Search

Exact and up-to-date information about forest resources is needed for decision makers when planning the use of forests. Knowledge about changes in forest environment and tree growth is a key factor for example when predicting the effects of climate change and estimating the amount of biomass and sequestered carbon in forests. New technologies, such as unmanned aerial vehicles (UAVs), allow one to collect detailed information of forests from above with relatively close range. UAVs have already been used e.g. for environmental monitoring, tree attribute detection and forest inventories. However, also accurate and in detail reference measurements are needed for estimating forest resource information, to be able to take advantage of the new methods. Terrestrial laser scanning (TLS) can be used for measuring tree and forest attributes from ground in very high detail. This study shows how follow-up measurements with TLS-based three-dimensional point clouds allow one to investigate the changes both on individual tree and plot level. Based on the results, the possibilities of using TLS data as reference for UAV inventories or together with UAV based measurements are discussed in an attempt to find more accurate and effective solutions for forest change detection.

Information needs associated with forest monitoring have become increasingly complex. Data to support these information needs are required to be systematically generated, spatially exhaustive, spatially explicit, and to capture changes at a spatial and temporal resolution that is commensurate with both natural and anthropogenic impacts. Moreover, reporting obligations impose additional expectations of transparency, repeatability, and data provenance. The overall objective of this dissertation was to address these needs and improve capacity for large-area monitoring of forest disturbance and subsequent recovery. Landsat time series (LTS) enhance opportunities for forest monitoring, particularly for post-disturbance recovery assessments, while best-available pixel (BAP) compositing approaches allow LTS approaches to be applied over large forest extents. In substudies I and IV, forest monitoring information needs were identified and linked to image compositing criteria and data availability in Canada and Finland. In substudy II, methods were developed and demonstrated for generating large-area, gap-filled Landsat BAP image composites that preserve detected changes, generate continuous change metrics, and provide foundational, annual data to support forest monitoring. In substudy III a national monitoring framework was prototyped at scale over the 650 Mha of Canada’s forest ecosystems, providing a detailed analysis of areas disturbed by wildfire and harvest for a 25-year period (1985–2010), as well as characterizing short- and long-term recovery. New insights on spectral recovery metrics were provided by substudies V and VI. In substudies V, the utility of spectral measures of recovery were evaluated and confirmed against benchmarks of forest cover and height derived from airborne laser scanning data. In substudy VI the influence of field-measured structure and composition on spectral recovery were examined and quantified. By focusing on four key aspects of forest monitoring systems: information needs, data availability, methods development, and information outcomes, the component studies demonstrated that combining BAP compositing and LTS analysis approaches provides data with the requisite characteristics to support large-area forest monitoring, while also enabling a more comprehensive assessment of forest disturbance and recovery. Tietotarpeista metsien seurantaan liittyen on tullut entistä monitahoisempia. Jotta näihin tietotarpeisiin voidaan vastata, aineistojen tulee olla systemaattisesti tuotettuja, spatiaalisesti kattavia ja yksiselitteisiä, sekä niiden avulla tulee olla mahdollista havaita muutokset spatiaalisella ja temporaalisella resoluutiolla, jotka ovat yhteismitallisia sekä luonnon että ihmisen vaikutusten kanssa. Lisäksi raportointivelvollisuudet asettavat edelleen vaatimuksia läpinäkyvyyden, toistettavuuden ja aineistojen alkuperän suhteen. Väitöskirjan tavoitteena oli keskittyä näihin tarpeisiin sekä parantaa metsissä tapahtuvien häiriöiden ja niistä palautumisen seurannan mahdollisuuksia laajoilla alueilla. Landsat-aikasarja tehostaa metsien seurannan mahdollisuuksia, erityisesti metsissä tapahtuvien häiriöiden jälkeisen palautumisen arviointia, kun taas komposiittikuvien tuottamisen lähestymistapa, jossa hyödynnetään parhaita saatavilla olevia pikseleitä, mahdollistaa Landsat-aikasarjan hyödyntämisen laajoilla metsäalueilla. Osajulkaisuissa I ja IV tunnistettiin metsien seurannan tietotarpeita ja liitettiin niitä komposiittikuvan tuottamisen kriteereihin sekä aineistojen saatavuuteen Kanadassa ja Suomessa. Osajulkaisussa II kehitettiin menetelmiä ja havainnollistettiin niitä tuottamalla laajan alueen yhtenäiset Landsat-komposiittikuvat, joista tunnistettiin muutokset, laskettiin jatkuvat muutospiirteet sekä tuotettiin vuosittaiset tiedot, jotka ovat olennaisen tärkeitä metsien seurannan kannalta. Osajulkaisussa III kansallista seurantamenetelmää testattiin Kanadan yli 650 Mha metsäekosysteemien alueella ja se mahdollisti yksityiskohtaiset analyysit kohteissa, joissa oli tapahtunut metsäpalo tai päätehakkuu edellisen 25 vuoden aikana (1985-2010). Lisäksi metsien lyhyen ja pitkän ajan palautumista pystytiin arvioimaan. Palautumista kuvaavista sävyarvopiirteistä tuotettiin lisätietoa osajulkaisuissa V ja VI. Osajulkaisussa V metsien palautumista kuvaavien sävyarvojen hyödyllisyyttä arvioitiin ja vahvistettiin vertaamalla niitä metsien peitteisyyden ja pituuden kriteereihin, jotka saatiin lentolaserkeilausaineistosta. Osajulkaisussa VI tutkittiin ja määrällistettiin maastossa mitattujen metsän rakenteen ja puulajisuhteiden vaikutusta palautumista kuvaaviin sävyarvoihin. Keskittymällä metsien seurantajärjestelmien neljään tärkeimpään näkökulmaan, tietotarpeeseen, aineistojen saatavuuteen, menetelmäkehitykseen, ja tuotettuun tietoon, väitöskirjatutkimukset osoittivat, että yhdistämällä lähestymistapa, jossa komposiittikuvat tuotetiin hyödyntämällä parhaita saatavilla olevia pikseleitä, ja Landsat-aikasarja on mahdollista tuottaa sellaista tietoa ja aineistoja, joissa on tarvittavat ominaisuudet laajojen alueiden metsien seurantaa varten, samalla kun mahdollistetaan myös kokonaisvaltaisempi arviointi metsissä tapahtuvista häiriöistä ja metsien palautumisesta niiden jälkeen.

The precise knowledge of forest structural attributes play an essential role in decision-making, forest management procedure planning and in wood supply chain optimization. Laser scanning (LS) is one of the most promising remote sensing techniques, which can be used to estimate forest attributes at all levels, from single trees to global applications. The main objectives of the present thesis were to develop LS-based methodologies for mapping and measuring single trees. More specifically, new high-density LS-based models and methodologies were developed for the prediction of aboveground biomass (AGB), logging recovery, stem curve and external tree quality estimation. Multisource remote sensing methodologies were additionally introduced for the detailed next generation forest-inventory process. Substudies I and II concentrated on developing LS-based biomass models. Total AGB was estimated with the relative root mean squared errors (RMSE%) of 12.9% and 11.9% for Scots pine (Pinus sylvestris L.) and Norway spruce (Picea abies (L.) H.Karst.), respectively using terrestrial LS (TLS) -derived predictors in multiple regression modelling. TLS-based AGB models significantly improved the estimation accuracy of AGB components compared to state-of-the-art allometric biomass models. Airborne LS (ALS) resulted in slightly higher RMSE% values of 26.3% and 36.8% for Scots pine and Norway spruce compared to results obtained with TLS. The goal of substudies III and IV was to predict timber assortment and tree quality information using high-density LS data. Sawlog volumes were estimated with RMSE% of 17.5% and 16.8% with TLS and a combination of TLS and ALS, respectively. Results in IV showed that trees could be successfully classified in different quality classes based on TLS-measured attributes with accuracies between 76.4% and 83.6% depending on the amount of quality classes. Substudies V and VI presented new automatic processing tools for TLS data and a multisource approach for the more detailed prediction of diameter distribution. Automatic processing of TLS data was demonstrated to be effective and accurate and could be utilized to make future TLS measurements more efficient. Accuracies of ~1 cm were achieved using the automatic stem curve procedure. The multisource single-tree inventory approach combined accurate treemaps produced automatically from the TLS data, and ALS individual tree detection technique. Results from diverse forest conditions were promising, resulting in diameter prediction accuracies between 1.4 cm and 4.7 cm depending on tree density and main tree species. Each substudy (I VI) presented new methods and results for single-tree AGB modelling, external tree quality classification, automatic stem reconstruction and multisource approaches. Yksityiskohtainen metsävaratieto on merkittävässä roolissa metsänomistajien päätöksenteon, metsänhoidon suunnittelun sekä puunhankintaketjun optimoinnin tukena. Laserkeilaus on yksi lupaavimmista kaukokartoitustekniikoista, jolla on mahdollista ennustaa metsävaratietoa yksittäisen puun tasolta laajoihin alueisiin. Väitöskirjatyön päätavoitteina oli kehittää laserkeilauspohjaisia menetelmiä yksittäisten puiden kartoitukseen ja mittaukseen. Osajulkaisuissa I ja II selvitettiin laserkeilausmenetelmien tarkkuutta puutason biomassaositteiden mallinnuksessa. Kokonaisbiomassan mallinnustarkkuus maastolaserkeilaukseen perustuen oli männylle 12,9 % ja kuuselle 11,9 %. Maastolaserkeilauksen hyödyntäminen biomassan mallintamisessa tarkensi erityisesti latvusbiomassan mallinnustarkkuutta verrattuna läpimittaan ja pituuteen perustuviin biomassamalleihin. Lentolaserkeilauksen tarkkuudet olivat hieman heikompia verrattuna maastolaserkeilaukseen. Kokonaisbiomassan tarkkuudet olivat männylle 26,3 % ja kuuselle 36,8 %. Osajulkaisuissa III ja IV tavoitteena oli ennustaa puutavaralajikohtaisia tilavuuksia sekä laatutietoa maastolaserkeilauksen ja lentolaserkeilauksen avulla. Tukkipuun tilavuuden ennustetarkkuudet olivat maastolaserkeilausta käytettäessä 17,5 % ja maasto- ja lentolaserkeilauksen yhdistelmää käytettäessä 16,8 %. Puuston laatu on erittäin tärkeä tekijä metsikköä arvioitaessa. Maastolaserkeilauksen avulla yksittäiset puut luokiteltiin puunhankinnan kannalta tärkeisiin laatuluokkiin 76,4 % 83,6 % tarkkuudella. Osajulkaisuissa V ja VI tavoitteena oli kehittää uusia automaattisia menetelmiä maastolaserkeilausaineiston käsittelyyn, sekä monilähdemenetelmiä läpimittajakauman ennustamiseen. Automaattisten menetelmien avulla maastolaserkeilausaineiston käsittelyä on mahdollista tehostaa ja jopa tarkentaa manuaaliseen aineiston käsittelyyn verrattuna. Osajulkaisussa V runkokäyrän mittaustarkkuus oli automaattista aineistonkäsittelymenetelmää käytettäessä ~ 1 cm. Osajulkaisussa VI hyödynnettiin monilähdemenetelmää, jossa tarvittu puukartta mitattiin automaattisesti maastolaserkeilausaineistosta ja läpimittajakaumat ennustettiin maasto- ja lentolaserkeilausaineistojen avulla. Läpimitan ennustetarkkuus oli 1,4 cm ja 4,7 cm välillä puustoltaan hyvin vaihtelevissa metsiköissä. Väitöskirjatyön osajulkaisuissa kehitetyt menetelmät ja esitetyt tulokset osoittivat laserkeilausmenetelmien olevan varteenotettava vaihtoehto yksittäisten puiden kartoitukselle ja mittaamiselle tulevaisuudessa.

The main aim in forest mapping and monitoring is to produce accurate information for forest managers with the use of efficient methodologies. For example, it is important to locate harvesting sites and stands where forest operations should be carried out as well as to provide updates regarding forest growth, among other changes in forest structure. In recent years, remote sensing (RS) has taken a significant technological leap forward. It has become possible to acquire three-dimensional (3D), spatially accurate information from forest resources using active RS methods. In practical applications, mainly 3D information produced by airborne laser scanning (ALS) has opened up groundbreaking potential in natural resource mapping and monitoring. In addition to ALS, new satellite radars are also capable of acquiring spatially accurate 3D information. The main objectives of the present study were to develop 3D RS methodologies for large-area forest mapping and monitoring applications. In substudy I, we aim to map harvesting sites, while in substudy II, we monitor changes in the forest canopy structure. In studies III-V, efficient mapping and monitoring applications were developed and tested. In substudy I, we predicted plot-level thinning maturity within the next 10-year planning period. Stands requiring immediate thinning were located with an overall accuracy of 83%-86% depending on the prediction method applied. The respective prediction accuracy for stands reaching thinning maturity within the next 10 years was 70%-79%. Substudy II addressed natural disturbance monitoring that could be linked to forest management planning when an ALS time series is available. The accuracy of the damaged canopy cover area estimate varied between -16.4% to 5.4%. Substudy II showed that changes in the forest canopy structure can be monitored with a rather straightforward method by contrasting bi-temporal canopy height models. In substudy III, we developed a RS-based forest inventory method where single-tree RS is used to acquire modelling data needed in area-based predictions. The method uses ALS data and is capable of producing accurate stand variable estimates even at the sub-compartment level. The developed method could be applied in areas with sparse road networks or when the costs of fieldwork must be minimized. The method is especially suitable for large-area biomass or stem volume mapping. Based on substudy IV, the use of stereo synthetic aperture radar (SAR) satellite data in the prediction of plot-level forest variables appears to be promising for large-area applications. In the best case, the plot-level stem volume (VOL) was predicted with a relative error (RMSE%) of 34.9%. Typically, such a high level of prediction accuracy cannot be obtained using spaceborne RS data. Then, in substudy V, we compared the aboveground biomass and VOL estimates derived by radargrammetry to the ALS estimates. The difference between the estimation accuracy of ALS based and TerraSAR X based features was smaller than in any previous study in which ALS and different kinds of SAR materials have been compared. In this thesis, forest mapping and monitoring applications using active 3D RS were developed. Spatially accurate 3D RS enables the mapping of harvesting sites, the monitoring of changes in the canopy structure and even the making of a fully RS-based forest inventory. ALS is carried out at relatively low altitudes, which makes it relatively expensive per area unit, and other RS materials are still needed. Spaceborne stereo radargrammetry proved to be a promising technique to acquire additional 3D RS data efficiently as long as an accurate digital terrain model is available as a ground-surface reference. Metsien kartoitus ja seuranta aktiivisella 3D-kaukokartoituksella. Metsävaroista kerätään mahdollisimman tarkkaa tietoa metsänomistajan päätöksenteon tueksi. Tietoa kerätään puustotunnusten lisäksi toimenpidekohteista ja metsässä tapahtuvista muutoksista, kuten kasvusta ja luonnontuhoista. Laajojen metsäalueiden kartoituksessa käytetään apuna lentokoneesta tai satelliiteista tehtävää kaukokartoitusta. Metsien kaukokartoitus on viime vuosina ottanut merkittävän kehitysaskeleen, kun aktiiviset 3D-kaukokartoitusmenetelmät ovat yleistyneet. Aktiivisessa kaukokartoituksessa, kuten laserkeilauksessa ja tutkakuvauksessa instrumentti vastaanottaa lähettämäänsä säteilyä. Laserkeilaus tuottaa kohteesta 3D-havaintoja, jotka metsäalueilla kuvaavat suoraan puuston pituutta ja metsän tiheyttä. Laserkeilauksella kohteesta saadaan tällä hetkellä tyypillisesti 0,5−20 havaintoa/m2. Laserkeilaus tehdään lentokoneesta 500−3000 m korkeudesta, jolloin aineiston hankinta laajoilta alueilta on kallista verrattuna satelliittikuviin. Myös satelliittitutkakuvilta voidaan tuottaa spatiaalisesti tarkkaa 3D-tietoa, jonka pistetiheys on tosin huomattavasti harvempaa kuin laserkeilauksella. Tutkimuksessa kehitettiin sovelluksia metsien kartoitukseen ja seurantaan hyödyntäen aktiivisia 3D-kaukokartoitusmenetelmiä. Metsiköiden toimenpidetarvetta ennustettiin onnistuneesti laserkeilausaineiston avulla. Harvennettaviksi luokitellut metsiköt pystyttiin kartoittamaan 70%−86% tarkkuudella. Kahden ajankohdan laserkeilausaineistoja käytettiin lumituhojen vuoksi vaurioituneiden puiden kartoittamiseen. Tuhoutuneen latvuspinta-alan kartoitus perustui laserkeilausaineistosta tuotettujen latvusmallien erotuskuviin. Kehitetty menetelmä soveltuu latvusrakenteessa tapahtuneiden muutosten, kuten lumi- ja tuulituhojen, kartoittamiseen ja seurantaan. Laajojen metsäalueiden kartoitus perustuu yleensä kaksivaiheeseen inventointimenetelmään, jossa käytetään maastomittauksia ja tiedon yleistyksessä kaukokartoitusaineistoa. Kartoitusta voidaan tehostaa joko maastomittauksia vähentämällä tai hyödyntämällä mahdollisimman halpaa kaukokartoitusaineistoa. Tutkimuksessa kehitettiin täysin kaukokartoitukseen perustuva kaksivaiheinen metsien inventointimenetelmä. Tarvittava maastotieto mitattiin suoraan laserkeilausaineistosta. Menetelmä soveltuu puuston tilavuuden tai biomassan kartoitukseen erityisesti alueille, joilla maastomittausten kustannukset ovat merkittävät. Satelliittitutkakuvat ovat potentiaalinen aineisto etenkin laajojen alueiden metsävarojen seurannassa. Synteettisen apertuurin tutka (SAR)-stereokuvilta mitattiin automaattisesti 3D-pisteitä, joita käytettiin puustotunnusten ennustamisessa. Keskitilavuus ennustettiin parhaimmillaan lähes samalla tarkkuudella kuin laserkeilauksella. Tutkimus osoitti aktiivisen 3D-kaukokartoitustiedon mahdollistavan entistä yksityiskohtaisemman metsien kartoituksen ja seurannan.