Artikkelit jotka sisältää sanan 'classification'

Tutkimuksessa kehitettiin lentolaserkeilausperusteisia menetelmiä metsäteiden laadun arviointiin. Harva - ja tiheäpulssisista laserkeilausaineistoista muodostetettiin rasteripohjaisesia pintamalleja eri resoluutioilla (0,2 m – 1 m). Työssä vertailtiin erilaisten interpolointi menetelmien (IDW, NN, Spline ja Kriging) ja niiden avulla laadittujen tunnusten soveltuvuutta pinnan laadun kuvaukseen. Tien laatua kuvattiin pinnan tasaisuudella, pinnoitteen laadulla, rakennetunnuksilla, ojien laadulla, kuivatus ominaisuuksilla, veden kerääntymis potentiaalilla ja tiealueen kasvillisuuden määrällä.

Suomen aineistossa käytettiin Metsätehon laatuluokituksen mukaista luokitusta. Kanadan aineistossa ennustettiin metsäteiden käytön ja käyttämättömyyden tilaa. Lineaarisella erotteluanalyysillä ennustettiin teiden

laatuluokkia. Tien pinnan laadun, kosteus indeksin ja maaperäkartan tietojen avulla laatuluokka ennnustettiin 81,6–89.8 % tarkkuudella. Korkealla pulssitiheydellä päästiin hyviin tuloksiin jo pelkällä pintaa kuvaavilla indekseillä. Kasvillisuuteen perustuvilla tuloksilla päästiin 73 % tarkkuuteen, mutta ojien ja tiheä pulssisen tienpintakuvauksen avulla päästiin jopa 92 % tarkkuuteen. Tuloksia voidaan käyttää maastotyön suuntaamiseen ja semi-autimaattisen tienlaadun arviointiin osana laserkeilausperusteisia metsätiedon keruuhankkeita.

• Waga, University of Eastern Finland, Faculty of Science and Forestry, School of Forest Sciences Sähköposti: katalin.waga@uef.fi

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 Sähköposti: inka.pippuri@uef.fi

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 Sähköposti: minna.s.raty@helsinki.fi

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 Sähköposti: sirpa.thessler@mtt.fi