Tuoreessa tutkimuksessa puulajit tunnistettiin kaukaa oikein monikanavaisen laserkeilauksen ja syväoppimismenetelmien avulla. Maanmittauslaitoksen Paikkatietokeskus FGI:n tutkijoiden kehittämän menetelmän avulla kaukokartoitetut puut voidaan
tunnistaa aiempaa kattavammin ja nopeammin, mikä avaa merkittäviä mahdollisuuksia metsätalouden tuottavuuden ja luonnon monimuotoisuuden seurantaan.
Metsistä saatavalle tarkalle tiedolle on tarvetta. Se tarjoaa metsänomistajille, viranomaisille ja päättäjille keinoja taloudellisesti kannattavampaan ja ekologisesti kestävämpään päätöksentekoon. Osana Suomen Akatemian ja EU:n rahoittamaa tutkimusta Maanmittauslaitoksen Paikkatietokeskus FGI:n tutkijat yhteistyössä useiden yliopistojen tutkijoiden kanssa kehittävät menetelmiä yksittäisten puulajien tunnistamiseen uudella tavalla.
Tuoreessa tieteellisessä artikkelissa esitellyt menetelmät soveltuvat erityisen hyvin korkealaatuisten puulajireferenssiaineistojen tuottamiseen aiempia menetelmiä nopeammin ja kattavammin. Parhaimmillaan puulajien tunnistus onnistui erittäin tiheästä laserkeilausaineistosta, josta syväoppiminen auttoi tunnistamaan 9 puulajia: mänty, koivu, kuusi, haapa, pihlaja, leppä, tammi, lehmus ja vaahtera. Nämä puut tunnistettiin keskimäärin 92 prosentin tarkkuudella. Tunnistustarkkuus parani uuden menetelmän avulla myös harvemmassa aineistossa.
Monikanavaisen laserkeilauksen tarkkuus lähellä ilmakuvien tarkkuutta
– Viimeisen 15 vuoden aikana metsävaratiedon tuotannossa on siirrytty laserkeilaukseen, ilmakuviin ja koealamittauksiin perustuvaan menetelmään. Puulajien tulkinta on kuitenkin tähän saakka ollut haastavaa. Tutkimuksen tulokset olivat osittain odotusten mukaisia, eli monikanavaisen laserkeilauksen puulajitulkinnan tarkkuus on lähellä ilmakuvien tarkkuutta, ja kone- ja syväoppimismenetelmillä tarkkuutta pystytään parantamaan, kertoo professori Markus Holopainen Helsingin yliopistosta.
-Monikanavaisella laserkeilauksella pystytään tunnistamaan metsästä biodiversiteetin ja uudistumisen kannalta keskeiset pienet puut sekä lehtipuulajit ylivoimaisesti aiempia menetelmiä paremmin. Tulokset puulajien tunnistuksessa kannustavat kehittämään menetelmää eteenpäin ja ne tarjoavat mahdollisuuksia skaalata puulajien tunnistusta valtakunnallisesti. toteaa vanhempi tutkija Josef Taher Maanmittauslaitoksen Paikkatietokeskus FGI:stä.
– Maanmittauslaitoksen keräämää laserkeilausaineistoa voidaan käyttää tulevaisuudessa koulutusaineistona syvä- ja koneoppimismalleilla, jotka voidaan kouluttaa ennustamaan puulajit koko Suomen laajuisesti, Taher kertoo.
Tarkka puulajitieto tehostaa metsätaloutta ja monimuotoisuuden suojelua
Metsätalouden ilmasto- ja biodiversiteettitavoitteet edellyttävät entistä tarkempaa tietoa metsien rakenteesta ja lajistosta. Tarkempi puulajitieto auttaa tekemään päätöksiä tiedon pohjalta.
– Taloutta, monimuotoisuutta ja hiilitasetta tulisi tarkastella samanaikaisesti ja huomioida näiden vaikutukset. Puulajitiedon tarkentaminen on yksi tapa päästä entistäkin parempaan päätöksentekoon, kertoo Markus Holopainen.
Kuva: Antero Kukko, Maanmittauslaitos Paikkatietokeskus FGI
Lisätiedot
Vanhempi tutkija, Josef Taher, Maanmittauslaitoksen Paikkatietokeskus FGI etunimi.sukunimi@maanmittauslaitos.fi, +358 50 409 7434
Professori Markus Holopainen, Helsingin yliopisto etunimi.sukunimi@helsinki.fi
Tutkimusta ovat rahoittaneet vuosien varrella Suomen Akatemian ja EU:n ChistEra‑ohjelman hanke 4Map4Health ja Suomen Akatemian hanke HPC Carbon sekä Diversity4Forests‑hanke (Euroopan unionin rahoittama – NextGenerationEU).
Tutkimus on osa Suomen Akatemian UNITE-lippulaivaa, jossa tutkitaan ja kehitetään metsien, ihmisten ja koneiden vuorovaikutusta.