Artikkelit jotka sisältää sanan 'neliökeskiläpimittaa suuremman puuston suhteellinen pohjapinta-ala'

Tämä väitöskirja käsittelee ei-spatiaalisia metsän rakenteen indikaattoreita, erityisesti puiden kokojakaumat huomioon ottavia indeksejä. Yhteenvedossa keskitytään indikaattoreihin, kun taas osajulkaisuissa tarkastellaan indikaattoreiden estimointia laserkeilausaineistolla. Tutkimuksen viitekehyksenä on yleiseurooppalaisten indikaattoreiden kehittäminen, koska maanlaajuiset laserkeilausaineistot yleistyvät nopeasti. Työssä testattiin erilaisia kirjallisuudessa esitettyjä indikaattoreita metsien rakenteen kuvaukseen. Informaatioteoriaan perustuvat indikaattorit osoittautuivat epäjohdonmukaisiksi ja riittämättömiksi kuvaamaan puiden kokovaihtelua. Tämän takia Shannonin tai vastaavien yleistettyyn entropiaan perustuvien indikaattoreiden käyttöä ei suositella, vaikka niitä onkin yleisesti hyödynnetty. Tässä tutkimuksessa majorisoinnin ja Lorenzen järjestyksen yhteys esitetään puiden kokojakaumien tapauksessa sekä tarkastellaan sen luotettavuutta puupopulaation kokovaihtelun kuvaamisessa. Tämän tutkimuksen sovelluksessa Lorenzen käyrä yhdistää painottamattoman ja pohjapinta-alalla painotetun kokojakauman. Lorenzen käyrään perustuvia indikaattoreita ovat esimerkiksi Gini-kerroin (GC), käyrän asymmetria ja puuston neliökeskiläpimittaa (QMD) suuremman puuston suhteellinen pohjapinta-ala (BALM). Lorenzen käyrän käännepisteen avulla saadaan selville neliökeskiläpimitta ja siitä voidaan edelleen määrittää BALM. Neliökeskiläpimitan kulloisenkin sijainnin avulla voidaan määrittää myös jakauman maksimaalinen entropia verrattaessa sitä tasajakauman vastaavaan kohtaan. Lorenzen käyrän asymmetriaa puolestaan hyödynnettiin puuston alikasvoksen kuvauksessa. Sovelluksia varten suositelluimmat indikaattorit ovat GC ja BALM, koska ne määrittävät puuston rakenteen kaksiulotteisesti, mitä voidaan hyödyntää puiden kokovaihtelun yksityiskohtaisessa kuvaamisessa. Parhaaksi menetelmäksi indikaattoreiden ennustamiseksi laserkeilauksella osoittautui epäparametrinen k lähimmän naapurin menetelmä.

• Valbuena, University of Eastern Finland, School of Forest Sciences Sähköposti: rubenval@uef.fi