39 Metsätieteen aikakauskirja t u t k i m u s a r t i k k e l i Pekka Hyvönen, Anssi Pekkarinen ja Sakari Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus puustotunnusten ei-parametrisessa estimoinnissa Hyvönen, P., Pekkarinen, A. & Tuominen, S. 2007. Ilmakuvasegmentteihin perustuvan kaksi- vaiheisen otannan luotettavuus puustotunnusten ei-parametrisessa estimoinnissa. Metsätieteen aikakauskirja 1/2007: 39–53. Tutkimuksessa tarkasteltiin ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotet- tavuutta puustotunnusten ei-parametrisessa estimoinnissa. Aineistona oli kolmesta ilmakuvasta koostetun ortoilmakuvamosaiikin 10 alueelta mitattu segmenttiaineisto. Segmenttien lukumäärä oli 467 kpl, pinta-ala 163,8 ha ja keskimääräinen koko 0,351 ha. Segmentointi tehtiin ilmakuvan sävyarvojen perusteella. Segmentit paikannettiin ja niiden segmentti- ja puustotiedot tallennet- tiin tiedonkeruulaitteelle. Tiedonkeruulaitteessa käytettiin ilmakuva- ja segmenttiraja-aineistoa taustakarttoina sekä GPS-sijaintitietoa apuna paikantamisessa. Segmenttien puustotunnusten estimaatit laskettiin segmenttien spektrisiä ominaisuuksia ja k-lähimmän naapurin (knn) menetelmää käyttäen ja niiden luotettavuutta tarkasteltiin ristiinva- lidoinnilla. Käytännön sovellustilannetta jäljiteltiin simuloimalla otoksia sävyarvojen perusteella ositettuun segmenttiaineistoon. Otannan luotettavuutta tarkasteltiin ositteen keskitilavuuden keskiarvon keskivirheellä. Estimoinnissa puustotunnusten suhteelliset keskivirheet vaihtelivat 36,8 %:n (keskiläpimitta) ja 156,3 %:n (lehtipuun tilavuus) välillä. Keskitilavuuden keskivirhe oli 55,1 %. Otannan simuloinnissa pienin keskitilavuuden keskiarvon keskivirhe 36,0 m3 ha–1 saatiin ositemäärällä 40 ja käyttämällä otannassa suhteellista kiintiöintiä. Tarkasteltu menetelmä havaittiin jatkotutkimuksen arvoiseksi, vaikka tarkkuus ei tämän tutki- muksen perusteella vielä riitä sovellettavaksi käytännön metsätaloudessa. Asiasanat: kuvioittainen arviointi, metsävarat, segmentointi, otanta, inventointi, ilmakuva Yhteystiedot: Hyvönen, Metla, Joensuun toimintayksikkö, PL 68, 80101 Joensuu; Pekkarinen, Joint Research Centre of the European Commission, Institute of Environment and Sustainability, Land Management and Natural Hazards Unit, T.P. 261, I-21020 Ispra (VA), Italy; Tuominen, Metla, Helsingin toimipaikka, Unioninkatu 40 A, 00170 Helsinki. Sähköposti pekka.hyvonen@metla.fi Hyväksytty 8.1.2007 Pekka Hyvönen Anssi Pekkarinen Sakari Tuominen 40 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli 1 Johdanto Kuvioittainen arviointi on Suomessa jo pitkään ollut hallitseva metsätalouden suunnittelun tiedonkeruumenetelmä. Kuvioittaista arviointia on käytetty sekä inventointi- että metsätalouden järjestelymenetelmänä (Poso 1983). Kuvioittaisen inventointimenetelmän päävaiheet ovat: 1) en- nakkokuviointi yleensä ilmakuvien pohjalta ja 2) kuviotietojen arviointi ja rajauksen tarkistaminen maastossa, jolloin arvioija käy jokaisella kuviolla. Kuvioittaisella arvioinnilla toteutetun tiedonke- ruun tulokset tallennetaan yleensä metsätietojär- jestelmään, jonka tietosisältö koostuu tyypillisesti kuvioiden sijainti- ja ominaisuustiedoista. Kuvioit- taisen arvioinnin merkittävänä etuna on se, että se tuottaa metsätalouden suunnittelun vaatimat toimen- pideyksiköt ja toimenpidesuositukset. Tähän liittyy myös kuvioittaisen arvioinnin merkittävä ongelma: kuviot rajataan lähinnä toimenpideyksiköinä eikä puusto- ja kasvupaikkatunnuksiltaan homogeenisinä metsiköinä. Lisäksi metsänhoito- ja hakkuutoimen- piteet eivät useinkaan noudata kuvioiden rajausta, mikä vaikeuttaa kuvioiden käyttöä suunnittelujak- soa pidempiaikaisessa metsävarojen seurannassa (Hyvönen ja Korhonen 2003). Edelleen, kuvioiden rajaus on subjektiivista, ja metsikkökuvio on jo kä- sitteenä epämääräinen. Siten eri henkilöiden samalle alueelle tekemät kuvioinnit voivat poiketa toisistaan huomattavasti, koska ns. oikeaa kuviointia ei voida objektiivisesti määritellä. Alueelliseen metsäsuunnitteluun suunnatut voi- mavarat ovat nykyisellään rajalliset suhteessa kerät- tävään tietomäärään. Kuvioittainen arviointimene- telmä on luonteeltaan maastotyöintensiivistä ja siten kustannuksiltaan inventoitua pinta-alaa kohti kallis- ta. Lisäksi menetelmän tehostaminen muutoin kuin arviointitarkkuutta heikentämällä ei sen luonteesta johtuen ole juuri mahdollista. Toisaalta alueellisen metsäsuunnittelun kattavuus pyritään säilyttämään vähintäänkin entisellään. Kansallisessa metsäohjel- massa on yhdeksi tavoitteeksi asetettu tilakohtaisten metsäsuunnitelmien määrän nostaminen 75 %:iin yksityismetsien pinta-alasta (Kansallinen Metsäoh- jelma… 1999). Tähän tavoitteeseen pääsemiseksi on maastossa tapahtuvaa tiedonkeruuta tehostetta- va. Keinoja metsäninventoinnin tehostamiseen sekä kuvioarvioinnin subjektiivisuuden vähentämiseen voisivat tarjota esimerkiksi kaukokartoitustiedon käytön lisääminen sekä otannan käyttö inventoin- nin maastotyön kohdentamisessa. Tämänkaltaisen inventointimenetelmän inventointiyksikkönä voi- daan käyttää esimerkiksi kaukokuvien automaat- tisella segmentoinnilla tuotettuja kuvasegmenttejä. Segmentoinnissa tarkoituksena on jakaa inventoita- va alue aputietona käytettävän kaukokuvan (esim. numeerinen ilmakuva) avulla toisensa poissulkeviin, spatiaalisesti yhtenäisiin ja sisäisesti homogeenisiin yksiköihin, so. segmentteihin. Segmenttien tehokas käyttö varsinaisessa inven- tointitiedon tuottamisessa edellyttää sitä, että niiden tietosisältö voidaan selvittää suhteellisen pienellä maasto-otoksella. Tämä voidaan toteuttaa esimerkiksi kaksivaiheisen otannan avulla. Ilmakuvatulkintaa on sovellettu aikaisemmin kaksivaiheisen koealaotannan yhteydessä esimerkiksi 5. valtakunnan metsien inven- toinnissa Pohjois-Suomessa (Poso ja Kujala 1971). Kaksivaiheinen otanta perustuu siihen, että inventoin- nin eri vaiheissa käytetään samanlaista otosyksikköä, mutta toisen vaiheen otokseen poimitaan vähemmän yksiköitä. Kaksivaiheiseen otantaan perustuvissa met- säninventointisovelluksissa on ensimmäisen vaiheen tietona tyypillisesti käytetty kaukokartoitustietoa ja toisen vaiheen tietona maastomittauksia. Kaksivai- heisen otannan käyttö on perusteltua silloin, kun (esim. Tuominen ym. 2006): a) ensimmäisen vaiheen tiedon hankkiminen on edul- lisempaa kuin toisen vaiheen tiedon b) toisen vaiheen tieto on tarkempaa kuin ensimmäisen vaiheen tieto c) ensimmäisen ja toisen vaiheen tieto ovat korrelaa tiossa keskenään. Kaukokartoituskuvien segmentointia ja segmentti- pohjaista puustotunnusten estimointia on kokeiltu mm. keskiresoluution satelliittikuvilla ja korkean resoluution ilmakuvilla. Esim. Mäkelä ja Pekkarinen (2001) sekä Hyvönen (2002) ovat tutkineet Landsat TM -satelliittikuvan ja Pekkarinen (2002b) sekä Pek- karinen ja Tuominen (2003) ilmakuvan käyttöä seg- mentoinnin perustana. Näissä tutkimuksissa puus- totunnusten estimoinnissa käytetty maastoaineisto oli kerätty joko metsikkökuvioilta tai koealoilta. Samoin estimoinnissa käytetyt kaukokuvapiirteet oli irrotettu joko metsikkökuvioilta tai koealoilta. Metsikkökuvio on kuitenkin usein puustoltaan hete- 41 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … rogeeninen eikä siksi ole välttämättä paras yksikkö piirreirrotukseen. Samoin koealan ympäriltä yhden tai useamman pikselin muodostamasta ikkunasta ir- rotetut kuvapiirteet voivat sisältää muiden kuin sen kuvion piirteitä, jolla koealan keskipiste sijaitsee, varsinkin jos keskimääräinen kuviokoko on pieni suhteessa kuvamateriaalin spatiaaliseen resoluu tioon. Toisaalta yhden pikselin alueelta irrotettui- hin piirteisiin vaikuttavat voimakkaasti mahdolliset sijaintivirheet koealan paikantamisessa joko kuval- la tai maastossa. Edellä mainittujen syiden vuoksi puustotunnusten estimoinnin tarkkuus onkin ollut pääosin alle kuvioittaiselle arvioinnille asetettujen tarkkuusrajojen (Uuttera ym. 2002). Segmentointi tuottaa yleensä metsikkökuvioita pienempiä ja homogeenisempia yksiköitä (esim. Hagner 1997, Pekkarinen 2002a). Tämän vuoksi sekä piirteiden irrotus että maastoaineiston kerää- minen tulisi tehdä segmenteiltä. Tällöin piirteet ja puustotunnukset vastaavat todennäköisesti parem- min toisiaan. Toisaalta, segmenttejä voidaan myös käyttää metsikkökuvioiden muodostamiseen ja ku- vioiden metsikkötunnusten estimointiin. Ongelmana pinta-alaltaan pienten segmenttien mittaamisessa on pidetty niiden paikantamista sekä todennäköisesti alhaista maastotyön tuottavuutta ja tätä kautta so- veltuvuutta käytännön metsätalouteen. Tämän tutkimuksen tavoitteena oli selvittää kuin- ka luotettavasti metsikkötason puustotunnukset voi- daan estimoida kaksivaiheista otantaa, ilmakuvaseg- menttejä, segmenteittäin kerättyä maastoaineistoa ja ilmakuvilta irrotettuja spektrisiä piirteitä käyttäen. Toisena tavoitteena oli selvittää segmenttipohjaisen lähestymistavan soveltuvuutta käytännön inventoin- tiin. Lisäksi työssä tarkasteltiin ilmakuvan sävyarvo- jen korjauksen vaikutusta puustotunnusestimaattien tarkkuuteen. 2 Aineisto 2.1 Tutkimusalue Tutkimusalue koostui kymmenestä erillisestä aluees ta (A1–A10), jotka sijaitsevat Metsäkeskus Pohjois- Karjalassa Kontiolahden kunnassa Puson kylässä lähellä Kolin Kansallispuistoa (kuva 1). Tutkimus- alueen metsät olivat pääosin havupuuvaltaisia se- kametsiä. Tutkimusalueen metsien kehitysluokat vaihtelivat taimikoista uudistuskypsiin metsiin. Vallitsevat kehitysluokat olivat nuoret ja varttuneet kasvatusmetsät. Tutkimusalueen korkeus vaihteli välillä 95–300 metriä merenpinnan yläpuolella. Koealoista 7 % sijaitsi yli 200 metrin korkeudella ja 76 % 150–200 metrin korkeudella. Tutkimusaluei den keskeisimmät segmentti- ja puustotunnukset on esitetty taulukossa 1. 2.2 Kuvamateriaali Tutkimusalueelta hankittiin kolme vääräväri-ilma- kuvaa, jotka oli kuvattu 29.7.2001. Ilmakuvien rajat Taulukko 1. Tutkimusalueiden keskeisimmät segmentti- ja puustotunnukset. Tunnus Alue A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 Segmenttejä, kpl 98 122 34 25 31 35 30 32 30 30 Kivennäismailla–soilla, kpl 73–25 94–28 31–3 23–2 19–12 33–2 25–5 27–5 25–5 30–0 Pinta-ala, ha 23,8 53,6 11,0 15,8 7,5 10,2 13,4 8,5 9,8 10,2 Ikä, a 50,1 64,3 39,9 76,3 34 39,3 64,0 41,1 56,3 53,8 Pohjapinta-ala, m2 ha–1 18,8 18,9 11,9 21,6 15,1 11,9 16,0 16,3 15,9 22,2 Keskiläpimitta, cm 15,3 18,0 10,7 20,8 14,9 14,6 22,6 18,3 21,2 21,1 Keskipituus, m 11,9 13,4 8,8 16,0 12,1 11,6 18,1 15,7 13,4 18,1 Keskitilavuus, m3 ha–1 138,4 148,9 80,0 178,1 100,8 90,7 159,8 121,6 111,7 202,3 Männyn keskitilavuus, m3 ha–1 32,4 68,7 48,5 44,2 20,4 29,4 11,5 31,7 6,0 71,8 Kuusen keskitilavuus, m3 ha–1 92,7 55,5 27,5 119,9 44,8 44,6 89,9 32,7 89,0 34,2 Lehtipuun keskitilavuus, m3 ha–1 13,6 24,6 4,0 14,0 35,6 16,6 58,4 57,2 11,7 96,3 42 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli on esitetty kuvassa 1. Kuvat skannattiin numeeri- seen muotoon 14 μm resoluutiolla ja tallennettiin kolmekanavaiseen (lähi-infra, punainen ja vihreä) TIFF formaattiin. Skannatut kuvat orto-oikaistiin yhtenäiskoordinaatistoon käyttäen apuna numeerista korkeusmallia (25 m:n rasteri) ja peruskarttaa sekä maastossa GPS:n avulla paikannettuja tukipisteitä. Kuvien oikaisumallin kokonaisvirhe vaihteli välillä 3,3–4,8 m. Oikaistuista kuvista muodostettiin tut- kimusalueen kattava ortoilmakuvamosaiikki (koko 11,0 km × 11,7 km) 0,5 m:n maastoresoluutiolla. 2.3 Maastoaineisto Puustotunnusten estimoinnissa käytetty maastoai- neisto kerättiin kesien 2002 ja 2003 aikana. Koska tutkimuksen yhtenä tarkoituksena oli testata ilmaku- van sävyarvokorjauksen vaikutusta puustotunnuksen estimoinnin tarkkuuteen, tutkimusalueet sijoitettiin ilmakuvamosaiikin eri osiin. Kesän 2002 aikana mi- tatut alueet, A1 ja A2, sijoitettiin suoraan ilmakuva- mosaiikille. Kesän 2003 mittausten allokoimiseksi ja sopivien alueiden löytämiseksi koko segmenttiaineisto klusteroitiin 400 ositteeseen käyttäen segmenttien sävyarvojen keskiarvoja ja hajontoja sekä k-means -algoritmia (MacQueen 1967). Maastotiedon keruun tehostamiseksi työt kohdennettiin alueille, joilla ositteiden lukumäärä pinta-alayksikköä kohden oli suuri. Tätä tarkasteltiin 25 hehtaarin (500 m × 500 m) ruuduissa. Mittaukset kohdistettiin kahdeksalle sel- laiselle ruudulle jossa ositteiden määrä oli vähintään 20 kpl. Mitattavat osa-alueet valittiin näiden ruutujen sisältä siten, että ne sisälsivät mahdollisimman use- an ositteen vierekkäin sijaitsevia segmenttejä sekä edustavan otoksen ositteista. Inventointiyksikkönä käytettiin segmenttejä, joille sijoitettiin niiden homogeenisuudesta ja koosta riippuen 2–7 vaihtuvasäteistä relaskooppikoealaa. Mitattujen koealojen lukumäärä perustui aikaisempaan tietoon siitä, että metsäsuunnittelussa käytettävän kuvion tark- kojen puustotunnusten estimointi edellyttää sen koosta Kuva 1. Tutkimusalueiden A1–A10 sijainti käytettyjen ilmakuvien alueilla Pusossa. 43 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … riippuen n. 5–10 koealan mittaamista (Laasasenaho ja Päivinen 1986). Segmenteillä tarvittava koealamäärä arvioitiin tätä pienemmäksi, koska segmentit ovat tyypillisesti pinta-alaltaan metsikkökuviota pienem- piä ja puustotunnuksiltaan niitä homogeenisempia. Mitattujen segmenttien keskimääräinen pinta-ala oli 0,351 ha ja niiden pinta-alan keskihajonta 0,296. Mitattujen segmenttien lukumäärä oli 467 kpl ja niille sijoitettiin yhteensä 1 523 koealaa. Segmenttien vaihtelevan muodon ja pienen keski- määräisen pinta-alan vuoksi niiden paikantamiseksi ja mittaamiseksi maastossa käytettiin paikannuslaitetta ja karttatoiminnoilla varustettua tiedonkeruulaitetta. Paikantamisessa ja tiedonkeruussa käytetty ohjelmis- to toteutettiin käyttäen MapLT-karttakomponenttia (GISnet MapBox 2002, Torttila 2003). Ohjelmisto koostuu karttapohjaisesta käyttöliittymästä ja tiedon- keruusovelluksesta. Ohjelmisto voi hyödyntää sekä rasteri- että vektorimuotoista aineistoa. GPS-vastaan- ottimen ollessa päällä mittaajan sijainti maastossa näkyy tiedonkeruulaitteen näytöllä. Käytetty tiedonkeruulaite oli Husky Fex21 (129 MHz, 32 MB RAM, 6.5˝ VGA). Käyttöjärjestelmänä oli MS Windows CE sekä MS Windows HPC 2000. Paikannuksessa käytetty GPS-vastaanotin oli Trimble NavGuide, jonka paikannustarkkuus on noin 5 met- riä. Sijainnin differentiaalikorjausta ei käytetty mutta paikannuksen tarkkuutta kontrolloitiin vertaamalla sijaintia maastossa näytöllä esitettyyn sijaintiin. Koska yksittäiset samasta kohdasta tallennetut GPS-sijain- tipisteet saattavat poiketa toisistaan huomattavasti, koealan sijaintipiste tallennettiin vasta sen jälkeen, kun GPS-koordinaatit pysyivät samoina. Jokaisella koealalla mitattiin silmävaraisen kuvi- oittaisen arvioinnin tapaan puuston keskiläpimitta, keskipituus, keski-ikä sekä pohjapinta-ala tai run- koluku hehtaaria kohden puulajeittain ja jaksoittain (SOLMU. Metsäsuunnittelun… 2000). Lisäksi jo- kaisella segmentillä määritettiin segmenttikohtaisia tietoja kuten maaluokka ja kasvupaikka. Puusto- ositteiden määrä segmenteillä vaihteli välillä 1–8, keskimäärin ositteita segmentillä oli 3,3. Maastossa mitattiin vain kohteet, joilla ei ollut tehty metsänhoi- dollisia toimenpiteitä ilmakuvien oton ja maastotöi- den välisenä aikana. Alueen A2 maastomittauksen teki metsätieteiden opiskelija ja alueiden A1 sekä A3–A10 Metsäntutkimuslaitoksen kenttätöiden ammattilainen. Maastomittaajilla oli myös ammat- titaitoa ilmakuvien visuaalisesta tulkinnasta. Tämä lisäsi osaltaan koealan paikantamisvarmuutta, koska mittaaja pystyi todentamaan olevansa maastossa tie- donkeruulaitteen näyttämässä paikassa. Koeala- ja segmenttikohtaiset puustotiedot joh- dettiin maastomittauksista MELA2002-ohjelmistolla (Redsven ym. 2002). Tutkimusalueiden (A1–A10) segmenttien määrät, pinta-alat ja puustotunnukset on esitetty taulukossa 1 sekä alueiden sijainti ku- vassa 1. 3 Menetelmät 3.1 Ilmakuvien segmentointi Tutkimusalueen ilmakuvamosaiikki segmentoi- tiin käyttäen Metsäntutkimuslaitoksessa kehitet- tyä kaksivaiheista menetelmää. Menetelmän en- simmäinen vaihe perustuu nk. ohjattujen puiden menetelmän ideaan (Narendra ja Goldberg 1980, Pekkarinen 2002a), ja siinä etsitään homogeeniset siemenalueet paikallisten reunanvoimakkuuksien avulla. Siemenalueiden tunnistamisen jälkeen ne kuvaelementit, jotka eivät kuulu niihin, liitetään siemenalueisiin vedenjakaja (watershed) -tyyppisen algoritmin avulla. Näin saatuja segmenttejä kutsu- taan initiaalisegmenteiksi. Menetelmän toisessa vaiheessa initiaalisegmenttejä yhdistellään suurem- miksi yksiköiksi käyttäjän antamien pinta-ala- ja sa- mankaltaisuusparametrien mukaisesti (Pekkarinen 2002b). Segmenttien yhdistely toteutetaan niin, että annettua minimikokoa pienemmät initiaalisegmen- tit liitetään sävyarvoltaan lähinnä samankaltaiseen naapurisegmenttiin. Segmenttien samankaltaisuutta mitataan niiden sävyarvojen keskiarvojen välisellä euklidisella etäisyydellä (kaava 1). d s s x xi j i ch j ch ch n ( , ) ( ) ( ), ,= − = ∑ 1 2 1 missä d(si,sj) = euklidinen etäisyys segmenttien i ja j välillä xi ch, = segmentin i sävyarvojen keskiarvo kanavalla ch n = kanavien lukumäärä 44 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli Segmentointia varten ilmakuvamosaiikin resoluutio muunnettiin 1 metriin ja sen sävyarvojen kontras- tia pehmennettiin paikallisesti Gauss-suodatuksella. Resoluution muuttaminen ja kuvan suodattaminen on usein tarpeen erittäin korkean spatiaalisen reso- luution aineistoa käytettäessä, jos segmenttien halu- taan edustavaan metsikköä tai sen osaa yksittäisten puiden sijaan. (esim. Hyppänen 1996, Pekkarinen ja Tuominen 2003). Käytetyn suodatusikkunan koko oli 3 × 3 pikseliä, ja suodatusta iteroitiin 15 kertaa edellisen iteraation tuloskuvan toimiessa aina seu- raavan suodatuksen lähtökuvana. Ensimmäisen ja toisen vaiheen segmentoinneissa testattiin eri parametreja mahdollisimman hyvän seg- mentointituloksen tuottamiseksi. Näiden testien ja aikaisempien kokemusten perusteella voidaan tode- ta, että segmentoinnin tuloksen kannalta ratkaisevin on toisen vaiheen yhdistelyssä käytettävä minimi- kokoparametri. Tässä työssä testattiin erilaisia seg- menttien minimikokoja 100 ja 10 000 pikselin väliltä ja segmentointien tuloksia tarkasteltiin visuaalisesti sekä tutkimalla segmenttien homogeenisuutta. Vi- suaalisella tarkastelulla selvitettiin segmentoinnilla tuotettujen rajojen sijaintitarkkuutta ja sitä, erottui- vatko eri kehitysluokkiin kuuluvat naapurimetsiköt omiksi segmenteikseen. Myös segmenttien homo- geenisuutta arvioitiin visuaalisesti sekä laskemalla segmenttien kanavakohtainen pinta-alalla painotettu varianssi (kaava 2) koko segmentoidulle alueelle. var * var ( )total = = ∑ A A i i i n 1 2 missä n = segmenttien lukumäärä vari = segmentin i varianssi Ai = segmentin i pinta-ala A = segmenttien pinta-ala Käytettäväksi valittiin segmentointi, joka sekä vi suaalisen tulkinnan että segmenttien homogeeni- suuden perusteella arvioitiin onnistuneimmaksi (kuva 2). Onnistuneimmaksi arvioidussa segmen- toinnissa minimikokoparametrin arvona käytettiin 1 000:ta pikseliä (0,1 ha). Puustotunnusten estimointia varten numeerisen il- makuvamosaiikin sävyarvoja korjattiin epäsymmet- risen heijastuksen aiheuttaman sävyarvojen vaih- telun vähentämiseksi Metsäntutkimuslaitoksessa kehitetyllä menetelmällä, jossa epäsymmetrisen hei- jastuksen vaikutuksesta kuvan eri osissa sävyarvot korjataan referenssikuvan avulla metsikön tasolla re- Taulukko 2. Tutkimusalueiden segmenttien sävyarvojen keskiarvot ja keskihajonnat. Ylempi rivi alkuperäinen ilma- kuvamosaiikki ja alempi sävyarvokorjattu. Kanava Alue   A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 Keskiarvo Lähi-infra 135,8 106,9 135,3 117,4 139,5 165,2 139,9 145,6 172,6 131,5 105,3 98,5 92,4 96,4 149,8 118,8 110,0 120,6 104,5 119,6 Punainen 90,4 67,7 105,2 85,9 86,1 118,4 98,9 86,9 130,6 83,7 79,6 83,2 105,6 80,1 79,0 88,1 98,6 67,6 85,1 70,7 Vihreä 123,4 84,4 134,2 114,6 112,8 149,1 126,9 112,4 161,4 112,9 111,0 111,1 121,8 110,6 119,3 118,6 120,4 105,7 114,5 107,6 Keskihajonta Lähi-infra 31,5 29,4 26,6 35,2 30,4 25,2 30,5 30,2 31,7 26,9 29,7 33,4 22,4 35,1 37,4 21,8 28,5 30,1 23,3 29,4 Punainen 23,0 18,2 19,6 24,7 20,5 21,3 21,5 22,4 26,5 17,9 31,5 35,5 28,2 36,3 30,4 24,6 31,9 29,4 26,8 24,8 Vihreä 24,9 22,4 20,0 27,2 23,8 21,3 22,6 26,5 25,0 20,6 34,8 45,7 26,9 40,0 37,7 25,4 31,4 38,9 26,5 29,8 45 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … ferenssikuvaa vastaaviksi (Tuominen ja Pekkarinen 2004). Referenssikuvana käytettiin Landsat 7 ETM -satelliittikuvaa, jossa epäsymmetrisen heijastuksen vaikutus sävyarvoihin on huomattavasti vähäisempi kuin ilmakuvilla. 3.2 Puustotunnusten estimointi Segmenttien puustotunnukset estimoitiin k:n lä- himmän naapurin menetelmällä (mm. Muinonen ja Tokola 1990, Tomppo 1990, Tokola ym. 1996). Lä- himmät naapurit määritettiin segmenteille ilmaku- valta irrotettujen kuvapiirteiden välisen Euklidisen etäisyyden perusteella. Käytetyt kuvapiirteet olivat segmenttien sävyarvojen kanavakohtaiset keskiar- vot ja keskihajonnat sekä alkuperäiseltä että sävy- arvokorjatulta ilmakuvalta. Estimoinnissa lähimpiä naapureita painotettiin euklidisen etäisyyden kään- teisluvun neliöllä (kaava 3). ˆ ( )y d y d i ii k i ii k = = = ∑ ∑1 1 3 2 1 2 1 missä yi = mitattu puustotunnus ŷi = puustotunnuksen estimaatti di = euklidinen etäisyys i:nneksi lähimpään naapuriin k = naapurien lukumäärä Estimoinnissa testattiin erilaisia k:n arvoja ja tarkas- teltiin sen vaikutusta keskitilavuuden keskivirhee- seen (RMSE) ja harhaan. Tämän tarkastelun perus- teella havaittiin keskivirheen pienenevän selvästi k:n kasvaessa yhdestä seitsemään, jonka jälkeen keski- virhe ei merkittävästi pienentynyt. Myös harha pysyi lähes samalla tasolla eri k:n arvoilla. Myös esim. Tokola ym. (1996), Mäkelä ja Pekkarinen (2001) ja Pekkarinen (2002b) ovat tehneet samansuuntaisia havaintoja. Tämän perusteella puustotunnusten esti- moinnissa käytettiin seitsemää lähintä naapuria. Puustotunnusten estimaattien luotettavuutta arvioitiin käyttämällä ns. ristiinvalidointia, missä kunkin maas- tossa mitatun segmentin puustotunnukset estimoitiin muiden maastossa mitattujen segmenttien piirre- ja maastotietovektorien avulla. Puustotunnusten esti- maattien tarkkuutta tarkasteltiin keskivirheen (kaava 4) ja harhan (kaava 5) avulla. Näistä laskettiin myös suhteelliset tunnusluvut jakamalla absoluuttinen arvo mitatulla keskiarvolla ja kertomalla se sadalla. RMSE= − = ∑( ˆ ) ( ) y y n i i i n 2 1 4 harha = − = ∑( ˆ ) ( ) y y n i i i n 1 5 missä n on segmenttien lukumäärä. Lisäksi keskitilavuuden estimoinnin luotettavuutta tarkasteltiin 50 m3 ha–1 ja 100 m3 ha–1 tilavuusluo- kissa oikeinluokitusprosentin avulla (kaava 6). Siinä laskettiin oikein luokiteltujen osuus tilavuusluokit- tain sekä yli koko aineiston. Koska oikeinluokitus- prosentti voi antaa liian optimistisia tuloksia, luo- kitustulosten vertaamiseksi laskettiin myös kappa- arvo, K (Rosenfield ja Fitzpatrick-Lins 1986) Oikeinluokitus- oikein% * ( )= n n 100 6 missä noikein on oikeaan tilavuusluokkaan estimoi- tujen segmenttien määrä. Kuva 2. Tutkimusalueen A2 mitattuja segmenttejä. Ilma- kuva © Blom Kartta Oy. 46 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli 3.3 Otannan simulointi Vaikka edellä esitetty ristiinvalidointiin perustuva tarkastelu antaa hyvän kuvan aineiston ja menetel- män soveltuvuudesta puustotunnusten estimointiin, ei sen avulla voida hyvin arvioida menetelmän so- veltuvuutta käytäntöön, koska vastaavan laajuisen maastoaineiston keruu olisi liian aikaa vievää ja kallista. Käytännön sovellustilanteessa inventoi- tava alue segmentoitaisiin ja segmentit jaettaisiin ositteisiin jonkin tai joidenkin kuvalta irrotettavien piirteiden avulla ja tämän jälkeen kustakin osittees- ta mitattaisiin maastossa vain muutaman segmentin tiedot. Lopuksi mitattujen segmenttien tiedot yleis- tettäisiin samojen ositteiden lopuille segmenteille. Tässä työssä käytännön tilannetta jäljiteltiin simu- loinnin avulla. Käytännön toteutuksen simuloimiseksi segment- tiaineisto ositettiin segmenteiltä irrotettujen kuva- piirteiden perusteella. Osittaminen tehtiin mini- moimalla ositteiden välistä segmenttien sävyarvojen keskiarvoista ja -hajonnoista laskettua euklidisten etäisyyksien summaa. Koska käytännön toteutuk- seen tarvittavasta ositteiden määrästä ei ollut sel- vää ennakkokäsitystä, ositteiden määrän vaikutus- ta ositekeskiarvojen väliseen hajontaan tutkittiin eri ositemääriä käyttäen (kuva 3). Koska osituksen tavoitteena oli homogeenisten ositteiden muodos- taminen ja ositemäärän pitäminen kohtuullisena käytännön sovellusta silmälläpitäen, päädyttiin 40, 50 ja 60 ositteen käyttöön. Kuten kuva 3 osoittaa, suuremmilla ositemäärillä ositteiden homogeenisuu- den suhteellinen muutos on vähäinen ja lisäksi suu- remmilla ositemäärillä olisi segmenttien lukumäärä ositteittain saattanut jäädä liian pieneksi. Kustakin ositteesta poimittiin osa segmenteistä ja ositteelle laskettiin keskitilavuusestimaatti näi- den poimittujen segmenttien tilavuuksien keskiar- vona. Tätä estimaattia verrattiin ositteen kaikista segmenteistä laskettuun ositteen keskitilavuuteen. Mitattavien segmenttien määrä ositteessa laskettiin suhteellisella kiintiöinnillä (kaava 7), missä otoksen koko on suhteessa ositteen kokoon (mm. Cochran 1977, Kangas ym. 2003). Vaihtoehtoisena tapana käytettiin Neyman-kiintiöintiä (mm. Cochran 1977, Kangas ym. 2003) (kaava 8), missä otosyksiköiden määrä ositteessa oli suhteessa ositteesta laskettujen segmenttien kanavittaisten sävyarvojen summien keskihajontaan ja ositteen kokoon. Molemmat kiintiöinnit tehtiin kahdella tavalla. Ensimmäisessä vaihtoehdossa ositteesta valittiin vähintään yksi seg- mentti otokseen ja toisessa vaihtoehdossa vähintään kaksi. f n Nh h h = ( )7 n n N N S N N S h h h h h h L = = ∑ * * * ( ) 1 8 missä fh = otantasuhde ositteessa h nh = otoksen koko ositteessa h n = otannassa mitattavien segmenttien kokonaismäärä Nh = ositteen h koko N = aineiston koko Sh = ositteen h kanavittaisten sävyarvojen summien kes- kihajonta L = ositteiden kokonaismäärä Otanta toteutettiin simuloimalla otoksia ositettuun segmenttiaineistoon. Otannassa jokaisesta ositteesta poimittiin satunnaisesti kiintiöinnin mukainen määrä segmenttejä ja kukin segmentti hyväksyttiin saman simuloinnin aikana otokseen vain kerran. Otannassa mitattavien segmenttien kokonaismääräksi asetet- Kuva 3. Ositteiden piirrekeskiarvojen hajonta eri osi- temäärillä. 47 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … tiin 100. Tällä haluttiin varmistaa, että jokaisesta ositteesta tulisi vähintään yksi segmentti otantaan. Laskelmissa segmenttien kokonaismääräksi saattoi tulla yli 100, koska kiintiöinnistä (kaavat 7 ja 8) saatu tulos pyöristettiin lähimpään kokonaislukuun ja lisäksi toisessa vaihtoehdossa kaikista ositteista valittiin vähintään kaksi segmenttiä otokseen. Osituksen onnistumista tarkasteltiin laskemalla ositteiden keskitilavuuden keskihajonnat koko ai- neistossa. Keskihajonta laskettiin myös painottamal- la ositteen keskitilavuuden keskihajontaa ositteen suhteellisella pinta-alaosuudella. Otannalla mitattujen segmenttien tiedon yleistä- misen luotettavuutta tarkasteltiin laskemalla ositteit- tain keskitilavuuden keskiarvon keskivirhe (kaava 9) sekä ositteen pinta-alalla painotettu koko segmentti- aineiston keskiarvon keskivirhe (kaava 10). s.e.h i s y y s = −( ) − = ∑ ˆ ( ) 2 1 1 9 s.e. s.e.= = ∑ Ah A h L h 1 10* ( ) missä s.e.h = ositteen h keskitilavuuden keskiarvon keskivirhe s.e. = pinta-alalla painotettu segmenttiaineiston keskiti- lavuuden keskiarvon keskivirhe s = simulointien lukumäärä ositteessa y = ositteen keskitilavuus ŷ = simuloinnin keskitilavuus Ah = ositteen h pinta-ala A = ositteiden (= segmenttien) yhteinen pinta-ala 4 Tulokset 4.1 Puustotunnusten estimointi k-nn- menetelmällä Alkuperäisen aineiston ristiinvalidoinnissa pienim- mät suhteelliset keskivirheet olivat keskipituudella (36,8 %) ja keskiläpimitalla (37,6 %) (taulukko 3). Puulajeittaisten tilavuuksien suhteelliset keskivir- heet olivat selvästi suuremmat kuin keskitilavuuden. Sen sijaan niiden absoluuttiset keskivirheet olivat pienemmät kuin keskitilavuuden. Suhteelliset harhat vaihtelivat välillä –7,3–0,8 %. Pienin absoluuttinen harha oli lehtipuun tilavuudella (0,2) ja suurin kes- kitilavuudella (–5,9). Käytettäessä sävyarvokorjatulta ilmakuvalta haet- tuja piirteitä puustotunnusten estimointiin, suhteel- liset keskivirheet olivat 1,0–20,1 prosenttiyksikköä suurempia kuin käytettäessä alkuperäiseltä ilma- kuvalta haettuja piirteitä (taulukko 3). Sen sijaan suhteelliset harhat olivat sävyarvokorjatulla aineis- tolla muilla kuin lehtipuun tilavuudella 0,3–4,3 prosenttiyksikköä pienemmät kuin alkuperäisellä aineistolla. Tarkasteltaessa estimoinnin luotettavuutta puh- taissa männiköissä (männyn osuus yli 80 % koko- naistilavuudesta, 79 segmenttiä) ja kuusikoissa (95 segmenttiä), tulokset olivat koko aineistoa selvästi paremmat. Keskitilavuuden suhteellinen keskivirhe oli puhtaissa männiköissä 2 prosenttiyksikköä pie- nempi ja kuusikoissa 19 prosenttiyksikköä pienempi kuin koko aineistossa. Myös muilla puustotunnuk- silla suhteelliset keskivirheet olivat 2,8–12,6 pro- senttiyksikköä pienemmät kuin koko aineistossa. Tarkasteltaessa estimoinnin tarkkuutta tilavuus- luokittain, havaittiin pienissä tilavuusluokissa es- timoinnin aiheuttavan tilavuuden yliarviointia ja suurissa tilavuusluokissa aliarviointia (taulukko 4). Luokitustarkkuudessa ei juuri ollut eroa alkuperäi- sen ja sävyarvokorjatun aineiston välillä. Estimointi onnistui parhaiten niissä tilavuusluokissa, joissa oli eniten havaintoja. Koko aineiston oikeinluokitus- prosentti oli 50 m3 ha–1 tilavuusluokkavälillä sä- vyarvokorjatulla aineistolla 36 % (taulukko 4) ja 100 m3 ha–1 tilavuusluokkavälillä 52,5 %. 4.2 Osittaminen ja otanta Segmenttiaineiston osittamisessa ositteiden välinen segmenttien sävyarvojen keskiarvoista ja niiden keskihajonnoista laskettu ositteiden välistä hajon- taa kuvaava tunnusluku pieneni selvästi ositteiden määrän lisääntyessä (kuva 3). Arvioidun puuston keskitilavuuden keskihajonta koko segmenttiaineis- tossa pieneni ositemäärän kasvaessa (taulukko 5). Pinta-alalla painottamattomat keskihajonnat olivat pienempiä kuin pinta-alalla painotetut arvot. 48 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli Taulukko 3. Puuston estimoinnin absoluuttiset (abs.) ja suhteelliset (%) keski- virheet (RMSE) ja harhat ristiinvalidoinnissa (k = 7). Ylempi rivi laskettu alkuperäi- sellä ilmakuvamosaiikilla ja alempi sävyarvokorjatulla. (Keskiarvo koko aineiston keskiarvo.) Tunnus Keskiarvo RMSE Harha   abs. % abs. % Ikä 53,5 22,0 41,0 –2,0 –3,6 22,5 42,0 –1,4 –2,6 Pohjapinta-ala, m2 ha–1 17,4 7,6 43,5 –0,6 –3,4 8,0 45,9 –0,2 –1,1 Keskiläpimitta, cm 17,3 6,5 37,6 –0,4 –2,3 7,0 40,4 –0,4 –2,0 Keskipituus, m 13,5 5,0 36,8 –0,3 –2,2 5,2 38,6 –0,3 –1,9 Keskitilavuus, m3 ha–1 135,6 74,7 55,1 –5,9 –4,4 77,2 56,9 –2,1 –1,5 Männyn tilavuus, m3 ha–1 42,1 48,6 115,4 –3,1 –7,3 50,2 119,2 –1,3 –3,0 Kuusen tilavuus, m3 ha–1 64,6 58,6 90,8 –3,1 –4,8 65,4 101,3 –1,8 –2,8 Lehtipuun tilavuus, m3 ha–1 28,8 39,5 137,0 0,2 0,8 45,0 156,3 0,5 3,5 Taulukko 4. Alkuperäisellä ja sävyarvokorjatulla aineistolla estimoidun keskitilavuuden oikeinluokitus 50 m3 ha–1 luokissa. Estimaatti Tilavuusluokka, m3 ha–1 0–50 50–100 100–150 150–200 200–250 250–300 >300 Yhteensä Oikein, % (UA) Alkuperäinen aineisto 0–50 65 9 3 0 0 0 1 78 83,3 50–100 42 23 13 8 2 2 0 90 25,6 100–150 9 21 44 17 5 4 3 103 42,7 150–200 5 10 18 17 12 6 3 71 23,9 200–250 2 4 9 8 9 11 11 54 16,7 250–300 3 1 4 5 12 14 18 57 24,6 >300 0 0 0 2 6 3 3 14 21,4 Yhteensä 126 68 91 57 46 40 39 467 Oikein, % (PA) 51,6 33,8 48,4 29,8 19,6 35,0 7,7 37,5 Sävyarvokorjattu aineisto 0–50 68 7 1 1 1 0 0 78 87,2 50–100 27 21 14 7 3 1 3 76 27,6 100–150 19 29 43 17 8 5 5 126 34,1 150–200 8 4 20 15 11 9 2 69 21,7 200–250 4 6 10 13 11 15 10 69 15,9 250–300 0 1 3 4 10 8 17 43 18,6 >300 0 0 0 0 2 2 2 6 33,3 Yhteensä 126 68 91 57 46 40 39 467 Oikein, % (PA) 54,0 30,9 47,3 26,3 23,9 20,0 5,1 36,0 49 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … Otannan simuloinneissa koko aineiston keskitila- vuuden keskiarvon keskivirhe vaihteli välillä 35,3– 48,2 m3 ha–1 (taulukko 6). Keskivirhe kasvoi hivenen ositemäärän kasvaessa. Suhteellisella kiintiöinnillä saatiin vastaavaa Neyman-kiintiöintiä pienempi keskiarvon keskivirhe kahdeksassa tapauksessa ja Neyman-kiintiöinnillä vastaavaa suhteellista kiin- tiöintiä pienempi neljässä tapauksessa. Ositteiden lukumäärän ollessa 40 tai 50 suhteellisella kiin- tiöinnillä sävyarvokorjatulla ilmakuvamosaiikilla saatiin pienempiä keskivirheitä kuin alkuperäisellä ilmakuvamosaiikilla. Neyman-kiintiöinnillä tilanne oli päinvastoin. Ositteiden lukumäärän ollessa 60 al- kuperäisellä ilmakuvamosaiikilla saatiin pienempiä keskivirheitä kuin sävyarvokorjatulla. Kiintiöintita- valla ei ollut vaikutusta keskivirheeseen. Kun kiin- tiöintitapa ja ositemäärä olivat vakioita, keskivirhe pieneni otoskoon kasvaessa. 5 Tulosten tarkastelu Segmentointiohjelma tuotti ensimmäisessä vaihees- sa sävyarvoiltaan homogeenisia alueita. Relaskooppi koealoihin pohjautuvia maastomittauksia ei näillä segmenteillä olisi voinut toteuttaa niiden pienen pinta-alan vuoksi, joten niitä yhdisteltiin toisiinsa suuremmiksi kokonaisuuksiksi. Yhdistäminen pe- rustettiin vain segmenttien kokoon ja spektriseen samankaltaisuuteen, eikä muotoa sääteleviä para- metreja käytetty. Tämän vuoksi segmenttien muoto oli hyvin vaihteleva (kuva 2), eivätkä kaikki segmen- tit muotonsa vuoksi soveltuneet maastossa mitatta- viksi. Segmentit säilyivät yhdistämisen jälkeenkin spektrisesti homogeenisina ja niiden sävyarvojen ja puustotunnusten korrelaatiot olivat vähintään samaa tasoa kuin aikaisemmissa vastaavissa tutkimuksis- sa (mm. Hagner 1997, Holopainen ja Wang, 1998, Hyvönen 2002). Segmentteihin perustuva maastomittaus todettiin periaatteessa mahdolliseksi tutkimuksen aikana ke- Taulukko 5. Puuston keskitilavuuden keskihajonta (m3 ha–1) segment- tiaineistossa eri ositemäärillä. Ositteita Puuston keskitilavuuden keskihajonta aineistossa Alkuperäinen Sävyarvokorjattu Ei painotusta Pinta-ala-painotus Ei painotusta Pinta-ala-painotus 40 68,4 69,6 67,5 69,1 50 65,9 67,1 67,3 68,9 60 63,4 65,3 65,9 67,9 Taulukko 6. Keskitilavuuden keskivirheet (m3 ha–1) segmenttiaineistossa eri ositemäärillä ja eri otantame- netelmillä. s.e. = keskivirhe, n = segmenttien määrä otannassa, n2suht = otoskoko kussakin ositteessa vähintään kaksi ja suhteellinen kiintiöinti, n1Ney = otoskoko kussakin ositteessa vähintään yksi ja Neyman-kiintiöinti. Ositteiden lukumäärä 40 50 60 Alkuperäinen Sävyarvokorjattu Alkuperäinen Sävyarvokorjattu Alkuperäinen Sävyarvokorjattu s.e. n s.e. n s.e. n s.e. n s.e. n s.e. n n2suht 36,0 109 35,3 110 38,1 115 37,8 115 39,2 128 40,7 125 n2Ney 36,7 113 37,9 111 37,7 119 38,3 120 38,0 136 40,3 132 n1suht 38,6 98 37,0 101 42,5 99 41,3 101 43,6 98 47,9 97 n1Ney 41,7 99 41,4 100 42,8 103 44,1 101 43,1 112 48,5 103 50 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli hitetyn tiedonkeruuohjelmiston avulla. Sen ja käy- tetyn laitteiston avulla pienten ja mutkikkaidenkin segmenttien paikantaminen onnistui nopeasti. Lait- teen suorituskyky oli ohjelmistoon ja käytettyihin aineistoihin suhteutettuna rajallinen, mikä hidasti ohjelman käyttöä, tiedonsiirtoa ja kerättyjen tieto- jen tallennusta. Tämän lisäksi GPS signaalin heik- kous saattoi välillä viivästyttää paikannusta jolloin myös mittaukseen tuli tauko. Koealan mittaukseen käytetty aika oli karkeasti arvioiden lähellä kuvioit- taisen arvioinnin koealan mittauksen aikaa. Yhden koealan mittaukseen käytetty aika voitiin laskea koealatietojen mittauksen yhteydessä tallennetusta kellon ajasta. Sen perusteella segmenteillä, joissa oli mitattu vähintään kaksi peräkkäistä koealaa, oli kes- kimääräinen koealan mittausaika noin 8 minuuttia. Mitattua pinta-alaa aikayksikköä kohti kertyi vähän segmenttien pienuuden takia. Esim. Kankaan ym. (2002) tutkimuksessa, jossa koealoilta mitattiin neljä puustotunnusta, vaihteli koealalla käytetty aika n. 5–13 minuutin välillä. Parhaat tulokset puustotunnusten estimoinnissa saatiin keskipituudelle (RMSE 36,8 %) ja keski- läpimitalle (RMSE 37,6 %). Tulokset olivat hive- nen parempia kuin Tuomisen ja Pekkarisen (2004) koealoihin ja osin samaan aineistoon (A1, A2) pe- rustuneessa tutkimuksessa. Siinä sävyarvojen kor- jaus pienensi keskivirheitä huomattavasti, koska lähimmät naapurit haettiin eri kuvalta kuin millä estimoitava koeala sijaitsi. Tässä työssä sävyarvojen korjaus vaikutti vain pienentämällä harhaa muuta- malla prosenttiyksiköllä. Selvästi erilaiset tulokset johtunevat juuri lähimpien naapurien hausta; tässä työssä hakua ei ollut rajoitettu ja lähimmät naapurit löytyivät todennäköisesti samalta alueelta. Tutkimusalueet sijoitettiin tarkoituksellisesti ilma- kuvien eri osiin ja puustoltaan vaihteleville alueille. Alueiden sisällä sekä välillä olikin suurta vaihtelua sekä puustotunnuksissa että sävyarvoissa (taulukot 1 ja 2). Tämä vaikutti todennäköisesti myös siihen, että tulokset olivat hivenen huonompia kuin aikai- semmissa kuvioihin perustuvissa tutkimuksissa. Esimerkiksi Anttilan (2002) tutkimuksessa keski- tilavuuden keskivirhe oli 44,1 % ja Muinosen ym. (2001) 18–26 %. Molemmissa edellä mainituissa oli myös selvästi laajempi maastoaineisto käytettävis- sä kuin tässä tutkimuksessa, mikä osaltaan selittää paremmat tulokset. Sen sijaan Pekkarisen (2002a) segmentteihin ja koealoihin perustuvassa työssä kokonaistilavuuden keskivirhe oli 56,6 % eli lähes sama kuin tässä tutkimuksessa. Myös tilavuusluokit- tain tarkasteltuna Pekkarisen (2002a) tulokset olivat tämän tutkimuksen kanssa samansuuntaisia. Anttila (2002) havaitsi keskitilavuuden estimoinnin olevan luotettavampaa suurilla kuin pienillä kuvioilla. Tämä voi johtua pienten kuvioiden rajoilla olevien pikseli- en, reunapikselien, suuresta suhteellisesta osuudesta verrattuna kuvion pinta-alaan. Reunapikselit voivat vaikuttaa kuvion sävyarvopiirteisiin voimakkaasti ja sitä kautta estimoinnin luotettavuuteen. Tässä työssä segmenttien keskimääräinen pinta-ala oli 0,35 ha, joten huomattava osa segmenttien pikseleistä oli tyypillisesti reunapikseleitä, mutta niiden vaikutusta estimointiin ei erikseen tutkittu. Sävyarvojen lisäksi monissa tutkimuksissa on käy- tetty kuvapiirteinä erilaisia tekstuuritunnuksia (mm. Hagner 1997, Anttila 2002, Tuominen ja Pekkarinen 2005). Tuominen ja Pekkarinen (2005) havaitsivat ilmakuvalta irrotettujen koealoittaisten sävyarvojen keskiarvojen korreloivan koealan puuston tilavuu- den kanssa paremmin kuin sävyarvojen hajontaa tai järjestyneisyyttä kuvaavien tekstuuritunnusten. Segmenttien homogeenisuusoletuksen vuoksi tässä tutkimuksessa päädyttiin käyttämään sävyarvojen keskiarvoja vaikkakin reunapikseleiden mahdolli- sesti aiheuttama ongelma tiedostettiin. Tämän li- säksi käytettiin sävyarvojen keskihajontoja, koska niiden käytön havaittiin laskevan kokonaistilavuuden suhteellista keskivirhettä 11–17 prosenttiyksikköä käytetystä naapurimäärästä riippuen. On myös huo- mattava, että tekstuuritunnusten laskenta kapeilta ja mutkikkailta segmenteiltä voi tuottaa kohdesegmentille piirteitä naapurisegmenteiltä, mikä osaltaan alentaisi tekstuuritunnusten luotettavuutta. Tekstuuritunnus- ten vaikutusta estimoinnin luotettavuuteen kannattaa kuitenkin tarkastella jatkotutkimuksissa. Segmenttien osittamisessa saatiin samansuuntaisia tuloksia kuin aiemminkin (esim. Pekkarinen ja Tuo- minen, 2003). Ositemäärän kasvaessa 20:stä 50:neen keskitilavuuden keskihajonta pieneni 5–10 m3 ha–1 alueesta ja segmenttien koosta riippuen. Myös tässä tutkimuksessa keskitilavuuden keskihajonta pieneni parhaimmillaan 5 m3 ha–1, kun ositemäärä lisättiin 40:stä 60:neen. Suuremmilla ositemäärillä keski- hajonta olisi todennäköisesti pienentynyt edelleen, kuten kuva 3 osoittaa. Aineiston pienuuden ja simu- 51 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … loinnin testaamisen vuoksi suurempaa ositemäärää ei katsottu järkeväksi käyttää. Suuremmat osite- määrät olisivat laskeneet ositekohtaista segmenttien määrä eikä simulointi olisi antanut realistista kuvaa menetelmän soveltuvuudesta käytäntöön. Segment- tien osituksen lopputulosta voitaisiin todennäköi- sesti parantaa käyttämällä esimerkiksi numeerista maaperäkarttaa ja segmentoimalla sekä osittamalla kivennäismaat ja suot erikseen. Käytännön sovellustilanteen simuloinnissa havait- tiin, että Neyman-kiintiöinnissä tarvittiin enemmän otoksia kuin suhteellisessa kiintiöinnissä. Tämä joh- tui siitä, että Neyman-kiintiöinnissä ositteissa oli edelleen suurta vaihtelua segmenttien sävyarvoissa, mitä tietoa käytettiin otoskoon määrityksessä. Ku- ten edellä on todettu, aineistoon oli haettu vaihtelua todennäköisesti liikaa verrattuna aineiston määrään. Myös segmenttien koon kasvattaminen isommiksi mittausten mahdollistamiseksi lisäsi segmenttien heterogeenisuutta. Koska sekä ositemäärällä että kiintiöintitavalla oli suuri vaikutus keskitilavuuden keskivirheeseen, tulisi näitä osa-alueita tarkastella syvällisemmin. Tarkempi analyysi vaatisi laajempaa aineistoa kuin tässä työssä oli käytettävissä Epäsymmetrisen heijastuksen aiheuttama ilmaku- vien sävyarvojen erilaisuus kuvan eri osissa aihe- uttaa merkittävän ongelman varsinkin osituksen ja estimoinnin kannalta, jotka perustuvat siihen, että samanlaisten metsien tulisi kuvalla näyttää saman- laisilta. Tätä ongelmaa voidaan vähentää käyttämäl- lä tapaukseen soveltuvaa sävyarvojen korjausme- netelmää. Segmentointi ei paikallisena operaationa ole juurikaan herkkä epäsymmetrisen heijastuksen aiheuttamille sävyarvovaihteluille, koska segment- tien koko on hyvin pieni verrattuna tämän ilmiön esiintymismittakaavaan. Segmentoinnin erityisenä ongelmana ovat sen sijaan varjosegmentit. Metsän ja avoimen alueen reunaan varjon puolelle (kuva 2) tai jopa harvan metsän sisälle saattaa muodostua varjosegmenttejä. Sävyarvoiltaan nämä tummat seg- mentit vastaavat vanhoja havumetsiä, mutta niiden puustotiedot voivat olla aivan muuta. Silloinkin, kun varjoalue ei muodosta omaa segmenttiä, suuren puuston aukkoon jättämä varjoalue tulee virheelli- sesti liitetyksi (sävyltään samankaltaiseen) suuren puuston segmenttiin. Nämä segmentit sekoittivat todennäköisesti estimointia ja osittamista. Keinoja varjojen vaikutuksen vähentämiseksi sekä estimoin- tiin että osittamiseen ei tässä työssä selvitetty. Tutkimuksen perusteella segmentteihin perustuva metsävaratiedon kerääminen tarjoaa yhden vaihto- ehdon metsäsuunnitteluun. Kuten johdannossa on todettu, kuviot muodostetaan metsäsuunnittelussa yleensä ajatellen tulevia toimenpiteitä. Segmentit ei- vät yksinään ole toimenpideyksiköiksi sopivia, mut- ta yhdistelemällä vierekkäisiä segmenttejä kulloi- senkin tavoitteen mukaan voidaan muodostaa jous- tavasti sopivia toimenpideyksiköitä. Laiho (2004) teki tämän tutkimuksen osa-aineistolla tarkasteluja mitattujen segmenttien yhdistämiseksi isommiksi alueiksi. Yhdistämistä ohjasivat segmenttien pin- ta-ala, estimoidun puuston pituusero, pääpuulaji ja maapohjatiedot. Yhdistämisen jälkeen segmenttien muodot lähenivät metsäkeskuksen suunnittelijan te- kemää kuviointia. Seuraavissa tarkasteluissa pitäisi selvittää kuinka tulevan toimenpiteen ja sen kiireelli- syyden käyttäminen segmenttien yhdistämisehtoina vaikuttavat toimenpideyksiköiden muodostumiseen. Tällaisessa tarkastelussa segmenttien mittausajan- kohdan toimenpidetarpeet voidaan tuottaa suoraan mitatuista tunnuksista ja tulevaisuuden toimenpide- tarpeet kasvumalleilla ja simulaattorilla. Segmenteittäin toteutettua tulkintaa voidaan il- makuvien lisäksi soveltaa myös muiden kauko- kartoitusaineistojen kanssa. Erityisen kiinnostavaa olisi selvittää kuinka tässä työssä kuvatun kaltainen menetelmä soveltuu yhdistetyn laserkeilaus- ja ilma- kuva-aineiston tulkintaan. Esimerkiksi laserkeilaus- aineistoilla tehdyillä puustotunnusten estimoinneilla on saatu lupaavia tuloksia sekä puutasolla (esim. Holmgren ja Persson 2004, Yu ym. 2004) että koe- ala- ja kuviotasolla (esim. Næsset 1997 ja 2002, Suvanto ym. 2005). Pohjoismaista etenkin Norja, Suomi ja Ruotsi ovat olleet vahvasti mukana lase- raineistoon perustuvassa tutkimustyössä (Næsset ym. 2004). Laseraineistoa käytettäessä segmen- tointi pohjautuisi edelleen ilmakuvan sävyarvoihin mutta sen lisäksi laserkeilausaineistosta saatavaa pituustietoa voitaisiin käyttää yhtenä lisäpiirteenä segmentoinnin tulosten parantamiseksi. Tämä voisi osaltaan pienentää varjojen aiheuttamaa ongelmaa segmenttien muodostamisessa sekä sitä kautta pa- rantaa myös osittamisen luotettavuutta. Puusto- tunnukset voitaisiin tuottaa yhdistettyyn laser- ja ilmakuva-aineistoon perustuen, koska ilmakuvaa tarvitaan aputietona määritettäessä puulajia. 52 Metsätieteen aikakauskirja 1/2007 Tutkimusartikkeli Kiitokset Tämä tutkimus oli osa Metsäntutkimuslaitoksessa Maa- ja metsätalousministeriön yhteistutkimusva- roin toteutettua Metsävaratietojen tuottaminen ja yl- läpito -tutkimushanketta. Kari T. Korhonen vastasi tutkimuksen eteenpäinviemisestä. Segmenttimittaus ten maastotyön tekivät Hannu Koivunen ja Marko Nenonen. Jaakko Heinonen avusti otannan simu- loinnin suunnittelussa. Kaksi esitarkastajaa esittivät asiantuntevia ja hyödyllisiä käsikirjoitusta koskevia kommentteja. Kiitämme edellä mainittuja. Kirjallisuus Anttila, P. 2002. Nonparametric estimation of stand vo- lume using spectral and spatial features of aerial pho- tographs and old inventory data. Canadian Journal of Forest Research 32: 1849–1857. Cochran, W.G. 1977. Sampling techniques. John Wiley & Sons, New York. 428 s. GISnet MapBox v.1.1. 2002. MapLT data format desc- ription. MapSplitter user’s guide. GISnet Solutions Finland, Helsinki. 10 s. Hagner, O. 1997. Textur i flygbilder för skattning av beståndsegenskaper. Sveriges Lantbruksuniversitet, Umeå, Arbetsrapport 29. 34 s. Holmgren, J. & Persson, Å. 2004. Identifying species of individual trees using airborne laser scanner. Remote Sensing of Environment 90(4): 415–423. Holopainen, M & Wang, G. 1998. The calibration of digi- tized aerial photographs for forest stratification. Inter- national Journal of Remote Sensing 19: 677–696. Hyppänen, H. 1996. Spatial autocorrelation and optimal spatial resolution of optical remote sensing data in boreal forest environment. International Journal of Remote Sensing 17(17): 3441–3452. Hyvönen, P. 2002. Kuvioittaisten puustotunnusten ja toi- menpide-ehdotusten estimointi k-lähimmän naapurin menetelmällä Landsat TM -satelliittikuvan, vanhan inventointitiedon ja kuviotason tukiaineiston avulla. Metsätieteen aikakauskirja 3/2002: 363–379. — & Korhonen, K.T. 2003. Metsävaratiedon jatkuva ajan- tasaistus yksityismetsissä. Metsätieteen aikakauskirja 2/2003: 83–96. Kangas, A., Heikkinen, E. & Maltamo, M. 2002. Puus- totunnusten maastoarvioinnin luotettavuus ja ajanme- nekki. Metsätieteen aikakauskirja 3/2002: 425–440. — , Päivinen, R., Holopainen, M. & Maltamo, M. 2003. Metsän mittaus ja kartoitus. Silva Carelica 40. 228 s. Kansallinen metsäohjelma 2010. 1999. Maa- ja metsäta- lousministeriön julkaisuja 2/1999. 38 s. Laasasenaho, J. & Päivinen, R. 1986. Kuvioittaisen arvi- oinnin tarkistamisesta. Folia Forestalia 664. 19 s. Laiho, J. 2004. Ilmakuvalta automaattisesti muodos- tettujen segmenttien soveltuvuus metsäsuunnittelun lähtöaineistoksi. Metsäsuunnittelun ja -ekonomian pro gradu -työ. Joensuun yliopisto, metsätieteellinen tiedekunta. 48 s. + liitteet. MacQueen, J. 1967. Some methods for classification and analysis of multivariate observations. Volume 1 of Proceedings of the Fifth Berkeley Symposium on Mathematical statistics and probability. Berkeley, 1967. University of California Press. s. 281–297. Muinonen, E. & Tokola, T. 1990. An application of remo- te sensing for communal forest inventory. Julkaisussa: The usability of remote sensing for forest inventory and planning. Proceedings from SNS/IUFRO workshop in Umeå 26–28 February 1990. Swedish University of Agricultural Sciences, Remote Sensing Laboratory, Report 4: 35–42. — , Maltamo, M., Hyppänen, H. & Vainikainen, V. 2001. Forest stand characteristics estimation using a most similar neighbor approach and image spatial structure information. Remote Sensing of Environment 78(3): 223–228. Mäkelä, H. & Pekkarinen, A. 2001. Estimation of timber volume at the sample plot level by means of image seg- mentation and Landsat TM imagery. Remote sensing of Environment 77(1): 66–75. Narendra, P. & Goldberg, M. 1980. Image segmentation with directed trees. IEEE Transactions on Pattern Ana- lysis and Machine Intelligency. Pami-2: 185–191. Næsset, E. 1997. Estimating timber volume of forest stands using airborne laser scanner data. Remote Sen- sing of Environment 61(2): 246–253. — 2002. Predicting forest stand chatacteristics with air- borne scanning laser using a practical two-stage pro- cedure and field data. Remote sensing of Environment 80(1): 88–99. — , Gobakken, T., Holmgren, J., Hyyppä, H., Hyyppä, J., Maltamo, M., Nilsson, M., Olsson, H., Persson, Å. & Söderman, U. 2004. Laser scanning of forest resour- ces: the Nordic experience. Scandinavian Journal of 53 Hyvönen, Pekkarinen & Tuominen Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus … Forest Research 19: 482–499. Pekkarinen, A. 2002a. Image segment-based spectral features in the estimation of timber volume. Remote sensing of Environment 82(2–3): 349–359. — 2002b. A method for the segmentation of very high spatial resolution images of forested landscapes. In- ternational Journal of Remote Sensing 23(14): 2817– 2836. — & Tuominen, S. 2003. Stratification of a forest area for multisource forest inventory by means of aerial photo- graphs and image segmentation. Julkaisussa: Corona, P., Köhl, M. & Marchetti, M. (toim.). Advances in forest inventory for sustainable forest management and biodiversity monitoring. Kluwer Academic Publishers, Dordrecht, Netherlands. s. 111–123. Poso, S. 1983. Kuvioittaisen arvioimismenetelmän pe- rusteita. Silva Fennica 17(4): 313–349. — & Kujala, M. 1971. Ryhmitetty ilmakuva- ja maasto- otanta Inarin, Utsjoen ja Enontekiön metsien inven- toinnissa. Folia Forestalia 132. 40 s. Redsven, V., Anola-Pukkila, A., Haara, A., Hirvelä, H., Härkönen, K., Kärkkäinen, L., Lempinen, R., Mui- nonen, E., Nuutinen, T., Salminen, O. & Siitonen, M. 2002. MELA2002 reference manual. Metsäntutkimus- laitos. 590 s. Rosenfield, G.H. & Fitzpatrick-Lins, K. 1986. A coef- ficient of agreement as a measure of thematic classi- fication accuracy. Photogrammetric Engineering and Remote Sensing 52(2): 223–227. Solmu. Metsäsuunnittelun maastotyöopas. 2000. Metsä- talouden kehittämiskeskus Tapio, Helsinki. 82 s. Suvanto, A., Maltamo, M., Packalén, P. & Kangas, J. 2005. Kuviokohtaisten puustotunusten ennustaminen laserkeilauksella. Metsätieteen aikakauskirja 4/2005: 413–428. Tokola, T., Pitkänen, J., Partinen, S. & Muinonen, E. 1996. Point accuracy of a non-parametric method in estimation of forest characteristics with different satel- lite materials. International Journal of Remote Sensing 17(12): 2333–2351. Tomppo, E. 1990. Satellite image based national forest inventory of Finland. Photogrammetric Journal of Fin- land 12(1): 115–120. Torttila, J. 2003. ForestPad käyttöopas v. 1.2. GISnet So- lutions Finland. 21 s. Tuominen, S. & Pekkarinen, A. 2004. Local radiometric correction of digital aerial photographs for multi sour- ce forest inventory. Remote Sensing of Environment 89(1): 72–82. — & Pekkarinen, A. 2005. Performance of different spectral and textural aerial photograph features in multi-source forest inventory. Remote Sensing of En- vironment 94(2): 256–268. — , Holopainen, M. & Poso, S. 2006. Multiphase samp- ling. Julkaisussa: Kangas, A. & Maltamo, M. (toim.). Forest Inventory – methodology and applications. Springer, Netherlands. s. 235–252. Uuttera, J., Hiltunen, J., Rissanen, P., Anttila, P. & Hy- vönen, P. 2002. Uudet kuvioittaisen arvioinnin mene- telmät – arvio soveltuvuudesta yksityismaiden met- säsuunnitteluun. Metsätieteen aikakauskirja 3/2002: 523–531. Yu, X., Hyyppä, J., Kaartinen, H. & Maltamo, M. 2004. Automatic detection of harvested trees and determi- nation of forest growth using airborne laser scanning. Remote Sensing of Environment 90(4): 451–462. 39 viitettä Ilmakuvasegmentteihin perustuvan kaksivaiheisen otannan luotettavuus puustotunnusten ei-parametrisessa estimoinnissa 1 Johdanto 2 Aineisto 2.1 Tutkimusalue 2.2 Kuvamateriaali 2.3 Maastoaineisto 3 Menetelmät 3.1 Ilmakuvien segmentointi 3.2 Puustotunnusten estimointi 3.3 Otannan simulointi 4 Tulokset 4.1 Puustotunnusten estimointi k-nn menetelmällä 4.2 Osittaminen ja otanta 5 Tulosten tarkastelu Kiitokset Kirjallisuus