Artikkelit jotka sisältää sanan 'nearest neighbour'

Työn tavoitteena oli soveltaa ja edelleen kehittää satelliittikuvatietoon perustuvia metsien inventoinnin laskennan menetelmiä ja komponentteja boreaalisen ja trooppisen metsän olosuhteissa. Tässä työssä esitettävät sovellukset perustuvat optisen alueen kaukokartoitustietoon, pääosin satelliittikuvatietoon, sekä epäparametriseen k:n lähimmän naapurin estimointimenetelmään, jotka molemmat ovat yleisesti käytettyjä komponentteja monilähteisessä metsien inventoinnissa.

Variogrammia tekstuuri-informaation lähteenä metsikkökuvion puuston keskitilavuuden estimoinnissa kokeiltiin digitaalisen ilmakuvan avulla Hyytiälässä. Ristiinvalidoinnin mukaan keskitilavuuden estimoinnin tarkkuus parani, kun semivarianssin arvot olivat mukana hakumuuttujien joukossa.

Metsäpeitteen ja tilavuuden kartoittamisessa Terain alueella Nepalissa hyödynnettiin. Landsat TM -satelliittikuvia. Monilähteisen metsien inventoinnin laskentaa sovellettiin tilavuuden kartoitukseen myös Kon Tumin provinssin alueella Vietnamissa. Näissä kahdessa tutkimuksessa käytettiin MODIS -satelliittikuvatietoa referenssinä Landsat TM kuvien suhteellisessa kalibroinnissa.

Satelliittikaukokartoitus on edesauttanut myös metsähakkeen teknisen korjuumahdollisuusarvion laskentamenetelmien kehitystyötä. Työssä esitetään esimerkkisovellus Keski-Suomessa ja lähtötietona laskentaproseduurissa käytetään monilähdeinventoinnin tuottamaa rasterimuotoista biomassakartoitusta. Metsähakkeen korjuumahdollisuusarvio perustui hakkuutähteiden ja kantojen korjuuseen päätehakkuukohteilla.

Trooppisen metsän alueita koskevissa sovelluksissa laskennan toteutus tehtiin Open Source -laskentaohjelmistoilla. Tehty työ on osaltaan myös REDD+ ohjelmaan liittyvää metsien inventoinnin ja kaukokartoituksen kapasiteetin kehitystyötä. Metsähakkeen korjuumahdollisuusarviot toimivat puolestaan tukena metsäbioenergian tuotantoon liittyvässä päätöksenteossa.

• Muinonen, University of Eastern Finland, School of Forest Sciences Sähköposti: eerom7@gmail.com

Piirteiden irrotus ja valinta kaukokartoitusavusteisessa metsäninventoinnissa Tässä väitöskirjassa tutkittiin kaukokartoitusaineistoista irrotettujen piirteiden suorituskykyä suuralueen metsäninventoinnin yhteydessä. Tutkimusalueet sijoittuvat Suomen boreaalisen vyöhykkeen metsiin, yhtä Pohjois-Minnesotassa (Yhdysvallat) sijainnutta aluetta lukuunottamatta. Metsätunnusten estimointi tehtiin pikseli- tai hilatasolla, ei-parametrisen k-lähimmän naapurin menetelmän avulla. Kaukokartoitusaineistoina käytettiin Landsat 7 Enhanced Thematic Mapper Plus (ETM+) satelliittikuvia, väri-infra-ilmakuvia, TerraSAR-X tutkan sekä lentokoneesta tehtävän laserkeilauksen (ALS) tuottamia aineistoja. Näiden kuvatyyppien viitteellinen sopivuusjärjestys metsävaratunnusten estimoinnissa oli ALS, TerraSAR-X, ilmakuva ja Landsat 7 ETM+. Tutkimuksessa paneuduttiin erityisesti eri aineistoista irrotettujen piirteiden yhdistelyyn, sekä sellaisten piirreyhdistelmien etsimiseen, jotka tuottivat parhaan tuloksen metsävaratunnusten estimoinnissa. Piirteiden valinta tehtiin pääasiassa geneettisen algoritmin avulla. Tuloksina saadut suhteelliset keskineliövirheen neliöjuuret (RMSE) asettuivat välille 23–77 %, kun kyseessä oli puuston keskitilavuuden arviointi. Parhaat tulokset saatiin yhdistelemällä ALS- ja ilmakuvapiirteitä. Tällöin suhteelliset RMSE-arvot puuston keskitilavuudelle olivat 23–30 %, maisemakuvasta riippuen. Yleensä toisiaan täydentävien kuvatyyppien käyttö paransi arvioiden tarkkuutta. Automaattinen piirrevalinta vähensi suuresti hälyn sekä piirteiden määrää alkuperäiseen syötteeseen verrattuna ja johti parempaan estimointitulokseen. Niissä osatutkimuksissa, joissa hyödynnettiin ALS-aineistoja, erityisesti puuston vertikaalirakennetta kuvaavat ALS-tunnukset auttoivat pienentämään estimointivirhettä.

• Haapanen, University of Helsinki, Department of Forest Sciences Sähköposti: reija.haapanen@gmail.com

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 Sähköposti: sanna.harkonen@metla.fi

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 Sähköposti: susanna.sironen@joensuu.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