Mikko Kukkonen, Eetu Kotivuori, Matti Maltamo (email), Lauri Korhonen, Petteri Packalen

Puulajeittaisen tilavuuden ennustaminen drooni-aineistolla hyödyntäen aikaisemmin kerättyjä aineistoja ja siirrettyä tilavuusmallia

Kukkonen M., Kotivuori E., Maltamo M., Korhonen L., Packalen P. (2021). Puulajeittaisen tilavuuden ennustaminen drooni-aineistolla hyödyntäen aikaisemmin kerättyjä aineistoja ja siirrettyä tilavuusmallia. Metsätieteen aikakauskirja vuosikerta 2021 artikkeli id 10558. https://doi.org/10.14214/ma.10558

Tekijät
  • Kukkonen, Itä-Suomen yli­opisto, Metsätieteiden osasto, Joensuu ORCID ID:Sähköposti mikko.kukkonen@uef.fi
  • Kotivuori, Itä-Suomen yli­opisto, Metsätieteiden osasto, Joensuu ORCID ID:Sähköposti eetu.kotivuori@uef.fi
  • Maltamo, Itä-Suomen yli­opisto, Metsätieteiden osasto, Joensuu ORCID ID:Sähköposti matti.maltamo@uef.fi (email)
  • Korhonen, Itä-Suomen yli­opisto, Metsätieteiden osasto, Joensuu ORCID ID:Sähköposti lauri.korhonen@uef.fi
  • Packalen, Itä-Suomen yli­opisto, Metsätieteiden osasto, Joensuu ORCID ID:Sähköposti petteri.packalen@uef.fi

Vastaanotettu 28.4.2021 Hyväksytty 5.5.2021 Julkaistu 6.5.2021

Katselukerrat 699

Saatavilla https://doi.org/10.14214/ma.10558 | Lataa PDF

Creative Commons -lisenssi full-model-article10558

Seloste artikkelista Kukkonen M., Kotivuori E., Maltamo M., Korhonen L., Packalen P. (2021). Volumes by tree species can be predicted using photogrammetric UAS data, Sentinel-2 images and prior field measurements. Silva Fennica vol. 55 no 1, article id 10360. https://doi.org/10.14214/sf.10360.

Droonin avulla voidaan kerätä paikallista optista kaukokartoitusaineistoa, joka soveltuu metsäninventointiin kuviotasolla. Kaukokartoitusaineisto vaatii kuitenkin yleensä aina puustotulkinnan tueksi maastomittauksia, jolloin ongelmaksi drooni-aineiston tapauksessa muodostuu paikallisen maastoaineiston erittäin korkea hehtaarikohtainen hinta. Ongelmaa on pyritty ratkaisemaan hyödyntämällä muualla laadittuja malleja, joita sovelletaan drooni-aineiston avulla paikallisella inventointialueella. Tällöinkin ongelmaksi muodostuu yleensä puulajikohtainen tieto, koska puulajikohtaisen mallin siirtäminen uudelle alueelle on ongelmallista. Tässä tutkimuksessa esitetään menetelmä, jossa puulajikohtaista tilavuustietoa tuotetaan drooni-aineiston avulla hyödyntämällä toiselta laserinventointialueelta siirrettyä tilavuusmallia sekä alueellista satelliittikuvatietoa ja maastokoealoja.

Pohjois-Karjalassa sijaitsevan Liperin tutkimusalueelta mitattiin 20 koealalta optinen drooni-aineisto, josta muodostettiin koealatasolla fotogrammetriset pisteparvet ja laskettiin edelleen aluepohjaisia piirteitä. Kyseisiltä koeloilta on käytettävissä myös tarkat maastomittaukset, joiden avulla arvioidaan esitetyn menetelmän tarkkuutta. Aineisto on tyypillistä boreaalista talousmetsää sisältäen niin mäntyjä, kuusia kuin lehtipuitakin. Siirrettynä tilavuusmallina käytettiin Kotivuoren ym. aiemmassa tutkimuksessa esittämää yhtälöä, jossa puuston hehtaarikohtaista kokonaistilavuutta ennustaa laserpisteaineiston keskimääräiset sekä suurimmat korkeushavainnot. Malli on tarkoituksellisesti laadittu näin, jotta mallin selittäjien arvot olisivat mahdollisimman yhtenevät laserkeilausaineiston ja fotogrammetrisen pisteparven välillä. Kyseinen malli on laadittu Suomen metsäkeskuksen Sulkavan laserinventointialueen kaukokartoitus- ja maastomittausaineistojen avulla.

Puulajikohtainen tieto ennustettiin Sentinel-2-satelliittikuvan sävyarvojen perusteella. Maastotukiaineistona käytettiin Liperiä laajemmalta alueelta aiemmin kerättyä Suomen metsäkeskuksen laserinventointialueen maastokoeala-aineistoa. Koealakohtaisten puulajiosuuksien (mänty, kuusi, lehtipuu) ennustamiseksi laadittiin aineistojen avulla epäparametrinen k-lähimmän naapurin malli. Mallia sovellettiin drooni-aineiston koealoilla, jolloin edellä mainitun aiemman tutkimuksen mallilla ennustettu kokonaistilavuus jaettiin puulajikohtaisiksi estimaateiksi. Lopuksi aineistolle laskettiin puulajikohtaiset suhteelliset keskineliövirheen neliöjuuren (RMSE%) arvot tarkasti mitatun maastoaineiston avulla.

Tulokset on esitetty Kuvassa 1, mistä nähdään sekä puulajikohtaiset että kokonaistilavuuden ennusteet maastomittausten suhteen. Kaikki ennusteet ovat realistisia ja kokonaistilavuuden RMSE% on vain 9,0 %. Puulajikohtaisesti tarkin ennuste saatiin kuusen (Picea abies (L.) H. Karst.) tilavuudelle virheen ollessa 33,4 %. Vastaavasti lehtipuuston tilavuuden virhe oli 51,9 % ja mäntyjen tilavuuden virhe 62,6 %. Mäntyjen (Pinus sylvestris L.) tilavuuden suuri suhteellinen virhe johtuu kyseisen puulajin pienehköstä osuudesta tutkimusaineistossa.

1

Kuva 1. Ennustettujen ja havaittujen tilavuuksien sirontakuviot Liperin tutkimusaineistossa Pohjois-Karjalassa. Tilavuudet on ennustettu drooni-aineiston avulla hyödyntämällä Sulkavan laserinventointialueelta siirrettyä tilavuusmallia sekä alueellista Sentinel-2-satelliittikuvatietoa ja maastokoealoja.

Tutkimuksessa esitetty menetelmä on realistinen ja halpa lähestymistapa ennustaa puulajikohtaisia tunnuksia drooni-aineistojen avulla. Saadut tarkkuudet ovat vertailukelpoisia nykyiseen laserkeilausinventointiin nähden. Tutkimuksessa käytetty tilavuusmalli on helppo laatia, sillä Suomen metsäkeskuksen ja Maanmittauslaitoksen aineistot eri puolilta maata ovat vapaasti hyödynnettävissä. Vastaavasti alueellista paikallista satelliittikuva-aineistoa on runsaasti saatavilla. Tässä tutkimuksessa sovellettiin alueellista Suomen metsäkeskuksen maastokoeala-aineistoa satelliittikuvatulkinnassa, mutta mikäli sellaista ei ole käytettävissä, voisi vaihtoehtoinen ratkaisu olla paikallisten Valtakunnan metsien inventoinnin maastokoealojen hyödyntäminen. Nyt käytetyn optisen drooni-aineiston sijasta myös drooniin asennetut laserkeilaimet ovat yleistymässä, mikä luultavasti edelleen parantaa siirrettyjen mallien ja paikallisten aineistojen yhteiskäyttöä. Kaiken kaikkiaan nyt esitetty lähestymistapa on lupaava vaihtoehto kuvioittaiseen arviointiin tilatasolla.

Lähteitä

Kotivuori E, Kukkonen M, Mehtätalo L, Maltamo M, Korhonen L, Packalen P (2020) Forest inventories for small areas using drone imagery without in-situ field measurements. Remote Sens Environ 237, article id 111404. https://doi.org/10.1016/j.rse.2019.111404.

Puliti S, Breidenbach J, Astrup R (2020) Estimation of forest growing stock volume with UAV laser scanning data: can it be done without field data? Remote Sens 12, article id 1245. https://doi.org/10.3390/rs12081245.


Rekisteröidy käyttäjäksi
Paina tätä linkkiä Metsätieteen aikakauskirjan käsikirjoituksen tarjoamis- ja seurantajärjestelmään (OJS) kirjautumiseen.
Kirjaudu sisään
Jos olet kirjautunut käyttäjäksi, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta

Valitsemasi artikkelit
Hakutulokset
Kukkonen M., Kotivuori E. et al. (2021) Puulajeittaisen tilavuuden ennustaminen drooni-a.. Metsätieteen aikakauskirja vuosikerta 2021 numero 0 artikkeli id 10558
Karjalainen T., Packalen P. et al. (2020) Tukkitilavuuden ennustaminen mäntyvaltaisissa me.. Metsätieteen aikakauskirja vuosikerta 2020 numero 0 artikkeli id 10304
Pyörälä J., Räsänen T. et al. (2019) Puuston laatutunnusten mittaus ja mallinnus Metsätieteen aikakauskirja vuosikerta 2019 numero 0 artikkeli id 10253
Korhonen L., Repola J. et al. (2019) Laserkeilauspohjaisten puutason sekamallien sove.. Metsätieteen aikakauskirja vuosikerta 2019 numero 0 artikkeli id 10236
Maltamo M. (2019) Leimikon läpimittajakauman kuvaaminen hakkuukone.. Metsätieteen aikakauskirja vuosikerta 2019 numero 0 artikkeli id 10235
Maltamo M., Karjalainen T. et al. (2018) Vaihtoehtoja latvusrajatiedon liittämiseksi lase.. Metsätieteen aikakauskirja vuosikerta 2018 numero 0 artikkeli id 10033
Korhonen L., Pippuri I. et al. (2013) Taimikonhoitotarpeen määrittäminen korkean resol.. Metsätieteen aikakauskirja vuosikerta 2013 numero 2 artikkeli id 6892
Korpela I., Ørka H. O. et al. (2010) Laserkeilainperustainen puulajiluokitus – puu- j.. Metsätieteen aikakauskirja vuosikerta 2010 numero 3 artikkeli id 5918
Suvanto A., Maltamo M. (2010) Sekaestimoinnin hyödyntäminen kahden inventointi.. Metsätieteen aikakauskirja vuosikerta 2010 numero 3 artikkeli id 5917
Eerikäinen H., Packalén P. et al. (2010) Ruissalon tammien visuaalinen tulkinta stereokuv.. Metsätieteen aikakauskirja vuosikerta 2010 numero 2 artikkeli id 5739
Maltamo M., Peuhkurinen J. et al. (2009) Männyn puu- ja laatutunnusten ennustaminen laser.. Metsätieteen aikakauskirja vuosikerta 2009 numero 4 artikkeli id 6350
Maltamo M., Packalén P. et al. (2008) Laserkeilaustulkinnan hyödyntäminen metsäsuunnit.. Metsätieteen aikakauskirja vuosikerta 2008 numero 4 artikkeli id 6834
Peuhkurinen J., Maltamo M. et al. (2008) Puulajeittaisten läpimittajakaumien ja tukkisaan.. Metsätieteen aikakauskirja vuosikerta 2008 numero 3 artikkeli id 6397
Närhi M., Maltamo M. et al. (2008) Kuusen taimikoiden inventointi ja taimikonhoidon.. Metsätieteen aikakauskirja vuosikerta 2008 numero 1 artikkeli id 6419
Korhonen L., Korhonen K. T. et al. (2007) Paikalliset latvuspeittävyysmallit beta-regressi.. Metsätieteen aikakauskirja vuosikerta 2007 numero 4 artikkeli id 5989
Pesonen A., Korhonen K. T. et al. (2007) Taimikonhoitotarpeen arviointi valtakunnan metsi.. Metsätieteen aikakauskirja vuosikerta 2007 numero 2 artikkeli id 6695
Uuttera J., Anttila P. et al. (2006) Yksityismetsien metsävaratiedon keruuseen sovelt.. Metsätieteen aikakauskirja vuosikerta 2006 numero 4 artikkeli id 6317
Mehtätalo L., Maltamo M. et al. (2006) Relaskooppikoealan pienimmän puun läpimitan mitt.. Metsätieteen aikakauskirja vuosikerta 2006 numero 3 artikkeli id 5703
Hotanen J.-P., Maltamo M. et al. (2006) Suometsien kerroksellisuusrakenne Suomessa Metsätieteen aikakauskirja vuosikerta 2006 numero 1 artikkeli id 5730
Suvanto A., Maltamo M. et al. (2005) Kuviokohtaisten puustotunnusten ennustaminen las.. Metsätieteen aikakauskirja vuosikerta 2005 numero 4 artikkeli id 6138
Kangas A., Maltamo M. (2002) Puuston ja puutavaralajien tilavuuksien ennustev.. Metsätieteen aikakauskirja vuosikerta 2002 numero 4 artikkeli id 6211
Kangas A., Heikkinen E. et al. (2002) Puustotunnusten maastoarvioinnin luotettavuus ja.. Metsätieteen aikakauskirja vuosikerta 2002 numero 3 artikkeli id 6181
Maltamo M., Haara A. et al. (2002) Läpimittajakaumamalleihin perustuvat vaihtoehdot.. Metsätieteen aikakauskirja vuosikerta 2002 numero 3 artikkeli id 6180
Sironen S., Kangas A. et al. (2002) Puun kasvun ennustaminen k-lähimmän naapurin men.. Metsätieteen aikakauskirja vuosikerta 2002 numero 1 artikkeli id 6554
Maltamo M., Eerikäinen K. (2001) Khasinmännyn ei-parametrinen tuotosmalli Metsätieteen aikakauskirja vuosikerta 2001 numero 4 artikkeli id 6173
Kangas A., Maltamo M. (2000) Prosenttipisteisiin perustuvan läpimittajakauman.. Metsätieteen aikakauskirja vuosikerta 2000 numero 4 artikkeli id 6075
Kangas A., Maltamo M. (2000) Prosenttipisteisiin perustuvat pohjapinta-alan l.. Metsätieteen aikakauskirja vuosikerta 2000 numero 4 artikkeli id 6074
Uuttera J., Maltamo M. (1998) Intensiivisen metsätalouden aiheuttamat muutokse.. Metsätieteen aikakauskirja vuosikerta 1998 numero 3 artikkeli id 6579
Rouvinen S., Kangas A. et al. (1997) Männikön laatujakauman kuvaaminen oksarajatiedon.. Metsätieteen aikakauskirja vuosikerta 1997 numero 4 artikkeli id 6234