Kone näkee nyt metsän puut ja pystyy tunnistamaan puulajit automaattisesti

Kone näkee nyt metsän puut ja pystyy tunnistamaan puulajit automaattisesti

Tampereen teknillisen yliopiston matematiikan laboratorion ja Luonnonvarakeskuksen (Luke) yhteistutkimuksessa kehitettiin uusi menetelmä puulajien tunnistamiseen laserkeilausaineistosta. Sen avulla on mahdollista laskea luokitteluominaisuuksia täysin automaattisesti.

19.01.2017

Menetelmää voidaan soveltaa tulevaisuudessa hakkuiden yhteydessä tehtävässä automatisoidussa puuston mittaamisessa ja korjattavien puiden valinnassa sekä katkonnan optimoinnissa.  

"Menetelmä mahdollistaa myös metsäekologisessa tutkimuksessa tarvittavien puulajeja ja niiden latvusten kilpailusuhteita koskevien kattavien aineistojen tehokkaan mittaamisen", johtava tutkija Raisa Mäkipää Lukesta kertoo.

Kattavat puumallit uuteen käyttöön

Puulajintunnistuksessa käytetään TTY:llä aiemmin kehitettyä menetelmää, jossa metsikkötason pistepilvidatasta pystytään automaattisesti erottelemaan yksittäiset puut ja rekonstruoimaan latvuksen rakenne kattavina 3D-malleina. Menetelmällä tuotetut puumallit koostuvat peräkkäisistä sylintereistä, jotka määrittävät puun rungon ja oksien rakenteen sekä oksien väliset haarautumissuhteet.

"Aiemmin puu on pystytty jakamaan pistepilvestä karkeasti runkoon ja latvukseen", sanoo tutkimusryhmän jäsen, tutkija Markku Åkerblom TTY:ltä. 

"Nyt päästään yksittäisten oksien tasolle ja voidaan analysoida niiden läpimittoihin, tilavuuksiin ja oksakulmiin liittyviä ominaisuuksia."

Tutkijat määrittelivät lajintunnistusta varten 15 luokitteluominaisuutta, joiden arvo laskettiin kullekin puulle. Osa ominaisuuksista on täysin uusia ja osaa on käytetty aiemmissa tutkimuksissa. Uutta on, että nyt niiden arvo pystytään laskemaan tarkemmin ja entistä kattavammasta aineistosta, kun käytössä on tieto puun koko latvuksesta.

Tarkka lajintunnistus mahdollista

Tutkimuksessa testattiin kolmea eri luokittelumenetelmää. Mukana olivat Suomen yleisimmät puulajit koivu, mänty ja kuusi.

"Tulostemme mukaan automaattinen lajintunnistus on mahdollista jopa yli 95 prosentin tarkkuudella", jatkaa Åkerblom. 

"Tarkoituksena ei ollut löytää parasta mahdollista ominaisuusyhdistelmää, vaan ainoastaan osoittaa, että tarkkoihin puumalleihin perustuva luokittelu on mahdollista. Useat yhdistelmät kuitenkin tuottivat hyviä tuloksia ja myöskin kaikki luokittelumenetelmät ylsivät yli 95 prosentin tarkkuuden. Tulokset osoittivat myös, että luokittelun opetusaineistoksi riittää vain 30 puuta per laji." 

Kehitettyä menetelmää testataan jatkossa useammalla puulajilla ja monimuotoisemmista metsistä saaduilla mittauksilla. Laserkeilausdatasta laskettuja puumalleja on mahdollista tallentaa tietokantaan, jota voidaan näytteiden määrän kasvaessa hyödyntää entistäkin tarkemmassa lajintunnistuksessa.

Automatic tree species recognition with quantitative structure models -tutkimus julkaistiin Remote Sensing of Environment -julkaisussa. Kyseessä on kaukokartoitusalan tunnustettu julkaisu, joka keskittyy luontoon ja ympäristöön liittyviin sovelluksiin.

Juttu, jota on toimitettu hieman, ja video ovat Tampereen teknillisen yliopiston tiedotuksen toimittamia.

Yllättävä tieto: Suomen metsät ovat luultua nuorempia

Tuoreen tutkimuksen mukaan Suomen metsät ovat selvästi nuorempia kuin on yleisesti arvioitu. Virhearvion syynä on puiden alkuvaiheen kasvuun kuluneen ajan kuvaaminen vanhojen aineistojen pohjalta. 

Vanhassa tutkimusaineistossa puiden alkuvaiheen kehitykseen kulunut aika eli ikälisäys on yliarvioitu.

“Käytössä oleva ikälisäys perustuu Yrjö Ilvessalon 1920–1940-lukujen tutkimuksiin, ja niiden pohjalta tehty ikälisäystaulukko pohjautuu suurelta osin luontaisesti uudistettuihin harsintarakenteisiin metsiin”, kertoo tutkija Jouni Siipilehto tutkimuksen tehneestä Luonnonvarakeskuksesta.

​Tutkimuksen perusteella kehitetty uusi talousmetsien ikälisäysmalli pohjautuu 1970─80-luvuilla perustettuihin kokeisiin. Niiden puusto on syntynyt luontaisen uudistamisen ja metsänviljelyn avulla.

GrafiikkaMetsikön todellisen iän arviossa nyt käytettävä ikälisäys ja uusi talousmetsien ikälisäys riippuu ns. lämpösummasta, joka puolestaan riippuu maantieteellisestä sijainnista. Oikealla olevassa näiden eroa osoittavassa kuvaajassa lämpösumma 1350 °Cvrk vastaa Hangon ja 750 °Cvrk Sodankylän leveyspiirejä; pohjoisessa metsät ovat siis "enemmän nuorempia" kuin on oletettu.

“Uuden mallin ennustama ikälisäys on vanhaa ikälisäystä pienempi koko Suomessa siten, että Etelä-Suomessa ero on vain vuodesta muutamaan vuoteen, mutta Lapin metsät ovat jopa yli kymmenen vuotta nuorempia”.

Uuden mallin kehittämisen taustalla on talousmetsien taimikoiden kasvun nopeutuminen viimeisten vuosikymmenien aikana muun muassa metsänuudistamisen menetelmien kehittymisen myötä.

Kuva: Puiden ikä määritetään rinnankorkeudelta (1,3 m) ontolla puuporalla kairatusta vuosilustonäytteestä (siis vuosirenkaista), johon lisätään rinnankorkeuden saavuttamiseen kuluva aika eli ikälisäys. Ikälisäys on siis arvio puiden alkuvaiheen kasvuun kuluneesta ajasta.

Uusi ikälisäysmalli soveltuu hoidettuihin talousmetsiin

Suurin osa suomalaisista metsistä on hoidettuja talousmetsiä, joissa uusi ikälisäysmalli tulisi ottaa yleisesti käyttöön.

“Talousmetsien ikälisäysmallin ulkopuolelle tulee rajata eri-ikäisrakenteiset metsät ja vanhat luonnontilaiset metsät esimerkiksi kansallispuistoissa, joissa metsän uudistuminen valtapuuston alle on edelleen hidasta”, kertoo Siipilehto.

Talousmetsien ikälisäykset on julkaistu taulukkoina ja regressiomallina Metsätieteen aikakauskirjassa 2/2015.

Artikkeli perustuu Luonnovarakeskuksen lähettämään tiedotteeseen.
Otsikkokuva: Flickr/Janne (CC)

Tässä on metsän jokainen puu

Kun metsäntutkijat ja kartoittajat kiertelevät maastossa, he saavat raittiin ulkoilman lisäksi paljon tarkkaa tietoa metsistä, niiden puista ja koko kasvustosta. 

Mutta hekään eivät pääse yhtä tarkkaan tietoon kuin Tampereen teknillisen yliopiston 3D-kartoittajat. Heidän tekniikallaan pystytään luomaan kolmiulotteinen malli metsän jokaisesta yksittäisestä puusta. Entistä tarkempi tieto siitä, millaisia puita Suomen metsissä kasvaa, helpottaa metsänhoidon suunnittelua ja parantaa metsäteollisuuden kustannustehokkuutta.


Suomessa metsät ovat merkittävä luonnonvara, ja ne kasvavat yli 100 miljoonaa kuutiota vuodessa. Jos me tiedämme tarkasti millaista puuta metsissämme kasvaa, voimme tehostaa metsänhoitoa ja tehdä tarkempaan tietoon perustuvia päätöksiä puuvarojen käytöstä.

TTY:n matematiikan laitoksella on kehitetty uusi metsien 3D-mallinnusmenetelmä. Sen avulla pystytään nopeasti tuottamaan valtava määrä yksityiskohtaista, metsänomistajille ja metsäteollisuudelle rahan arvoista tietoa metsän jokaisesta yksittäisestä puusta. 

Tarkka, kolmiulotteinen malli jokaisesta puusta

Puiden mallinnuksessa käytetään hyväksi laserskannauksella kerättyä dataa. Metsässä tuhannet puut laserkeilataan kymmenistä eri paikoista kameran kaltaisella laitteella, jonka pyörivä peili heijastaa lasersäteitä. Jokaisesta puusta kertyy miljoonia pikseleitä mittauspistedataa, joista muodostuva pistepilvi käsitellään digitaalisesti. Ensimmäistä kertaa pistepilvestä voidaan nyt tehdä kolmiulotteinen rakennemalli jokaiselle puulle. Se kertoo tarkasti millaista puumateriaalia metsässä on, ja mihin tarkoitukseen sitä voi käyttää.

"Kyseessä on ensimmäinen operatiivisesti tehokas, teollisessa mittakaavassa toimiva 3D-mallinnus", kertoo professori Mikko Kaasalainen matematiikan laitoksen inversio-ongelmien tutkimusryhmästä

"Kukaan muu maailmassa ei pysty tekemään mallinnusta kokonaisesta metsästä tässä mittakaavassa. Parista hehtaarista metsää voidaan tuottaa mallinnus saman päivän aikana."

"Datan analyysi ja siitä saatu informaatio on tässä menetelmässä viety aivan uudelle tasolle. Metsän omistajat, viranomaiset ja kansalaisjärjestöt voivat jatkossa hyödyntää puiden mittaustuloksia myös hiilijalanjäljen laskemisessa."

"Tämä on ainoa tapa, jolla hiilijalanjälki voidaan laskea tarkasti", Kaasalainen sanoo.

Vaahtera, joka on mallinnettu TTY:n matematiikan laitoksen inversio-ongelmien tutkimusryhmässä kehitetyllä uudella 3D-mallinnusmenetelmällä. Menetelmän on kehittänyt yliopistotutkija Pasi Raumonen.Uusi 3D-mallinnusmenetelmä on herättänyt paljon kiinnostusta suomalaisten metsäalan toimijoiden ja yritysten keskuudessa.

Kaasalaisen tutkimusryhmä on kehittämässä myös 4D-mallia, jonka avulla voi ennustaa miten metsä kasvaa. Sen avulla voisi katsoa mitä tapahtuu, jos metsästä hakattaisiin pois tietty määrä puita.

Big dataa kerätään metsistä

TTY on mukana kehittämässä kansallista metsäalan infrastruktuuria Forest Big Data -hankkeessa. Siinä tehostetaan menetelmiä, joilla hankitaan ja käsitellään tietoa Suomen metsien puustosta ja niiden kasvuolosuhteista.

Professori Risto Ritala TTY:n systeemitekniikan laitokselta on mukana Forest Big Data -hankkeessa. Siinä kehitetään menetelmiä, joilla saadaan tarkempaa tietoa Suomen metsien puista ja niiden kasvuolosuhteista. 

"Hankkeessa luodaan perustaa uudelle ja kattavalle metsävarojen tietojärjestelmälle, jolla saataisiin entistä tarkempaa ja ajantasaisempaa tietoa metsäomaisuuden hallintaa, puukauppaa, puun korjausta ja kuljetusta, metsänhoitotyötä ja metsäntutkimusta varten", toteaa Ritala.

"Tietoa Suomen metsistä kerätään jo nyt sekä satelliittikuvauksella että lentokoneilla, jotka mittaavat puustoa skannaamalla sitä laserkeilauksella ilmasta käsin. Metsävaratietoa voisi myös kerätä älykkäillä metsätyökoneilla istutetun metsän ensiharvennuksen yhteydessä. Näin saataisiin tietoa puustosta 16 x 16 metrin kokoisen ruudukon tarkkuudella."

TTY:n tehtävänä Forest Big Data -hankkeessa on kehittää menetelmiä, joilla yhdistetään ja ajantasaistetaan metsien laserkuvausdataa, metsäkoneiden tuottamaa dataa sekä Metsäntutkimuslaitoksen laajoissa alueellisissa tietokannoissa olevaa dataa.

Tämä TTY:n tiedotuksessa Leena Koskenlaakson kirjoitama juttu on julkaistu TTY:n Rajapinta-lehdessä 1/2015.