Uusi inventointiohjelma -webinaari toimijoille 14.2.2020, Suomen metsäkeskus.
Metsävaratiedon keruun menetelmät - 14.2.2020 Juho Heikkilä
Webinaarissa esiteltiin toimijoille uuden metsävarojen inventointiohjelman periaatteita ja toteutustapaa sekä kerättävän metsävaratietojen sisältöä ja laatua.
2. • Maastokoealoille haetaan niiden sijaintia
vastaavat laser- ja ilmakuvapiirteet, joiden
perusteella laskentamallit eri puustotunnuksille.
• Inventointiyksikkönä on 16 x 16 m2 hilaruutu
(vastaa pinta-alaltaan 9 m säteistä koealaa).
• Mallinnuksessa valittujen laser- ja ilmakuva-
piirteiden avulla haetaan kullekin hilaruudulle
sitä parhaiten vastaavat koealat ja estimoidaan
niillä jokaiselle ruudulle omat puustotiedot.
Kuvat: Metsäkeskus, Blom Kartta Oy, Arbonaut Oy
Taustaksi nykyinen tiedonkeruu
3. Ilmakuva ja puuston laserpituusmalli, joita käytetään automatisoidussa
kuvioinnissa. Kuviointiin upotetaan kiinteistörajat, vedet, pellot, tiet/linjat
sekä luontokuviot. Kuviointia viimeistellään manuaalisesti.
Kuvat: Blom Kartta Oy
4. • Kuviotiedot yleistetään kuviolle osuvien
hilaruutujen summa- ja keskitunnuksina.
• Lopuksi lasketaan metsänhoitosuositusten
mukaiset toimenpide-ehdotukset.
Kuvat: Arbonaut Oy
5. 1. Jatkuva ajantasaistus
› Metsänkäyttöilmoitukset ja Kemera
› Päivityspyynnöt Metsään.fi-palvelusta
› Toimijoiden ja metsänomistajien muut ilmoitukset
2. Metsäsuunnittelutiedot
3. Kiinteistörajamuutokset
4. Ympäristötuki- ja luonnonsuojeluaineistot
Lisäksi vuotuinen kasvun laskenta koko aineistolle.
Tiedon ajantasaistuksen nykytila
6. • Kuten metsätaloudessa yleisesti, paitsi puulajeina mänty, kuusi, lehtipuu.
• Kuvio
› Maaperä- ja kasvupaikkatiedot
› Kehitysluokka, pääpuulaji
› Puusto-ositteet (puulaji/jakso): lpm, pituus, ppa, rulu, ikä, tilavuus,
tukki/kuitu, biomassa, kasvu
› Toimenpide-ehdotukset (hoitotyöt ja hakkuut)
› Luontokohteet (metsälain 10-pykälä, muut arvokkaat)
• Hila
› Maaperä- ja kasvupaikkatiedot
› Kehitysluokka, pääpuulaji
› Puusto (mä, ku, lepu): lpm, pituus, ppa, rulu, ikä, tilavuus
Nykyinen tietosisältö
7. Mistä mv-tiedon laatu koostuu?
Laserkeilaus
Ilmakuvaus
Koealat
Puustotulkinta
Kuviointi
Laskenta
Ajantasaistus
Nykyisen puustotulkinnan tarkkuus kuviotasolla: 92 % oikea pääpuulaji,
kokonaistilavuuden keskivirhe 12 %.
Parannettavaa puulajeissa (erityisesti sivupuulajit). Ikä on myös vaikea,
koska ei ole näkyvä (tosin ei enää niin merkittävä tunnus).
9. Tiheämpi inventointikierto, keilauksen pistetiheys kasvaa.
Uudistettu koealamittaus (puukartta).
Parannettu puustotulkinta (latvusrajattu).
Jatkuva kuviointi ja kuvioinnin automatisointi.
Myös hila pidetään ajan tasalla.
Taimikkotiedon tuotanto ilman erillistä maastotyötä.
Toteutustieto ajantasaistukseen (hakkuukone, omavalvonta).
Kattavampi metsävaratiedon laatutieto.
Uusitut prosessit, tietomallit ja järjestelmäkehitys.
Metsätieto - keskeiset muutokset
10. • Mittasaksi- ja puupaikanninlaite.
Terratec Oy (menetelmä) ja
Masser Oy (laite).
Koealamittaus
11. • GPS-pisteet, tukiasemat, puiden sijainti
saksimittauksen yhteydessä.
• Samalla myös koepuuotanta sekä ikä- ja
pituuskoepuiden mittaus.
Koealamittaus
• Puun sijaintitarkkuus
pilottialueilla: keskivirhe 16 cm,
95% 23 cm ja 99% 31 cm.
12. Puukarttakoeala
• GPS-pisteillä (pinkki) puut paikallisesta
valtakunnalliseen koordinaatistoon.
Lisäksi mittasaksien puutiedot.
• Latvusten segmentointi laserilta ja
vallitsevien puiden pituuksien poiminta
laserilta.
• Luken palvelussa pituus- ja
ikämallinnus ja koealapuiden laskenta.
• Puustotulkitsija rajaa isommasta
puukartasta (esim. n. 1500 m2) useita
tulkintakoealoja (esim. n. 250 m2).
Kuva: Metsäkeskus / Terratec Oy
13. Puustotulkinnan hyötytavoitteet
• Mallinnuksen keskivirhe pienenee luokkaa 2-3 %-yksikköä. Kuviotunnuksiin sen
verran parannusta, että huomaa.
• Aluepohjainen tulkinta (ei yksin puin), mutta rajaukset latvusten välistä, jolloin
terävämmät laserpiirteet -> myös puulajit voivat hyötyä.
• Puukartoilla lisää variaatiota koealoille -> myös jakaumat voivat hyötyä.
Packalen, P., Strunk, J., Pitkänen, J., Temesgen, H. and Maltamo, M. 2015.
Edge-tree Correction for Predicting Forest Inventory Attributes Using Area-based
Approach With Airborne Laser Scanning. IEEE J-STARS 8(3): 1274-1280.
• Vähemmän reunahilaongelmaa ja kuvion
sisäinen vaihtelu paremmin haltuun (erityinen
hyötyjä epätasaiset metsät).
• Ylispuut voidaan erottaa alemmasta jaksosta.
• Latvusrajattua yksikköä käytetään kuviotiedon
tuotannossa. Hila säilyy omanaan.
• Ohessa havainnekuva latvusten huomioon-
ottamisesta (esimerkissä ympyräkoeala).
16. Jatkuva kuviointi
• Metsikkökuvio
› Kuviointi pääosin automaattisesti yhdistelemällä tulkitsijan segmentoimia
mikrokuvioita (n. 0,2-0,3 ha). Käytäntöön soveltuva kuviokoko (n. 0,5-5 ha).
• Jatkuva prosessi
› Kuvioverkkoa ajantasaistetaan myös laserkeilausten välillä.
› Uudellakaan keilausalueella ei ole tarpeen täysin uusi kuviointia, vaan päivitetään
olemassa olevaa (aidot muutokset).
› Hyvät edellytykset (1. kierroksen kuviointi, uusia tietolähteitä). Jatkuvana tasaa
työtä ympärivuotiseksi.
• Kuviointi vaikuttaa
myös puustotietojen ja
toimenpidesimulointien
laatuun.
17. Taimikot
Lähtökohdat
• SMK ei jatka kohdennettua taimikoiden maastoinventointia.
• Varttuneiden taimikoiden tulkinta paranee tiheämmän keilauksen myötä.
• Pienille taimikoille ei ole laadukasta kaukokartoitusta, tarvitaan uudistamistiedot.
Tietolähteet
• Kaukokartoitus (laserkeilaus 6 v, ilmakuvaus 3 v, satelliittikuvat 1 v).
• Toteutustieto (uudistamisen ja hoitotöiden omavalvonta, hakkuukonetieto).
• Viranomaistieto (metsänkäyttöilmoitukset, Kemera, maastotarkastukset).
• Muut (Metsään.fi, metsäsuunnittelu, joukkoistaminen).
› Jatkossa korostuu eri tietolähteistä saatavan tiedon älykäs hyödyntäminen ja
automatisoitu tiedonhallinta.