuskyvyn aineistoa käytetään - usein ensin tehdään automaattinen kuviointi Referenssiaineiston kerääminen kun maastossa mitattua aineistoa ei ole tai sen ohella Puulajitulkinta runkojen paikannukseen perustuvilla menetelmillä WV-2 07/2013 GE-1 09/2015 10
Puus totietojen ennus taminen tarkoilta s ate lliittikuvilta Automaattinen kuviointi Puustotietojen kuvioittaiset estimaatit omina karttatasoinaan + muut karttatasot: vesi, pellot, tiet, rakennetut alueet Esimerkin estimaatti GeoEye-satelliitin kuvalta Karttulasta (v. 2010) Puuston kokonaisrunkotilavuus n. 2 x 2 km alueelle (Karttula), keskim. kuviokoko = 0.5 ha 11
Tarkat s atelliittikuvat puulajitunnis tuks es s a Runkojen paikantaminen Luokittelu havaittujen runkojen ympäristöstä laskettuja tekstuuri- ja reflektanssipiirteitä käyttäen 12
Fo re s try TEP One-s top s hop for fores try remote s ens ing s ervices for the academic, public and commercial s ectors Online service that enables quicker and smoother value adding Access to satellite imagery, computing power and value adding services Platform for developing and sharing own applications Worldwide marketing channel for commercial remote sensing services https://forestry-tep.eo.esa.int/ 13
Data & service pro viders Satellite data Tools and Services Fores try TEP Overall concept Basic features Promotion, sales F-TEP Developer features Processing, Tools, Workspaces, Collaboration, Sharing, Support Both free and commercial services, tools and data Collaboration, Peer support Us ers Reference data Users algorithms services 14
Fores t variable es timation service in Forestry TEP Stem volume by species Red = Broadleaved Blue = Pine Green = Spruce
Es imerkki Fores try TEP:iin toteutetus ta palvelus ta ves akkokartoitus Taimikoiden tiedonkeruun kehittäminen - hankkeen tulosten vienti käytäntöön Eniten ja vähiten vesoittuneeksi ilmoitetut taimikot erottuvat Metsäkeskuksen kenttätesteissä satelliittikuvan vesoittuneisuustulkinta todettu hyödylliseksi Finnish Forest Centre 17
NorthState Fores tflux NorthState FP7 -hankkeessa kehitettiin menetelmiä satelliittikuvista laskettujen metsämuuttujaennusteiden ja hiilimallien yhdistämiseen ForestFlux H2020 -hankkeessa tulokset toteutetaan palveluiksi Forestry TEP:iin Osapuolina: VTT (koordinaattori), Helsingin Yliopisto, Simosol Oy, Unique GmbH (Saksa), INCDS (Romania), ISA (Portugal) Alkaa 12/2018 18
Satelliittikuvis ta las kettujen mets ämuuttujaennusteiden ja hiilimallien yhdistäminen Sentinel-2, Sentinel-1 ja Suomi NPPsatelliittien aineistoa käyttäen lasketut ennusteet + säädata syötteenä hiilimalleille Hiilitase rasterikarttoina northstatefp7.eu 19
Norths tate FP7 -hankkeen tuloks ia: GPP, NPP ja Mean Annual Increment Ennusteet laskettu satelliittiaineistosta laskettuja metsämuuttujaestimaatteja ja säädataa käyttäen 20
Yhteenveto Ilmaiset Copernicus Sentinel -satelliittiaineistot mahdollistavat operatiivisten palvelujen kehittämisen ja tuottamisen Tarkempi temporaalinen, spatiaalinen ja spektraalinen resoluutio Mahdollisuus kattaa suuria alueita ja päivittää aineistoja usein Satelliittiaineisto sopivaa erityisesti muutosten havaitsemiseen Sentinel-2-tyyppinen aineisto soveltuu metsämuuttujien arviointiin, kun halutaan toimia kustannustehokkaasti tai tarkempaa aineistoa ei ole käytettävissä Korkean erotuskyvyn satelliittikuvat referenssiaineisto, puulajit Tiheästi päivittyvät aineistot Big data Menetelmät datan luo - alustat, pilvipalvelut Aikasarjat, automatisointi, koneoppimismenetelmät Tekoäly ei korvaa ihmistyötä kokonaan Maastossa mitattu aineisto edelleen tärkeää 21