Työn tavoitteena oli selvittää Turun Ruissalon tammien (Quercus robur) tunnistusta visuaalisen stereokuvatulkinnan avulla. Työssä tutkittiin millä tarkkuudella tammen tunnistus on mahdollista sekä mitkä ovat suurimmat virhelähteet. Aineisto koostui tarkan spatiaalisen resoluution ilmakuvista sekä kaksiosaisesta maastoaineistosta: koealoista, jotka toimivat tulkinnan opetusaineistona ja harjoitustulkinnan tarkastusaineistona, sekä laajemman tulkinnan koealueesta. Työssä tunnistettiin subjektiivisesti tammia stereoilmakuvalta visuaalisen kuvatulkinnan menetelmiä käyttäen. Koealueen tammien oikeinluokitusprosentti on 53 %, kommissiovirhe 27,5 % ja omissiovirhe 19 %. Virhettä aiheutui siitä, että kuvalla puu virheellisesti tulkittiin tammeksi, vaikka maastomittausten mukaan se oli muuta puulajia. Useimmiten tammiin sekoitetut puulajit olivat lehmus ja raita. Virhettä aiheuttivat myös suurilatvuksiset tammet, joita kuvalla virheellisesti tulkittiin kahdeksi erilliseksi tammeksi. Kuvatulkinnassa täysin tunnistamatta jääneet tammet painottuivat pienimpiin läpimittaluokkiin. Menetelmän tarkkuus on parhaimmillaan silloin, kun keskitytään läpimitaltaan yli 50 cm oleviin tammiin. Tosin kuvatulkintaa on lähes mahdotonta suunnata vain tämän läpimitan ylittäviin tammiin. Menetelmä on kuitenkin tarkoituksenmukainen, koska vanhoista järeistä tammista ollaan Ruissalossa erityisen kiinnostuneita. Tarkkuutta voidaan parantaa kalibroimalla tulkitsijan silmää maastovierailuin sekä käyttämällä tulkinnassa apuna ulkopuolisia tiedonlähteitä, kuten kuviotietoja.
Taimikonhoidon tarve määritetään perinteisesti maastoinventoinnilla, joka on kuitenkin hidasta ja kallista. Viime aikoina onkin pohdittu mahdollisuutta hyödyntää kaukokartoitusmateriaaleja taimikonhoitotarpeen määrittämisessä. Tämän tutkimuksen tavoitteena oli selvittää laserkeilauksen soveltuvuutta varttuneiden kuusen taimikoiden inventointiin ja taimikonhoitotarpeen määrittämiseen. Tutkimuksessa hyödynnetty maastoaineisto mitattiin Pohjois-Savossa Sonkajärven kunnan alueella ja se koostui yhteensä 25 taimikosta inventoidusta 195 koealaryppäästä. Kaukokartoitusmateriaalina käytettiin pistetiheydeltään 0,5 pulssia per neliömetri olevaa laserpisteaineistoa.
Laserpisteaineiston tunnuksilla ja metsätaloussuunnitelmatiedoilla ennustettiin lineaarisilla sekamalleilla koealojen puustojen keskipituutta ja tiheyttä. Taimikonhoidon kiireellisyysluokitus tuotettiin sekä lineaarisella erotteluanalyysillä käyttäen selittäjinä suoraan lasertunnuksia että luokittelemalla, jolloin hyödynnettiin laadittuja malleja puuston tiheydestä ja pituudesta. Laskettuja estimaatteja verrattiin maastossa mitatuille koealoille tehtyyn taimikonhoidon kiireellisyysluokitukseen virhematriisin avulla.
Taimikonhoidon kiireellisyysluokittelu onnistui hieman paremmin suoralla erotteluanalyysillä (oikeinluokitusprosentti 71,8 %) verrattuna sekamalleihin perustuvien puuston pituus- ja tiheys–estimaattien käyttöön luokittelussa (oikeinluokitusprosentti 69,2 %). Tulokset antavat viitteitä siitä, että laserkeilausta voitaneen tulevaisuudessa hyödyntää myös varttuneiden taimikoiden inventointiin ja taimikonhoidon kiireellisyyden määrittämiseen.
Tutkimuksen tavoitteena oli selvittää, kuinka luotettavasti ilmasta käsin kerätystä harvapulssisesta laserpisteaineistosta voidaan ennustaa kuviokohtaisia puustotunnuksia. Maastoaineistona käytettiin 472 koealan puustotietoja, jotka oli mitattu 67 kasvatus- ja uudistamisvaiheen kuviolta. Kaukokartoitusmateriaalina käytettiin laserpisteaineistoa, jonka tiheys oli keskimäärin 0,7 pulssia neliömetrille. Tutkimusaineisto kerättiin elo–syyskuussa 2004 UPM-Kymmene Oyj:n omistamalta tilalta Varkaudesta.
Tutkimuksessa sovelletun tilastollista mallinnusta käyttävän lähestymistavan toiminta perustuu siihen, että regressioyhtälöillä lasketaan laserpisteaineistosta puustotunnukset. Työssä laadittiin malleja puustotunnusten ja laserpisteparvesta lasketun korkeusjakauman tunnusten välille koealatasolla. Laadituilla regressioyhtälöillä ennustettiin metsikkökuviolle, käyttäen koko kuviolle osuneita laserpisteitä, puuston keskiläpimitta, keskipituus, runkoluku, pohjapinta-ala ja tilavuus. Mallit tuottivat laadinta-aineistossaan edellä mainituille puustotunnuksille seuraavat absoluuttiset ja suhteelliset keskivirheet (RMSE): 1,9 cm (9,5 %), 1,9 m (5,3 %), 274 kpl/ha (18,1 %), 2,0 m2/ha (8,3 %), ja 19,9 m3/ha (9,8 %). Saadut tulokset ovat erittäin tarkkoja ja verrattuna SOLMU-muotoiseen maastossa tehtävään kuvioittaiseen arviointiin selvästi tarkempia. Esitetty inventointimenetelmä on edelleen kehitettynä erittäin lupaava vaihtoehto metsäsuunnittelun metsänmittaustehtävään Suomessa.
Tässä kirjallisuuskatsauksessa tarkastellaan, millaista metsien monimuotoisuutta kuvaavaa tietoa voidaan saada nykyaikaisen kaukokartoitus- ja sensoritekniikan avulla. Käsittely keskittyy Suomeen, Ruotsiin ja Norjaan, missä metsät, ilmasto-olot ja teknologiset valmiudet sekä käytetyt teknologiat ovat samankaltaisia. Laserkeilaimia ja kuvantavia monikanavasensoreita voidaan asentaa monenlaisille liikkuville alustoille: satelliitteihin, lentokoneisiin, drooneihin ja metsäkoneisiin. Mitä lähempää kohdetta havainnoidaan, sitä tarkempaa tietoa saadaan, mutta sitä pienempi on myös kerralla havainnoitu pinta-ala. Yleisesti käytetyistä monimuotoisuuden indikaattoreista suurikokoisten säästöpuiden määrää, puuston eri-ikäisrakenteisuutta ja vesistöjen suojavyöhykkeitä voidaan havainnoida suhteellisen luotettavasti Suomessa laajalti saatavilla olevilla lentolaserkeilausaineistoilla. Lahopuun ja vähälukuisten puulajien, kuten haavan (Populus tremula L.), tunnistaminen onnistuu tällä hetkellä esimerkiksi droonien avulla pienille alueille kerrallaan, mutta riittävän tarkan tiedon saaminen suuralueille vaatii nykyistä tarkemman tekniikan käyttöönottamista lentokoneilla tehtävissä kartoituksissa. Tietyille eläin- ja kasvilajeille sopivia elinympäristöjä voidaan kartoittaa suuriltakin alueilta, mutta esimerkiksi pintakasvillisuudesta ei käytännössä vielä saada riittävän tarkkoja suoria havaintoja. Kaukokartoitus soveltuu kuitenkin hyvin maastoinventointien kohdentamiseen oikeisiin paikkoihin. Metsäkonetietoa hyödyntämällä on mahdollista dokumentoida hakkuissa tehdyt tekopökkelöt ja säästöpuuryhmän tai muun käsittelemättömän alueen, esimerkiksi vesistön tai pienveden suojavyöhykkeen, avainbiotoopin, suojeltavan alueen tai riistatiheikön ympäriltä hakatut rungot. Hyödynnettäessä metsäkonetietoa metsäluonnon monimuotoisuuden mittaamisessa ja seurannassa tärkein asia juuri nyt on parantaa hakkuukoneen hakkuulaitteen sijaintitiedon tarkkuutta anturoimalla hakkuukoneen puomi. Tulevaisuudessa tavoitteena on oltava automatisoitu metsäluonnon monimuotoisuuden mittaaminen ja dokumentointi puunkorjuuoperaatioiden yhteydessä, mikä edellyttää metsäkoneen sensorointia. Tarkan, automatisoidun monimuotoisuustiedon tuottaminen metsäkoneissa olevilla sensoreilla on todennäköisesti mahdollista toteuttaa tällä vuosikymmenellä. Yhteenvetona kaukokartoitus- ja sensoritekniikka mahdollistaa tulevaisuudessa huomattavasti nykyistä tarkemman metsien monimuotoisuutta kuvaavan tiedon keräämisen myös suuralueilta. Tarkimpaan lopputulokseen päästään yhdistämällä useista eri lähteistä peräisin olevia tietoja.