Aerolaserskaneerimise kasutamine metsakorralduse alusena

Metsamajanduslike otsuste langetamiseks on metsaomanikel vaja informatsiooni metsa kohta. Peamised takseertunnused, mille põhjal neid otsuseid langetatakse, on kasvava metsa tagavara, puistu kõrgus, rinnaspindala, koosseis, puistuelemendi keskmise puu diameeter ja vanus (Krigul, 1972). Lisaks eelnimetatud tunnustele on veel vaja infot metsa kasvukohatingimuste (boniteet), looduslike väärtuste (Laarmann et al., 2009) jms kohta. Tavapäraselt on neid tunnuseid hinnanud koolitatud taksaatorid välitööde käigus. Näiteks takseeriti metsaressursi arvestuse registri järgi 2019. aastal 164 536 puistut kogupindalaga 205 853 hektarit ehk veidi alla 9% Eesti metsamaast. Kliimamuutustest tingituna üha sagenevate häiringute ja kasvutingimuste muutuste kontekstis on aga 10-aastane tsükkel liiga pikk.

Koos tehnika arenguga on võetud kindel suund metsade kohta informatsiooni kogumiseks, kasutades kaugseiret lennukitelt ja satelliitidelt (Jakubauskas & Price, 1997; Lang et al., 2012; 2014; 2018; Kuusk et al., 2019). Aerofotod on olnud Eestis metsakorralduse alusmaterjaliks juba alates 1960. aastate algusest, aga visuaalset tõlgendamist asendab järjest enam masintöötlusel põhinev analüüs. Üks kiiremini arenevaid ja metsade takseerimises rakenduslikult kõige enam kasutust leidnud kaugseire meetod on aerolaserskaneerimine (ALS; Large & Heritage, 2009). Kolmemõõtmeliste ALS punktipilvede abil saame kirjeldada väga detailselt kogu metsa vertikaalset struktuuri ning piisava punktitiheduse juures on võimalik saada infot kuni oksatasemeni välja (Næsset, 1997; Morsdorf et al., 2006; Arumäe, 2020). Metsa korraldamise juhendis (Metsakorralduse, 2018) aga mainitakse ainult aero- või ortofotode kasutamist eraldiste piiride täpsustamiseks.

Eestis on tehtud ALS-mõõtmisi riikliku programmi raames juba aastast 2008 ja Maa-ameti eesmärk on olnud katta kogu riik nelja-aastaste tsüklitega (Maa-amet, 2018). Andmeid kogutakse kahel korral aastas – kevadel, kui puud pole veel lehes, ning suvel, kui mets on täies lehes. Mõõdistatavad alad kevadel ja suvel ei kattu. See tagab optimaalsed tingimused kevadiseks maapinna kaardistamiseks ja hiljem metsaressursi hindamiseks. Need andmed on kõigile vabalt alla laaditavad ning on publitseeritud mudelite põhjal sobilikud Eesti metsades peamiste takseertunnuste hindamiseks (Arumäe, 2020). Alljärgnevalt võtame lühidalt kokku mõned Eestis ja mujal tehtud uuringud, mis käsitlevad puistute kõrguse, tüvemahu ja struktuuri variatsiooni hindamist.

Peamised tunnused, mida ALS-i põhjal hinnatakse, on metsa kõrgus H ja kasvava metsa tagavara V. Aerolidari mõõtmistele tugineva metsa kõrguse (H_ALS) hindamiseks on välja töötatud protsentiilide meetod, kus punktipilvede kohta arvutatakse punktide kõrguste (h) jaotust kirjeldavad meetrikud, mida hiljem saab (lineaarsete) mudelite kaudu seostada metsas mõõdetud kõrgusega. Punktipilvede vertikaalse jaotuse ülemised protsentiilid (H_Px) on väga tugevas korrelatsioonis mõõdetud kõrgusega (R² > 0,9) ja uurimustulemuste põhjal (Lang et al., 2012; Arumäe & Lang, 2016; Lang et al., 2017) saab väita, et kõrguse prognoosimine aerolidari andmetelt on ligilähedase või isegi parema täpsusega, mis saadakse tavalise metsatakseerimise käigus.

Mudelite parameetrite lähendamiseks on empiiriliste andmetena kasutatavad peamiselt statistilise metsainventuuri (SMI) proovitükid (Adermann, 2010), kasvukäigu proovitükid (Kiviste et al., 2015) või ka näiteks Metsaregistris (Metsaregister, 2020) olevad eraldiste takseerandmed. Lisaks on rajatud katsealadele uusi ringproovitükke, millel meile huvi pakkuvaid tunnuseid maapeal mõõdetakse (Lang et al., 2012; Arumäe & Lang, 2016). Peamine eelis SMI proovitükkide kasutamisel on kogu regionaalse eripärasuse kirjeldamine, mis lubab mudeleid lähendada näiteks eri regioonidele (Kotivuori et al., 2018), mis on väga oluline just metsa tagavara hindamisel, nagu näitavad ka Eestis tehtud uurimused (Arumäe, 2020). Peale mudelite parameetrite hindamist ja mudelite valideerimist on meil võimalik konstrueerida kogu Eestit katvad metsa kõrguse ja kasvava metsa tagavara kaardid (joonis 1).

Joonis 1

ALS-põhine Eesti metsade kõrguskaart (ülemine) ja kasvava metsa tagavara kaart (alumine) koostatud Maa-ameti 2016–2019 lennuandmete põhjal.

Figure 1. Forest height (upper) and standing wood volume (lower) map based on the Estonian Land Board ALS data from 2016–2019.

Kasvava metsa tagavara hindamiseks ALS-i andmete põhjal (V_ALS) kasutatakse mudelites koos peamiselt kahte tüüpi tunnuseid – kõrgusprotsentiile (H_px) ja puistu tihedust kirjeldavaid meetrikuid. Üks puistu tihedust kirjeldav tunnus on võrade suhteline pikkus (Arumäe & Lang, 2013), aga otsene puistu tiheduse indikaator on ALS-i põhine võrastiku katvus (CC_ALS), mis arvutatakse peegelduste (N_ALS) suhtearvuna lähtudes kõrgusnivoost (z): (1)CCALS=100⋅NALS(h>Z)NALS.{CC_{{\rm{ALS}}}} = {{100 \cdot {N_{ALS}}\left( {h > Z} \right)} \over {{N_{ALS}}}}. Need kaks tunnust H_Px ja CC_ALS kirjeldavad ära suure osa puistu tüvemahu variatsioonist. Kuigi punktipilvede meetrikuid on palju, näitavad katsed, et nende kõikide kasutamine mudelites lisaks paarile põhitunnusele ei anna tüvemahu prognoosimisel statistiliselt olulist täpsuse kasvu. Mudelite koostamiseks saab lisaks regressioonimeetodile kasutada masinõppealgoritme nagu k-lähima naabri meetod (k-NN, McRoberts & Tomppo, 2007), Random Forest või närvivõrgud (Ayrey & Hayes, 2018). Siiski saab Cosenza et al. (2020) uurimuse põhjal väita, et nende meetodite vahel tulemuse täpsus suurel määral ei erine. Eestis välja töötatud V_ALS mudelid (Arumäe ja Lang, 2016) kasutavad sarnaselt kõrgusprotsentiile ja punktitiheduse jaotuse hinnanguid, ning prognoositud tüvemaht on sarnase suhtelise veahinnanguga nagu Soomes ja Norras (Arumäe & Lang, 2016; Kotivuori et al., 2016; Noordermeer et al., 2019a).

Laserimpulsi peegelduste asukohti mõjutab mõningal määral ka puistu liigiline koosseis. Lehemassi jaotus ja hulk võrastikus ning ka võrade kujud erinevad puuliigiti ning see tingib mõningased süstemaatilised erinevused ka ALS punktipilvede meetrikutele tuginevate prognoosmudelite parameetrite väärtustes. Seega on lisaks aerolidari andmete regionaalsetele eripäradele oluline eristada mudelites puuliigid, mille tarbeks on Eestis välja töötatud puistute liigilise koosseisu kaart (Lang et al., 2018). Selle kaardi rakendamisel on potentsiaali peale suviste andmete kasutada ka kevadisi ALS-i andmeid, kus leht- ja okaspuuliikide vahelised erinevused peegelduste kõrgusjaotuses on statistiliselt oluliselt erinevad (Arumäe & Lang, 2018).

Kuigi Cosenza et al. (2020) näitasid puistu tagavara põhjal, et masinõppe ja lihtsate lineaarmudelite prognooside vahel olulist erinevust ei esine, siis masinõppe võimekust suuri andmehulkasid käidelda ja neist kasulikku infot esile tuua ei saa alahinnata. Näiteks on ka Eestis välja töötatud puistu liigilise koosseisu kaardi koostamiseks kasutatud algoritmi Random Forest (Lang et al., 2018). Samas eeldab masinõppealgoritmide kasutamine prognoosmudelite koostamiseks palju suuremat hulka näidiseid (vaatlusi), kui on vaja regressioonimudelite jaoks. Seega kui empiirilises andmestikus on kirjeldavate tunnuste ja prognoositava tunnuse vahel põhjuslikud ja tugevad seosed, mida saab lähendada mõne funktsiooniga, siis regressioonimudeli koostamine on masinõppemudelist otstarbekam.

Tulevikku silmas pidades võiks potentsiaalseid masinõppealgoritmidele põhinevaid rakendusi tekkida bioloogilise mitmekesisuse ja puistute looduslikkuse prognoosimisel. Erinevate uuringute põhjal on teada, et metsade struktuur, mida ALS-i andmetelt on võimalik kirjeldada, on kaudsel viisil seostatav just looduslikkuse tunnustega (Nagendra, 2001; Müller & Vierling, 2014). Elurikkuse kui kompleksmuutuja hindamiseks sobiva rakenduse väljatöötamiseks oleks samuti väga oluline elurikkust kirjeldavaid tunnuseid kvantitatiivselt hinnata ja otsida võimalusi ALS-i andmetest mõõdetavate metsatunnuste kasutamiseks (Põldveer et al., 2020).

Lisaks laialdasemale andmete kättesaadavusele on laserskaneerimise tehnoloogias toimumas areng väiksemate ja kergemate skannerite suunas, mis lubab neid kasutada maapealseteks täppismõõtmisteks (terrestrial laser scanning – TLS) või ka droonidelt mõõdistamiseks. Ülitihedad punktipilved (> 50 m⁻²) avavad palju uusi erinevaid võimalusi rakendusteks – näiteks kõrguskasvu modelleerimine ja seiramine (Lang et al., 2017), üksikpuude tuvastamine (Balsi et al., 2018), võrakujudele tuginev puuliikide eristamine (Korpela et al., 2010) või ka otsene puutüve rinnasdiameetri hindamine (Xu et al., 2019). Tihedate andmestike kasutamine praktilises metsakorralduses on praegusel ajal siiski võimalik ainult lokaalsete uuringute jaoks eelkõige mõõtmiste suhteliselt kõrge pinnaühiku hinna tõttu.

ALS-i andmete aegread leiavad järjest enam kasutamist, kuna üha enam riike on alustanud süsteemset riiklikku laser skaneerimist. Maa-ameti tehtud lidarmõõtmiste andmebaasis on kogu Eesti kohta juba vähe malt kahekordne andmekiht, mis annab võimaluse lisaks eespool mainitud tunnuste hetkeväärtustele tuvastada ja hinnata erinevate tunnuste muutuseid (joonis 2). Peamised huvipakkuvad muutused on metsade juurdekasv ja kõrguse kasv (Arumäe et al., 2020). Aegridade olemasolu annab võimalusi puistute boniteerimiseks sobilike mudelite loomisel (Noordermeer et al., 2020; Guerra-Hernández et al., 2021), ning samuti harvendusraiete ja nendega sarnanevate häiringute tuvastamiseks, kui muutub puistu domineeriva rinde võrastiku tihedus või kõrgus (Lang & Arumäe, 2018; Noordermeer et al., 2019b; Arumäe et al., 2020).

Joonis 2

ALS-i andmete aegrida aastast 2009 kuni 2018, millel kujutatud 10-meetrise piksliga metsa kõrgushinnangu muutus. Viimasel, muutuste kaardil vastavad tumepunased toonid suurele kõrguse kahanemisele (nt lageraie) ja tumedad rohelised toonid näitavad kõrguskasvu noorendikes.

Figure 2. ALS data timeseries map from 2009 to 2018, including the forest height change on a 10 metre pixel. The bottom-right map shows a drastic decrease in height (clearcuts) in red and rapid growth with dark green (young stands).

Aegridade kasutamisel tuleb arvestada, et laserimpulsi peegeldumise tekkimine metsast on teatud juhuslikkust sisaldav protsess, mida mõjutavad muu hulgas nii taimkatte struktuur, skaneerimisnurk kui ka skanneri seadistus ja mõõtmiskõrgus. Korduvmõõtmistel avaldab see juhuslikkus mõju hõreda skaneeringu puhul, mis teisalt võimaldab ühe ruutkilomeetri hinda hoida majanduslikult sobivana rutiinsete ja suurel alal tehtavate mõõtmistööde jaoks. Hõredaks skaneeringuks nimetame siinkohal punktitihedust alla 5 ruutmeetri kohta. Maa-ameti eelarve võimaldab praegu saavutada 0,5–2,0 punkti ruutmeetri kohta. Laserskaneerimise aegridade (joonis 2, 3) analüüsimisel tuleb arvestada ka fenoloogia mõjuga. Lageraiesarnased häiringud muudavad puistu struktuuri nii palju, et on tuvastatavad olenemata lehestiku arengust. Puistu kõrguse kasvu või võrastiku (tervisliku) seisundi hindamisel tuleb aga kindlasti arvestada ka ALS-mõõtmiste aastaajaga (joonis 3).

Joonis 3

Punktipilve kirjeldavate meetrikute aegridade näited: a) kõrgusjaotuse 90-protsentiil, b) katvus. Suur kõrguse kahanemine viitab lageraiele. Mõõtmised on tehtud kevadel (k) või suvel (s). Lehepinnaindeksi erinevuste ja skannerite omaduste mõju tõttu ei ole aegread siledad.

Figure 3. Examples of a) 90th height percentile and b) canopy cover change over the course of 9 years. Labels indicate spring (k) and summer (s) conditions. Large drops in values refer to clearcuts and the variation is related to differences in fenological state and scanner settings.

Metsakorralduse alusena on lidarmõõtmiste andmed sama väärtuslikud kui aero- ja ortofotod. Kuigi ka punktipilved on raalkeskkonnas visualiseeritavad, siis nende peamine väärtus seisneb võimaluses hinnata puistute kõrgust ning prognoosida tüvemahtu mudelite abil. Samas on joonise (3) järgi ilmne, et vale aastaaja mudelite kasutamisel saadakse süstemaatilised vead prognoositud kõrguses ja tüvemahus. Arvestades ka seda, et regiooniti ja erineva aastate lendude puhul ilmnevad Eestis punktipilvede meetrikute ja prognoositavate takseertunnuste seostes erinevused, tuleb tõdeda, et üldise mudeli kehtestamine ALS-i andmete töötlemiseks ei ole reaalne ja iga ALS-i mõõtmistulemuste komplekti jaoks on vaja lähendada uuesti mudelite parameetrite väärtused.