Puuston laatutunnusten mittaus ja mallinnus

www.helsinki.fi/yliopisto

MMM-kärkihankkeet 2016-2018Puuston laatutunnusten mittaus ja mallinnus

MMM-laatu

Metsätieto ja sähköiset palvelut –hankkeen välitulosseminaari 7.3.2017

Helsingin yliopiston metsätieteiden laitos (HY, Markus Holopainen, Mikko Vastaranta) Maanmittauslaitoksen paikkatietokeskus (FGI, Juha Hyyppä)

Itä-Suomen yliopisto (UEF, Matti Maltamo)Luonnonvarakeskus (LUKE, Jaakko Repola, Harri Mäkinen, (Jari Vauhkonen))

Metsäteho (Jarmo Hämäläinen, Tapio Räsänen)Arbonaut (jussi Peuhkurinen)

Visio Hankkeen tavoitteet &

osahankkeet Tuloksia Hankkeen jatko /

yhteenveto

Kuva: FGI


Visio: Tulevaisuuden metsävaratieto – Ajantasainen hilatason inventointi + runkolukusarjan ja laatutunnusten tarkentaminen puukohtaisella tiedolla

Kuva: Ville Kankare HY


Visio: laserkeilauksen avulla tarkempaa metsävaratietoa – kuviotasolta puu(oksa)tasolle


MMM-laatuTavoitteet

Miksi? Puiden ja puustojen laatutunnusten avulla olisi mahdollista tuottaa lisäarvoa koko puunkorjuun ja –jalostuksen ketjuun.

Hankkeen päätavoite on kehittää menetelmiä puuston laadun ennustamiseen. Yleisenä tavoitteena on saattaa laatutieto osaksi tulevaisuuden metsävaratietoa. Yksityiskohtaiset tavoitteet ovat seuraavat:

1) Puuston laatutiedon ennustaminen ALS- ja TLS-aineistoilla; tarkkuus,

luotettavuus, ongelmakohdat (Osahanke 1, HY&FGI)2) Puuston ulkoisten ja sisäisten laatutunnusten vastaavuuden selvittäminen

operatiivisessa inventointimittakaavassa (Osahanke 2, Metsäteho & Arbonaut)

3) Puuston laatutiedon ennustaminen ja kalibrointi ALS-aineistojen avulla laajoille alueille (Osahanke 3, UEF&LUKE)


Osahanke 1 (HY & FGI, Markus Holopainen, Juha Hyyppä, Jiri Pyörälä, ville Kankare), eteneminenPuuston laadun arvioiminen maastolaserkeilausaineistostaOsatutkimus 1 – EvoPyörälä, J., Kankare, V., Vastaranta, M., Rikala, J., Holopainen, M., Sipi, M., Hyyppä, J. & Uusitalo, J. Comparison of Terrestrial Laser Scanning and X-ray Scanning in Measuring Scots Pine (Pinus sylvestris L.) Branch Structure, manuscript.

Tavoite:

• Oksamittausten vertailu TLS:n & tukkiröntgenin välillä

• Havaitsemis-% & läpimitan mittaustarkkuus puukohtaisesti

Aineisto:• 180 mäntyä. Evo, Hämeenlinna & Orimattila, aineisto kerätty

VTT:n ja Luke:n VARMA (Value added by optimal wood raw material allocation &processing) –projektin yhteydessä

• TLS maastossa, tukkiröntgenkuvaus sahalla (Koskisen oy/ Inray oy)

• Oksakiehkuroiden lukumäärä ja suurimman oksan läpimitan mittaus molemmilla menetelmillä

Tulokset:• Keskimäärin 62% kiehkuroista havaittiin TLS:llä puiden tukkiosissa

• Virhe selittyy suurimmaksi osaksi tyvitukin karsiutuneilla oksilla

• Sisäoksan läpimitan ennustaminen ulko-oksan perusteella vaatii lisätutkimusta

Kuva: Jiri Pyörälä HY


Osahanke 1 (HY & FGI), eteneminenPuuston laadun arvioiminen maastolaserkeilausaineistostaOsatutkimus 2, Hyytiälä

Tavoite:• Tutkia männyn sisäisen laadun ennustamisen tarkkuutta laserkeilausmenetelmillä puu- ja kuviotasolla• Osatutkimuksen 1 jatkohanke: tarkempi röntgen (3D), jonka ansiosta saadaan tarkempi laatureferenssi• Röntgendata sisältää tukeittain: suurimman oksan koko ja sijainti, oksaryhmien väli;

minimi/maksimi/hajonta, oksatilavuus, tukin tilavuus ja kartiokkuus, pinta- ja sydänpuun läpimitta ja tiheys…

• Tavoitteena estimoida TLS-pistepilvistä vastaavia laatutunnuksia kuin mitä röntgendata sisältää.

Aineisto:• 2,2 ha mäntyleimikko Hyytiälässä

• Osittain pystykarsitty• Koko leimikko keilattu PLS:llä (reppukeilain)• 52 koepuuta (103 tukkia) keilattu TLS:llä • Koepuut mitattu neljän suunnan tukkiröntgenillä

• Finnos oy, UPM:n Korkeakosken sahalla

Aikataulu:• Maastolasermittaukset kesällä 2016, Hakkuu / tukkiröntgenmittaukset elokuussa 2016• Analyysit syksy 2016, talvi 2017• Tulosten raportointi (tutkimusartikkeli) 2017


Osahankkeen jatko

• Osatutkimuksen 2 (Hyytiälä) analyysien viimeistely & tutkimusartikkelin kirjoittaminen

• Automaattinen oksien tunnistaminen TLS-pistepilvestä (osatutkimuksen 1 aineistolla)

• Sisäoksan paksuuskasvun mallintaminen TLS-aineiston avulla. Pro Gradu-projekti kesällä 2017 Evolla: koesahaukset, oksien mittaukset.

• Puuston laatutunnusten yleistäminen TLS-koealoilta suuremmalle alueelle. Aineistona Evo 2014 maastokampanjan data (120 koealaa). Yhteistyöprojekti University of British Columbia:n kanssa; tutkimuksen suunnittelu & aineiston käsittely 2017, analyysit & raportointi 2018.

• TLS ja PLS (reppukeilain) –mittausten vertailu (Hyytiälän aineisto), 2017 aineistot, analyysit, 2018 raportointi


Aihepiiriin liittyviä tuoreita tutkimuksia (HY/FGI)

• Saarinen, N., Kankare, V., Vastaranta, M., Luoma, V., Pyörälä, J., Tanhuanpää, T., Liang, X., Kaartinen, H., Kukko, A., Jaakkola, A., Yu, X., Holopainen, M. & Hyyppä, J. 2017. Feasibility of Terrestrial Laser Scanning for Collecting Stem Volume Information from Single Trees. ISPRS Journal of Photogrammetry and Remote Sensing 123:140-158.

• Yu, X., Hyyppä, J., Litkey, P., Kaartinen, H., Vastaranta, M., Holopainen, M. 2017. Single-Sensor Solution to Tree Species Classification Using Multispectral Airborne Laser Scanning. Remote Sens. 2017, 9, 108.

Tehtävänä selvittää puun sisäisen laadun ennustamista laserkeilaus- ja karttatiedon avulla• Laadun ennustaminen suuralueille• Aluksi tutkitaan männyn laatua

Toteutus• Tutkitaan laserkeilausaineistosta irrotettujen muuttujien,

kasvupaikkamuuttujien ja puulajisuhteiden sekä tukkimittarilla ja tukkiröntgenillä mitatun puun sisäisen laadun välistä yhteisvaikutusta lohkotasolla (lohko on pienin yksikkö, jolle operatiiviset aineistot voidaan kohdentaa).

• Toteutus tehdään operatiivisella aineistoilla Keski- ja Lounais-Suomessa hyödyntäen mm. MML:n keilausaineistoa.

• jatkossa on tarkoitus hankkia tukkiröntgendataa myös muualta Suomesta• Tuloksena on ennustemalli ja laatua kuvaavien tunnusten karttatasoja.

Aineiston prosessointi meneillään, tuloksia odotettavissa 2017

Puuston ulkoisten ja sisäisten laatutunnusten vastaavuudetOsahanke 2, Arbonaut Oy ja Metsäteho Oy, Jussi Peuhkurinen, Tapio Räsänen, Jarmo Hämäläinen

Jussi Peuhkurinen, Arbonaut Oy

www.helsinki.fi/yliopistoMetsätieto ja sähköiset palvelut -hankkeen välitulosseminaari 7.3.2017

Datalähteet puun laatuominaisuuksien kuvauksessa

Metsikkötiedot ALS / TLS

Hakkuukonemittaus + MLS

Tukkimittari & -röntgen

Tavoitteena on hakea riippuvuuksia leimikon ominaisuuksien ja röntgenillä mitattujen laatutietojen välillä mm. big data -analyysimenetelmillä

Perusteita leimikoiden jalostusarvon määrittämiseen ja puun täsmäohjaukseen

Kuvat: Tapio Räsänen, Metsäteho Oy, Ville Kankare HY

www.helsinki.fi/yliopistoMetsätieto ja sähköiset palvelut -hankkeen välitulosseminaari 7.3.2017

Tukin röntgenmittauksen avulla havaitaan mm.• Oksaryhmät ja niiden paikat

(oksaryhmäväli)• Oksien määrä (oksavolyymi)• Sydänpuuosuus• Vuosirenkaan paksuus

Kuvat: TimberVision Oy


Osahanke 3, Puuston laatutiedon ennustaminen ja kalibrointi ALS-aineistojen avulla laajoille alueilleUEF & LUKE, Matti Maltamo, Jaakko Repola, Harri Mäkinen, (Jari Vauhkonen)tavoitteet ja toteutus

1. Laaditaan puutason ennustemalli latvusrajan ennustamiseksi harvapulssisella laseraineistolla maantieteellisesti laajalla alueella sekä verrataan mallin tarkkuutta muihin mallitusvaihtoehtoihin

Hankkeessa on laadittu a)puutason latvusrajan sekamalli, jossa selittäjinä puun läpimitta ja pituus sekä koealatason laserpiirteitä

Mallia sovelletaan siten, että puun läpimitta ja pituus ennustetaan epäparametrisesti laserkeilausinformaation avulla. Sen jälkeen läpimitta- ja pituusennusteiden sekä laserpiirteiden avulla ennustetaan puille latvusrajat

Mallia on verrattu seuraaviin vaihtoehtoihinb) puutason epäparametrinen ennustaminen läpimitalle, pituudelle sekä latvusrajalle c) koealatason regressiomalli latvusrajalle laserpiirteiden avulla d) laserpisteparvesta johdettu suora latvusrajan koealatason estimaatti

2. Latvusrajaennusteen puustokohtaisen vaihtelun tarkastelu sekä vaihtelua selittävien puustotunnusten tunnistaminen ja niiden vaikutuksen analysointi

Malliennusteiden tarkastelu ositteittain kehitysluokan, pääpuulajin, kasvupaikan ja maalajin mukaan sekä näiden luokkamuuttujien merkitsevyyden tilastollinen testaus valemuuttujina mallitusvaihtoehdossa c)


Tuloksia

• Mallitusvaihtoehtojen a)-d) RMSE-tarkkuudet koealatasolla muodostuivat seuraaviksi• a) sekamalli 1,60 m • b) epäparametrinen malli 1,49 m• c) koealatason regressiomalli 1,10 m • d) laserpisteparvesta johdettu estimaatti 1,64 m

• Kaikki tulokset yllättävänkin tarkkoja• Mallien onnistumisen lisäksi kertonee myös aineiston vähäisestä

vaihtelusta sekä puuston pienestä koosta• Suora ennuste tarkin, mutta tuottaa tietoa vain koealatasolla • Sekamallin ja epäparametrisen mallin tarkkuus hyvin lähellä toisiaan,

mutta epäparametrinen malli edellyttää soveltamistilanteessa latvusrajan mittaamisen puutasolla inventoinnin maastoaineistosta


Tulosten tarkastelu ja osahankkeen jatko

• Hankkeen päätavoite eli puutason sekamallin laatiminen latvusrajalle onnistui ja malli on tarkkuudeltaan vertailukelpoinen muihin lähestymistapoihin

• Mallin laadinta onnistuu vähäisillä maastomittauksilla ja se on kalibroitavissa muille alueille

• Latvusrajan vaihtelun tarkastelu ositteitaan osoitti, että laserinformaation ohella puustotunnuksista kehitysluokka vaikuttaa merkitsevästi, mutta myös yleisimmät kasvupaikat poikkeavat toisistaan

• Hankkeen jatkossa sekamallilähestymistapaa latvusrajan ennustamisessa sovelletaan muilla inventointialueilla


Yhteenveto, MMM-laatu

• Maastolaserkeilauksen avulla on mahdollista mitata/ennustaa puutason laatutunnuksia

• Lentolaserkeilauksen avulla on mahdollista ennustaa latvusrajaan liittyvä laatutunnus melko hyvällä tarkkuudella

• Lentolaserkeilauspiirteiden avulla voidaan tarkentaa latvusrajamalleja paikallisesti• Malleja voidaan tarkentaa myös kasvupaikka- ja kehitysluokkatiedolla• Jatkotutkimuksia

• Menetelmien testaaminen laajemmilla alueilla• TLS-mittausten automatisointi• PLS/MLS-menetelmien testaaminen• ALS- ja TLS(PLS/MLS) –tiedon yhdistäminen• Big data –analyysi – laserkeilauspiirteet ja tukkiröntgenmittaukset – löydetäänkö muita

laserpiirteistä ennustettavissa olevia laatutunnuksia kuin latvusraja?• Muut puulajit – kuusi?

Environment

Puuston laatutunnusten mittaus ja mallinnus