Artikkelit jotka sisältävät avainsanan 'lähimmän naapurin menetelmä'.

Qing Xu. (2014). Calibration of the tree size distributions by combining the area-based approach and the individual tree detection using the airborne laser scanning. https://doi.org/10.14214/df.182

Aluepohjaisten ja puutason menetelmien yhdistäminen laserkeilauksella tuotetun puiden kokojakaumien kalibroimiseksi

Metsikön puiden tunnistusta (ITD) – on tutkittu laserkeilauspohjaisena metsänarviointimenetelmänä ja sen tyypillinen ongelma on ollut runkoluvun ja tilavuuden aliarviointi, joka pääosin johtuu lentokoneesta tehdyn havainnoinnin vaikeudesta havaita metsikön valtapuiden alla olevaa puustoa. Puutason tunnusten arvioinnin epävarmuudet (esim. pituus, läpimitta, mallitettu tilavuus) lisäävät myös koealatason arvioinnin epätarkkuutta.

Tämä väitöskirja selvitti sekä puu- että koealatason aliarviointia ja kehitti sen korjausmenetelmiä. Koealatasolla aliskasvusto ja vallitut puut arvioitiin aluepohjaisella puujoukon arviointimenetelmällä. Puutasolla, puiden läpimitat ennustettiin kvanttaaliperusteisella lähimmän naapurin menetelmällä.

Aluepohjaisella (ABA) metsäinventoinnin laserkeilausaineiston hyödyntämismenetelmällä voidaan nykyisin ennustaa suoraan harhattomasti koealatason tilavuustiedot. K-MSN menetelmää käytetään aluetason puustotunnusten ennustuksen operatiivisena perusmenetelmänä. Jos koealoilta on puutason maastomittauksen käytössä, voidaan läpimitan ja pituuden puustotunnusten jakauma ennustaa koealoille K-MSN menetelmällä. Yhdistämällä puittainen tunnistus ja aluepohjainen estimointimenetelmä, voidaan parantaa aluepohjaisen menetelmän tukkipuutilavuuden arvioinnin tarkkuutta ja ennustaa puittaiseen tunnistukseen perustuvan menetelmän vallittujen puiden kokoa kuvaavat tunnukset Puujoukkojen kokojakaumien kalibroinnissa käytettiin jakauman korvaukseen perustuvia ja histogrammin sovitukseen perustuvia menetelmiä. Kalibroinnin jälkeen kokonaistilavuuden suhteellinen keskineliövirhe pieneni 2 % ja harha ei ollut merkittävä. Kvanttaaliperusteinen lähimmän naapurin estimointimenetelmä estimoi puittaisen tarkkuuden aluepohjaista menetelmää vastaavasti. Menetelmä hyödynsi laserpohjaista puun pituutta ja latvuksen läpimittaa ennustuksessa ja paransi erityisesti isojen puiden tilavuuden estimointia.

  • Xu, University of Eastern Finland, School of Forest Sciences ORCID ID:Sähköposti qing.xu@uef.fi (email)
Sanna Härkönen. (2012). Estimating forest growth and carbon balance based on climate-sensitive forest growth model and remote sensing data. https://doi.org/10.14214/df.138

Metsän kasvun ja hiilitaseen ennustaminen ilmastoon reagoivan kasvumallin ja kaukokartoitusaineiston avulla

Tutkimuksessa kehitettiin uusi menetelmä metsien kasvun ja hiilitaseen ennustamiseen pohjoisilla alueilla. Menetelmässä metsän kasvu ennustetaan tiivistelmämallilla, joka huomioi metsikön rakenteen ja ilmaston vaikutuksen puuston kehitykseen. Tutkimuksessa tarkasteltiin tiivistelmämallin hyödyntämistä sekä maastosta että laserkeilaimella lentokoneesta kerätyillä metsikkötason lähtötiedoilla. Lisäksi testattiin hiilitase-ennusteiden yleistämistä koealatasolta suuraluetasolle satelliittikuvien avulla. Menetelmän luotettavuutta arvioitiin vertailemalla malliennusteita maastossa mitattuihin kasvuihin, jotka olivat suurimmaksi osaksi peräisin Metsäntutkimuslaitoksen valtakunnan metsien inventoinneista. Vertailun vuoksi tutkimuksessa ennustettiin metsän kasvua myös perinteisillä empiirisillä kasvumalleilla, joita käytetään tällä hetkellä käytännön metsäsuunnittelussa Suomessa.

Lyhyellä aikavälillä kasvuennusteiden luotettavuus oli samalla tasolla kuin perinteisten kasvumallienkin. Prosessi/hybridipohjaisten menetelmien etuna on se, että niitä voidaan soveltaa myös muuttuvissa ilmasto-olosuhteissa sekä uudenlaisten metsänkäsittelyvaihtoehtojen simuloinnissa, joista nykyisten empiiristen mallien laadinta-aineistoissa ei ole riittävästi tietoa. Menetelmä vaatii kuitenkin vielä testausta kattavammalla aineistolla, jotta sen luotettavuudesta laajassa mittakaavassa voidaan tehdä johtopäätöksiä. Malliennusteiden luotettavuutta varsinkin sekametsiköissä ja eri-ikäisrakenteisissa metsiköissä sekä pidemmillä kasvujaksoilla tulisi tarkastella lisää. Tiivistelmämallia sovellettiin tässä tutkimuksessa vain lyhyisiin kasvatusjaksoihin. Pidempiä aikoja simuloitaessa mukaan tulisi liittää uusien puiden syntymistä ja vanhojen kuolemista kuvaavat mallit. Muita jatkokehityskohteita ovat esimerkiksi puiden veden ja typen oton prosessit sekä kasvumallin parametrisointi turvemaille.

Kehitetty menetelmä tarjoaa monipuolisia työkaluja metsäsuunnittelun päätöksenteon, tutkimuksen ja metsäpolitiikan apuvälineeksi. Sitä voidaan soveltaa esimerkiksi metsikkökohtaisten hiilitase-ennusteiden laatimiseen laserkeilaustiedon perusteella ja hiilitase-ennusteiden yleistämiseen koko Suomelle ja sen lähialueille. Metsäsuunnitteluohjelmistoon yhdistettynä menetelmä tarjoaisi entistä helpomman välineen sekä arvioida käytännön metsänhoidon vaikutusta metsien hiilitaseisiin että hakea hiilinielujen kannalta optimaalisia metsänkäsittelyvaihtoehtoja.

  • Härkönen, University of Eastern Finland, School of Forest Sciences ORCID ID:Sähköposti sanna.harkonen@metla.fi (email)
Jussi Peuhkurinen. (2011). Estimating tree size distributions and timber assortment recoveries for wood procurement planning using airborne laser scanning. https://doi.org/10.14214/df.126

Puutavaralajikertymien ja puiden kokojakaumien estimointi puunhankinnan tarpeisiin ilmasta tehtävältä laserkeilausaineistolta

Ilmasta tehtävä laserkeilaus on korvaamassa maastoinventointeja metsikkökuviotason inventointitiedon lähtöaineistona. Huolimatta edistysakeleista, joita on otettu erityisesti puulajeittaisten tunnusten inventoinissa, laserkeilausaineistoilta ei ole pystytty tuottamaan riittävän tarkaa tietoa puiden kokojakaumasta ja laadullisista tunnuksista puunhankinnan suunittelua varten. Tämän väitöskirjatyön tavoitteena on arvioida ja kehittää laserkeilaukseen perustuvia menetelmiä puutavaralajikertymien ja puiden kokojakaumien estimointiin.

Aineistoina käytettiin laserkeilaus- ja ilmakuvausaineistoja kahdelta metsäalueelta. Matalansalo, joka sijaitsee Varkaudessa, edustaa tyypillistä talousmetsäkäytössä olevaa aluetta. Toinen testialue sijaitsi Kolin kansallispuiston eteläosassa edustaen pitkähkön aikaa käsittelemättömänä ollutta lähes luonnontilaista aluetta.

Tutkitut puustotulkintamenetelmät perustuivat joko yksinpuintulkintaa tai aluepohjaiseen estimointiin. Yksinpuintulkinnan ja aluepohjaisen estimoinin tulokset olivat keskenään vertailukelpoisia puuston keskitunnusten suhteen. Yksinpuintulkinnalla saavutettiin tarkemmat etimaatit puiden kokojakaumasta ja tukkipuun määrästä kuin vertailtavilla menetelmillä, mikäli yksittäisten puiden rajaaminen onnistui hyvin. Sen sijaan mikäli yksittäisten puiden tunnistus epäonnistui, menetelmä tuotti harhaa kokojakaumiin ja puutavaralajiosuuksiin. Lisäksi havaitiin, että puuston kokojakauma ja tilajärjestys korreloi molempien estimointimenetelmien virheiden kanssa.

Tukkitilavuuden kertymän estimointia tutkittiin käyttäen linearista regressiota ja k:n lähimmän naapurin mentelmää hyödyntäen hakkuukoneella kerättyä ennakkotietoa ja runkopankkia. Lineaarisella mallilla pystyttiin tuottamaan tarkat ennusteet tukkitilavuuden kertymästä. Lähimmän naapurin menelmällä kertymäennusteet pystyttiin tuottamaan myös sekapuustoissa puulajeittain, mutta puulajeittaisten ennusteiden tarkkuus ei ollut hyvä.

Hakkuukoneaineiston todettiin soveltuvan laserkeilaukseen perustuvien estmointimenetelmien validointiin päätehakkuilla, mikäli hakkuukoneaineisto pystytään rajaamaan kohdealueelle tarkasti ja mikäli katkontaparametrien vaihtelu voidan hallita. Sen sijaan runkopankin käyttö estimoinnin lisätietolähteenä sisälsi käytetyissä aineistoissa liikaa epävarmuuksia luotettavien tulosten saamiseksi.

  • Peuhkurinen, University of Eastern Finland, School of Forest Sciences ORCID ID:Sähköposti jussi.peuhkurinen@arbonaut.com (email)
Susanna Sironen. (2009). Estimating individual tree growth using non-parametric methods. https://doi.org/10.14214/df.94

Metsien tulevan kehityksen ennustamisessa tarvitaan informaatiota sekä metsien nykytilasta että metsän kasvun mallinnusta. Luotettavat ennusteet metsävarojen kehityksestä ovat tärkeitä niin metsäsuunnittelussa, arvioitaessa metsänhoidollisten toimenpiteiden vaikutuksia kuin varmistettaessa metsien käyttöä kestävän kehityksen mukaan. Suomessa käytettävät kasvumallit ovat yleisesti valtakunnallisia, jotka tuottavat harhattomia ennusteita suuremmilla alueilla, mutta pienemmillä alueilla ja metsikkötasolla kasvumallien ennusteet voivat olla suuriakin yli- tai aliarvoita. Ei-parametriset menetelmät tarjoavat vaihtoehdon perinteisille regressiomalleille, joita kasvun ennustamisessa on yleisesti käytetty. Ei-parametrisissa menetelmissä kasvuja ei ennusteta koko aineiston perusteella kuten regressiomalleilla, vaan kunkin kohdehavainnon ennustettu kasvu saadaan yleensä sitä selittävien muuttujien suhteen läheisesti muistuttavien havaintojen eli lähimpien naapureiden kasvujen painotettuna keskiarvona. Ei-parametrisilla menetelmillä paikallisuutta voidaan kuvata helposti, mikäli paikallista aineistoa on saatavilla. Tämän väitöskirjatyön tarkoituksena oli tutkia ei-parametristen menetelmien soveltuvutta puukohtaisen kasvun ennustamiseen. Yhtenä keskeisimmistä tavoitteista oli kyetä vähentämään kasvuennusteisiin liittyviä aluekohtaisia harhoja, ja saada metsiköittäin ja alueittain mahdollisimman tarkkoja kasvuennusteita.

Tutkimusaineisto koostui kahdesta erillisestä aineistosta: paikallisesta kertakoeala-aineistosta, joka oli kerätty Kuusamon alueelta Koillis-Suomesta, sekä valtakunnallisesta kasvatusmetsien pysyvien koealojen INKA-aineistosta. Kasvuennusteet laadittiin männylle ja kuuselle. Tutkimuksessa käytetyt ei-parametriset menetelmät olivat k-lähimmän naapurin menetelmä sekä yleistetyt additiiviset mallit. Tutkimuksessa käsiteltyihin aiheisiin kuuluivat paikalliset ei-parametriset kasvunennustamismenetelmät, ei-parametristen kasvuennusteiden lokalisointi, läpimitan kasvun ja pituuskasvun yhtäaikainen ennustaminen sekä korreloivien havaintojen vaikutus ei-parametrisiin kasvunennustamismenetelmiin.

Tulosten mukaan ei-parametriset menetelmät soveltuivat kasvun ennustamiseen. Yksikään tutkituista ei-parametrista menetelmistä ei osoittautunut ylivertaisesti paremmaksi, vaan menetelmien toimivuus riippui käytetystä aineistosta ja sovelluksesta. Ei-parametrisin menetelmin saatiin vähennettyä kasvuennusteiden aluekohtaista harhaa. Ei-parametrisin menetelmin saatiin vähintään yhtä tarkkoja kasvuennusteita kuin vertailuissa käytetyillä parametrisilla menetelmillä sekä puu-, metsikkö- että aluetasolla. Tässä tutkimuksessa esitettyjä menetelmiä voidaan käyttää käytännön metsäsuunnittelujärjestelmissä, vaikkakin erityisesti metsänhoidollisten toimenpiteiden sisällyttäminen ei-parametrisiin kasvunennustamismenetelmiin vaatii vielä lisää tutkimista.

  • Sironen, University of Joensuu, Faculty of Forest Sciences ORCID ID:Sähköposti susanna.sironen@joensuu.fi (email)
Sirpa Thessler. (2008). Remote sensing of floristic patterns in the lowland rain forest landscape. https://doi.org/10.14214/df.59

Trooppisten metsäalueiden maankäytön ja sademetsien suojelun suunnittelu tarvitsee kiireesti arvioita kasvilajiston alueellisesta vaihtelusta. Laajojen, vaikeapääsyisten ja lajirikkaiden sademetsäalueiden kasvilajiston inventointi täytyy käytännön syistä rajata koealoihin ja koskemaan vain osaa kasvilajistosta, indikaattorilajeja. Yhdistämällä lajiston inventointiaineisto ja spatiaalisesti jatkuva ympäristötieto voidaan kasvilajiston vaihtelua mallintaa ja ennustaa koealojen välisille, tutkimattomille alueille. Moniulotteinen lajiaineisto täytyy kuitenkin ensin tiivistää pienempään määrään muuttujia, lajistovaihtelun indikaattoreihin.

Työssä selvitettiin voidaanko kaukokartoituksen keinoin tarkastella ja kartoittaa luonnontilaisten alankosademetsien kasvilajiston alueellista vaihtelua. Lajistovaihtelun indikaattoreina käytettiin 1) ekologisten luokiteltujen lajien lukumäärää, 2) kasvillisuus-/metsäluokkia ja 3) lajistokokoonpanoa, joka tiivistettiin NMDS ordinaation avulla kolmeen ulottuvuuteen (ordinaatioakseliin). Indikaattorilajeina käytettiin aluskasvillisuuden Melastomataceae- ja sanikkaislajeja sekä latvuskerroksen puu- ja palmulajeja. Lajistovaihtelun indikaattoreita ennustettiin tutkimattomille alueille käyttäen k lähimmän naapurin menetelmää ja lineaarista erotteluanalyysiä. Ympäristövaihtelun kuvaajina käytettiin Landsat TM ja ETM+ -satelliittikuvia ja SRTM digitaalista korkeusmallia. Tutkimusalueet sijaitsivat itäisessä Ecuadorissa, koillis-Perussa ja pohjois-Costa Ricassa.

Työ osoitti että alankosademetsien kasvilajiston alueellista vaihtelua, jonka indikaattoreina käytettiin kasvillisuusluokkia, ordinaatioakseleiden arvoja tai ekologisten kategorioiden lajimäärää, voidaan arvioida ja kartoittaa yhdistämällä kaukokartoitus ja maastohavainnointi. Ennusteiden tarkkuuteen vaikuttivat etenkin kuvapiirteiden valinta ja painotus ja tarkastelun spatiaalinen resoluutio. K lähimmän naapurin menetelmä osoittautui lupaavaksi menetelmäksi lajistovaihtelun ennustamisessa, kun kyseessä oli jatkuva muuttuja kuten ordinaatioakseleiden arvot tai lajimäärä. K lähimmän naapurin menetelmä myös tuotti tarkempia ennusteita kasvillisuustyyppien luokittelussa kuin lineaarinen erotteluanalyysi.

  • Thessler, University of Turku, Faculty of Mathematics and Natural Sciences ORCID ID:Sähköposti sirpa.thessler@mtt.fi (email)

Rekisteröidy käyttäjäksi
Paina tätä linkkiä Metsätieteen aikakauskirjan käsikirjoituksen tarjoamis- ja seurantajärjestelmään (OJS) kirjautumiseen.
Kirjaudu sisään
Jos olet kirjautunut käyttäjäksi, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta.


Valitsemasi artikkelit