Männyn (Pinus sylvestris) laatutunnusten estimointitarkkuus maastolaserkeilausaineistosta

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-201507212149
Title: Männyn (Pinus sylvestris) laatutunnusten estimointitarkkuus maastolaserkeilausaineistosta
Author: Joensuu, Marianna
Contributor: University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences
Publisher: Helsingfors universitet
Date: 2014
Language: fin
URI: http://urn.fi/URN:NBN:fi:hulib-201507212149
http://hdl.handle.net/10138/42420
Thesis level: master's thesis
Discipline: Skogsresursvetenskap och -teknologi
Forest Resource Science and Technology
Metsävaratiede ja -teknologia
Abstract: Metsien inventoinnissa pyritään saamaan jatkuvasti tarkempaa tietoa puustosta niin valtakunnan kuin yksityismetsien tasolla. Nykyisellään metsien suunnittelussa laatuominaisuuksia kuvaavia tietoja ei juuri mitata pystypuista, sillä tarkkoihin puustomittauksiin ei ole resurssi- ja kustannussyistä mahdollisuuksia. Tämän tutkimuksen ensimmäisenä päätavoitteena oli selvittää, millä tarkkuudella tukkikokoisen männyn ulkoisesti tarkasteltavia sisäisen puuaineen laatua ennustavia ominaisuuksia pystytään mittaamaan manuaalisella yhden maastolaserkeilausaineiston tarkastelulla. Tarkasteltavia tunnuksia olivat puun pituus, rinnankorkeusläpimitta, yläläpimitta sekä alimman kuivan ja tuoreen oksan korkeudet. Toisena päätavoitteena oli selvittää, millä tarkkuudella rungon yleislaatua kuvaava puuluokka (VMI) voidaan ennustaa maastolaserkeilausaineistosta mitattujen ja niistä johdettujen puutunnusten perusteella. Johdettuja tunnuksia olivat puun tilavuus, latvussuhde, kuivaoksaisen ja oksattoman rungonosan suhde puun pituuteen sekä muotoluku. Ennustamiseen käytettiin lähimmän naapurin menetelmää, missä lähimpien naapurien etsintä suoritettiin Random Forest -menetelmän avulla. Maastolaserkeilausaineiston suhteellinen mittaustarkkuus (RMSE %) referenssinä toimineeseen maastoaineistoon nähden oli pituudella 7,54 % (suhteellinen harha -6,16 %), rinnankorkeusläpimitalla 6,39 % (-2,46 %), yläläpimitalla 10,01 % (0,40 %), alimman tuoreen oksan korkeudella 9,21 % (-5,99 %) ja alimman kuivan oksan korkeudella 34,95 % (-1,47 %). Rungon laatua ilmentävän puuluokan ennustuksessa maastolaserkeilausaineistosta päästiin 78 % ennustustarkkuuteen (5 puuluokkaa). Karkeammalla kolmen puuluokan luokituksella päästiin 87 % ennustustarkkuuteen. Tulosten perusteella voidaan todeta, että laatutunnuksia, kuten oksarajoja voidaan tulkita maastolaserkeilausaineistosta melko hyvällä tarkkuudella. Myös puuluokan ennustaminen onnistuu kohtuullisesti (5 luokkaa) ja karkeammalla luokituksella (3 luokkaa) hyvin. Tässä työssä kuvattua ennustemenetelmää on mahdollista vielä kehittää esimerkiksi maastolaserkeilauksen automaattisen tulkinnan avulla sekä yhdistämällä useita keilausaineistoja tarkasteltavasta kohteesta. Potentiaalisin lähitulevaisuuden käytännön sovellus on, että TLS-aineisto voi toimia referenssinä lentolaserkeilaukselle, sillä tähän tarkoitukseen karkeamman luokituksen tarkkuus vaikuttaa jo varsin lupaavalta.In forest inventories, more and more detailed information about the constantly growing stock is intended to obtain both at national and at private forests level. At present, in forest planning the features describing wood quality are rarely estimated from standing trees since there are limited resources for the precise measurements of the trees due to high expenses. The principal aim of this study was to determine the precision whereby the externally reviewed predictive features of the internal quality of a log-size pine wood can be estimated manually using Terrestrial Laser Scanning (TLS). The examined features were tree height, diameter at breast height, upper diameter as well as the heights of the lowest dead and living branch. The second main objective was to determine the precision whereby the tree class can be predicted based on measured and derived tree attributes. The derived attributes were the volume of the wood, crown ratio, the relation of dead branched and branch free part of the tree to the tree height, and form factor. For forecasting the nearest neighbor method was used where the search for the nearest neighbors was performed using the Random Forest -method. The relative accuracy (RMSE %) of TLS data in relation to the reference field data was found to be 7.54% (bias -6.16%) for the tree height, 6.39% ( -2.46%) for the breast height diameter, 10.01% (0.40%) for the upper diameter, 9.21% ( -5.99%) for the height of the lowest living branch and 34.95% ( -1.47%) for the height of the lowest dead branch. On the prediction of the tree class indicating the stem quality, the TLS data reached 78 % classification accuracy (5 tree classes). With harsher three tree class categorization 87% classification accuracy was reached. Based on the results can be said that quality factors, such as the lowest branches can be measured from the TLS data with reasonably adequate accuracy. Also the prediction of the tree class turns out decently (5 classes) and with harsher categorization (3 classes) well. The forecasting method described in this study can still be improved for example by the automatic interpretation of the laser scanning data, as well as combining several laser scanning points from the examined target. The most potential near future application is that TLS data can work as reference for airborne laser scanning because for this purpose the harsher categorization accuracy seems to be already very promising.
Subject: Terrestrial Laser Scanning
TLS
pine
tree class
prediction of quality
Random Forest
maastolaserkeilaus
mänty
laatu
puuluokka
puuluokan ennustus
Random Forest -menetelmä


Files in this item

Total number of downloads: Loading...

Files Size Format View
ProGradu_JoensuuMarianna.pdf 1.389Mb PDF View/Open

This item appears in the following Collection(s)

Show full item record