Browsing by Subject "TLS"
Now showing items 1-8 of 8
-
(2023)The study of forest fragmentation, the break-up of forests into smaller patches, has become increasingly important due to increases in human-induced deforestation. Currently, approximately 12 million ha of forest are lost per year and 32% of this loss is tropical. There is substantial evidence showing that edge effects can alter the structure and functioning of remaining tropical forests, even hundreds of meters from the forest edge. However, implementing empirical experiments to understand the effects of fragmentation on forest structural metrics is logistically and scientifically challenging and limited to smaller areas. The use of forest models may help overcome these limitations, as they are able to quickly reproduce long-term ecological processes, as well as simulate a broad range of boundary forcings, such as biogeographical variability. This study evaluates the capability of a state-of-the-art forest dynamic model in reproducing the three-dimensional vertical distribution of plants in Amazonian forests affected by fragmentation. To achieve this, we optimized parameters driving plant demography and mortality, as well as their response to edge effects. FORMIND is an individual and process-based gap model suited for species rich vegetation communities, with the option of a fragmentation module. We modified processes and parameters in FORMIND to mimic the dynamics observed in a long-term (40 years-old) forest fragmentation experiment in the Brazilian Amazon. Forest structural metrics extracted from the FORMIND model output were compared with those obtained from terrestrial laser scans of the Amazonian Forest fragments. The resulting simulations demonstrated that, after 40 years of edge effects, the model in its original state was not capable of reproducing comparable results to those observed using the terrestrial LiDAR system. However, the addition of a new parameter capable of adjusting tree mortality at varying edge distances and inclusion of understory vegetation, drastically improved the model’s ability to replicate the three-dimensional distribution of plant material in the forest fragments. Total Plant Area Index (PAI), and PAI at varying height intervals (PAI 0-10m, PAI 10-20m, PAI 20-30m), amongst other metrics, showed consistent responses from edge effects, thus resulting in an adequate vertical plant distribution. Results demonstrate that, with the implementation of new parameters, forest models such as FORMIND have strong potential to study the mechanisms and the impact of environmental changes on forests. Models can also expand the possibilities of in-situ studies, which are limited in time and space, when calibrated carefully with suitable in-situ data, here delivered by terrestrial LiDAR.
-
Kuusen (Picea abies (L.) H. Karst.) laatua kuvaavien piirteiden mittaaminen maastolaserkeilauksella (2023)Suomessa metsäteollisuus on merkittävä osa vientiä, ja metsät ovat Suomen tärkein luonnonvara. Jotta metsiä voidaan hyödyntää mahdollisimman kestävästi ja tehokkaasti, kannattaa tutkia menetelmiä, joilla voidaan parantaa metsäteollisuuden jalostusketjun arvoa. Metsäteollisuuden puunhankintaa suunnitellaan tällä hetkellä etukäteen puuraaka-aineen tarpeen, ja puuston järeyden mukaan. Metsäteollisuuden jalostusketjun arvoa voitaisiin parantaa tiedolla saatavilla olevan puuraaka-aineen laadusta, sillä sen avulla on mahdollista ohjata raaka-aineen kuljetusta eri tehtaille tarkemmin. Tässä tutkielmassa oli tarkoitus tutkia kuusen (Picea abies (L.) H. Karst.) laadun mittaamista maastolaserkeilauksella (terrestrial laser scanning, TLS), sekä kuusen laatua kuvaavien piirteiden yleistettävyyttä laajemmille alueille kirjallisuudessa esitettyjen tunnusten perusteella. Tutkielmassa selvitettiin kuusen laatua kuvaavien TLS-piirteiden korrelaatio TLS-menetelmillä mitttuun puun pituuteen, tilavuuteen, tukkitilavuuteen, latvussuhteeseen, ja latvuspinta-alaan. Tavoitteena oli myös lisätä ymmärrystä tekijöistä, jotka vaikuttavat laatua kuvaaviin piirteisiin ja niiden mittaamiseen. Tutkielman aineistossa oli 343 puuta, joista 257 kappaletta oli kuusia. Leimikot, joita oli 20 kappaletta, sijaitsivat Örebron läänissä Keski-Ruotsissa. TLS-keilaukset tehtiin 7.5 m säteisiltä ympyräkoealoilta neljällä keilauksella. Kaikille kuusen laatua kuvaaville TLS-piirteille löytyi tilastollisesti merkitseviä selittäjiä (P<0,05). Erot leimikoiden puiden laatua kuvaavien TLS-piirteiden välillä olivat pääasiassa vähäisiä, mutta kapenemisluvun kohdalla merkittäviä. Tuloksista voidaan päätellä, että joitain laatua kuvaavia TLS-piirteitä voi olla yleistettävissä laajemmalle alueelle estimoimalla selittävät tunnukset ilmalaserkeilaus (aerial laser scanning, ALS) -menetelmillä. Monella laatua kuvaavalla TLS-piirteellä korrelaation vahvuus puutunnuksiin vaihteli eri korkeuksilla rungossa, mikä kertoo sekä eri kokoisten puiden välisistä eroista, että oksien ja latvuksen rakenteen vaihtelusta eri korkeuksilla rungossa. Kuusen pitkä elävä latvus aiheuttaa peitteisyyttä ja sen myötä epävarmuutta mittauksiin. Yhdistämällä tutkielmassa mitatut ulkoiset piirteet tukkiröntgenin sisäistä laatua mittaavaan dataan, voitaisiin mallintaa puun sisäistä oksaisuutta ja tiheyttä suhteessa TLS-piirteisiin. Suuremmalla mallinnusdatalla, oikeiden ALS-piirteiden ja kasvupaikkatiedon avulla puuston laadun yleistämisessä laajemmille alueille on tämän tutkielman perusteella potentiaalia, mikä tukee aiempien tutkimusten tuloksia.
-
Kuusen (Picea abies (L.) H. Karst.) laatua kuvaavien piirteiden mittaaminen maastolaserkeilauksella (2023)Suomessa metsäteollisuus on merkittävä osa vientiä, ja metsät ovat Suomen tärkein luonnonvara. Jotta metsiä voidaan hyödyntää mahdollisimman kestävästi ja tehokkaasti, kannattaa tutkia menetelmiä, joilla voidaan parantaa metsäteollisuuden jalostusketjun arvoa. Metsäteollisuuden puunhankintaa suunnitellaan tällä hetkellä etukäteen puuraaka-aineen tarpeen, ja puuston järeyden mukaan. Metsäteollisuuden jalostusketjun arvoa voitaisiin parantaa tiedolla saatavilla olevan puuraaka-aineen laadusta, sillä sen avulla on mahdollista ohjata raaka-aineen kuljetusta eri tehtaille tarkemmin. Tässä tutkielmassa oli tarkoitus tutkia kuusen (Picea abies (L.) H. Karst.) laadun mittaamista maastolaserkeilauksella (terrestrial laser scanning, TLS), sekä kuusen laatua kuvaavien piirteiden yleistettävyyttä laajemmille alueille kirjallisuudessa esitettyjen tunnusten perusteella. Tutkielmassa selvitettiin kuusen laatua kuvaavien TLS-piirteiden korrelaatio TLS-menetelmillä mitttuun puun pituuteen, tilavuuteen, tukkitilavuuteen, latvussuhteeseen, ja latvuspinta-alaan. Tavoitteena oli myös lisätä ymmärrystä tekijöistä, jotka vaikuttavat laatua kuvaaviin piirteisiin ja niiden mittaamiseen. Tutkielman aineistossa oli 343 puuta, joista 257 kappaletta oli kuusia. Leimikot, joita oli 20 kappaletta, sijaitsivat Örebron läänissä Keski-Ruotsissa. TLS-keilaukset tehtiin 7.5 m säteisiltä ympyräkoealoilta neljällä keilauksella. Kaikille kuusen laatua kuvaaville TLS-piirteille löytyi tilastollisesti merkitseviä selittäjiä (P<0,05). Erot leimikoiden puiden laatua kuvaavien TLS-piirteiden välillä olivat pääasiassa vähäisiä, mutta kapenemisluvun kohdalla merkittäviä. Tuloksista voidaan päätellä, että joitain laatua kuvaavia TLS-piirteitä voi olla yleistettävissä laajemmalle alueelle estimoimalla selittävät tunnukset ilmalaserkeilaus (aerial laser scanning, ALS) -menetelmillä. Monella laatua kuvaavalla TLS-piirteellä korrelaation vahvuus puutunnuksiin vaihteli eri korkeuksilla rungossa, mikä kertoo sekä eri kokoisten puiden välisistä eroista, että oksien ja latvuksen rakenteen vaihtelusta eri korkeuksilla rungossa. Kuusen pitkä elävä latvus aiheuttaa peitteisyyttä ja sen myötä epävarmuutta mittauksiin. Yhdistämällä tutkielmassa mitatut ulkoiset piirteet tukkiröntgenin sisäistä laatua mittaavaan dataan, voitaisiin mallintaa puun sisäistä oksaisuutta ja tiheyttä suhteessa TLS-piirteisiin. Suuremmalla mallinnusdatalla, oikeiden ALS-piirteiden ja kasvupaikkatiedon avulla puuston laadun yleistämisessä laajemmille alueille on tämän tutkielman perusteella potentiaalia, mikä tukee aiempien tutkimusten tuloksia.
-
(2018)Decaying dead wood is a key factor for forest biodiversity. In boreal forests, many threatened and specialised species are dependent on dead wood. Therefore, information on quantity and quality of dead wood is needed. Conventionally, the inventory of dead wood is based on measurements and observations done in the field with traditional forest measurement tools, which, however, could be replaced by terrestrial laser scanning (TLS). TLS provides a dense point cloud on its surroundings with a millimetre-level of detail enabling versatile measurements at the levels from an individual tree to an entire sample plot. Previous studies have proven TLS to efficiently provide information for mapping standing trees, but the feasibility of TLS for dead wood inventory has not yet examined. The objective of this study was to develop an automatic method for mapping downed dead wood using TLS. TLS data were collected from 20 sample plots (32 m x 32 m in size) using the multi-scan approach with five scanning positions on each plot. All downed dead tree trunks with a diameter exceeding 5 cm at the middle of the trunk were measured in the field and considered as the field reference. Cylinder fitting and surface model segmentation were utilised when the downed dead wood trunks were automatically detected from the point clouds. The trunks were also detected visually to reveal all the potential of the use of a dense point cloud in mapping downed dead wood from a sample plot. Dimensions, volume, geometry-related quality attributes and position in the sample plot were automatically determined for each trunk detected from the point cloud. Based on trunk attributes, a map representing the spatial distribution of downed dead wood, as well as estimates for attributes describing the quantity and quality of downed dead wood at the plot level, were constructed. Finally, a diameter distribution for downed dead wood in the study area was comprised. This study revealed that TLS is a valid method for mapping downed dead wood from sample plots. By utilising the TLS point clouds, 68 % of the downed dead wood volume was detected automatically, while the total volume of downed dead wood was estimated with an RMSE of 15,0 m3/ha. The mapping accuracy could be improved with the visual interpretation of the point cloud, in which case 83 % of the dead wood volume was detected, and the estimate for the total volume of downed dead wood was determined with an accuracy of 6,4 m3/ha. On average, the length of the detected tree trunk was underestimated while the diameter was overestimated since the trunk was not able to be detected entirely from the point cloud. According to the results, the reliability of TLS based dead wood mapping increases alongside the dimensions of the dead wood trunks. The density of plot vegetation, however, causes shading and reduces the trunk detection accuracy. Therefore, when collecting the data, extra attention must be paid to the quality of the point cloud.
-
(2018)Lahopuu ylläpitää metsäluonnon monimuotoisuutta, sillä se on välttämätön elinympäristö monille uhanalaisille eliölajeille. Tietoa lahopuun määrästä ja laadusta tarvitaan, jotta voidaan arvioida lahopuun vaikutusta metsäekosysteemin erilaisiin toimintoihin. Lahopuun kartoitus perustuu yhä maastoinventointiin, jossa perinteiset mittavälineet voitaisiin korvata maastolaserkeilauksella. Maastolaserkeilain tuottaa ympäristöstään tiheän pistepilven, jonka millimetritason tarkkuutta voidaan hyödyntää puu- ja koealatason mittauksissa. Maastolaserkeilaus on osoittautunut tehokkaaksi tiedonkeruumenetelmäksi elävän puuston koealamittaukseen, mutta sen soveltuvuutta lahopuun kartoitukseen ei ole vielä tutkittu. Tämän tutkielman tavoitteena oli kehittää maastolaserkeilaukseen perustuva automaattinen menetelmä maalahopuun määrän ja laadun kartoitukseen. Maalahopuun kartoitusta varten kerättiin maastolaserkeilausaineisto 20 metsikkökoealalta (32 m x 32 m). Maastossa koealoilta kartoitettiin vähintään 5 cm järeät maalahopuurungot kartoitusmenetelmän kehitystä ja tarkkuuden arviointia varten. Maalahopuurungot tunnistettiin koealojen pistepilvistä automaattisesti runkojen geometristen muotojen perusteella sylinterisovitusta ja pintamallien segmentointia käyttäen. Rungot tunnistettiin myös pistepilven visuaaliseen tulkintaan perustuvalla menetelmällä, jotta voitiin tarkastella, miten hyvin maalahopuut on mahdollista kartoittaa koealaa kuvaavan tiheän pistepilven avulla. Pistepilvistä tunnistetuille rungoille määritettiin dimensiot, joiden perusteella laskettiin runkojen tilavuus- ja järeystunnukset. Runkojen ominaisuus- ja sijaintitietojen avulla muodostettiin kartta maalahopuun jakautumisesta koealalle, estimaatit maalahopuun määrää ja laatua koealatasolla kuvaaville tunnuksille sekä edelleen maalahopuun järeysjakauma koko tutkimusalueelle. Tulokset osoittivat, että maastolaserkeilaus soveltuu tiedonkeruumenetelmäksi maalahopuun kartoitukseen metsikkökoealoilta. Metsikkökoealaa kuvaavasta pistepilvestä voitiin tunnistaa automaattisesti 68 % maalahopuun tilavuudesta, jolloin maalahopuun kokonaistilavuus määritettiin 15,0 m3/ha tarkkuudella (RMSE). Pistepilven visuaalisella tulkinnalla kartoitusta voitiin edelleen tarkentaa: maalahopuun tilavuudesta tunnistettiin 83 %, ja kokonaistilavuusestimaatti määritettiin lähes harhattomasti 6,4 m3/ha tarkkuudella. Keskimäärin maalahopuurungon pituus aliarvioitiin ja järeys yliarvioitiin, koska runkoa ei pystytty tunnistamaan pistepilvestä koko pituudeltaan. Tulosten perusteella maastolaserkeilaukseen perustuva maalahopuun kartoitus on sitä luotettavampaa, mitä järeämmästä lahopuusta ollaan kiinnostuneita. Puuston ja aluskasvillisuuden tiheys aiheuttaa kuitenkin pistepilveen katvealueita, joilta runkoja ei voida tunnistaa. Siksi maastolaserkeilaukseen perustuvassa maalahopuun kartoituksessa on kiinnitettävä huomiota pistepilven laatuun.
-
(2014)In forest inventories, more and more detailed information about the constantly growing stock is intended to obtain both at national and at private forests level. At present, in forest planning the features describing wood quality are rarely estimated from standing trees since there are limited resources for the precise measurements of the trees due to high expenses. The principal aim of this study was to determine the precision whereby the externally reviewed predictive features of the internal quality of a log-size pine wood can be estimated manually using Terrestrial Laser Scanning (TLS). The examined features were tree height, diameter at breast height, upper diameter as well as the heights of the lowest dead and living branch. The second main objective was to determine the precision whereby the tree class can be predicted based on measured and derived tree attributes. The derived attributes were the volume of the wood, crown ratio, the relation of dead branched and branch free part of the tree to the tree height, and form factor. For forecasting the nearest neighbor method was used where the search for the nearest neighbors was performed using the Random Forest -method. The relative accuracy (RMSE %) of TLS data in relation to the reference field data was found to be 7.54% (bias -6.16%) for the tree height, 6.39% ( -2.46%) for the breast height diameter, 10.01% (0.40%) for the upper diameter, 9.21% ( -5.99%) for the height of the lowest living branch and 34.95% ( -1.47%) for the height of the lowest dead branch. On the prediction of the tree class indicating the stem quality, the TLS data reached 78 % classification accuracy (5 tree classes). With harsher three tree class categorization 87% classification accuracy was reached. Based on the results can be said that quality factors, such as the lowest branches can be measured from the TLS data with reasonably adequate accuracy. Also the prediction of the tree class turns out decently (5 classes) and with harsher categorization (3 classes) well. The forecasting method described in this study can still be improved for example by the automatic interpretation of the laser scanning data, as well as combining several laser scanning points from the examined target. The most potential near future application is that TLS data can work as reference for airborne laser scanning because for this purpose the harsher categorization accuracy seems to be already very promising.
-
(2019)Mänty on Suomen teollisesti tärkeimpiä puulajeja ja oksaisuus sen tärkein laatuun vaikuttava tekijä. Puun luontaiseen kasvuun kuuluvina tekijöinä oksia ei voida kuitenkaan täysin välttää, mutta niiden sijainti, määrä ja kokoluokka tulisi tietää ennen jatkojalostusta raaka-aine häviöiden minimoimiseksi. Suuremmilla sahoilla tämä onkin mahdollista röntgen- tai 3D-kuvantamisen avulla. Hankintapäätös tehdään kuitenkin jo ennen hakkuita, joten olisi kannattavaa saada tarkempaa tietoa pystypuista hankintaketjun tässä vaiheessa. Tutkimuksen tavoitteena oli tuottaa laadullisesti tarkempaa tietoa yksittäisistä pystypuista käyttäen hyväksi maastolaserkeilausta aineiston keruussa. Aineistoa varten valittiin 10 koepuuta Evon alueella toukokuussa 2017. Puut mitattiin sekä käsin että maastolaserkeilaimella. Koepuut sahattiin ja laudoista mitattiin käsin sisäoksien läpimitat. Aineistosta muodostettiin malli, joka kuvasi männyn sisäoksien läpimitan kaventumista. Mallin avulla estimoitiin sisäoksien läpimittoja suhteessa TLS-pistepilvistä ja maastomittauksissa manuaalisesti mitattuihin ulko-oksien läpimittoihin. TLS-pistepilvistä mitattuja ulko-oksia löytyi 710 kappaletta kun manuaalisesti mitattiin 975 oksaa. Havaintoaste oli keskimäärin 72,8 %. Havaintojen virheprosentti oli pienimmillään n. 7 % ja suurimmillaan n. 60 %. TLS-mittaukset hieman yliarvioivat ulko-oksien kokoa, mikä vaikutti sisäoksien läpimittaestimaattien tarkkuuteen. Tutkimustuloksien perusteella on mahdollista ennustaa hyväksyttävissä rajoissa olevia sisäoksien läpimittaprofiileja käyttäen hyväksi maastolaserkeilausta. Tärkeimpiä tarkkuuteen vaikuttavia tekijöitä ovat mallin valinta ja sen sovitus sekä TLS-pistepilvestä mitattujen oksien läpimitan mallintamisen onnistuminen. Tämän laskennan automatisointi mahdollistaisi sisäisten laatutunnuksien hankkimisen jo ennen hakkuita.
-
(2019)Mänty on Suomen teollisesti tärkeimpiä puulajeja ja oksaisuus sen tärkein laatuun vaikuttava tekijä. Puun luontaiseen kasvuun kuuluvina tekijöinä oksia ei voida kuitenkaan täysin välttää, mutta niiden sijainti, määrä ja kokoluokka tulisi tietää ennen jatkojalostusta raaka-aine häviöiden minimoimiseksi. Suuremmilla sahoilla tämä onkin mahdollista röntgen- tai 3D-kuvantamisen avulla. Hankintapäätös tehdään kuitenkin jo ennen hakkuita, joten olisi kannattavaa saada tarkempaa tietoa pystypuista hankintaketjun tässä vaiheessa. Tutkimuksen tavoitteena oli tuottaa laadullisesti tarkempaa tietoa yksittäisistä pystypuista käyttäen hyväksi maastolaserkeilausta aineiston keruussa. Aineistoa varten valittiin 10 koepuuta Evon alueella toukokuussa 2017. Puut mitattiin sekä käsin että maastolaserkeilaimella. Koepuut sahattiin ja laudoista mitattiin käsin sisäoksien läpimitat. Aineistosta muodostettiin malli, joka kuvasi männyn sisäoksien läpimitan kaventumista. Mallin avulla estimoitiin sisäoksien läpimittoja suhteessa TLS-pistepilvistä ja maastomittauksissa manuaalisesti mitattuihin ulko-oksien läpimittoihin. TLS-pistepilvistä mitattuja ulko-oksia löytyi 710 kappaletta kun manuaalisesti mitattiin 975 oksaa. Havaintoaste oli keskimäärin 72,8 %. Havaintojen virheprosentti oli pienimmillään n. 7 % ja suurimmillaan n. 60 %. TLS-mittaukset hieman yliarvioivat ulko-oksien kokoa, mikä vaikutti sisäoksien läpimittaestimaattien tarkkuuteen. Tutkimustuloksien perusteella on mahdollista ennustaa hyväksyttävissä rajoissa olevia sisäoksien läpimittaprofiileja käyttäen hyväksi maastolaserkeilausta. Tärkeimpiä tarkkuuteen vaikuttavia tekijöitä ovat mallin valinta ja sen sovitus sekä TLS-pistepilvestä mitattujen oksien läpimitan mallintamisen onnistuminen. Tämän laskennan automatisointi mahdollistaisi sisäisten laatutunnuksien hankkimisen jo ennen hakkuita.
Now showing items 1-8 of 8