Menetelmää voidaan soveltaa tulevaisuudessa hakkuiden yhteydessä tehtävässä automatisoidussa puuston mittaamisessa ja korjattavien puiden valinnassa sekä katkonnan optimoinnissa.
"Menetelmä mahdollistaa myös metsäekologisessa tutkimuksessa tarvittavien puulajeja ja niiden latvusten kilpailusuhteita koskevien kattavien aineistojen tehokkaan mittaamisen", johtava tutkija Raisa Mäkipää Lukesta kertoo.
Kattavat puumallit uuteen käyttöön
Puulajintunnistuksessa käytetään TTY:llä aiemmin kehitettyä menetelmää, jossa metsikkötason pistepilvidatasta pystytään automaattisesti erottelemaan yksittäiset puut ja rekonstruoimaan latvuksen rakenne kattavina 3D-malleina. Menetelmällä tuotetut puumallit koostuvat peräkkäisistä sylintereistä, jotka määrittävät puun rungon ja oksien rakenteen sekä oksien väliset haarautumissuhteet.
"Aiemmin puu on pystytty jakamaan pistepilvestä karkeasti runkoon ja latvukseen", sanoo tutkimusryhmän jäsen, tutkija Markku Åkerblom TTY:ltä.
"Nyt päästään yksittäisten oksien tasolle ja voidaan analysoida niiden läpimittoihin, tilavuuksiin ja oksakulmiin liittyviä ominaisuuksia."
Tutkijat määrittelivät lajintunnistusta varten 15 luokitteluominaisuutta, joiden arvo laskettiin kullekin puulle. Osa ominaisuuksista on täysin uusia ja osaa on käytetty aiemmissa tutkimuksissa. Uutta on, että nyt niiden arvo pystytään laskemaan tarkemmin ja entistä kattavammasta aineistosta, kun käytössä on tieto puun koko latvuksesta.
Tarkka lajintunnistus mahdollista
Tutkimuksessa testattiin kolmea eri luokittelumenetelmää. Mukana olivat Suomen yleisimmät puulajit koivu, mänty ja kuusi.
"Tulostemme mukaan automaattinen lajintunnistus on mahdollista jopa yli 95 prosentin tarkkuudella", jatkaa Åkerblom.
"Tarkoituksena ei ollut löytää parasta mahdollista ominaisuusyhdistelmää, vaan ainoastaan osoittaa, että tarkkoihin puumalleihin perustuva luokittelu on mahdollista. Useat yhdistelmät kuitenkin tuottivat hyviä tuloksia ja myöskin kaikki luokittelumenetelmät ylsivät yli 95 prosentin tarkkuuden. Tulokset osoittivat myös, että luokittelun opetusaineistoksi riittää vain 30 puuta per laji."
Kehitettyä menetelmää testataan jatkossa useammalla puulajilla ja monimuotoisemmista metsistä saaduilla mittauksilla. Laserkeilausdatasta laskettuja puumalleja on mahdollista tallentaa tietokantaan, jota voidaan näytteiden määrän kasvaessa hyödyntää entistäkin tarkemmassa lajintunnistuksessa.
Automatic tree species recognition with quantitative structure models -tutkimus julkaistiin Remote Sensing of Environment -julkaisussa. Kyseessä on kaukokartoitusalan tunnustettu julkaisu, joka keskittyy luontoon ja ympäristöön liittyviin sovelluksiin.
Juttu, jota on toimitettu hieman, ja video ovat Tampereen teknillisen yliopiston tiedotuksen toimittamia.
