Alikasvoksen mittaus ja kartoitus laserkeilauksella

Tasaikäisen metsän alle muodostuvilla alikasvoksilla on merkitystä puunkorjuun, metsänuudistamisen, näkemä-ja maisema-analyysien sekä biodiversiteetin ja hiilitaseen arvioinnin kannalta. Ilma-aluksista tehtävä laserkeilaus on osoittautunut tehokkaaksi kaukokartoitusmenetelmäksi varttuneiden puustojen mittauksessa. Laserkeilauksen käyttöönotto operatiivisessa metsäsuunnittelussa mahdollistaa aiempaa tarkemman tiedon tuottamisen alikasvoksista, mikäli alikasvoksen ominaisuuksia voidaan tulkita laseraineistoista. Tässä työssä käytettiin tarkasti mitattuja maastokoealoja ja kaikulaserkeilausaineistoja (discrete return LiDAR) usealta vuodelta (1–2 km lentokorkeus, 0,9–9,7 pulssia m-2). Laserkeilausaineistot oli hankittu Optech ALTM3100 ja Leica ALS50-II sensoreilla. Koealat edustavat suomalaisia tasaikäisiä männiköitä eri kehitysvaiheissa. Tutkimuskysymykset olivat: 1) Minkälainen on alikasvoksesta saatu lasersignaali yksittäisen pulssin tasolla ja mitkä tekijät signaaliin vaikuttavat? 2) Mikä on käytännön sovelluksissa hyödynnettävien aluepohjaisten laserpiirteiden selitysvoima alikasvospuuston ominaisuuksien ennustamisessa? Erityisesti haluttiin selvittää, miten laserpulssin energiahäviöt ylempiin latvuskerroksiin vaikuttavat saatuun signaaliin, ja voidaanko laserkaikujen intensiteetille tehdä energiahäviöiden korjaus. Puulajien väliset erot laserkaiun intensiteetissä olivat pieniä ja vaihtelivat keilauksesta toiseen. Intensiteetin käyttömahdollisuudet alikasvoksen puulajin tulkinnassa ovat siten hyvin rajoittuneet. Energiahäviöt ylempiin latvuskerroksiin aiheuttivat alikasvoksesta saatuun lasersignaaliin kohinaa. Energiahäviöiden korjaus tehtiin alikasvoksesta saaduille laserpulssin 2. ja 3. kaiuille. Korjauksen avulla pystyttiin pienentämään kohteen sisäistä intensiteetin hajontaa ja parantamaan kohteiden luokittelutarkkuutta alikasvoskerroksessa. Käytettäessä 2. kaikuja oikeinluokitusprosentti luokituksessa maan ja yleisimmän puulajin välillä oli ennen korjausta 49,2–54,9 % ja korjauksen jälkeen 57,3–62,0 %. Vastaavat kappa-arvot olivat 0,03–0,13 ja 0,10–0,22. Tärkein energiahäviöitä selittävä tekijä oli pulssista saatujen aikaisempien kaikujen intensiteetti, mutta hieman merkitystä oli myös pulssin leikkausgeometrialla ylemmän latvuskerroksen puiden kanssa. Myös 3. kaiuilla luokitustarkkuus parani. Puulajien välillä havaittiin eroja siinä, kuinka herkästi ne tuottavat kaiun laserpulssin osuessa puuhun. Kuusi tuotti kaiun suuremmalla todennäköisyydellä kuin lehtipuut. Erityisen selvä tämä ero oli pulsseilla, joissa oli energiahäviöitä. Laserkaikujen korkeusjakaumapiirteet voivat siten olla riippuvaisia puulajista. Sensorien välillä havaittiin selviä eroja intensiteettijakaumissa, mikä vaikeuttaa eri sensoreilla hankittujen aineistojen yhdistämistä. Myös kaiun todennäköisyydet erosivat jonkin verran sensorien välillä, mikä aiheutti pieniä eroavaisuuksia kaikujen korkeusjakaumiin. Aluepohjaisista laserpiirteistä löydettiin alikasvoksen runkolukua ja keskipituutta hyvin selittäviä piirteitä, kun rajoitettiin tarkastelu yli 1 m pituisiin puihin. Piirteiden selitysvoima oli parempi runkoluvulle kuin keskipituudelle. Selitysvoima ei merkittävästi alentunut pulssitiheyden pienentyessä, mikä on hyvä asia käytännön sovelluksia ajatellen. Lehtipuun osuutta ei pystytty selittämään. Tulosten perusteella kaikulaserkeilausta voi olla mahdollista hyödyntää esimerkiksi ennakkoraivaustarpeen arvioinnissa. Sen sijaan alikasvoksen tarkempi luokittelu (esim. puulajitulkinta) voi olla vaikeaa. Kaikkein pienimpiä alikasvospuita ei pystytä havaitsemaan. Lisää tutkimuksia tarvitaan tulosten yleistämiseksi erilaisiin metsiköihin.

Understory trees often emerging beneath dominant tree layer in even-aged stands have significance for timber harvesting operations, forest regeneration, landscape and visibility analysis, biodiversity and carbon balance. Airborne laser scanning (ALS) has proven to be an efficient remote sensing method in inventory of mature forest stands. Recent introduction of ALS to operational forest inventory systems could potentially enable cost-efficient acquisition of information on understory tree layer. In this study, accurate field reference and discrete return LiDAR data (1–2 km flying altitude, 0.9–9.7 pulses m-2) were used. The LiDAR data were obtained with Optech ALTM3100 and Leica ALS50-II sensors. The field reference plots represented typical commercially managed, even-aged pine stands in different developmental stages. Aims of the study were 1) to study the LiDAR signal from understory trees at pulse level and the factors affecting the signal, and 2) to explore what is the explanatory power of area-based LiDAR features in predicting the properties of understory tree layer. Special attention was paid in studying the effect of transmission losses to upper canopy layers on the obtained signal and possibilities to make compensations for transmission losses to the LiDAR return intensity. Differences in intensity between understory tree species were small and varied between data sets. Thus, intensity is of little use in tree species classification. Transmission losses increased noise in intensity observations from understory tree layer. Compensations for transmission losses were made to the 2nd and 3rd return data. The compensations decreased intensity variation within targets and improved classification accuracy between targets. In classification between ground and most abundant understory tree species using 2nd return data, overall classification accuracies were 49.2–54.9 % and 57.3–62.0 %, and kappa values 0.03–0.13 and 0.10–0.22, before and after compensations, respectively. The classification accuracy improved also in 3rd return data. The most important variable explaining the transmission losses was the intensity from previous echoes and pulse intersection geometry with upper canopy layer had a minor effect. The probability of getting an echo from an understory tree was studied, and differences between tree species were observed. Spruce produced an echo with a greater probability than broadleaved trees. If the pulse was subject to transmission losses, the differences were increased. The results imply that area-based LiDAR height distribution metrics could depend on tree species. There were differences in intensity data between sensors, which are a problem if multiple LiDAR data sets are used in inventory systems. Also the echo probabilities differed between sensors, which caused minor changes in LiDAR height distribution metrics. Area-based predictors for stem number and mean height of understory trees were detected if trees with height < 1 m were not included. In general, predictions for stem number were more accurate than for mean height. Explanatory power of the studied features did not markedly decrease with decreasing pulse density, which is important for practical applications. Proportion of broadleaved trees could not be predicted. As a conclusion, discrete return LiDAR data could be utilized e.g. in detecting the need for initial clearings before harvesting operations. However, accurate characterization of understory trees (e.g. detection of tree species) or detection of the smallest seedlings seems to be out of reach. Additional research is needed to generalize the results to different forests.