Artikkelit jotka sisältää sanan 'Sample size'

Metsien rakennetyyppien (FST) arviointi tarjoaa työkaluja erilaisten metsiköiden erotteluun, kestävään metsäsuunnitteluun ja tehokkaaseen päätöksentekoon. Tässä työssä hyödynnettiin neljää aineistoa kolmelta kasvillisuusvyöhykkeeltä, jotka olivat pohjoinen havumetsävyöhyke, lauhkean vyöhykkeen metsä ja välimerellinen metsä. Rakennetyyppien arvioinnissa tarkasteltiin seuraavia menetelmiä. Puiden kokovaihteluun perustuvaa Gini-kerrointa (GC) hyödynnettiin metsän rakenteen määrittelyyn pohjoisen havumetsävyöhykkeen tutkimusaineistossa. Lisäksi tarkasteltiin koealakoon, puuston kasvatustiheyden ja lentolaserkeilauksen (ALS) pistetiheyden vaikutusta ALS pohjaiseen Gini-kertoimen estimointiin. Toisekseen neljää rakennetunnusta, jotka olivat neliökeskiläpimitta (QMD); GC, keskineliöläpimittaa suurempien puiden pohjapinta-ala (BALM) ja puuston runkoluku (N), hyödynnettiin kehitettäessä kasvillisuusvyöhykkeistä riippumatonta metsien rakennetyyppien arviointia. Lopuksi määritettiin maksimaalinen entropia-arvo, joka luokittelee erilaisia pohjoisen havumetsävyöhykkeen metsien rakennetyyppejä suoraan lentolaserkeilauksen korkeustunnusten perusteella. Sen jälkeen puuston biomassaa ennustettiin erikseen rakennetyypeittäin ja koko aineistossa.

Tulokset osoittivat, että koealan koolla on suurin vaikutus Gini-kertoimen estimointiin ja että 250–450 m2 (ympyräkoealan säde 9–12 m) on optimaalisin koko. Edelleen Gini-kerroin ja keskineliöläpimittaa suurempien puiden pohjapinta-ala ovat luotettavimpia tunnuksia erottelemaan läpimittajakaumaltaan laskevat sekä yksi- ja monihuippuiset metsiköt. Neliökeskiläpimittaa ja runkolukua voidaan puolestaan hyödyntää erotellessa nuoria ja vanhoja sekä tiheitä ja harvoja metsiköitä. Lentolaserkeilaustunnusten perusteella määritettävä maksimaalinen entropia-arvo on 0,33, kun taas hyödynnettäessä puuston pohjapinta-alaa päädytään arvoon 0,5. Jos lentolaserkeilaukseen perustuvaa arvoa hyödynnetään aineiston osittamisessa, johtaa se biomassan ennustamisen vähäiseen tarkentumiseen. Osittamisella päädytään myös erilaisten ALS-piirteiden valintaan eri ositteiden malleissa. Esimerkiksi suuria korkeuskvantiileja käytetään eri-ikäisrakenteisten ja nuorten metsien biomassan ennustamisessa, kun taas latvuspeittoon ja keskimääräisiin korkeuskvantiileihin perustuvia ALS-piirteitä hyödynnetään tasaikäisrakenteisten ja sulkeutuneiden metsiköiden biomassojen ennustamisessa. Tuloksia voidaan hyödyntää lentolaserkeilaukseen perustuvien piirteiden valinnassa erityisesti puustoltaan heterogeenisissä metsissä.

• Adnan, University of Eastern Finland, Faculty of Science and Forestry, School of Forest Sciences Sähköposti: adnan.adnan@uef.fi

Tämän työn tavoitteena oli arvioida puuston maanpäällistä biomassaa (AGB) – yhtä keskeistä REDD ja REDD+ MRV -mekanismien metsäinventointiin liittyvistä muuttujista. Tämä tutkimus tarkasteli opetusaluekonseptia kaksivaiheisessa AGB-arvioinnissa käyttäen laserkeilausta (ALS) ja RapidEye -satelliittiaineistoa itä-Suomessa (tutkimus I), opetusalueen sijainnin vaikutusta (tutkimus II) ja (tutkimus II) ja maastoaineiston otoskoon vaikutusta (tutkimus III) käyttäen ALS-, RapidEye- ja Landsat-aineistoa etelä-Nepalissa. AGB-malli sovitettiin käyttäen yksinkertaista lineaarista regressiota (tutkimus I) ja ”sparse bayesialaista” menetelmää (tutkimukset II-III). AGB-mallin tehokkuus testattiin käyttämällä riippumatonta validointiaineistoa ja tehokkuus arvioitiin määrittämällä keskineliövirheen neliöjuuri (RMSE) ja keskipoikkeama. Tutkimuksen I tulokset osoittavat, että RapidEye-mallilla oli lupaava tarkkuus 20%:n suhteellisella RMSE:lla suhteessa riippumattomaan validointiaineistoon. Tutkimuksen II tulokset osoittivat, että etäisyydellä tiestä ja opetusalueen kaltevuudella oli huomattava vaikutus AGB-arvion tarkkuuteen, koska metsän rakenne vaihteli saavutettavuuden mukaan. Tutkimuksen II tulokset osoittavat, että riittävä puuston pituuden ja tiheyden vaihtelevuuden kattavuus oli tärkeä edellytys opetusalueiden valitsemisiin. Suhteellisessa RMSE:ssa havaittiin vain vähäistä nousua, kun opetusalueiden kokonaismäärää pienennettiin. ALS-perusteinen ennustaminen vaati pienimmän määrän opetusalueita verrattuna RapidEye- ja Landsat-aineistoon. Yhteenvetona: (i) ALS-simuloidut opetusalueet voisivat toimia vaihtoehtona kalliille kenttäkoealueille käyttäen kaksivaiheista lähestymistapaa; (ii) opetusalueen pitäisi kattaa laaja vaihtelevuus suhteessa saavutettavuustekijöihin ja metsän rakenteeseen kuten pituus ja tiheys; (iii) ALS-pohjainen ennustaminen onnistui paremmin kuin satelliittimateriaalipohjaiset (RapidEye- ja Landsat) menetelmät. Nämä arvioidut AGB-inventoinnin konseptit ja tekijät ovat hyödyllisiä tukemassa tulevaisuudessa metsävarojen kestävään käyttöön ja REDD-mekanismiin liittyvää metsien monitorointia ja päätöksentekoa.

• Rana, University of Eastern Finland, School of Forest Sciences Sähköposti: parvez.rana@uef.fi