Artikkelin koko teksti on saatavilla vain PDF-formaatissa.

Janne Toivonen

Assessing the structural biodiversity of forests with airborne laser scanning and optical data

Toivonen J. (2025). Assessing the structural biodiversity of forests with airborne laser scanning and optical data. https://doi.org/10.14214/df.365

Tiivistelmä

Metsillä on erityinen rooli luonnon monimuotoisuuteen liittyvässä päätöksenteossa, sillä ne kattavat noin 80 % maaekosysteemien monimuotoisuudesta maailmanlaajuisesti. Metsäkasvillisuuden rakenne ja sen moninaisuus vaikuttavat paikalliseen monimuotoisuuteen muokkaamalla mikroilmastollisia olosuhteita, tarjoamalla suojaa ja lisääntymispaikkoja, sekä vaikuttamalla resurssien ja ekologisten lokeroiden jakautumiseen ja saatavuuteen. Metsien kasvillisuuden rakenteen arvioinnissa kaukokartoitusdataa, kuten lentolaserkeilausdataa (ALS; Airborne Laser Scanning) ja optista dataa (esim. ilma- ja satelliittikuvat), hyödynnetään laajalti. Tämän väitöskirjan tavoitteena oli tarkastella ALS-datan käyttömahdollisuuksia metsien biologisen ja rakenteellisen monimuotoisuuden arvioinnissa.

Ensiksi tehtiin katsaus ALS-datan hyödyntämisestä metsien biologisen ja rakenteellisen monimuotoisuuden arvioinnissa. Katsauksessa raportoitiin yleisimmin tutkitut aiheet ja yleisimmät tutkimusalueiden maantieteelliset sijainnit, sekä listattiin kaikista eniten käytetyt ja hyödyllisimmät ALS-metriikat. Toiseksi arvioitiin ALS-datan ja ilmakuvien yhteiskäyttöä ekologisesti arvokkaiden metsähaapojen tunnistuksessa. Haavan ekologista tärkeyttä alleviivaa se, että lukuisat haavasta riippuvat lajit ovat Punaisen listan lajeja. Kaukokartoitukseen perustuva haavan kartoitus on tunnetusti haastavaa, sillä haavat sekoittuvat eniten muiden lehtipuiden kanssa, mutta myös siksi, että haapoja esiintyy vain harvakseltaan. Haapojen harvalukuisuus otettiin huomioon tasapainottamalla opetusaineistoa niin kutsutulla SMOTE-menetelmällä (Synthetic Minority Oversampling TEchnique). Kolmanneksi arvioitiin ALS-datan ja Sentinel 2-satelliittikuvien yhteiskäyttöä metsikkökoealojen iän ennustamisessa. Kaukokartoitusmuuttujien lisäksi laskettiin maastoaineistosta kategorisia selittäjiä, joilla kuvattiin koealan kasvuolosuhteista. Koealojen iän ennustamisessa verrattiin lineaarista sekamallia (LME) ja tehostettua päätöspuumenetelmää, joka hyödyntää satunnaisvaikutuksia (GPBoost). Joillakin koealoilla oli edellisen puusukupolven niin kutsuttuja ylispuita (siemen- ja jättöpuita), jotka vaikeuttivat iän ennustamista näillä koealoilla. Ylispuut otettiin huomioon testaamalla vaihtoehtoista ennustusmenetelmää, joka sisälsi ylispuukoealojen luokituksen ennen iän ennustamista.

Tulokset osoittivat, että suurin osa ALS-perustaisesta metsien biologisen ja rakenteellisen monimuotisuuden tutkimisesta on tähän saakka tapahtunut Euroopassa ja Pohjois-Amerikassa. Eläinekologia, kuollut puusto ja puulajien monimuotoisuusindeksit olivat eniten tutkittuja aihealueita. ALS-dataa käytettiin usein yhdessä muiden kaukokartoitusaineistojen, kuten ilma- ja satelliittikuvien kanssa, mikä oli erityisen hyödyllistä, kun puulajeja käsiteltiin suorasti tai epäsuorasti. Katsauksen perusteella ei löydetty yhtä selvää ALS-selittäjää, joka olisi hyödyllinen kaikenlaisessa metsien biologisen ja rakenteellisen monimuotoisuuden arvioinnissa. Kasvillisuuden korkeuden keskihajonta, keskiarvo ja variaatiokerroin olivat eniten hyödynnettyjä ja useimmiten hyödyllisiksi osoittautuneita ALS-selittäjiä.

Kookkaiden haapojen puu- ja koealatasojen luokittelutarkkuus parani, kun SMOTE-menetelmää hyödynnettiin harvinaisten haapahavaintojen augmentoinnissa. Ilmakuvaselittäjät osoittautuivat ALS-selittäjiä tärkeämmiksi kookkaiden haapojen tunnistamisessa. Eritoten lähi-infrakanava ja sen suhteet muiden ilmakuvakanavien kanssa olivat tärkeitä selittäjiä. Tulokset osoittavat, että kookkaiden haapojen tunnistaminen aidoissa populaatioissa on edelleen haasteellista.

Koealatason iän ennustamisessa GPBoost-menetelmä oli LME-menetelmää parempi, ja luokka-asteikollisten selittäjien mukaan ottaminen satunnaisvaikutuksina johti selvään ennustevirheen pienentymiseen. Ennustevirheen pieneneminen oli LME-malleissa suurempaa kuin GPBoost-malleissa. Kaikista parhaat tulokset saatiin, kun ylispuukoealojen luokitus tehtiin ennen iän ennustamista.

Tämä väitöskirja osoitti, että ALS-data tarjoaa arvokasta informaatiota metsäluonnon monimuotoisuuden arviointiin niin pienessä kuin suuressakin mittakaavassa. Se myös osoitti, että on tärkeää arvioida menetelmän tehokkuutta aineistolla, joka antaa realistisimman kuvan tarkasteltavasta populaatiosta. Tulevaisuudessa tarvitaan enemmän tutkimusta vähemmän tutkituista aiheista, kuten funktionaalisesta monimuotoisuudesta. Lisäksi GPBoost-menetelmää tulisi testata myös muiden metsää kuvaavien ominaisuuksien kuin iän ennustamisessa.

Avainsanat
biodiversiteetti; kaukokartoitus; laserkeilaus; metsän rakenne; metsähaapa; metsän ikä

Tekijä
  • Toivonen, University of Eastern Finland, Faculty of Science, Forestry and Technology, School of Forest Sciences ORCID https://orcid.org/0000-0003-1319-3035 Sähköposti janne.toivone@gmail.com

Julkaistu 1.4.2025

Katselukerrat 57

Saatavilla https://doi.org/10.14214/df.365 | Lataa PDF

Creative Commons License CC BY-NC-ND 4.0

Osajulkaisut

Toivonen J, Kangas A, Maltamo M, Kukkonen M, Packalen P (2023) Assessing biodiversity using forest structure indicators based on airborne laser scanning data. Forest Ecology and Management 546, article id 121376.

https://doi.org/10.1016/j.foreco.2023.121376

Toivonen J, Kangas A, Maltamo M, Kukkonen M, Packalen P (2024) Mapping large European aspen (Populus tremula L.) in Finland using airborne lidar and image data. Canadian Journal of Forest Research 54(7): 762–773.

https://doi.org/10.1139/cjfr-2023-0271

Toivonen J, Kangas A, Pitkänen TP, Myllymäki M, Maltamo M, Kukkonen M, Packalen P (2025) Tree Boosting with Linear Forest-Type Effects Improves the Performance of Forest Age Predictions Using Airborne Laser Scanning and Satellite Data. Manuscript.


Rekisteröidy
Click this link to register to Dissertationes Forestales.
Kirjaudu sisään
Jos olet rekisteröitynyt käyttäjä, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta
Valitsemasi artikkelit
Hakutulokset
Imangholiloo M., (2024) Toward an enhanced characterization of seedling .. Dissertationes Forestales vol. 2024 no. 355 artikkeli 24008
Heinaro E., (2023) Detecting individual dead trees using airborne l.. Dissertationes Forestales vol. 2023 no. 343 artikkeli 23009
Kotivuori E., (2022) Prediction of forest attributes using airborne l.. Dissertationes Forestales vol. 2022 no. 328 artikkeli 10778
Sanz B., (2022) Methods for supporting digital timber trade Dissertationes Forestales vol. 2022 no. 326 artikkeli 10720
Yrttimaa T., (2021) Characterizing tree communities in space and tim.. Dissertationes Forestales vol. 2021 no. 314 artikkeli 10556
Karjalainen T., (2020) Predicting commercial tree quality by means of a.. Dissertationes Forestales vol. 2020 no. 307 artikkeli 10472
Adnan S., (2020) Improvements in forest structural type assessmen.. Dissertationes Forestales vol. 2020 no. 306 artikkeli 10467
Kukkonen M., (2020) Single sensor airborne data sources for forest i.. Dissertationes Forestales vol. 2020 no. 297 artikkeli 10390
Pyörälä J., (2020) Assessing wood properties in standing timber wit.. Dissertationes Forestales vol. 2020 no. 295 artikkeli 10368
Räty J., (2020) Prediction of diameter distributions in boreal f.. Dissertationes Forestales vol. 2020 no. 294 artikkeli 10364
Junttila S., (2019) Utilizing multispectral lidar in the detection o.. Dissertationes Forestales vol. 2019 no. 277 artikkeli 10201
White J. C., (2019) Improving capacity for large-area monitoring of .. Dissertationes Forestales vol. 2019 no. 272 artikkeli 10166
Pascual Arranz A., (2018) Improving forest management planning by means of.. Dissertationes Forestales vol. 2018 no. 257 artikkeli 10020
Tanhuanpää T., (2016) Developing laser scanning applications for mappi.. Dissertationes Forestales vol. 2016 no. 230 artikkeli 2013
Saarinen N., (2016) Predicting vegetation characteristics in a chang.. Dissertationes Forestales vol. 2016 no. 216 artikkeli 1998
Melin M., (2015) Studying habitat use and behavior of moose (A.. Dissertationes Forestales vol. 2015 no. 209 artikkeli 1993
Valbuena R., (2015) Forest structure indicators based on tree size i.. Dissertationes Forestales vol. 2015 no. 205 artikkeli 1988
Hovi A., (2015) Towards an enhanced understanding of airborne Li.. Dissertationes Forestales vol. 2015 no. 200 artikkeli 1985
Kankare V., (2015) The prediction of single-tree biomass, logging r.. Dissertationes Forestales vol. 2015 no. 195 artikkeli 1977
Pippuri I., (2015) Airborne laser scanning based forest inventory f.. Dissertationes Forestales vol. 2015 no. 193 artikkeli 1980
Hou Z., (2014) Mapping of growing stock and stand delineation f.. Dissertationes Forestales vol. 2014 no. 184 artikkeli 1966
Vastaranta M., (2012) Forest mapping and monitoring using active 3D re.. Dissertationes Forestales vol. 2012 no. 144 artikkeli 1927
Peuhkurinen J., (2011) Estimating tree size distributions and timber as.. Dissertationes Forestales vol. 2011 no. 126 artikkeli 1909
Vehmas M., (2011) Airborne laser scanning based identification and.. Dissertationes Forestales vol. 2011 no. 120 artikkeli 1903
Pesonen A., (2011) Comparison of field inventory methods and use of.. Dissertationes Forestales vol. 2011 no. 113 artikkeli 1899
Packalén P., (2009) Using airborne laser scanning data and digital a.. Dissertationes Forestales vol. 2009 no. 77 artikkeli 1860