Metsävaratiedon päivityksen tarkkuuden arviointi

Kansainvälisesti merkittävänä metsiin liittyvänä keskustelunaiheena on jo pitkään ollut ilmastonmuutos sekä metsien hiilensidontakyky. Lisäksi näihin arvoihin on liittynyt vielä olennaisesti metsien ekonominen, kulttuurillinen sekä sosiaalinen arvopohja. Näitä arvoja silmällä pitäen on tärkeää pystyä ylläpitämään metsävaroja kestävällä tasolla kaikkien eri osa-alueiden suhteen. Kestävyyden ylläpitämisen kannalta merkittävässä roolissa on tieto metsien tämänhetkisestä tilasta. Tätä tietoa kerätään metsien inventoinnin avulla ja nykyään se tapahtuu pääosin erilaisilla kaukokartoitusmenetelmillä. Luotettavan päätöksenteon tueksi metsävaratiedon on syytä olla ajantasaista ja tarkkaa. Tutkielman tavoitteena oli verrata eri kaukokartoitusaineistoja puustotunnusten ennustamisessa sekä tutkia kasvumallien tarkkuutta ennusteiden päivittämisessä. Lisäksi tavoitteena oli arvioida kaukokartoitusennusteiden tarkkuuden vaikutuksia hakkuuajankohdan määrittämiseen. Tutkimusalue sijaitsi boreaalisella havumetsävyöhykkeellä Etelä-Suomessa, Evolla (61.19˚N, 25.11˚E). Alue käsitti 5 km x 5 km laajuisen alueen, käsittäen noin 2000 hehtaaria eri tavoin käsiteltyä metsää. Maastossa mitattujen koealatietojen sekä ilmakuvien ja lentolaserkeilausaineistojen avulla muodostettiin puustotunnusennusteet käyttäen aineistoittain kolmea erilaista kaukokartoitusaineistosta johdettua tilastollista piirrettä ennusteiden laatimisessa. Puustotunnuksina olivat puuston tilavuus V, puuston pohjapinta-alalla painotettu läpimitta Dg, puuston pohjapinta-alalla painotettu pituus Hg, puuston runkoluku N sekä puuston pohjapinta-ala G. Puustotunnusten ennustamiseen käytettiin ei-parametrista k-NN-menetelmää ja lähimpien naapureiden valinnassa käytettiin random forest -luokittelualgoritmia. Kasvumallinnus tapahtui SIMO-ohjelmiston avulla. Tuloksista näkyy, että pääsääntöisesti tarkempia tuloksia saadaan lentolaserkeilauksella tuotetuilla ennusteilla verrattaessa ilmakuva-ennusteisiin, lisäksi ennustetarkkuudet olivat parempia havupuilla kuin lehtipuilla. Puustotunnusennusteissa varsinkin puuston pohjapinta-ala G sekä tilavuus V pääsääntöisesti aliarvioituivat, mikä todennäköisesti myöhästyttäisi suunniteltua hakkuuajankohtaa. Kaukokartoitusennusteiden päivittäminen kasvumalleilla vaikuttaisi tuottavan harhaisempia ennusteita verrattuna uuteen kaukokartoitusinventointiin.As an internationally important topic for forestry, climate change has long been a topic of concern, as well as the ability of the forests to accumulate carbon. In addition, in Finland, these values have essentially been associated with the economic, cultural and social value of forests. In view of these values, it is important to be able to maintain forest resources at a sustainable level for all the different sectors. As far as sustainability is concerned, knowing the current state of forests is significant. This information is collected through the inventory of forests, and today it is mainly based on different remote sensing methods. In order to support reliable decisionmaking, forest information needs to be up-to-date and accurate. The aim of the thesis was to examine the accuracy of different tree attribute estimates and compare them between themselves and to investigate the accuracy of growth models in producing the estimates. In addition, the aim was to evaluate the effects of the accuracy of the remote sensing estimates on the determination of the timing harvests. The research area was located in boreal coniferous forest zone in Southern Finland, Evo (61.19˚N, 25.11˚E). The area comprised a 5 km x 5 km area, comprising about 2000 hectares of forest treated in different ways. Field measurements, aerial imagery, and airborne laser scanning data were generated using estimates for forest inventory attributes based on three different statistical features derived from the remote sensing data in the preparation of estimates. The forest inventory attributes were volume V, basal area-weighted mean diameter Dg, basal area-weighted mean height, number of the stems per hectare, and basal area G. In the prediction of the forest inventory attributes a non-parametric k-NN method was used, and random forest -algorithm was used in the selection of the nearest neighbors. Growth modeling was carried out using SIMO software. It can be seen from the results that, as a rule, more accurate results are obtained by producing airborne lasers canning estimates than by aerial imagery estimates. In addition, prediction precisions were better in coniferous trees than in deciduous trees. In forest inventory attribute estimates, especially the basal area G and volume V are generally underestimated, which is likely to delay the scheduled timing of harvests. Updating remote sensing estimates with growth models would appear to yield more biased estimates compared to the new remote sensing inventory