Fotogrammetrisen 3D-latvusmallin ja hyperspektriaineiston käyttö aluetason puustotulkinnassa

This is an electronic reprint of the original article. This reprint may differ from the original in pagination and typographic detail. Author(s): Title: Year: Version: Please cite the original version: All material supplied via JYX is protected by copyright and other intellectual property rights, and duplication or sale of all or part of any of the repository collections is not permitted, except that material may be duplicated by you for your research use or educational purposes in electronic or print form. You must obtain permission for any other use. Electronic or print copies may not be offered, whether for sale or otherwise to anyone who is not an authorised user. Fotogrammetrisen 3D-latvusmallin ja hyperspektriaineiston käyttö aluetason puustotulkinnassa Tuominen, Sakari; Balazs, Andras; Honkavaara, Eija; Pölönen, Ilkka; Saari, Heikki; Hakala, Teemu; Viljanen, Niko Tuominen, S., Balazs, A., Honkavaara, E., Pölönen, I., Saari, H., Hakala, T., & Viljanen, N. (2017). Fotogrammetrisen 3D-latvusmallin ja hyperspektriaineiston käyttö aluetason puustotulkinnassa. Metsätieteen Aikakauskirja, 2017. https://doi.org/10.14214/ma.7820 2017 1 Metsätieteen aikakauskirja 2017-7820 Tutkimusseloste https://doi.org/10.14214/ma.7820 http://www.metsatieteenaikakauskirja.fi Käyttölisenssi CC BY-SA 4.0 ISSN 2489-3188 Suomen Metsätieteellinen Seura Sakari Tuominen1, Andras Balazs1, Eija Honkavaara 2, Ilkka Pölönen 3, Heikki Saari 4, Teemu Hakala 2 ja Niko Viljanen 2 Fotogrammetrisen 3D-latvusmallin ja hyperspektriaineiston käyttö aluetason puustotulkinnassa Tuominen S., Balazs A., Honkavaara E., Pölönen I., Saari H., Hakala T., Viljanen N. (2017). Fotogrammetrisen 3D-latvusmallin ja hyperspektriaineiston käyttö aluetason puustotulkinnassa. Metsätieteen aikakauskirja 2017-7820. Tutkimusseloste. 3 s. https://doi.org/10.14214/ma.7820 Yhteystiedot 1 Luonnonvarakeskus (Luke), Talousja yhteiskunta, Helsinki; 2 Maanmittauslaitos, Paikkatietokeskus FGI, Kaukokartoitus ja fotogrammetria, Masala; 3 Jyväskylän yliopisto, Informaatioteknologian tiedekunta, Jyväskylä; 4 Teknologian tutkimuskeskus VTT Oy, Sensing and integration, Espoo Sähköposti [email protected] Hyväksytty 30.10.2017 Seloste artikkelista Tuominen S., Balazs A., Honkavaara E., Pölönen I., Saari H., Hakala T., Viljanen N. (2017). Hyperspectral UAV-imagery and photogrammetric canopy height model in estimating forest stand variables. Silva Fennica vol. 51 no. 5 article id 7721. https://doi. org/10.14214/sf.7721 Metsäsuunnittelun tarpeisiin tehtävässä metsäninventoinnissa on Suomessa siirrytty perinteisestä silmävaraisesta kuvioittaisesta maastoarvioinnista paljolti kaukokartoitukseen perustuvaan puustotulkintaan, jossa lähtötietona käytetään laserkeilauksen tuottamaa 3D-pistepilveä ja vääräväriilmakuvaa. Menetelmällä voidaan tuottaa kuviotasolla tarkkoja estimaatteja puuston määrästä ja dimensiosta, mutta ongelmaksi on jäänyt puulajiosuuksien tunnistaminen, ja lisäksi taimikkokehitysluokissa tarvitaan edelleen arviointia maastossa. Esimerkiksi puulajitulkinnan tarkentamisessa mahdollisia keinoja ovat pistepilviaineiston tiheyden kasvattaminen tai kuva-aineiston radiometrisen resoluution kasvattaminen. Tämän tutkimuksen tavoitteena oli tarkastella korkearesoluutioisen fotogrammetrisen 3D-pistepilven ja korkean radiometrisen resoluution hyperspektrikuvan yhdistelmää aluetason puusto tulkinnassa. Testialueina käytettiin aiemmin Metsäntutkimuslaitoksen perustamia koemetsiköitä Vesijaon tutkimusalueella, joiden sisään rajattiin 298 9 m säteistä ympyräkoealaa puustotulkinnan testausta varten. Koemetsiköt edustivat eri puulajivaltaisuuksia (mänty, kuusi, rauduskoivu ja lehtikuusi) ja kehitysluokkia (nuoresta kasvatusmetsästä uudistuskypsiin), ja niiden puustomäärän vaihtelu oli muutamasta kymmenestä yli tuhanteen kuutiometriin per hehtaari. Koemetsiköt kuvattiin kesäkuussa 2014 Maanmittauslaitoksen Paikkatietokeskuksen UAVmultikopterista käyttäen RGBja hyperspektrikameraa. RGB-kameran kuvia käytettiin fotogrammetrisen 3D-pistepilven tuottamiseen, hyperspektrikameralla tallennettiin 38 sävykanavaa 2 Metsätieteen aikakauskirja 2017-7820 · Tutkimusseloste · Tuominen ym. · Fotogrammetrisen 3D-latvusmallin… aallonpituusalueilta n. 500–900 nm. Tutkimuksessa käytetty UAV-lentolaite ja siihen asennettu sensorikombinaatio on havainnollistettu kuvassa 1. Kuvausajankohtana sääja valaistusolosuhteet vaihtelivat huomattavasti aurinkoisesta pilviseen ja ajoittain sateeseen, minkä johdosta hyperspektrikanavilla testattiin radiometristä kalibrointimenetelmää, jolla eri kuvien pikseliarvot muunnettiin kalibroiduiksi reflektanssi arvoiksi. Fotogrammetrinen pistepilvi muunnettiin latvuspintamalliksi käyttäen Maanmittauslaitoksen laserkeilauksella tuottamaa maaston pintamallia. Puustotulkinnan testauksessa käytetyille ympyräkoealoille irrotettiin latvuspintamallin ja hyperspektriaineiston yhdistelmästä suuri joukko tulkintapiirteitä, jotka koostuivat latvusmallin pisteiden korkeusjakaumaa kuvaavista piirteistä sekä kalibroitujen ja kalibroimattomien hyperspektrikanavien sävyja tekstuuripiirteistä (ml. alkuperäisten kanavien monikanavamuunnokset). Optimaalisen piirreyhdistelmän etsimiseen käytettiin geneettistä algoritmia, jolla haettiin tavoitefunktion mukaista piirreyhdistelmää parhaiden piirteiden periytymisen ja rekombinaatioiden sekä satunnaisen mutatoitumisen kautta. Estimaattorina käytettiin k:n lähimmän naapurin menetelmää. Tavoitefunktiona geneettiselle algoritmille oli estimoitujen puustotunnusten RMSE-arvojen minimoiminen, mikä testattiin kunkin piirreyhdistelmän tuottamien estimaattien ristiinvalidoinnilla. Piirrevalinta tehtiin kahdesta lähtöaineistosta, toisessa oli hyperspektripiirteet irrotettu alkuperäisistä kalibroimattomista kuvista ja toisessa kalibroiduista. Tällä haluttiin testata sävyarvojen kalibroinnin vaikutus puustotunnusten estimointitarkkuuteen. Piirrevalinnassa testattiin lisäksi kahta vaihtoehtoista lähestymistapaa, toisessa haettiin kaikille puustotunnuksille yhteistä piirrevalintaratkaisua, toisessa haettiin kunkin puustotunnuksen ennustamiseen parhaiten sopivaa piirreyhdistelmää. Yhteisessä ratkaisussa eri puustotunnuksia painotettiin siten, että kokonaistilavuuden paino oli 0.3, keskipituuden 0.2 sekä läpimitan (LPM) ja puulajeittaisten tilavuuksien 0.1. Parhaiten puustotunnuksia ennustavilla piirreyhdistelmillä päästiin hyviin tuloksiin; puuston kokonaistilavuuden suhteelliseksi RMSE-arvoksi saatiin 22.7%, ja vastaavat luvut keskipituudelle ja keskiläpimitalle olivat 7.4% ja 14.7%. Kuva-aineiston radiometrisen kalibroinnin hyöty näkyi selvästi varsinkin puulajeittaisten tilavuuksien estimaateissa. Poikkeuksena tästä oli lehtikuusi, mikä todennäköisesti johtui siitä, että maastoaineistossa kaikki lehtikuusikoealat olivat melko tai hyvin suuripuustoisia, jolloin pelkkä 3D-pisteaineisto saattoi riittää yksinään tunnistamaan lehtikuusivaltaiset metsiköt. Yleisesti niissä Kuva 1. Maanmittauslaitoksen Paikkatietokeskuksen UAV-kuvauslaitteisto: Tarot 960 UAV-multikopteri (vasemmalla) ja siihen asennetut RGBja hyperspektrikamera (oikealla). Kuvat: Tapio Huttunen. 3 Metsätieteen aikakauskirja 2017-7820 · Tutkimusseloste · Tuominen ym. · Fotogrammetrisen 3D-latvusmallin… Kuva 2. Puustotunnuksien estimointitarkkuus (läpimitta, pituus, kokonaistilavuus ja tilavuudet puulajeittain) eri piirreyhdistelmillä: kalibroitu/ei-kalibroitu, yhteiset piirteet kaikille tunnuksille, tunnuskohtainen piirrevalinta. tunnuksissa, joiden ennustamisessa suurin paino oli 3D-pisteaineiston piirteillä (kuten läpimitta, pituus ja kokonaistilavuus) kalibrointi ei parantanut estimointitulosta. Puustotunnusten estimoinnissa oli yleisesti ottaen vaikea löytää kaikkien testattujen puustotunnusten estimointiin sopivaa piirreyhdistelmää. Kaikissa puustotunnuksissa parhaan estimointituloksen tuottivat kullekin tunnukselle erikseen haetut kaukokartoituspiirteet. Läpimitan, pituuden ja kokonaistilavuuden osalta kaikille tunnuksille yhteinen piirrevalinta antoi lähes saman estimointitarkkuuden kuin tunnuskohtaiset piirteet. Sen sijaan puulajeittaisissa tilavuuksissa ero yhteisten ja tunnuskohtaisten piirteiden välillä oli suuri. Harvinaisten puulajien ennustamisessa muuttujakohtaisesti valitut piirteet pudottivat estimointivirheen lähes puoleen. Puulajikohtaisia tilavuuksia parhaiten ennustavat piirreyhdistelmät antoivat suhteelliseksi RMSE:ksi männyn tilavuudelle 34.5%, kuuselle 57.2%, lehtikuuselle 45.7% ja lehtipuille 42.0% (Kuva 2).