Luomuhakkuu-hanke on tehnyt merkittävän teknologiahyppäyksen yksittäisen puun tulkinnassa
Lentolaserkeilauksella ja -ilmakuvauksella saadusta aineistosta yksittäisen puun erottaminen ja puulajin tulkinta on ollut tähän asti haasteellista. Luomuhakkuu-hankkeen tutkimusryhmä on tehnyt merkittävän edistysaskeleen yksittäisen puun tulkinnassa yhdistelemällä useita eri data-aineistoja sekä käyttämällä syväoppimisen tekniikkaa.
Metsäsuunnittelu- ja puunkorjuu perustuu nykyisin lähes kokonaan lentolaserkeilauksella ja -ilmakuvauksella saatuun informaatioon. Nykyisten käytössä olevien menetelmien avulla saadaan kohtuullisen tarkka ennuste leimikon keskimääräisestä tilavuudesta, puulajisuhteista sekä puuston pituudesta. Tämän lisäksi voidaan puuston sisäistä vaihtelua, erityisesti puun pituuden tai lehtipuuosuuden vaihtelua kuvata erikseen. Puuston kuvaaminen yhden puun tarkkuudelle; yksittäisen puun erottaminen ja erityisesti puulajin tulkinta; on osoittautunut sangen haasteelliseksi tehtäväksi.
Tutkimusryhmämme on tehnyt merkittävän teknologiahyppäyksen yksittäisen puun tulkinnassa yhdistelemällä useita eri data-aineistoja sekä käyttämällä syväoppimisen tekniikkaa. Olemme käyttäneet laskennan pohjana parhaita mahdollisia aineistoja; dronella kuvattuja tiheäpulssia laserkeilausaineistoja, korkean resoluution RGB- ja vääräväri- kuva-aineostoja. Kehitetyt syväoppimismallit erottavat puujoukosta yksittäisen puun ääriviivat sekä tunnistavat ko. kohteen puulajin (kuva 1).
Syväoppimismallit on opetettu mittavan opetusaineiston avulla. Tämä aineisto käsittää lähes 7000 erillistä 256*256 pikselin opetuskoealaruutua, joista on tunnistettu keskimäärin 23 puuta per ruutu. Osa puista on tunnistettu maastossa ja toinen osa laserkeilausprofiilin avulla (kuva 2).
Syväoppimismallin opettaminen, joka käsittää parhaimmillaan jopa viisi eri data-aineistoa (laser, R, G, B ja vääräväri) vaatii valtavasti laskentatehoa. Olemme käyttäneet laskentaan Tieteellisen laskennan (CSC Oy) supertietokonetta. Opetettujen mallien käyttöön ei sen sijaan tarvita supertietokonetta. Laskenta voidaan toteuttaa tavallisella tai mieluummin grafiikkaprosessorilla (GPU) varustetulla tietokoneella. Mallin avulla voimme tuottaa puukohtaisen tulkinnan metsiköihin, jotka ovat inventoitu samanlaiselle resoluutiolla kuin opetusaineisto (kuva 3).
Lisätiedot:
Jori Uusitalo, professori, Helsingin yliopisto, p. 050 441 7473, jori.uusitalo@helsinki.fi