| Summary: | Latvavesien tunnistaminen ja tunnustaminen on tärkeä osa vesiensuojelun kokonaisuutta. Metsänhoitosuunnittelussa käytettävillä suojavyöhykkeillä suojataan luonnollisia virtavesiä, joihin uudistetun metsäsertifioinnin mukaan luetaan myös ojamaiset uomat, joissa on luonnonuomien piirteitä. Metsänhoitosuunnittelua tehdään tietokoneelta käsin ennen kohdekäyntejä. Tässä tutkielmassa ojamaisten purojen tarkastusta tehtiin paikkatietopainotteisesti eri tietolähteitä tutkien. Päätavoite oli tunnistaa suojavyöhykkeen vaatimat luonnonmukaiset uomat siitä huolimatta, että uomilla on ihmistoiminnan takia ojamaisia piirteitä. Osana työssä käytettävän pohjamateriaalin validoimista tutkittiin viivageometrioiden sinuositeettia. Eri avoimen lähdekoodin ohjelmistojen avulla luonnon uomille toteutettiin geometriavertailu, jolla tuotettiin Maanmittauslaitoksen virtavesikapea-tasosta puuttuvaa tietoa kyseisistä kohteista, jotta lähtöaineisto maastosta saatiin selvitettyä. Tämän jälkeen tavoitteena oli toistaa aiempi satunnaismetsämallinnusta hyödyntävä tutkimus, joka korkeusmallipohjaisesti tunnistaa ojia ja puroja. Satunnaismetsämallinnuksessa käytetään lähtöaineistoa kuvaamaan todellista tilannetta, johon luokittelun ennustetta verrataan. Satunnaismetsämallinnuksen metriikat ja visualisointi antoivat viitettä toimivasta mallista, joka on toteutettavissa. Tällaista mallinnusta ei ollut mahdollista viedä loppuun saakka tutkielman puitteissa. Ojamaisten purojen tarkastuksen lopputulos on geometriavertailutaso, joka vertaa korkeusmallikuvasta tuotettua Stream Network with Order -tasoa sekä SYKE Ranta10-, PUROHELMEN Bioennuste- ja Maanmittauslaitoksen virtavesikapea- ja vanhatkartat.fi -tasoja. Metsänhoitosuunnittelussa huomioitavien uomien korostus puskuroinnilla perustui tähän geometriavertailuun. SYKE Ranta10 ja PUROHELMI ovat tällä hetkellä tarkimmat avoimen paikkatiedon lähteet kuvaamaan puroja ja pienpiirteisiä luonnon uomia.
Recognizing and acknowledging headwaters plays an important role in water protection. Buffer zones are used in forest management planning as a method for protecting running waters. This planning typically takes place on a computer before visiting the actual site. In this master’s thesis, ditch-like streams were detected using spatial data from publicly available open sources. The main goal was to identify and distinguish natural streams even though they may exhibit ditch-like characteristics due to human activity. As part of the work, sinuosity was studied to help validate the available source data. By utilizing open-source material from various organizations, it was possible to conduct geometric comparisons and fill in missing data to the map layers of National Land Survey of Finland. This allowed for the creation of a ground truth dataset representing the actual terrain. Following this, the aim was to replicate a previous study that used Random Forest machine learning and digital elevation model-based imagery to identify ditches and streams. In the Random Forest classification, the source material serves as a reference to evaluating how well the results represent reality. The resulting metrics and visualizations demonstrated that the model used is functional and feasible. However, this type of modelling could not be fully implemented or validated within the framework of the thesis. The outcome of the analysis of ditch-like streams was a geometry comparison layer, which evaluates the alignment of the Stream Network with Order layer derived from a digital elevation model with SYKE’s Ranta10, PUROHELMI Bio prediction, the National Land Survey’s Virtavesikapea, and Vanhatkartat.fi layers. The buffering of streams to highlight channels relevant for forest management planning was based on this geometric comparison. Currently, the SYKE Ranta10 and PUROHELMI datasets are among the most accurate open data sources available for describing small-scale natural streams and running waters.
|
|---|