Eesti Looduse fotovõistlus
4/2011



artiklid
Metsanduslik andmehõive ajas, ruumis ja pildis

Kui taksaator metsast kontorisse jõudis, olid kogutud andmed juba vananema hakanud”, võiks olla tuntud lause tänapäevane ümbersõnastus metsakorralduse seisukohast. Kuidas saada nüüdisaegsete meetoditega võimalikult ajakohane ja objektiivne ülevaade Eesti metsadest?

Üha vananev andmestik
Võimalused koguda andmeid ja koostada ning kasutada suuri andmebaase on kiiresti arenenud koos arvutustehnika võimekuse kasvuga. Metsanduses kaua aega andmekandja rolli täitnud planšetid ning paksud takseerkirjelduste raamatud loovutavad tänapäeval oma koha digitaalsetele kaartidele ja tabelitele rüperaalis, mobiilis ja GPS-seadmetes. Metsavaru üle arvestuse pidamiseks on Eestis juba üle kümne aasta olnud kasutusel metsavarude arvestuse riiklik register ehk metsaregister, mis areneb kiiresti [4]. Et saada ülevaade ja teha pädevaid majandamisotsuseid, kogutakse pidevalt andmeid lausmetsakorralduse käigus ja sisestatakse metsaregistrisse. Paradoks seisneb aga selles, et kohe pärast takseerkirjelduse koostamist ja registrisse sisestamist hakkab kirjeldus vananema. Põhjuseks on metsa kasv, looduslikud ja inimtekkelised häiringud või kahjustused ning metsa majandamine. Loomulikult on registrisse kantud andmete ajakohasus seotud metsas toimuvate protsesside kiirusega: andmed mittemajandatava siirdesoometsa kohta on kaua ajakohased, aga tugevate looduslike häiringute või raiete tõttu võib juhtuda, et salvestatud takseerkirje ei kajasta puistu reaalset seisundit kuigivõrd.

Mait Lang, EMÜ doktor Anton Kardakov, EMÜ doktorant Tõnu Lükk, EMÜ doktorant Tauri Arumäe, EMÜ magister Henn Korjus, EMÜ dotsent

Takseerandmete ajakohastamiseks on mitmesuguseid võimalusi.
Metsandusliku andmehõive klassikaline moodus uuendada infot on olnud kümneaastase vahemikuga ülepinnaline inventeerimine. Nii kajastub andmebaasis keskmiselt viie aasta vanune metsade kirjeldus. Siiski juurutatakse tänapäeval järjest rohkem nn. pideva metsakorralduse metoodikat, kus pärast majandusvõtete rakendamist või looduslikke häiringuid uuendatakse ka andmekirje. Selline süsteem nõuab metsatakseerimise oskust heal tasemel ning on seega seotud rahalise kuluga spetsialisti töö eest.
Loomulikult ei keela keegi teha metsaomanikul märkusi ja täiendusi oma valduses olevasse andmestikku ning hoida oma andmebaas ajakohane. Riiklikku registrisse täienduste tegemist erametsaomanikult siiski ei nõuta ja praeguse reglemendi järgi tuleks uuendatud andmekirje kohta teha ka audit, kinnitamaks, et takseerkirjeldused vastavad atribuuditäpsuse ning loogilise õigsuse kriteeriumidele.
Metsa majandamise eeltingimus on auditeeritud metsa majandamiskava, mille aluseks olevad takseerandmed sisestatakse ka metsaregistrisse. Korraldamata ning üle kümne aasta tagasi korraldatud metsade kohta pole metsaregistris infot või on see tõstetud arhiivi. Seega ei ole metsaregistri andmekogu kaugeltki täielik. Kui metsaomanikud ei ole majandustegevusest huvitatud, siis kahaneb metsaregistri täielikkus ja ajakohasus veelgi.

SMI annab objektiivse hinnangu riigi metsavarude üldnäitajate kohta
Kõrvuti lausmetsakorraldusega on Eestis kasutusel statistilisel valikmeetodil ning proovitükkide instrumentaalsel mõõdistamisel põhinev inventuur (SMI), mis annab objektiivse hinnangu riigi metsavarude üldiste näitajate, s.o. kogu tüvemahu, pindala ja liigilise koosseisu kohta [9]. Märksa probleemsem on kirjeldada majandustegevust suhteliselt väiksel osal metsast. Praeguse vaatluste arvu korral (umbes 8500 proovitükki aastas kokku üle riigi) suureneb vigade maht paratamatult juba maakonnasuuruse ala kogusummade puhul kuni 11%-ni ning raietega seotud hinnangute vead küünivad kuni 50%-ni tüvemahu ja pindala väärtustest [1]. SMI vaatluste põhjal ei saa koostada lausmetsakorraldusele vastava detailsusega kaarte. Samas on kogutav mõõtmisandmestik väärtuslik algallikas, et korrastada metsanduslikke normatiive ning mudeleid ja vähendada veidi „tsirka-värki” metsanduses, nagu on sedastanud emeriitprofessor Artur Nilson [5].
Kui soovime saada üle metsaregistri ajakohasuse ja täielikkuse kitsaskohtadest, siis tuleb appi kaugseire ja esmalt selle üks väljundeid – aerofotod, mida kasutatakse ka metsakorraldustööde alusmaterjalina. Põhimõtteliselt on võimalik enne metsaregistri päringut vaadata metsaeraldiste kaart üle aerofotode taustal ning märkida või muuta need kirjed, kust leiame tõendust häiringute kohta. Samas nõuab see palju käsitsitööd ja aega ning kuigi ootame, et tänapäeval peaks säärase töö tegema pigem arvuti, selgub tihti, et inimsilmale kohane ei pruugi alati sobida automatiseeritud pilditöötluseks. Peale selle ei ole alati saada värskeid aerofotosid huvi pakkuva piirkonna kohta. Siinkohal ongi paslik võtta kasutusele kosmosest satelliitidelt saadud ülesvõtted, et teha läbi metsaregistri andmete uuendamise ning laiendamise katse Viljandimaa näitel 2010. aasta suve seisuga. Üksiti otsime võimalusi kasutada lennukilt tehtava laserskaneerimise andmeid.

Ülevaade Viljandimaa metsadest: metsade paiknemine
Viljandimaa metsade pindala ja mahu kohta saame erisuguseid arvulisi väärtusi mitmest allikast. SMI 2005. aasta kokkuvõtte järgi on Viljandimaa metsade pindala 177 900 ± 11 900 hektarit ning 2008. aasta kokkuvõtte järgi 167 800 ± 10 200 hektarit. Veapiire arvestades need hinnangud kattuvad. Need arvud ei anna aimu puistute paiknemisest. Eesti põhikaardilt saame metsade pindalaks 177 700 hektarit ja ülevaate metsade paiknemisest. Samas määratakse topoloogilistel kaardistustöödel metsa klass peamiselt aerofotode järgi,hinna2011gu viga on teadmata ja metsa struktuuri kohta andmeid ei ole (v.a. klassid „noor mets” ja „mets”). Põhikaarti uuendatakse iga viie aasta järel.
Metsaregistrist (mai, 2010) saame teada 70–80% metsade paiknemise ja pindala (takseeritud 135 260 ha, vektorpiiride järgi 139 640 ha) ning detailse, kuid tihti lootusetult aegunud takseerkirjelduse. Keskmine takseerkirjete vanus Viljandimaal oli 6,2 aastat. Nendel kolmel andmestikul on üks ühine omadus: neid kõiki on võimalik kasutada koos kosmosepiltidega ruumianalüüsi tarkvara abil, et vajaduse korral koostada kogu maakonna metsade kohta värsked takseerkirjeldused ja kaardid ning jälgida ja dokumenteerida muutusi.
Alguseks on tarvis metsade digitaalset kaarti ehk nn. maski, mille võime saada kas metsaregistrist või ülepinnaliselt põhikaardi andmetest päringuga. Kosmosepiltidest sobivad kõige paremini kevadtalvised lumikattega ülesvõtted, kus tume mets erineb kontrastselt ainult lumega kaetud aladest. Kosmosekaart on koostatud ajavahemiku 1987–2005 aegrea Landsat Thematic Mapper piltidest kogu Eesti ja lähivälismaa kohta nii, et kaardil olid eristatud puistud, mis olid tekkinud enne 1987. aastat ning 1987–1996 ja 1996–2006. Järgnevalt lõigati Viljandimaa tema piiride järgi põhikaardi, metsaregistri ja kosmosekaardi andmetest välja ning koostati paarikaupa 30 m pikslisuurusega rastril risttabelkaardid, mis näitavad kattuvusi, erinevusi ja võimalikke vigu (joonis 1 ja 2). Ristkaartidelt tehtud päringud näitavad, et on ka selliseid alasid, mis on metsaregistrisse kantud metsana, kuid puuduvad kosmosekaardilt ja põhikaardilt (tabel 1 ja joonis 2).

Puistute liigiline koosseis ja tüvemaht
Viljandimaal Järgnevalt koostame tüvemahu ning liigilise koosseisu kaardi, mida paljudes maades juba rutiinselt kasutatakse. Tüvemahu ning puistu koosseisu kohta leidub infot metsaregistris ja SMI proovitükkide mõõtmisandmetes. Kahjuks ei ole maaülikool saanud analüüsimiseks uuemat teavet kui 2007. aasta SMI mõõtmisandmed ja nõnda saame tugineda ainult metsaregistrile. Seega on saadavate kaartide omadused sarnased lausmetsakorralduse takseerkirjeldustega.
Kaartide koostamiseks kasutame nn. k-lähima naabri meetodit (k-NN), mille sisendiks on asukohamääranguga takseerkirjeldused ja kosmosepildid ning muu kaardimaterjal. Meetod tugineb eeldusele, et meid huvitavate takseertunnuste ning kosmosepildi heleduste vahel on olemas mingit laadi seos. Esmalt arvutatakse igale takseerkirjeldusele tema asukoha koordinaatide järgi piltidelt heleduste karakteristikud ehk spektraalne signatuur. Seejärel töödeldakse pikselhaaval läbi sisendpilt ja igale pikslile otsitakse just spektraalse signatuuri kaudu teatud arv (k) kõige sarnasemaid takseerkirjeldusi. Väljastataval kaardil omistatakse sellele pikslile nende (tavaliselt 3–5) kõige sarnasema naabri takseerkirjeldusest võetud kaalutud keskmine väärtus. Varasematest uuringutest on selge, et metsa vanuse, rinnaspindala ja tüvemahu suurenedes tema heledus üldiselt kahaneb [6]. Samuti on kõigile taksaatoritele teada, et kui kasutada tavalise harjumuspärase värvilise aerofoto asemel, kus on vaid kolm nähtavat põhivärvi, valevärvipilti, milles on inimsilmale nähtamatu lähiinfrapunane spektriosa, siis eristuvad okas- ja lehtpuud üsna hästi. Paljud kaugseires kasutatavad skannerid eristavad rohkem kui nelja värvi üle kogu optilise kiirguse spektri, millest inimsilm näeb vaid väikest osa. Seega on kosmosepiltidel takseerandmetega seostamiseks märksa rohkem infot kui tavalistel aerofotodel. Takseertunnuste kaartide koostamiseks kasutati k-NN protseduuri sisendis 2009.–2010. a. korraldatud üle ühe 2011hektari suuruste puistute andmeid. Kosmosepildiks laaditi USGS arhiivist alla 2010. aasta 28.–30. juuni Landsat ETM+ ja TM ülesvõtted, millele tehti Tartu observatooriumis asuva päikesefotomeetri andmete järgi atmosfäärikorrektsioon ning koostati kogu Viljandimaad kattev pilvevaba liitpilt (joonis 1a). Pärast vanuse ja heleduse seosest arvatava uuendusraie või muu häiringu tõttu eristuvate puistute eemaldamist jäi alles 7688 takseerkirjeldust. Spektraalsed signatuurid arvutati eraldiste keskpunktide piksli järgi.
Tulemuse (joonis 3) kontrolliks arvutati algse 2009.–2010. a. metsaregistri väljavõtte puistutele (8921) k-NN abil saadud takseerkirjelduste 30 m suuruse piksliga rasterkaartidelt tüvemaht ning okas- ja lehtpuu osakaal koosseisus. Selgus, et noorte puistute mahtu on kaardil veidi üle hinnatud ning vanemate puistute mahtu on alla hinnatud (joonis 4). Samuti on väikesed süstemaatilised erinevused okas- ja lehtpuude osakaaludes (joonis 4).
Sellise kontrolltulemuse põhjuseks võivad olla rastri asukoha ning eraldiste piiride vead, mis mõjutavad 30 m piksli nimetamist mingisse eraldisse kuuluvaks kohtades, kus lage ala ning vana mets on kõrvuti, mis aga majandusmetsas on tavaline. Järgnevates hinnangutest on ülal märgitud k-NN tüvemahu ennustuse nihe korrigeeritud. Tuleb märkida, et süstemaatilist erinevust üldiselt k-NN ennustatud tunnuste väärtustes ei tohiks olla (kui protseduuris ei ole vigu), aga üksikpuistu tasemel võivad juhuslikud vead olla suured. Seega on nüüd olemas seisuga 29. juuni 2010 tervet Viljandimaad kattev tüvemahu ning liigilise koosseisu digitaalne kaart. Kaardilt saame teha päringu varem koostatud põhikaardi ja metsaregistri ristkaardi abil, et võrrelda metsaregistris olevate eraldiste ning korraldamata metsade keskmist tüvemahtu (tabel 2) ja ristkaardi klasside tüvemahtu (tabel 3). Nagu eespool mainitud, saadi tüvemaht takseerkirjelduste järgi ja on seega samas skaalas ehk SMI hinnangust väiksem. Pärt jt. on märkinud, et takseerkirjeldustes olev tüvemahu hinnang on 80% SMI mahust [9]. Üllataval kombel on korraldamata metsade keskmine tüvemaht 152,9 m3 ha-1 (tabel 3) vaid veidi väiksem korraldatud metsade keskmisest tüvemahust 173,1 m3 ha-1 ja hinnangute vigu arvestades võib neid pidada isegi võrdseteks, kuid siiski tundub, et korraldamata on pigem väiksema tagavaraga puistud.

Metsade vanus ja raied
Viljandimaal Puistute vanuselise jaotuse hinnangu saaksime samuti k-NN meetodi abil, täpse tulemuse saame puistu tekkeaja järgi. Puistu tekkeaja määramiseks sobib uuendusraiega tekkiv järsk heleduse muutus, mis ilmneb kosmosepiltide ajaseeria võrdlemisel. Põhimõtteliselt sobivad nii suvised kui ka lumikattega ülesvõtted, kuid viimaseid on eelistatud parema kontrasti tõttu [7, 8]. Puistute tekkimise intensiivsus annab ülevaate metsade raiemahust (joonis 5) ning vajaduse korral saame kosmosekaardi põhjal koostatud vanusekaardilt teha päringuid samamoodi kui metsaregistrist. Kasutades varem koostatud metsaregistrit ja kosmosekaarti kombineerituna, saame soovi korral tuua välja need raied ja kahjustused, mis on tehtud metsades, mille kohta ei leidu metsaregistris andmeid.
Kui võrrelda kosmosepiltide ajaseerialt tehtud lageraiete kaardi kokkuvõtet metsateatistega, ilmneb mõndagi huvitavat. Aastaraamatu „Mets” ja statistikaameti andmetel on Viljandimaal aastatel 2005–2009 tehtud 11 730 ha lageraieid. Seda ajavahemikku katvate 2005. aasta 3. märtsi ja 2010. aasta 9. märtsi kosmosepiltide järgi on raieid hinnanguliselt tehtud 5654,2–6531,9 hektaril. Päris täpselt ei saagi pindala teada, sest raiest põhjustatud heleduse muutumise nivoo on küll määratud keskmisena näidisraiealade pindala sobitumise järgi, aga näiteks osalise raiega pikslite arvestamine oleneb konk11reetsest nivoo väärtusest. Eristusnivoo muutus mõjutab peamiselt raiealade servades ja metsaservades olevate nn. segupikslite kaasamist klassi „lageraie”.
Hinnangust on välja jäetud alla 0,27 ha (kolm pikslit) alad, mis on peamiselt metsaservades tekkiv müra. Riikliku keskkonnaseireprogrammi maastike seire alamprogrammi raames kosmosepiltidelt saadud lageraiete pindala hinnang Viljandimaa kohta ajavahemikuks 2006–2010 on ülaltoodule lähedane ehk 6400 ha. Ilmneb, et teatatud lageraietest on seega tegelikult jäänud tegemata 48–55%. Kui võtta aluseks metsateatised ning ortofotode analüüsil saadud teave tegelikult tehtud raiete kohta, on keskkonnateabe keskuse andmetel Eesti erametsades aastail 2007–2008 jäetud tegemata 30% teatatud lageraietest ja aastail 2008–2009 koguni 40%. Ka statistilise metsainventuuri andmed võrrelduna metsateatistega näitavad kuni 50% erinevust aastatel 2004 ja 2006–2008. Seega ei ole metsateatised statistilises mõttes usaldusväärne infoallikas, vaid metsaomaniku soovi väljendus.

Laserskanneerimine võimaldab takseerida uut moodi
Lõpuks tutvustame laserskannerite ehk lidarite kasutamist metsa takseerimiseks. Lidar on seade, mis saadab välja elektromagnetkiirguse impulsse ning registreerib selle peegeldusi. Ühest impulsist võib tekkida mitu peegeldust. Mõõtmise tulemus on kolmemõõtmeline peegelduste ehk punktide parv (joonis 6), kus igal punktil on x-, y- ja z-koordinaat. Puistu struktuuri kirjeldamisel pakub huvi punktide jagunemine kõrguse järgi, mis iseloomustab puistu läbipaistvust ning taimeelementide kõrgust, millega omakorda on seotud täius ja kõrgus. Kui suudame hinnata puistu kõrgust (H) ning täiust (T), siis saame tüvemahu seosest M = T*Mnorm, kus Mnorm = f(H) on normaalpuistu tüvemaht, mis arvutatakse kõrguse funktsioonina [10].
Lidariandmetena kasutati Maa-ameti rutiinsetel topograafilise kaardistuse lendudel skanneriga ALS50-II saadud mõõtmistulemusi. Kõigepealt analüüsiti seoseid 38-l kasvukäigu proovitükil ning seejärel metsaregistri 812 takseerkirjeldusel. Puistu läbipaistvuse saame maapinnalt tekkinud peegelduste suhtena peegelduste koguarvu. Rohu- ja puhmarinde vältimiseks kasutame virtuaalset maapinda sobival kõrgusel. Maapinna „kergitamisel” läbipaistvus suureneb [3] ja oleneb ka sellest, kas arvestame esimesi peegeldusi või jagunenud impulssidest kõiki. z-koordinaadi järgi saame peegelduste kõrguse jaotuse. Küsimus on vaid selles, millist kõrgusjaotuse osa kasutada puistu takseerkõrguse ennustamiseks.
Kasvukäigu proovitükkide andmetel selgus, et puistu keskmise ja esimese rinde kõrgusega seostub lineaarselt kõikide peegelduste kõrgusjaotuse ülemine osa. Analüüsiks kasutati esmalt kõrgust, millest 90% punktidest asuvad madalamal. Nimetame seda kõrgusjaotuse 90-kvantiiliks. Samamoodi saab määrata mis tahes asukohta kõrgusjaotusel. Seosed mõõdetud kõrguse ning kõrgusjaotuse kvantiilide 90, 95 ja 99 vahel olid usaldusväärsed ning lineaarsed. Maapinnalähedaste punktide väljajätmine oluliselt tulemust ei mõjutanud. Läbipaistvus arvutati virtuaalse maapinna kõrgusel 0,5 m. Ka läbipaistvuse ning puistu täiuse seos oli lähendatav lineaarse mudeliga, kuid hajuvus oli tunduvalt suurem kui kõrguse mudeli puhul (joonis 7). Ainult esimestel peegeldustel põhinev läbipaistvuse hinnang seostus täiusega paremini võrreldes kõikide peegelduste kaasamisega.
Kui peame proovitükkidel mõõdetud kõrguse ja täiuse seoseid punktiparve statistikutega praktikas kasutatavaks, siis on meilgi olemas suurepärane võimalus kaasata lidariandmed metsatakseerimises kontrolli ja abivahendina samamoodi kui näiteks Norras. Metsaregistri andmete väljavõtete analüüs näitas, et kõrguste puhul sarnanevad seosed kasvukäigu proovitükkidel saaduga, aga täiuse ja läbipaistvuse vahel seos praktiliselt puudus (joonis 7). Vajab edasist uurimist, kas põhjuseks on virtuaalse maapinna ebasobiv kõrgus (0,5 m), mis kaasab ülemäära alusmetsa, või on probleeme hoopis täiuse määramisega metsatakseerimisel. Üks tulemusi mõjutav tegur on lennu aeg, mil tehti laserskaneerimist: kasutati andmeid, mis kajastavad mai alguse kuni juuli keskpaiga seisu, ent lehtede kasv muudab metsa läbipaistvust.

Tähtis on piltidelt arvutatud tunnuste abil saada infot metsade kohta ajas ja ruumis
Viljandimaa näitel saime kaugseire ja ruumianalüüsi abil uued kaardid metsade tüvemahu, koosseisu ning vanuselise struktuuri kohta. Neid kaarte saab kasutada iseseisvalt või metsaregistri lisamaterjalidena päringute tegemisel. Edaspidi on võimalik n.-ö. kokku segada kosmosepilt, lidariandmed ning võib-olla ka aerofotod, et koostada suurte alade kohta üsna detailseid takseertunnuste kaarte, mille viga on puistu tasemel aktsepteeritav. Seega ei ole tähtis, et me näeksime pildilt puid, vaid peamine on, et piltidelt arvutatud tunnuste abil saame meile vajalikku infot metsade kohta ajas ja ruumis.

Tänuavaldused: USA geoloogiateenistus USGS võimaldab igaühel vabalt tasuta kasutada Landsat-5 TM ja Landsat-7 ETM+ pilte. Uuringut toetas KIK-i 2010. aasta metsanduse programm ja Eesti teadusfondi grant nr. 8290.

Kirjandus 1. Adermann, V. 2009. Eesti metsad 2008. Metsavarude hinnang statistilisel valikmeetodil. Metsakaitse- ja uuenduskeskus. Tallinn. 2. Jagomägi, T. 1999. Geoinformaatika praktikutele. AS Regio, Tartu: 36–42. 3. Lang, M. 2010. Estimation of crown and canopy cover from airborne lidar data. – Forestry Studies / Metsanduslikud Uurimused 52: 5–17. 4. Lepiku, P. 2005. Metsaregister areneb kiiresti. – Eesti Mets 4: 16–17. 5. Nilson, A. 2001. Metsandus on „tsirka-värk”. – Eesti Mets 1:5–7. 6. Nilson, T., Lang, M. 2007. Kvantitatiivne kaugseire pakub tulevikuvõimalusi. – Eesti Mets 4: 22–24. 7. Peterson, U. 2008. Maastike kaugseire. – Väljataga, K. (toim.). Eesti keskkonnaseire 2004–2006. Keskkonnaministeeriumi info- ja tehnokeskus, Tallinn: 85–87. 8. Peterson, U., Liira, J., Püssa, K. 2008. Metsaga alade ning lageraiete ja nendega sarnaste häiringute kaugseire. – Väljataga, K., Kaukver, K. (toim). Kaugseire Eestis. Keskkonnaministeeriumi info- ja tehnokeskus, Tallinn: 48–68. 9. Pärt, E., Adermann, V., Merenäkk, M. 2010. Metsavarud. – Aastaraamat mets 2009. Keskkonnateabe keskus. Tartu. 10. Tappo, E. 1982. Eesti NSV puistute keskmised takseertunnused puistu enamuspuuliigi boniteedi ja vanuse järgi. Eesti NSV Põllumajandusministeeriumi Informatsiooni ja Juurutamise Valitsus. Tallinn.







Loe kommentaare (1)
Teie nimi:
Teie e-mail:
Kommentaar:


15/11/2012
23/04/2012
23/04/2012
02/04/2012
19/04/2010
19/04/2010
18/12/2009



Mis see on?
E-posti aadress:
Liitun:Lahkun: 
Serverit teenindab EENet