Segmentointimenetelmien käyttökelpoisuus



Samankaltaiset tiedostot
Uuden eläkelaitoslain vaikutus allokaatiovalintaan

Kuluttajahintojen muutokset

Mittausepävarmuus. Mittaustekniikan perusteet / luento 7. Mittausepävarmuus. Mittausepävarmuuden laskeminen. Epävarmuuslaskelma vai virhearvio?

1. Luvut 1, 10 on laitettu ympyrän kehälle. Osoita, että löytyy kolme vierekkäistä

Kansainvälisen konsernin verosuunnittelu ja tuloksenjärjestely

Mittausvirhe. Mittaustekniikan perusteet / luento 6. Mittausvirhe. Mittausepävarmuus ja siihen liittyvää terminologiaa

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

Aamukatsaus

Jaksolliset ja toistuvat suoritukset

PPSS. Roolikäyttäytymisanalyysi Tämän raportin on tuottanut: MLP Modular Learning Processes Oy Äyritie 8 A FIN Vantaa info@mlp.

Työllistääkö aktivointi?

KUVIEN LAADUN ANALYSOINTI

Tavoitteet skaalaavan funktion lähestymistapa eli referenssipiste menetelmä

Tchebycheff-menetelmä ja STEM

BL20A0600 Sähkönsiirtotekniikka

FYSA220/2 (FYS222/2) VALON POLARISAATIO

TYÖVOIMAKOULUTUKSEN VAIKUTUS TYÖTTÖMIEN TYÖLLISTYMISEEN

Tilastollisen fysiikan luennot

FDS-OHJELMAN UUSIA OMINAISUUKSIA

Sähkökiukaan kivimassan vaikutus saunan energiankulutukseen

Taustaa. Sekventiaalinen vaikutuskaavio. Päätöspuista ja vaikutuskaavioista. Esimerkki: Reaktoriongelma. Johdantoa sekventiaalikaavioon

Kynä-paperi -harjoitukset. Taina Lehtinen Taina I Lehtinen Helsingin yliopisto

Yksikköoperaatiot ja teolliset prosessit

LIGNIININ RAKENNE JA OMINAISUUDET

Ilkka Mellin (2008) 1/24

TULEVAISUUDEN KILPAILUKYKY VAATII OSAAVAT TEKIJÄNSÄ. Suomen Ammattiin Opiskelevien Liitto - SAKKI ry

Kuntoilijan juoksumalli

3.5 Generoivat funktiot ja momentit

Automaattinen 3D - mallinnus kalibroimattomilta kuvasekvensseiltä

Puupintaisen sandwichkattoelementin. lujuuslaskelmat. Sisältö:

ER-kaaviot. Ohjelmien analysointi. Tilakaaviot. UML-kaaviot (luokkakaavio) Tietohakemisto. UML-kaaviot (sekvenssikaavio) Kirjasto

Mat Lineaarinen ohjelmointi

Ilmanvaihdon lämmöntalteenotto lämpöhäviöiden tasauslaskennassa

Luento 6 Luotettavuus Koherentit järjestelmät

Hallin ilmiö. Laatija - Pasi Vähämartti. Vuosikurssi - IST4SE. Tekopäivä Palautuspäivä

Työssä tutustutaan harmonisen mekaanisen värähdysliikkeen ominaisuuksiin seuraavissa

Monte Carlo -menetelmä

3 Tilayhtälöiden numeerinen integrointi

Palkanlaskennan vuodenvaihdemuistio 2014

Työn tavoitteita. 1 Johdanto. 2 Ideaalikaasukäsite ja siihen liittyvät yhtälöt

7. Modulit Modulit ja lineaarikuvaukset.

Rahastoonsiirtovelvoitteeseen, perustekorkoon ja vakuutusmaksukorkoon liittyvät laskentakaavat ja periaatteet

Painotetun metriikan ja NBI menetelmä

Yrityksen teoria ja sopimukset

on määritelty tarkemmin kohdassa 2.3 ja pi kohdassa 2.2.

3D-mallintaminen konvergenttikuvilta

A = B = T = Merkkijonon A osamerkkijono A[i..j]: n merkkiä pitkä merkkijono A:

LASITETTUJEN PARVEKKEIDEN ÄÄNENERISTÄVYYDEN SUUNNITTELUOHJE

VATT-TUTKIMUKSIA 124 VATT RESEARCH REPORTS. Tarmo Räty* Jussi Kivistö** MITATTAVISSA OLEVA TUOTTAVUUS SUOMEN YLIOPISTOISSA

TIES592 Monitavoiteoptimointi ja teollisten prosessien hallinta. Yliassistentti Jussi Hakanen syksy 2010

Jaetut resurssit. Tosiaikajärjestelmät Luento 5: Resurssien hallinta ja prioriteetit. Mitä voi mennä pieleen? Resurssikilpailu ja estyminen

SU/Vakuutusmatemaattinen yksikkö (5)

r i m i v i = L i = vakio, (2)

Kollektiivinen korvausvastuu

Base unweighted Base weighted TK2 - TK2. Kuinka usein luette kemikaalien varoitusmerkit ja käyttöohjeet?

Tietojen laskentahetki λ α per ,15 0,18 per ,15 0,18 per tai myöhempi 0,20 0,18

A250A0100 Finanssi-investoinnit Harjoitukset

TUTKIMUKSEN VAIKUTTAVUUDEN MITTAAMINEN MAANMITTAUSTIETEISSÄ. Juha Hyyppä, Anna Salonen

MS-A0205/MS-A0206 Differentiaali- ja integraalilaskenta 2 Luento 7: Lagrangen kertojat. Pienimmän neliösumman menetelmä.

Mat Tilastollinen päättely 7. harjoitukset / Tehtävät. Hypoteesien testaus. Avainsanat:

VERKKO-OPPIMATERIAALIN LAATUKRITEERIT

SU/Vakuutusmatemaattinen yksikkö (6)

Lohkoasetelmat. Lohkoasetelmat. Lohkoasetelmat: Mitä opimme? Lohkoasetelmat. Lohkoasetelmat. Satunnaistettu täydellinen lohkoasetelma 1/4

Karttaprojektion vaikutus alueittaisten geometristen tunnuslukujen määritykseen: Mikko Hämäläinen 50823V Maa Kartografian erikoistyö

Rahastoonsiirtovelvoitteeseen ja perustekorkoon liittyvät laskentakaavat. Soveltaminen

Moderni portfolioteoria

JYVÄSKYLÄN YLIOPISTO JULKISEN JA YKSITYISEN SEKTORIN VÄLISET PALKKAEROT SUOMESSA 2000-LUVULLA

OUTOKUMPU OY 0 K MALMINETSINTA. talta.

Paikkatietotyökalut Suomenlahden merenkulun riskiarvioinnissa

Saatteeksi. Vantaalla vuoden 2000 syyskuussa. Hannu Kyttälä Tietopalvelupäällikkö

Paikkaperustaisen aluekehittämisen indeksi

Maanhintojen vikasietoisesta mallintamisesta

4. A priori menetelmät

SMG-1100: PIIRIANALYYSI I

in 2/ InHelp palvelee aina kun apu on tarpeen INMICSIN ASIAKASLEHTI

Yrityksen teoria. Lari Hämäläinen S ysteemianalyysin. Laboratorio. Teknillinen korkeakoulu

Säilörehun korjuuajan vaikutus maitotilan talouteen -lyhyen aikavälin näkökulma

MTTTP1 SELITYKSIÄ JA ESIMERKKEJÄ KAAVAKOKOELMAN KAAVOIHIN LIITTYEN

Kokonaislukuoptimointi

JYVÄSKYLÄN YLIOPISTO Taloustieteiden tiedekunta

COULOMBIN VOIMA JA SÄHKÖKENTTÄ, PISTEVARAUKSET, JATKUVAT VARAUSJAKAUMAT

VIP X1600 Verkkovideopalvelin. Asennus- ja käyttöopas

AquaPro Bedienungsanleitung Operating instructions Gebruiksaanwijzing Käyttöohje FIN Rev.0607

Vesipuitedirektiivin mukainen kustannustehokkuusanalyysi maatalouden vesienhoitotoimenpiteille Excel sovelluksena

Uuden opettajan opas

ESITYSLISTA 25/2002 vp PERUSTUSLAKIVALIOKUNTA

Mittaustulosten käsittely

Matematiikan ja tilastotieteen laitos Johdatus diskreettiin matematiikkaan (Syksy 2008) 4. harjoitus Ratkaisuja (Jussi Martin)

AMMATTIMAISTA KIINTEISTÖPALVELUA JO 50 VUODEN AJAN

Ilmari Juva. Jalkapallo-ottelun lopputuloksen stokastinen mallintaminen

Valmistelut INSTALLATION INFORMATION

VAIKKA LAINAN TAKAISIN MAKSETTAVA MÄÄRÄ ON SEN NIMELLISARVO, SIJOITTAJA VOI MENETTÄÄ OSAN MERKINTÄHINNASTA, JOS LAINA ON MERKITTY YLIKURSSIIN

KESKUSRIKOSPOLIISI, vuoden 2017 tulossopimuksen tunnusluvut

Suomen ja Ruotsin metsäteollisuuden kannattavuusvertailu v No. 47. Pekka Ylä-Anttila

Harjoituksen pituus: 90min 3.10 klo 10 12

Eräs Vaikutuskaavioiden ratkaisumenetelmä

Betoniteollisuus ry (43)

Mat Lineaarinen ohjelmointi

Mat /Mat Matematiikan peruskurssi C3/KP3-I Harjoitus 2, esimerkkiratkaisut

Epälineaaristen pienimmän neliösumman tehtävien ratkaiseminen numeerisilla optimointimenetelmillä (valmiin työn esittely)

Transkriptio:

Metsäteteen akakauskrja t e d o n a n t o Rasa Sell Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa Rasa Sell Sell, R. 00. Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa. Metsäteteen akakauskrja 3/00: 499 507. Tutkmuksen tavotteena ol selvttää automaattsten ja puolautomaattsten kuvontmenetelmen käyttökelposuutta ennakkokuvonnssa. Tutkmuksessa vertaltn vsuaalsella kuvatulknnalla, puolautomaattsella menetelmällä ja kolmella er segmentontohjelmalla automaattsest tuotettuja kuvonteja. Käytetyt segmentontohjelmat olvat 1) Helsngn ylopstolla kehtetty automaattnen Wnseg3-segmentontohjelma, ) Metsäntutkmuslatoksessa kehtetty automaattnen segmentontohjelma ja 3) Oy Arbonaut Ltd:n kehttämä puolautomaattnen Stand Delneaton Tool -segmentontohjelma. Tutkmuksessa vertaltn er menetelmllä tuotettujen kuvoden puustotunnusten homogeensuutta ja kuvorajojen sjanttarkkuutta. Puustotunnusten homogeensuuden tarkastelussa vsuaalnen ja puolautomaattnen tulknta osottautuvat yhtä hyvks menetelmks. Puolautomaattsessa menetelmässä segmentontohjelman tuottama kuvorajoja jätettn ennakkokuvontn vsuaalsta tulkntaa enemmän. Kuvorajojen sjanttarkkuus ol paras vsuaalsessa tulknnassa. Automaattset menetelmät evät tuota lopullsta kuvonta, vaan vsuaalnen tarkstus ja maastotarkstus ovat tarpeen. Asasanat: segmentont, ennakkokuvont, kuvottanen arvont, metsäsuunnttelu, ortolmakuva Yhteystedot: Metsätalouden kehttämskeskus Tapo, Sodnkuja 4, 00700 Helsnk. Sähköpost rasa.sell@tapo.malnet.f Hyväksytty 6.9.00 499

Metsäteteen akakauskrja 3/00 1 Johdanto Metsäsuunnttelu perustuu Suomessa kuvottaseen arvontn. Krttsn tekjä suunnttelun tehostamsessa on maastotyö, sllä se on akaa vevn ja sten kallen työvahe. Kuvonnn muodostamnen on yks suunntteluprosessn vahe, jossa työskentelyä vodaan tehostaa. Ennakkokuvont ptäs saada mahdollsmman lähelle lopullsta kuvonta, jotta kuvorajojen tarkstukset maastossa vodaan mnmoda. Samalla ennakkokuvonnn tekemsen automaatoastetta tuls nostaa, jollon vodaan osaltaan postaa subjektvsesta vsuaalsesta tulknnasta aheutuva kuvonten eroja er henklöden välllä. Teollsuuden konenäkösovelluksn kehtetyllä numeerseen kuvatulkntaan perustuvlla segmentontmenetelmllä on havattu olevan hyvät soveltamsmahdollsuudet myös metsätaloudessa numeersten kaukokartotusanestojen käytön ylestyessä. Automaattset ta puolautomaattset segmentontmenetelmät ovat tulevasuudessa mahdollsa metskkökuvonnn työkaluja. Automaattsessa kuvatulknnassa tetokone tunnstaa ja luokttelee kuvalla näkyvät kohteet nden sävyarvon, sjannn ta naapuruston ja taustatetämyksen perusteella. Automaattsen tulknnan tulokseen vodaan vakuttaa parametreja säätämällä. Automaattnen kuvatulknta on kutenkn varsn herkkä kuvan laadulle. Puolautomaattsessa kuvatulknnassa hyödynnetään automaattsen ja vsuaalsen tulknnan omnasuuksa. Tetokone tekee automaattsen estulknnan, jonka jälkeen hmnen tekee vsuaalsen tarkastuksen ja muokkauksen. Puolautomaattsessa tulknnassa hmnen vo mm. postaa kuvan mahdollsesta hekosta laadusta aheutuva vrhetä, lsätä koneen havatsemattoma kohteta ja kästellä varjokohdat oken. Tutkmuksen tavotteena ol selvttää automaattsten ja puolautomaattsten kuvontmenetelmen käyttökelposuutta ennakkokuvonnssa. Tutkmuksessa vertaltn vsuaalsella kuvatulknnalla, puolautomaattsella menetelmällä ja kolmella er segmentontohjelmalla automaattsest tuotettuja kuvonteja. Käytetyt segmentontohjelmat olvat: 1) Helsngn ylopstolla kehtetty automaattnen Wnseg3-segmentontohjelma (Karjalanen 1996) ) Metsäntutkmuslatoksessa kehtetty automaattnen Tedonanto segmentontohjelma (Pekkarnen 001) ja 3) Oy Arbonaut Ltd:n kehttämä puolautomaattnen Stand Delneaton Tool -segmentontohjelma (Handbook for 00). Muta kehtettyjä segmentontohjelma ovat mm. ecognton (Hoeltje 001) ja Feature Analyst (Vanderzanden 00). Segmentonnlla tarkotetaan kuvan jakamsta spataalsest jatkuvn ja tosensa possulkevn osa-aluesn, jotka ovat tettyjen omnasuuksen, esmerkks sävyarvojen ta tekstuurn, suhteen homogeensa (Gonzales ja Woods 1993). Tutkmuksessa käytetyssä ohjelmssa kuvan automaattnen segmentont perustuu kaksvaheseen menetelmään. Ensmmäsessä vaheessa tuotetaan paljon penä kuvota ssältävä alustava segmentont. Tämän jälkeen segmenttejä yhdstetään suuremmks kokonasuuksks aluepohjaslla segmentontmenetelmllä, jotka perustuvat alueden samankaltasuuden mttaamseen tlastollsen päättelyn ta verekkästen alueden sävyarvojen keskarvon ja hajonnan sääntöpohjasen päättelyn avulla. Alueden yhdstämstä ohjataan kakssa tutkmuksessa käytetyssä ohjelmssa lsäks alueden kokorajotusten avulla. Metsäntutkmuslatoksessa kehtetyssä ja Stand Delneaton Tool -ohjelmssa alustavat segmentt tuotetaan reunavvapohjaslla menetelmllä, jossa tavotteena on erottaa reunapkseleks ne pkselt el kuva-alkot, joden sävyarvo muuttuu naapurpkseln haluttua kynnysarvoa enemmän (Jan ym. 1995). Wnseg3-ohjelmassa alustavat alueet tuotetaan K- means-algortmn perustuvan klusteronnn avulla (Tokola ym. 1998). Anesto ja menetelmät.1 Anesto Tutkmusalue sjatsee Hyytälässä (61 49 P, 4 18 I) Juupajoen kunnassa. Tutkmusalueen koko on 63,5 ha. Alueelta oleva tutkmuksessa käytetty orto-okastu vär-nfralmakuva on kuvattu kesäkuussa 1999. Kuvausmttakaava on 1:30 000, ja kuvan maastoresoluuto on non 0,8 meträ. Er menetelmllä tuotettujen kuvoden homogee- 500

Sell Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa nsuuden määrttämsessä käytettn alueelta kesän 1999 akana mtattuja 355 maastokoealaa, jotka on pakannettu GPS-satellttpakantmella. Kuvonten vertalua varten alueelle tehtn lsäks henäkuussa 000 referensskuvont, jonka kuvorajosta non kolmasosa on pakannettu GPS-latteella koealamttausten yhteydessä. Loput kuvorajat dgtotn ortolmakuvan avulla mahdollsmman tarkast kohdalleen. Kakk referensskuvonnn kuvorajat tarkstettn maastossa huolellsest. Tutkmusalueelle tehtn vs erlasta kuvonta: 1) Wnseg3-ohjelmalla automaattsest tuotettu kuvont (Wnseg3) ) Metsäntutkmuslatoksessa kehtetyllä ohjelmalla automaattsest tuotettu kuvont (APseg) 3) Stand Delneaton Tool -ohjelmalla automaattsest tuotettu kuvont (SDT) 4) metsäsuunntteljan vsuaalsella tulknnalla tekemä kuvont Xforestlla kuvaruutudgtontna (Msuun vsu) ja 5) metsäsuunntteljan puolautomaattsest SDT-ohjelmalla tekemä kuvont (Msuun SDT). Tuotettaessa kuvonteja er menetelmllä krteernä ol, että kuvomäärän tul olla mahdollsmman lähellä referensskuvonnn kuvomäärää. Wnseg3- ja SDT-ohjelmlla tuotetut kuvorajat tasotettn kysesten ohjelmen ssällä olevalla splne-funktolla. APseg-ohjelma e ssällä kuvorajojen tasotustomntoa, mnkä taka kysesellä ohjelmalla tuotetut kuvorajat tasotettn ARC/INFO-ohjelmstossa olevalla splne-funktolla. Aneston tarkemp kuvaus on julkasussa Sell (001).. Kuvonten vertalumenetelmät..1 Puustotunnusten vahtelu, varanssanalyys Kuvoden homogeensuutta tarkasteleva menetelmä perustuu havantoanestossa esntyvän kokonasvahtelun jakamseen kuvoden ssäseen ja välseen vahteluun. Vahtelun suuruutta kuvataan nelösummen SS total, SS wthn ja SS between avulla (SS total = SS wthn + SS between ). Nelösummat määrtetään ha vantoaneston pohjalta seuraavast (Ranta ym. 1997): k n ( j ) SS total = x x SS wthn = x x j k n ( j ) SS between = n x x k j ( ) mssä k = kuvoden lukumäärä n = koealahavantojen lukumäärä kuvolla x j = kuvon koealahavanto j x = koealahavantojen keskarvo koko alueella x = koealahavantojen keskarvo kuvolla () 1 ( ) () 3 Varsnasena mttaussuureena käytettn tavallsesta regressoanalyysn seltysasteesta johdettua tunnuslukua, joka kuvaa kuvonnn selttämää osuutta kokonasvahtelusta. Kuvonnn onnstuessa kuvoden välnen vahtelu on suurta ja kuvoden ssänen vahtelu mahdollsmman pentä. Käytetty seltysaste R adj laskettn seuraavast (Lapp 1993): R SS = SS adj 1 wthn total ( ) ( ) / n k / n 1.. Puskurvyöhykemenetelmä Tapa 1 ( 4) Tarkasteltaven kuvonten kuvorajojen ympärlle tehtn er levysä puskurvyöhykketä (Bolstad ja Smth 199). Tämän jälkeen laskettn kysesten vyöhykkeden ssälle osuva osuus (VA 1 ) referensskuvonnn kuvorajavvasta seuraavast: VA 1 Rk = R * 100 ( 5) t mssä R k = tarkasteltavalle kuvonnlle tehdyn tetyn levysen puskurvyöhykkeen ssälle osuvan referensskuvonnn kuvorajavvan ptuus (m) R t = referensskuvorajavvan ptuus (m) koko alueella 501

Metsäteteen akakauskrja 3/00 Tedonanto..3 Kelvollsten kuvorajojen määrtys Tämä osuus kertoo, kunka suurelle osalle referensskuvonnn kuvorajavvasta löytyy vastnkuvorajaa er kuvonnessa er tarkkuusvaatmukslla el kunka suuren osuuden referensskuvonnn kuvorajosta er menetelmät pystyvät lmakuvalta löytämään. Menetelmää on havannollstettu kuvassa 1. Tapa Referensskuvonnn kuvorajojen ympärlle tehtn er levysä puskurvyöhykketä, mnkä jälkeen laskettn kysesten vyöhykkeden ssälle osuva osuus (VA ) tarkasteltavan kuvonnn kuvorajavvasta seuraavast: VA Tk = T * 100 ( 6) t Segmentontohjelmalla tuotetulle kuvonnlle tehty 10 m:n puskurvyöhyke Referensskuvont Kuva 1. Puskurvyöhykemenetelmän peraate. mssä T k = referensskuvonnlle tehdyn tetyn levysen puskurvyöhykkeen ssälle osuvan tarkasteltavan kuvonnn kuvorajavvan ptuus (m) T t = vastaavan tarkasteltavan kuvonnn kuvorajavvan ptuus (m) koko alueella Tämä osuus kertoo, kunka suur osuus tarkasteltavan kuvonnn kuvorajosta on käyttökelposta anestoa kuvonnssa er tarkkuusvaatmukslla. Automaattsest tuotettujen kuvorajojen kelvollsuuden määrttämseks metsäsuunnttelja valts er segmentontohjelmlla automaattsest tuotetusta kuvonnesta melestään kelvollset kuvorajat ortolmakuvan ja peruskartan avulla. Krteernä ol valta ne kuvorajat, jotka metsäsuunnttelja hyväksys sellasenaan metsäsuunntelman kuvokarttaan. Kelvollsten kuvorajojen osuus K er kuvonnessa laskettn seuraavast: k t K = K K * 100 ( 7) mssä K k = kelvollsen kuvorajavvan ptuus (m) tarkasteltavassa kuvonnssa K t = kuvorajavvan kokonasptuus (m) tarkasteltavassa kuvonnssa 3 Tulokset 3.1 Kuvonten ylestetoja Taulukkoon 1 on koottu er menetelmllä tehtyjä kuvonteja koskeva ylestetoja. Tuotettaessa kuvonteja er menetelmllä krteernä ol, että kuvomäärän tul olla mahdollsmman lähellä referensskuvonnn kuvomäärää. Tavote saavutettn varsn hyvn muden kuvonten pats metsäsuunntteljan puolautomaattsest tekemän Taulukko 1. Er menetelmllä tuotettuja kuvonteja koskeva ylestetoja. Lkm Keskkoko Mn Max Vvaa (ha) (ha) (ha) (m) Wnseg3 51 1,5 0,51 3,8 14 391 APseg 50 1,7 0,0 6,6 17 039 SDT 48 1,3 0,15 10,11 14 997 Msuun vsu 46 1,38 0,1 6,5 10 674 Msuun SDT 70 0,91 0,15 3,96 15 436 Referenss 48 1,3 0,14 7,47 1 157 50

Sell Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa Wnseg3 APseg SDT Msuun vsu Msuun SDT Referenss Kuva. Er kuvonteja koskevat R adj -arvot puuston keskläpmtalle ja keskptuudelle. R adj R adj Wnseg3 APseg SDT Msuun vsu Msuun SDT Referenss Kuva 3. Er kuvonteja koskevat R adj -arvot puuston pohjapnta-alalle ja tlavuudelle. kuvonnn kohdalla. Automaattsest tuotetussa kuvonnessa mnmkuvokoko määrteltn parametrn avulla. Wnseg3-ohjelmassa kuvonttulos rppuu hyvn ptkälle kuvon mnmkokoparametrn arvosta, mnkä taka parametrn arvo ol asetettava varsn suureks (0,5 ha), jotta haluttu kuvomäärä saavutettn. Mussa segmentontohjelmssa mnmkuvokoko votn asettaa rttävän peneks (0,15 0, ha). Suurn kuvokoko ol usessa kuvonnessa yl 6 hehtaarn suurunen, mkä johtuu suurelta osn tutkmusalueen luonteesta. Tutkmusalueesta suurn osa ol melko homogeensta uudstuskypsää puustoa, jonka kuvont ol varsn vakeaa. Automaattslla kuvontohjelmlla tuotetussa kuvonnessa ol selväst enemmän kuvorajavvaa kun vsuaalsest tuotetussa ja referensskuvonnssa (taulukko 1). Automaattslla kuvontohjelmlla tuotetut kuvorajat olvatkn yleensä mutkasempa, mkä johtu pääasassa pkselettäsestä ta pkselryhmttäsestä tarkastelutavasta. 3. Puustotunnusten vahtelu Varanssanalyystarkastelussa vsuaalnen ja puolautomaattnen tulknta osottautuvat kuvoden homogeensuuden suhteen yhtä hyvks menetelmks (kuvat ja 3). Seltysaste läpmtan osalta 503

Metsäteteen akakauskrja 3/00 Tedonanto Puskurvyöhykkeen ssällä oleva osuus referenssvvasta (%) Kuva 4. Er menetelmllä tuotetulle kuvonnelle tehtyjen puskurvyöhykkeden ssälle osuva osuus (%) referenssvvan ptuudesta (tapa 1). ol kummassakn kuvonnssa non 0,69. Täysn automaattsest tuotetut kuvonnt johtvat jonkn verran hekompn tuloksn, tosn APseg-kuvonnssa päästn useden tunnusten kohdalla varsn lähelle kahden edellä mantun kuvonnn tasoa. Hekommat seltysasteet ol automaattsest tuotetulla SDT-kuvonnlla (läpmtan osalta 0,56). Referensskuvonnlla saavutettn selväst paras tulos kaklla tunnukslla lukuun ottamatta pohjapnta-alaa. Maastotarkstus on sten kuvonnssa ana tarpeellnen. 3.3 Puskurvyöhykemenetelmä Puskurvyöhykemenetelmässä tapaa 1 käytettäessä tarkasteltavlle kuvonnelle tehtyjen 0 metrn puskurvyöhykkeden ssälle mahtu er kuvonnessa 78 88 % referenssvvasta (kuva 4). Jäljelle jäävä 1 % on se osuus referensskuvonnn kuvorajosta, jota er menetelmät evät ole pystyneet lmakuvalta löytämään. Non puolet referensskuvonnn kuvorajosta löyty käytettäessä 7,5 metrn puskurvyöhykettä. Puskurvyöhykkeen leveydet kuvaajssa ovat leveyksä yhteen suuntaan vyöhykkeen keskvvasta el kuvorajasta. Esmerkks leveys 5 m tarkottaa 5 meträ kumpaankn suuntaan vyöhykkeen keskvvasta, jollon puskurvyöhykkeen kokonasleveys on 10 meträ. Parhammat tulokset anto puskurvyöhykemenetelmässä tavalla 1 puolautomaattsest tehty Msuun SDT -kuvont kapempa puskurvyöhykketä lukuun ottamatta. Kapemmlla puskurvyöhykeleveyksllä parhaat tulokset saavutettn Msuun vsu -kuvonnlla, el kuvorajojen sjanttarkkuus on vsuaalsessa tulknnassa hyvä. Msuun vsu -kuvonnn tulokset hekkenvät kutenkn varsn jyrkäst leveämmllä puskurvyöhykkellä, mkä kertoo stä, että vsuaalsessa tulknnassa osa todellssta kuvorajosta jä löytymättä. Näden kuvorajojen löytämnen jää maastotarkstuksen varaan. Automaattsest tuotetusta kuvonnesta tarkmmn referensskuvonnn kuvorajat löys APseg-segmentontohjelma. Tosn ero SDT:n tuloksn ol keskmäärn van,0 %-ykskköä. Hekommn referensskuvonnn kuvorajat löys Wnseg3-ohjelma. Tavalla selväst parhammat tulokset kaklla puskurvyöhykeleveyksllä anto Msuun vsu -kuvont (kuva 5). Ero parhaaseen täysn automaattsest tehtyyn kuvontn ol keskmäärn 1,7 %-ykskköä ja Msuun SDT -kuvontn 9,9 %-ykskköä. Vsuaalsest tulkttujen kuvorajojen käyttökelposuus kuvonnssa er tarkkuusvaatmukslla on sten huomattavan korkea muhn menetelmn verrattuna. 504

Sell Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa Puskurvyöhykkeen ssällä oleva osuus (%) Kuva 5. Referensskuvonnlle tehtyjen puskurvyöhykkeden ssälle osuva osuus (%) er menetelmllä tuotettujen kuvonten kuvorajavvan ptuudesta (tapa ). Automaattset työkalut tuottavat puolestaan herkemmn myös ylmääräsä kuvorajoja, jotka vodaan postaa maastotarkstuksen yhteydessä. Tulosten perusteella automaattslla ohjelmlla tuotettujen kuvorajojen käyttökelposuusaste ol suurn SDTkuvonnssa. Ero APseg-kuvontn ol keskmäärn 3,0 %-ykskköä. Penn käyttökelposten rajojen osuus ol Wnseg3-kuvonnssa, johon SDT-kuvonnssa ol eroa keskmäärn 4,4 %-ykskköä. 3.4 Kelvollsten kuvorajojen määrtys Käyttökelposten kuvorajojen osuutta määrtettäessä APseg- ja SDT-kuvonnt osottautuvat non 10 %-ykskköä paremmks kun Wnseg3-kuvont (taulukko ). Parhamman tuloksen anto SDT-kuvont, jonka kuvorajosta 65 % votasn hyväksyä sellasenaan kuvokarttaan. Täysn automaattsest tuotettu kuvont vaat sten velä varsn paljon manuaalsta korjalua. 4 Tulosten tarkastelu Automaattset segmentontmenetelmät evät tuota lopullsta kuvonta, joten vsuaalnen tarkstus ja Taulukko. Kelvollsen kuvorajavvan osuus automaattsest tuotetussa kuvonnessa. Kelv. (m) Kuvorajaa yht. (m) % Wnseg3 7 61 14 397 5,9 APseg 10 57 17 044 6,0 SDT 9 773 14 995 65, maastotarkstus ovat tarpeen. Automaattslla menetelmllä löydetään selvät kuvorajat luotettavast lukuun ottamatta varjojen vakutusta. Segmentontohjelmat muodostavat tummsta varjoaluesta joko oman kuvonsa ta yhdstävät ne suuremppuustoseen kuvoon. Myös tet vovat muodostua omks kuvokseen. Segmentontohjelmat evät myöskään pysty erottamaan lmakuvalta turve- ja kangasmata, jotka käytännön kuvonta tehtäessä erotetaan omks kuvokseen. Segmentonnn ohjauksessa tuls pystyä hyödyntämään lmakuvan ulkopuolsta karttatetoa rajottamalla segmentten muodostumsta mm. suomaskn ja teaneston avulla. SDTohjelmassa peruskarttaa on mahdollsta hyödyntää taustakuvana kuvorajojen muokkaamsessa käsn. Automaattsen tulknnan hekkouksa vodaan käytännön kuvonnssa postaa soveltamalla ns. puolautomaattsta menetelmää, jossa automaatt- 505

Metsäteteen akakauskrja 3/00 sest tuotettua estulkntaa vodaan muokata käsn. Tällä hetkellä psmmälle kehtetty puolautomaattnen kuvontohjelma on tässä tutkmuksessa käytetty Stand Delneaton Tool -ohjelma, joka on tässä tutkmuksessa käytetystä ohjelmsta anoa kaupallnen ohjelma. Tulosten perusteella vsuaalnen ja puolautomaattnen menetelmä osottautuvat kuvoden ssäsen homogeensuuden suhteen yhtä hyvks menetelmks. Puolautomaattsessa menetelmässä tetokoneen tuottama kuvorajoja jätetään ennakkokuvontn vsuaalsta tulkntaa enemmän, koska hmnen luottaa helpost tetokoneen kykyyn löytää rajoja ja on tällön näkevnään eroja puuston rakenteessa rajan er puollla varsn homogeensllakn aluella. Vsuaalsessa tulknnassa nätä rajoja e usenkaan erota ta rajojen tarkan sjannn määrttämnen vahettumsaluella on vakeaa, jollon kuvorajan olemassaolon selvttämnen jää maastotyön varaan. Vsuaalsen tulknnan kuvorajojen sjanttarkkuus osottautu muta menetelmä paremmaks. Automaattsten kuvontohjelmen hyödyt tulevat eslle etenkn tehtäessä kuvonta suurlle aluelle, koska automaattset menetelmät pystyvät erottamaan selvät kuvorajat nopeast lman hmstyötä. Penllä aluella automaattsuuden nopeushyöty jää vähäseks. Täysn automaattslla segmentontmenetelmllä tullaan tuskn velä ptkään akaan tuottamaan lopullsta kuvonta. Puolautomaattnen menetelmä on sen sjaan varteen otettava vahtoehto ennakkokuvonnssa vsuaalsen kuvatulknnan ja vanhojen kuvorajojen hyödyntämsen rnnalla. Puolautomaattsen menetelmän käyttöönotto metsäsuunnttelussa rppuu oleellsest mahdollssta menetelmän tuottamsta kustannussäästöstä. Er kuvontmenetelmen tuottavuusvertalu e ollut tämän tutkmuksen tavotteena, mutta käyttökokemuksen perusteella vodaan arvoda, että hyvn tomvalla kuvontohjelmalla ennakkokuvonnn nopeus vodaan vähntäänkn kaksnkertastaa vsuaalseen tulkntaan verrattuna. Puolautomaattset kuvontmenetelmät tarjoavat hyvän vahtoehdon ennakkokuvontn etenkn sllon, kun vanhojen kuvorajojen sjanttarkkuus on rttämätön, alueella on tehty paljon hakkuta ta vanhaa kuvoraja-anestoa e ole saatavssa. Ktokset Tedonanto Tämä tutkmus on osa Metsätalouden kehttämskeskus Tapon ja metsäkeskusten yhtestä vuonna 000 toteutettua metsäsuunnttelun tehostamsprojekta. Tutkmus on tehty pro gradu -työnä Helsngn ylopston metsävarojen käytön latokselle. Työn ohjaajna ovat tomneet MMM Rato Paananen ja FT, MML Janne Uuttera Taposta. Arvokasta apua on Taposta antanut myös MMM Esa Ärölä. Merkttävän panoksen tutkmuksen tekemseen ovat antaneet tutkmuksessa käytettyjen segmentontohjelmen kehttäjät MMM Anss Pekkarnen Metsäntutkmuslatoksesta, Oy Arbonaut Ltd:n/ Falcon Informatcs Inc:n henklökunta, ertysest MMM Mkko Lehkonen, sekä MMM Jorma Karjalanen, jolta olen saanut arvokasta tetoa ohjelmen käyttöön ja ssältöön lttyen. Työn edstymseen on vakuttanut lsäks useamp henklö Helsngn ylopston metsävarojen käytön latokselta. Tutkmusaneston hanknnassa san hyödyntää MML Jyrk Kovunemen koealamttauksa. MMM Juss Rasnmäk on puolestaan auttanut kehttämänsä MapInfo-pohjasen ohjelman muokkaamsessa tarpetan vastaavaks. Lämpmät ktoksen edellä mantulle henklölle ja kaklle mulle, jotka ovat edesauttaneet työn edstymstä. Krjallsuus Bolstad, P. & Smth, J. 199. Errors n GIS. Assessng spatal data accuracy. Journal of Forestry. November 199. Gonzales, R.C. & Woods, R.E. 1993. Dgtal mage processng. Addson-Wesley Publshng Company. Handbook for the Stand Delneaton Tool / Falcon forest assessment and classfcaton tools. 00. Copyrght 00 Falcon Informatcs Inc. USA. Hoeltje, A. 001. ecognton: advanced mage understandng for land-use classfcaton. Teoksessa: Maanmttauspävät. Laht, Fnland, 15. 16.3.001. s. 1 3. Jan, R., Kastur, R. & Schunck, B. G. 1995. Machne vson. Computer Scence Seres. Karjalanen, J. 1996. Automaattnen metskkökuvoden rajaus monlähteseen tetoon perustuen. Helsngn 506

Sell Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa ylopston metsävarojen käytön latos. Monste. Lapp, J. 1993. Metsäbometran menetelmä. Slva Carelca 4. Joensuun ylopsto, metsäteteellnen tedekunta. Pekkarnen, A. 001. Image segment-based spectral features n the estmaton of tmber volume. Submtted to Remote Sensng of Envronment. Ranta, E., Rta, H. & Kouk, J. 1997. Bometra: tlastotedettä ekologelle. 6. panos. Ylopstopano, Helsnk. Sell, R. 001. Segmentontmenetelmen käyttökelposuus ennakkokuvonnssa. Metsänarvomsteteen pro gradu -tutkelma. Helsngn ylopsto, metsävarojen käytön latos. Tokola, T., Hyppänen, H., Mna, S., Vesa, L. & Anttla, P. 1998. Metsän kaukokartotus. Slva Carelca 3. Joensuun ylopsto, metsäteteellnen tedekunta. Vanderzanden, D. 00. ArcVew software s feature analyst extenson: a Forest Servce beta test. Abstract of Conference, Proceedng of ESRI Internatonal User Conference 8. 1.7.00, San Dego, USA. 1 vtettä 507