Artikkelin koko teksti on saatavilla vain PDF-formaatissa.

Syed Adnan

Improvements in forest structural type assessment using airborne laser scanning

Adnan S. (2020). Improvements in forest structural type assessment using airborne laser scanning. https://doi.org/10.14214/df.306

Tiivistelmä

Metsien rakennetyyppien (FST) arviointi tarjoaa työkaluja erilaisten metsiköiden erotteluun, kestävään metsäsuunnitteluun ja tehokkaaseen päätöksentekoon. Tässä työssä hyödynnettiin neljää aineistoa kolmelta kasvillisuusvyöhykkeeltä, jotka olivat pohjoinen havumetsävyöhyke, lauhkean vyöhykkeen metsä ja välimerellinen metsä. Rakennetyyppien arvioinnissa tarkasteltiin seuraavia menetelmiä. Puiden kokovaihteluun perustuvaa Gini-kerrointa (GC) hyödynnettiin metsän rakenteen määrittelyyn pohjoisen havumetsävyöhykkeen tutkimusaineistossa. Lisäksi tarkasteltiin koealakoon, puuston kasvatustiheyden ja lentolaserkeilauksen (ALS) pistetiheyden vaikutusta ALS pohjaiseen Gini-kertoimen estimointiin. Toisekseen neljää rakennetunnusta, jotka olivat neliökeskiläpimitta (QMD); GC, keskineliöläpimittaa suurempien puiden pohjapinta-ala (BALM) ja puuston runkoluku (N), hyödynnettiin kehitettäessä kasvillisuusvyöhykkeistä riippumatonta metsien rakennetyyppien arviointia. Lopuksi määritettiin maksimaalinen entropia-arvo, joka luokittelee erilaisia pohjoisen havumetsävyöhykkeen metsien rakennetyyppejä suoraan lentolaserkeilauksen korkeustunnusten perusteella. Sen jälkeen puuston biomassaa ennustettiin erikseen rakennetyypeittäin ja koko aineistossa.

Tulokset osoittivat, että koealan koolla on suurin vaikutus Gini-kertoimen estimointiin ja että 250–450 m2 (ympyräkoealan säde 9–12 m) on optimaalisin koko. Edelleen Gini-kerroin ja keskineliöläpimittaa suurempien puiden pohjapinta-ala ovat luotettavimpia tunnuksia erottelemaan läpimittajakaumaltaan laskevat sekä yksi- ja monihuippuiset metsiköt. Neliökeskiläpimittaa ja runkolukua voidaan puolestaan hyödyntää erotellessa nuoria ja vanhoja sekä tiheitä ja harvoja metsiköitä. Lentolaserkeilaustunnusten perusteella määritettävä maksimaalinen entropia-arvo on 0,33, kun taas hyödynnettäessä puuston pohjapinta-alaa päädytään arvoon 0,5. Jos lentolaserkeilaukseen perustuvaa arvoa hyödynnetään aineiston osittamisessa, johtaa se biomassan ennustamisen vähäiseen tarkentumiseen. Osittamisella päädytään myös erilaisten ALS-piirteiden valintaan eri ositteiden malleissa. Esimerkiksi suuria korkeuskvantiileja käytetään eri-ikäisrakenteisten ja nuorten metsien biomassan ennustamisessa, kun taas latvuspeittoon ja keskimääräisiin korkeuskvantiileihin perustuvia ALS-piirteitä hyödynnetään tasaikäisrakenteisten ja sulkeutuneiden metsiköiden biomassojen ennustamisessa. Tuloksia voidaan hyödyntää lentolaserkeilaukseen perustuvien piirteiden valinnassa erityisesti puustoltaan heterogeenisissä metsissä.

Avainsanat
Gini-kerroin; neliökeskiläpimitta; metsän rakenne; lentolaserkeilaus; suurempien puiden pohjapinta-ala; rakenteellinen heterogeenisyys; koealan koon optimointi; otoskoon optimointi; laserpistetiheyden vaikutukset; puuston biomassa; kasvillisuusvyöhykkeiden metsien rakenne

Tekijä
  • Adnan, University of Eastern Finland, Faculty of Science and Forestry, School of Forest Sciences Sähköposti adnan.adnan@uef.fi (sähköposti)

Julkaistu 5 November 2020

Katselukerrat 1410

Saatavilla https://doi.org/10.14214/df.306 | Lataa PDF

Creative Commons License

Osajulkaisut

Adnan S., Maltamo M., Coomes, D.A., Valbuena R. (2017). Effects of plot size, stand density, and scan density on the relationship between airborne laser scanning metrics and the Gini coefficient of tree size inequality. Canadian Journal of Forest Research 47(12): 1590–1602.

https://doi.org/10.1139/cjfr-2017-0084

Adnan S., Maltamo M., Coomes D.A., García-Abril A., Malhi Y., Manzanera J.A., Butt N., Morecroft M., Valbuena R. (2019). A simple approach to forest structure classification using airborne laser scanning that can be adopted across bioregions. Forest Ecology and Management 433: 111–121.

https://doi.org/10.1016/j.foreco.2018.10.057

Adnan S., Maltamo M., Packalen P., Mehtätalo L., Ammaturo N., Valbuena. R. (2020). Determining maximum entropy in 3D remote sensing height distributions and using it to improve aboveground biomass modelling via stratification. Manuscript.


Rekisteröidy
Click this link to register to Dissertationes Forestales.
Kirjaudu sisään
Jos olet rekisteröitynyt käyttäjä, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta
Valitsemasi artikkelit
Hakutulokset