Paikkatietoanalyysit | GIS-analysis

 

ALS-piirteiden laskenta. ALS-pistepilvi kuvaa metsikön latvuston rakennetta, ja sen avulla voidaan automaattisesti tunnistaa yksittäisiä puita, mitata puuston pituutta ja tiheyttä sekä ennustaa puuston rakennetta kuvaavia puustotunnuksia. Näitä varten ALS-aineisto jaetaan xy-tasossa hilaruutuihin, ja ruutuihin osuneista pisteistä lasketaan pisteiden tiheys- ja korkeusjakaumaa kuvaavia laserpiirteitä. ALS-aineiston esikäsittelyssä ja piirteiden laskennassa käytetään LAStools-työkaluja sekä R-ohjelmistoa. Kuvaus

 

Puustotunnusten ennustaminen. Latvuston rakennetta kuten sen tiheyttä ja pituutta sekä niiden vaihtelua voidaan kuvata suoraan ALS-piirteillä, ja latvuston rakenne puolestaan selittää metsikön rakennetta. ALS-piirteiden avulla voidaan ennustaa metsikön rakennetta kuvaavia puustotunnuksia aluepohjaisessa mallinnuksessa, joka perustuu maastokoeala-aineiston ja ALS-piirteiden väliseen tilastolliseen riippuvuuteen. Esimerkiksi Kotivuoren ym. (2016) laatimilla valtakunnallisilla puustotunnusmalleilla puustotunnukset voidaan ennustaa ilman erillisiä maastomittauksia. Kuvaus

 

ALS-paikkatietoanalyysit. ALS-piirre- ja puustotunnusrastereiden sekä maanpintaa kuvaavan maastomallin avulla voidaan tehdä erilaisia paikkatietoanalyyseja. ALS-aineiston perusteella voidaan kartoittaa esimerkiksi järeät puustot yksinkertaisilla kyselyanalyyseilla. Lehtipuusto voidaan erottaa havupuustosta erilaisen latvusrakenteen perusteella, kun verrataan lehdettömään ja lehdelliseen aikaan kerättyjä aineistoja. Avohakkuut voidaan paikallistaa ja hakkuuajankohdat määrittää ALS-aikasarjan perusteella. Maanpintaa kuvaavan maastomallin avulla sadaan tietoa maaston topografisista ominaisuuksista ja niiden vaihtelusta. Kuvaus

 

 

Yksinpuintulkinta | Individual tree detection

 

Monoplotting. Metsäaseman 27 hehtaarin tontin sekä SMEAR ainevirtaama-aseman noin 5 hehtaarin männikön puut kartoitettiin menetelmällä, jossa operaattori etsii ilmakuvalta puun latvan eli korkeimman pisteen ja osoittaa sitä hiirellä. Tällöin kuvan pikselistä lähtee kohti maisemaa 0.5-1 m halkaisijaltaan oleva putki. Latvukseen latvan lähelle osunut laserkeilauspiste pysäyttää putken, ja siitä saadaan "putkea pitkin kuljettu etäisyys", ja voidaan laskea latvan paikka. Samalla operaattori tulkitsee puulajin. Menetelmä on nopea - jopa 300-400 puuta saa paikalleen tunnissa. Näistä latvaspisteistä voi muodostaa kartan ja paikantaa puut maastossa, jolloin näitä puita voi käyttää paikannettaessa kartalta puuttuvia kohteita esim. kolmioimalla tai trilateroimalla. Kuvaus

 

Työhön käytettiin KUVAMITT-ohjelmaa Quick guide

 

Menetelmästä on olemassa hitaampi variantti, jossa mitataan samalla latvuksen koko Kuvaus

 

Automaattinen yksinpuintulkinta Vuorijärvensuolla demonstroitiin puiden paikantamista ja latvusten segmentointi LiDAR-pistepilvestä. Henri Riihimäki koosti R-ympäristöön ohjelman joka luo latvuston korkeusmallin LAStools ohjelmaa hyödyntäen. Menetelmä on kaksivaiheinen, Puut etsitään korkeusmallilta, ja niiden latvus segmentoidaan mallilta löytyneen latvapisteen ympäriltä. (Marker controlled watershed segmentation). Puille lasketaan myös läpimitat ja sovelletaan runkokäyriä apteeraukseen ja tilavuuslaskelmiin. Taustalla on 1226 puun testiaineisto Vuorijärvensuolta. Oheisesta linkista avautuu yksityiskohtaiset ohjeet ja linkit aineiston lataamiseen. Menetelmän kuvaus ja tulokset

 

Aineisto ja R-ohjelmat ovat täällä - mene ITD-DEMO kansioon ja lataa se kokonaisuudessaan Link

Vuorijärvensuon UAV-SfM 3D mallinnus (väritetty pistepilvi) | UAV-demonstration

Vuorijärvensuon lähiympäristöstä kuvattiin (15.5.2018) noin 45 hehtaarin alue Phantom 4 multikopterilla. Alue katettiin kahdella eri lennolla, lentokorkeutena 150 m maanpinnan yläpuolella. Lennolla käytettiin Map Pilot –autopilottiohjelmaa. Kuvien päällekkäisyydeksi asetettiin 90% lentolinjan suuntaisesti ja 70% lentolinjojen välille. Lopullisen kuva-aineiston koko on 603 kuvaa (JPEG). Huom. lentolinjojen ulkopuolella sijaitsee vielä huomattavasti alueita, mutta tällä alueella edellä mainitut kuvauspeitot eivät pidä paikkansa. Kuvaus tehtiin puolen päivän aikaan. Taivas oli pilvetön, mistä johtuen kuvissa näkyy voimakkaita varjoja.

 

Aineiston georeferointia varten maastoon sijoitettiin 9 paikannuslevyä, joiden keskipiste paikannettiin Trimble Geo7x –paikannuslaitteella. Paikannuksessa käytettiin tosiaikaista SBAS-korjausta. Kutakin paikannuspistettä paikannettiin vähintään 75 havaintoa asettamalla paikannuslaite paikannus levyn keskikohdan päälle. Aineisto jälkikorjattiin Pathfinder-ohjelmistossa. Jatkoprosessoinnissa käytettiin jälkikorjattuja havaintoja.

 

Kuvat prosessoitiin pistepilveksi Pix4D mapper –ohjelmistossa (v. 4.2.27 ** ). Prosessoinnissa käytettiin ohjelman 3D-mallin prosessointiketjua, sillä poikkeuksella, että 3D-mesh –optiota ei valittu. Koordinaattijärjestelmänä käytettiin EUREF FIN TM35 (EPSG: 3067). Kontrollipisteiden RMSE oli 0.124 metriä. Keskimääräinen pisteväli (Average ground sampling distance) oli 6.65 cm. Tarkemmat tiedot prosessoinnin lopputuloksista ovat nähtävillä prosessointiraportista. Oheisessa animaatiossa näkyy lennetty ja prosessoitu 45 ha alue, sekä hieman alueen ulkopuolisia reuna-alueita.

 

Raskas (122 Mtavua) gif-animaatio pistepilvestä pix4D ohjelmalla katseltuna GIF-animaatio Laaturaportti tukipisteiden ja ilmakolmioinnin tuloksista. PDF

Metsäsuunnittelu | Forest planning

 

Metsäsuunnittelu. Mallimetsälön metsäsuunnitelma tehtiin osana suunnitteluprojektia. Sen on tarkoitus olla välineenä opetuskäytössä ja pohjana muille projektissa tehdyille analyyseille. Metsäsuunnittelu toteutettiin perinteisenä kuvioittaisena inventointina, jossa puustotiedot kerättiin relaskooppikoealoilta. Suunnitelma toteutettiin ja raportoitiin ForestKit-ohjelmistolla. Kuvaus

 

ForestKit. Puusto- ja hakkuulaskelmat tehtiin ForestKit-sovelluksen käyttämällä SIMO-ohjelmalla. SIMO on Simosol Oy:n puustotietojen nykytilan ja ennustepuuston laskemiseen kehittämä ohjelma. Kuvaus

 

Pohdintaa optimaalisen metsänsuunnittelujärjestelmän ominaisuuksista. Kuvaus

 

 

 

 

 

 

Visualisointi ja tiedon esitys | Visualization

 

Visualisointi. FOR254-kurssin sisältö oli hyvin laaja, ja lopputuotteiden käyttökohteet monipuolisesti hyödynnettävissä. Päätimme tehdä kokonaan omat verkkosivut tätä tietoa varten, jolloin esimerkiksi opetuskohteita on helpompi valmistella ja demota opiskelijoille. Kaikki keräämämme ja käyttämämme tieto on vapaasti saatavilla. Visuaalisessa ilmeessä olemme käyttäneet HTML:ää, Javascriptiä ja SVG:tä. Näillä tiedostomuodoille saimme kevyen rakenteen tiedon esitykselle. Esimerkiksi SVG soveltuu skaalautuvuudensa puolesta hyvin juuri puustokarttoihin ja kuviorajoihin. Kuvaus