Sentinel-2-satelliittikuviin perustuvan karttapohjan toimivuus taimikonhoidon tarpeen tulkinnassa.

Abstract

Tutkimuksen tavoitteena oli selvittää, kuinka Sentinel-2-satelliittiaineistoon ja Linda Forest -tekoälymalliin perustuva karttapohja toimii taimikonhoidon tarpeen tulkinnassa. Tutkimme, miten se toimii eri puustorakenteisissa taimikoissa. Pyrkimyksenä oli myös löytää aineistosta hoitotarveindeksi Metsähallituksen määrittämälle taimikonhoidontarpeen alarajalle, joka on kokonaisrunkoluvultaan 2500 kappaletta hehtaarilla. Tämän lisäksi tavoitteena oli selvittää, pystyykö aineiston avulla määrittää hoitotoimia tarvitsevia alueita. Opinnäytetyön toimeksiantaja on Metsähallitus Metsätalous Oy, ja kartta-aineiston on tuottanut CollectiveCrunch Oy.

Tutkimus toteutettiin kvantitatiivisena vertailevana tutkimuksena, jossa taimikoille tuotettuja hoitotarveindeksejä verrattiin maastomittauksien tuloksiin. Opinnäytetyön aineisto on kaukokartoituspohjaista, jonka tukena on käytetty Linda Forest -tekoälymallia. Rasteriaineiston resoluutio on 10 x 10 metriä, joilla kullakin ruudulla on oma hoitotarveindeksi asteikolla 0–1.

Tutkimusalue sijaitsee Rovaniemen seudulla, ja tarkasteltavia taimikkokuvioita oli yhteensä yhdeksän kappaletta ja ne sijaitsevat tuoreella kankaalla. Kuvioiden koko vaihtelee noin hehtaarin ja 3,7 hehtaarin välillä. Yhdeksästä tutkimusalueen kuvioista kolme oli kehitysluokaltaan T1 ja loput kuusi taimikkokuviota T2-luokan taimikkoa. Alueelta otettiin yhteensä 192 ennalta määritettyä koealaa, jotka olivat sijoitettuna 30 metrin välein toisiinsa nähden, keskelle hilaruutua. Suunnistamisessa apuna käytettiin kahta eri älylaitetta.

Tutkimuksen mukaan kaukokartoitusaineiston ja maastossa mitattujen runkolukujen välinen yhteys on heikko, eikä aineisto kuvaa luotettavasti puustontiheyttä tai taimikonhoitotarvetta. Indeksiluokissa esiintyi paljon hajontaa, eikä 2500:n kappaleen määrälle hehtaarilla löytynyt selkeää rajakohtaa hoitotarveindeksistä. Aineisto toimii hieman paremmin sekapuustoisessa kohteessa. Tuloksiin vaikuttavat myös muut tekijät, kuten aluskasvillisuus. Aineistoa voidaan hyödyntää kohteiden alustavaan tunnistukseen ja maastokäyntien priorisointiin. Aineisto tunnistaa suuntaa antavasti runkoluvun erot hoitotarveindeksin ääripäissä. Aineiston avulla ei voi tehdä suoria johtopäätöksiä hoitotarpeesta, joten se ei korvaa täysin maastokäyntejä.