Puulajien tunnistus harvasta laserkeilausaineistosta
Belogurov, Andrei (2025-11-13)
Puulajien tunnistus harvasta laserkeilausaineistosta
(13.11.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe20251117108444
https://urn.fi/URN:NBN:fi-fe20251117108444
Tiivistelmä
Tieto metsän puulajeista on tärkeä metsänhoidon suunnittelussa ja metsän biodiversiteetin arvioinnissa. Nykyään puulajien selvittämiseen käytetään yhä useammin kaukokartoitusmenetelmiä. Tämä kirjallisuuskatsaus keskittyy erityisesti laserkeilausaineiston hyödyntämiseen harvan pistetiheyden aineistoissa. Tällaisia aineistoja ovat esimerkiksi laajat kansalliset laserkeilausaineistot, joita maanmittauslaitos tarjoaa.
Tutkielmassa esitellään koneoppimismenetelmiä, joita käytetään puulajien luokitteluun. Tutkielmassa kuvataan mallien kouluttamisvaihe ja esitellään yksittäisistä puista laskettavia piirteitä, jotka kuvaavat puun ominaisuuksia. Lisäksi tutustutaan spektrikuvien käyttöön laserkeilausaineiston tukena, aineiston esikäsittelyyn ennen neuroverkoille syöttämistä ja puiden erotteluun laserkeilausaineistosta.
Tulokset osoittavat, että harvallakin laserkeilausaineistolla voidaan luokitella puita hyvin. Puulajien luokitteluun käytetään erilaisia koneoppimismenetelmiä, kuten lineaarista erotteluanalyysiä, satunnaismetsää, tukivektorikonetta ja syväoppivia neuroverkkoja. Luokittelun tarkkuuteen vaikuttaa ainakin luokiteltavat puulajit, tutkimusalue, mittauksen vuodenaika, laserkeilaimen asetukset, koulutusaineiston koko ja mallin testaustapa. Tämän vuoksi mallien yleistettävyys eri aineistoilla on rajallinen.
Tutkielmassa esitellään koneoppimismenetelmiä, joita käytetään puulajien luokitteluun. Tutkielmassa kuvataan mallien kouluttamisvaihe ja esitellään yksittäisistä puista laskettavia piirteitä, jotka kuvaavat puun ominaisuuksia. Lisäksi tutustutaan spektrikuvien käyttöön laserkeilausaineiston tukena, aineiston esikäsittelyyn ennen neuroverkoille syöttämistä ja puiden erotteluun laserkeilausaineistosta.
Tulokset osoittavat, että harvallakin laserkeilausaineistolla voidaan luokitella puita hyvin. Puulajien luokitteluun käytetään erilaisia koneoppimismenetelmiä, kuten lineaarista erotteluanalyysiä, satunnaismetsää, tukivektorikonetta ja syväoppivia neuroverkkoja. Luokittelun tarkkuuteen vaikuttaa ainakin luokiteltavat puulajit, tutkimusalue, mittauksen vuodenaika, laserkeilaimen asetukset, koulutusaineiston koko ja mallin testaustapa. Tämän vuoksi mallien yleistettävyys eri aineistoilla on rajallinen.