NUMEERISET ILMAKUVAT TAIMIKON PERKAUSTARPEEN MÄÄRITTÄMISESSÄ Selvitettiin numeeristen ilmakuva-aineistojen hyödyntämismahdollisuuksia taimikon puustotunnusten ja perkaustarpeen määrittämisessä. Tuukka Tuomola, Helsingin yliopisto Jarmo Hämäläinen, Tapio Räsänen, Raportti: Metsätehon Katsaus 24/2006 Taimikonhoidon kehittäminen ja koneellistaminen 1
Tutkimusaineisto Ilmakuvat Vuosina 2002 ja 2004 kuvattuja väri-infrakuvia Hyytiälän seudulta Skannattu digitaaliseen muotoon Mittakaavat 1:30 000, 1:8 000 ja 1:14 000 Yhden kuvapikselin kattama alue maastossa mittakaavaa vastaavasti 42 12 cm Maastossa mitattu referenssiaineisto 65 tarkasti paikannettua koealaa 25 taimikosta Taimikonhoidon kehittäminen ja koneellistaminen 2
18 Koealojen ikäjakauma 16 14 Koealoja, kpl 12 10 8 6 4 2 0 1-2 3-4 5 6 7 8 9 10 11-12 >12 Taimikon ikä, v Taimikonhoidon kehittäminen ja koneellistaminen 3
Koealojen metsätyyppijakauma 40 35 30 Koealoja, kpl 25 20 15 10 5 0 OMT MT VT CT Metsätyyppi Taimikonhoidon kehittäminen ja koneellistaminen 4
Koealojen perkaustarve 40 35 30 Koealoja, kpl 25 20 15 10 5 0 Heti 0-2 vuotta Ei Perkaustarveluokka Taimikonhoidon kehittäminen ja koneellistaminen 5
35 Havu- ja lehtipuutaimien pituus koealoilla Suora kuvaa tilannetta jolloin pituudet ovat yhtä suuret Lehtipuiden keskipituus, dm 30 25 20 15 10 5 0 0 5 10 15 20 25 30 35 Taimien keskipituus, dm Taimikonhoidon kehittäminen ja koneellistaminen 6
Ilmakuvaleikkeet ja 4 m:n korkeudelta otettu panoraamakuva vastaavasta koealasta Mk 1:14000 Esimerkkitapaus: - istutuskuusikko - istutustaimet 2,9 m - lehtipuita 15000 kpl/ha - lehtipuut 2,5 m - ei perkaustarvetta Mk 1:8000 Taimikonhoidon kehittäminen ja koneellistaminen 7
Aineiston analysointi Ilmakuvien numeerinen tulkinta Haralickin tekstuuripiirteet sekä sävyarvopiirteet Punaisena näkyvältä infrapunakanavalta Puustotunnuksia pyrittiin selittämään suoraan kuvapiirteistä sekä kuvapiirteiden ja kuviotietojen yhdistelmistä Puusto- ja kuviotietojen perusteella pyrittiin edelleen mallintamaan perkaustarvetta Taimikonhoidon kehittäminen ja koneellistaminen 8
Korrelaatiokertoimen itseisarvo 0,4 0,3 0,2 0,1 Parhaimmat tulokset 1:14000 kuvilla Tekstuurit Sävyt Tekstuurit max Sävyt max 0 1:8 000 1:14 000 1:30 000 Kuvasarja Taimikonhoidon kehittäminen ja koneellistaminen 9
0,6 0,5 0,4 0,3 0,2 0,1 0 Kuvapiirteiden ja puustotunnusten välinen korrelaatio 1:14000 kuvilla Lehtip_ppa Lehtip_tilav Lehtip_kpit Lehtip_lkm Havup_ppa Havup_tilav Havup_kpit 1 ASM 2 cont 3 corr 4 tex_var 5 idm 6 savg 7 svar 8 sentro 9 entro 10 dvar 11 dent 12 spec_avg 13 spec_std 14 spec_int Kuvapiirre Taimikonhoidon kehittäminen ja koneellistaminen 10 Korrelaatiokertoimen itseisarvo
Tulokset Ilmakuvilta ei saatu puustotunnuksia luotettavasti Taimikon perustamis- ja olosuhdetiedot paransivat havupuiden puustotunnusennusteita. Mallien selitysaste parhaimmillaan 63 70 %. Kilpailevan lehtipuuston pituuden ja tiheyden estimointi ei onnistunut kuviotietojenkaan tuella, vaan mallien selitysasteet jäivät 29-34 %:iin Eri kasvillisuusryhmien sekoittuminen kuvatulkinnan keskeinen ongelma (etenkin nuorimmissa taimikoissa) Parhaimmat tulokset saatiin 1:14 000-kuvilla. Puustotunnuksista johdetut taimikon perkaustarve-ennusteet jäivät epävarmoiksi. Taimikonhoidon kehittäminen ja koneellistaminen 11
Tulosten tarkastelu Ilmakuvilta ei saatu tarpeeksi luotettavaa informaatiota työmaasuunnittelun tueksi Taimikoiden ikä-, olosuhde- ja menetelmätietojen kytkentä kuvapiirteisiin paransi merkittävästi tulkinnan tarkkuutta Kehityssuuntana monilähteisen informaation hyödyntäminen (kaukokartoitusaineistot, kasvumallit, uudistamismenetelmä- ja olosuhdetiedot) VMI-mittauksiin yhdistetyistä satelliittikuvista saatu hiljattain lupaavia tuloksia Metlan ja Joensuun yliopiston hankkeessa. Soveltunevat etenkin selvästi viivästyneiden taimikonhoitokohteiden hakuun Laserkeilaus tulossa metsäsuunnitteluun. Metsätehossa käynnissä Helsingin Yliopiston kanssa selvitys laserkeilauksen ja ilmakuvien tuottamasta informaatiosta taimikkovaiheessa Kaukokartoitusmateriaalin hankinta pitäisi pystyä kytkemään muihin metsävaratiedon hankintatehtäviin kuten metsäsuunnitteluun, puunhankinnan suunnitteluun ja VMI:iin. Taimikonhoidon kehittäminen ja koneellistaminen 12