Puiden kuolleisuuden seuraaminen monivuotisten kaukokartoitusaineistojen avulla

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202105122206
Title: Puiden kuolleisuuden seuraaminen monivuotisten kaukokartoitusaineistojen avulla
Author: Kinnunen, Aleksi
Contributor: University of Helsinki, Faculty of Agriculture and Forestry
Publisher: Helsingin yliopisto
Date: 2021
Language: fin
URI: http://urn.fi/URN:NBN:fi:hulib-202105122206
http://hdl.handle.net/10138/329884
Thesis level: master's thesis
Degree program: Metsätieteiden maisteriohjelma
Master's Programme in Forest Sciences
Magisterprogrammet i skogsvetenskaper
Specialisation: Metsien ekologia ja käyttö
Forest Ecology and Management
Skoglig ekologi och resurshushållning
Abstract: Puut kohtaavat yhä moninaisempia terveysuhkia. Ilmastonmuutoksen kokonaisvaikutuksia puihin ja metsiin on vaikea ennustaa. Lämpenevän ilmaston seurauksena kasvukausi pitenee parantaen puuston kasvua, mutta samalla kuivuus- ja hyönteistuhot saattavat yleistyä ja myrskytuhojen riski kasvaa. Puiden kuolleisuuden seurannalla on monia hyötyjä. Sillä voidaan arvioida metsien terveydentilaa, tuottavuutta, hiilensidontaa sekä kuolleiden puiden ekologisia vaikutuksia metsäekosysteemeissä. Puun kuolemaan johtavia syitä voivat olla muun muassa biologiset, ilmastolliset tai ihmiseen liittyvät tekijät. Seuranta voi lisätä ymmärrystä kuolemaan johtavista syistä ja mahdollisesti auttaa metsien paremmassa suojelussa. Puihin liittyvä kuolleisuus on spatiaalisesti ja ajallisesti epäsäännöllinen prosessi, jonka seuraaminen on hankalaa perinteisin inventointimenetelmin. Kaukokartoitus mahdollistaakin puiden kuolleisuuden tehokkaamman kartoittamisen ja seurannan. Tämän tutkielman tarkoituksena oli selvittää, miten kaukokartoitusaineistoja voidaan hyödyntää puiden kuolleisuuden seurannassa. Tavoitteena oli saada selville, miten puiden kuolleisuus on vaihdellut alueellisesti ja määrällisesti Helsingin keskuspuistossa sekä millä tarkkuudella kuolleita puita voidaan tunnistaa ilmakuvilta. Tutkimusjaksoksi valittiin 2005–2019, jonka ajalta tarkasteltiin seitsemän eri vuoden ortoilmakuvia. 15 vuoden ajanjakson kattavalta ilmakuva-aikasarjalta kerättiin visuaalisella kuvatulkinnalla 14 212 puun referenssiaineisto. Aineisto sisälsi terveitä, sairaita sekä kuolleita puita. Sairaiden ja kuolleiden puiden sijainneista luotiin lämpökartta-aikasarjat, joilla tarkasteltiin kuolleisuuden määrällistä ja alueellista vaihtelua. Vuosien keskilämpötiloja sekä sademääriä verrattiin kuolleiden puiden määriin ja tarkasteltiin havaintojen välisiä korrelaatioita. Kerättyä referenssiaineistoa hyödynnettiin myös terveydentilaluokitteluissa, jotka toteutettiin puoliautomaattisilla koneoppimismenetelmillä. Luokitteluissa pyrittiin tunnistamaan terveet, sairaat sekä kuolleet puut mahdollisimman hyvin toisistaan. Yksittäisten puiden latvukset rajattiin laserkeilausaineistosta saaduilla latvussegmenteillä. Rajattujen latvusten sisältämistä pikseleistä laskettiin yksittäisille puille niitä kuvaavia kuvapiirteitä. Puiden kuolleisuudessa havaittiin tapahtuneen huomattavia muutoksia. Tutkimusjakson alussa kuolleiden puiden määrät kasvoivat vuodesta 2005 vuoteen 2009 merkittävästi. Mahdolliseksi syyksi tunnistettiin vuoden 2006 poikkeuksellisen kuiva kesä. Seuraavina vuosina tilanne pysyi maltillisena, mutta määrällisesti sekä alueellisesti laajimmillaan kuolleisuus oli vuonna 2017. Kokonaisuutena kuolleisuudessa oli havaittavissa nouseva trendi tutkimusjakson aikana, ja vuosien keskilämpötilojen havaittiin korreloivan vahvasti kuolleiden puiden määrän kanssa (r=0,73). Puiden terveydentilan luokittelutarkkuudet vaihtelivat vuosittain 89–96 % välillä. Seitsemän vuoden keskiarvotarkkuus oli 93,6 % kappa-arvon ollessa 0,88. Luokittelussa tärkeimmiksi piirteiksi osoittautuivat sinisestä kanavasta lasketut piirteet, kuten kanavan maksimiarvo (B_max), kanavan maksimin ja minimin erotus (B_range) sekä jakauman vinous (B_skew). Tutkielman tulokset osoittivat, että puiden kuolleisuutta voidaan seurata kaukokartoitusaineistoilla. Kuolleiden puiden määrissä havaittiin selkeitä muutoksia aikasarjan avulla ja mahdollisia syitä onnistuttiin tunnistamaan. Tunnistamalla syitä kasvavan kuolleisuuden taustalla voidaan myös ymmärtää paremmin ilmastonmuutoksen vaikutuksia. Puiden terveydentilan luokittelutarkkuudet olivat hyvällä tasolla ja kuolleita puita voidaan kartoittaa ilmakuvilta puoliautomaattisilla menetelmillä. Tutkielman perusteella voidaan perustellusti todeta, että ilmakuva-aikasarjoilla voidaan havainnoida muutoksia puiden kuolleisuudessa. Lisäksi voidaan todeta kuolleiden puiden puoliautomaattisen tunnistamisen ilmakuvilta olevan riittävän tarkkaa laajamittaiseen käyttöön.Trees face an increasing variety of health threats. The overall effects of climate change on trees and forests are difficult to predict. As a result of the warming climate, the growing season is lengthening, improving the growth of the trees, but at the same time drought and insect damages may become more common and the risk of storm damage increases. There are many benefits to monitoring tree mortality. It can be used to assess the health status of forests, productivity, carbon sequestration and the ecological impacts of dead trees on forest ecosystems. Causes leading to tree death can include biological, climatic or human related factors. Monitoring can increase understanding of the causes of death and potentially help to protect forests better. Tree-related mortality is a spatially and temporally irregular process that is difficult to monitor using traditional inventory methods. Remote sensing makes it possible to map and monitor tree mortality more effectively. The purpose of this thesis was to find out how remote sensing data can be utilized in monitoring tree mortality. The aim was to find out how tree mortality has varied regionally and quantitatively in the Central Park of Helsinki and how accurately dead trees can be identified from aerial imagery. The study period was 2005–2019, during which orthophotos of seven different years were examined. Reference data of 14 212 trees were collected from the aerial time series covering a 15-year period by visual image interpretation. The data included healthy, weakened and dead trees. Heatmap time series were created from the locations of weakened and dead trees to examine quantitative and regional variability in mortality. The average temperatures over the years as well as the rainfall were compared with the dead tree numbers and the correlations between the observations were examined. The collected reference data was also utilized in health status classifications, which were implemented using semi-automatic machine learning methods. The object of the classifications was to identify healthy, weakened and dead trees as well as possible from each other. The canopies of individual trees were delimited by canopy segments obtained from laser scanning data. From the pixels contained in the delimited canopies, image features describing individual trees were calculated. Considerable changes in tree mortality were observed. The number of dead trees at the beginning of the study period increased significantly from year 2005 to year 2009. An exceptionally dry summer in 2006 was identified as a possible reason. In the following years, the situation remained moderate, but in quantitative and regional terms, mortality was at its highest in 2017. Overall, there was an upward trend in mortality during the study period, and average annual temperatures were found correlating strongly with the number of dead trees (r=0.73). The classification accuracies of tree health status varied annually between 89–96%. The seven-year average accuracy was 93.6% with a kappa value of 0.88. The most important features in the classification were the features calculated from the blue channel, such as the maximum value of the channel (B_max), the difference between the maximum and minimum of the channel (B_range) and the skewness of the distribution (B_skew). The results of the thesis showed that tree mortality can be monitored using remote sensing data. Clear changes in the number of dead trees were observed using the time series and possible causes were identified. By identifying the causes behind rising mortality, the effects of climate change can also be better understood. Tree health status classification accuracies were at a good level and dead trees can be mapped from aerial imagery by semi-automatic methods. Based on the thesis, it can be rightly stated that changes in tree mortality can be observed with aerial imagery time series. In addition, the semi-automatic identification of dead trees from aerial imagery can be said to be accurate enough for large-scale use.
Subject: Puiden kuolleisuus
kaukokartoitus
ilmastonmuutos
puiden terveys
koneoppiminen
tree mortality
remote sensing
climate change
tree health
machine learning


Files in this item

Total number of downloads: Loading...

Files Size Format View
Kinnunen_Aleksi_tutkielma_2021.pdf 2.530Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record