Search

Bakalaureusetöö Metsanduse õppekaval Aerolaserskaneerimist on Eestis teostatud alates 2008. aastast ja piisava tihedusega (>10 p/ m2 ) aerolidari andmete abil on võimalik hinnata väga hea täpsusega üksikpuude kõrguseid. Töö tehti hõredate andmete põhjal punktitihedusega 0.18 p/m2 . Töö eesmärgiks oli uurida, kuidas on võimalik kasutada lidari andmeid kõrgeimate puude otsimiseks üle Eesti Järvselja Õppe- ja Katsemetskonna näitel. Töös kasutati Eesti põhikaarti ja Maa-ameti lidari kõrgusandmeid 2012-2015 aastatel tehtud lendudest. Punktipilvede töötlemise tulemusena tekitati Järvselja taimkatte kõrguskaart, mille abil otsiti välja potentsiaalsete kõrgete puude asukohad ja välitööde käigus mõõdeti üle asukohas asuvad puud. Lidari andmetöötluseks kasutati FUSIONi erinevaid mooduleid. Töös selgus, et kõrgusandmed olid poolte puude puhul sarnased (±2 m), ülejäänud kordadel oli erinevus küllaltki suur võrreldes lidari andmetel põhineva kõrgusega ja metsas mõõdetud kõrgusega. Tihtipeale on raskendatud metsas puu mõõtmine, see sõltub puistu tihedusest ja sealt võib omakorda viga tekkida. Lidari kõrgusandmete täpsus sõltub suuresti alustaimestiku kasvufaasist. Problemaatiliseks võib kujuneda ka õige asukoha leidmine, sest kasutatud GPS (Global Positioning System) vastuvõtja täpsus ei pruugi olla alati piisav ja asukohavead metsa all võivad olla kuni 10 meetrit. Airborne laser scanning has been carried out in Estonia since 2008. Laser scanning data with sufficient point density (>10 p/ m2 ), has the potential to estimate the height of single trees with very good accuracy. This study was done with sparse data at point density of 0.18 p/m2 . The purpose of this study is to analyse and develop methods for using lidar data to find tall single trees in Järvselja and potentially develop a method for whole Estonia. The data used in this study was measured by Estonian Land Board during 2012-2015. First a vegetation height map with 10×10 m pixel was created for Järvselja area. The vegetation height map was used to find locations of possible tall trees and these locations were checked and measured during fieldwork. Lidar data processing was carried out using FUSION and its different modules. The work revealed that height data was in good correlations with field measured tree height data for half of the trees (±2 m), but differences for the other plots were rather big compared with lidar based height estimations. A significant reason for such differences is often caused by the difficulties on measuring tree height in the forest, because it depends largely on the density of the stand and it might cause some errors. The accuracy of lidar-based estimations depends largely from forest undergrowth. Finding the right location can also be problematic, because GPS (Global Positioning System) receiver might not be always accurate and positioning errors in forest may be up to 10 meters.

Bakalaureusetöö Metsanduse õppekaval Käesoleva bakalaureusetöö eesmärk oli anda ülevaade metsamajandusliku kaugseire tehnikast ja meetoditest ning rakendamisest Eestis, kasutades referentsiks metsade kaugseiret kirjeldanud uurimusi mitmetest erinevatest riikidest. Põhjaliku ülevaate saamiseks kasutati teadustöid Eestist ning välismaalt. Käesolevas töös on refereeritud uurimusi, mis sidusid endas metsamajanduslikku kaugseiret ja metsade takseerimist. Erinevate uurimuste läbi töötamine andis kinnitust, et võrreldes välismaal tehtud metsade kaugseire rakenduslike uurimustega, on Eestis läbi viidud teadustööd olnud väga hea rakendusliku potentsiaaliga. Tehnika ning teaduse arenguga suureneb ka vajadus üha täpsemate metsade inventeerimisandmete järgi, seega on inventeerimisandmete kvaliteedil tähtis osa tõhusa metsamajandusliku kaugseire toimimiseks. The aim of this bachelor thesis was to give a general overview of remote sensing technology, methods and applications for forest inventory in Estonia. Diferent scientific articles on remote sensing in forestry were used which asessed the combination of forest inventory and application of remote sensing in forestry. These articles were from Estonia and from abroad. Conclusion of collating these articles, was that remote sensing in forestry in Estonia has been well applied to resolve multiple issues in forest managment. The growing need of accurate forest inventory data for algoritm training will be one problem to solve to increase the efficiency of remote sensing-based estimates in the future.

Magistritöö Metsatööstuse õppekaval Uurimustöö eesmärk oli koostada metsa laserskanneerimise (ALS) andmetel töötav mudel, mis võimaldaks hinnata puistute harvendusraie-eelset hõredust. Selle eesmärgi saavutamiseks modifitseeriti olemasolevat metsaregistri andmetel töötavat raie-eelse hõreduse (Lre) arvutamise mudelit, mille sisendparameetriteks on puistu keskmine diameeter (D) ja kõrgusindeks (H100). Töö esimeseks etapiks oli Maa-Ameti poolt 2013. aastal Laeva katseala kohta kogutud lidariandmete töötlemine, mille tulemusena saadi iga katsealal oleva eraldise kohta punktipilv. Sellele järgnes metsaregistri andmete töötlemine, kust valiti välja potentsiaalselt harvendusraiet vajavad puistud. Kolmanda etapina koostati nende andmetega mudelid, kus prognoositavaks tunnuseks oli Lre. Mudelite koostamisel asendati D erinevate lidari andmete põhjal arvutatud punktipilve kõrgusjaotuse protsentiilidega. Lisaks prooviti mudelisse lisada erinevaid võrastiku katvuse hinnanguid, laserimpulsi peegelduste kõrguste keskväärtust ja standardhälvet. Tulemuseks saadi 14 erineva kujuga kuid statistiliste karakteristikute poolest sarnast mudelit. Mudelites kasutatud ALS meetrikuteks olid kõrgusjaotuse 90 ja 95 protsentiilid (HP90, HP95), kõigi peegelduste katvuse hinnang 1,3 m kõrguselt (KA1,3), esimeste peegelduste katvuse hinnangud 1,3 m ja 8 m kõrguselt (K1_1,3, K1_8) ning punktipilve kõrguste standardhälve (HSD). Kõik mudelid osutusid oluliseks (p>0,001), determinatsioonikordaja (R 2 ) varieerus 0,67-0,72, jääkviga (σ) 0,27-0,29, keskmine hinnangu viga (MEE) 0,08-0,13 ja ruutkeskmine viga (RMSE) 0,37-0,44. Saadud tulemuste valideerimiseks kasutati eraldi andmestikku. Graafikute tõlgendamise ja mudelites kasutatud liikmete seoste uurimisel puistu hõredusega (L) võiks esile tõsta mudelid LreALS7 ja LreALS8, kus olid sõltumatuteks tunnusteks HSD, HP90 ja HP95. The objective of this thesis was to construct models that predict thinning necessity in forest stands by using airborne laser scanning (ALS) data and site index from forest inventory database. To achieve this, a model that predicts the stand sparsity when thinning is required (Lre), was taken as a starting point and modified. First step was to process ALS data gathered by Estonian Land Board in 2013 for Laeva test site. That was followed by processing data from National Register of Forest Resource for the Laeva test site. Third step was to create glm (generalized linear model) models with the data where Lre was the predicted variable. ALS point cloud metrics were used to replace stand breast height diameter (DBH) in the original Lre model. In total 14 models (LreALSn) were created this way. Models were validated using an independent data set from the Laeva test site. The models had 90th and 95th height percentiles (HP90, HP95), canopy cover estimation from all returns at 1,3 m (KA1,3), canopy cover estimations from first returns at 1,3 m and 8 m (K1_1,3, K1_8) and standard deviation of the height points (HSD) as independent variables. Determination coefficient (R2 ) of the models varied from 0,67-0,75, standard deviation (σ) 0,27-0,29, mean estimated error (MEE) 0,08-0,13 and root mean square error (RMSE) 0,37-0,44. All the models were significant (p>0,001). After interpreting validation graphs and looking at correlations between L and all the variables used in the models it can be said that models LreALS7 and LreALS8 should be looked at first when doing further research.

Magistritöö Loodusvarade kasutamise ja kaitse õppekaval Puistute liigilise koosseisu info on kasulik nii looduskaitse korraldamisel kui ka metsade majandamisel, kuna see kirjeldab metsade liigirikkust ning on vajalik metsakasvatuslike võtete planeerimisel. Metsade liigilist kooseisu määratakse peamiselt takseerimise teel, mis on ajamahukas töö. Kaugseire andmeid ja andmetöötlust kasutades on võimalik kiirelt anda ligikaudne hinnang suurtele aladele. Uurimustöö eesmärk oli testida puistute liigilise koosseisu hindamist multispektraalsete satelliidipiltide abil kasutades kasvuperioodi käigus puistute spektraalses signatuuris toimuvaid muutusi. Töös on kasutatud kolme erineva satelliidi multispektraalsete sensorite aegridade ülesvõtteid aastatest 2000 ja 2015. Analüüsi meetodina on kasutatud k–lähima naabri algoritmi. Töö tulemusena selgus, et näiteks männi, kuuse ja vanemate kaasikute puhtpuistud eristusid küllaltki hästi, mida näitas ka kuni väärtuseni 0,9 küündinud Kappa kokkulangevuse indeks. Teiste uuritavate klasside eristamine osutus keerukamaks, nimelt heitlehiste puuliikide, mille spektraalne signatuur samades fenoloogilistes etappides on üsna sarnane, täpsemaks kaardistamiseks peab tulevastes uurimustes kasutama täiendavaid kirjeldavaid tunnuseid. Information about stand species composition is useful for many applications in nature preservation and forest management, because it helps to describe biodiversity and creates a basis for better planning of silvicultural interventions. Forest species composition is usually acquired from forest inventory, but the fieldwork is time consuming. Remote sensing methods can quickly provide an approximate estimation for large areas. The aim for this study is to test the species composition estimation using multispectral satellite images based on phenology induces changes in spectral signature. Three different multispectral satellite image series were used in this study from years 2000 and 2015. An implementation of k–nearest neighbour algorithm provided by IDRISI spatial analysis environment was used to analyse the data. The work showed that pure stands of pine, spruce and older birch were well distinguished from others with Kappa indexes of agreement reaching to 0.9. However, to distinguish some classes from each other turned out to be troublesome. The discrimination of deciduous tree species from each other, which have very similar spectral signatures during the same phenological stages, calls for future studies to be conducted by using additional descriptive features.

Töö käsitleb aerolidari andmestiku kasutamist metsa tüvemahu hindamisel. Töö eesmärk on anda uuritavale metsaleüksusele puidumahu ja kasvava metsa väärtuse hinnang kasutades aerolidari andmeid. Töös kasutati Järvselja Õppe- ja Katsemetskonna takseerandmeid, 2010. aasta Maa-ameti aerolidari andmeid, varasemates töödes välja töötatud arvutusmudeleid. Tehtud töö tulemusena saadi uuritavale metsale aerolidari andmestikul põhinevad tüvemahu hinnangud ja kasvava metsa rahaline väärtus. Saadud tulemusi võrreldi takseerandmete põhjal saadud samade tulemustega. Töö tulemustest saab järeldada, et kasutades varasemates töödes välja töötatud arvutusmudeleid, on lidari andmestiku põhjal võimalik anda metsale pädevaid hinnanguid. The major objective of this study is the use of airborne lidar data for estimating standing wood volume and price of forest. This study gives an estimated volume for standing wood to one specific forest, using airborne lidar data. The results are compared with the standing wood volume taken from the forest's inventory data. The results reveal that the estimating standing wood volume, using airborne lidar data is competent and can be an alternative for real estate evaluation in case forest inventory data are not available.

See uuring viidi läbi selleks, et uurida, kuidas saab eristada erinevaid puuliike üksteisest, kasutades multispektraalseid satelliidipilte. Peamiseks eesmärgiks oli välja selgitada, kas on olemas seos puuliikide määramise täpsuse ja puistu vanuse vahel. Uuringud näitavad, et reeglina vanemad puistud peegeldavad vähem elektromagnetilist kiirgust kui nooremad puistud ning see muudab lihtsamaks puistu vanuse määramine. Samuti, vanemates puistudes, erinevate puuliikide spektraalsed signatuurid erinevad rohkem kui nooremates puistudes. See teeb puuliigi määramist lihtsam ja täpsem, võrreldes nooremate puistutega, mis paljudel juhtudel võivad olla väga sarnaste spektraalsete signatuuridega. Ülaltoodud väidete kontrollimiseks kasutati Viljandi maakonna multispektraalsed satelliidipildid, sama regiooni metsakorralduse andmestik, mis sisaldas üksikasjalikke statistikat iga puistu kohta, ja maakasutuse kaarti. Andmete töötlemiseks, spektraalanalüüsiks ja visuaalseks tõlgendamiseks kasutati programme Idrisi Selva ja Quantum GIS. Selle uurimistöö tulemusena oli kinnitatud korrelatsioon niisuguste parameetrite vahel nagu puistute vanus ja puuliikide määramise täpsus satelliidipiltidelt. Klassifikatsiooni täpsuse paranemine leiti puistudel, mis olid üle 21 aasta vanad ja sisaldasid kõrge protsenti kuuske (üle 60%) This research was conducted to investigate the way how different tree species can be discriminated from each other, using multispectral satellite images. The main objective was to find out if there is a correlation between the accuracy of species discrimination and the age of forest stands. Researches show that as a rule, older forest stands reflect less electromagnetic radiation than younger forest stands, and that makes it easier to define whether the stand is young or old. Also, in the older forest stands, the spectral signatuures of different tree species become more differentiated from each other than in young stands. It makes species discrimination more easy to perform and more accurate, compared to the younger stands which might have a very similar spectral signature in many cases. In order to test the statements above, multispectral satellite images of the Viljandi county in Estonia, forest inventory database of this region, which included detailed statistics about every stand, and a land use map were used. For data processing, spectral analysis and visual interpretation were used in programs Idrisi Selva and Quantum GIS. As a result of research, the correlation between the age of forest stands and accuracy of species definition by satellite images was approved. Classification accuracy improvement was found for forest stands which were over 21 years old and included high percent of spruce (over 60%).

Kaugseire andmete põhjal on koostatud palju erinevaid digitaalseid kaarte. Kuna kaardid on koostatud erinevatel eesmärkidel, pole teada kui usaldatavad nende andmed on. Antud töö eesmärk on hinnata mõningate digitaalsete kaartide täpsust Eesti aladel. Kaartide analüüsimiseks kasutatakse nende võrdlemist maakatte uurimisel Eesti põhikaardiga ja metsade koosseisu vaatlemisel Metsakaardiga võrdlemist. Analüüs teostati programmi IDRISI keskkonnas üle-Eestilisena ja maakondade kaupa. Kaartide võrdlemisel selgus, et võrreldes Eesti põhikaardiga on kõik maakattekaardid rohkemal või vähemal määral ebatäpsed. Kõige täpsemalt oli kaartidel määratud metsade ja põllumaade levik, kuid teiste maakatteklassidega olid tulemused kehvemad. Metsade koosseisu määramisel olid kõik kaardid peale Euroopa metsakaardi väga ebatäpsed. Maakondade kaupa olid tulemused väga erinevad. Maakondadest olid maakatte määramisel kõikidel kaartidel mingil põhjusel ebatäpsed Ida-Virumaa ja Saaremaa. Nende maakondade ebatäpsus vajaks veel edasist uurimist. Üldiselt on praeguse võrdluse põhjal näha, et globaalsed maakattekaardid on vähemalt Eesti tasandil suhteliselt ebatäpsed ning nende andmete kasutamine vastutustundlikemal eesmärkidel on küsitav. Many digital maps have been made based on remotely sensed data. Since these maps have been produced for different purposes, it is not known how reliable their data is. The purpose of this work is to assess the accuracy of some digital maps on Estonian scale. For accuracy assessment of maps a comparative analysis is used with Estonian Basic Map and Forest Map to respectively determine accuracy of land cover and forest composition. Analysis were made with program IDRISI on over-Estonian and on county level. It was found after analysis, that when compared with Estonian Basic Map, all land cover maps are more or less inaccurate. On all maps, the extent of forests and croplands were most accurately identified, but other land cover classes were determined with worse accuracy. All maps, besides EU Forest Type Map, were very inaccurate when it comes to estimation of forests composition accuracy. For some reasons accuracy of land cover maps were worse in Ida-Viru and Saare county. The inaccuracy of those counties counties could use some further investigations. Generally, based on this investigation, it can be seen that global land cover maps are at least inaccurate on Estonian scale and their use for accuracy demanding purposes is questionable.