Browsing by Subject "kaukokartoitus"

Understanding the factors that affect the climate and the resulting chemical and physical processes will help to develop better climate models. This requires long-term measurements of carbon exchange between the earth and the atmosphere, as well as information on the spatial distribution of different bog nutrient classes and their microtopographic forms, in order to better understand the effects of climate change on different temporal and spatial scales. My master's thesis focuses on the separation of hummocks, interfaces and wet surfaces in the Simoskanaapa bog, which belongs to the Ostrobothnia-Kainuu bog zone, by means of remote sensing, image processing and guided classification. The material used was a high-resolution Optical satellite image of WorldView-2 and an altitude model interpolated to a pixel size of 2 meters, created from the laser scanning data of the National Land Survey of Finland. Object-based classification and support vector machines were used in the guided classification. Object-based classification is suitable for data containing noise, such as remote sensing data taken from bogs. The classification was successful in the ombrotrophic raised bog area of the Simoskanaava bog: the classification accuracy of the six microtopographic forms was calculated to be 84.1% (kappa 0.672). At the aapa-mire, the accuracy of the overall classification was slightly lower for the five classes (76.3%, kappa 0.650), due to the mixing of the interface wet surface levels and intermediate-wet surface levels. Object-based classification is well suited for the classification of certain bog microsites. In my study, it was possible to distinguish well the ridges and wet surfaces of the aapa mire, ridges and wet surfaces of the ombrotrophic raised bog area, and the intermediate sphagnum sp. surfaces. Further research can use more accurate laser scanning data as well as high-resolution satellite imagery to classify the bog into bog types for which emission factors are calculated using the bog's carbon balances

Tiivistelmä Kasvillisuus vaikuttaa voimakkaasti ekosysteemin toimintaan veden ja energianvaihdon kautta. Koska hiilen dynamiikan ja muiden ilmastoon liittyvien prosessien tiedetään vaihtelevan suuresti suon eri kasvillisuustyyppien välillä, on ratkaisevan tärkeää tietää eri kasvillisuustyyppien suon sisäinen alueellinen jakauma. Muutosten, kuten ilmaston muutoksen vaikutusten, ennustaminen eliöyhteisön kokoonpanoon ja ekosysteemin dynamiikkaan edellyttää parempaa ymmärrystä nykyisen kasvillisuuden rakenteesta ja fenologiasta. Kasvillisuuden seuraaminen ja aineiston kerääminen maasto-olosuhteissa on työlästä, siksi on tärkeää selvittää menetelmiä, joilla kasviyhteisöjen rakenteet saataisiin kuvattua hyödyntämällä kaukokartoitustekniikkaa. Tämän tutkimuksen tavoitteena oli selvittää Sodankylässä sijaitsevan aapasuon, Halssiaavan kasvillisuus ja lehtialaindeksi niin funktionaalisten tyyppien, kasvillisuuden koostumukseen perustuvien kasviyhteisöjen, kuin ekosysteemin tasolla. Lehtialaindeksi on muuttuja, joka selittää hyvin suon tuotantoa. Alueellisen vaihtelun lisäksi lehtialaindeksi vaihtelee kasvukauden aikana, ja tämä vaihtelu eroaa kasviyhteisöittäin. Kasvillisuuden alueellinen vaihtelu ekosysteemitasolla saadaan kuvattua erittäin korkean resoluution kaukokartoituskuvilla, joiden spatiaalinen tarkkuus on riittävä. Suon kenttäkerroksen kasvillisuuden fenologian kehitystä seurattiin kasvukaudella 2016, 3.6.–14.9. välisenä aikana seuranta-aloilta viikoittain. Nämä seuranta-alat perustettiin eri suotyypeille ravinteisuuden ja kosteuden perusteella. Aloilta arvioitiin kasvilajien peittävyys ja laskettiin putkilokasvien lehtialaindeksi. Eri putkilokasvilajien lehtialaindeksin kehitystä kasvukauden aikana seurattiin kasvillisuuden toiminnallisissa ryhmissä. Lisäksi suon kasviyhteisöt luokiteltiin lajistoaineiston perusteella kaksisuuntaisella (TWINSPAN) indikaattorianalyysillä eri kasviyhteisötyyppeihin. Seuranta-alojen lisäksi perustettiin näytealoja tukipisteille suon maanpeiteluokitusta varten. Tukipisteiltä kuvailtiin kasvillisuus ja kasvupaikka. Maanpeiteluokittelu tehtiin käyttämällä objektiperustaista menetelmää ja luokittelun pohjana käytettiin eri kaukokartoitusaineistoja. Perustuen kasvillisuuden rakenteeseen, kasvillisuus Halssiaavalla luokiteltiin kymmeneen eri kasviyhteisötyyppiin. Kasviyhteisöjen lehtialaindeksi eli yhteyttämispinta-ala saavutti huippunsa heinäkuun keskivaiheilla. Kaikki putkilokasvit osoittivat selvää kasvukauden aikaista dynamiikkaa, mutta kasvukauden huippu vaihteli toiminnallisten ryhmien välillä. Halssiaavan maanpeiteluokittelun kokonaistarkkuus kaukokartoitusaineiston perusteella oli noin 70 % maastossa tehtyyn luokitteluun verrattuna, josta rimpien osuus oli 57.6 %, välipintojen 20.3 % ja jänteiden 22.2 %. Kenttäkerroksen putkilokasvien lehtialaindeksi oli kasvukauden huipussa 15.7. suurin välipinnoilla 0.92, seuraavaksi suurin jänteillä 0.88 ja pienin rimpipinnoilla 0.61. Tämän työn tulosten avulla voidaan arvioida suon lehtialaindeksi eri ajanhetkinä.

The large area forest mapping is traditionally based on satellite images and laborious field plots. The newer lidar plot concept is the Airborne Laser Scanning (ALS) and a small amount of field plots based plot-level attribute estimation, which is treated similar to the field plots in satellite based mapping. The target of the study was to evaluate the satellite-based, the ALS-based and their combination based forest mapping in the large area by comparing the accuracy of the forest attribute estimations per different amounts of plots. The study area of 3 128 000 hectares in southern Finland included 3630 field plots from the Metsäkeskus of Finland. The attribute estimates were computed from the Landsat 8 image and from the low-density lidar dataset to the field plot locations. The plot-level attribute estimates were calculated for the volume, height, basal area and biomass using k-NN-method (k=5). The accuracy of the mapping methods was evaluated by relative RMSE (Root Mean Square Error), which measured the differences between the estimated and the measured attributes of the validation plots. From the results it can be seen that the relative RMSEs of the attribute estimates from the Landsat-image based mapping on plot-level were at their best 47.6 % for the volume, similarly 26.2 % for the height, 34.6 % for the basal area and 47.7 % for the biomass. For the ALS-based mapping, they were 23.2 %, 9.8 %, 21.0% and 23.7 % respectively. By using 400 field plots to estimate attributes for 2900 lidar plots, and these lidar plots were used further for Landsat-based attribute estimations, these results were quite close to the accuracy of field plots-based Landsat attribute estimations. In addition a small sample of the lidar cover of the area was needed, in this case having less than 1 % area coverage. The lidar plots in Landsat-based mapping could be used for the biomass and carbon mappings in large area even if there are no roads available in the area and only a small amount of plots can be measured. Also, it is suitable for the areas where forest mapping has not started. It can be used also to follow up the changes in large forest areas, due the frequent updates of the satellite image measurements.

As an internationally important topic for forestry, climate change has long been a topic of concern, as well as the ability of the forests to accumulate carbon. In addition, in Finland, these values have essentially been associated with the economic, cultural and social value of forests. In view of these values, it is important to be able to maintain forest resources at a sustainable level for all the different sectors. As far as sustainability is concerned, knowing the current state of forests is significant. This information is collected through the inventory of forests, and today it is mainly based on different remote sensing methods. In order to support reliable decisionmaking, forest information needs to be up-to-date and accurate. The aim of the thesis was to examine the accuracy of different tree attribute estimates and compare them between themselves and to investigate the accuracy of growth models in producing the estimates. In addition, the aim was to evaluate the effects of the accuracy of the remote sensing estimates on the determination of the timing harvests. The research area was located in boreal coniferous forest zone in Southern Finland, Evo (61.19˚N, 25.11˚E). The area comprised a 5 km x 5 km area, comprising about 2000 hectares of forest treated in different ways. Field measurements, aerial imagery, and airborne laser scanning data were generated using estimates for forest inventory attributes based on three different statistical features derived from the remote sensing data in the preparation of estimates. The forest inventory attributes were volume V, basal area-weighted mean diameter Dg, basal area-weighted mean height, number of the stems per hectare, and basal area G. In the prediction of the forest inventory attributes a non-parametric k-NN method was used, and random forest -algorithm was used in the selection of the nearest neighbors. Growth modeling was carried out using SIMO software. It can be seen from the results that, as a rule, more accurate results are obtained by producing airborne lasers canning estimates than by aerial imagery estimates. In addition, prediction precisions were better in coniferous trees than in deciduous trees. In forest inventory attribute estimates, especially the basal area G and volume V are generally underestimated, which is likely to delay the scheduled timing of harvests. Updating remote sensing estimates with growth models would appear to yield more biased estimates compared to the new remote sensing inventory.

Remote sensing brings new potential to complement environmental sampling and measuring traditionally conducted in the field. Satellite images can bring spatial coverages and accurately repeated time-series data collection to a whole new level. While developing methos for doing ecological assessment from space in situ sampling is still in key role. Satellite images of relatively coarser pixel size where individual plants or trees are not possible to separate usually utilize vegetation indices as proxies for environmental qualities and measures. One of the most extensively used and studied vegetation index is Natural Difference Vegetation Index (NDVI). It is calculated as normalized ratio between red light and near-infra-red radiation with formula: NDVI=NIR- RED/NIR+RED. Index functions as a measure for plant productivity, that has also been linked to species-level diversity. In this thesis MODIS NDVI (MOD13Q1, 250 m x 250 m resolution) and selected additional variables were examined through their predictive power for explaining variation in tree species richness in six different types of moist tropical evergreen forests in the province of West Kalimantan, on the island Borneo in Indonesia. Simple and multiple regression models were built and tested with main focus on 20- year mean-NDVI. Additional variables used were aboveground carbon, elevation stem count, tree height and DBH. Additional variables were examined initially on individual basis and subsequently potential variables were then combined with NDVI. Results indicate statistically significant, but not very strong predictable power for NDVI (R2=0.25, p-value=2.11e-07). Elevation and number of stems outperformed NDVI in regression analyses (R2=0.64, p-value=2.2e-16 and R2=0.36, p-value=4.5e-11, respectively). Aboveground biomass carbon explained 19% of the variation in tree species richness (p-value=6.136e-06) and thus was the worst predictor selected for multiple regression models. Tree height (R2=0.062, p-value=0.0137) and DBH (R2=0.003, p-value=0.6101) did not show any potential in predicting tree species richness. Best variable combination was NDVI, elevation and stem count (R2=0.71, p-value=2.2e-16). Second best was NDVI, elevation and aboveground biomass carbon (R2=0.642, p-value=2.2e-16), which did not promote for biomass carbon as a potential predictor as model including only NDVI and elevation resulted nearly identically (R2=0.639, p-value=2.2e-16). Model including NDVI and stem count explained 54% of the variation in tree species richness (p-value=2.2e-16) suggesting elevation and stem count being potential variables combined with NDVI for this type of analysis. Problems with MODIS NDVI are mostly linked to the relatively coarse spectral scale which seems to be too coarse for predicting tree species richness. Spectral scale also caused spatial mismatch with field plots as being significantly of different sizes. Applicability in other areas is also limited due to the narrow ecosystem spectrum covered as only tropical evergreen forests were included in this study. For future research higher resolution satellite data is a relevant update. In terms methodology, alternative approach known as Spectral Variability Hypothesis (SVH), which takes into account heterogeneity in spectral reflectance, seems more appropriate method for relating spectral signals to tree species richness.

Trees face an increasing variety of health threats. The overall effects of climate change on trees and forests are difficult to predict. As a result of the warming climate, the growing season is lengthening, improving the growth of the trees, but at the same time drought and insect damages may become more common and the risk of storm damage increases. There are many benefits to monitoring tree mortality. It can be used to assess the health status of forests, productivity, carbon sequestration and the ecological impacts of dead trees on forest ecosystems. Causes leading to tree death can include biological, climatic or human related factors. Monitoring can increase understanding of the causes of death and potentially help to protect forests better. Tree-related mortality is a spatially and temporally irregular process that is difficult to monitor using traditional inventory methods. Remote sensing makes it possible to map and monitor tree mortality more effectively. The purpose of this thesis was to find out how remote sensing data can be utilized in monitoring tree mortality. The aim was to find out how tree mortality has varied regionally and quantitatively in the Central Park of Helsinki and how accurately dead trees can be identified from aerial imagery. The study period was 2005–2019, during which orthophotos of seven different years were examined. Reference data of 14 212 trees were collected from the aerial time series covering a 15-year period by visual image interpretation. The data included healthy, weakened and dead trees. Heatmap time series were created from the locations of weakened and dead trees to examine quantitative and regional variability in mortality. The average temperatures over the years as well as the rainfall were compared with the dead tree numbers and the correlations between the observations were examined. The collected reference data was also utilized in health status classifications, which were implemented using semi-automatic machine learning methods. The object of the classifications was to identify healthy, weakened and dead trees as well as possible from each other. The canopies of individual trees were delimited by canopy segments obtained from laser scanning data. From the pixels contained in the delimited canopies, image features describing individual trees were calculated. Considerable changes in tree mortality were observed. The number of dead trees at the beginning of the study period increased significantly from year 2005 to year 2009. An exceptionally dry summer in 2006 was identified as a possible reason. In the following years, the situation remained moderate, but in quantitative and regional terms, mortality was at its highest in 2017. Overall, there was an upward trend in mortality during the study period, and average annual temperatures were found correlating strongly with the number of dead trees (r=0.73). The classification accuracies of tree health status varied annually between 89–96%. The seven-year average accuracy was 93.6% with a kappa value of 0.88. The most important features in the classification were the features calculated from the blue channel, such as the maximum value of the channel (B_max), the difference between the maximum and minimum of the channel (B_range) and the skewness of the distribution (B_skew). The results of the thesis showed that tree mortality can be monitored using remote sensing data. Clear changes in the number of dead trees were observed using the time series and possible causes were identified. By identifying the causes behind rising mortality, the effects of climate change can also be better understood. Tree health status classification accuracies were at a good level and dead trees can be mapped from aerial imagery by semi-automatic methods. Based on the thesis, it can be rightly stated that changes in tree mortality can be observed with aerial imagery time series. In addition, the semi-automatic identification of dead trees from aerial imagery can be said to be accurate enough for large-scale use.

Puulajitulkinta on merkittävä yksittäisen puun tasolla tuotettavan metsävaratiedon laatuun vaikuttava tekijä. Puulajitietoa käytetään esimerkiksi metsiköiden biodiversiteetin määritykseen. Yksittäisen puun tasolla lajitiedolla on merkittävä vaikutus puun tilavuuden ja kasvun laskentaan. Väärin määritetty laji aiheuttaa virheitä metsävaratiedon simuloinneissa arvonmääritykseen ja toimenpiteiden optimaaliseen ajoitukseen. Ilmakuvauksen avulla voidaan kerätä aineistoa maastossa sijaitsevien kohteiden heijastusominaisuuksista ja käyttää saatavia piirteitä selittävinä muuttujina puulajiluokittimissa. Yhdistämällä ilmakuvausaineiston sisältämää informaatiota laserkeilauksen tuottamaan 3D-geometriaan, voidaan tuottaa pienemmän mittakaavan informaatiota ja kohdetta kuvaavia muuttujia yksittäisen puun tasolla, sekä parantaa puulajiluokituksen tarkkuutta. Tässä tutkimuksessa tarkasteltiin pitkään jatkuneen ilmakuvauksen aikana kohteesta heijastuneessa säteilyssä tapahtuneita muutoksia ilmakuvahavaintojen avulla, kun samoista kuvanottopisteistä otettujen toistojen välillä aurinkogeometria oli muuttunut korkeuskulman osalta. Tutkimusaineiston muodostavalle puujoukolle sovitettiin 3D-latvusmallit laserkeilauksen tuottaman laserpisteistön avulla. Latvusmallin pinnan avulla laskettiin 3D-pisteistö ja pisteille projisoitiin fotogrammetrian avulla ilmakuvilta vastaavat sävyarvot. Jokaiselle yksittäiselle pisteelle laskettiin myös valaisuluokka kameravektorin ja laserpisteistön leikkauksien sekä auringon atsimuuttikulmien avulla. Laskettuja muuttujia käytettiin toisen asteen diskriminanttianalyysin (QDA) avulla tehtävissä puulajiluokituksissa, sekä verrattiin muuttujien arvoja puulajien välillä Kruskal-Wallis H-testin avulla. Tuloksien perusteella voitiin todeta auringon korkeuskulmalla olevan selkeä vaikutus puulajiluokitukseen. Puulajien välillä voitiin havaita eroja heijastuvuuden muutoksessa auringon noustessa. Lasketuista sävyarvojen suhteellisista muutoksista auringon korkeuskulman suhteen puulajiparien väliset erot olivat 87 % tapauksista tilastollisesti merkitseviä 5 % merkitsevyystasolla. Käyttämällä puulajiluokittimessa korkeammalla auringon korkeuskulmalla otettuja ilmakuvia puulajin luokitus oli tarkempi kuin alemmalla korkeuskulmalla otetuilla kuvilla. Ilmakuvien sävyarvoja oli myös mahdollista korjata tunnetulla sävyarvojen muutoksella kuvatoistojen välillä, jolloin puulajiluokituksen tarkkuutta voitiin parantaa. Käytännön sovelluksissa sävyarvojen korjaaminen vaatisi useamman tunnin ajan jatkuvan ilmakuvauksen, tai kuvatun alueen puulajisuhteiden tuntemista korjauksien painottamista varten, korjausta varten tulisi myös laskea suhteelliset korjausmallit auringon korkeuskulman suhteen ja auringon atsimuuttisuunnan muutos täytyisi ottaa myös huomioon tehtävissä korjauksissa.

In recent years objectives to increase fuelwood usage have created a need to develop new re-mote sensing based methods to map fuelwood reserves. Laser scanning (LiDAR) is a remote sensing method which has been used in traditional forest inventories on large forest areas. These inventories have mainly concentrated on the stem volume instead of the total tree bio-mass. Former studies concerning fuelwood inventory accuracy have been made on a sample plot level. The aim of this study was to determine the precision of LiDAR based fuelwood inventory on a forest stand level. Wood stem volume and biomass estimates were produced by using two dif-ferent methods: point cloud and digital terrain model. The estimates were compared with field inventory results and results from the multi-source National Forest Inventory. Of the two compared methods the point cloud method was found to be more accurate than the method based on digital terrain model. When the point cloud was used, the accuracy (RMSE %) of the most important fuelwood estimates were following: waste wood vol-ume 37.4 %, branch biomass 21.8 % and stump biomass 18.6 %. The study indicates that re-sults got by laser scanning are on similar level as results got with traditional standwise inventory. This study concentrated only to predict the amount of fuelwood on the forest stand level. The suitability of the stand for fuelwood harvesting was not estimated. In order to utilize LiDAR-based fuelwood inventory for wood acquisition in forest industry, methods to estimate the suita-bility of the stand for harvesting need to be developed.

TROPOMI eli TROPOspheric Monitoring Instrument on lokakuussa 2017 Sentinel-5 Precursor -satelliitin mukana laukaistu spektrometri, joka mittaa useiden eri ilmakehän hivenkaasujen pitoisuuksia, aerosoleja sekä pilviä. Se on samalla myös uusin ja resoluutioltaan tarkin typpidioksidin (NO2) pitoisuuksia mittaava satelliitti-instrumentti. NO2:ta havainnoivien satelliitti-instrumenttien mittaukset perustuvat ilmakehästä siroavaan auringon valoon, minkä perusteella niiden algoritmit laskevat ilmakehässä olevien NO2-molekyylien lukumäärän käyttäen apuna erilaisia syötetietoja. Saadussa tuloksessa on tämän vuoksi paljon erilaisia virhelähteitä, minkä vuoksi satelliitti-instrumenttien mittausten oikeellisuutta seurataan jatkuvasti vertaamalla niitä erilaisiin referenssiaineistoihin. Tällaista seurantaa kutsutaan myös instrumentin validoinniksi, ja se on erityisen tärkeää uusien instrumenttien kuten TROPOMIn tapauksessa. Tässä työssä validoidaan TROPOMIn NO2-mittaukset käyttäen Helsingin Kumpulassa sijaitsevan Pandora-referenssi-instrumentin mittauksia. Tämän lisäksi TROPOMIn herkkyyttä lähellä maanpintaa tapahtuville pitoisuusvaihteluille arvioidaan vertaamalla sen mittauksia Kumpulassa sijaitsevan in situ -ilmanlaatuaseman mittauksiin. Lopuksi arvioidaan TROPOMIn ja Pandoran mittausten ja niiden välisen vastaavuuden riippuvuutta rajakerroksen paksuudesta ja siellä vallitsevasta tuulesta. Tutkimus ajoittuu 19.4.–29.9.2018 väliselle ajalle. Vertailuissa tarkastellaan erityisesti instrumenttien mittausten välisiä eroja (TROPOMI – Pandora) ja niiden keskiarvoa, erojen suhteellisia arvoja (suhteessa Pandoraan) ja niiden mediaania, sekä mittausten välistä Pearsonin korrelaatiokerrointa. Näiden tunnuslukujen riippuvuutta ajasta tarkastellaan eripituisia aikavälejä kattavien aikasarjojen avulla. Tulosten mukaan TROPOMIn ja Pandoran mittausten välinen Pearsonin korrelaatiokerroin on 0,66 ja niiden välisten suhteellisten erojen mediaani 12,1 %. Tätä voidaan pitää hyvänä tuloksena, sillä TROPOMIlle asetettu suhteellisten erojen tavoite on enintään 30 %. Positiivinen arvo on kuitenkin epätyypillinen kaupungissa tehtävälle validoinnille, mikä voi tarkoittaa Kumpulan alueen edustavan pitoisuuksiltaan enemmän tausta-aluetta kuin tyypillistä kaupunkiympäristöä. Mittausten välisen korrelaation havaittiin riippuvan rajakerroksen paksuudesta, mikä voi johtua TROPOMIn tulkinta-algoritmin käyttämästä NO2:n pystyprofiilista tai paksussa rajakerroksessa tapahtuvasta voimakkaammasta sekoittumisesta. Asian selvittäminen edellyttää kuitenkin lisätutkimuksia. Lopuksi TROPOMIn todettiin olevan herkkä viikon- ja päivänsisäisille pitoisuusvaihteluille Pandora-instrumenttiin verrattuna, mikä on lupaava tulos TROPOMIn mahdollisten ilmanlaadun seurantaan liittyvien sovellusten kannalta. TROPOMIn parantuneen resoluution vaikutus on tutkimuksessa nähtävissä aiempiin instrumentteihin verrattuna parantuneena korrelaationa ja positiivisempina mittauseroina, sekä herkkyytenä päivänsisäisille pitoisuusvaihteluille. TROPOMIn voidaankin odottaa tulevaisuudessa lisäävän satelliittipohjaisten NO2-mittausten käyttökohteita.