Seloste artikkelista Maltamo M., Karjalainen T., Repola J., Vauhkonen J. (2018). Incorporating tree- and stand-level information on crown base height into multivariate forest management inventories based on airborne laser scanning. Silva Fennica vol. 52 no. 3 article id 10006. https://doi.org/10.14214/sf.10006

Latvusraja ja sen avulla johdettavat tunnukset ovat tärkeitä niin puun laadun, latvusbiomassan, terveydentilan kuin vaikkapa puun tulevan kehityksen ennustamisenkin kannalta. Latvusraja vaihtelee puulajeittain ja esimerkiksi käsittelyhistoria vaikuttaa voimakkaasti latvusrajan tasoon metsiköittäin. Aluepohjainen laserkeilausinventointi on ollut Suomessa tärkein metsävaratiedon hankintamenetelmä metsäsuunnittelua varten 2010-luvulla. Lähestymistapa tuottaa puulajeittaista tietoa keskeisistä puustotunnuksista ja mitattujen puulistojen avulla puustotulkinta voidaan palauttaa puutasolle. Latvusraja ei yleensä ole kuulunut ennustettavien puutunnusten joukkoon. Tässä tutkimuksessa selvitettiinkin vaihtoehtoja latvusrajan sisällyttämiseksi laserkeilausinventoinnissa ennustettavaksi tunnukseksi.

Tutkimusalue sijaitsi Kuhmossa ja sieltä oli mitattu 265 maastokoealaa, joista latvusraja oli mitattu jokaisesta puusta. Alue on erittäin voimakkaasti mäntyvaltaista ja puusto on pääsääntöisesti pienikokoista. Lisäksi alueelta oli käytettävissä harvapulssinen operationaalisen inventoinnin keräämä lentolaserkeilausaineisto, jota hyödynnettiin aluepohjaisen lähestymistavan mukaisesti. Tutkimuksessa vertaillut menetelmät olivat:

1. Epäparametrinen lähimmän naapurin menetelmä, jossa puukohtainen latvusraja liitettiin yhdeksi laserpiirteiden avulla simultaanisesti ennustettavaksi puutunnukseksi
2. Puutason sekamalli, jossa latvusrajaa ennustivat puun läpimitta ja pituus sekä koealatason laserpiirteet. Mallia sovellettaessa, jolloin puutunnuksia ei tiedetä, läpimitta ja pituus saadaan lähimmän naapurin ennusteista. Malli laadittiin vain mäntyvaltaisille koealoille johtuen puulajin valta-asemasta tutkimusaineistossa.
3. Kolmiulotteisen laserpisteaineiston laskennalliseen geometriaan perustuva ns. alfa-muoto estimaatti koealatason latvusrajalle, joka saadaan laskettua laseraineistosta ilman maastomittausinformaatiota
4. Koealatason regressiomalli, jossa laserpiirteet ennustavat latvusrajaa

Latvusrajan ennustamisen vaihtoehtojen tarkkuustarkastelu tehtiin koealatasolla keskivirheen ja harhan avulla. Vertailukriteereinä käytettiin sekä aritmeettista keskilatvusrajaa että pohjapinta-alalla painotettua keskilatvusrajaa. Tulokset laskettiin erikseen koko aineistolle ja eri puulajivaltaisille koealoille.

Tulosten perusteella eri menetelmien tuottamat keskivirheet koealatason keskilatvusrajatunnuksille olivat luokkaa 1–1,5 metriä koko aineistolle ja alueen vallitsevalle ositteelle eli mäntyvaltaisille koealoille. Puutason ennustusmenetelmistä epäparametrinen lähimmän naapurin menetelmä osoittautui tarkemmaksi kuin sekamalli. Se tuotti koko aineistolle ja mäntyvaltaisille koeloille suhteellisen harhattomia ennusteita. Lähimmän naapurin menetelmä on jo yleisesti käytössä laserkeilausinventoinnissa, joten latvusrajan liittäminen mukaan edellyttää vain sen mittaamista inventointialuekohtaisesta maastomittausaineistosta. Puutason sekamalli tuotti usein harhaisia ennusteita, mutta oli kuitenkin lähimmän naapurin menetelmää tarkempi mäntyvaltaisilla koeloilla tarkasteltaessa pohjapinta-alapainotteista estimaattia. Sekamallin tarkoitus ei lähtökohtaisesti ollutkaan tuottaa ennusteita kaikille puille, vaan valta-asemassa kasvaville männyille. Tämä tavoite toteutui ja mallin sovelluskohteena voisi olla latvusrajatiedon tuottaminen mäntytukeille. Lisäksi malli on helposti kalibroitavissa uudelle inventointialueelle vähäisillä mittauksilla.

Koealatason menetelmistä alfa-muoto tuotti yleensä kaikkein epätarkimpia ennusteita. Menetelmän tuottamat virheet olivat suhteellisesti ottaen pienempiä pohjapinta-alapainotteiselle keskilatvusrajalle kuin aritmeettiselle estimaatille eli menetelmän tuottama estimaatti on yleensä lähempänä painotettua vertailuarvoa. Kuusivaltaisilla koealoilla menetelmä johti jopa tarkempaan tulokseen kuin lähimmän naapurin menetelmä. Menetelmän hyvä soveltuvuus kuusivaltaisilla koeloilla on yhteensopiva aikaisempien tutkimusten kanssa. Tarkimmat latvusrajaennusteet saatiin koealatason regressiomallilla. Menetelmä ei ole kuitenkaan yhteensopiva puutason laserkeilausinventoinnin kanssa ja jos tarkasteltavaa tunnusta vaihdetaan, kuten tässä tutkimuksessa aritmeettinen ja pohjapinta-alalla painotettu keskilatvusraja, täytyy aina laatia uusi malli. Tässä yhteydessä koealatason malli toimikin lähinnä referenssinä tasolle, johon laserinventoinnilla voidaan päästä. Toisaalta koealatason estimaattien avulla voidaan kalibroida puutason lähestymistapojen tuloksia.

Tutkimuksessa tarkasteltiin puuston latvusrajatiedon mukaan ottamista aluepohjaiseen laserkeilausinventointiin suuraluetasolla. Latvusrajaestimaattien luotettavuustarkasteluissa koealatason keskivirhe oli yleensä 1–1,5 metriä, joka on vertailukelpoinen aiempiin suppeammilla aineistoilla tehtyihin tutkimuksiin ja riittänee myös operationaalisiin sovelluksiin. Vertailluista menetelmistä epäparametrinen lähimmän naapurin menetelmä on lupaavin ja latvusrajan ennustaminen on helposti lisättävissä nykyiseen operationaaliseen inventointiin. Myös muille vertailluille menetelmille on löydettävissä sovelluskohteita. Jatkossa tulisi selvittää puulajikohtaisten latvusrajatunnusten estimointimenetelmiä ja luotettavuutta.

Kirjallisuutta

Maltamo M., Bollandsås O.M., Vauhkonen J., Breidenbach J., Gobakken T., Næsset E. (2010). Comparing different methods for prediction of mean crown height in Norway spruce stands using airborne laser scanner data. Forestry 83(3): 257–268. https://doi.org/10.1093/forestry/cpq008.

Maltamo M., Packalen P. (2014). Species specific management inventory in Finland. Julkaisussa: Maltamo M., Naesset E., Vauhkonen J. (toim.). Forestry applications of airborne laser scanning – concepts and case studies. Managing Forest Ecosystems, vol 27. Springer, Dordrecht. s. 241–252. https://doi.org/10.1007/978-94-017-8663-8_12.