{"id":1118,"date":"2018-01-12T12:55:19","date_gmt":"2018-01-12T10:55:19","guid":{"rendered":"http:\/\/blogit.jamk.fi\/tarvaalantarinoita\/?p=1118"},"modified":"2024-02-09T15:08:56","modified_gmt":"2024-02-09T13:08:56","slug":"droneista-nopea-apu-metsavarainventointiin-ja-taimikonhoitosuunnitelmiin","status":"publish","type":"post","link":"https:\/\/blogit.jamk.fi\/tarvaalantarinoita\/2018\/01\/12\/droneista-nopea-apu-metsavarainventointiin-ja-taimikonhoitosuunnitelmiin\/","title":{"rendered":"Droneista nopea apu mets\u00e4varainventointiin ja taimikonhoitosuunnitelmiin"},"content":{"rendered":"

On viile\u00e4 lokakuun aamu. Ilma on raikas, kostea ja hyvin happirikas. Aurinko piileskelee paksun pilvikerroksen takana, harmaata on. Ruska on enimm\u00e4kseen ohi, vain siell\u00e4 t\u00e4\u00e4ll\u00e4 koivuilla on viel\u00e4 keltaisia lehti\u00e4. Ollaan Vesannon Honkakankaalla, jossa on useita kymmenen Mets\u00e4keskuksen mets\u00e4koealoja. Puustoa on taimikosta varttuneempaankin mets\u00e4\u00e4n. Kohta aluetta aletaan kuvaamaan j\u00e4re\u00e4ll\u00e4 kuvauskopterilla, dronella.\u00a0 Samaa aluetta kuvattiin my\u00f6s lehdellisen\u00e4 aikana paria kuukautta aikaisemmin.<\/p>\n

Kuvauskoptereista on tullut t\u00e4rke\u00e4 ty\u00f6kalu my\u00f6s mets\u00e4alalla. Kopterin avulla saadaan rajatuilla kohteilla joustavasti ja l\u00e4hes reaaliaikaisesti arvokasta tietoa mets\u00e4st\u00e4, ja oikeilla tulkinnoilla tietoa voidaan hy\u00f6dynt\u00e4\u00e4 esimerkiksi myrskytuhoalueen arviointiin tai mets\u00e4varojen tarkennuksiin. Drone-kuvaus tarjoaa my\u00f6s erinomaista apua mets\u00e4tilojen hoitotarpeiden kartoittamisessa ja suunnitellussa.<\/p>\n

Maaseutu 2.0 hankkeessa yhten\u00e4 tulostavoitteena on mets\u00e4talouden ty\u00f6kohteiden kartoitusmenetelmien pilotointia; suunnitellaan ja testataan mets\u00e4ty\u00f6kohteiden tunnistamista dronen tuottaman kartoitustiedon avulla. Samoin pilotoidaan my\u00f6s kartoitustiedon hy\u00f6dynt\u00e4mist\u00e4 eri tulkinta- ja analyysiprosesseilla. T\u00e4m\u00e4 on eritt\u00e4in t\u00e4rke\u00e4 seikka, koska ker\u00e4tyst\u00e4 tiedosta on loppuk\u00e4ytt\u00e4jilleen hy\u00f6ty\u00e4 vain, jos se auttaa p\u00e4\u00e4t\u00f6ksentekoaja ohjeistaa tarvittaviin toimenpiteisiin.<\/p>\n

Mets\u00e4nomistajan kenties kallein virhe mets\u00e4nhoidossa on taimikon ja nuoren mets\u00e4n hoitamatta j\u00e4tt\u00e4minen. Taimikon ja nuoren mets\u00e4n kuntokartoituksen tekeminen maasta k\u00e4sin vie kuitenkin paljon resursseja, varsinkin pinta-alan kasvaessa. Lentokoneella tai helikopterilla tehdyll\u00e4 laserkeilauksella saa eritt\u00e4in tarkkaa ja laadukasta 3D-infoa mets\u00e4st\u00e4, mutta toimenpide on kallis ja tuloksia joutuu yleens\u00e4 odottamaan pitk\u00e4\u00e4nkin. Dronejen tuottamat kartoitusaineistot eiv\u00e4t tarkoitukseltaan eiv\u00e4tk\u00e4 laadultaan ole suoraan verrattavissa laserkeilausaineistoon, mutta oikein tulkittuna tuovat arvokasta apua mets\u00e4vara-arviointiin ja taimikonhoitoon. Dronet ovat perinteiseen laserkeilaukseen verrattuna selv\u00e4sti nopeampi ja joustavampi tapa kartoittaa mets\u00e4 ja mets\u00e4varat. Pienehk\u00f6ll\u00e4 kuluttajatason kuvauskopterillakin saa laadukasta kartoitusmateriaalia nopeasti ja helposti, jopa 20-30 hehtaaria yhdell\u00e4 akulla, ja j\u00e4re\u00e4mm\u00e4ll\u00e4 kalustolla kartoituspeitt\u00e4vyys kasvaa entisest\u00e4\u00e4n.<\/p>\n

Vesannon Honkakankaan koealueet (kuva 1) kuvattiin j\u00e4re\u00e4ll\u00e4 Videodrone X4S dronella ja Sony A6000 kameralla (resoluutio 24MP) (kuva 2). Kuvausreitti on helppoa m\u00e4\u00e4ritt\u00e4\u00e4 lentosuunnitelmaohjelmalla, vaikka toimistolla. Drone \u201dharavoi\u201d aluetta edestakaisin melko tiivisti niin, ett\u00e4 kuvien p\u00e4\u00e4llekk\u00e4isyydet ovat riitt\u00e4v\u00e4n korkeat, yleens\u00e4 85% lentosuunnassa ja 75% poikittaissuunnassa.\u00a0 Suurella p\u00e4\u00e4llekk\u00e4isyysasteella varmistetaan, ett\u00e4 jokainen piste esiintyy riitt\u00e4v\u00e4n monessa kuvassa ja eri suunnista, mik\u00e4 taas on edellytys laadukkaalle pistepilvelle, pintamallille ja orthokuvalle. Noin 5 kiloa painavan Videodrone vied\u00e4\u00e4n ilmaan k\u00e4sinohjauksella, ja kun se on riitt\u00e4v\u00e4n korkealla, sen siirret\u00e4\u00e4n automaattimoodiin. Kuin drone palaa lennon j\u00e4lkeen takaisin lent\u00e4j\u00e4 ottaa sen haltuunsa ja dronella laskeudutaan manuaalisesti. Noin 120 ha:n suuruinen alue jaettiin kolmeen lentoon, jotka suoritettiin kaikkine toimenpiteineen alle kahdessa tunnissa.<\/p>\n

Kuva-aineisto k\u00e4siteltiin fotogrammetrisella ohjelmalla, jonka perimm\u00e4inen tarkoitus on tuottaa pistepilvi\u00e4. Pistepilvi on joukko datapisteit\u00e4, t\u00e4ss\u00e4 tapauksessa pikseleit\u00e4, joissakin m\u00e4\u00e4ritetyss\u00e4 koordinaatistossa. Kolmiulotteisessa koordinaatistossa n\u00e4m\u00e4 pisteet m\u00e4\u00e4ritell\u00e4\u00e4n tavallisesti X-, Y- ja Z-koordinaateilla, ja ne on usein tarkoitettu edustamaan kohteen ulkoista pintaa. Kuva-aineistolla tuotetulla pistepilvell\u00e4 saadaan kuvatulta alueelta esim. 3D pinta- tai maastomallin sek\u00e4 orthomosaiikin. Osalle kohdealueista ajettiin tarkemmat jatkoanalyysit R-ohjelmalla, joiden tuloksena estimoitiin yksitt\u00e4isille puille erilaisia tunnuksia kuten sijaintikoordinaatit, pituus, latvussegmentointi ja latvuksen l\u00e4pimitta, puulaji, rungon l\u00e4pimitta, pohjapinta-ala ja tilavuus. Yksitt\u00e4isten puiden perusteella laadittiin lis\u00e4ksi rasterikartat (resoluutio 16×16 metri\u00e4), jotka segmentoitiin automaattisella algoritmilla samankaltaisiin kuvioihin, joille yleistettiin yll\u00e4 mainitut tunnukset. Kuva 3 esitt\u00e4\u00e4 l\u00e4hikuvan orthomosaiikista jossa n\u00e4kyy my\u00f6s tunnistetut puut lajitietoineen ja latvussegmentointeineen.<\/p>\n

Tulokset ovat rohkaisevia. Lajitunnistus onnistuu suomalaisessa mets\u00e4ss\u00e4 hyvin, ja puiden laskenta-algoritmi onnistuu identifioimaan keskim\u00e4\u00e4rin 80-85% puista yksil\u00f6llisesti (kuva 2). My\u00f6s puiden pituuksien arviointi kopterikuvaus-aineistoista onnistuu jo kohtuullisen hyvin; Vesannon koealueiden maastossa mitatut pituudet korreloivat hyvin latvusmallilla laskettujen pituuksien kanssa (kuva 4). Latvusl\u00e4pimitan kautta saadaan my\u00f6s lajikohtaisesti arvio puunrungon paksuudesta, jolloin voidaan arvioida my\u00f6s mets\u00e4varojen tilavuutta.<\/p>\n

Vaikka tulokset ovat kyll\u00e4 rohkaisevat, niin haasteita on edelleenkin. Yksitt\u00e4isten puiden tunnistus ja yll\u00e4mainitut menetelm\u00e4t onnistuivat parhaiten havuvaltaisissa metsiss\u00e4; lehtimetsiss\u00e4 ja nuorissa, tiheiss\u00e4 taimikoissa yksitt\u00e4isten puiden tunnistus orthomosaiikeista tai pintamallista on huomattavasti haastavampi. Lis\u00e4ksi puunrunkojen l\u00e4pimitan mittaaminen ilmasta, joko suoraan tai latvuksen l\u00e4pimitan perusteella, runkotilavuuden arvioimiseksi on my\u00f6s haasteellista eik\u00e4 se kyseisill\u00e4 algoritmeilla aina onnistu riitt\u00e4v\u00e4n hyvin. Fotogrammetriset menetelm\u00e4t ja algoritmit kehittyv\u00e4t kuitenkin nopeasti.<\/p>\n

\"\"<\/a><\/p>\n

Kuva 1: Honkakankaan kolme lento-alueet orthokuvina sek\u00e4 Mets\u00e4keskuksen koealat (mustat ympyr\u00e4t), pohjana Google Maps satelliittikartasto<\/p>\n

\"\"<\/a><\/p>\n

Kuva 2: Videodrone X4S droneella varustettuna Sony A6000 kameralla<\/p>\n

\"\"<\/a><\/p>\n

Kuva 3. L\u00e4hikuva kohteesta, resoluutio 3 cm\/pikseli. Vasemmalla pelkk\u00e4 orthomosaikki, keskell\u00e4 latvatunnistus ja puulajiluokitus (vihre\u00e4 m\u00e4nty, punainen kuusi, sininen lehtipuu, violetti tunnistamaton) sek\u00e4 oikealla latvussegmentointi ja puulajiluokitus (oranssi m\u00e4nty, sininen kuusi, vihre\u00e4 lehtipuu)<\/p>\n

\"\"<\/a><\/p>\n

Kuva 4: Koealueiden mitattujen maksimipituuksien verrattuna kuvauskopteriaineiston (UAV) mitattuihin maksimikorkeuksiin. Puuston pituusestimaatit korreloivat hyvin maastomittausten kanssa.<\/p>\n

Taimikoista arvokasta tietoa suoraan pistepilvist\u00e4<\/h3>\n

Taimikkojen ja tiheiden, nuorten metsien inventointi hoitot\u00f6iden suunnittelua varten on kehitetty my\u00f6s algoritmeja, jolla metsik\u00f6n tunnuksia lasketaan pintamallin tai orthomosaiikin sijaan suoraan pistepilvest\u00e4. Hankkeessa pilotoitiin kyseiset algoritmit, ja niiden perusteella arvioitiin taimikon tai tihe\u00e4n puuston kehitysluokkia sek\u00e4 hoitotarpeen kiireellisyyden. Pistepilviaineistolle tehd\u00e4\u00e4n jokaiselle pisteelle maapisteluokitus (maa, puu ym.) ja aineisto rasteroidaan 4x4m tarkkuudella. Algoritmista riippuen, jokaiselle rasterille lasketaan joko korkein arvo tai kaikkien osumien keskiarvo (metrej\u00e4 maapinnan yl\u00e4puolella). Yhdistettyn\u00e4 lajitietoihin, rasterikartta esitt\u00e4\u00e4 melko tarkasti kuvatun taimikon kehitysluokat ja hoitotarpeet.<\/p>\n

\"\"<\/a><\/p>\n

Kuva 5: Taimikon (Tn) ja nuoren mets\u00e4n (02) kehitysluokat ja hoitotarpeet (ilman lajitietoja) Vesannon Honkakankaalla<\/p>\n

Esimerkiksi T1 ja T2 vaativat p\u00e4\u00e4s\u00e4\u00e4nt\u00f6isesti vaiheittaista hoitoty\u00f6t\u00e4 eik\u00e4 niist\u00e4 yleens\u00e4 tule energiapuusaantoja. Varttuneen taimikon (T2) viimeisess\u00e4 harvennusvaiheessa ja v\u00e4ljennyshakkuussa saadaan hiukan energiapuuta. Kun kehitysluokat ja hoitot\u00f6iden kiireellisyydet on m\u00e4\u00e4ritetty halutulle rasteri- eli ruutukoolle, voidaan kehitysluokkiin kytketyt energiapuu saannot ja ty\u00f6m\u00e4\u00e4r\u00e4t laskea paikkaan ja pinta-alaan sidottuina halutulle kuviolle, mets\u00e4tilalle tai karttalehdelle. Kehitysluokan rasterikartalla saa siis suoraan tietoa taimikon hoitotarpeista ja suoritettavista toimenpiteist\u00e4 (kuva 5).<\/p>\n

Yksitt\u00e4isten taimien (T1, T2) ja nuorien puiden (02) tunnistaminen kopterikuvauksella on lis\u00e4ksi pilotoitu progressiivisilla, vaiheittaisella algoritmiketjulla ja ohjelmallisen taimien tunnistuskokeiluna. Menem\u00e4tt\u00e4 sen tarkemmin analyyttisiin yksityiskohtiin, algoritmit \u201dl\u00f6yt\u00e4v\u00e4t\u201d pistepilvist\u00e4 yksitt\u00e4iset taimet ja puut ja mittaavat niiden maksimikorkeus. Ero edelliseen menetelm\u00e4\u00e4n siis se, ett\u00e4 taimien\/puiden korkeudet m\u00e4\u00e4ritell\u00e4\u00e4n rasterin (esim 4×4 tai 8x8m) sijaan suoraan yksitt\u00e4isille taimille\/puille, eli algoritmit tuottavat tarkempaa tietoa alueen puustosta (Kuvat 6 ja 7).<\/p>\n

\"\"<\/a><\/p>\n

Kuva 6: Honkakankaan keskimm\u00e4isen lentoalueen l\u00e4ht\u00f6paikka sek\u00e4 yksi koeala (musta\/keltainen ympyr\u00e4). Vasemmalla n. 50% suurennus orthokuvasta, oikealla taimien tunnistus kopterikuvauksen pistepilvest\u00e4 (T1, T2, 02).<\/p>\n

\"\"<\/a><\/p>\n

Kuva 7. Vasemmalta oikealle: Prosenttijakauma T1, T2 ja 02, Kasvustonkorkeus T1, T2 ja 02 sek\u00e4 Latvatunnistus, laskettuna yhdelle koealalle (l\u00e4pimitta 18m, sama koeala kuin kuva 3.<\/p>\n

Dronekuvausaineisto yhdistettyn\u00e4 photogrammetriseen tulkintaan ja algoritmien tuoman rasteri- tai puuntunnistuskarttaan ovat erinomainen apu taimikon hoitot\u00f6iden suunnitteluun ja toteutukseen niin mets\u00e4nomistajalle kuin urakoitsijoillekin, ja tulokset voivat olla saatavana nopeallakin aikataululla. Pilotit suoritettiin osana Maaseutu 2.0 hankkeen toimenpidekokonaisuutta.<\/p>\n

Tietoa Maaseutu 2.0 hankkeesta<\/h3>\n

Maaseutu 2.0 -hankkeen tarkoituksena on luonnonvaratietoj\u00e4rjestelmi\u00e4 hy\u00f6dynt\u00e4viin yhteistoimintakonsepteihin liittyv\u00e4n tiedon ja osaamisen hankkiminen maa- ja mets\u00e4talouden yritt\u00e4jyyden aktivoimiseksi sek\u00e4 osaamisen ja kilpailukyvyn parantamiseksi. Hankkeen avulla pyrit\u00e4\u00e4n konseptoimaan sek\u00e4 validoimaan avoimen standardin hy\u00f6dynt\u00e4mist\u00e4 tukevia joustavia ty\u00f6kohteiden kartoitusmenetelmi\u00e4 sek\u00e4 kansallisen palveluv\u00e4yl\u00e4n mukaista, j\u00e4rjestelm\u00e4riippumatonta viitearkkitehtuuria hy\u00f6dynt\u00e4vien verkko- ja mobiilipalveluiden prototyyppej\u00e4, joilla edistet\u00e4\u00e4n sek\u00e4 mets\u00e4n- ja maatilanhoidon ett\u00e4 puunhankinnan kannattavuutta. Hankkeen varsinaisena kohderyhm\u00e4n\u00e4 ja hy\u00f6dynsaajina ovat mets\u00e4palvelu- ja maatilayritt\u00e4j\u00e4t Keski-Suomessa. Hanketta toteuttaa Jyv\u00e4skyl\u00e4n Ammattikorkeakoulu Oy yhdess\u00e4 Bitcomp Oy:n, Suomen Mets\u00e4keskuksen ja Mets\u00e4nhoitoyhdistys Keski-Suomi ry:n kanssa. Hankkeen rahoittajat ovat Keski-Suomen ELY-Keskus, Manner-Suomen maaseudun kehitt\u00e4misohjelma 2014-2020, Mets\u00e4Group ja Nordkalk OY.<\/p>\n

Kirjoittanut: Gilbert Ludwig, Projektip\u00e4\u00e4llikk\u00f6, JAMK IT-Instituutti, etunimi.sukunimi@jamk.fi<\/em><\/p>\n

Lis\u00e4tietoja tutkimuksesta kiinnostuneille antavat:<\/p>\n