| Summary: | Puulajien tunnistusta hyperspektrikuvista, yhdistettynä nykyiseen metsä-inventointiin, pidetään potentiaalisena keinona lisätä metsänhoidon kustannus-tehokkuutta sekä kartoittaa metsien suojelutarpeita kattavasti. Tutkimusta tarvitaan kuitenkin edelleen, jotta löydettäisiin tehokkaimmat kaukokartoitus-menetelmät eri puulajien ja metsätyyppien tutkimiseen. Tämän tutkielman tavoitteena oli kehittää menetelmä, jolla boreaalisen metsän puulajeja voitaisiin tunnistaa hyperspektrikuvista vähintään 75 % tarkkuudella hyödyntäen ohjattua koneoppimista. Tutkimukseen sisältyneet lajit olivat harmaaleppä, koivu, mänty ja kuusi. Aineisto koostui Äänekoskella sijaitsevasta metsäisestä puronvarresta kauko-ohjattavalla ilma-aluksella (RPAS) kuvatuista hyperspektrikuvista. Lisäksi käytössä oli referenssimaastodataa. Hyperspektrikuville tehtiin kalibrointi, pikseleiden kohdistus sekä georeferointi Maanmittauslaitoksen ortokuva-aineistoa käyttäen. Puiden kruunuista poimittiin pikseleitä ja kuvia esikäsiteltiin pikseleiden kirkkauserojen sekä kruunujen välisten valojen ja varjojen tasoittamiseksi R-ohjelmalla. Tämän jälkeen puulajeja luokiteltiin lineaarisen diskriminanttianalyysin (LDA), Random Forestin (RF) ja tukivektorikoneen (SVM) avulla. Korkein luokittelun kokonaistarkkuus 98 % (Kappa = 0,96) saatiin LDA:n avulla mutta kaikilla luokittelijoilla yllettiin yli 77 % kokonaistarkkuuksiin kaikilla testatuilla esikäsittelymenetelmillä. Täten voidaan todeta, että tutkimuksen menetelmät
vaikuttavat soveltuvan hyvin boreaalisten puiden luokitteluun ja tueksi metsien kestävän käytön arviointiin.
|
|---|