Sakari Tuominen (email), Timo Pitkänen, Andras Balazs, Annika Kangas

Monilähteisen valtakunnan metsien inventoinnin kehittäminen 3D-ilmakuva-aineiston avulla

Tuominen S., Pitkänen T., Balazs A., Kangas A. (2017). Monilähteisen valtakunnan metsien inventoinnin kehittäminen 3D-ilmakuva-aineiston avulla. Metsätieteen aikakauskirja vuosikerta 2017 artikkeli 7792. https://doi.org/10.14214/ma.7792

Tekijät
  • Tuominen, Luonnonvarakeskus (Luke), Talous- ja yhteiskunta, Helsinki Sähköposti sakari.tuominen@luke.fi (sähköposti)
  • Pitkänen, Luonnonvarakeskus (Luke), Talous- ja yhteiskunta, Helsinki Sähköposti timo.p.pitkanen@luke.fi
  • Balazs, Luonnonvarakeskus (Luke), Talous- ja yhteiskunta, Helsinki Sähköposti andras.balazs@luke.fi
  • Kangas, Luonnonvarakeskus (Luke), Talous- ja yhteiskunta, Joensuu Sähköposti annika.kangas@luke.fi

Vastaanotettu 24.8.2017 Hyväksytty 1.9.2017 Julkaistu 1.9.2017

Katselukerrat 17018

Saatavilla https://doi.org/10.14214/ma.7792 | Lataa PDF

Creative Commons License full-model-article7792

Seloste artikkelista Tuominen S., Pitkänen T., Balazs A., Kangas A. (2017). Improving Finnish Multi-Source National Forest Inventory by 3D aerial imaging. Silva Fennica vol. 51 no. 4 article id 7743. https://doi.org/10.14214/sf.7743

Suomessa on 1990-luvulta lähtien käytetty operatiivisesti monilähteistä valtakunnan metsien inventointia (MVMI), jossa yhdistämällä maastomittausten, satelliittikuvien ja digitaalisten karttojen tieto tuotetaan tietoa metsävaroista teemakarttojen ja kunnittaisten metsätilastojen muodossa. Menetelmä on käyttöönotostaan lähtien ollut systemaattisen tutkimuksen ja kehitystyön kohteena. Vaikka uusia satelliittikuva-aineistoja on tullut viime vuosina saataville, on metsikkötason estimaattien tarkkuutta vaikea parantaa merkittävästi nykyisestään perinteisiä kaukokartoituskuvien tulkintamenetelmiä käyttämällä.

Tämän tutkimuksen tavoitteena oli tarkastella 3D-ilmakuva-aineiston käyttöä MVMI:n tietolähteenä. Digitaalisen fotogrammetrian kehitys on mahdollistanut kolmiulotteisten pinta­mallien tuottamisen suuressa mittakaavassa stereopeitollisista ilmakuvista, mukaan luettuna sellaiset arkistoidut ilmakuvat, joita kuvattaessa ei alun perin ole kuvausparametreja valittu stereofotogrammetrista 3D-mallinnusta ajatellen. Ilmakuvia voidaan kuvausten alueellisen kattavuuden ja ajallisen päivitystiheyden osalta pitää soveltuvana tietolähteenä MVMI:n vaatimuksiin. Tuloksia verrattiin satelliittikuvilta, 2D-ilmakuvilta ja laserkeilauksesta saatuihin tuloksiin samalla alueella.

Tutkimusalue sijaitsi Ähtärin, Virtain ja Keuruun alueilla, joille oli sijoitettu valtakunnan metsien inventoinnin koealaotosta tiheämpi systemaattinen koealaotos. Koealojen otannassa käytettiin 8 koealan L-muotoista ryvästä, joiden väli oli 4.3 km pääilmansuunnissa. Systemaattisen otoksen koealoista noin 1800 sijaitsi metsätalouden maalla.

Puustotunnusten estimoinnissa käytettiin samaa menetelmää kuin operatiivisessa MVMI:ssä eli k:n lähimmän naapurin estimointimenetelmää. Kaukokartoituspiirteiden valinnassa käytettiin geneettistä algoritmia parhaiten puustotunnuksia ennustavan piirreyhdistelmän valintaan kustakin testatusta kaukokartoitusaineistosta.

Tulosten laskennassa sovellettiin samoja periaatteita kuin operatiivisessa MVMI:ssä, mikä poikkesi joiltain osin esim. metsäsuunnittelussa käytettävästä puustotulkinnasta. Puustotulkinta kattoi kaikki kehitys- ja ikäluokat. Edelleen, puustotulkinnassa olivat mukana kaikentyyppiset koealat (kokonaan yhdessä metsikössä ja metsiköiden rajalla sijaitsevat koealat), jotka mitattiin systemaattisen otannan mukaisista sijaintipaikoista (siirto ei sallittu). Koealakohtaisten puustotunnusten estimaattien ja niiden keskivirheiden lisäksi tarkasteltiin estimoitujen puustotunnusten jakaumia suhteessa alkuperäiseen maastoaineistoon. Lisäksi tarkasteltiin tuotettujen teemakarttojen kykyä tunnistaa puustotunnusten jakauman yläpäätä edustavia kohteita maastossa.

Estimointitulosten yhtenä referenssinä käytetty perinteinen satelliittikuva tuotti aineistolle tyypillisen puustotunnusten tarkkuuden (esim. kokonaistilavuuden suhteellinen keskivirhe (RMSE) n. 60%). Ilmakuva tulkittuna perinteisellä 2D-menetelmällä ei merkittävästi eronnut satelliitti­kuvasta puustotunnusten tarkkuudessa. Tulokset 3D-ilmakuvatulkinnalla olivat selkeästi paremmat kuin satelliittikuvilla tai 2D-ilmakuvatulkinnalla. Tilavuuden RMSE oli 3D-aineistoja käytettäessä noin puolet verrattuna satelliitti- ja 2D-ilmakuvatulkintaan. Laserkeilauksen ja 3D ilmakuva­tulkinnan välinen ero tarkkuudessa oli verraten pieni. Eri aineistoilla tuotettujen puustotunnusten estimointitarkkuuksia on esitetty kuvassa 1.

1

Kuva 1. Puustotunnusten tarkkuus eri kaukokartoitusaineistoilla.

3D-ilmakuvatulkinta osoittautui erittäin käyttökelpoiseksi menetelmäksi teemakarttojen tuottamiseen monilähdeinventoinnissa. Vaikka ilmakuvauksen parametreja ei ollut valittu stereo­fotogrammetrista 3D-mallitusta varten, ja latvusmalli silmävaraisesti tarkasteltuna oli karkea (Kuva 2), sen korrelaatio puustotunnusten kannalta oli hyvä. Lisäksi menetelmä on tällä hetkellä kustannuksiltaan laserkeilausta edullisempi menetelmä, ottaen huomioon sen, että latvusmallitiedon tuottaminen on mahdollista tavallisia ilmakuvia käyttäen. Tässä esitetyt tulokset eivät ole suoraan verrattavissa laserkeilaukseen perustuvien metsäsuunnittelutiedon tuottamishankkeiden tuloksiin näissä käytettävien erilaisten koealojen poimintastrategioiden vuoksi (eroina esim. katettavat kehitysluokat, otoksen poiminta sekä koealojen siirtäminen metsikkörajatapauksissa).

2

Kuva 2. Havainnollistus fotogrammetrisesta 3D-ilmakuva-aineistosta.

Kansallisessa ilmakuvaohjelmassa tavoitteena on kuvata lähes koko Suomi viiden vuoden välein, jolloin ajantasaisuuden suhteen 3D-ilmakuvaus ei ole yhtä hyvä vaihtoehto kuin satelliitti­kuviin perustuva kartta. Laserkeilauksen suhteen vastaavaa toistoväliä ei kuitenkaan ole määri­telty, joten tältä osin ilmakuva-aineistojen hyödyntäminen varmistaa suhteellisen ajantasaisten 3D-aineistojen saatavuuden metsävaratiedon tuotannossa.

Laserkeilauksen ja ilmakuvatulkinnan välinen ero luotettavuudessa oli verraten pieni, joten sillä ei välttämättä ole merkitystä tuotettuja puustotietoja käytettäessä, mutta erojen merkitys käytännön päätöksenteossa täytyy vielä erikseen tutkia. Laserkeilausta ja 3D-ilmakuvatulkintaa voitaisiin siten soveltaa vaihtoehtoisina menetelminä riippuen kuvamateriaalin saatavuudesta.


Rekisteröidy
Click this link to register to Metsätieteen aikakauskirja.
Kirjaudu sisään
Jos olet rekisteröitynyt käyttäjä, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta
Valitsemasi artikkelit
Hakutulokset
Kangas A., Pynnönen S. et al. (2022) Metsätieteen aikakauskirja vol. 2022 no. 0 artikkeli 10761
Haara A., Kangas A. (2019) Metsätieteen aikakauskirja vol. 2019 no. 0 artikkeli 10079
Siipilehto J., Kangas A. (2016) Metsätieteen aikakauskirja vol. 2015 no. 4 artikkeli 6584
Välimäki E., Kangas A. (2009) Metsätieteen aikakauskirja vol. 2009 no. 2 artikkeli 5759
Kuusisto L., Kangas A. (2008) Metsätieteen aikakauskirja vol. 2008 no. 3 artikkeli 6389
Saari A., Kangas A. (1970) Metsätieteen aikakauskirja vol. 2005 no. 1 artikkeli 6256
Kangas A., Heikkinen E. et al. (1970) Metsätieteen aikakauskirja vol. 2002 no. 3 artikkeli 6181
Maltamo M., Haara A. et al. (1970) Metsätieteen aikakauskirja vol. 2002 no. 3 artikkeli 6180
Rouvinen S., Kangas A. et al. (1970) Metsätieteen aikakauskirja vol. 1997 no. 4 artikkeli 6234
Kangas A., Kangas J. (1970) Metsätieteen aikakauskirja vol. 1998 no. 2 artikkeli 6963
Kangas A., Kangas J. (1970) Metsätieteen aikakauskirja vol. 1997 no. 3 artikkeli 6478
Kangas A., Packalen T. (2018) Metsätieteen aikakauskirja vol. 2018 no. 0 artikkeli 10031
Kangas A., Aakala T. et al. (1970) Metsätieteen aikakauskirja vol. 2004 no. 1 artikkeli 6080
Saarinen N., Kangas A. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 3 artikkeli 6761
Kangas A., Mehtätalo L. (2021) Metsätieteen aikakauskirja vol. 2021 no. 0 artikkeli 10625
Tuominen S., Kangas A. (2018) Metsätieteen aikakauskirja vol. 2018 no. 0 artikkeli 10085
Kangas A., Mäkinen A. (2012) Metsätieteen aikakauskirja vol. 2012 no. 1 artikkeli 5849
Kangas A., Henttonen H. M. et al. (2020) Metsätieteen aikakauskirja vol. 2020 no. 0 artikkeli 10471
Katila M., Rajala T. et al. (2020) Metsätieteen aikakauskirja vol. 2020 no. 0 artikkeli 10470
Kangas A., (2018) Metsätieteen aikakauskirja vol. 2018 no. 0 artikkeli 9952
Tuominen S., Pitkänen T. et al. (2017) Metsätieteen aikakauskirja vol. 2017 no. 0 artikkeli 7792
Wallenius T., Laamanen R. et al. (2012) Metsätieteen aikakauskirja vol. 2012 no. 3 artikkeli 6754
Räty M., Kangas A. (2010) Metsätieteen aikakauskirja vol. 2010 no. 2 artikkeli 5752
Kangas A., Haapakoski R. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 1 artikkeli 5842
Mehtätalo L., Maltamo M. et al. (1970) Metsätieteen aikakauskirja vol. 2006 no. 3 artikkeli 5703
Laukkanen S., Palander T. et al. (1970) Metsätieteen aikakauskirja vol. 2005 no. 4 artikkeli 6144
Kangas A., Maltamo M. (1970) Metsätieteen aikakauskirja vol. 2002 no. 4 artikkeli 6211
Sironen S., Kangas A. et al. (1970) Metsätieteen aikakauskirja vol. 2002 no. 1 artikkeli 6554
Kangas A., Kangas J. et al. (1970) Metsätieteen aikakauskirja vol. 2001 no. 2 artikkeli 6511
Kangas A., Maltamo M. (1970) Metsätieteen aikakauskirja vol. 2000 no. 4 artikkeli 6075
Kangas A., Maltamo M. (1970) Metsätieteen aikakauskirja vol. 2000 no. 4 artikkeli 6074
Halme P., Kangas A. et al. (2022) Metsätieteen aikakauskirja vol. 2022 no. 0 artikkeli 10686
Kangas A., (2020) Metsätieteen aikakauskirja vol. 2020 no. 0 artikkeli 10458
Tokola T., Kangas A. et al. (1970) Metsätieteen aikakauskirja vol. 2006 no. 1 artikkeli 5726
Kangas J., Kangas A. et al. (1970) Metsätieteen aikakauskirja vol. 1998 no. 3 artikkeli 6577
Tikkanen J., Kangas A. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 3 artikkeli 6763
Sirro L., Häme L. et al. (2019) Metsätieteen aikakauskirja vol. 2019 no. 0 artikkeli 10260