Artikkelit jotka sisältävät avainsanan 'luokittelu'.

Inka Pippuri. (2015). Airborne laser scanning based forest inventory for forest management by applying novel metrics and multiple data source. https://doi.org/10.14214/df.193

Laserkeilausperusteisen metsien inventoinnin kehittäminen metsänhoidon päätöksenteon tueksi hyödyntäen uudenlaisia lasermuuttujia sekä useita aineistolähteitä

Suomessa on hiljattain siirrytty uuteen laserkeilausperusteiseen metsien inventointiin, jonka avulla puustotunnukset voidaan ennustaa aiempaa tarkemmin ja kustannustehokkaammin. Laserkeilausperusteinen inventointi ei ole kuitenkaan vielä pystynyt täyttämään kaikkia metsänhoidon tietotarpeita. Tämän tutkimuksen tavoitteena oli kehittää laserkeilausperusteista metsien inventointia metsänhoidon tueksi soveltaen uudenlaisia lasermuuttujia ja useita aineistolähteitä. Työssä tutkittiin erityisesti metsämaan luokittelua, puulajikohtaisten puustotunnusten ennustamista ja puiden tilajärjestyksen sekä metsänhoitotarpeiden,kuten ensiharvennuksen ja taimikonhoidon, tunnistamista.

Laserkeilausaineistoon perustuvassaa aluepohjaisessa inventoinnissa hyödynnettiin useita aineistolähteitä, kuten laserkeilaus-, satelliitti-, ilmakuva- ja olemassa olevaa kuviotietoaineistoa. Lisäksi testattiin valtakunnan metsien inventoinnin maastoaineiston soveltuvuutta mallinnusaineistoksi. Erityisesti tutkittiin horisontaalisten lasermuuttujien soveltuvuutta metsämaan, puiden tilajärjestyksen sekä ensiharvennustarpeen luokittelussa.

Tulokset osoittivat, että metsämaan luokittelu sekä puuston tilajärjestyksen ja metsänhoitotarpeen tunnistaminen on mahdollista laserkeilausperusteiseen metsien inventointimenetelmään perustuen. Erityisen hyvin onnistui maankäytön luokittelu, mutta myös kasvupaikkojen, sekä kuivatustilanteen luokittelu onnistui kohtuullisen hyvin. Puulajikohtaisten puustotunnusten ennustaminen useamman kuin kolmen puulajin tapauksessa tarkentui, kun ennustamisessa hyödynnettiin puulajitietoa olemassa olevasta kuviotietoaineistosta. Puuston tilajärjestyksen sekä ensiharvennustarpeen tunnistaminen onnistui erityisen hyvin ja taimikonhoitotarpeen kohtuullisesti. Horisontaalisten lasermuuttujien havaittiin olevan tärkeimpiä selittäviä muuttujia maankäyttöluokkien, metsämaan päätyypin, kuivatustilanteen, puiden tilajärjestyksen sekä ensiharvennustarpeen ennustamisessa.

Tässä työssä tuotettiin uutta metodologista tietotaitoa horisontaalisten lasermuuttujien sekä useiden aineistolähteiden yhtäaikaisesta hyödyntämisestä kustannustehokkaassa metsien inventoinnissa ja metsänhoidon suunnittelussa. Osaa kehitetyistä menetelmistä on jo sovellettu metsien inventointiin Suomessa.

  • Pippuri, University of Eastern Finland, School of Forest Sciences ORCID ID:Sähköposti inka.pippuri@uef.fi (email)
Minna Räty. (2011). Methods in general model localization. https://doi.org/10.14214/df.118

Spatiaalisen tilastotieteen keinoin pystytään kalibroimaan yleisten, koko laajan tutkimusalueen kattavien, regressiomallien ennusteita, jolloin saadaan yhä tarkempia paikallisia estimaatteja ja arvioita. Yleisen mallin käytölle on ollut esteenä tämä alueellinen epätarkkuus, mutta jos epätarkkuutta pystytään pienentämään, yleisiä malleja voidaan liittää esim. laajojen metsäalueiden inventointi- ja arviointisysteemeihin. Yleisten mallien etuna on niiden yksinkertaisuus ja helppous käytössä. Väitöskirjassa tarkastelualueena on ollut eteläinen Suomi.

Väitöskirjassa on tutkittu ja vertailtu erilaisia menetelmiä, joilla regressiomallin antamia ennusteita voidaan paikallistaa eli lokalisoida. Lokalisoinnissa paikallista harhaa, joka on todellisen mitatun arvon ja mallin antaman ennusteen välinen erotus, pienennetään tai poistetaan alueellisesti kokonaan. Yhteistä menetelmille on, että ne hyödyntävät havaintojen välistä spatiaalista autokorrelaatiota. Spatiaalisen autokorrelaation (SA) perusajatuksena on, että kaksi lähekkäin sijaitsevaa kohdetta ovat todennäköisemmin samankaltaisempia kuin kaksi toisistaan kauempana sijaitsevaa kohdetta ja siksi ympäristön poikkeamia yleisestä keskiarvosta voidaan käyttää naapurin arvioimiseen.

Tarkempia estimaatteja voidaan saavuttaa erilaisilla menetelmillä. Osassa menetelmistä tutkimusalue on jaettu pienempiin mahdollisimman yhtenäisiin alueisiin, joille alkuperäinen malli on uudelleen sovittettu eli lokalisoitu, ja toisissa lokalisointi tehdään aina kunkin havainnon lähiympäristön havaintojen, nk. naapuruston, avulla.

Kaikilla menetelmillä jäännösvirhe (RMSE) pieneni, mutta niillä menetelmillä, joilla lokalisointiin pyrittiin aluetta jakamalla, lokalisoiduissa RMSE:issä oli suurta vaihtelua. Siksi näihin menetelmiin pitäisi liittää jokin lisämuuttuja, jolla pystyisi kontrolloimaan jakamista ja lokalisointia. Tällöin pystyttäisiin arvioimaan, ovatko tietyt jaot kokonaisuudessaan tai yksittäiset alueet lokalisoinnin kannalta kannattavia. Toisaalta naapurustoa hyödyntävä lokalisointi antoi vakaita ennusteita, kun naapureiden määrä oli riittävä (yli 30). Tämä vaihtoehto tarjoaakin parhaimmat mahdollisuudet jatkotutkimuksille; sillä siihen voidaan yhdistää muita väitöskirjassa käytettyjä menetelmiä tai ei-parametrisiä menetelmiä.

  • Räty, University of Helsinki, Department of Forest Sciences ORCID ID:Sähköposti minna.s.raty@helsinki.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