Tutkimuksessa selvitettiin korkearesoluutioisen E-SAR-tutkakuvan tarkkuutta koealatason metsikkötunnusten estimoinnissa. E-SAR-tutkakuvaukset suoritettiin syksyllä 2000 ja keväällä 2000 ProSmart II -projektissa, jonka tarkoituksena oli tutkia tuolloin suunnitteilla olleen TerraSAR-X-satelliittisysteemin potentiaalisia sovellusalueita. Metsikkötunnusten estimointi tehtiin käyttäen ei- parametrista k:n lähimmän naapurin (k-nn) -menetelmää ja tarkkuuden arviointi ristiinvalidiointi-menetelmällä. Estimoituja metsikkötunnuksia olivat kokonaistilavuus, puulajikohtaiset tilavuudet ja osuudet, pohjapinta-ala, keskipituus ja keskiläpimitta. E-SAR-tulkinnan tarkkuutta verrattiin numeeristen ilmakuvien sekä keskiresoluution optisen aallonpituusalueen Landsat ETM -satelliittikuvien tarkkuuteen. Maastoaineistona käytettiin 199 relaskooppikoealaa. E-SAR-estimoinnin suhteelliset RMSE-arvot olivat parhaimmillaan kokonaistilavuudelle, keskiläpimitalle, keskipituudelle ja pohjapinta-alalle 44,8 %, 27,8 %, 27,5 %, 38,3 %. Vertailuaineistona olleille numeerisille ilmakuville vastaavat suhteelliset RMSE-arvot olivat 49,3 %, 25,6 %, 26,5 % ja 40,6 % ja Landsat ETM -kuville 58,3 %, 38,5 %, 34,5 % ja 46,9 %. E-SAR-tutkakuvat toimivat parhaiten kokonaistilavuuden estimoinnissa, jossa niiden tuottama estimointitarkkuus oli huomattavasti sekä ilmakuvaa että Landsat ETM-kuvaa tarkempi. Keskiläpimitan, keskipituuden ja pohjapinta-alan estimoinnissa E-SAR-tutkakuvat sekä numeeriset ilmakuvat tuottivat suurinpiirtein yhtä tarkan tuloksen, joka oli kuitenkin huomattavasti Landsat ETM -kuvaa parempi. Puulajien tilavuuksien ja osuuksien osalta numeeriset ilmakuvat tuottivat E-SAR-kuvia tarkemman estimointituloksen.
Tässä tutkimuksessa on pyritty kehittämään menetelmiä kuvioittaisella arvioinnilla tuotettujen vanhojen kuvioiden rajojen korjaamiseen numeeristen ortoilmakuvien automaattisen segmentoinnin avulla. Vanhoissa kuviorajoissa esiintyy paljon erityyppisiä sijaintivirheitä, jotka johtuvat suureksi osaksi siitä, että kuvioinnissa käytetty ilmakuva-aineisto ei ole ollut riittävän tarkkaa maastossa olevien kohteiden paikantamiseen. Lisäksi osassa kuvioista rajaus on muuttunut edellisestä inventointiajankohdasta esim. tehtyjen metsänhoitotoimenpiteiden takia.
Kuvioinnin korjaamisessa käytettiin kolmea vaihtoehtoista menetelmää. Ns. moodisegmenttimenetelmässä tutkimusalueelle luotiin suuri joukko pienehköjä segmenttejä, joille annettiin sen vanhan kuvion tunnus, jolle suurin osa segmentistä kuului. Kaikki samaan alkuperäisen kuvioinnin kuvioon kuuluneet segmentit yhdistettiin uudeksi kuvioksi. Toisessa menetelmässä muodostettiin automaattisesti uusi kuviointi, jossa uusien kuvioiden minimikooksi asetettiin 0,2 ha. Kolmannessa menetelmässä segmentit jaettiin kahteen pääryhmään: 1) todennäköisesti oikein rajatuilla alueilla oleviin segmentteihin ja 2) segmentteihin, jotka olivat todennäköisesti virheellisesti rajatulla alueella. Pääryhmässä 1 segmenteille palautettiin sen alkuperäisen kuvion numero, jonka alueella ne sijaitsivat. Pääryhmässä 2 segmentit yhdistettiin ilmakuvapiirteiden perusteella lähimpiin naapurikuvioihin tai segmentteihin.
Esitetyillä menetelmillä voidaan helposti korjata pienet siirtymät selväpiirteisessä kuviorajassa. Täysin automaattinen vanhan kuvioinnin virheiden korjaaminen ei kuitenkaan onnistu kuviointivirheiden komplisoidun luonteen vuoksi.
Valtakunnan metsien inventoinnin (VMI) tulokset osoittavat taimikoissa ja nuorissa metsissä olevan runsaasti hoitorästejä. Hoitotöiden edistämiseksi tarvitaan tarkasti paikannettua tietoa hoitokohteiden sijainnista. Tutkimuksessa selvitettiin satelliittikuvien käyttöön perustuvan metsäninventointiaineiston käyttökelpoisuutta hoitoa tarvitsevien kuvioiden paikantamisessa.
Landsat TM -satelliittikuvien avulla tuotetusta VMI:n metsävarakartasta tuotettiin teemakartta taimikonhoitotarpeesta. Puuston pituus- ja lehtipuuosuustietojen perusteella tuotettu kartta ilmaisee taimikonhoidon ja nuoren metsän hoitotarpeen ja hoidon kiireellisyyden ajankohdan neljänä luokkana. Maastotyönä tehdyin tarkastusmittauksin selvitettiin karttatason luotettavuutta. Tulokset koottiin virhematriiseihin, joissa vertailtiin VMI-karttatason kiireellisyysluokitusta maastotarkastuksen pohjalta arvioituun kiireellisyysluokitukseen.
Tutkimustulokset osoittivat, että satelliittikuvatulkinnalla saadaan käyttökelpoista tietoa hoitokohteiden paikantamiseksi. Kankailla kiireellisyysluokituksen onnistuminen oli huomattavasti parempi kuin soilla. Kun hoitotarpeet voidaan paikantaa tarkasti, hoitotöitä pystytään kohdistamaan ja markkinoimaan paremmin maanomistajille ja taimikonhoitomäärät saadaan paremmin vastaamaan todellista tarvetta.
Tutkimuksessa tarkasteltiin ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuutta puustotunnusten ei-parametrisessa estimoinnissa. Aineistona oli kolmesta ilmakuvasta koostetun ortoilmakuvamosaiikin 10 alueelta mitattu segmenttiaineisto. Segmenttien lukumäärä oli 467 kpl, pinta-ala 163,8 ha ja keskimääräinen koko 0,351 ha. Segmentointi tehtiin ilmakuvan sävyarvojen perusteella. Segmentit paikannettiin ja niiden segmentti- ja puustotiedot tallennettiin tiedonkeruulaitteelle. Tiedonkeruulaitteessa käytettiin ilmakuva- ja segmenttiraja-aineistoa taustakarttoina sekä GPS-sijaintitietoa apuna paikantamisessa.
Segmenttien puustotunnusten estimaatit laskettiin segmenttien spektrisiä ominaisuuksia ja k-lähimmän naapurin (knn) menetelmää käyttäen ja niiden luotettavuutta tarkasteltiin ristiinvalidoinnilla. Käytännön sovellustilannetta jäljiteltiin simuloimalla otoksia sävyarvojen perusteella ositettuun segmenttiaineistoon. Otannan luotettavuutta tarkasteltiin ositteen keskitilavuuden keskiarvon keskivirheellä.
Estimoinnissa puustotunnusten suhteelliset keskivirheet vaihtelivat 36,8 %:n (keskiläpimitta) ja 156,3 %:n (lehtipuun tilavuus) välillä. Keskitilavuuden keskivirhe oli 55,1 %. Otannan simuloinnissa pienin keskitilavuuden keskiarvon keskivirhe 36,0 m3 ha–1 saatiin ositemäärällä 40 ja käyttämällä otannassa suhteellista kiintiöintiä.
Tarkasteltu menetelmä havaittiin jatkotutkimuksen arvoiseksi, vaikka tarkkuus ei tämän tutkimuksen perusteella vielä riitä sovellettavaksi käytännön metsätaloudessa.