Toward an enhanced characterization of seedling stands using remote sensing
Imangholiloo M. (2024). Toward an enhanced characterization of seedling stands using remote sensing. https://doi.org/10.14214/df.355
Tiivistelmä
Taimikoiksi kutsutaan metsäalueita, joilla kasvaa nuoria, tyypillisesti muutamia vuosia sitten istutettuja tai luontaisen uudistumisen seurauksena syntyneitä puun taimia. Taimikot edustavat metsän kehityksessä tärkeää alkuvaihetta ja niille suunnitelluilla sekä toteutetuilla toimenpiteillä onkin keskeinen merkitys metsien uudistumisen, kasvun ja metsän käytölle asetettujen tavoitteiden toteutumisen kannalta.
Metsien käytön ja hoidon suunnittelua varten tarvittavan metsävaratiedon tuottaminen taimikoista on tyypillisesti perustunut maastotöihin, jotka ovat ajankäytöllisesti työläitä, vaativat runsaasti työvoimaa ja ovat siten kustannuksiltaan korkeita. Koska taimikoiden puut ovat vielä kooltaan pieniä, ja ne kasvavat yleensä tiheästi lähellä toisiaan, yksittäisten taimien havaitseminen ja mittaaminen on haastavaa kaukokartoitusperusteisessa metsävarojen inventoinnissa. Kaukokartoitusmenetelmien kehitys, erityisesti laserkeilaus sekä lennokkien käyttö, voivat mahdollistaa uusien menetelmien kehittämisen taimikoiden oikea-aikaiseen ja spatiaalisesti tarkkaan inventointiin. Uudet menetelmät voisivat korvata maastomittaukset osittain tai jopa täysin.
Väitöskirjan tavoitteena oli kehittää taimikoiden tiheyden, keskipituuden sekä puulajien määrittämiseen käytettäviä kaukokartoitusmenetelmiä suomalaisissa boreaalisissa metsissä. Väitöskirjan osatutkimuksissa hyödynnettiin uusia kaukokartoitustekniikoita kolmella eri tutkimusalueella. Osatutkimuksissa I ja IV käytettiin lennokilla kerättyjä fotogrammetrisia pistepilviä sekä multi- ja hyperspektrikuvia, lisäksi osatutkimuksissa II ja III aineistona hyödynnettiin monikanava- ja yksittäisen fotonin mittaustekniikalla tuotettua lentolaserkeilausaineistoa. Osatutkimuksissa I ja II analysoitiin lehdettömään ja lehdelliseen aikaan lennokista kerätyn hyperspektrikuva-aineiston sekä monikanavatekniikalla tuotetun lentolaserkeilausaineiston soveltuvuutta taimikoista tehtäviin mittauksiin. Osatutkimuksessa II aluskasvillisuuden luokittelun raja-arvoa (Cth) optimoitiin, jotta voitiin minimoida aluskasvillisuuden vaikutus puiden tunnistamiseen sekä niiden pituus- ja puulajiestimointiin. Osatutkimuksessa III arvioitiin yksittäisen fotonin mittaustekniikkaan perustuvan lentolaserkeilausaineiston soveltuvuutta taimikoiden tiheyden ja puiden pituuden ennustamiseen. Tässä tutkimuksessa kehitettiin myös uusi menetelmä (ABAEdgeITD) taimikoiden tiheyden ja puiden pituuden ennustamiseen yhdistämällä yksinpuintulkinnasta saadut ominaisuustiedot ja reunapuiden vaikutuksen korjauksen sisältävä aluepohjainen menetelmä. Osatutkimuksessa IV esitettiin ja arvioitiin uutta menetelmää, jossa konvoluutioneuroverkkojen syötteenä taimikoiden puulajitunnistukseen käytettiin esikäsiteltyjä lennokilla otettuja multispektrikuvia.
Tutkimuksen tulokset osoittavat, että lennokeilla otettujen kuva-aineistojen käyttö johti tarkempiin tuloksiin puuston tiheysennusteissa. Tiheäpulssisen monikanavaisen lentolaserkeilausaineiston käyttäminen tuotti parhaat tulokset taimikoiden puiden pituusennusteissa sekä lehdettömään että lehdelliseen aikaan. Yksinpuintulkinnasta saadut ominaisuustiedot ja reunapuiden vaikutuksen korjaaminen paransivat puuston tiheys- ja pituusennusteiden tarkkuutta verrattuna perinteiseen aluepohjaiseen menetelmään, mutta menetelmä oli silti epätarkempi kuin osatutkimuksissa I ja II käytetyt yksinpuintulkintamenetelmät. Varttuneiden taimikoiden ominaisuuksien ennustaminen onnistui tutkimuksissa paremmin kuin alle 1.3 m keskipituudeltaan olevien nuorten taimikoiden ominaisuuksien. Osatutkimuksessa IV käytetty kaukokartoituskuvien esikäsittely yhdistettynä konvoluutioneuroverkkojen käyttöön paransi taimien puulajitulkinnan tarkkuutta. Tutkimus osoittaa, että kaukokartoitusmenetelmiä voidaan hyödyntää operationaalisessa metsävarojen inventoinnissa täydentämään tai korvaamaan maastotöitä. Uudet tekniikat ovatkin tärke osa metsien käytön suunnittelun tehokkuuden lisäämistä.
Avainsanat
LiDAR, lennokkikuvaus, lentolaserkeilaus, metsien inventointi, konvoluutioneuroverkot, uudistusalat
-
Imangholiloo,
University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences
https://orcid.org/0000-0001-6240-077X
Sähköposti
mohammad.imangholiloo@helsinki.fi
Julkaistu 3.10.2024
Katselukerrat 703
Saatavilla https://doi.org/10.14214/df.355 | Lataa PDF
Osajulkaisut
Imangholiloo M, Saarinen N, Markelin L, Rosnell T, Näsi R, Hakala T, Honkavaara E, Holopainen M, Hyyppä J, Vastaranta M (2019) Characterizing Seedling Stands Using Leaf-Off and Leaf-On Photogrammetric Point Clouds and Hyperspectral Imagery Acquired from Unmanned Aerial Vehicle. Forests 10(5), article id 415.
https://doi.org/10.3390/f10050415
Imangholiloo M, Saarinen N, Holopainen M, Yu X, Hyyppä J, Vastaranta M (2020) Using Leaf-Off and Leaf-On Multispectral Airborne Laser Scanning Data to Characterize Seedling Stands. Remote Sensing 12(20), article id 3328.
https://doi.org/10.3390/rs12203328
Imangholiloo M, Yrttimaa T, Mattsson T, Junttila S, Holopainen M, Saarinen N, Savolainen P, Hyyppä J, Vastaranta M (2022) Adding single tree features and correcting edge tree effects enhance the characterization of seedling stands with single-photon airborne laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing 191: 129–142.
https://doi.org/10.1016/j.isprsjprs.2022.07.005
Imangholiloo M, Luoma V, Holopainen M, Vastaranta M, Mäkeläinen A, Koivumäki N, Honkavaara E, Khoramshahi E (2023) A New Approach for Feeding Multispectral Imagery into Convolutional Neural Networks Improved Classification of Seedlings. Remote Sensing 15(21), article id 5233.
