1 TAIMIKKOTULKINNAN PARANTAMINEN Pekka Savolainen Terratec Oy
2 JOHDANTO Suomen metsiä on inventoitu lentolaserpohjaisesti jo noin 10 vuoden ajan. Ensimmäinen kierros lähestyy yksityismetsien osalta loppuaan ja valtion ja yhtiöiden metsissä ollaan jo osin toisella kierroksella. Inventointiohjelmia pidetään yleisesti menestystarinana ja niiden tuottamia metsävaratietoja parhaina maailmassa. Jos ensimmäisistä inventointivuosista alkaen yhtenä heikkoutena on pidetty tulkinnan laatua taimikoissa ja erityisesti tunnuksista johdettujen toimenpide-ehdotusten huonoa osuvuutta. Tätä ongelmaa on korostanut vuosi vuodelta vähentyneet kohdistetut maastoinventoinnit, jotka alati vähentyneiden määrärahojen takia ovat loppumassa tyystin. Laser- ja ilmakuvaisen inventoinnin pitäisi kuitenkin kaiken järjen mukaan soveltua taimikoihinkin, kunhan kaikki tulkinnan osatehtävät tehdään parhaalla mahdollisella tavalla. Kaikessa metsien kaukokartoitustulkinnassa, myös taimikoissa, laatu määräytyy kolmiyhteydestä kaukokartoitus, referenssi ja menetelmät. Jos kaikkiin näihin voisi saada parannusta, voisi taimikoidenkin tulkinta nousta tasolle, jolla se olisi todella käyttökelpoista toimenpiteiden ennustamiseen. Vaihtoehtona itse tulkittujen tunnusten käytölle on mietitty toimenpiteiden suoratulkintaa. Teoreettisessa katsannossa suoratulkinnan pitäisi olla tarkempaa kuin tunnusten kautta kulkeva päättelyketju. Tehdyissä testeissä suoratulkintaa on eniten vaikeuttanut kunnollisen referenssin tuottaminen, kun mielipiteet toimenpiteiden tarpeesta ja kiireellisyydestä ovat hyvin pitkälti subjektiivisia. Laimin lyödyt hoitotoimet aiheuttavat, että harvennustarve voi esiintyä hyvin eri ikäisissä ja kokoisissa taimikoissa, jolloin tarvetta ei voi päätellä pelkästään tiheystunnusten perusteella. Laserkeilaustekniikat paranevat vuosi vuodelta uusien sensorien myötä. Valtakunnallinen keilausohjelma on kuitenkin hidastanut laadun parantamista, kun määrittelyt esimerkiksi pistemäärien suhteen pidetään nykyisen ohjelman loppuun saakka samana sinänsä ymmärrettävistä syistä. Uuden keilausohjelman alku lähenee ja 5-10-kertaiseksi nouseva pistemäärä voi tuottaa laatuloikan myös taimikoiden tulkintaan. Perinteisissä lineaarikeilaimissa on ollut eräänä ongelmana pitkähkö minimiväli liipaistujen kaikujen välillä, jopa useita metrejä. Tämä haittaa erityisesti pienempien taimikoiden tulkintaa. Eräs mahdollisesti toimiva apu olisi aaltomuotokeilauksen (full waveform) käyttöönotto, mutta pelkkä taimikkotulkinta ei riitä motivoimaan sen vaatimaa hyvin suurta panostusta laitteisiin ja jättimäisiin datamääriin. Sen sijaan saattaa uusimmat Riegl 1560i -keilaimet tarjota tähän parannusta viimeisten metrien kuvailevuuteen. Rieglin myös diskreeteissä keilaimissa käyttämä tekniikka perustuu hyvin pitkälti aaltomuototekniikkaan, jossa ei esiinny liipaisujen välistä aikarajoitetta tai sen on hyvin lyhyt. Tätä verrattiin ottamalla muutama taimikkokuvio, joilla laserkorkeus oli 1.36 1.58 m. Kuvioille rajattiin pistepilvet ALS60- ja Riegl 1560ikeilaimista ja kullekin last-of-many-tyyppiselle kaiulle etsittiin vastaavat saman lähetetyn pulssin muut kaiut. ALS60-keilaimella näitä löytyi vain muutama (alle 0.4 %) ja niiden korkeuserot viimeiseen kaikuun olivat vähintään useita metrejä. Rieglin keilamella
3 suhteellinen määrä oli suurempi (noin 4 %) niitä esiintyi kaikilla korkeuseroilla nollasta ylöspäin. Tämä luo uskoa siihen, että modernit keilaimet voisivat kuvailla paremmin matalaa kasvillisuutta. Ilmakuvauksessa kehitys on ollut jonkin verran hitaampaa ja suuriformaattisempien sensorien tuoma parannus on mennyt pääosin tuottavuuden nostamiseen. Pikselin koko tulkinnoissa on kuitenkin jonkin verran pienentynyt, noin puolesta metristä 30 cm:iin. Vielä tärkeämpää on ollut suuremman tuottavuuden mahdollistama nopeampi kuvaus ja sen mahdollistama tasaisempi kuvanlaatu. Maastoreferenssin mittaus on aina ollut hyvin työvaltaista ja sen myötä hidasta ja kallista. Taimikoiksi laskettaviin kohteisiin on tulkinta-alueesta riippuen mitattu yleensä parisataa koealaa. Tällainen määrä ei mitenkään voi olla riittävä monimuuttujaiseen k-nn-tulkintaan. Nuorissa taimikoissa käytettävä mittaustapa (2.62-säteiset osakoealat) on myös ongelmallinen kaukokartoituspohjaisen yleistyksen kannalta. Koealalla on merkittävästi pinta-alaa, joka näkyy kaukokartoituksessa, mutta ei ole tullut mitatuksi. Taimikkoreferenssin täydentäminen korkean resoluution UAV-kuvauksella ja/tai - keilauksella voisi mahdollistaa riittävän määrän maastoreferenssiä taimikkotulkinnan parantamiseksi. Toimistotyönä tehtävien koealojen tulisi olla hyvin paikannettuja, jotta vastaavuus kk-aineiston kanssa olisi täsmällinen. Kolmas lähestymistapa on kehittää uusia, entistä parempia menetelmiä. Tässä on omat haasteensa, mutta voisi tarjota halvimman tavan saada aikaan laatuparannusta. Lienee kuitenkin aika selvää, että pitää panostaa yhtä aikaa kaikkin osa-alueisiin, jos halutaan saada toimenpiteet kaikissa tapauksissa kohtuullisen luotettavasti ennustettua. Tässä työssä keskitytään miettimään menetelmien kehittämistä nykyisillä maastokoealoilla ja kk-aineistoilla. Kannattaa kuitenkin pitää mielessä, että lopputuloksen laatua kuvaa parhaiten tulkinnan kolmen osakomponentin laadun tulo. Mikään niistä ei saisi olla huono ja paras hyöty saadaan parantamalla kaikkia yhtä aikaa. Laserpiirteet lasketaan perinteisesti pistepilven korkeusjakauman persentiilikorkeuksista maanpinnasta ja vastavista tiheystunnuksista eri pituusluokissa. Lisää kuvailevuutta saadaan laskemalla tunnukset ensimmäisen kaiun ja vastaavasti viimeisen kaiun pisteistä. Lisänä voidaan käyttää intensiteeteistä johdettuja tunnuksia. Käytettävät laserpiirteet ovat aikojen saatossa viilautuneet sopimaan varttuneiden metsien tulkintaan. Lienee mahdollista hakea parannusta taimikoihin miettimällä uusia tunnuksia, jotka toimivat pituusjakauman alapäässä. Tässä työssä ei kuitenkaan ole ollut mahdollista käyttää aikaa uusiin tunnuksiin, vaan taimikkomallit on laskettu normaaleilla piirresarjoilla. Monijaksoisuus aiheuttaa koealamittaukselle ja erityisesti keskitunnuksille ongelmia. Jos ositteen kaikki puut olisivat saman kokoiset, tulisi keskitunnuksille samat arvot kaikilla painotustavoilla. Mutta jos koealalla on esimerkiksi pienempi lukumäärä paksumpaa ja
4 pidempää puustoa ja sen lisäksi hyvin suuri määrä matalia taimia, tulee ppa-painotetuille keskiarvoille hyvin erilaiset tulokset kuin runkolukupainotetuille. Tätä on yritetty torjua koealamittausohjeella, jossa painotetaan mitattujen tai arvioitujen tunnusten yhteensopivuutta. Huonosti yhteensopivia tunnuksia esiintyy kuitenkin useimpien mittaajien joissakin koealoissa. Mallinnuksessa ne tulevat karkeimmillaan näkyviin poikkeavan suurina residuaaleina, mutta lievemmissä tapauksissa ne vain heikentävät malleja ja tuloksia kontrollikoealoilla ja itse tulkinnassa. Koealojen laskentapalvelu olettaa ositteiden olevan yksijaksoisia ja mitattujen tunnusten olevan yhteensopivat. Äärimmäinen esimerkki huonosti yhteensopivasta koelasta on, kun lehtipuuositteen keskipituus on 6.9 m, keskiläpimitta 7.4 cm ja runkoluku 18500 1/ha. Laskentapalvelu laskee 18500 kertaa 7.4 cm rungon pohjapinta-alaksi 79.6 m2/ha ja tilavuudeksi 283 m3/ha. Suuri enemmistö runkoluvusta lienee luettu nuoremmista taimista ja runkoluvulla painotettu keskiläpimitta pitäisi olla näiden läpimitan luokkaa. Pohjapinta-alapainotusta voidaan käyttää vain lukupuukoealoilla. Vastaavat ongelmat tulevat vastaan monijaksoisten puustojen tulkinnassa. Tulokset voisivat olla teoriassa jollakin määrittelyllä täsmälleen oikein, silti tuloksilla ei ole metsänhoidollista arvoa. Esimerkkinä mainittakoon tiheä taimikko, jossa on harvahko pidempi puusto. Runkolukupainotuksella saadaan alemman jakosn tunnukset, ppapainotuksella ylemmän. Näin edellyttäen tietysti, että referenssit on mitattu ja laskettu oikein ja sitä on riittävästi. Uudet latvusrajattuihin tulkintayksiköihin perustuvat menetelmät tulevat varmuudella parantamaan siemen- ja jättöpuustojen, siemenpuuryhmien, ylispuustojen ja muiden monijaksoisten kohteiden tulkintaa ja tuloksista tehtävien päätelmien laatua. Tämä kehitys saattaa yltää osin myös taimikkotulkintaan, jossa sekaisin kasvavat erikokoiset taimet saattavat tulla paremmin tunnistetuiksi. Kaukokartoitukselle on helpompaa havaita rinnakkaiset ilmiöt, joissa molemmat jaksot näkyvät ylöspäin kuin päällekkäiset jaksot, joissa ylempi kerros peittää alikasvokset. Kumpaakaan painotustapaa ei voi pitää toista oikeampana, vaan molemmissa on omat hyvät ja huonot puolensa. Kumpikin tapa hävittää tietoa keskiarvoistuksessa. Tietomallin kannalta taimikoissakin pitäisi tuottaa jakauman säilyttävä kuvaus kohteesta. Tällainen voisi olla joko parametrinen malli taikka empiirinen jakauma, esimerkiksi pituuden runkolukusarja. Eri painotusten tuottamaa jyrkkää eroa yritetään tässä työssä lieventää käyttämällä vaihtuvaa tai liukuvaa painotusta sekä koealatunnusten laskemisessa että tulkinnassa. Referenssin pieni määrä, pari sataa koealaa aiheuttaa suuria ongelmia k-nn-menetelmille. Taimikkomallit tarvitsisivat aivan yhtä suuren määrän populaation vaihtelua hyvin kuvaavia koealoja kuin varttuneiden mallitkin, 500-800 kpl. Tämäkään ei vielä riitä kompensoimaan taimikkomallien mittausten huomattavasti suurempaa epämääräisyyttä, mutta veisi varmasti tuloksia oikeaan suuntaan ja lisäisi oikeiden toimenpide-ehdotusten osuutta. Eräs ajatus koealojen määrän lisäämiseksi on generoida niitä lisää yhdistelemällä mitatuista koealoista. Tätä on mietitty varttuneisiinkin puustoihin. Ajatus on houkutteleva:
5 kahden koealan kombinaatioita syntyy N:stä koealasta N*(N-1)/2 kpl. Esimerkiksi N= 200: 19 900 kpl ja N= 500: 124 750 kpl. Vasta-argumenttina on metsän biologia. Jokainen koeala edustaa yhtä todellista mitattua kohtaa populaatiossa. Kahden koealan yhdistelmä on suuressa osassa tapauksia biologisesti mahdoton, esimerkiksi kasvupaikan tai puuston historian ja ominaisuuksien suhteen. Taimikoissa tilanne on jossakin määrin erilainen. Nuorena taimet muistuttavat hyvin paljon toisia samanikäisiä taimia inventointialueen eri osissakin. Samalla kuviollakin esiintyy vaihtelua pituudessa ja puulajisuhteissakin. Voisi perustellusti ajatella, että kahden pituudeltaan jonkin verran eroavan taimikkokoealan rinnakkainen yhdistelmä tuottaisi uuden biologisesti mahdollisen koealan, jonka pituus ja tiheys ovat kahden alkuperäisen koealan välimuoto. Aineistot Tässä työssä kokeiltiin uusien koealojen syntetisoimista käyttämällä melko konservatiivisia rajoitteita puuston pituuserolle, puulajille ja kasvupaikalle. Näin tuskin on syntynyt kovin mahdottomia yhdistelmiä. Päinvastoin voi todeta, että äärimmäisen pieni referenssin määrä aiheuttaa paljon suurempia biologisia ristiriitoja: tietyn tulkintayksikön puustoa kuvaamaan tulevat lähimmät naapurit ovat keskenään ja kohteen kanssa eri pituisia, eri tiheyksisiä ja eri puulajia, koska sopivaa yhdistelmää ei referenssistä kerta kaikkiaan löydy. k:n lähimmän naapurin välillä ei tulkinnassa aseteta biologisia rajoitteita, esimerkiksi kasvupaikka ei Työ tehtiiin vuoden 2016 tulkinta-alueella Juva-Mikkeli käyttäen alueelle mitattuja koealoja kaukokartoitusaineistoja. Taimikoihin oli mitattu tyypillisen vaatimaton joukko koealoja, keskipituudeltaan yli 7 m aloja oli 195 kpl. Alkuperäisistä taimikoealoista muodostettiin joukko synteettisiä koealoja. Yhdistelmät valittiin maltillisesti tiukoilla rajoitusehdoilla siten, että koealojen yhdistelmä olisi biologisesti mahdollinen. Keskimäärin jokaista alkuperäistä taimikoealaa kohti syntyi 2 uutta yhdistelmää. Mallinnuksessa rajoitettiin, että selittävissä koealoissa ei saanut esiintyä kumpaakaan selitettävien koealojen yksilöistä. Synteettisille koealoille laskettiin laser- ja ilmakuvatunnukset normaliin tapaan. Käytettäessä mittakaavasta ja tasokoordinaateista riippumattomia laserpiirteitä voidaan yhdistelmäkoealan piirteet laskea yksinkertaisesti vain yhdistämällä pistepilvet ja laskemalla piirteet normaalisti. Sama pätee ilmakuvapiirteille, kun käytetään Terratecin tapaa leikata kukin pistepilven piste fotogrammetrisesti niille ilmakuville, joilla se näkyy ja laskemalla näiden pikseleiden 4-kanavaisista arvoista ja niistä edellen johdetuista tunnusluvuista ja indekseistä normaali piirrejoukko. Ilmakuvien osalta on huomattava kuitenkin, että osakoealat voivat olla kuvatut hyvinkin eri aikaan, jolloin syntyy hieman enemmän keskiarvoistumista normaalitilanteeseen verrattuna.
6 Mallinnusten tuottamista ristivalidoinnin tuloksista tehtiin koealatason tarkkuusraportit. Raporteissa otettiin mukaan vain keskipituudeltaan alle 7 m koealat. Synteettisten koealojen mallin tulokset esitetään mallinnuksessa mukana olleille 567 kpl alle 7 m keskipituuden koealalle. Jotta saataisiin paremmin alkuperäisten tulosten kanssa vertailukelpoinen taulukko, rajattiin mukaan vain alkuperäiset normaalit koealat, joita siis selitettiin muilla alkuperäisillä ja synteettisillä koealoilla. Koealamäärä 195 195 125 195 161 195 155 195 Ka_tulkinta 4.3 4769 5.6 870 4.9 1073 3.2 2826 Ka_mittaus 4.2 4944 4.8 896 4.3 1032 3.1 3016 Sd_mittaus 1.7 4789 2.9 1230 2.3 865 2.2 4654 RMSE 0.7 2377 1.9 820 1.7 597 1.2 2312 RMSE % 16.7 48.1 49.6 91.5 40 57.8 40.3 76.7 Harha -0.1 176-0.8 26-0.6-41 -0.1 190 Harha % -2.4 3.6-15.7 2.9-15.2-4 -3.7 6.3 merkitsevyys -2 1-5.5 0.4-5.3-1 -1.3 1.2 Taulukko 1: Koealatason tarkkuustunnukset ppa-painotuksella Koealamäärä 195 195 126 195 163 195 155 195 Ka_tulkinta 4.1 4914 3.4 840 3.7 1141 3.4 2933 Ka_mittaus 4.1 4951 4 911 4 1036 4.2 3004 Sd_mittaus 1.8 4788 1.8 1236 1.7 862 2 4658 RMSE 0.8 2512 1.3 764 1.1 612 1.6 2389 RMSE % 18.3 50.7 33.4 83.9 27.4 59.1 38.6 79.5 Harha 0 37 0.5 71 0.2-106 0.8 71.4 Harha % -0.1 0.7 13.5 7.8 5.5-10.2 18.2 2.4 merkitsevyys -0.1 0.2 5.7 1.3 2.8-2.4 6.6 0.4 Taulukko 2: Koealatason tarkkuustunnukset rulupainotuksella Koealamäärä 567 567 425 567 526 567 508 567 Ka_tulkinta 4.9 4338 4.3 943 4.5 962 5 2433 Ka_mittaus 4.8 4399 4.6 917 4.5 961 5.2 2521 Sd_mittaus 1.7 4191 1.7 1094 1.6 711 2.1 4038 RMSE 0.5 1722 1.2 642 0.8 472 0.9 1632 RMSE % 11.4 39.2 25.9 70 17.6 49.1 18.2 64.7 Harha -0.1 61 0.3-26 0-1.3 0.2 88 Harha % -2.2 1.4 5.6-2.8-0.7-0.1 3.1 3.5 merkitsevyys -4.5 0.8 5.1-0.9-1 -0.1 4.1 1.3 Taulukko 3: Koealatason tarkkuustunnukset synteettisillä koealoilla (kaikki)
7 Koealamäärä 194 194 126 194 162 194 154 194 Ka_tulkinta 4.3 4738 4 1031 4.1 1019 4 2689 Ka_mittaus 4.1 4890 4 916 3.9 1028 4.2 2947 Sd_mittaus 1.8 4725 1.8 1238 1.7 858 2 4600 RMSE 0.7 2490 1.1 843 0.9 616 1.1 2335 RMSE % 17.6 50.9 26.5 92 23.9 59.9 25.7 79.2 Harha -0.2 152 0-115 -0.1 9 0.1 258 Harha % -3.9 3.1-0.1-12.6-2.8 0.9 3.3 8.8 merkitsevyys -3.1 0.8-0.1-1.9-1.6 0.2 1.8 1.5 Taulukko 4: Koealatason tarkkuustunnukset synteettisillä koealoilla (vain alkuperäiset) Keskustelua Tulokset asettuivat loogiseen järjestykseen. Synteettiset koealat tarjosivat lisää vaihtoehtoja valita lähimpiä naapureita ja tämä heijastui Y-muuttujiin ja tuotti alkuperäisiä matalampia keskivirheitä erityisesti puulajittaisille pituuksille. Keskipituus ja kokonaisrunkoluku ei parantunut merkittävästi. Puulajittaisille runkoluvuille näkyy parannusta, kun raportissa on mukana kaikki synteettisetkin koealat. Tämä ero häviää, kun raporttiin rajataan mukaan vain alkuperäiset. Tämä johtunee runkolukuun liittyvästä luontaisesta kohinaisuudesta: sen mittaus tai arviointi sisältää jo itsessään merkittävän virheen ja runkoluvun korrelaatio kaukokartoituspiirteiden kanssa on paljon heikompi kuin pituuksien, joita laserkeilaus mittaa jopa suoraan. Nämä tulokset ovat lupaavia ja niitä kannattaa kehittää edelleen. Yhdistelyssä käytettyjä biologisia rajoitteita voisi höllentää hieman, niin että lukumäärä kasvaisi vielä ehken kaksinkertaiseksi. Taimikoita varten kannattaa tuottaa niille optimoitu laserpiirrejoukko. Yhdessä uusien sensorien kanssa on mahdollista saada taimikoiden tulkintatarkkuus sellaiselle tasolle, että tunnusten perusteella tehdyt toimenpide-ehdotukset osuvat pääosin kohdalleen. Osalla vuoden 2019 pilotalueita käytään keilaimia (esimerkiksi Riegl 1560i), jotka kuvaavat matalan pään taimikoita merkittävästi paremmin verrattuna klassikkokeilaimeen ALS60.