slide1
Download
Skip this Video
Download Presentation
Yksittäisen puun mittaus ja tulkinta ilmakuvilta

Loading in 2 Seconds...

play fullscreen
1 / 51

Yksittäisen puun mittaus ja tulkinta ilmakuvilta - PowerPoint PPT Presentation


  • 127 Views
  • Uploaded on

Yksittäisen puun mittaus ja tulkinta ilmakuvilta. Tällä luennolla (4) - tavoitteista - referenssiaineiston keruu maastosta - YPNIT/STRS:n mahdollisuuksista - menetelmiä 2D - menetelmiä 3D. MINV12 Pe 14:15-16:00. Metsällinen data ja inventointiasetelmat

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Yksittäisen puun mittaus ja tulkinta ilmakuvilta' - charisma


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1
Yksittäisen puun mittaus ja tulkinta ilmakuvilta

Tällä luennolla (4) - tavoitteista - referenssiaineiston keruu maastosta- YPNIT/STRS:n mahdollisuuksista- menetelmiä 2D- menetelmiä 3D

MINV12 Pe 14:15-16:00

slide2
Metsällinen data ja inventointiasetelmat
  • aika-paikka –luonne, mittakaava vaihtelee → spat. yksiköt (mittauksen kohde) vaihtelevat
  • Eri tarpeet  monipuolista dataa pitäisi pystyä keräämäänMetsätalous/puuntuotanto  Nykyisten ja tulevien hyödynnettävissä olevien puuvarojen kuvaus

MINV12 Pe 14:15-16:00

slide3
Metsä “metsämiehen” silmin
  • Joukko puita. Pinta-alaa, jota ositetaan (halutaan olevan) homogeenisiksi osa-aloiksi.
  • Taloudellisia mahdollisuuksia, nyt ja tulevaisuudessa; mitkä ovat mahdolliset rajoitteet

MINV12 Pe 14:15-16:00

slide4
Metsätiedon keruu nykyisin

Yleistä (järkeistä): harjoita otantaa; mittaa epäsuorasti, käytä lainalaisuuksia ja johda malleilla, unohda turhat yksityiskohdat ja esitä tulokset isoille spat. yksiköille.

Osataan, perinteiset menetelmät; Metsätalouden harjoittamisen ympäristö muuttuu jatkuvasti  jännitteitä

Kaukokartoitus? Toiveajattelua sitten 1970-luvun alun? Well, ilma- ja satelliittikuvia käytetään osittamiseen ja maastotiedon yleistämiseen.Mikä olisi mahdollista, mihin olisi rahkeita?Mitä viime aikojen tekninen kehitys on tuonut?

MINV12 Pe 14:15-16:00

slide5
Miksi käyttää korkean spat. resoluution kaukokartoitusdataa puiden kartoitukseen ja mittaukseen?

Jos lisäämme mittausten määrää ja kartoitamme + mittaamme kaikki puut, tarkoittaako se tarkkuuden paranemista? Voidaanko ko. datalla saavuttaa jotain uutta ja parempaa ?  Niin,...,mitä ilmasta voidaankaan havaita? Asia ei ole uusi, 1960-1980 harrastettiin fotogrammetriaa. Sieltä rajat? Kokemukset visuaalisesta tulkinnasta? Jos näyttää järkevältä, ryhdy toimeen ja korvaa operaattori väsymättömillä algoritmeilla.

→ Kun homma pelaa, aloita markkinointi. Etsi kuitenkin ensin “innovaatioille valppaat” tyypit 

MINV12 Pe 14:15-16:00

slide6
Single Tree Remote Sensing (STRS)YPNIT

→ Cost-efficiency & data needs → Advances in RS-technology“Single tree measurements from the air”; for indivudual trees: { [X,Y,(Z)], sp, height, crown} [dbh, volume,..] Usable data for many applications.Direct measurements + allometric, indirect estimation with models, e.g. dbh = f (sp,crown width)

MINV12 Pe 14:15-16:00

slide8
3D maastodatan keruu metsästä

Edustavuus

- Maastodatan tulisi laittaa kaukokartoitusmenetelmät todelliseen testiin olosuhteissa, joihin se on tarkoitettu.

- Toisaalta; välttämättä ei kannata aloittaa menetelmän kehittämistä pahimmalla skenaariolla (yleinen tutkimusongelmien ratkeavuus).- Deduktiivinen hypoteesinmuodostus  testiaineisto VAI Induktiivinen lähestymistapa: Aineistoa  Kokeiluja  hypoteeseja  lisäaineistoa (DFJL / TEPM)

MINV12 Pe 14:15-16:00

slide9
3D maastodatan keruu STRS menetelmän kehitt.

TavoiteMaastosta estimaatteja, joilla tarkkuus (x), joka tunnetaan, jotta se voidaan eliminoida eroista

Mitä parempi tarkkuus ja paremmin tarkkuus tunnetaan sitä helpompi on testata kaukokartoitus-estimaatteja koskevia hypoteeseja.

MINV12 Pe 14:15-16:00

slide10
3D maastodatan keruu metsästä - tekniikoita

Puiden paikantaminen 3D koordinaatistoon

MINV12 Pe 14:15-16:00

slide11
Puiden paikantaminen 3D koordinaatistoon

1) Koealan sisäinen XYZ koordinaatisto

XY-taso “kuplattu” Zulk ja Zsisyhdensuunt.

Origon XYZulktuntematon

XY-kierto tuntematonUseita ratkaisuvaihtoehtoja

MINV12 Pe 14:15-16:00

slide12
Puiden paikantaminen 3D koordinaatistoon

1) Koealan sisäinen XYZ koordinaatisto

Origo sijoitetaan paikkaan, josta on paras takymetrinäkyvyys liitospisteiden mittausta ajatellen. K1-K4 kulmapaaluja 50x50 metrin koealalla (Lapinkangas 1).Vanhat kulmapaalut virittävät usein koordinaatiston, joka on affiininen, koska ne on sijoitettu mittanauhalla ja bussolilla.

MINV12 Pe 14:15-16:00

slide13
Puiden paikantaminen 3D koordinaatistoon

Koeala ja sen puut ulkoiseen XYZ kohdekoordinaatistoon

Vaihtoehtoja (pieni < 1 ha alue)

1) Mitataan tarkkoja pisteitä takymetrillä paikkoihin, joissa VRS-GPS toimii. Ratkaistaan 7-parametrinen muunnos koordinaatistojen välille, jossa kolme parametria voidaan tarvittaessa kiinnittää (mittakaava ja XY-kallistukset). 2) Signaloidaan takymetrillä mitattuja tarkkoja pisteitä ja havaitaan niille GPS:n sijasta ilmakuvilta XYZ-koordinaatit ja ratkaistaan 7- parametrinen yhdenmuotoisuusmuunnos kuten edellä.3) Vaaitetaan Z origolle tunnetulta pisteeltä. Ratkaistaan XY-tason kierto Z-akselin ympäri mittaamalla puiden latvojejn XY-koordinaatteja, samalla ratkeaa origon XY-sijainti. Huono menetelmä, jos halutaan tutkia esim. latvojen ilmakuvapaikannuksen systemaattisia virheitä

MINV12 Pe 14:15-16:00

slide14
Puiden paikantaminen 3D koordinaatistoon

Huom! Prismaa ei saadapuun sisään! Saatua ratkaisua tulee siirtää tähtäyssuunnassa d/2 verran.

Katvemittaus vektorilla A-B siirtämättä kojetta

Uusi koeala

1) Puidenluku (n:o, sp, d, ..)2) Sisäisen koordinaatiston perustaminen 3) Puiden paikannus (20-50 / h)4) Puiden lisämittaukset

MINV12 Pe 14:15-16:00

slide15
Vanha koeala

1) Puidenluku (n:o, sp, d, ..) valmiita puukarttoja hyödyntäen (kts. kuva)2) Puiden lisämittaukset

Esimerkki puuhun kiinnitettävästi kartongille tulostetusta numerolapusta, jossa näkyy puun sijainti koealalla sekä lokaali naapurusto. Koeala on jaettu 10 metriä (Xsis-suunnassa) leveisiin kaistoihin.

MINV12 Pe 14:15-16:00

slide16
Koealan muoto

Ympyrä on optimaalinen ajatellen “puskuriefektiä”- Esim. testattaessa puiden löytymistä kaukokartoitusmenetelmällä on rajattava XY-alue. Sen reunalla on puita, joiden kaukokartoitusestimaatti voi mennä reunan ulkopuolelle puskurivyöhykkeeseen. Koealan nettoalue

Esim. 0.8 metrin puskurivyöhyke 50 x 50 m koealalla  menetetään 2 m2. Jos koealan sisään sijoitetaan esim. r = 5 m koealoja puustotunusuten laskemiseksi, menetetään 78.5 m2

Lisäksi “kuuluu alueeseen” –testauksen helppous ja alhaisempi laskennallinen vaativuus ympyrän tapauksessa verrattuna monikulmioiden PointInPolygon -algoritmeihin liukulukukoordinaateilla laskettaessa.

MINV12 Pe 14:15-16:00

slide17
Puumittaukset

Virheiden jakauman selvittämiseksi tarvitaan toistomittauksia.Toistojen satunnaistusTakymetrillä samoja puita eri kojepisteiltäPuutunnuksia eri mittareilla ja mittaajat arpoen (mittaaja- ja kojeharhat)Yhteisjakaumien avulla outlier-havaintojen lisätarkastukset

Puumittausten ja kaukokartoitushavaintojen välinen aikaero (vältä kasvukautta?)

MINV12 Pe 14:15-16:00

slide19
Yhteisjakaumien loogisuus

MINV12 Pe 14:15-16:00

slide20
Puumittaukset

Maastossa mitatun latvapisteen Zulk-koordinaattien tarkkuus?Tyvi havaittu takymetrillä XYZsis, (Z)taky ~ 0.1 cmPuulle mitattu pituus elektr. hypsometrillä, (Z)hypso ~ 0.3 – 0.7 mKoealan origon korkeus tuotu vaaitsemalla (Z)level ~ 0.05 mOletetaan, että puut olivat mitattaessa ja kuvattaessa pystysuorassa.

(Z)latva = 0.32 m – 0.71 m

Entä jos koealaa perustettaessa takymetrin ”kuplaus” epäonnistui ja se oli kiertynyt 0.2 astetta yli Xsis-akselin. 50 metrin päässä Ysis-akselin suunnassa (Xsis,Ysis) = (0, 50) korkeus Zsis on 17 cm väärin - systemaatisesti. Koealaa perustettaessa liitospisteiden korkeuserot kannattaa tarkistaa ylimääräisellä, riippumattomalla vaaitusverkolla.

MINV12 Pe 14:15-16:00

slide21
Puumittausvirheiden eliminointi RMSE-arvoista

Esimerkki: Lidarilla on mitattu puiden latvojen XYZ-koordinaatteja ja erotusten (maasto-lidar) RMSE-arvot ovatRMSE(X) = RMSE(Y) = 0.5 mRMSE(Z) = 0.8 mMaastodataa kerättäessä saatiin harhattomien maastomittausvirheiden suuruudeksi (X)=(Y) = 0.3 m ja (Z) = 0.4 m.Oletetaan, että lidar-virheet ja maastomittausten virheet ovat riippumattomia eivätkä korreloi. Todellinen lidarin RMS-tarkkuus on silloin 0.4 m X ja Y sekä 0.69 m Z:lle.

Entä jos virheet korreloivat positiivisesti ? RMS(Z) lidar voi olla 0.8 m suurempi!Negatiivisesti  0.69 m pienempi!

MINV12 Pe 14:15-16:00

slide23
Mittauksia (sp,CW,h) ja epäsuoraa estimointia malleilla (dbh, v)

Mittausvirheet MallivirheetOtantavirheet

MINV12 Pe 14:15-16:00

slide24
Mittausvirheet

XYZ(latva): Latvan muoto, kontrasti, kuvien mittakaava, lkm, geometria, orientointi Systemaattisia virheitä: aliarvio jos latvapiste ei erotu,  jos kuvat orientoitu väärin Omissio- ja komissiovirheet! p(hrel)Z(tyvi): DTM-virheet, systemaattiset, satunnaisetCW: Aliarvio, jos CWmax ei näy kuvalla, latvusten epäsymmetria, määrittelyongelmat, yhteensulautuneet latvat, Puulaji: Väärinluokitus aiheuttaa ositteiden keskiarvoistumisen  Tulos “Metsikössä mäntyä 100%” mahdollinen, mutta hyvin epätodennäköinen, jos oikeinluokitus-tn esim. 85%Malliketjun epälineaarisuus voi aih. harhaa, vaikka mittausvirheet olisivatkin puhtaasti satunnaisia. Puulajivirheet erityisesti.

MINV12 Pe 14:15-16:00

slide25
Mittausvirheet

Esimerkki: OMT-kuusikko

Latvapiste

Z DEM(X,Y)=157.52 m

Pituus = 29.3 m

CW-mittaus => 4.24 m

> D_spruce:=(a0_S+a1_S*(height^.5)+ a2_S*(cw^.5))^2;> a0_S:=-3.224;a1_S:=0.819;a2_S:=1.092;> subs(cw=42.4,height=293,D_spruce);

=> 320.6 mm

Maastotiedot: puu 26: kuusi, dbh 353 mm, h = 29.4m

MINV12 Pe 14:15-16:00

slide26
Mittausvirheet

Simulaatio puu 26; CW+virhe~N(0,SE2)h+virhe~N(0,SE2); 1000 toistoa tilavuusvirhe

(CV(v), %)

 Estimaatit puutasolla varsin epätäsmällistä. Esim. kun SE(h)~0.75 m ja SE(CW) 0.5 m  CV(v) = 10%. Puulaji- ja mallivirheet jätetty huomioimatta. Kalliovirta-Tokola mallien SE(d1.3) 8-15% mallista ja puulajista riippuen (+ tilavuusyhtälöiden virheet)  CV(v) nousee puutasolla 25-30%:iin (Forest Science 1/2006)

Puu26_virhe_tarkastelu.xls

MINV12 Pe 14:15-16:00

slide27
Mittaus- ja mallivirheet

MINV12 Pe 14:15-16:00

slide28
Mittaus- ja mallivirheet

CV(vpulp)

CV(v)

CV(vsaw)

slide29
Mittaus ja mallivirheet (metsikkötaso)

Puulajivirheet

CW –virheet, -%

MINV12 Pe 14:15-16:00

slide30
sp + CW +h –virheet

Mittaus ja mallivirheet (metsikkötaso)

h –virheet, -%

slide31
Mallivirheet

Allometriset mallit (Kalliovirta ja Tokola 2005, Laasasenaho 1982)d1.3 / ikä = f (sp, CW, h) + jako maantieteellisestid1.3 / ikä = f (sp, CW) “

dx/d.2h = f (sp, d1.3, d6, h)v = f (sp, d1.3, d6, h)Mallien jäännösvirhettä #% ei voi tulkita puhtaasti puiden väliseksi vaihteluksi. Metsikkötekijän merkitys voi olla suuri ja aiheuttaa metsikkökohtaista harhaa (vrt. motomittaus ja leimikkokohtainen runkokäyrien kalibrointi) Korhonen Folia For (774): v = f(d,h) –mallien jäännösvaihtelusta 40% metsiköiden välistä)

Puiden välinen vaihteluMetsikkötekijät (kalibrointi)Maantieteelliset tekijät

MINV12 Pe 14:15-16:00

slide32
Mallivirheet

Kalliovirran ja Tokolan (2003) mallien testausHyytiälän 800 puun aineistolla. Mallit aliarvioivat d1.3 pahimmillaan 10 % joissakin metsiköissä.

MINV12 Pe 14:15-16:00

slide33
Otantavirheet

Kaikki puut eivät näy; mittaus- vai otantavirhettä?

Ilmakuvamittaus ~ relaskooppimittausta; paino suurilla puilla

Otantasuhteen kasvaessa satunnaisvirheet kumoutuvat ja jakaumatunnukset tarkentuvat, esim. metsikkötasolla.

Sx=(S/N)Koealapohjainen mittausKoealojen koko, muoto, määrä ja sijoittelu.

slide34
Yhteenveto STRS:n potentiaalista

Yksittäisen metsikön osalta lienee mahdollista päästä seuraaviin metsikkötason RMSE-tarkkuuksiin, jos mittausvirheiden osalta onnistutaan saamaan puulajitunnistus >95 %, pituusmittaustarkkuus 4-6 % ja latvuksen koon mittaustarkkuus 10 % tasolle ja mittaukset saadaan lähes harhattomiksi: - Kokonaistilavuus 10%, jossa mukana syst.aliarvio, keskimäärin 3-6 %- Puutavaralajiosuudet 5-10 %-yks. luokille joiden osuus on 20-80%Yksittäisen puun osalta d1.3 10%, (maastossa 1-2%)v 25-30 % (maastomittaukset + mallit 10 %) puutavaralajitil. 45 % (maastomittaukset + mallit 20%)

slide35
STRS menetelmiä 2D ja 3D

HistoriaaJo 1930-luvulla tiedostettiin mahdollisuus mitata yksittäisiä puita ilmakuvilta

1960-luku Kanada1970-luku Ruotsi (Talts 1977), Norja1980-luku Suomessa → VÄI kuvat metsätalouteen (KUNNALLISTEKNIIKKA OY, Finnmap Oy)Manuaaliset fotogrammetriset mittaukset kalliita- kuvien hidas orientointi – stereokartoituskojeet kalliita- maanpinnan korkeus ongelma

1990-luvulla “Digital revolution”  YPNIT –tutkimus heräsi eloon

MINV12 Pe 14:15-16:00

slide36
STRS menetelmiä 2D ja 3D

Optisen STRS:n pioneereja (2D YPNIT)

1989-1991 Axel Pinz (AT)1990- Pasi Kiema, Risto Suvanto & Hannu Salmenperä (FIN)1990- Donald Leckie, Francois Gougeon, Richard Pollock (CAN)1995- Kim Dralle, Morten Larsen, Mats Rudemo (DK) Kenneth Olofsson (SWE), Thomas Brandtberg (SWE) Nicholas Coops (AUS), Pouliot, King, Juho Pitkänen (FIN), Mike Wulder (CAN),3D YPNIT1999- Mads-Jeppe Tarp-Johanssen (DK), Ilkka Korpela (FIN)2000- Peng Gong & Greg Biging (USA)3D Canopy modelling (photogrammetric DSMs / CHMs)1995- Carson, Miller & Walker (1996), Adler & Koch (1999), Halbritter (2000)

MINV12 Pe 14:15-16:00

slide37
STRS menetelmiä 2D ja 3D

2D menetelmistä1) Crown/tree top detection (paikantaminen)2) Crown delieation (latvuksen rajaaminen)Lokaalin sävyarvomaksimiin perustuvat menetelmätJa/tai segmentointiin perustuvat menetelmätMaskin yhteensovitukseen perustuvat (template matching)Yleensä hyödynnetään vain yksi kuva per kohdeImplementoitu kaupallisesti:- FACT- EcognitionIlman pituustietoa ovat puuestimaatit melko epätäsmällisiä ja herkempiä allometriselle harhalle. Plantaasit?

Linkki Gougeon ITC

Linkki FACT

Linkki Definiens

MINV12 Pe 14:15-16:00

slide38
STRS menetelmiä 3D

Multiple image matching of aerial images for 3D mapping and measurements of individual trees

3D STRS with following non-trivial image-based tasks1) Tree top positioning (height estimation)2) Measurement of crown dimensions3) Species recognition

slide41
Use Allometric models> D_spruce:=(a0_S+a1_S*(height^.5)+ a2_S*(cw^.5))^2;> a0_S:=-3.224;a1_S:=0.819;a2_S:=1.092;> subs(cw=42.4,height=293,D_spruce);

=> PHOTO DBH-estimate: 244 mm; ground truth (reference) dbh = 234 mm, reference height 25.0 m (photo 24.4 m)

slide42
Manually….

Measurement errors

Model errors (allometric bias)

slide44
Manual … automatic challences

Radiometric Calibration?

Trees are 'sharp peaks'  'susceptible' to perspective distortion. (c.f. LS-matching)

slide45
Manual … automatic challences

Scene complexity (constancy) Variation in objects of interest

slide46
Manual … semi-automatic

Start from - semi-automatic 3D tree top positioningAccurate tree top positions will help insemi-automatic- measurement of crown dimensions- and species recognition“This problem of full system autonomy will never be solved” Manos Baltsavias, Wien 13.2.2006

slide47
Manual … semi-automatic

Data acquisition costs cannot exceed 2-3 € per ha→ limits scale and number of images or density of airborne lidar dataAim at a high degree of automation with some of the trees to be completed by manual measurements.Assume availability of an accurate terrain model and some form of field data for calibration and validation. Some field work is inevitable.

slide48
Semi-automatic

 2 aerial images with accurate sensor orientation

Apply template matching (TM) for tree top image positions

3D search space

Aggregate TM matching energy to discrete points in the search space; find clusters (hot spots)

Terrain model

“Applying in 3D” proposed in Larsen and Rudemo (1998)Realized by Korpela (2000), Tarp-Johanssen (2001).

slide50
Z-errors (map)

Z-errors f(height)

XY-error vecs (map)

Found, missed, extra

slide51
Semi-automatic
  • Experience gained so far
  • Method works relatively well in regular stands Not invariant to scale or species; how to obtain?
  • Depth of the 3D search space is crucial How to acquire? (erikoisharjoitus)
  • SP-recognition still a bottleneck; we need >95% accuracy (correct recognition); how to deal?
  • Need for calibration: photo-measured crown widths are underestimated; between stand variation in allometry; needs to be minimal!
ad