Browsing by Subject "maastolaserkeilaus"
Now showing items 1-3 of 3
-
(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)Suomessa mallintaminen on ollut keskeinen osa metsänarviointia, koska kaikkea ei ole ollut kustannustehokasta mitata. Malleilla on kuvattu tunnuksia, jotka kiinnostavat esimerkiksi metsän rahallisen arvottamisen, käyttöarvon, kasvun tai tuotoksen näkökulmasta. Runkokäyrä- ja tilavuusmallit ovat historiallisessa mielessä olleet metsätaloudellisesti hyvin tärkeät, koska puun arvottaminen edellyttää puun mittaamista kuutioissa ja toisaalta käyttöarvon näkökulmasta puun jakamista tukki- ja kuituositteeseen. Laasasenahon (1982) laatimia runkokäyrä- ja tilavuusmalleja voidaan pitää näistä malleista hyvästä syystä merkittävimpinä. Vaikka kyseisten mallien laadintahetkestä on kulunut jo lähes 40 vuotta, ovat ne edelleen käytössä metsäalalla niin tutkimuksessa, käytännön metsäsuunnittelussa, Valtakunnan metsien inventoinneissa, metsäsuunnitteluohjelmistoissa ja hakkuukoneen apteerausalgoritmeissa. Mallien pohjalla on tuhansien koepuiden runkoanalyysiaineisto, jota on käytetty mallien sovittamiseen kolmelle metsätaloudellisesti tärkeimmälle puulajille: männylle, kuuselle ja koivulle. Runkoanalyysissä puut kaadetaan ja rungot mitataan pituuden ja runkokäyrän osalta. 2010-luvulla on tehty suuria edistysaskelia laserkeilaustutkimuksessa ja tuoreimpien tutkimusten perusteella on havaittu maastolaserkeilauksen tarjoavan varteenotettavan vaihtoehdon runkoanalyysin tekemiseen koepuista. Maastolaserkeilauksen etuna on, että mitattavia puita ei tarvitse mittausten suorittamiseksi kaataa. Tämän vuoksi maastolaserkeilauksella voidaan mitata sellaisia puita, joita ei ole ollut mahdollista aikaisemmin mitata, koska puiden kaataminen ei ole ollut mahdollista. Tuoreimpien maastolaserkeilaustutkimusten perusteella runkokäyrän mittaaminen ja sitä kautta runkotilavuuden laskeminen voidaan tehdä suurella tarkkuudella laserkeilauksessa syntyvästä kolmiulotteisesta pistepilvestä. Katupuiden saanti tutkimuskäyttöön on ollut lähes mahdotonta, mikäli se edellyttää puiden kaatamista. Lukumääräisesti Helsingin kaupungin alueella kasvaa noin 30 000 kpl katupuita, joista lähes 50 % on puistolehmuksia (Tilia x europaea), metsälehmuksia (Tilia cordata) ja isolehtilehmuksia (Tilia platyphyllos). Vastikään Helsingin kaupunki julkaisi toimenpidesuunnitelman, jossa pyritään saamaan Helsinki hiilineutraaliksi vuoteen 2030 mennessä. Tässä ohjelmassa puut ja kasvillisuus olivat listattu yhdeksi päästökompensaation lähteeksi hiilineutraalisuuslaskennassa. Puun runko sisältää tyypillisesti ison osan puun maanpäällisestä biomassasta, mutta lehmuksille sen arviointiin ei vielä ole ollut olemassa malleja. Tässä tutkimuksessa tutkittiin maastolaserkeilauksella kerättävän pistepilven hyödyntämistä Laasasenahon (1982) kehittämien runkokäyrä- ja tilavuusmallien uudelleen sovittamisessa Helsingin katulehmuksille. Aineistoon kerättiin 75 kpl katupuita, joista 36 kpl keilattiin lehdelliseen aikaan kesällä ja 39 kpl lehdettömään aikaan talvella. Jokaisesta koepuusta tehtiin 2 kpl keilauksia vastakkaisilta puolilta puuta ja keskimäärin 50 % etäisyydeltä suhteessa puun pituuteen. Rungot erotettiin pistepilvistä ja niille estimoitiin läpimittoja automaattista runkokäyräalgoritmia käyttäen. Lopulliset runkokäyrät saatiin splini-interpoloinnin avulla. Pistepilvestä mitattuja tunnuksia vertailtiin maastomittausten yhteydessä mitattuihin tunnuksiin. Rinnankorkeusläpimitat onnistuttiin pistepilvestä mittaamaan 2,4 cm (9 %) tarkkuudella (RMSE) harhan ollessa -1,1 cm (-4 %). Koepuiden pituudet onnistuttiin mittaamaan 0,9 (8 %) metrin tarkkuudella (RMSE) harhan ollessa -0,2 metriä (-2 %). Mitattujen läpimittojen lukumäärät olivat lehdettömään aikaan keskimäärin 89 % ja lehdelliseen aikaan 60 % läpimittojen laskennallisesta enimmäismäärästä. Runkokäyrä- ja tilavuusmallit linearisoitiin ja muunnettiin muotoon, jossa mallien sovitus voitiin tehdä pienimmän neliösumman menetelmällä. Mallit sovitettiin erikseen osa-aineistoihin ja koko aineistoon. Tällä haluttiin tutkia ajankohdan, ja toisaalta aineiston koon vaikutusta mallien sovittamisen onnistumiseen. Lehmukselle sovitetun runkokäyrämallin tarkkuudeksi (RMSE) saatiin ristiinvalidoinnilla 71,7 dm3 (17,0 %) ja harhaksi -8,2 dm3 (-1,9 %). Tilavuusmallit validoitiin myös ristiinvalidointia käyttämällä. Rinnankorkeusläpimittaan perustuvan tilavuusmallin tarkkuudeksi saatiin 102,6 dm3 (23,2 %) (RMSE) harhaksi 2,6 dm3 (0,6 %). Rinnankorkeusläpimittaan ja pituuteen perustuvan mallin tarkkuus oli 70,1 dm3 (16,7 %) harha -0,4 dm3 (-0,1%). Rinnankorkeusläpimittaan, pituuteen ja yläläpimittaan perustuvan malli oli tarkkuudeltaan 31,5 dm3 (7,5 %) harha -0,1 dm3 (0,0 %). Tilavuusmallien keskivirheet olivat: 23,4 %, 16,8 %, 7,5 %. Tutkimuksen tulosten perusteella ei havaittu keilausajankohdalla tai aineiston koolla olevan merkittävää vaikutusta mallien hyvyyteen. Rungolta mitattujen läpimittojen osalta keilausajankohdalla havaittiin olevan olennainen vaikutus läpimittaestimaattien määrään, joka oli selvästi suurempi lehdettömään aikaan.
-
(2019)Suomessa mallintaminen on ollut keskeinen osa metsänarviointia, koska kaikkea ei ole ollut kustannustehokasta mitata. Malleilla on kuvattu tunnuksia, jotka kiinnostavat esimerkiksi metsän rahallisen arvottamisen, käyttöarvon, kasvun tai tuotoksen näkökulmasta. Runkokäyrä- ja tilavuusmallit ovat historiallisessa mielessä olleet metsätaloudellisesti hyvin tärkeät, koska puun arvottaminen edellyttää puun mittaamista kuutioissa ja toisaalta käyttöarvon näkökulmasta puun jakamista tukki- ja kuituositteeseen. Laasasenahon (1982) laatimia runkokäyrä- ja tilavuusmalleja voidaan pitää näistä malleista hyvästä syystä merkittävimpinä. Vaikka kyseisten mallien laadintahetkestä on kulunut jo lähes 40 vuotta, ovat ne edelleen käytössä metsäalalla niin tutkimuksessa, käytännön metsäsuunnittelussa, Valtakunnan metsien inventoinneissa, metsäsuunnitteluohjelmistoissa ja hakkuukoneen apteerausalgoritmeissa. Mallien pohjalla on tuhansien koepuiden runkoanalyysiaineisto, jota on käytetty mallien sovittamiseen kolmelle metsätaloudellisesti tärkeimmälle puulajille: männylle, kuuselle ja koivulle. Runkoanalyysissä puut kaadetaan ja rungot mitataan pituuden ja runkokäyrän osalta. 2010-luvulla on tehty suuria edistysaskelia laserkeilaustutkimuksessa ja tuoreimpien tutkimusten perusteella on havaittu maastolaserkeilauksen tarjoavan varteenotettavan vaihtoehdon runkoanalyysin tekemiseen koepuista. Maastolaserkeilauksen etuna on, että mitattavia puita ei tarvitse mittausten suorittamiseksi kaataa. Tämän vuoksi maastolaserkeilauksella voidaan mitata sellaisia puita, joita ei ole ollut mahdollista aikaisemmin mitata, koska puiden kaataminen ei ole ollut mahdollista. Tuoreimpien maastolaserkeilaustutkimusten perusteella runkokäyrän mittaaminen ja sitä kautta runkotilavuuden laskeminen voidaan tehdä suurella tarkkuudella laserkeilauksessa syntyvästä kolmiulotteisesta pistepilvestä. Katupuiden saanti tutkimuskäyttöön on ollut lähes mahdotonta, mikäli se edellyttää puiden kaatamista. Lukumääräisesti Helsingin kaupungin alueella kasvaa noin 30 000 kpl katupuita, joista lähes 50 % on puistolehmuksia (Tilia x europaea), metsälehmuksia (Tilia cordata) ja isolehtilehmuksia (Tilia platyphyllos). Vastikään Helsingin kaupunki julkaisi toimenpidesuunnitelman, jossa pyritään saamaan Helsinki hiilineutraaliksi vuoteen 2030 mennessä. Tässä ohjelmassa puut ja kasvillisuus olivat listattu yhdeksi päästökompensaation lähteeksi hiilineutraalisuuslaskennassa. Puun runko sisältää tyypillisesti ison osan puun maanpäällisestä biomassasta, mutta lehmuksille sen arviointiin ei vielä ole ollut olemassa malleja. Tässä tutkimuksessa tutkittiin maastolaserkeilauksella kerättävän pistepilven hyödyntämistä Laasasenahon (1982) kehittämien runkokäyrä- ja tilavuusmallien uudelleen sovittamisessa Helsingin katulehmuksille. Aineistoon kerättiin 75 kpl katupuita, joista 36 kpl keilattiin lehdelliseen aikaan kesällä ja 39 kpl lehdettömään aikaan talvella. Jokaisesta koepuusta tehtiin 2 kpl keilauksia vastakkaisilta puolilta puuta ja keskimäärin 50 % etäisyydeltä suhteessa puun pituuteen. Rungot erotettiin pistepilvistä ja niille estimoitiin läpimittoja automaattista runkokäyräalgoritmia käyttäen. Lopulliset runkokäyrät saatiin splini-interpoloinnin avulla. Pistepilvestä mitattuja tunnuksia vertailtiin maastomittausten yhteydessä mitattuihin tunnuksiin. Rinnankorkeusläpimitat onnistuttiin pistepilvestä mittaamaan 2,4 cm (9 %) tarkkuudella (RMSE) harhan ollessa -1,1 cm (-4 %). Koepuiden pituudet onnistuttiin mittaamaan 0,9 (8 %) metrin tarkkuudella (RMSE) harhan ollessa -0,2 metriä (-2 %). Mitattujen läpimittojen lukumäärät olivat lehdettömään aikaan keskimäärin 89 % ja lehdelliseen aikaan 60 % läpimittojen laskennallisesta enimmäismäärästä. Runkokäyrä- ja tilavuusmallit linearisoitiin ja muunnettiin muotoon, jossa mallien sovitus voitiin tehdä pienimmän neliösumman menetelmällä. Mallit sovitettiin erikseen osa-aineistoihin ja koko aineistoon. Tällä haluttiin tutkia ajankohdan, ja toisaalta aineiston koon vaikutusta mallien sovittamisen onnistumiseen. Lehmukselle sovitetun runkokäyrämallin tarkkuudeksi (RMSE) saatiin ristiinvalidoinnilla 71,7 dm3 (17,0 %) ja harhaksi -8,2 dm3 (-1,9 %). Tilavuusmallit validoitiin myös ristiinvalidointia käyttämällä. Rinnankorkeusläpimittaan perustuvan tilavuusmallin tarkkuudeksi saatiin 102,6 dm3 (23,2 %) (RMSE) harhaksi 2,6 dm3 (0,6 %). Rinnankorkeusläpimittaan ja pituuteen perustuvan mallin tarkkuus oli 70,1 dm3 (16,7 %) harha -0,4 dm3 (-0,1%). Rinnankorkeusläpimittaan, pituuteen ja yläläpimittaan perustuvan malli oli tarkkuudeltaan 31,5 dm3 (7,5 %) harha -0,1 dm3 (0,0 %). Tilavuusmallien keskivirheet olivat: 23,4 %, 16,8 %, 7,5 %. Tutkimuksen tulosten perusteella ei havaittu keilausajankohdalla tai aineiston koolla olevan merkittävää vaikutusta mallien hyvyyteen. Rungolta mitattujen läpimittojen osalta keilausajankohdalla havaittiin olevan olennainen vaikutus läpimittaestimaattien määrään, joka oli selvästi suurempi lehdettömään aikaan.
Now showing items 1-3 of 3