ALUEPOHJAINEN estimointi Vaihtoehtoinen ja itse asiassa yleisempi ja tehokkaampi tapa käyttää LiDARia puuston määrän ja rakenteen estimointiin on, ei puutason estimointi kuten MARV1-harjoituksessa, vaan estimointi koeala/segmentti/aluetasolla. 1. Alueen keilaus ja korkeailmakuvaus 2. Maastoreferenssikoealojen mittaus (ympyrä- tai relaskooppikoealoja, tarkka paikannus) 3. Piirreirrotus ja mallinnus 3.1 Referenssikoealojen LiDAR-pisteistä lasketaan erilaisia selittäviä tunnuslukuja, jotka kuvaavat latvuston tiheyttä ja korkeusprofiilia. Ilmakuvilta irrotetaan sävyarvo/tekstuuripiirteitä, joilla pyritään selittmään puulajivalikoimaa. 3.2 Maastotunnusten (esim. V, D, G, H, Vspp) ja piirteiden (selittäjien) välille rakennetaan niiden väliset riippuvuudet kuvaavia malleja (esim. lähimmän naapurin menetelmät, regressiotekniikat). Alue jaetaan
soluihin,
segmentteihin ja/tai kuvioihin ja näille yksiköille lasketaan
laser- ja ilmakuvapiirteet, jotka toimivat syötteenä
malleille
ja näin saadaan metsikkötunnukset ko.
estimointiyksiköille.
Aluepohjaista
menetelmää on sovellettu metsäteollisuusyritysten
inventoinneissa jo vuodesta 2004. Seuraavana vuorossa olivat
valtionmaat ja yksityismetsätalouden metsäsuunnittelussa on
otettu ensi askeleita viime vuosina.
Aluepohjaisia menetelmiä ovat Suomessa tutkineet ja kehittäneet erityisesti Joensuun yliopiston tutkijat (2004-). Pioneereja olivat ruotsalainen Mats Nilsson, (1989-) ja norjalainen prof. Erik Naesset (1997-). Suomessa Prof. Juha Hyyppä oli ensimmäinen LiDAR-metsätutkija (1998-). Kaupallisia LiDAR-palveluja on ollut saatavilla noin vuodesta 2003. Suomessa vaikuttavat mm. Terratec, Finnmap ja Blom. Kuviokohtaisten puustotunnusten ennustaminen laserkeilauksella (Metsätieteen aikakausikirja 4/2005). Taimikoissa (Metsätieteen aikakausikirja 1/2008). Koska LiDAR data mittaa latvuston vertikaalista rakennetta ja tiheyttä, voidaan sitä käyttää latvuston sulkeutuneisuuden (%), lehti-pinta-alaindeksin, latvustuhojen jne. mittaamiseen. Soveluksissa tarvitaan kuitenkin aina maastomittauksia, joilla tehdään mallinnus (vaihe 3.2) ja kalibrointi (fenologia-, laite-, ilmakehätekijät). Koealoja ja maastomittauksia siis tarvitaan edelleen. Esimerkki aluepohjaisesta LiDAR-estimoinnista (Lakkasuo Orivesi) (Korpela, Koskinen, Vasander et al. 2009). Lakkasuon 63 ha
luonnontilainen osa jaettiin 10 x 10 m ruutuihin ja ruutujen LiDAR
pisteistä laskettiin mm. tunnukset hq10 (maksimi pituus/korkeus)
ja pg15 (alle 15 cm maastomallista olevien maapisteiden osuus), jotka
olivat selittäviä piirteitä suotyypille (21
luokkaa)- RF (Random Forest ) ja SVM (Support Vector
Machines) luokittimet opetettiin käyttämään
näitä kahta ja useaa muuta LiDAR-piirrettä. .
Laserosumien
korkeusjakauman %-pisteet (10, 20,..100) kertovat siitä,
kuinka puusto pidättää laserpulsseja. Kuvassa aitojen
puustoisten soiden %-pistekäyrät. Runsaspuustoiset RhK, LhK,
MK ja KgK erottuvat harvaspuustoisista (RaR). Esim. RHK:lla
pisteistä enää 25% on 10% suhteellisen korkeuden
alapuolella, kun taas RAR:lla yli 80% pääsee tuon korkeuden
alle. Käyrien muoto kertoo myös puulajivalikoimasta
(latvusten muoto).
Suotyyppi on
luokkamuuttuja. Kuvassa on maaosumien osuus (pg, 0-1) puuston
runkotilavuuden V = (m3/ha, 0.-600) selittäjänä.
Aluepohjainen puustotunnusten estimointi perustuu yo. kuvan kaltaisten
relaatioiden mallintamiseen referenssikoealojen avulla.
|