Droneista nopea apu metsävarainventointiin ja taimikonhoitosuunnitelmiin

On viileä lokakuun aamu. Ilma on raikas, kostea ja hyvin happirikas. Aurinko piileskelee paksun pilvikerroksen takana, harmaata on. Ruska on enimmäkseen ohi, vain siellä täällä koivuilla on vielä keltaisia lehtiä. Ollaan Vesannon Honkakankaalla, jossa on useita kymmenen Metsäkeskuksen metsäkoealoja. Puustoa on taimikosta varttuneempaankin metsään. Kohta aluetta aletaan kuvaamaan järeällä kuvauskopterilla, dronella.  Samaa aluetta kuvattiin myös lehdellisenä aikana paria kuukautta aikaisemmin.

Kuvauskoptereista on tullut tärkeä työkalu myös metsäalalla. Kopterin avulla saadaan rajatuilla kohteilla joustavasti ja lähes reaaliaikaisesti arvokasta tietoa metsästä, ja oikeilla tulkinnoilla tietoa voidaan hyödyntää esimerkiksi myrskytuhoalueen arviointiin tai metsävarojen tarkennuksiin. Drone-kuvaus tarjoaa myös erinomaista apua metsätilojen hoitotarpeiden kartoittamisessa ja suunnitellussa.

Maaseutu 2.0 hankkeessa yhtenä tulostavoitteena on metsätalouden työkohteiden kartoitusmenetelmien pilotointia; suunnitellaan ja testataan metsätyökohteiden tunnistamista dronen tuottaman kartoitustiedon avulla. Samoin pilotoidaan myös kartoitustiedon hyödyntämistä eri tulkinta- ja analyysiprosesseilla. Tämä on erittäin tärkeä seikka, koska kerätystä tiedosta on loppukäyttäjilleen hyötyä vain, jos se auttaa päätöksentekoaja ohjeistaa tarvittaviin toimenpiteisiin.

Metsänomistajan kenties kallein virhe metsänhoidossa on taimikon ja nuoren metsän hoitamatta jättäminen. Taimikon ja nuoren metsän kuntokartoituksen tekeminen maasta käsin vie kuitenkin paljon resursseja, varsinkin pinta-alan kasvaessa. Lentokoneella tai helikopterilla tehdyllä laserkeilauksella saa erittäin tarkkaa ja laadukasta 3D-infoa metsästä, mutta toimenpide on kallis ja tuloksia joutuu yleensä odottamaan pitkäänkin. Dronejen tuottamat kartoitusaineistot eivät tarkoitukseltaan eivätkä laadultaan ole suoraan verrattavissa laserkeilausaineistoon, mutta oikein tulkittuna tuovat arvokasta apua metsävara-arviointiin ja taimikonhoitoon. Dronet ovat perinteiseen laserkeilaukseen verrattuna selvästi nopeampi ja joustavampi tapa kartoittaa metsä ja metsävarat. Pienehköllä kuluttajatason kuvauskopterillakin saa laadukasta kartoitusmateriaalia nopeasti ja helposti, jopa 20-30 hehtaaria yhdellä akulla, ja järeämmällä kalustolla kartoituspeittävyys kasvaa entisestään.

Vesannon Honkakankaan koealueet (kuva 1) kuvattiin järeällä Videodrone X4S dronella ja Sony A6000 kameralla (resoluutio 24MP) (kuva 2). Kuvausreitti on helppoa määrittää lentosuunnitelmaohjelmalla, vaikka toimistolla. Drone ”haravoi” aluetta edestakaisin melko tiivisti niin, että kuvien päällekkäisyydet ovat riittävän korkeat, yleensä 85% lentosuunnassa ja 75% poikittaissuunnassa.  Suurella päällekkäisyysasteella varmistetaan, että jokainen piste esiintyy riittävän monessa kuvassa ja eri suunnista, mikä taas on edellytys laadukkaalle pistepilvelle, pintamallille ja orthokuvalle. Noin 5 kiloa painavan Videodrone viedään ilmaan käsinohjauksella, ja kun se on riittävän korkealla, sen siirretään automaattimoodiin. Kuin drone palaa lennon jälkeen takaisin lentäjä ottaa sen haltuunsa ja dronella laskeudutaan manuaalisesti. Noin 120 ha:n suuruinen alue jaettiin kolmeen lentoon, jotka suoritettiin kaikkine toimenpiteineen alle kahdessa tunnissa.

Kuva-aineisto käsiteltiin fotogrammetrisella ohjelmalla, jonka perimmäinen tarkoitus on tuottaa pistepilviä. Pistepilvi on joukko datapisteitä, tässä tapauksessa pikseleitä, joissakin määritetyssä koordinaatistossa. Kolmiulotteisessa koordinaatistossa nämä pisteet määritellään tavallisesti X-, Y- ja Z-koordinaateilla, ja ne on usein tarkoitettu edustamaan kohteen ulkoista pintaa. Kuva-aineistolla tuotetulla pistepilvellä saadaan kuvatulta alueelta esim. 3D pinta- tai maastomallin sekä orthomosaiikin. Osalle kohdealueista ajettiin tarkemmat jatkoanalyysit R-ohjelmalla, joiden tuloksena estimoitiin yksittäisille puille erilaisia tunnuksia kuten sijaintikoordinaatit, pituus, latvussegmentointi ja latvuksen läpimitta, puulaji, rungon läpimitta, pohjapinta-ala ja tilavuus. Yksittäisten puiden perusteella laadittiin lisäksi rasterikartat (resoluutio 16×16 metriä), jotka segmentoitiin automaattisella algoritmilla samankaltaisiin kuvioihin, joille yleistettiin yllä mainitut tunnukset. Kuva 3 esittää lähikuvan orthomosaiikista jossa näkyy myös tunnistetut puut lajitietoineen ja latvussegmentointeineen.

Tulokset ovat rohkaisevia. Lajitunnistus onnistuu suomalaisessa metsässä hyvin, ja puiden laskenta-algoritmi onnistuu identifioimaan keskimäärin 80-85% puista yksilöllisesti (kuva 2). Myös puiden pituuksien arviointi kopterikuvaus-aineistoista onnistuu jo kohtuullisen hyvin; Vesannon koealueiden maastossa mitatut pituudet korreloivat hyvin latvusmallilla laskettujen pituuksien kanssa (kuva 4). Latvusläpimitan kautta saadaan myös lajikohtaisesti arvio puunrungon paksuudesta, jolloin voidaan arvioida myös metsävarojen tilavuutta.

Vaikka tulokset ovat kyllä rohkaisevat, niin haasteita on edelleenkin. Yksittäisten puiden tunnistus ja yllämainitut menetelmät onnistuivat parhaiten havuvaltaisissa metsissä; lehtimetsissä ja nuorissa, tiheissä taimikoissa yksittäisten puiden tunnistus orthomosaiikeista tai pintamallista on huomattavasti haastavampi. Lisäksi puunrunkojen läpimitan mittaaminen ilmasta, joko suoraan tai latvuksen läpimitan perusteella, runkotilavuuden arvioimiseksi on myös haasteellista eikä se kyseisillä algoritmeilla aina onnistu riittävän hyvin. Fotogrammetriset menetelmät ja algoritmit kehittyvät kuitenkin nopeasti.

Kuva 1: Honkakankaan kolme lento-alueet orthokuvina sekä Metsäkeskuksen koealat (mustat ympyrät), pohjana Google Maps satelliittikartasto

Kuva 2: Videodrone X4S droneella varustettuna Sony A6000 kameralla

Kuva 3. Lähikuva kohteesta, resoluutio 3 cm/pikseli. Vasemmalla pelkkä orthomosaikki, keskellä latvatunnistus ja puulajiluokitus (vihreä mänty, punainen kuusi, sininen lehtipuu, violetti tunnistamaton) sekä oikealla latvussegmentointi ja puulajiluokitus (oranssi mänty, sininen kuusi, vihreä lehtipuu)

Kuva 4: Koealueiden mitattujen maksimipituuksien verrattuna kuvauskopteriaineiston (UAV) mitattuihin maksimikorkeuksiin. Puuston pituusestimaatit korreloivat hyvin maastomittausten kanssa.

Taimikoista arvokasta tietoa suoraan pistepilvistä

Taimikkojen ja tiheiden, nuorten metsien inventointi hoitotöiden suunnittelua varten on kehitetty myös algoritmeja, jolla metsikön tunnuksia lasketaan pintamallin tai orthomosaiikin sijaan suoraan pistepilvestä. Hankkeessa pilotoitiin kyseiset algoritmit, ja niiden perusteella arvioitiin taimikon tai tiheän puuston kehitysluokkia sekä hoitotarpeen kiireellisyyden. Pistepilviaineistolle tehdään jokaiselle pisteelle maapisteluokitus (maa, puu ym.) ja aineisto rasteroidaan 4x4m tarkkuudella. Algoritmista riippuen, jokaiselle rasterille lasketaan joko korkein arvo tai kaikkien osumien keskiarvo (metrejä maapinnan yläpuolella). Yhdistettynä lajitietoihin, rasterikartta esittää melko tarkasti kuvatun taimikon kehitysluokat ja hoitotarpeet.

Kuva 5: Taimikon (Tn) ja nuoren metsän (02) kehitysluokat ja hoitotarpeet (ilman lajitietoja) Vesannon Honkakankaalla

Esimerkiksi T1 ja T2 vaativat pääsääntöisesti vaiheittaista hoitotyötä eikä niistä yleensä tule energiapuusaantoja. Varttuneen taimikon (T2) viimeisessä harvennusvaiheessa ja väljennyshakkuussa saadaan hiukan energiapuuta. Kun kehitysluokat ja hoitotöiden kiireellisyydet on määritetty halutulle rasteri- eli ruutukoolle, voidaan kehitysluokkiin kytketyt energiapuu saannot ja työmäärät laskea paikkaan ja pinta-alaan sidottuina halutulle kuviolle, metsätilalle tai karttalehdelle. Kehitysluokan rasterikartalla saa siis suoraan tietoa taimikon hoitotarpeista ja suoritettavista toimenpiteistä (kuva 5).

Yksittäisten taimien (T1, T2) ja nuorien puiden (02) tunnistaminen kopterikuvauksella on lisäksi pilotoitu progressiivisilla, vaiheittaisella algoritmiketjulla ja ohjelmallisen taimien tunnistuskokeiluna. Menemättä sen tarkemmin analyyttisiin yksityiskohtiin, algoritmit ”löytävät” pistepilvistä yksittäiset taimet ja puut ja mittaavat niiden maksimikorkeus. Ero edelliseen menetelmään siis se, että taimien/puiden korkeudet määritellään rasterin (esim 4×4 tai 8x8m) sijaan suoraan yksittäisille taimille/puille, eli algoritmit tuottavat tarkempaa tietoa alueen puustosta (Kuvat 6 ja 7).

Kuva 6: Honkakankaan keskimmäisen lentoalueen lähtöpaikka sekä yksi koeala (musta/keltainen ympyrä). Vasemmalla n. 50% suurennus orthokuvasta, oikealla taimien tunnistus kopterikuvauksen pistepilvestä (T1, T2, 02).

Kuva 7. Vasemmalta oikealle: Prosenttijakauma T1, T2 ja 02, Kasvustonkorkeus T1, T2 ja 02 sekä Latvatunnistus, laskettuna yhdelle koealalle (läpimitta 18m, sama koeala kuin kuva 3.

Dronekuvausaineisto yhdistettynä photogrammetriseen tulkintaan ja algoritmien tuoman rasteri- tai puuntunnistuskarttaan ovat erinomainen apu taimikon hoitotöiden suunnitteluun ja toteutukseen niin metsänomistajalle kuin urakoitsijoillekin, ja tulokset voivat olla saatavana nopeallakin aikataululla. Pilotit suoritettiin osana Maaseutu 2.0 hankkeen toimenpidekokonaisuutta.

Tietoa Maaseutu 2.0 hankkeesta

Maaseutu 2.0 -hankkeen tarkoituksena on luonnonvaratietojärjestelmiä hyödyntäviin yhteistoimintakonsepteihin liittyvän tiedon ja osaamisen hankkiminen maa- ja metsätalouden yrittäjyyden aktivoimiseksi sekä osaamisen ja kilpailukyvyn parantamiseksi. Hankkeen avulla pyritään konseptoimaan sekä validoimaan avoimen standardin hyödyntämistä tukevia joustavia työkohteiden kartoitusmenetelmiä sekä kansallisen palveluväylän mukaista, järjestelmäriippumatonta viitearkkitehtuuria hyödyntävien verkko- ja mobiilipalveluiden prototyyppejä, joilla edistetään sekä metsän- ja maatilanhoidon että puunhankinnan kannattavuutta. Hankkeen varsinaisena kohderyhmänä ja hyödynsaajina ovat metsäpalvelu- ja maatilayrittäjät Keski-Suomessa. Hanketta toteuttaa Jyväskylän Ammattikorkeakoulu Oy yhdessä Bitcomp Oy:n, Suomen Metsäkeskuksen ja Metsänhoitoyhdistys Keski-Suomi ry:n kanssa. Hankkeen rahoittajat ovat Keski-Suomen ELY-Keskus, Manner-Suomen maaseudun kehittämisohjelma 2014-2020, MetsäGroup ja Nordkalk OY.

Kirjoittanut: Gilbert Ludwig, Projektipäällikkö, JAMK IT-Instituutti, etunimi.sukunimi@jamk.fi

Lisätietoja tutkimuksesta kiinnostuneille antavat:

• Sanna Härkönen, R&D Manager, Bitcomp Oy, etunimi.sukunimi@bitcomp.fi
• Taisto Kuikka, Asiantuntija, 046 666 1485
• Kalevi Pietikäinen, Asiantuntija, 040 759 9004