Metsätieto ja sähköiset palvelut hankkeen välitulosseminaari

1. www.helsinki.fi/yliopisto
MMM-kärkihankkeet 2016-2018
Puuston 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

2. www.helsinki.fi/yliopisto
Visio: Tulevaisuuden metsävaratieto –
Ajantasainen hilatason inventointi +
runkolukusarjan ja laatutunnusten
tarkentaminen puukohtaisella tiedolla
Kuva: Ville Kankare HY

3. www.helsinki.fi/yliopisto
Visio: laserkeilauksen avulla tarkempaa
metsävaratietoa – kuviotasolta puu(oksa)tasolle

4. www.helsinki.fi/yliopisto
MMM-laatu
Tavoitteet
 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)

5. www.helsinki.fi/yliopisto
Osahanke 1 (HY & FGI, Markus Holopainen, Juha Hyyppä, Jiri
Pyörälä, ville Kankare), eteneminen
Puuston laadun arvioiminen maastolaserkeilausaineistosta
Osatutkimus 1 – Evo
Pyörälä, 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

6. www.helsinki.fi/yliopisto
Osahanke 1 (HY & FGI), eteneminen
Puuston laadun arvioiminen maastolaserkeilausaineistosta
Osatutkimus 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

7. www.helsinki.fi/yliopisto
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

8. www.helsinki.fi/yliopisto
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.

9. 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
vastaavuudet
Osahanke 2, Arbonaut Oy ja Metsäteho Oy, Jussi
Peuhkurinen, Tapio Räsänen, Jarmo Hämäläinen
Jussi Peuhkurinen, Arbonaut Oy

10. www.helsinki.fi/yliopisto
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
Metsätieto ja sähköiset palvelut -hankkeen välitulosseminaari 7.3.2017

11. www.helsinki.fi/yliopisto
Tukin röntgenmittauksen avulla havaitaan mm.
• Oksaryhmät ja niiden paikat
(oksaryhmäväli)
• Oksien määrä (oksavolyymi)
• Sydänpuuosuus
• Vuosirenkaan paksuus
Kuvat: TimberVision Oy
Metsätieto ja sähköiset palvelut -hankkeen välitulosseminaari 7.3.2017

12. www.helsinki.fi/yliopisto
Osahanke 3, Puuston laatutiedon ennustaminen ja
kalibrointi ALS-aineistojen avulla laajoille alueille
UEF & LUKE, Matti Maltamo, Jaakko Repola, Harri Mäkinen,
(Jari Vauhkonen)
tavoitteet ja toteutus
1. Laaditaan puutason ennustemalli latvusrajan ennustamiseksi harvapulssisella laseraineistolla maantieteellisest
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 vaihtoehtoihin
b) 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)

13. www.helsinki.fi/yliopisto
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

14. www.helsinki.fi/yliopisto
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

15. www.helsinki.fi/yliopisto
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?