Hila- ja kuviotason laskennan vaikutus kuvion kokonaistilavuuteen, tallennustilaan ja laskentaaikaan teoreettista läpimittajakaumaa ja runkolukusarjaa käyttämällä

Metsäsuunnittelussa tarvittavan metsävaratiedon keräämisessä ollaan Suomessa siirtymässä kuvioittaisesta arvioinnista laserkeilaus- ja ilmakuvapohjaiseen kaukokartoitukseen. Tämän tutkimuksen tarkoitus oli selvittää kuvion kokonaistilavuuden ja läpimittajakauman ennustamisen tarkkuus koealan metsikkö- ja puustotunnuksista MSN-, PRM-, ML- ja FMM-menetelmiä sekä Weibull-jakaumaa hyödyntäen seuraavilla tavoilla: 1. PRM-menetelmällä hilatasolla, 2. PRMmenetelmällä kuviotasolla, 3. ML-menetelmällä hilatasolla ja 4. ML-menetelmällä kuviotasolla. Lisäksi kuvion kokonaistilavuuden ennustamisen tarkkuus selvitettiin hyödyntäen kuviolle tuotettua runkolukusarjaa. Tulokset laskettiin puulajikohtaisesti männylle, kuuselle, koivulle ja muille puulajeille. Puulajien tulokset laskettiin kuviotasolla yhteen. Lisäksi selvitettiin menetelmien laskenta-ajan ja tallennustilan tarve. Tutkimuksen aineistona käytettiin Hämeen ammattikorkeakoulun Evon toimipisteen metsistä mitattuja kiinteäsäteisiä ympyräkoealoja, joita oli 249 kappaletta. Hakkuukoneella mitattiin 12kuvion, joiden pinta-alat vaihtelivat välillä 0,2 – 1,94 hehtaaria, puustotiedot. Aluepohjaisen laserkeilausaineiston pulssin tiheys oli 1,8/m2 ja ilmakuvien pikselikoko 0,5 metriä. Kuvion kokonaistilavuus ennustettiin tai estimoitiin laserkeilaus- ja ilmakuva-aineiston piirteiden avulla koealojen puustotunnuksista. Tulokset laskettiin erikseen kaikille kuvioille ja kuvioille, joiden pinta-ala oli yli 0,5 hehtaaria. Yli 0,5 hehtaarin kuvioita oli 8 kappaletta. Kuvion hilojen naapureina käytettiin 1 - 10 koealaa. Menetelmästä ja naapurien määrästä riippuen kokonaistilavuuden suhteellinen RMSE ja harha vaihtelivat välillä 20,76 – 52,86 prosenttia ja -12,04 – 46,54 prosenttia. Vastaavat luvut yli 0,5 hehtaarin kuvioilla olivat 6,74 – 59,41 prosenttia ja -8,04 – 49,59 prosenttia. Laskenta-aika vaihteli menetelmien ja käytettyjen naapurien määrän mukaan voimakkaasti. Kehittyneemmällä ohjelmoinnilla ja ohjelmistolla laskenta-ajat voivat laskea merkittävästi. Tallennustila ei testatuilla menetelmillä ole rajoittava tekijä laajassakaan mittakaavassa. Läpimittajakauman perusteella PRM-menetelmä ennustaa puulajille erittäin kapean läpimittajakauman, jos koeala koostuu vain muutamasta lähes samankokoisesta puusta. Tämä vaikutti tuloksiin erityisesti menetelmällä PRM2.

In Finland collation of data needed in forest planning is changing from traditional standwise field inventory to area-based airborne laser scanning and aerial photography inventorying. The aim of this study was to compare prediction accuracy of stand total volume and diameter distribution using following methods: MSN, PRM, ML, FMM and Weibull-distribution. Results were calculated separately for pine, spruce, birch and other tree species. In addition need of calculation time and storage space was established. Sampling plot and stand information used in this study were collected in the vicinity of Evo, Finland. Total of 249 sampling plots were measured. 12 clear-cutting areas measured by logging machine were used as reference data. In addition area-based laser scanning and aerial photographbased features were used in estimation of variables of interest. Results were calculated in all 12 stands and stands which area was over 0,5 hectares (8 pcs). Number of grid neighbours differed between 1 and 10. Depending on method and number of neighbours the relative RMSE and bias of stand total volume varied between 20,76 – 52,86 % and -12,04 – 46,54 % respectively in all stands and between 6,74 – 59,41 % and -8,04 – 49,59 % respectively in stands which area was over 0,5 hectares. Calculation time varied strongly depending on method and number of neighbours. With more developed programming and programs calculation times could decrease substantially. Storage space needed in saving information is not an issue in tested methods even in large-scale applications. According to diameter distribution PRM-method predicts narrow distribution if sampling plot consists of only few trees nearly same size. This affected results especially in PRM2.