Laserkeilauksen aikakausi ja uusien inventointimenetelmien kehitys on vähentänyt maastomittausten tarvetta ja inventointien kokonaiskustannuksia viimeisen kahden vuosikymmenen aikana. Vaikka menetelmäkehitys onkin ollut merkittävää, systemaattisia maastomittauksia tarvitaan käytännössä yhä edelleen. Esimerkiksi yleisesti käytössä oleva aluepohjainen inventointimenetelmä tukeutuu maastossa tehtäviin koealamittauksiin. Laserkeilausperusteisten inventointien lisäksi aluepohjaista menetelmää voidaan käyttää myös lennokeilla tehtävissä inventoinneissa ilmakuvapistepilviä hyödyntäen. Maastossa tehtävät koealamittaukset eivät ole yleensä lennokki-ilmakuvapistepilviä käytettäessä kannattavia lennokkien pienen toiminta-alueen takia. Tämän väitöskirjan tavoitteena oli tutkia laserkeilauspohjaisten mallien toimivuutta laserkeilaukseen ja lennokki-ilmakuvapistepilviin perustuvissa inventoinneissa ilman uusia paikallisia maastomittauksia.
Tässä tutkimuksessa valtakunnalliset laserkeilauspohjaiset mallit sovitettiin koko Suomen alueelle kolmelle puustotunnukselle (runkotilavuus, maan yläpuolinen biomassa ja valtapituus) ja niiden virheitä tarkasteltiin aluetasolla. Valtakunnallisten mallien aluetason ennusteet olivat usein systemaattisia yli- tai aliarvioita, minkä takia tutkittiin erilaisia kalibrointimenetelmiä. Ensimmäisenä testattiin valtakunnallisten mallien kalibrointia pienellä määrällä uusia maastomittauksia. Tämän jälkeen valtakunnallinen tilavuusmalli tai sen ennusteet kalibroitiin ilman uusia paikallisia maastomittauksia kolmen skenaarion avulla: a) käyttämällä malleissa ympäristöä ja maantieteellisiä olosuhteita kuvaavia lisäselittäjiä, b) uudelleen sovittamalla mallit käyttäen opetuskoealoja lähimmiltä inventointialueilta ja c) sovittamalla ennusteet alueittain valtakunnan metsien inventoinnin tietoihin. Lennokki-inventointia ilman uusia paikallisia maastomittauksia tutkittiin korvaamalla laserkeilauspohjaisten mallien selittäjät ilmakuvapistepilvistä johdetuilla tunnuksilla malleja käytettäessä. Laserkeilauspohjaisten mallien selittäjinä käytettiin niitä tunnuksia, jotka olivat mahdollisimman samankaltaisia laserkeilaus- ja lennokkiaineistojen välillä.
Tulokset osoittivat, että puustotunnusten ennustaminen ilman uusia paikallisia maastomittauksia on mahdollista kohtalaisella tarkkuudella laserkeilauspohjaisten mallien avulla. Systemaattiset virheet minimoituivat, kun yleiset mallit kalibroitiin lisäselittäjien, kuten lämpösumma-, sadanta- ja puulajisuhdetietojen avulla. Huolellisesti valittujen lisäkoealojen käyttö valtakunnallisten mallien kalibrointiin on kuitenkin suositeltavaa, jos uusien koealojen hankinta on taloudellisesti mahdollista. Laserkeilauspohjaisia malleja on mahdollista käyttää puustotunnusten ennustamiseen lennokki-ilmakuvapistepilvistä johdettujen selittäjien avulla erityisesti silloin, kun mallien selittäjät kuvaavat ylintä latvuskerrosta. Pienimmät virheet lennokki-inventoinnissa saavutettiin käyttämällä laserkeilausperusteista mallia lähimmältä samankaltaiselta alueelta luokittelemalla ennustusyksiköt havu- ja lehtipuuvaltaisuuden mukaan ennen ennustamista.
Metsikön puuston läpimittajakaumaa kuvataan usein teoreettisten todennäköisyysjakaumien avulla. Tyypillisesti todennäköisyysjakauman parametrit johdetaan joko ennustetuista tai arvioiduista puustotunnuksista. Kaukokartoitukseen perustuvissa metsäinventoinneissa todennäköisyysjakaumien käyttäminen ei ole kuitenkaan välttämätöntä, koska läpimittajakaumat voidaan ennustaa hyödyntämällä mitattua koeala-aineistoa (puulistat) ja epäparametrista lähimmän naapurin (NN) menetelmää. Tämän väitöstutkimuksen tavoitteena oli tarkastella NN-menetelmään ja kaukokartoitusaineistoihin perustuvaa läpimittajakaumien ennustamista boreaalisissa metsissä. Ensimmäisessä osatutkimuksessa tarkasteltiin NN-menetelmässä käytettyjä vastemuuttujakokoonpanoja, kun läpimittajakaumia ennustetaan puulajikohtaisesti. Toisessa osajulkaisussa hyödynnettiin erilaisia kaukokartoitusaineistoja tukkikokoisten puiden läpimittajakaumien ennustamisessa. Esimerkiksi monikanavaisen sekä kahdenaikaisen lentolaserkeilausaineiston käyttökelpoisuuttaa verrattiin operationaaliseen standardiin, jossa lentolaserkeilausaineistoa ja ilmakuvia hyödynnetään yhdenaikaisesti. Kolmannessa osajulkaisussa tarkasteltiin mahdollisuuksia ennustaa läpimittajakaumia yhdistäen aluepohjaista puustotulkintaa ja yksinpuintulkintaa. Tulokset osoittivat, että NN-menetelmän vastemuuttujakokoonpanolla on merkitystä puulajikohtaisten jakaumaennusteiden hyvyyteen. Tulosten perusteella voidaan todeta, että operationaalisesti käytössä oleva vastemuuttujakokoonpano ei ole optimaalisin vaihtoehto läpimittajakaumia ennustettaessa. Toisen osajulkaisun tulokset osoittivat, että puulajikohtaisten tukkitilavuusennusteiden virheet ovat suurempia, kun käytetään monikanavaista lentolaserkeilausaineistoa perinteisen yksikanavaisen lentolaserkeilausaineiston ja ilmakuvien yhdistelmän asemesta. Sen sijaan, kahdenaikaisen lentolaserkeilausaineiston (lehdettömään ja lehdelliseen aikaan kerätty) avulla tuotetut puulajikohtaiset tukkitilavuusennusteet saavuttivat lähes saman virhetason verrattuna perinteiseen lentolaserkeilausaineiston ja ilmakuvien yhdistelmään. Kolmannen osajulkaisun tulokset osoittivat, että aluepohjaisen puustotulkinnan ja yksinpuintulkinnan yhdistäminen on hyödyllistä puuston läpimittajakaumia ennustettaessa. Inventointimenetelmien yhdistelmällä saavutettiin yleisesti pienemmät virhetasot verrattuna siihen, että hyödynnettäisiin ainoastaan joko aluepohjaista puustotulkintaa tai yksinpuintulkintaa. On syytä huomata, että yksinpuintulkinnan havaittiin olevan aluepohjaista puustotulkintaa herkempi virheille metsäkuvioilla, joissa läpimittajakauma on muodoltaan kaksihuippuinen tai laskeva. Muodoltaan normaalijakaumaa muistuttaville läpimittajakaumille yksinpuintulkinta tuotti usein aluepohjaista puustotulkintaa pienemmät jakaumaennusteiden virheet. Metsärakenteen analyysia tiheäpulssisen lentolaserkeilausaineiston avulla voidaan hyödyntää indikaattorina, joka auttaa valitsemaan optimaalisen menetelmän läpimittajakaumaennusteiden tuottamiseksi.