Taimikoiden ja nuorien metsien hoito- ja energiapuukohteiden inventointi kopterikuvauksena ja lentokonekeilauksena Puu- ja bioenergiamessut Jyväskylä 6.9.2017 Kalevi Pietikäinen Tätä tutkimusta on tukenut Eino ja Marjatta Kollin säätiö
Kopterikuvaus ja lentokonekeilaus/ Suomen energiapuuvarojen inventointi Suoratulkinta-algoritmit on kehitetty Euroopan maaseudun kehittämisen maatalousrahaston osarahoittamissa Metsävaramittaus kunnostamattomissa metsissä ja Maaseutu 2.0 -projekteissa Toteuttajat JAMK / IT Suomen Metsäkeskus (mm. Metsään.fi palvelu) Metsänhoitoyhdistys Keski-Suomi Bitcomp Oy (mm. metsätietostandardien kehittäminen, toiminnanohjausjärjestelmät) Raportti JAMKin julkaisusarjassa: Uusia menetelmiä metsävaratietojen hyödyntämiseen
Kaukokartoitus (lentokonekeilaus) ja metsien inventointi Maanmittauslaitos (MML) Avoimien aineistojen tiedostopalvelu https://tiedostopalvelu.maanmittauslaitos.fi/tp/kartta 3600 ha (4 * 900 ha) karttalehtinä (las, laz tiedostot) FugroViewer, ArcGIS ja QGIS sekä LAStools Kehitysluokat T1, T2 ja 02 Hoitotöiden kiireellisyydet Energiapuusaantojen ja työllisyyspotentiaalien laskenta Hoito- ja energiapuukohteet (gps) Paikkatietoon ja pinta-alaan sidottuna koko Suomessa Käytetty tasokoordinaattijärjestelmä ETRS TM35FIN N/E pohjois/itäkoordinaatit metrijärjestelmässä
Maanmittauslaitos (MML)
Taimikoiden hoito (T1, T2) Nuoren metsän hoito (02) Kehitysluokat T1 on pieni taimikko 0-1,3 m Hoitotyön kiireellisyys 5-10 v, 0-5 vuotta, heti T2 on varttunut taimikko 1,3-6,0 m Tavoitetiheys esim. 2000-2500 runkoa/ha 02 on nuori kasvatusmetsikkö 6-12 m Kemera tukikelpoisuusrajat ja -rahoitus vaihtelevat eri ajanjaksoina.
Keskimääräinen etäisyys kpl/ ha 0,2 m 250 000 0,5 m 40 000 0,9 m 12 345 1,0 m 10 000 1,1 m 8264 1,2 m 6944 1,3 m 5917 1,4 m 5102 1,5 m 4444 1,6 m 3906 1,7 m 3460 1,8 m 3086 1,9 m 2770 2,0 m 2500 2,5 m 1600 3,0 m 1111 4,0 m 625 5,0 m 400 Puuston tiheys puiden välisen etäisyyden funktiona
Lentokonekeilauksen kaiut ja algoritmit Arbonautin piirteet: Piirteiden laskenta DEM (Digital Elevation Model) -korkeusmalli DSM (Digital Surface Model) -pintamalli DTM (Digital Terrain Model) -maanpintamalli CHM (Canopy Height Model) kasvillisuuden tai latvuston korkeusmalli = DSM-DTM Kyyt- ja Aalto algoritmit Kehitysluokat (T1, T2, 02) Hoitotöiden kiireellisyydet Latvuston korkeusmallit Lajiteltu nousevaan järjestykseen ja Latvatasojakaumat sekä ruudun maksimit
CHM Latvuston korkeusmalli (CHM, Canopy Height Model) lasketaan digitaalisen pintamallin ja digitaalisen maastomallin avulla. CHM = DSM - DTM Pintamalli (DSM) muodostetaan latvustosta heijastuneista pulsseista. DSM voidaan muodostaa esimerkiksi siten, että jokaisesta rasterin ruudusta otetaan korkein kohta (z-koordinaatti). Maastomalli (DTM) muodostetaan maasta heijastuneista pulsseista. Kohdissa, joista ei ole heijastunut pulssia, käytetään Delaunay-kolmiointia ja lineaarista interpolointia.
DEM, DTM, CHM -tietotyyppi ncols nrows xllcorner yllcorner cellsize NODATA_value sarakemäärä rivimäärä x-piste alueen lounaiskulmassa y-piste alueen lounaiskulmassa ruudun koko kyseisellä ruudulla ei ole dataa
Class Model (CLM-tietotyyppi) tai Forest Class Model (FCM) CLM-luokka on projektin yhteydessä kehitetty tietorakenne, johon ohjelma tallentaa syötetyn alueen kasvuluokat. Säästää muisti- ja tallennustilaa Tiedosto sisältää vain tiedon puuston kehitysluokasta sidottuna hoitotöiden kiireellisyyteen 2 (maa), 14 (aukko), 15-19 (T1), 20-24 (T2), 25-29 (02), 30 (03) CLM käyttää esim. 8 m * 8 m ruudutusta, joka on sidottu paikkatietoon. CLM:n tarkoitus on saada puristettua karttalehden data mahdollisimman pieneen tilaan. Tämä saadaan aikaiseksi jakamalla alueen pisteet 8*8 metriä kokoisiin ruutuihin ja laskemalla näille ruuduille kehitysluokka ja hoitotyön kiireellisyysluokka. Muistin tarve on alle 1/200 las-tiedoston koosta.
CLM-tiedoston muoto 900 ha tai 3600 ha CLM -luokka on projektin yhteydessä kehitetty tietorakenne, johon ohjelma tallentaa syötetyn alueen kasvuluokat. DEM-, DTM-, CHM- ja CLM- sekä FCM-tiedostoja voidaan piirtää ja käsitellä myös kaupallisilla ArcGIS- ja QGIS-ohjelmilla. 6000 m / 8 m = 750 kpl tai 3000 m / 8m = 375 kpl ncols 750 sarakemäärä nrows 750 rivimäärä xllcorner 380000 x-piste alueen lounaiskulmassa yllcorner 6918000 y-piste alueen lounaiskulmassa cellsize 8 ruudun koko NODATA_value -9999 kyseisellä ruudulla ei ole dataa 30 29 27 25 17 18 21 Kehitysluokka ja kiireellisyys
CLM-muotoon saatetun karttalehtitason tiedon muistin tarve 900 ha Konnevesi F1-karttalehti (2 osumaa / m 2 ) N4442F1.laz 107 695 kt 108 Mt N4442F1.txt 1510 695 kt 1,5 Gt N4442F1.clm 8 m * 8 m -ruutu 0,4 Mt Koko Suomen CLM-tiedostomuodon muistin tarve 25 000 kpl *0,4 Mt = 10 Gt Kopterikuvauksen pistetiheys 100 500 kpl / m 2 Tiedostokoko supistuu jopa 1/1000 1/10000 osaan lähdetiedostosta
Laserkeilausosumien (Lidar) luokitus (Lidar on optinen kaukokartoituslaite, lentokone) 0 Created, never classified Käsittelemätön 1 Unclassified Luokittelematon 2 Ground Maa 3 Low Vegetation Kasvusto 4 Medium Vegetation 5 High Vegetation 6 Building Rakennus 9 Water Vesistö Kehitysluokat ja hoitotöiden kiireellisyydet 14, 15-19 (T1), 20-24 (T2), 25-29 (02), 30 (03) Laser-keilaus osuman tietueen muoto 434608.211 7138842.65 81.7 32 1 1 0 0 9 2 0 15 21639386.739849 x y z intensity classification gps_time
Kehitysluokkien tunnistus ruudusta Aalto-algoritmi (T1 10 cm, T2 50 cm ja 02 1 m)
Karttalehden T1, T2, 02 tulkinta Konneveden karttalehden N4442F1:n suoratulkinta ja saantojen laskenta Kuviossa on Konneveden karttalehden N4442F1 900 ha taimikon ja nuorenmetsän kehitysluokkien suoratulkinta ja hoitotöiden kiireellisyydet. Pinta-alaperusteinen ja paikkatietoon sidottu tulkinta suo mahdollisuuden laskea ja arvioida energiapuusaantoja ja hoitotyön työmääriä.
Konneveden Lidar-datan suoratulkinta N4442F1:n
QGIS:llä tehty analyysi Konnevedeltä 6 karttalehteä yhdessä 5400 ha
Hoitotyökuukaudet (T1, T2) ja energiapuusaannot (02) N4442F1-karttalehdeltä Taimikko T1 T1_15 T1_16 T1_17 T1_18 T1_19 yhteensä 8 m * 8 m 10530 5104 kpl 3527 kpl 4100 kpl 1262 kpl hehtaaria 67,4 ha 32,7 ha 22,6 ha 26,2 ha 8,1 ha 156,9 ha Hoitotyö kk 0 0,8 kk 1,1 2,0 0,8 4,7 kk Taimikko T2 T2_20 T2_21 T2_22 T2_23 T2_24 8 m * 8 m 5155 kpl 6609 kpl 5947 kpl 5757 kpl 2713kpl hehtaaria 33 ha 42,3 ha 38 ha 36,8 ha 17,4 ha 167,6 ha Hoitotyö kk 0 1,6 2,9 4,1 2,6 11,2 kk Nuori metsä 02_25 02_26 02_27 02_28 02_29 8 m * 8 m 1652 kpl 6835 kpl 10112 kpl 8032 kpl 1406 kpl hehtaaria 10,6 ha 43,7 ha 64,7 ha 51,4 ha 9 ha 179,4 ha Saanto k-m 3 0 656 1941 2313 540 5450 k-m 3 Maa_2 Vesistö_9 Aukko_14 Metsä 30 8 m * 8 m 52244 kpl hehtaaria 334,4 ha
Työmäärien ja saannon arviointi 900 ha:n tai 3600 ha:n karttalehdiltä Kehitysluokkien määrittäminen esim. 8 metrin ruuduille (rasterit, hilat) MML-aineistosta. Hoitotöiden kiireellisyyden määrittäminen. Pinta-alaperusteinen käsittely valitulle kohteelle. Työmäärien ja energiapuunsaantojen työkohteisiin sidottuja kertoimia tulee määrittää jatkuvasti mm. hakkuu- ja ajokoneilla. Pinta-alaperusteinen (gps) hoitotyön kertoimien määrittäminen voisi tapahtua esim. mobiilisovelluksella (T1, T2). Energiapuuta saadaan myös päätehakkuista.
Erittäin tiheän hoitokohdekuvion (T2) työmäärien laskenta (60,5 h/1,8 ha)
Erittäin tiheän mäntytaimikon (T2) 2016 kuvat ennen ja jälkeen hoidon Ennen hoitoa Hoidon jälkeen
Nuoren metsän hoitokohteiden tunnistaminen lentokonekeilauksella
Lajitellut kasvuston korkeuskäyrät Hoidettu 1 ha, Hoitamaton 1 ha
Hoitamaton 1 ha, hoidettu 1 ha nuorimetsä (02) latvatasomalli (1 m)
Kopteri- ja lennokkikuvauskohteita mm. Lammenlenkki (JKL) ja Konnevesi Kuvamateriaali sisältää lennokin 50-100-150 m korkeudesta kuvaamaa maastoa ja metsää sekä kuvina että las-tiedostona. Mittalaitteina kamera ja gps-paikannus (x, y, z) Kuvista tuotetuista las-tiedostosta voidaan laskea mm. kasvuston korkeus ja kehitysluokat. Seuraavassa on vertailussa Konnevedeltä vuonna 2015 lentokonekeilattua sekä 2016 ja 2017 lennokki- ja kopterikuvattua aineistoa, jota viritetään mm. hoitotöiden kiireellisyyden osalta. Lehdettömän ja lehdellisen kuvauksen vertailu
Konnevedellä käytetty lennokki ebee + Parrot Sequoia -multispektrikamera sensefly ebee Paino 0,7 kg Siipien kärkiväli 96 cm Pisin lentoaika 50 minuuttia Tuulensieto 12 m/s Parrot Sequoia -multispektrikamera 4 kpl 1,2 MP multispektikameraa Lähi-infrapuna (NIR), punaisen reuna-alue, punainen, vihreä 16 MP RGB-kamera
Kopteri DJI Phantom 4 ja ohjain
DJI Phantom 4 Käyttöpaino 1380 g Kamera 12 Mpix Paikannusmenetelmät GPS/GLONASS Maksiminopeus 20 m/s (riippuen lentotilasta) Maksimi lentokorkeus 6000 m Maksimi tuulensieto 10 m/s
Pistetiheydet (Kopteri 300/m 2, Lennokki 10/m 2, lentokone 2/m 2 )
Lammenlenkki lehdetön aika
Lammenlenkki lehdellinen aika
Jyväskylän Laajavuoren Lammenlenkki kopterikuvaus noin 2 ha lehdetön aika
Jyväskylän Laajavuoren Lammenlenkki kopterikuvaus lehdellinen aika
Metsän inventointi lennokkikuvauksena (RGB) Konnevedellä
Lentokonekeilattu lidar-tulkinta 225 ha alueesta Konnevedeltä 2015
Lennokkikuvaus 225 ha alueesta Konnevedeltä 2016
Lennokki- ja kopterikuvausaineiston haasteena on maanpintamallin korjaukset (pieni taimikko T1)
Vertailu 32 m koeruuduista (T1) ylärivi lennokki (RGB) kuvattu 2016 alarivi lentokone (Lidar) keilattu 2015
JAMK:n julkaisuja Uusia menetelmiä metsävaratietojen hyödyntämiseen http://www.urn.fi/urn:isbn:978-951-830-336-0 Energiapuun tehokas käsittely ja kuivuminen: Metsä työllistäjänä ja ympäristön hoitokohteena Pietikäinen Kalevi Jyväskylän ammattikorkeakoulu 2014 Julkaisun pysyvä osoite on http://urn.fi/urn:isbn:978-951-830-360-5
JAMK:n julkaisuja Opinnäytetyöt keväällä 2016 ja 2017 Antti Ruotsalainen Lentokeilausdatan käsittely ja analysointi metsän inventoinnissa. löytyy theseuksesta Antti Ruotsalainen.pdf 1 Mt https://www.theseus.fi/handle/10024/110974 Mikko Kemppinen Lennokki-LAS-datan hyödyntäminen metsänhoitotöissä http://www.theseus.fi/handle/10024/116382 Sanna Räisänen Lennokilla ja kopterilla tuotetun LAS-datan hyödyntäminen metsäalalla http://www.theseus.fi/handle/10024/132902