Seloste artikkelista Tuominen S., Balazs A., Honkavaara E., Pölönen I., Saari H., Hakala T., Viljanen N. (2017). Hyperspectral UAV-imagery and photogrammetric canopy height model in estimating forest stand variables. Silva Fennica vol. 51 no. 5 article id 7721. https://doi.org/10.14214/sf.7721

Metsäsuunnittelun tarpeisiin tehtävässä metsäninventoinnissa on Suomessa siirrytty perinteisestä silmävaraisesta kuvioittaisesta maastoarvioinnista paljolti kaukokartoitukseen perustuvaan puusto­tulkintaan, jossa lähtötietona käytetään laserkeilauksen tuottamaa 3D-pistepilveä ja vääräväri-ilmakuvaa. Menetelmällä voidaan tuottaa kuviotasolla tarkkoja estimaatteja puuston määrästä ja dimensiosta, mutta ongelmaksi on jäänyt puulajiosuuksien tunnistaminen, ja lisäksi taimikko­kehitysluokissa tarvitaan edelleen arviointia maastossa. Esimerkiksi puulajitulkinnan tarkentamisessa mahdollisia keinoja ovat pistepilviaineiston tiheyden kasvattaminen tai kuva-aineiston radiometrisen resoluution kasvattaminen.

Tämän tutkimuksen tavoitteena oli tarkastella korkearesoluutioisen fotogrammetrisen 3D-pistepilven ja korkean radiometrisen resoluution hyperspektrikuvan yhdistelmää aluetason puusto­tulkinnassa. Testialueina käytettiin aiemmin Metsäntutkimuslaitoksen perustamia koe­metsiköitä Vesijaon tutkimusalueella, joiden sisään rajattiin 298 9 m säteistä ympyräkoealaa puustotulkinnan testausta varten. Koemetsiköt edustivat eri puulajivaltaisuuksia (mänty, kuusi, rauduskoivu ja lehtikuusi) ja kehitysluokkia (nuoresta kasvatusmetsästä uudistuskypsiin), ja niiden puustomäärän vaihtelu oli muutamasta kymmenestä yli tuhanteen kuutiometriin per hehtaari.

Koemetsiköt kuvattiin kesäkuussa 2014 Maanmittauslaitoksen Paikkatietokeskuksen UAV-multikopterista käyttäen RGB- ja hyperspektrikameraa. RGB-kameran kuvia käytettiin fotogrammetrisen 3D-pistepilven tuottamiseen, hyperspektrikameralla tallennettiin 38 sävykanavaa aallonpituusalueilta n. 500–900 nm. Tutkimuksessa käytetty UAV-lentolaite ja siihen asennettu sensorikombinaatio on havainnollistettu kuvassa 1.

Kuva 1. Maanmittauslaitoksen Paikkatietokeskuksen UAV-kuvauslaitteisto: Tarot 960 UAV-multikopteri (vasemmalla) ja siihen asennetut RGB- ja hyperspektrikamera (oikealla). Kuvat: Tapio Huttunen.

Kuvausajankohtana sää- ja valaistusolosuhteet vaihtelivat huomattavasti aurinkoisesta pilviseen ja ajoittain sateeseen, minkä johdosta hyperspektrikanavilla testattiin radiometristä kalibrointimenetelmää, jolla eri kuvien pikseliarvot muunnettiin kalibroiduiksi reflektanssi­arvoiksi. Fotogrammetrinen pistepilvi muunnettiin latvuspintamalliksi käyttäen Maanmittauslaitoksen laserkeilauksella tuottamaa maaston pintamallia.

Puustotulkinnan testauksessa käytetyille ympyräkoealoille irrotettiin latvuspintamallin ja hyperspektriaineiston yhdistelmästä suuri joukko tulkintapiirteitä, jotka koostuivat latvusmallin pisteiden korkeusjakaumaa kuvaavista piirteistä sekä kalibroitujen ja kalibroimattomien hyper­spektrikanavien sävy- ja tekstuuripiirteistä (ml. alkuperäisten kanavien monikanavamuunnokset). Optimaalisen piirreyhdistelmän etsimiseen käytettiin geneettistä algoritmia, jolla haettiin tavoitefunktion mukaista piirreyhdistelmää parhaiden piirteiden periytymisen ja rekombinaatioiden sekä satunnaisen mutatoitumisen kautta. Estimaattorina käytettiin k:n lähimmän naapurin menetelmää. Tavoitefunktiona geneettiselle algoritmille oli estimoitujen puustotunnusten RMSE-arvojen minimoiminen, mikä testattiin kunkin piirreyhdistelmän tuottamien estimaattien ristiinvalidoinnilla.

Piirrevalinta tehtiin kahdesta lähtöaineistosta, toisessa oli hyperspektripiirteet irrotettu alkuperäisistä kalibroimattomista kuvista ja toisessa kalibroiduista. Tällä haluttiin testata sävyarvojen kalibroinnin vaikutus puustotunnusten estimointitarkkuuteen. Piirrevalinnassa testattiin lisäksi kahta vaihtoehtoista lähestymistapaa, toisessa haettiin kaikille puustotunnuksille yhteistä piirrevalintaratkaisua, toisessa haettiin kunkin puustotunnuksen ennustamiseen parhaiten sopivaa piirreyhdistelmää. Yhteisessä ratkaisussa eri puustotunnuksia painotettiin siten, että kokonais­tilavuuden paino oli 0.3, keskipituuden 0.2 sekä läpimitan (LPM) ja puulajeittaisten tilavuuksien 0.1. Parhaiten puustotunnuksia ennustavilla piirreyhdistelmillä päästiin hyviin tuloksiin; puuston kokonaistilavuuden suhteelliseksi RMSE-arvoksi saatiin 22.7%, ja vastaavat luvut keskipituudelle ja keskiläpimitalle olivat 7.4% ja 14.7%.

Kuva-aineiston radiometrisen kalibroinnin hyöty näkyi selvästi varsinkin puulajeittaisten tilavuuksien estimaateissa. Poikkeuksena tästä oli lehtikuusi, mikä todennäköisesti johtui siitä, että maastoaineistossa kaikki lehtikuusikoealat olivat melko tai hyvin suuripuustoisia, jolloin pelkkä 3D-pisteaineisto saattoi riittää yksinään tunnistamaan lehtikuusivaltaiset metsiköt. Yleisesti niissä tunnuksissa, joiden ennustamisessa suurin paino oli 3D-pisteaineiston piirteillä (kuten läpimitta, pituus ja kokonaistilavuus) kalibrointi ei parantanut estimointitulosta.

Puustotunnusten estimoinnissa oli yleisesti ottaen vaikea löytää kaikkien testattujen puustotunnusten estimointiin sopivaa piirreyhdistelmää. Kaikissa puustotunnuksissa parhaan estimointi­tuloksen tuottivat kullekin tunnukselle erikseen haetut kaukokartoituspiirteet. Läpimitan, pituuden ja kokonaistilavuuden osalta kaikille tunnuksille yhteinen piirrevalinta antoi lähes saman estimointi­tarkkuuden kuin tunnuskohtaiset piirteet. Sen sijaan puulajeittaisissa tilavuuksissa ero yhteisten ja tunnuskohtaisten piirteiden välillä oli suuri. Harvinaisten puulajien ennustamisessa muuttujakohtaisesti valitut piirteet pudottivat estimointivirheen lähes puoleen. Puulajikohtaisia tilavuuksia parhaiten ennustavat piirreyhdistelmät antoivat suhteelliseksi RMSE:ksi männyn tilavuudelle 34.5%, kuuselle 57.2%, lehtikuuselle 45.7% ja lehtipuille 42.0% (Kuva 2).

Kuva 2. Puustotunnuksien estimointitarkkuus (läpimitta, pituus, kokonaistilavuus ja tilavuudet puulajeittain) eri piirreyhdistelmillä: kalibroitu/ei-kalibroitu, yhteiset piirteet kaikille tunnuksille, tunnuskohtainen piirrevalinta.