Artikkelit jotka sisältää sanan 'ilmakuva'

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.

• Eerikäinen, Sähköposti: matti.maltamo@uef.fi
• Packalén, Sähköposti: ei.tietoa@metsatiede.org
• Maltamo, Sähköposti: ei.tietoa@metsatiede.org
• Mäkitalo, Sähköposti: ei.tietoa@metsatiede.org

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.

• Tuominen, Sähköposti: sakari.tuominen@metla.fi
• Pekkarinen, Sähköposti: ei.tietoa@metsatiede.org

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.

• Hyvönen, Sähköposti: pekka.hyvonen@metla.fi
• Pekkarinen, Sähköposti: ei.tietoa@metsatiede.org
• Tuominen, Sähköposti: ei.tietoa@metsatiede.org

Yksityismetsien metsävaratiedon keruuseen tarvitaan lähitulevaisuudessa kustannustehokkaampia menetelmiä. Tässä tutkimuksessa vertailtiin kaukokartoitusmenetelmien ja nykymuotoisen maastoinventoinnin luotettavuutta samoilla testialueilla. Testatut kaukokartoitusmenetelmät olivat: 1) fotogrammetrisiin puumittauksiin ja visuaaliseen puulajitulkintaan perustuva ilmakuvatulkinta, 2) puoliautomaattinen yksinpuintulkinta numeeriselta ilmakuvalta, 3) puoliautomaattinen yksinpuintulkinta ilmakuvalta ja laserkeilausaineistosta ja 4) laserkeilainaineiston korkeusjakaumaan perustuva menetelmä.

Laserkeilainaineiston korkeusjakaumaan perustuva menetelmä oli kokonaisuutena testatuista menetelmistä luotettavin. Tällöin metsikkökohtainen puuston kokonaistilavuuden suhteellinen keskivirhe (%) oli 18,8 ja 17,8 tutkimuksen kahdella testialueella. Menetelmällä saatiin jopa luotettavammat metsikkötason puustotunnukset kuin nykymuotoisella maastoinventoinnilla. Ilmakuvien fotogrammetrisella mittauksella ja visuaalisella tulkinnalla saatiin luotettavia tuloksia puuston keskipituuden ja -läpimitan suhteen, mutta puuston pohjapinta-alan ja tilavuuden arviointi tuotti menetelmällä vaikeuksia. Yhdistämällä laserkeilainaineisto puoliautomaattiseen yksinpuintulkintaan saatiin luotettavammat tulokset kuin soveltamalla tulkintamenetelmää ainoastaan ilmakuvaan.

Seuraavan metsävaratietojärjestelmän tiedonkeruu- ja ylläpitomenetelmät sisältävät kaukokartoitusperusteisia menetelmiä yhdistettynä kevennettyyn maastoinventointiin sekä metsävaratiedon jatkuvaa ylläpitoa ja laskennallista ajantasaistusta. Kaukokartoitusmenetelmien osalta vuosituhannen vaihteen jälkeen tehty tutkimus osoittaa, että luotettavimmat tulokset saadaan laserkeilainaineiston ja ilmakuvan yhdistelmällä, jolloin voidaan tuottaa myös puulajeittaisia puustotunnuksia.

• Uuttera, Sähköposti: janne.uuttera@tapio.fi
• Anttila, Sähköposti: ei.tietoa@metsatiede.org
• Suvanto, Sähköposti: ei.tietoa@metsatiede.org
• Maltamo, Sähköposti: ei.tietoa@metsatiede.org

Tutkimuksessa selvitettiin yksittäisten latvusten segmentointiin ilmakuvalta perustuvan puustotunnusten arviointimenetelmän tarkkuus. Puuston arviointiin kehitetty tietokoneohjelma rajaa puiden latvukset puoliautomaattisesti, minkä jälkeen se laskee puustotunnukset malliketjulla. Puun rinnankorkeusläpimitta ennustettiin latvusalan perusteella, pituus rinnankorkeusläpimitan perusteella ja tilavuus rinnankorkeusläpimitan ja pituuden perusteella. Metsikkötunnukset saatiin kuvion kaikkien segmentoitujen puiden keskiarvoina ja summina. Ohjelmassa oli myös opetettava puulajintunnistusalgoritmi. Runkoluvun, pohjapinta-alan ja tilavuuden estimaatit olivat reiluja aliarvioita, mikä johtui osittain siitä, että aineistossa oli useita puuston tilavuudeltaan erittäin suuria kuvioita. Menetelmä osoittautui jatkotutkimuksen arvoiseksi, vaikka menetelmän tarkkuus ei tämän tutkimuksen perusteella riitäkään metsäsuunnittelussa tarvittavien lähtötietojen tuottamiseen.

• Anttila, Sähköposti: perttu.anttila@forest.joensuu.fi
• Lehikoinen, Sähköposti: ei.tietoa@metsatiede.org

Tutkimuksessa on esitetty menetelmä erotuskuvatekniikan soveltamisesta numeerisille ilmakuville sekä testattu menetelmän luotettavuus metsässä tapahtuneiden muutosten tunnistamiseksi. Kuviokartan ja erotuskuvan avulla tulkittiin muuttuneet kuviot ja tulkinnan tuloksia verrattiin maastossa kartoitettuihin muutoksiin. Tulosten mukaan menetelmällä on luotettavasti tulkittavissa esimerkiksi maanmuokkaukset ja päätehakkuut. Lievemmät muutokset, kuten harvennukset, eivät menetelmällä erottuneet.

• Hyppänen, Sähköposti: harri.hyppanen@metsaliitto.fi

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.

• Holopainen, Sähköposti: markus.holopainen@helsinki.fi
• Tuominen, Sähköposti: ei.tietoa@metsatiede.org
• Karjalainen, Sähköposti: ei.tietoa@metsatiede.org
• Hyyppä, Sähköposti: ei.tietoa@metsatiede.org
• Hyyppä, Sähköposti: ei.tietoa@metsatiede.org
• Vastaranta, Sähköposti: ei.tietoa@metsatiede.org
• Hujala, Sähköposti: ei.tietoa@metsatiede.org
• Tokola, Sähköposti: ei.tietoa@metsatiede.org

Tutkimuksen tavoitteena oli selvittää automaattisten ja puoliautomaattisten kuviointimenetelmien käyttökelpoisuutta ennakkokuvioinnissa. Tutkimuksessa vertailtiin visuaalisella kuvatulkinnalla, puoliautomaattisella menetelmällä ja kolmella eri segmentointiohjelmalla automaattisesti tuotettuja kuviointeja. Käytetyt segmentointiohjelmat olivat 1) Helsingin yliopistolla kehitetty automaattinen Winseg32-segmentointiohjelma, 2) Metsäntutkimuslaitoksessa kehitetty automaattinen segmentointiohjelma ja 3) Oy Arbonaut Ltd:n kehittämä puoliautomaattinen Stand Delineation Tool -segmentointiohjelma. Tutkimuksessa vertailtiin eri menetelmillä tuotettujen kuvioiden puustotunnusten homogeenisuutta ja kuviorajojen sijaintitarkkuutta. Puustotunnusten homogeenisuuden tarkastelussa visuaalinen ja puoliautomaattinen tulkinta osoittautuivat yhtä hyviksi menetelmiksi. Puoliautomaattisessa menetelmässä segmentointiohjelman tuottamia kuviorajoja jätettiin ennakkokuviointiin visuaalista tulkintaa enemmän. Kuviorajojen sijaintitarkkuus oli paras visuaalisessa tulkinnassa. Automaattiset menetelmät eivät tuota lopullista kuviointia, vaan visuaalinen tarkistus ja maastotarkistus ovat tarpeen.

• Sell, Sähköposti: raisa.sell@tapio.mailnet.fi