Dissertationes Forestales vol. 2026 no. 391 | 2026

Tarkka puulajien luokittelu on keskeistä metsäsuunnittelussa, biodiversiteetin seurannassa ja ekologisessa tutkimuksessa. Boreaalisten metsien suhteellisen vähäinen puulajimäärä ja yksinkertainen latvusrakenne tarjoavat suotuisat lähtökohdat kaukokartoitukseen perustuvalle puulajitulkinnalle. Puulajin luokittelu on kuitenkin edelleen haastavaa metsien rakenteellisen vaihtelun sekä ekologisesti merkittävien lehtipuulajien, kuten haavan, hajanaisen esiintymisen vuoksi. Tässä väitöskirjassa arvioidaan RGB-, multispektri- ja LiDAR-sensoreilla varustettujen miehittämättömien ilma-alusten mahdollisuuksia puulajiluokittelussa ja keskeisten biodiversiteetti-indikaattorien tunnistamisessa Suomen boreaalisissa metsissä.

Tutkimus perustuu neljään osatutkimukseen, jotka toteutettiin käyttäen erilaisia miehittämättömiä ilma-aluksia ja sensorikokoonpanoja. Aineistot sisälsivät muun muassa helikopteripohjaista RGB-kuva-aineistoa, fotogrammetrisia pistepilviä ja miehittämättömällä ilma-aluksella kerättyä LiDAR-aineistoa. Luokiteltavat puulajit olivat mänty (Pinus sylvestris L.), kuusi (Picea abies (L.) Karst.), koivut (Betula pendula Roth, B. pubescens Ehrh.) ja haapa (Populus tremula L.). Luokitusmenetelminä käytettiin lineaarista erotteluanalyysiä (LDA), tukivektorikoneita (SVM) ja satunnaismetsiä (RF). Luokittelussa hyödynnettiin kohteiden spektriä, rakennetta, tekstuuria ja muotoa kuvaavia piirteitä.

Korkein kokonaisluokittelutarkkuus (95 %) saavutettiin toukokuussa kerätyillä multispektrikuvilla ja käsin rajatuilla latvussegmenteillä. Myös RGB-kuvista johdettuihin pistepilviin perustuva automaattinen segmentointi tuotti hyviä tuloksia: kokonaisluokittelutarkkuus oli 92 % ja kappa-kerroin 0,90. Rakenne- ja spektritietojen yhdistäminen paransi luokittelutuloksia, erityisesti silloin kun aineistot oli kerätty samanaikaisesti. Menetelmät osoittautuivat tehokkaiksi myös ekologisesti merkittävien haapojen ja pystylahopuiden tunnistamisessa. Haavan F1-arvo oli parhaimmillaan 97 %.

Tulokset osoittavat myös, että vuodenaikaisvaihtelu vaikuttaa merkittävästi luokittelutarkkuuteen. Kasvukauden alku tarjoaa parhaat olosuhteet spektriin perustuvalle puulajin luokittelulle. Piirteiden tärkeyttä koskevat analyysit korostivat spektriä, rakennetta ja tekstuuria kuvaavien tietojen yhdistämisen merkitystä luokittelutarkkuuden maksimoimisessa. Vaikka useita sensoreita yhdistävät menetelmät tuottivat korkeimmat tarkkuudet, myös hyvin toteutetut yhden sensorin menetelmät tuottivat luotettavia tuloksia suotuisissa olosuhteissa.

Tämä väitöskirja osoittaa, että miehittämättömiin ilma-aluksiin perustuva kaukokartoitus tarjoaa kustannustehokkaan ja resoluutioltaan korkean vaihtoehdon maastoinventoinneille puulajien luokittelussa ja biodiversiteetin arvioinnissa. Tutkimus esittää joustavia ja käytännön toimintaan soveltuvia työskentelytapoja boreaalisten metsien biodiversiteetin seurantaan. Tulokset myös vahvistavat miehittämättömien ilma-alusten roolia kestävän metsätalouden tukena.

• Kuzmin, University of Eastern Finland, Faculty of Science, Forestry and Technology, School of Forest Sciences https://orcid.org/0000-0001-5066-5535 Sähköposti: anton.kuzmin@uef.fi