Metsätietee aikakauskirja t u t k i m u s a r t i k k e l i Matti Närhi, Matti Maltamo, Petteri Packalé, Heli Peltola ja Jae Soimasuo Matti Närhi Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie laserkeilaukse ja metsäsuuitelmatietoje avulla Närhi, M., Maltamo, M., Packalé, P., Peltola, H. & Soimasuo, J. 2008. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie laserkeilaukse ja metsäsuuitelmatietoje avulla. Metsätietee aikakauskirja 1/2008: 5 15. Matti Maltamo Petteri Packalé Heli Peltola Taimikohoido tarve määritetää periteisesti maastoivetoiilla, joka o kuiteki hidasta ja kallista. Viime aikoia oki pohdittu mahdollisuutta hyödytää kaukokartoitusmateriaaleja taimikohoitotarpee määrittämisessä. Tämä tutkimukse tavoitteea oli selvittää laserkeilaukse soveltuvuutta varttueide kuuse taimikoide ivetoitii ja taimikohoitotarpee määrittämisee. Tutkimuksessa hyödyetty maastoaieisto mitattii Pohjois-Savossa Sokajärve kua alueella ja se koostui yhteesä 25 taimikosta ivetoidusta 195 koealaryppäästä. Kaukokartoitusmateriaalia käytettii pistetiheydeltää 0,5 pulssia per eliömetri olevaa laserpisteaieistoa. Laserpisteaieisto tuuksilla ja metsätaloussuuitelmatiedoilla eustettii lieaarisilla sekamalleilla koealoje puustoje keskipituutta ja tiheyttä. Taimikohoido kiireellisyysluokitus tuotettii sekä lieaarisella erotteluaalyysillä käyttäe selittäjiä suoraa lasertuuksia että luokittelemalla, jolloi hyödyettii laadittuja malleja puusto tiheydestä ja pituudesta. Laskettuja estimaatteja verrattii maastossa mitatuille koealoille tehtyy taimikohoido kiireellisyysluokituksee virhematriisi avulla. Taimikohoido kiireellisyysluokittelu oistui hiema paremmi suoralla erotteluaalyysillä (oikeiluokitusprosetti 71,8 %) verrattua sekamalleihi perustuvie puusto pituus- ja tiheysestimaattie käyttöö luokittelussa (oikeiluokitusprosetti 69,2 %). Tulokset atavat viitteitä siitä, että laserkeilausta voitaee tulevaisuudessa hyödytää myös varttueide taimikoide ivetoitii ja taimikohoido kiireellisyyde määrittämisee. Asiasaat: Lidar, Picea abies, varttueet taimikot, toimepidetarve, taimikot Yhteystiedot: Närhi ja Soimasuo, Metsämaut Oy, PL 314, 33101 Tampere; Maltamo, Packalé ja Peltola, Joesuu yliopisto, metsätieteellie tiedekuta, PL 111, 80101 Joesuu. Sähköposti matti. maltamo@joesuu.fi Hyväksytty 5.12.2007 Jae Soimasuo
Metsätietee aikakauskirja 1/2008 1 Johdato Tutkimusartikkeli Metsäuudistamise tavoitteea o saada aikaa elivoimaie, riittävä tiheä ja hyvälaatuie ja kasvupaikalle kasvatettavaksi soveltuvista puulajeista koostuva taimikko sekä turvata se kasvuedellytykset. Tämä metsäkasvatukse yksi tärkeimmistä vaiheista määrää pitkälti metsikö kehitykse kiertoaja kuluessa. Toisaalta, metsä uudistamise tuloksea sytyvä taimiko hoidosta o myös huolehdittava, jotta pystytää turvaamaa tuotatopuusto kasvuedellytykset ja hyvä laatukehitys sekä esiharveukse kaattavuus. Uudistamise oistumie ja taimikohoidosta huolehtimie turvaavat pitkällä aikavälillä metsie taloudellise kestävyyde lisäksi myös metsie ekologise ja sosiaalise kestävyyde (Hyvä metsähoido 2006). Taimikohoidotarpee määritykse tueksi tarvitaa tietoja taimiko tiheydestä ja puulajisuhteista sekä tilajärjestyksestä. Taimiko ivetoiissa o periteisesti käytetty muu muassa maastomittauksii perustuvaa ollaruutumeetelmää ja sekvessiotataa (Kagas ym. 2003). Suurie metsäpitaaloje maastossa tehtävä ivetoiti o kuiteki hidasta ja kallista, mikä vuoksi o viime aikoia selvitetty vaihtoehtoiste ja kustaustehokkaampie ivetoitimeetelmie käyttömahdollisuuksia. Esimerkiksi Pesoe ym. (2007) ovat tutkieet taimikohoitotarpee määrittämistä lehtipuusto osuude perusteella alle 11 metriä valtapituutta edustavilla metsikkökuvioilla muodostamalla karttataso, jossa VMI: maastokoealoje tiedot yhdistettii Ladsat TM -satelliittikuvii. Pesose ym. (2007) maastoaieisto käsitti koealaivetoii 83 kuviolta, mikä lisäksi aieistoa täydeettii metsähoitosuuitelmie perusteella valituilla 42 hoitotarpeisella kuviolla. Taimikohoitotarpee kiireellisyyde oikeiluokitus oistui Pesose ym. (2007) mukaa kiveäismailla 62 prosettisesti, se sijaa turvemailla tulos ei ollut yhtä hyvä. Ogelmia tuottivat myös joideki kuvioide tiheä aluskasvusto ja reuapuide varjostus. Tätä meetelmää tutkittii, jotta valtio myötämiä uore metsä hoitoo tarkoitettuja varoja voitaisii markkioida ykyistä tehokkaammi metsäomistajille. Vastaavasti Tuomola (2007) o selvittäyt umeeriselta ilmakuvalta irrotettavie sävy- ja tekstuuripiirteide soveltamista havupuutaimikkokuvioide perkaustarpee määrittämisee (aieistoa 25 taimikkokuviolta mitatut 65 ympyräkoealaa). Hä muodosti kuvapiirteistä sekä kuvapiirteide ja metsikkötuuste yhdistelmistä esi taimiko puustotuuksille lieaarisia regressiomalleja, joita sitte käytettii logistisissa regressiomalleissa taimiko perkaustarpee eustamisee. Tuomola (2007) mukaa lähestymistapa, jossa käytetää yhdessä umeerisilta ilmakuvilta irrotettavia kuvapiirteitä ja metsäsuuittelutietoja taimiko omiaisuuksie estimoitii ja edellee perkaustarpee määrittämisee, ei äyttäisi toimiva riittävä hyvi taimikohoido ajakohda määrittämisee. Toisaalta meetelmä, jossa yhdistetää ilmakuva- ja laserkeilausaieistoa saattaisi Tuomola (2007) mukaa olla varteeotettava lähestymistapa taimiko perkaustarpee estimoimiseksi. Verrattua periteisii optisii kaukokartoitusmeetelmii, laserkeilaus o aktiivie kaukokartoitusmeetelmä, jota tehdää yleesä letokoeesta tai helikopterista käsi. Se perustuu laserkeilaime lähettämii valopulsseihi, jotka mittaavat etäisyyde kohteesee ajassa. Koska valo opeus, laserkeilaime tarkka paikka ja pulssi lähetyssuuta tuetaa jokaiselle pulssille, voidaa määrittää koordiaatti (XYZ), jossa pulssi kohtaa maa pia tai esimerkiksi puu latvukse. Metsie kartoituksessa ollaa yleesä kiiostueita pulssie korkeuksista suhteessa maapia tasoo. Tällöi esimmäie vaihe o muodostaa laseraieistosta maapia korkeusmalli (DTM, Digital Terrai Model) joka väheetää alkuperäisistä ellipsoidi- tai ortometrisistä korkeuksista. Maapia tasoo suhteutetut korkeus- ja tiheyshavaiot mahdollistavat metsikö puustotuuste eustamise. Ivetoititiedo tuottamismeetelmät laserkeilaiaieistosta voidaa jakaa kahtee lähestymistapaa: aluepohjaiset meetelmät ja yksipuitulkita. Aluepohjaisessa tulkiassa käytetää laserpisteide korkeus- ja tiheysjakaumia eustamaa puustotuuksia koeala-, mikrokuvio- tai kuviotasolla. Yksipuitulkiassa taas pyritää tuistamaa yksittäiset puut hahmotuistuksella, eustamaa puutaso tuukset jokaiselle puulle ja lopuksi koostamaa metsikkö yksittäisistä puista. Aluetaso tulkita edellyttää regressiomallie tai vaihtoehtoisesti ei-parametriste meetelmie hyödytämistä. Regressiotekiikkaa laserkeilauk
Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie se metsäsovelluksissa o eite käytetty ja tutkittu Norjassa (Næsset ja Bjerkes 2001, Næsset 2004, Næsset ym. 2004). Suomessa o puolestaa käytetty ii regressiotekiikkaa kui myös ei-parametrisia malleja (Suvato ym. 2005, Maltamo ym. 2006, 2007, Packalé ja Maltamo 2006, 2007). Aluepohjaiste lasertulkitameetelmie eräs vahvuus o se, että käyttö ei vaadi kovikaa tiheää laserpisteaieistoa, vaa esimerkiksi alle yksi pulssi eliömetrille riittää (Næsset 2004, Suvato ym. 2005). Tämä vuoksi regressiomeetelmä o operatiivisee käyttöö toistaiseksi halvempi kui tiheä laserpulssitiheyde vaativa yksipuitulkita (esim. Maltamo ym. 2004). Yksipuitulkita ei myöskää aiakaa vielä oistue uorissa ja käsittelemättömissä metsissä, joissa tiheydet ovat suuria ja puut yleesä pieikokoisia. Viimeise 10 15 vuode aikaa o tehty useita laserkeilauksee perustuvia ivetoiteja uorte ja varttueide kasvatusmetsie (valtapituus > 10 m) puustotuuste eustamiseksi. Næsseti ja Bjerkesi (2001) Norjassa tehdyssä tutkimuksessa o saatu lupaavia tuloksia myös taimikoide (joissa valtapituus < 6 m) tiheyde ja puusto pituude määrittämisestä laserkeilaukse avulla. Suomessa tähäastiset laserkeilausivetoiit o tehty lähiä tutkimuskäyttöä varte, ku taas Norjassa käytäö metsäivetoiteja o tehty laserkeilaukse avulla jo vuodesta 2002 lähtie (Næsset ym. 2004). Tämä tutkimukse tavoitteea o selvittää mite luotettavasti laserkeilaukse ja metsäsuuitelmatietoje avulla o mahdollista määrittää varttueissa kuuse taimikoissa (puusto valtapituude ollessa 2 8 metriä) puusto pituus ja tiheys sekä voidaako iide avulla määrittää riittävä luotettavasti taimikohoitotarve ja se kiireellisyys. Taimiko tiheyde ja puusto pituude määrittämisee käytetää sekamalleja ja taimikohoitotarpee kiireellisyysluokitus tehdää joko suoraa laserpisteaieisto ja metsäsuuitelmatietoje avulla erotteluaalyysillä tai laadittuje sekamallie perusteella lasketuilla puustotuusestimaateilla. Taimikohoitotarpee kiireellisyys määritellää kolmeportaisella luokituksella (heti, 5 vuode kuluessa ja ei hoitotarvetta) riippue taimiko tiheydestä ja puusto pituudesta. 2 Aieisto ja meetelmät 2.1 Tutkimusaieisto maastoivetoiti ja laserkeilaus Tutkimukse maastoaieisto sijaitsi Metsämaut Oy: hallioima Suome metsäsijoitus Oy: ja Metsähallitukse omistamilla mailla Pohjois-Savossa Sokajärve kua alueella. Maastokoealoje mittaukset suoritettii heiä- ja elokuussa 2006. Tutkimusaieistoo otettii mukaa e taimikot, joide pääpuulaji oli kuusi, kasvupaikka vähitää tuore kagas ja valtapituus yli kaksi metriä. Valtapituudeltaa alle kahde metri taimikoita ei sisällytetty tutkimuksee se vuoksi, että laserkeilauksessa maapia tausta- ja pesaskerrokse heijastukset heiketävät tuloste luotettavuutta tätä lyhyemmillä puusto pituuksilla (Næsset 2004). Kuviotietokatatiedoista hyödyettii olemassa olevaa tietoa taimikoperustamisvuodesta (taimiko ikä) sekä tehdyistä maamuokkaus- ja hoitotoimepiteistä. Koealaryppäät pyrittii sijoittamaa kulleki kuviolle mahdollisimma kattavasti. Kaike kaikkiaa mitattii 25 taimikkoa, joille tuli yhteesä 212 koealaryvästä. Alle yhde hehtaari kuviolle sijoitettii eljä kappaletta ryväskoealoja. Vastaavasti 1 3 hehtaari kuviolle sijoitettii kahdeksa ja yli kolme hehtaari kuviolle 12 koealaryvästä. Koealoje väliset etäisyydet määritettii site, että koealaverkosta tuli mahdollisimma tasaie. Taimikoide väliset koealaetäisyydet voivat siis vaihdella, mutta yhde taimiko sisällä koealavälit pidettii yhtä suuria. Kuki koealaryväs (pita-ala 201 m 2 ) muodostui eljästä pieemmästä ympyräkoealasta, sätee ollessa eljä metriä ja koeala pita-ala ollessa oi 50 m 2 (kuva 1). Koealaryppää muoto valittii se mukaa, että yksi hekilö pystyi se metsässä mittaamaa. Koealaryppää ympyräkoealoje keskipisteet sijoitettii pääilmasuutie (pohjoie, itä, etelä ja läsi) mukaa 5,66 metri päähä koealaryppää keskipisteestä, millä vältettii mittauste päällekkäisyys ja saatii mitattua ryväs suhteellise kattavasti. Ympyräkoealalta luettii 4 metri säteeltä kaikki puut puulajeittai. Lisäksi mitattii puide pituus puulajeittai käyttäe 0,5 metri pituusluokkia. Koealaryppää keskipiste määritettii differetiaalikorjatulla GPS:llä, mikä mahdollisti mitattuje koealatuloste myöhemmä vertaami
Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli Kuva 1. Koealaryppää mittaamisperiaate. Kuva 2. Taimikohoido kiireellisyysluokat määritettii kolmee luokkaa taimiko tiheyde ja puusto keskipituude mukaa: 1. Ei toimepiteitä, 2. Taimikohoido tarve viide vuode kuluessa ja 3. Taimikohoido tarve kiireellie (heti). se laserkeilaiaieistosta leikattuu sama paika laserpisteaieistoo. Kuki koealaryppää eljä ympyräkoeala mitatuista tuuksista laskettii keskiarvot, joide oletettii vastaava yhdeksä metri ympyräkoeala tuloksia (taulukko 1). Näitä maastoaieistosta laskettuja keskituuksia tarvitaa regressiomalleilla estimoituihi tuuksii vertaamiseksi (taimiko tiheys ja puusto pituus). Maastoaieisto perusteella laadittii myös kolmiportaie taimikohoido kiireellisyysluokitus, joho eri luokittelumeetelmie vastaavia tuloksia verrataa (kuva 2). Kuuse taimiko puusto keskipituude ja tiheyde perusteella < 4 m: pituutta ja alle 2 000 taita/ha edustavilla taimikoilla ei katsottu oleva taimikohoitotarvetta. Myöskää > 4 m: keskipituutta ja alle 2 500 taita/ha edustavat taimikot eivät edellyttäeet taimikohoitoa. Se sijaa alle 4 m: pituiset ja 2 000 3 000 taita/ha tiheyttä edustavilla taimikoilla taimikohoitotarvetta esiityi seuraava viide vuode kuluessa. Vastaavasti taimiko keskipituude ollessa < 4 m ja tiheyde ollessa > 3 000 taita/ha tai pituude ollessa > 4 m ja tiheyde > 2 500 taita/ha oli taimikohoitotarve luokiteltu kiireelliseksi. Laserkeilaukse suoritti Blom Kartta Oy 27.7.2006 Optech ALTM3100 -laserkeilaimella. Laserkeilauksessa käytettii Piper Navajo -letokoetta, joka opeus oli oi 75 m/s ja letokorkeus keskimääri 2 300 metriä maapia yläpuolella. Avauskulma adiirista letosuutaa vastaa oli ±17 astetta. Letolijoje väleiksi tuli maastossa 1 070 metriä ja letolijoje keskiäisiksi sivupeitoiksi 24 prosettia. Laserkeilaus suoritettii harvapulssisella tiheydellä, jolloi laserpulsseja tuli oi 0,5 pulssia/m 2. 2.2 Laserpisteaieisto aalysoiti ja regressiomallie laadita Regressiotekiika lähtökohtaa o käyttää regressioyhtälöitä pita-alaperusteisesti koealakohtaiste metsikkötuuste eustamisee. Yleisimmät laserpisteaieisto regressiopohjaisessa laskeassa käytetyt puustoa kuvaavat tuukset ovat laserpisteide korkeusjakauma prosettipisteet, joide avulla pyritää kuvaamaa mitattava aluee puusto
Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie Taulukko 1. Taimikkoaieisto keskituukset ja iide vaihteluvälit eri tavoi muokatuilla (maamuokkaus: laikutus/ äestys, mätästys ja auraus) ja hoidetuilla (ei käsitelty, perattu, harveettu) koealoilla. Lisäksi taulukossa o esitetty taimikoide lukumäärä eri tiheysluokissa sekä pelkä kuuse että kaikkie puulajie osalta. Hoitotoimepide Puulaji Keskitiheys Tiheysvaihtelu Keskipituus Pituusvaihtelu Taimiko tiheys, taita/ha (taita/ha) (taita/ha) (m) (m) <1500 1500 2000 >2000 Laikutus/äestys Ei käsitelty Kuusi 1750±171 1600 2100 3,4±0,3 2,9 3,8 6 1 (7 koealaa) Kaikki 3321±414 2700 3850 3,2±0,3 2,8 3,5 7 Mätästys Perattu Kuusi 1656±362 900 2700 3,9±1,1 2,4 6,1 8 20 4 (32 koealaa) Kaikki 5811±4245 2100 19500 3,2±0,8 2,0 5,5 32 Harveettu Kuusi 1975±156 1800 2150 3,4±0,4 2,9 3,8 2 2 (4 koealaa) Kaikki 2113±206 1850 2300 3,4±0,4 2,8 3,6 1 3 Auraus Ei käsitelty Kuusi 1581±402 700 2500 5,1±1,3 2,6 7,6 16 20 8 (44 koealaa) Kaikki 3728±1508 1800 7650 4,9±1,2 3,1 7,6 1 43 Perattu Kuusi 1597±384 450 2300 4,6±1,1 2,6 7,9 26 48 14 (88 koealaa) Kaikki 3969±2342 1400 12800 3,9±0,9 2,1 7,5 1 3 84 Harveettu Kuusi 1358±447 300 2250 4,4±1,1 2,1 5,9 14 4 2 (20 koealaa) Kaikki 2270±370 1650 3400 4,5±1,0 3,0 6,0 20 Yhteesä (195 koealaa) Kuusi 1592±392 300 2700 4,5±1,2 2,1 7,9 64 100 31 Kaikki 3982±2611 1400 19500 4,0±1,1 2,0 7,6 1 5 189 rakeetta ja kokoa. Tässä työssä prosettipisteiksi valittii 5, 10, 20,, 90 ja 95 proseti korkeudet (h 5 95 ) ja tiheydet (p 5 95 ). Koska maasto epätasaisuudesta ja pitakasvillisuudesta voi aiheutua virhepulsseja (Næsset 2004), asetettii laserpisteille 0,3 metri korkeusrajoite, joka yläpuolelle osueet pisteet tulkittii puustoo osueiksi pisteiksi. Tämä perusteella voitii määrittää kasvillisuusosuus (veg), joka laskettii jakamalla kaikkie yli korkeusrajoittee yläpuoliselle korkeudelle osueide laserpulssie lukumäärä koko koealalle osueide laserpulssie kokoaismäärällä (Næsset 2004). Kasvillisuusosuudella pyritää kuvaamaa taimiko suhteellista tiheyttä: mitä suurempi o kasvillisuusosuus, sitä tiheämpää o taimikko. Lisäksi laskettii korkeusrajoittee yläpuoliste laserpisteide korkeuksie keskiarvo (ave) ja keskihajota (std). Kaikki tuukset laskettii eriksee sekä esimmäise (f) että viimeise (l) kaiu havaioille ja iitä käytettii selittäviä muuttujia sekä puustotuuste regressiomalleissa (puusto keskipituus tai tiheys) että erotteluaalyysissä. Maastossa mitatuista 212 koealarypäästä vai 195 koealarypää tiedot soveltuivat lopulta hyödyettäviksi, sillä 17 koealarypääsee oli talletuut liia alhaie määrä korkeusrajoittee ylittäviä paluupulsseja (miimirajoite 20 pulssia/koeala). Laserpisteaieistosta rajattii yhdeksä metri säteiset ympyräkoealat jotka vastasivat sijaiiltaa maastossa mitattuja koealoja. Koska regressiomallie laadita-aieistossa oli hierarkkie rakee, eli yksittäiseltä taimikkokuviolta oli mitattu useita koealoja, koealakohtaiste tuloste lasketaa varte laadittii s. sekamalleja, joita kutsutaa myös variassikompoettimalleiksi. Sekamalli ottaa huomioo malli muuttujissa tapahtuva koeala- ja kuviotaso vaihtelu ja jakaa vaihtelu kahtee erillisee variassikompoettii (Lappi 1993, Kagas 2001), ja voidaa esittää muodossa: y ki = µ + b k + ε ki (1) missä alaideksi k viittaa luokkaa eli tässä tapauksessa taimikkoo ja alaideksi i liittyy luoka sisällä olevaa yksittäisee havaitoyksikköö, eli
Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli taimikossa olevaa koealaa. Malli termi b k o kuvio satuaisvaikutus; E(b k ) = 0 ja var(b k ) = d b 2. Vastaavasti ε ki o kuviolla oleva koeala satuaisvaikutus; E(ε ki ) = 0 ja var(ε ki ) = d e 2. Malli (1) termi µ o kiiteä ja kuvaa populaatiosta laskettua odotusarvoa. Mikäli odotusarvo tuotetaa joideki selittävie muuttujie fuktioia, µ vastaa tavallise regressiomalli kiiteää osaa (Kagas 2001). Laserpisteaieisto tuuste lisäksi malleissa oletettii, että kuvio historiatiedoista käytettävissä ovat taimikoperustamisvuosi (taimiko ikä) ja mahdolliset maamuokkaus- ja hoitotoimepiteet. Ee sekamallie laaditaa tehtii selittävie muuttujie valita lieaarisella regressiolla käyttämällä pieimmä eliösumma meetelmää. Laadittuje regressiomallie hyvyyde arvioitii käytettii malli keskivirhettä (RMSE) ja harhaa (b): RMSE ( y yˆ) i ( yi yˆ i) i b i 2 ( 2) 1 3 Keskivirheestä ja harhasta laskettii myös suhteelliset virheet, jolloi perusmuodossa saatu tulos jaettii havaitulla vastemuuttuja y keskiarvolla. 2.3 Taimikohoido kiireellisyysluokitus Taimikohoido kiireellisyysluokitus määritettii kahdella eri meetelmällä. Esimmäisessä meetelmässä luokat määritettii laserpisteaieistosta erotteluaalyysi avulla (ks. Tabachick ja Fidell 1989). Toisessa meetelmässä sekamalleilla eustettuja puusto keskipituutta ja tiheyttä käytettii kiireellisyysluokkie määrityksee. Molemmissa meetelmissä eustettuja luokkia verrattii maastossa määritettyihi kiireellisyysluokituksii virhematriisie avulla. Erottelu- ja luokittelumeetelmässä pyrittii erottelufuktioilla luokittelemaa havaiot oikeisii ryhmii. Maastoivetoii perusteella tiedettii ealta, mihi ryhmää kuki havaio tulisi kuulua. Näide tietoje perusteella laskettii ( ) kuika mota prosettia havaioista sijoittui oikei. Mitä suurempi joukko havaitoja eustettii oikei, sitä parempi oli erottelufuktio. Taimikohoido kiireellisyyde luokittelu selittäjiä toimivat sekä laserpisteaieisto että metsätaloussuuitelma kuviotiedot. Vertailuje tulokset koottii virhematriisii, joka avulla laskettii oikeiluokitusprosetti laskemalla yhtee matriisi lävistäjällä olevie alkioide arvot ja jakamalla saatu tulos kaikkie alkioide arvoje summalla: Oikeiluokitus %. oikei 100 ( 4) missä.oikei o iide koealoje määrä, joilla malleilla estimoituje arvoje luokitus o sama kui maastomittauste perusteella tehty luokitus ja o kaikkie koealoje lukumäärä yhteesä. Oikeiluokitusproseti lisäksi luokitukse oistumista kuvaamaa laskettii myös kappa-arvo (kaava 5), joka ottaa huomioo lävistäjäalkioide lisäksi myös rivija sarakesummat (Kagas ym. 2003): r xii ( xi x i) ˆ i 1 i 1 r 2 ( x x ) i 1 r i i missä r o virhematriisi rivie ja sarakkeide lukumäärä, x i+ o rivisumma rivillä i, x +i o sarakesumma rivillä i, o havaitoje lukumäärä ja x ii o havaitoje lukumäärä rivillä i ja sarakkeella i. Kappa-arvo ollessa lähellä ollaa ei luokitus ole paljoa parempi kui satuaie luokitus, ku taas jos arvo o taas lähellä ykköstä, kertoo se luokitukse oistuee hyvi. Ladis ja Kochi (1977) mukaa luokitukse voi katsoa oistueeksi hyvi jos kappa-arvo o yli 0,4. Vastaavasti jos kappa-arvo o yli 0,75, luokitus o oistuut eriomaisesti. ( 5) 10
Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie 3 Tulokset 3.1 Laserpisteaieistoo ja metsätaloussuuitelmatietoo perustuvat sekamallit Ku taimitiheydelle laadittii mallit sekä pelkkie laserpisteide (kaava 6) että laserpisteide ja metsätaloussuuitelmatietoje pohjalta (kaava 7), selittäväksi muuttujaksi metsätaloussuuitelmatiedoista tuli aioastaa ikä. Taulukko 2. Koealakohtaiste tuloste laskeassa käytettyje regressiomallie luotettavuustuukset. Maastoaieisto puusto keskipituus oli 4,0 m ja puusto keskimääräie tiheys 3 982 taita/ha. Muuttujat Mallieustee RMSE RMSE Harha Harha keskiarvo (yks.) (%) (yks.) (%) Pituus (m) 3,98 0,63 15,93 0,04 1,03 Tiheys (taita/ha), 3941 1782 45,20 40,28 1,01 laser Tiheys (taita/ha), 4038 1608 39,83 56,45 1,42 laser + suuitelma l(tiheys) = 10,183 + 0,018 lveg + 0,332 ll_h 90 0,046 f_p 30 0,391 f_h 20 + d 2 /2 l(tiheys) = 10,389 + 0,021 lveg + 0,604 likä 0,216 f_h 60 1,089 lf_p 20 + d 2 /2 (6) (7) Koska logaritmisilla muuttujilla lasketut tuukset, kute RMSE, eivät sellaiseaa kerro malli hyvyydestä, eustetut arvot oli palautettava ee vertaamista mitattuu arvoo. Luoollise logaritmimuuokse takia mallie käytössä oli otettava huomioo myös harhattomuuskorjaukset. Kaavassa 6 esitety malli virhetermit olivat ( b 2 ) 0,04419 ja ( 2 ) 0,06790 jote harhattomuuskorjaus oli d 2 = 0,05951. Vastaavasti kaavassa 7 esitety malli virhetermit olivat ( b 2 ) 0,05498 ja ( 2 ) 0,06404 ja harhattomuuskorjaus oli d 2 = 0,056045. Molempie tiheysmallie residuaalie kuvaajat olivat myös symmetrisiä ja arvot tasaisesti olla molemmilla puolilla. Kute taimiko tiheydelle, myös koealoje puustoje keskipituudelle oli tarkoitus laatia mallit sekä pelkä laserpisteaieisto (kaava 8) että laserpisteide ja metsätaloussuuitelma pohjalta. Yksikää metsätaloussuuitelmatiedoista ei kuitekaa tullut merkitseväksi selittäjäksi. l(pituus) = 0,996 + 0,112 f_h 40 + 0,159 ll_h 20 + d 2 /2 (8) Pituusmalli (kaava 8) virhetermit olivat ( b 2 ) 0,010 ja ( 2 ) 0,011 ja harhattomuuskorjaus d 2 = 0,0105. Myös pituusmalli residuaaliarvot olivat tasaisesti olla molemmi puoli. Maastossa mitatu ja mallilla eustetu puusto keskipituude välie keskivirhe oli 0,63 metriä ja suhteellie keskivirhe 15,9 prosettia (taulukko 2). Puusto pituude malli oli lähes harhato. Ku taimitiheyde selittäjiä käytettii pelkästää laserpisteitä, mitatu ja eustetu tiheyde suhteellie keskivirhe oli oi 45,2 prosettia. Vastaavasti ku malli selittäjiksi otettii myös metsätaloussuuitelmatiedoista ikä, suhteellie keskivirhe oli 39,2 prosettia. Molemmat tiheysmallit olivat myös lähes harhattomia. 3.2 Erottelumeetelmä ja regressiomalleilla eustettuje tuuste perusteella lasketut luokitustulokset Taulukossa 3 o esitelty paras erotteluaalyysi luokitustulos, missä selitettäviä luokkia käytettii kuvassa 2 esitettyjä luokkia ja selittäviä tuuksia toimivat koealoje laserpisteaieisto tuukset ja Taulukko 3. Erotteluaalyysi absoluuttiset ja suhteelliset (%) luokitustulokset virhematriisissa. Tauluko lävistäjärivillä o esitetty oikeiluokittueide koealoje lukumäärä ja iide %-osuudet. Maastoivetoiti- Eustettu luokitus, lkm ja % luokka Ei toime- 5 v: Heti Yhteesä pidettä kuluessa Lkm Ei toimepidettä 21 8 4 33 5 v: kuluessa 2 36 4 42 Heti 24 13 83 120 % Ei toimepidettä 63,6 24,2 12,1 100 5 v: kuluessa 4,8 85,7 9,5 100 Heti 20 10,8 69,2 100 11
Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli Taulukko 4. Regressiomalleilla eustettuje tuuste avulla määritettyje luokkie absoluuttiset ja suhteelliset (%) luokitustulokset Tauluko lävistäjärivillä o esitetty oikeiluokittueide koealoje lukumäärä ja iide %- osuudet. Maastoivetoiti- Eustettu luokitus, lkm ja % luokka Ei toime- 5 v: Heti Yhteesä pidettä kuluessa Kuva 3. Taimikohoido kiireellisyyde erottelufuktiot. Lkm Ei toimepidettä 2 5 26 33 5 v: kuluessa 3 21 18 42 Heti 1 7 112 120 % Ei toimepidettä 6,1 15,2 78,8 100,0 5 v: kuluessa 7,1 50,0 43,9 100,0 Heti 0,8 5,8 93,3 100,0 metsätaloussuuitelmatiedot. Koealoilla, joille ei maastoivetoii perusteella suuiteltu tehtäväksi taimikohoitoa laikaa, luokittui oikei 63,6 prosettia ja virheellisesti 24,2 prosettia 5 v: kuluessa -luokkaa ja 12,1 prosettia Heti -luokkaa. Koealoista, joille suositellaa taimikohoitoa viide vuode kuluessa, luokittui oikei 85,7 prosettia, ku taas koealoilla, joilla suositeltii heti taimikohoitoa, luokittui oikei 69,2 prosettia koealoista. Se sijaa koealoista Ei toimepidettä -luokkaa luokittui virheellisesti 20 prosettia. Koska taimikohoido kiireellisyysluokkia oli kolme, iide luokituksee sekä luokkakeskuste paika määrittämisee käytettii kahta erottelufuktiota; parhaide erottelufuktioide luokitustulos ja luokkakeskuste sijaiti o esitetty kuvassa 3. Taimiko tiheydelle ja puusto keskipituudelle eustettuje tuuste perusteella tehtii uusi taimikohoido kiireellisyysluokitus, joka luotettavuutta arvioitii vertaamalla regressiomalleilla estimoituje taimikkokoealoje tiheyde ja puusto keskipituude mukaa luokitettuja tuloksia maastomittauste pohjalta tehtyihi luokituksii taimikohoido kiireellisyydestä. Koealoista, jotka eivät tarvitse taimikohoitotoimepiteitä luokittui oikei vai 6,1 prosettia, ku virheellisesti luokasta luokittui 5 v: kuluessa -luokkaa 15,2 prosettia ja Heti -luokkaa jopa 78,8 prosettia (taulukko 4). Koealoilla, joilla taimikohoito olisi ollut todellisuudessa syytä tehdä viide vuode kuluessa, luokittui oikei puolet, mutta virheellisesti 43,9 prosettia luokkaa Heti. Se sijaa koealat, joilla taimikohoito olisi tarpeellie heti, luokittui oikei 93,3 prosettisesti. Erotteluaalyysi oikeiluokitusprosetit ja kappa-arvot olivat 71,8 prosettia ja 0,54. Regressiomalleilla estimoituje tuuste perusteella tehdy luokitukse oikeiluokitusprosetti oli puolestaa 69,2 ja kappa-arvo 0,34. 4 Tuloste tarkastelu ja johtopäätökset Tämä tutkimukse tarkoituksea oli selvittää, kuika hyvi harvapulssisella laserkeilausaieistolla pystytää tuottamaa ivetoititietoa varttueista kuusetaimikoista (puusto pituusvaihtelu 2 8 m) ja pystytääkö äille taimikoille määrittämää taimikohoido kiireellisyys luotettavasti. Puusto pituude ja tiheyde eustamie malleilla atoi samasuutaisia tuloksia kui aioa aiemmi aiheesta tehty tutkimus (Næsset ja Bjerkes 2001), jossa tutkittii pituudeltaa < 6 m: taimikoide puusto pituude ja tiheyde eustamista oi yhde pulssi per eliömetri sisältävästä laseraieistosta muodostetuilla regressiomalleilla. Heidä tutkimuksessaa puusto pituude suhteellie keskivirhe oli 15 pro 12
Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie settia ja tiheyde oi 29 prosettia. Tässä tutkimuksessa puusto keskipituude suhteellie keskivirhe oli 15,9 prosettia, ku vastaavasti mallilla eustetu puusto tiheyde suhteellie keskivirhe oli oi 40 prosettia käytettäessä tiheysmallissa laserpisteaieisto lisäksi metsäsuuitelmatiedoista selittävää muuttujaa taimiko ikää. Toisaalta, ku puusto tiheyttä malliettii pelkkie laserpisteaieisto selittävillä muuttujilla, tiheyde suhteellie keskivirhe ousi hiema (45,2 prosettii). Vertailtaessa tämä työ tuloksia Næsseti ja Bjerkesi (2001) tutkimuksee aioaa suurehkoa eroa o tässä työssä saatu suurempi taimikkotiheyde keskivirhe, mitä voi tosi selittää aiaki osittai eri tutkimuksissa ivetoituje taimikoide puusto pituus- ym. erot (esim. tässä tutkimuksessa taimiko valtapituus < 8 m ja Næsset ja Bjerkes (2001) < 6 m). Laserkeilaus oli heidä tutkimuksessaa tehty myös hiema tiheämpää pulssia käyttäe (yksi pulssi per eliömetri) kui tässä tutkimuksessa (0,5 pulssia per eliömetri). Tarkasteltaessa oikeiluokitusprosetteja ja kappaarvoja voidaa todeta, että erotteluaalyysillä kyettii luokittelemaa alkuperäiset taimikohoitokiireellisyysluokat oikei jopa 71,8-prosettisesti, jolloi kappa-arvoksi tuli 0,54. Jos pidetää k = 0,4 rajapyykkiä luokitukse oistumiselle, voidaa todeta luokitukse oistuee hyvi. Taulukosta 3 ähdää, että parhaite luokittuivat taimikot, joilla taimikohoitotarve o lähimmä viide vuode kuluessa (85,7 prosettia). Toiseksi parhaite luokittuivat taimikot, joissa taimikohoitotarve oli välitö (69,2 prosettia). Nämä ovatki tärkeimmät luokat ajateltaessa tuleva taimiko kehitystä, sillä ajallaa tehty taimikohoito ataa parhaat edellytykset tuotatopuusto kehitykselle. Toisaalta, osa taimikoista joilla hoitotarvetta olisi ollut heti, oli luokittuut 20 prosettia luokkaa ei kiirettä. Tämä tarkoittaa käytäössä sitä, että luokitukse mukaa toimittua 20 prosettia kiireellistä taimikohoitoa kaipaavista taimikoista jäisi kokoaa hoitamatta. Lisäksi taimikot, joilla ei havaittu toimepidetarvetta, luokittuivat huooite (63,6 prosettia). Toisaalta, pieempi kustaus sytyy siitä, ku käydää turhaa tarkastamassa taimikko, kui siitä, että jätetää taimikohoitoa kaipaava taimikko kokoaa hoitamatta. Asettamalla maastossa mitatut alkuperäiset luokat ja laserpisteistä regressiomalleilla estimoituje tuuste luokat virhematriisii, voitii tarkastella taimikohoido kiireellisyysluokitukse oistumista. Maastoivetoii perusteella tehtyy kiireellisyysluokituksee verrattua estimoidu luokitukse oikeiluokitusprosetti oli 69,2, mitä voidaa pitää hyvää. Kappa-arvo oli tosi vai 0,34, mikä mukaa luokitus oistui satuaisee luokituksee verrattua vai kohtalaisesti. Parhaite luokittui tässäki tapauksessa välitötä taimikohoitoa tarvitsevat koealat, eli jopa 93,3 prosettia luokista luokittui oikei. Toisaalta, heikoite luokittuivat koealat, joilla ei ollut taimikohoitotarvetta (vai 6,1 prosettia luokittui oikei), ja 78,8 prosettia koealoista luokittui välittömästi taimikohoitoa tarvitsevii. Virhematriisitarkastelu perusteella voidaa tehdä se johtopäätös, että regressiomalli tuotti yliarvioita taimiko tiheydelle mikä aiheutti se, että osa taimikoista, joilla todellisuudessa taimikohoitotarvetta ei ollut, luokittui virheellisesti taimikohoitoa tarvitsevii. Kuiteki tärkeimpää luokittelu oistumise kriteeriä voitaee pitää kiireellistä ja ylipäätäsä taimikohoitoa tarvitsevie kohteide tuistamista, sillä työpaoste suutaamie sitä eite tarvitseville kohteille parataa kustaustehokkuutta metsie hoidossa. Regressiomallie perusteella tehty taimikohoido kiireellisyysluokitus atoi hiema huoompia tuloksia kui erotteluaalyysi. Tämä tulos oli toisaalta odotettavissa, sillä sekamallit ottavat huomioo aieisto hierarkkisuude, mutta heiketävät hiema malli selitysastetta. Taimiko tiheyde regressiomalli tuotti myös yliarvioita pieillä tiheyksillä. Toisaalta erotteluaalyysi luokitusmeetelmät perustuvat regressiotekiikkaa, joka ei ota aieisto hierarkkisuutta huomioo, mikä taas voi vääristää todellista tulosta. Kappa-arvoja vertailtaessa erottelumeetelmä luokitus toimi kuiteki selvästi paremmi kui regressiomallie avulla tehty luokitus. Regressiomalleilla saadut virhematriisie heikommat kappa-arvot selittyvät osi myös sillä, että sekamallie avulla estimoidut luokat atoivat yliarvioita tiheydelle suurilla puusto pituuksilla. Tämä johti siihe, että koealoja luokittui virheellisesti taimikohoitoa tarvitsevii luokkii. Tämä perusteella voidaa todeta, että taimiko tiheyksie sekamallit eivät ehkä sittekää ole täysi luotettavia, vaikka mallie selitysasteet olivat kohtalaisia ja mallit olivat lähes harhattomia. Verrattaessa tämä tutkimukse tuloksia Pesose 13
Metsätietee aikakauskirja 1/2008 Tutkimusartikkeli ym. (2007) tutkimustuloksii, jossa Ladsat TM -satelliittikuvie perusteella luokiteltii kiveäismaide taimikohoitotarvetta, voidaa todeta, että laserkeilausaieisto avulla saatu oikeiluokitusprosetti oli molemmilla meetelmillä hiema suurempi, kappa-arvo erotteluaalyysi tapauksessa samaa luokkaa mutta regressiomalleilla heikompi. Tuloksia verrattaessa täytyy kuiteki muistaa, että tässä tutkimuksessa tarkastelutaso oli koeala ja Pesose ym. (2007) tutkimuksessa kuvio. Laserpisteaieistosta sekamalleilla eustetut taimiko tiheys ja puusto keskipituus toteutuivat koealatasolla myös melko hyvi. Kuviotasolla laskettaessa vastaavat tulokset olisivat varmasti olleet vielä parempia, sillä kuviotasolla koealakohtaiset tulokset keskiarvoistuvat. Myös luokittelumeetelmä tuloksista voidaa päätellä, että laserpisteaieisto perusteella voidaa määrittää taimikohoitotarvetta varsi hyvi. Toisaalta, tuloksia tarkasteltaessa o kuiteki hyvä pitää mielessä, että laserpisteaieistosta leikatussa yhdeksä metri sätee ympyräkoealalla, joho maastoaieistoa verrattii, oli mukaa mittaamatota aluetta. Maastomittauksissa o siis otosvirhettä, mikä voi hiema vaikuttaa tuloksii. Myöskää käytössä olleella paikauslaitteella (differetaali-gps) ei päästä täysi virheettömää tarkkuutee paikatamise suhtee, mikä o myös yksi virhelähteistä. Ottae huomioo käytety harva laserpulssitiheyde, puide piee koo ja taimikoide peitteisyyde sekä epätasaisuude, tämä tutkimukse tulosta voitaee pitää hyvää ja saatua tarkkuutta riittävää taimiko ivetoitii ja taimikohoido kiireellisyyde määrityksee. Mallitusaieisto koealarypäistä 17 eli. 8% jouduttii hylkäämää liia vähäise laserpisteaieisto takia. Toisaalta määrä o isohko, mutta toisaalta jos laserkeilausaieistosta lasketaa kuviokohtaisia tuloksia systemaattise hila (esim. Packalé ja Maltamo 2007) avulla, sattuu jo hehtaari suuruiselle kuviolle 40 solua käytettäessä tämä tutkimukse mallituskoealaa vastaavaa hilasolukokoa (16 m 16 m). Jos äistä soluista joudutaa hylkäämää keskimääri eljä kappaletta, jää kuviotaso toimepide-ehdotukse estimoitii kuiteki varsi paljo aieistoa. Toisaalta tulkiassa olisi kuiteki hyvä erottaa taimikossa esiityvät puuttomat kohdat iistä soluista, joille tulkitaa ei voida tehdä vähäise laserpistemäärä takia. Tämä tutkimukse tuloste perusteella voitaee olettaa, että laserkeilaus voisi tulevaisuudessa soveltua myös uorte metsie ivetoitii ja hoitotarpee määrittämisee, sillä aiaki varttueissa kuuse taimikoissa puusto pituudet saadaa hyvi määriteltyä laserkeilausaieisto avulla. Puusto tiheydeki määrittämisessä saadaa suutaa atavaa tietoa riittävästi, toisaalta tiheysmallie paratamiseksi tulisi vastaisuudessa testata erilaisia selittävie muuttujie yhdistämistä ja iide variaatioita sekä erilaisia malliraketeita. Taimikoivetoitii ja taimikohoido kiireellisyyde luotettavaa määrittämisee laserkeilausaieisto avulla tarvittaisii tulevaisuudessa tueksi edellee muulla meetelmällä tuotettua puulajikohtaista tietoa, sillä laserkeilaukse suuri tämä hetkie ogelma o se, että eri puulajeja ei vielä pystytä tuistamaa harvapulssista laserkeilausaieistoa hyödytäe. Varsiki lehtipuusto määrä luotettava eustamie olisi tärkeää määriteltäessä havupuuvaltaiste taimikoide hoitotarvetta, sillä eteki kuuse taimikoissa opeakasvuisempi lehtipuusto haittaa usei kuuse varhaiskehitystä. Aiaki siiä tapauksessa, ettei käytössä ole metsäsuuitelmatietoja, joista käy ilmi kuvioide puulajisuhteet, tarvitaa iide selvittämiseksi muu ratkaisu, kute ilmakuvie hyödytämie. Ilmakuvie avulla saadaa uorissa metsissä puulajisuhteita eroteltua, mutta toisaalta taimie pituuksie ja taimiko tiheyksie määrittämie tuottaa ogelmia. Packaléi ja Maltamo (2006 ja 2007) ovat viime aikoia selvittäeet myös mahdollisuutta hyödytää ilmakuvista saatua spektristä iformaatiota yhdistettyä laserkeilausaieistoo. Heidä mukaasa lehtipuusto osuus saatii aieistosta eroteltua tällä meetelmällä, mikä tarkoittaa sitä että tämä kaltaie meetelmä voisi toimia myös tulevaisuudessa määriteltäessä taimikoide lehtipuusto osuude avulla taimikohoitotarvetta havupuuvaltaisessa taimikossa. Laserkeilaukse ja ilmakuvatulkia yhdistämie uorte metsie ivetoiissa (myös muut puulajit kui kuusi) ja hoitotoimepiteide määrittämiseksi kaipaa kuiteki edellee jatkotutkimusta. Kuitekaa taimikoide, joide pituus o alle 1,5 metriä, ivetoitii ei laserkeilaus soveltue tulevaisuudessakaa, koska maapia epätasaisuudet, kute kivet ja kaot, aiheuttavat virhettä tätä pieemmillä puusto pituuksilla. 14
Närhi ym. Kuuse taimikoide ivetoiti ja taimikohoido kiireellisyyde määrittämie Kirjallisuus Hyvä metsähoido suositukset. 2006. Metsätaloude kehittämiskeskus Tapio. 59 s. Kagas, A. 2001. Tilastollie malli. Julkaisussa: Maltamo, M. & Laukkae, S. (toim.). Metsää kuvaavat mallit. Silva Carelica 36. s. 1 29., Päivie, R., Holopaie, M. & Maltamo, M. 2003. Metsä mittaus ja kartoitus. 2. uudistettu paios. Silva Carelica 40. 228 s. Ladis, R.J. & Koch, G.G. 1977. The measuremet of observer agreemet for categorical data. Biometrics 33: 159 174. Lappi, J. 1993. Metsäbiometria meetelmiä. Silva Carelica 24. 182 s. Maltamo, M., Mustoe, K., Hyyppä, J., Pitkäe, J. & Yu, X. 2004. The accuracy of estimatig idividual tree variables with airbore laser scaig i a boreal ature reserve. Caadia Joural of Forest Research 34: 1791 1801., Malie, J., Packalé, P., Suvato, A. & Kagas, J. 2006. No-parametric estimatio of stem volume usig laser scaig, aerial photography ad stad register data. Caadia Joural of Forest Research 36: 426 436., Korhoe, K.T., Packalé, P., Mehtätalo, L. & Suvato A. 2007. A test o the usability of trucated agle cout sample plots as groud truth i airbore laser scaig based forest ivetory. Forestry 80: 73 81. Næsset, E. 2004. Practical large-scale forest stad ivetory usig a small footprit airbore scaig laser. Scadiavia Joural of Forest Reserch 19: 164 179. & Bjerkes, K-O. 2001. Estimatig tree heights ad umber of stems i youg forest stads usig airbore laser scaer data. Remote Sesig o Eviromet 78: 328 340., Gobakke, T., Holmgre, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsso, M., Olsso, H., Persso, Å. & Söderma, U. 2004. Laser scaig of forest recources: the Nordic experiece. Scadiavia Joural of Forest Research 19: 428 499. Packalé, P. & Maltamo, M. 2006. Predictig the plot volume by tree species usig airbore laser scaig ad aerial photographs. Forest Sciece 56: 611 622. & Maltamo, M. 2007. The k-msn method i the predictio of species specific stad attributes usig airbore laser scaig ad aerial photographs. Remote Sesig of Eviromet 109: 328 341. Pesoe, A., Korhoe, K.T., Tuomie, S., Maltamo, M. & Lukkarie, E. 2007. Taimikohoitotarpee arvioiti valtakua metsie ivetoii metsävarakarta pohjalta. Metsätietee aikakauskirja 2/2007: 77 86. Suvato, A., Maltamo, M., Packalé, P. & Kagas, J. 2005. Kuviokohtaiste puustotuuste eustamie laserkeilauksella. Metsätietee aikakauskirja 4/2005: 413 428. Tabachick, B.G. & Fidell, L.S. 1989. Usig multivariate statistics. HarperCollis Publishers. 746 s. Tuomola, T. 2007. Numeeriste ilmakuvie käyttö havupuutaimikoide perkaustarpee määrittämisessä. Pro gradu -tutkielma. Metsäarvioimistiede. Helsigi yliopisto. 77 s. 17 viitettä 15