Makaavan lahopuun tunnistus ALS LiDAR 3D-pistepilvestä käyttäen koneoppimista
Väkimies, Pirkko (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202501302123
https://urn.fi/URN:NBN:fi:amk-202501302123
Tiivistelmä
Lahopuu on merkittävä biodiversiteetin ylläpitäjä tarjoamalla ravintoa ja elinympäristön useille lajeille sekä vaikuttamalla hiilenkiertoon. Makaavan lahopuun tunnistaminen kaukokartoitetusta pistepilvidatasta koneoppimisen, erityisesti konvoluutioneuroverkon avulla, oli tutkimusartikkelien katsauksen perusteella vain vähän tutkittu aihe.
Tämän tutkimuksellisen opinnäytteen tavoitteena oli verrata ja kehittää koneoppimismenetelmiä ja niiden yhdistelmiä, joilla makaavaa lahopuuta voitaisiin havaita pistepilvidatasta. Pohjatyönä kartoitettiin aiheeseen liittyvät tieteelliset tutkimusartikkelit. Artikkeleista tehdyn synteesin perusteella tässä tutkimuksessa käytettiin laserkeilausaineistoa (5 p/m²) ja toteutettiin maastomittauksia menetelmien verifioimiseksi. Laserkeilausaineistoa suodatettiin poistamalla korkeamman kasvillisuuden pisteitä. Suodatetusta datasta laadittiin Knn-metodien pohjalta neljä erilaista pistepilviaineistoa (pikselikuvia). Tälle aineistolle suoritettiin Hough-muunnoksia käyttäen kahdeksaa erilaista parametrisointia potentiaalisten runkojen ennustamiseksi. Hough-muunnoksen ennusteita pyrittiin parantamaan konvoluutioneuroverkon avulla hyödyntäen TensorFlow'ta ja Adam-optimointialgoritmia. Saatuja tuloksia verrattiin maastomittauksiin.
Tutkimuksessa laskettiin uusi suure "lahopuun esiintymätiheys" [m/m2] kuvaamaan alueen lahopuupotentiaalia. Toisin sanoen, yksittäisten, tarkalleen identifioitujen lahopuiden määritys ei ollut kokonaislopputuloksen kannalta merkitsevän tärkeää, vaan oliko mittarin perusteella todennäköistä, että kohteella olisi makaavaa lahopuuta. Ennusteen esiintymätiheyden gammajakaumasta johdettiin ”lahopuun esiintymistodennäköisyys”, joka luokiteltiin kolmeen eri luokkaan – epätodennäköinen (1), lievästi todennäköinen (2) ja todennäköinen (3). Tutkimuksen lopputuloksena syntyneet, innovatiiviset todennäköisyysluokat visualisoitiin yhden neliökilometrin (1 km²) karttapohjalle väritettyinä 50 x 50 m (2500 m²) ruudukoina helpottamaan potentiaalisten kohteiden maastoverifiointia.
Hough-muunnoksen ennusteilla päästiin lähimmäksi maastossa mitattuja tuloksia. Tutkitulla menetelmien yhdistelmällä pystyttiin ennustamaan runsaasti maalahoa sisältävä kohde, sekä myös nollalohko, jossa makaavaa maapuuta ei havaittu lainkaan. Tutkittu menetelmä ei ole aukoton, menetelmä itsessään ei vielä todista, onko kyseessä todellakin lahopuu vai myrskyssä kaatuneita tuoreita runkoja. Menetelmä kuitenkin antaa mahdollisuuden laajentaa sitä uusilla lahopuuta ennustavilla mittareilla, esim. järeiden lehtipuiden latvusten tunnistuksella ilmakuvista tai aikasarjavertailujen (muutostulkinta esim. kymmenen vuoden yli) avulla.
Mielestäni tutkitun menetelmän kehitystä kannattaa jatkaa, kun tiedostamme kiireen kartoittaa biodiversiteetiltään arvokkaat kohteet, kuten vanhat metsät ja paljon lahopuuta sisältävät kohteet.
Tämän tutkimuksellisen opinnäytteen tavoitteena oli verrata ja kehittää koneoppimismenetelmiä ja niiden yhdistelmiä, joilla makaavaa lahopuuta voitaisiin havaita pistepilvidatasta. Pohjatyönä kartoitettiin aiheeseen liittyvät tieteelliset tutkimusartikkelit. Artikkeleista tehdyn synteesin perusteella tässä tutkimuksessa käytettiin laserkeilausaineistoa (5 p/m²) ja toteutettiin maastomittauksia menetelmien verifioimiseksi. Laserkeilausaineistoa suodatettiin poistamalla korkeamman kasvillisuuden pisteitä. Suodatetusta datasta laadittiin Knn-metodien pohjalta neljä erilaista pistepilviaineistoa (pikselikuvia). Tälle aineistolle suoritettiin Hough-muunnoksia käyttäen kahdeksaa erilaista parametrisointia potentiaalisten runkojen ennustamiseksi. Hough-muunnoksen ennusteita pyrittiin parantamaan konvoluutioneuroverkon avulla hyödyntäen TensorFlow'ta ja Adam-optimointialgoritmia. Saatuja tuloksia verrattiin maastomittauksiin.
Tutkimuksessa laskettiin uusi suure "lahopuun esiintymätiheys" [m/m2] kuvaamaan alueen lahopuupotentiaalia. Toisin sanoen, yksittäisten, tarkalleen identifioitujen lahopuiden määritys ei ollut kokonaislopputuloksen kannalta merkitsevän tärkeää, vaan oliko mittarin perusteella todennäköistä, että kohteella olisi makaavaa lahopuuta. Ennusteen esiintymätiheyden gammajakaumasta johdettiin ”lahopuun esiintymistodennäköisyys”, joka luokiteltiin kolmeen eri luokkaan – epätodennäköinen (1), lievästi todennäköinen (2) ja todennäköinen (3). Tutkimuksen lopputuloksena syntyneet, innovatiiviset todennäköisyysluokat visualisoitiin yhden neliökilometrin (1 km²) karttapohjalle väritettyinä 50 x 50 m (2500 m²) ruudukoina helpottamaan potentiaalisten kohteiden maastoverifiointia.
Hough-muunnoksen ennusteilla päästiin lähimmäksi maastossa mitattuja tuloksia. Tutkitulla menetelmien yhdistelmällä pystyttiin ennustamaan runsaasti maalahoa sisältävä kohde, sekä myös nollalohko, jossa makaavaa maapuuta ei havaittu lainkaan. Tutkittu menetelmä ei ole aukoton, menetelmä itsessään ei vielä todista, onko kyseessä todellakin lahopuu vai myrskyssä kaatuneita tuoreita runkoja. Menetelmä kuitenkin antaa mahdollisuuden laajentaa sitä uusilla lahopuuta ennustavilla mittareilla, esim. järeiden lehtipuiden latvusten tunnistuksella ilmakuvista tai aikasarjavertailujen (muutostulkinta esim. kymmenen vuoden yli) avulla.
Mielestäni tutkitun menetelmän kehitystä kannattaa jatkaa, kun tiedostamme kiireen kartoittaa biodiversiteetiltään arvokkaat kohteet, kuten vanhat metsät ja paljon lahopuuta sisältävät kohteet.