Puiden kartoitus Ilkka Korpela Metsvarojen kytn laitos MMTDK

Puiden kartoitus Ilkka Korpela Metsävarojen käytön laitos MMTDK HY - Viikki Työpaketti 7: Puiden tunnistus rakennetun tai rakennettavan ympäristön visualisointitarpeisiin, menetelmäkuvaus (3 htkk) (HY) 09. 05. 2006 Rakennetun ympäristön 3 D visualisointimallien luominen –seminaari Teksti ja kuvat Ilkka Korpela; Ilmakuvat FM-kartta, s. 5 vanha kuviokartta HY/MMVAR, s. 13 visualisoitu maisema Metsätalouden kehittämiskeskus Tapio, s. 24. pintamallikuva Perttu Anttila & Ilkka Korpela

Taustaa Puut ja metsä “metsämiehen” silmin • Puun/puuston kuvaus metsätalouden tarpeisiin - Toimenpiteiden suunnittelu / optimointi - Arvonmääritys - Maisemansuunnittelu (visualisointi) 09. 05. 2006 Rakennetun ympäristön 3 D visualisointimallien luominen -seminaari

Puu “metsämiehen” silmin

Metsikkö Mittausta puiden virittämässä “ppa-kentässä” [m 2/ha]

Metsikkötalous (kuvio)

Metsikkötalous (puumittausten rooli)

Metsikkötalous (toimenpidesuunnittelu)

. . . Puiden kartoitus ilmasta käsin – rakennettu ympäristo - avaruus-, ja maastokaukokartoitus sivuutetaan 1) Tehtävän määrittely ml. analyysi kohteiden ominaisuuksista 2) Lähestymistavoista 3) Ratkaisuja ja esimerkkejä 4) Yhteenveto

Tehtävän määrittely, kohteet + ominaisuudet HY: n osaprojektin tavoitteena on kuvata menetelmiä (K→M) puiden paikan, koon, muodon ja puulajin tunnistamiseen suuren erotuskyvyn kaukokartoitus-materiaalilta s. e. tiedon varassa voidaan visualisoida (M→K) maaston puustokomponentti myös rakennetussa ympäristössä - Paikka: 2 D vs. 3 D, latva / tyvi / latvus / versot (piste, alue, volyymi) - Koko ja muoto: latvus (oksat), runko - Puulaji: Puut / puumaiset, 4 vai 90? - Puustokomponentti: puut / puumaiset, - INPUT visualisointiin, tietosisällön ja tarkkuuden vaikutus visualisointiin (laatu ja kustannukset)

Kaupunkiympäristön puustokomponentti kaukokartoittajan silmin • “Dynaaminen spatiaalinen pisteprosessi” • “Metsiköitä” – “puuryhmiä” – “yksittäisiä puita” • Puulajivalikoima laaja, Esim. mäntykasveja 10 -12 Etelä-Suomessa. Sorbus aucuparia f. ‘fastigiata’ vs. f. ‘pendula’ • Kasvuympäristö poikkeava, puiden allometrinen vaihtelu kenties vaihtelu metsätalouden maata suurempaa. • Kohde – tausta –relaatio poikkeava suljetusta metsästä Kohteiden variaatio >> suurempaa ongelmallista K→M ja M→K tehtävien automatisoinnille Kohteiden mitattavuus kenties helpompaa

Rakennetun ympäristön puustokomponentti Mallipohjainen tunnistus ja mittaus

Rakennetun ympäristön puustokomponentti

Metsätalouden maan puustokomponentti

K→M M→K Prosessin K→M tavoitteet realistisiksi Käsitteet visualisointitehtävästä M→K “Tummanvihreä kartiokas havupuu, jolla pituus” Geometrian osuus korostuu Kertaluonteisuus korostuu ja dynamiikan mallinnus jää karkeaksi: Thuja sp. (Hmax 10 m) vai muu?

2) Lähestymistavoista “Manuaalisesti operoitu” järjestelmä K→M Yksi input ja yksi universaali algoritmi Geometrinen ongelma Monitieteellinen ongelma Hybridijärjestelmä Autonominen järjestelmä K→M

3) Metsiin kehitettyjä ratkaisuja +lisää taustaa puiden kartoitukseen Numeeriset ilmakuva(t) 1989 - laserkeilainpisteet (1998 -)

Puiden mitattavuus & sensorit Ilmakuvilla latvukset näkyvät {suorassa valossa, puolivarjossa, täysvarjossa} tai peittyvät naapurien taakse; FOV 60 -100 o. Laserkeilauksessa 20 o.

Puiden mitattavuus & sensorit Suljetun metsän mitattavuus - tn. -käyrät: tn. = f(puun pituus, puusto) Nadiri-ilmakuva 60 v normaaliasteen kuusikosta. 0 10 metristen puiden latvapisteet

Puiden mitattavuus & sensori Kohde-tausta –kontrasti Ilmakuvien jatkuva aurinko-kohde-sensori -geometria Siemenpuita kanervakankaalla, lidarin löytämät latvat vihreällä pisteellä.

Mittakaava / filmi / näytteenottotiheys Kustannukset ~ Mkaava 2 Filmin + optiikan näytteenottokyky ~ 7 10 um Ilmakuva 1: 10000 > 100 pistettä neliölle Lidar yl. epäsäännöllinen pisteistö, esim.

Manual … automatic challences Scene complexity (constancy) Variation in objects of interest

Ilmakuvat – 2 D 1: 5000 BW-kuvafunktio eräästä kuusikosta 1: 10000 BW-kuvafunktio eräästä männiköstä (+kuusikkoa) 1989 -1998 2 D kuva-analyysikokeiluja - Mallipohjaisia kokeiluja (+ Z-buffering) jo 1989 - Local Maxima –menetelmiä, Template matching - Latvuksen segmentointialgoritmeja harmaasävy- ja monikanavakuville - Spektrinen + morfologiaan perustuva puulajin luokittelu

Ilmakuvat – 2 D - Spektriset piirteet lomittuvat - Fenologia vaikuttaa - Puulajin tunnistustarkkuus jää usein vaatimattomaksi

Ilmakuvat - 3 D Stereoyhteensovituksella 2, 5 D “Latvuston pintamalli”, josta puita, ei toimi.

Ilmakuvat - 3 D Puiden paikantaminen “Mallipohjainen lähestymistapa” Kohteen 3 D malli taustalla. (Tarp-Johanssen 2001) Parametrisoitu rungon malli ja Bayesilainen sovitus kuvadataan. (Korpela 2000, 2004) Latvapisteiden haku “implisiittisellä mallilla”. 2006 -07 multi-scale templatematching & PNS-yhteensovitus

Lidar - 3 D 1999 -2002 lähtien runsaasti algoritmeja lidarpisteparvien prosessointiin yksittäisiksi “puulajittomiksi” puiksi ja latvuksiksi. Latvusten/latvuston geometria näytteenottotiheys > 6 -10 pistettä neliömetrille. • Ilmakuviin verrattuna reitti 3 D-pisteisiin on helppo • Puulaji (versorakenne) vaikuttanee pisteistön geometrian, samoin laserin RX/TX säädöt ja keilan leveys kohteessa. • Lisänäytteenotto kaiusta, multiwave-lidar, tutkimuksen alla, puulaji-informaation toivotaan löytyvän sieltä • pisteiden geom. tarkkuus ~ f(GPS/INS-tarkkuus, lentokorkeus)

Lidar & Optinen 3 D

Lidar & Optinen 3 D

Yhteenveto HY: n osassa 3 D maastohanketta keskitytään - puoliautomaattiseen lähestymistapaan - yhdistetään lidar ja ilmakuvat analyysissä - kokeillaan joitakin ennakolta lupaavimpia metsissä testattuja tekniikoita pienellä kaupunkiaineistolla (Helsinki, Espoo? ) - Selvitetään pullonkaulat, automatisoinnin mahdollisuudet, työnkulku, kustannukset ilkka. korpela@helsinki. fi, illkka. korpela@hut. fi, http: //www. helsinki. fi/~korpela