Puuston laatutunnusten mittaus ja mallinnus
-
Upload
maa-ja-metsaetalousministerioe -
Category
Environment
-
view
102 -
download
3
Transcript of Puuston laatutunnusten mittaus ja mallinnus
www.helsinki.fi/yliopisto
MMM-kärkihankkeet 2016-2018Puuston laatutunnusten mittaus ja mallinnus
MMM-laatu
Metsätieto ja sähköiset palvelut –hankkeen välitulosseminaari 7.3.2017
Helsingin yliopiston metsätieteiden laitos (HY, Markus Holopainen, Mikko Vastaranta) Maanmittauslaitoksen paikkatietokeskus (FGI, Juha Hyyppä)
Itä-Suomen yliopisto (UEF, Matti Maltamo)Luonnonvarakeskus (LUKE, Jaakko Repola, Harri Mäkinen, (Jari Vauhkonen))
Metsäteho (Jarmo Hämäläinen, Tapio Räsänen)Arbonaut (jussi Peuhkurinen)
Visio Hankkeen tavoitteet &
osahankkeet Tuloksia Hankkeen jatko /
yhteenveto
Kuva: FGI
www.helsinki.fi/yliopisto
Visio: Tulevaisuuden metsävaratieto – Ajantasainen hilatason inventointi + runkolukusarjan ja laatutunnusten tarkentaminen puukohtaisella tiedolla
Kuva: Ville Kankare HY
www.helsinki.fi/yliopisto
Visio: laserkeilauksen avulla tarkempaa metsävaratietoa – kuviotasolta puu(oksa)tasolle
www.helsinki.fi/yliopisto
MMM-laatuTavoitteet
Miksi? Puiden ja puustojen laatutunnusten avulla olisi mahdollista tuottaa lisäarvoa koko puunkorjuun ja –jalostuksen ketjuun.
Hankkeen päätavoite on kehittää menetelmiä puuston laadun ennustamiseen. Yleisenä tavoitteena on saattaa laatutieto osaksi tulevaisuuden metsävaratietoa. Yksityiskohtaiset tavoitteet ovat seuraavat:
1) Puuston laatutiedon ennustaminen ALS- ja TLS-aineistoilla; tarkkuus,
luotettavuus, ongelmakohdat (Osahanke 1, HY&FGI)2) Puuston ulkoisten ja sisäisten laatutunnusten vastaavuuden selvittäminen
operatiivisessa inventointimittakaavassa (Osahanke 2, Metsäteho & Arbonaut)
3) Puuston laatutiedon ennustaminen ja kalibrointi ALS-aineistojen avulla laajoille alueille (Osahanke 3, UEF&LUKE)
www.helsinki.fi/yliopisto
Osahanke 1 (HY & FGI, Markus Holopainen, Juha Hyyppä, Jiri Pyörälä, ville Kankare), eteneminenPuuston laadun arvioiminen maastolaserkeilausaineistostaOsatutkimus 1 – EvoPyörälä, J., Kankare, V., Vastaranta, M., Rikala, J., Holopainen, M., Sipi, M., Hyyppä, J. & Uusitalo, J. Comparison of Terrestrial Laser Scanning and X-ray Scanning in Measuring Scots Pine (Pinus sylvestris L.) Branch Structure, manuscript.
Tavoite:
• Oksamittausten vertailu TLS:n & tukkiröntgenin välillä
• Havaitsemis-% & läpimitan mittaustarkkuus puukohtaisesti
Aineisto:• 180 mäntyä. Evo, Hämeenlinna & Orimattila, aineisto kerätty
VTT:n ja Luke:n VARMA (Value added by optimal wood raw material allocation &processing) –projektin yhteydessä
• TLS maastossa, tukkiröntgenkuvaus sahalla (Koskisen oy/ Inray oy)
• Oksakiehkuroiden lukumäärä ja suurimman oksan läpimitan mittaus molemmilla menetelmillä
Tulokset:• Keskimäärin 62% kiehkuroista havaittiin TLS:llä puiden tukkiosissa
• Virhe selittyy suurimmaksi osaksi tyvitukin karsiutuneilla oksilla
• Sisäoksan läpimitan ennustaminen ulko-oksan perusteella vaatii lisätutkimusta
Kuva: Jiri Pyörälä HY
www.helsinki.fi/yliopisto
Osahanke 1 (HY & FGI), eteneminenPuuston laadun arvioiminen maastolaserkeilausaineistostaOsatutkimus 2, Hyytiälä
Tavoite:• Tutkia männyn sisäisen laadun ennustamisen tarkkuutta laserkeilausmenetelmillä puu- ja kuviotasolla• Osatutkimuksen 1 jatkohanke: tarkempi röntgen (3D), jonka ansiosta saadaan tarkempi laatureferenssi• Röntgendata sisältää tukeittain: suurimman oksan koko ja sijainti, oksaryhmien väli;
minimi/maksimi/hajonta, oksatilavuus, tukin tilavuus ja kartiokkuus, pinta- ja sydänpuun läpimitta ja tiheys…
• Tavoitteena estimoida TLS-pistepilvistä vastaavia laatutunnuksia kuin mitä röntgendata sisältää.
Aineisto:• 2,2 ha mäntyleimikko Hyytiälässä
• Osittain pystykarsitty• Koko leimikko keilattu PLS:llä (reppukeilain)• 52 koepuuta (103 tukkia) keilattu TLS:llä • Koepuut mitattu neljän suunnan tukkiröntgenillä
• Finnos oy, UPM:n Korkeakosken sahalla
Aikataulu:• Maastolasermittaukset kesällä 2016, Hakkuu / tukkiröntgenmittaukset elokuussa 2016• Analyysit syksy 2016, talvi 2017• Tulosten raportointi (tutkimusartikkeli) 2017
www.helsinki.fi/yliopisto
Osahankkeen jatko
• Osatutkimuksen 2 (Hyytiälä) analyysien viimeistely & tutkimusartikkelin kirjoittaminen
• Automaattinen oksien tunnistaminen TLS-pistepilvestä (osatutkimuksen 1 aineistolla)
• Sisäoksan paksuuskasvun mallintaminen TLS-aineiston avulla. Pro Gradu-projekti kesällä 2017 Evolla: koesahaukset, oksien mittaukset.
• Puuston laatutunnusten yleistäminen TLS-koealoilta suuremmalle alueelle. Aineistona Evo 2014 maastokampanjan data (120 koealaa). Yhteistyöprojekti University of British Columbia:n kanssa; tutkimuksen suunnittelu & aineiston käsittely 2017, analyysit & raportointi 2018.
• TLS ja PLS (reppukeilain) –mittausten vertailu (Hyytiälän aineisto), 2017 aineistot, analyysit, 2018 raportointi
www.helsinki.fi/yliopisto
Aihepiiriin liittyviä tuoreita tutkimuksia (HY/FGI)
• Saarinen, N., Kankare, V., Vastaranta, M., Luoma, V., Pyörälä, J., Tanhuanpää, T., Liang, X., Kaartinen, H., Kukko, A., Jaakkola, A., Yu, X., Holopainen, M. & Hyyppä, J. 2017. Feasibility of Terrestrial Laser Scanning for Collecting Stem Volume Information from Single Trees. ISPRS Journal of Photogrammetry and Remote Sensing 123:140-158.
• Yu, X., Hyyppä, J., Litkey, P., Kaartinen, H., Vastaranta, M., Holopainen, M. 2017. Single-Sensor Solution to Tree Species Classification Using Multispectral Airborne Laser Scanning. Remote Sens. 2017, 9, 108.
Tehtävänä selvittää puun sisäisen laadun ennustamista laserkeilaus- ja karttatiedon avulla• Laadun ennustaminen suuralueille• Aluksi tutkitaan männyn laatua
Toteutus• Tutkitaan laserkeilausaineistosta irrotettujen muuttujien,
kasvupaikkamuuttujien ja puulajisuhteiden sekä tukkimittarilla ja tukkiröntgenillä mitatun puun sisäisen laadun välistä yhteisvaikutusta lohkotasolla (lohko on pienin yksikkö, jolle operatiiviset aineistot voidaan kohdentaa).
• Toteutus tehdään operatiivisella aineistoilla Keski- ja Lounais-Suomessa hyödyntäen mm. MML:n keilausaineistoa.
• jatkossa on tarkoitus hankkia tukkiröntgendataa myös muualta Suomesta• Tuloksena on ennustemalli ja laatua kuvaavien tunnusten karttatasoja.
Aineiston prosessointi meneillään, tuloksia odotettavissa 2017
Puuston ulkoisten ja sisäisten laatutunnusten vastaavuudetOsahanke 2, Arbonaut Oy ja Metsäteho Oy, Jussi Peuhkurinen, Tapio Räsänen, Jarmo Hämäläinen
Jussi Peuhkurinen, Arbonaut Oy
www.helsinki.fi/yliopistoMetsätieto ja sähköiset palvelut -hankkeen välitulosseminaari 7.3.2017
Datalähteet puun laatuominaisuuksien kuvauksessa
Metsikkötiedot ALS / TLS
Hakkuukonemittaus + MLS
Tukkimittari & -röntgen
Tavoitteena on hakea riippuvuuksia leimikon ominaisuuksien ja röntgenillä mitattujen laatutietojen välillä mm. big data -analyysimenetelmillä
Perusteita leimikoiden jalostusarvon määrittämiseen ja puun täsmäohjaukseen
Kuvat: Tapio Räsänen, Metsäteho Oy, Ville Kankare HY
www.helsinki.fi/yliopistoMetsätieto ja sähköiset palvelut -hankkeen välitulosseminaari 7.3.2017
Tukin röntgenmittauksen avulla havaitaan mm.• Oksaryhmät ja niiden paikat
(oksaryhmäväli)• Oksien määrä (oksavolyymi)• Sydänpuuosuus• Vuosirenkaan paksuus
Kuvat: TimberVision Oy
www.helsinki.fi/yliopisto
Osahanke 3, Puuston laatutiedon ennustaminen ja kalibrointi ALS-aineistojen avulla laajoille alueilleUEF & LUKE, Matti Maltamo, Jaakko Repola, Harri Mäkinen, (Jari Vauhkonen)tavoitteet ja toteutus
1. Laaditaan puutason ennustemalli latvusrajan ennustamiseksi harvapulssisella laseraineistolla maantieteellisesti laajalla alueella sekä verrataan mallin tarkkuutta muihin mallitusvaihtoehtoihin
Hankkeessa on laadittu a)puutason latvusrajan sekamalli, jossa selittäjinä puun läpimitta ja pituus sekä koealatason laserpiirteitä
Mallia sovelletaan siten, että puun läpimitta ja pituus ennustetaan epäparametrisesti laserkeilausinformaation avulla. Sen jälkeen läpimitta- ja pituusennusteiden sekä laserpiirteiden avulla ennustetaan puille latvusrajat
Mallia on verrattu seuraaviin vaihtoehtoihinb) puutason epäparametrinen ennustaminen läpimitalle, pituudelle sekä latvusrajalle c) koealatason regressiomalli latvusrajalle laserpiirteiden avulla d) laserpisteparvesta johdettu suora latvusrajan koealatason estimaatti
2. Latvusrajaennusteen puustokohtaisen vaihtelun tarkastelu sekä vaihtelua selittävien puustotunnusten tunnistaminen ja niiden vaikutuksen analysointi
Malliennusteiden tarkastelu ositteittain kehitysluokan, pääpuulajin, kasvupaikan ja maalajin mukaan sekä näiden luokkamuuttujien merkitsevyyden tilastollinen testaus valemuuttujina mallitusvaihtoehdossa c)
www.helsinki.fi/yliopisto
Tuloksia
• Mallitusvaihtoehtojen a)-d) RMSE-tarkkuudet koealatasolla muodostuivat seuraaviksi• a) sekamalli 1,60 m • b) epäparametrinen malli 1,49 m• c) koealatason regressiomalli 1,10 m • d) laserpisteparvesta johdettu estimaatti 1,64 m
• Kaikki tulokset yllättävänkin tarkkoja• Mallien onnistumisen lisäksi kertonee myös aineiston vähäisestä
vaihtelusta sekä puuston pienestä koosta• Suora ennuste tarkin, mutta tuottaa tietoa vain koealatasolla • Sekamallin ja epäparametrisen mallin tarkkuus hyvin lähellä toisiaan,
mutta epäparametrinen malli edellyttää soveltamistilanteessa latvusrajan mittaamisen puutasolla inventoinnin maastoaineistosta
www.helsinki.fi/yliopisto
Tulosten tarkastelu ja osahankkeen jatko
• Hankkeen päätavoite eli puutason sekamallin laatiminen latvusrajalle onnistui ja malli on tarkkuudeltaan vertailukelpoinen muihin lähestymistapoihin
• Mallin laadinta onnistuu vähäisillä maastomittauksilla ja se on kalibroitavissa muille alueille
• Latvusrajan vaihtelun tarkastelu ositteitaan osoitti, että laserinformaation ohella puustotunnuksista kehitysluokka vaikuttaa merkitsevästi, mutta myös yleisimmät kasvupaikat poikkeavat toisistaan
• Hankkeen jatkossa sekamallilähestymistapaa latvusrajan ennustamisessa sovelletaan muilla inventointialueilla
www.helsinki.fi/yliopisto
Yhteenveto, MMM-laatu
• Maastolaserkeilauksen avulla on mahdollista mitata/ennustaa puutason laatutunnuksia
• Lentolaserkeilauksen avulla on mahdollista ennustaa latvusrajaan liittyvä laatutunnus melko hyvällä tarkkuudella
• Lentolaserkeilauspiirteiden avulla voidaan tarkentaa latvusrajamalleja paikallisesti• Malleja voidaan tarkentaa myös kasvupaikka- ja kehitysluokkatiedolla• Jatkotutkimuksia
• Menetelmien testaaminen laajemmilla alueilla• TLS-mittausten automatisointi• PLS/MLS-menetelmien testaaminen• ALS- ja TLS(PLS/MLS) –tiedon yhdistäminen• Big data –analyysi – laserkeilauspiirteet ja tukkiröntgenmittaukset – löydetäänkö muita
laserpiirteistä ennustettavissa olevia laatutunnuksia kuin latvusraja?• Muut puulajit – kuusi?