Artikkelit jotka sisältää sanan 'tropical forest'

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

Kaukokartoitusperusteinen trooppisen metsän puuston kartoitus ja metsiköiden rajaus Tässä työssä kehitettiin kaukokartoitusperusteisia metsävarojen inventointimenetelmiä metsätalouden kestävyyden seurantaan. Kansainvälisen ilmastopolitiikan konsepteja kehitetään metsän hävittämisestä johtuvaan kasvihuonekaasujen päästöjen hillitsemiseen (REDD), ja sen mekanismeihin kuuluu läheisesti trooppisten metsien seurantamenetelmät. Tutkimusalue sijaitsi Laosissa ja kaukokartoitusmateriaaleina oli ALOS AVNIR-2 satelliittikuva, digitaalinen ilmakuva ja laserkeilausmateriaali. Ensimmäisessä osatutkimuksessa vertailtiin näiden kolmen erityyppisen materiaalin tehokkuutta puuston tilavuuden ja tiheyden ennustamiseen. Tulokset osoittivat, että perinteinen aluepohjainen laserkeilausperusteinen menetelmä oli sekä tilavuuden (RMSE 36.9%) että puuston tiheyden (RMSE47.3%) osalta parhaat. Ilmakuvaperusteinen ennustus oli hieman parempi kuin satelliittikuvaperusteinen, vaikka erot eivät olleetkaan kovin suuria. Periaatteessa boreaalisessa metsissä kehitetty menetelmä toimi kohtuullisesti myös tropiikissa, vaikka tulokset eivät olleetkaan yhtä hyviä. Toisessa osatutkimuksessa tutkittiin aluepohjaisen menetelmän sovellettavuutta tropiikissa ja laseraineiston koealakohtaista aluskasvillisuudesta johtuvan osa-aineiston poistamista. Tutkimuksessa kehitettiin adaptiivinen pistepilven suodatusmenetelmä, jolla pystyttiin parantamaan tulosten luotettavuutta. Optimoidulla kiinteällä suodatusmenetelmällä saavutettiin 7 % tarkkuuden parannus ja adaptiivisellä menetelmällä lisäksi 2 % lisäparannus verrattuna pohjoismaiseen aluepohjaiseen perusmenetelmään. Kolmannessa osa-tutkimuksessa pyrittiin muodostamaan automaattisesti kaukokartoitusperusteisesti metsien käsittely-yksiköitä. Automaattisen kuvasegmentoinnin ja puuston ennustemallien avulla testattiin kuviointien mielekkyyttä. Ennustemallien luotettavuus ja kohdemetsän heterogeenisuus vaikuttivat merkittävästi lopputulokseen. Tutkimus osoitti, että kehitettyjä menetelmiä voidaan käyttää metsien hiilivarannon kartoitukseen ja metsien häviämisestä johtuvan kasvihuonekaasujen päästöjen seurantaan.

• Hou, University of Eastern Finland, School of Forest Sciences Sähköposti: hou.zhengyang@gmail.com

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