Puustotunnusten tulkintaan vaikuttavat tekijät, Blom Kartta Oy, Aki Suvanto
•
0 recomendaciones•385 vistas
Puustotunnusten tulkintaan vaikuttavat tekijät, Blom Kartta Oy, Aki Suvanto
Recomendados
Recomendados
Más contenido relacionado
La actualidad más candente
La actualidad más candente (16)
Más de Suomen metsäkeskus
Más de Suomen metsäkeskus (20)
Puustotunnusten tulkintaan vaikuttavat tekijät, Blom Kartta Oy, Aki Suvanto
- 1. Kaukokartoituspohjaiseen metsien inventointiin vaikuttavat laatutekijät Blom Kartta Oy Aki Suvanto
- 2. Kaukokartoituspohjainen metsien inventointiprosessi • Laserkeilaus • Ilmakuvaus • Referenssimaastokoealojen mittaus • Automaattikuviointi ja hila-aineisto • Puustotunnuksien mallinnus • Puustotunnuksien laskenta • Datan toimitus asiakkaalle
- 3. Laserkeilauksen lentoparametrit • Lentokorkeus 1800-2500 metriä • Pulssin toistotaajuus 50-150 kHz • Lentonopeus 75 m/s • Lentolinjan leveys n. 1000 metriä ja sivupeitto 20% • Pulssitiheys yleensä n. 0.5-1.0 pulssia/m² • Single-pulse ja multipulse • Datan laadun kannalta metsäkeilauksissa tärkeää vain yhden ainoan instrumentin käyttö – Tosin tätäkään ei voi aina vaatia – Esimerkiksi instrumenttien rikkoutuminen – Kalibrointi monesti suositeltavaa
- 4. Laserkeilaus • Aktiivinen kaukokartoitus menetelmä, joka tuottaa 3D- informaatiota • Jokaisella pisteellä x,y,z- koordinaatti ja intensiteetti • Havaittavasta kohteesta saadaan yleensä 1-4 kaikua • Riippuu kohteen muodosta ja rakenteesta • Metsikkötulkinnassa aineisto jaetaan first pulse ja last pulse dataksi • Näistä lasketaan erilaisia selittäviä muuttujia laskentamalleihin • Metsässä laser tuottaa tietoa puuston pituudesta ja tiheydestä
- 5. Laserkeilauksen merkitys puustotulkinnassa • Laserin vasteella iso merkitys inventoinnin hyvässä onnistumisessa • Vaatii tarkan instrumenttituntemuksen sekä oikeanlaisten lentoparametrien käytön • Onko kesäkeilaus vai kevätkeilaus parempi? – Olennaisempaa on millä parametreilla lennetään • Pulssin energialla ja kaikusuhteilla iso merkitys • MML-keilauksien kaikuanalyysi on askel oikeaan suuntaan – Kannustaa parempaan keilaamiseen – Tosin sekään ei silti kerro lopullista datan laatua – Intensiteetit voi vaihdella => onko syynä lentokorkeuden muutos vai instrumentin säätö Only%A FirstOnly%A Intermediate%A LastOnly%A 36.93 40.78 9.07 13.21
- 6. Laserin ominaisuuksia, MML lukuarvo 0.16
- 7. Laserissa näkyvä intensiteetin vaste
- 8. Ilmakuvaus • Ilmakuvauksessa käytössä UltraCamXP, UltraCamEagle, DMC III • Kamerassa neljä värikanavaa RGB ja lähi-infra • Lisäksi käytössä pankromaattinen kanava • Kuvauskorkeudet vaihtelee 5000 – 8500 m • Kuvien maastoresoluutio 0.3-0.5m • Kuvien pituuspeitto 80% ja sivupeitto 30-40% • Sama kohde näkyy usealla eri ilmakuvalla
- 9. Ilmakuvauksen hyödyntäminen puustotulkinnassa • Kaukokartoituspohjaisessa metsien inventoinnissa ilmakuvia hyödynnetään pääasiassa puulajitulkinnassa • Jokainen laserpiste mäpätään laskennassa oikaisemattomiin level02-ilmakuviin • Tällä vältetään ortokuvissa tapahtuva säteissiirtymä ja kuvien radiometrinen laatu on parempi • Ilmakuvista lasketaan erilaisia sävykeskiarvoja ja kanavasuhteita • Näitä hyödynnetään laskentamalleissa selittävinä muuttujina ©Packalén et al. (2009)
- 10. Ilmakuvauksen merkitys puustotulkinnassa • Paras lopputulos jos kuvat on kerätty mahdollisimman pienen aikaikkunan sisällä – Tämä toteutuu joskus – Puulajitulkinnan parantuminen • Yleensä data jakaantuu koko kesälle – Keliolosuhteet ja suuret kuvaus pinta-alat – Ei täysin optimaalista puulajitulkinnan näkökulmasta • Sallitaan usean samankaltaisen kameran käyttö – Ei fataalia, mutta tuo pienen lisämausteen • Kameran säätäminen blokin sisällä – Vaikeuttaa toimintaa huomattavasti – Tätäkin joskus pakko tehdä • Ilmakuvainformaation hyödyntämisellä myös iso merkitys
- 12. Maastokoealamittaus • Inventoitavalta alueelta kerättävät referenssikoealat (500-1000 kpl) • Koealojen keräämisessä on tärkeää saada kiinni alueen puuston koon ja puulajien vaihtelut • Koealoja pyritään keräämään kaikista kehitysluokista – Y1, S0, T2, 02, 03, 04 • Kaikista koealan puista pituudet tai sitten koepuumittaukset – Näkisin mieluusti, että mitattaisiin pituuksia myös kaikista puista • Koealat ympyräkoealoja 5,64m, 9m ja 12,62m • Koealojen tarkka paikannus GPS-laitteilla – Jälkikorjaus paikannustarkkuuden lisäämiseksi • Kaukokartoittajalle metsä on tietynkokoinen ”ympyrä” ja hehtaarikohtaiset luvut ovat siinä paikassa
- 13. Koealamittauksien merkitys puustotulkinnassa • Kattavuustarkastelu tosi isossa merkityksessä • Tulkitsijan pitäisi pystyä lukemaan datoista kaikki olennainen • Tasapainoilua alueen keskimääräisyyden ja kaiken kattavan maastodatan keräämisen välillä • Toimenpidesuunnittelun näkökulma – Tiheät 02 metsät – 04-kehitysluokka ja taimikot • Eteläinen Suomi – Kannattaa mitata kaikkea kattavasti • Pohjoinen Suomi – Mänty dominoi – Vaikeutena lehtipuustot ja kuusikot – Toiminta ohjautuu enemmän keskimääräiseen suuntaan
- 14. Puustotulkinnan laskentamenetelmät • Puustotulkinta perustuu laserin pistepilvestä ja ilmakuva-aineistosta laskettuihin tilastollisiin tunnuslukuihin, joiden avulla mallinnetaan koealoilta mitattuja puustotunnuksia. • Regressiopohjainen menetelmä – Ei tuota tietoa eri puulajeista – Tuottaa tarkat tunnukset kokonaispuustolle – Extrapoloi mallinnusdatan ulkopuolelle • Ei-parametriset lähimmän naapurin menetelmät (knn ja kmsn) • Joustavia, mahdollistavat useampien vastemuuttujien samanaikaisen estimoinnin • Tärkeää puustotunnuksien keskinäisen loogisuuden takia • Vaatii melko paljon koealoja • Inventointituotteen laatu yhtä hyvä kuin käytettävissä oleva mallinnusaineisto
- 15. Puustotulkinta aluepohjaisella menetelmällä 02 PPA 30 m2/ha vs. 04 370 m3/ha
- 16. Estimoitavat puustotunnukset • Ennustettavat puustotunnukset – Keskiläpimitta – Keskipituus – Runkoluku – Pohjapinta-ala – Tilavuus – Ikä – Valtapituus • Tunnistettavat puulajit : mänty, kuusi ja lehtipuut • Taimikonhoitoon ja harvennustarpeeseen suoratulkinta luokittelumalleilla • Runkolukusarjojen tuottaminen • Teoreettiset puutavaralajikertymät • Kasvupaikkaluokitus
- 17. Koealatason mallinnus • Koealoille leikataan piirteet laser- ja ilmakuva-aineistosta – Tarkka GPS-sijainti ehdottoman tärkeää • Ensimmäiseksi loogisuustarkistukset esim. maastomitatun keskipituuden ja lidarin pituusmuuttujien kesken • Mallinnus on iteratiivinen prosessi jossa minimoidaan annettua kustannusfunktiota – Puulajeittaiset summa- ja keskitunnukset – Vaatii hyvän ja nopean optimointialgoritmin • Testaa ja valitsee parhaat selittävät muuttujat lidar- ja ilmakuva- aineistosta – Tarkkuutta lasketaan koeala-aineistossa leave-one-out menetelmällä
- 18. Koealatason mallinnus • Lopullinen mallin valinta on aika monimutkainen päätöksenteko prosessi • Mallikanditaatteja on paljon ja niiden välillä voi olla pieniä eroja • Niitä tarkistetaan mm. seuraavasti – Koealatason hajontakuvat ja tunnusluvut • Harhattomuuden varmistaminen – Alueelliset tarkistuslaskennat • Hila-aineiston artifakti, esim. ilmakuvan tai laserkeilausaineiston ominaisuuden takia • SMK-hankkeiden kiintesäteisiltä koealoilta mitatut tarkistusmittauskuviot – Niillä saadaan lopullinen varmuus, mitä mallia kannattaa käyttää – Lisäksi tilastollinen näkemys tehdyistä laskennoista • Trestimalla arviointi keskittyy vain pohjapinta-alaan
- 19. Laskentasysteemin merkitys laadun näkökulmasta • Kaukokartoituspohjainen inventointiprosessi on todella iso kokonaisuus – Vaatii todella hyvän ymmärryksen ja tietämyksen – Metsätiede, Tietojenkäsittelytiede, Tilastotiede, Photogrammetria, Paikkatieto • Aineistot melko isoja ja massiivisia – Pikaisesti tehdyt ratkaisut eivät ole hyviä • Pelkistetysti sanottuna kaikki vaikuttaa kaikkeen • Tästä syystä kokonaisuus ratkaisee lopullisen laadun • Paras tietämys syntyy vasta vuosien kokemuksen jälkeen • Prosessi elää ja muuttuu jatkuvasti instrumenttien ja laskentamenetelmien kehityksen myötä • Kriittinen suhtautuminen omaan tekemiseen • Keskinäinen palaute ja keskustelu • Tulkitsijat eivät käytä aineistoa
- 20. Monikanavakeilaus • Optechin Titan instrumentti • Tällä hetkellä uusinta keilainteknologiaa • Lähettää pulsseja kolmella eri aallonpituusalueella – Channel 1 1550 nm pidempiaaltoinen lähi-infra – Channel 2 1064 nm lähi-infra – Channel 3 532 nm vihreä laseri • Koko aaltomuodon tallennus yhdeltä tietyltä kanavalta • Tuottaa yhtenäisen pistekuvion • Kanava 2 vastaa ns. normilaseria • Tällä hetkellä lentokorkeus pidettävä aika maltillisena – 1300-1400m • Tulevaisuudessa saadaanko monikanava data esim. 2500m?
- 22. Titan datan intensiteetti kaikki heijastumat
- 23. Titan datan intensiteetti yli 2m korkeudelta