Teknillinen Korkeakoulu
Fotogrammetrian ja kaukokartoituksen laboratorio
Maa-57.290 Kaukokartoituksen erikoistyö
7.1.2002
Juho Lumme






Erilaisten kasvillisuus- ja maalajityyppien heijastusspektrien analysointi AISA-kuvilta














Sisällysluettelo

1. JOHDANTO

2. HYPERSPEKTRINEN MALMI- JA TEOLLISUUSMINERAALIVIITTEIDEN TULKINTA (HYDO)

3. SPEKTROMETRIT

3.1 Spektrometri

3.2 Kuvaava spektrometri

4. AISA (AIRBORNE IMAGER SPECTROMETER FOR APPLICATIONS)

4.1 Historia

4.2 Rakenne

4.3 Toiminta moodit

4.4 Tekninen kuvaus

5. KOEALUE

6. DATA

7. HEIJASTUSSPEKTRIT

7.1 Puulajit

7.2 Maaperä

7.3 Pellot

7.4 Supra-akvaattisen ja subakvaattisen alueen vertailu

8. YKSITTÄISTEN PUIDENLATVUSTEN VERTAILU SAMANLAJISIIN METSÄALUEISIIN

9. TULOKSET

9.1 Puulajit

9.2 Maaperä

9.3 Pellot

10. JOHTOPÄÄTELMÄT

11. VIITTEET







1. Johdanto

Tämä erikoistyö on tehty Teknillisessä korkeakoulussa, fotogrammetrian ja kaukokartoituksen laboratoriossa. Yhteistyötahona on ollut Geologian tutkimuskeskus, jonka HYDO-projektissa tutkitaan hyperspektrisen kaukokartoitusmenetelmän käyttöä geologisiin tutkimuksiin eri olosuhteissa ja erikokoisilla testialueilla Suomessa. Erikoistyössä tarkasteltiin noin 50 kilometriä pitkää Etelä-Suomessa sijaitsevaa koealuetta, joka kuvattiin AISA-spektrometrillä 2.9.1999.

Koealueella on tehty maastoinventointia ja kerätty yli 250 kasvillisuudeltaan ja maalajiltaan yhtenäistä aluetta. Tässä erikoistyössä tutkittiin kyseisten opetusalueiden heijastusspektrejä. Tarkasteltiin millä aallonpituusalueilla erilaiset kasvillisuudet sekä maalajit erottuvat toisistaan parhaiten. Toisaalta tutkittiin myös sitä, voiko saman kasvillisuusluokan aiheuttamasta heijastusspektristä havaita eroja maaperän erilaisuuden takia. Tavallisten opetusalueiden lisäksi maastoinventoinnissa oli kerätty havaintoja pienistä koealoista, jotka sisälsivät tarkoin määriteltyjä yksittäisten puiden latvuksia. Näitä alueita vertailtiin opetusalueisiin, jotka sisälsivät suurempia alueita samaa puulajia kasvavasta metsästä.

2. Hyperspektrinen malmi- ja teollisuusmineraaliviitteiden tulkinta (HYDO)

HYDO on Geologian tutkimuskeskuksessa meneillään oleva hanke, joka päättyy vuoden 2001 lopulla.

Hyperspektrisessä etä- ja kaukokartoituksessa käytetään spektroskopian menetelmiä kohteiden kemiallisiin ominaisuuksiin liittyvien piirteiden kuten mineralogisen koostumuksen kuvalliseen kartoittamiseen. Menetelmän tarjoamat edut ovat nopeus, toistettavuus, erittäin tiheä näytteenotto ja siten tarkkuuden lisääntyminen sekä laaja globaalinen käyttömahdollisuus. Kuvauksessa käytetyt sähkömagneettisen säteilyn aallonpituudet ovat 400-2500 nanometria ja kuvauskaistoja on yleensä 30-300 kpl. (GTK)

Hankkeen tavoitteena on luoda Geologian tutkimuskeskukseen ja sen yhteistyökumppanien käyttöön valmiudet kaukokartoittaa (paljastuneita) mineraaliesiintymiä, malmien ja teollisuusmineraalien indikaatioita sekä tiettyjä kaivosten ympäristöhaittoja paikallisesti ja globaalisesti hyperspektrisen kuvauksen avulla portaittain eri etäisyyksiltä lähikuvauksesta lentokuvaukseen ja aina satelliittikuvaukseen saakka. Samalla laaditaan myös nopea kuvallinen kartoitusmenetelmä, joka palvelee paljastettujen malmiaiheiden kartoitusta ja arviointia sekä varsinaisten malmien louhintaa ja rikastusta. (GTK)

Hankkeessa tutkitaan ja testataan hyperspektrisen kaukokartoitusmenetelmän käyttöä geologisiin tutkimuksiin eri olosuhteissa ja erikokoisilla testialueilla Suomessa. Tutkitaan mahdollisuuksia kivilajien ja maalajien erottelemiseen kahdella testialueella, mahdollisuuksia louhinnan, lastauksen ja rikastuksen avustamiseen kuudessa kohteessa sekä kontaminaatiota kaivosympäristössä yhdellä tutkimusalueella. Myös EuroGeoSurvey:ssa suunniteltu kaivosympäristöjä koskeva EU-hanke MINEO toteutuu. Sen avulla saavutetaan käynnissä olevalle TEKES -hankkeelle merkittäviä synergiaetuja. (GTK)

Projektin tuloksena syntyvät ohjeet hyperspektrikuvauksen soveltamisesta mainittuihin tarkoituksiin. Nämä antavat GTK:lle uudenlaisia mahdollisuuksia projektivientiin. (GTK)

3. Spektrometrit

3.1 Spektrometri

Spektrometri perustuu siihen, että sähkömagneettinen säteily (valo/infrapuna) taittuu hilassa tai prismassa aallonpituuden mukaan eli säteily hajotetaan spektriksi tai spektrin alueesta havaitaan vain osia. Spektraalista erotuskykyä parantamalla saadaan kohteista yksilöllisempää tietoa, mutta samalla radiometrinen erotuskyky huononee. Samoin instrumentin integraatioaika kasvaa, jolloin se soveltuu yhä huonommin lentokäyttöön.

3.2 Kuvaava spektrometri

Kuvaava spektrometri kuvaa kerrallaan rivin kuva-alkioita lentokoneen etenemissuuntaa vastaan kohtisuorassa suunnassa. Jokaisen kuva-alkion kohdalla laite mittaa monikanavaisen, usein tasavälisen spektrin. Näin muodostuu kaksiulotteinen kuva, jonka ensimmäinen ulottuvuus on paikka kohtisuorassa lentosuuntaa vastaan ja toinen ulottuvuus on valon aallonpituus. Lentokoneen liikkuessa kuvista syntyy kolmiulotteinen tietojoukko. (Onkalo)

Kuvaavalla spektrometrillä saadaan jokaisesta kuvan elementistä tallennetuksi halutulla spektrisellä erotuskyvyllä kohteen heijastusspektri, joka on kohteen heijastama säteily kuvattuna aallonpituuden funktiona. Tämän mahdollistaa kuvatasossa käytettävä matriisi-ilmaisin, jonka sarakesuunnassa tallennetaan kunkin keilauslinjan elementin heijastusspektri prisman tai hilan avulla. Tieto kerätään kaksiulotteisella detektorimatriisilla, joka diskretisoi koordinaatit poikittaissuunnassa kuva-alkioihin ja aallonpituuden erillisiin kanaviin. Tietoa kerätään määrätty aika (integrointiaika) kerrallaan detektorimatriisiin, josta se siirretään talteen. Näin näytejono diskretisoituu myös lentosuunnassa. Kunkin näytteen koko lentoa vastaan kohtisuorassa suunnassa riippuu lentokorkeudesta, näytteiden määrästä ja laitteen avauskulmasta. Sen sijaan lentosuunnassa kuva-alkion koko riippuu lähes pelkästään integrointiajasta ja lentonopeudesta. (Onkalo)

Yleensä nämä kuvausjärjestelmät ovat ohjelmoitavia, jolloin voidaan valita montako spektrin osaa ja kuinka leveältä spektrin alueelta tallennetaan. Kuvaavien spektrometrien etuna on erittäin hyvä spektrinen ja hyvä radiometrinen erotuskyky. Kuvien esikäsittely on välttämätöntä, koska kuvien geometriset vääristymät on saatava korjattua erittäin hyvin, jotta kuvia voidaan käyttää. Kuvaavia spektrometrejä on kehitetty viime vuosina hyvin intensiivisesti, koska ne soveltuvat erittäin hyvin elinympäristömme muutoksien tutkimukseen. (Onkalo)

4. AISA (Airborne Imager Spectrometer for Applications)

4.1 Historia

AISA-spektrometri on kehitetty yhteistyössä VTT Automatiikan kaukokartoituslaboratoriossa sekä VTT Elektroniikan laboratoriossa Karelsilva Oy:n toimesta. Erityisen tärkeän panoksen AISA:n kehitystyön alkuvaiheille antoi VTT:n vieraileva tutkija John Bolton NASA:n avaruuskeskuksesta. TEKES (Teknilogian kehittämiskeskus) on myös rahoittanut projektia. (METLA)

Projekti aloitettiin virallisesti vuonna 1992, vaikka alustavia töitä oli tehty jo vuotta aikaisemmin. Laitteiston suunnittelu tehtiin VTT Automaatiolla. Optiikka sekä elektroniikka suunniteltiin ja rakennettiin sensijaan VTT Optoelektronisella laboratoriolla. Ensimmäinen koelento tehtiin helmikuussa 1993 ja ensimmäinen kaupallinen versio saatiin valmiiksi 1995. Aluksi instrumenttia markkinoitiin Karelsilva Oy:n toimesta. Nykyisin instrumentin kehityksestä ja markkinoinnista vastaa Oululainen Spectral Imaging Ltd. (METLA)

Vuosina 1993-1994 VTT Automaatio kehitti AISA-spektrometrin datalle radiometrisiä/geometrisiä oikaisuohjelmia, joita testattiin METLA:ssa. (METLA)

4.2 Rakenne

Kuva1: AISA-spektrometrin rakenne

AISA on kaupalliseen käyttöön suunniteltu kompakti lentokoneeseen asennettava kuvaava spektrometri. AISA koostuu kahdesta osasta: sensorista sekä kannettavasta PC:stä. Sensori sisältää neljä optista linssiä, spektrografin sekä CCD-kennon. AISA-systeemin PC on EISA bus 120 MHz Pentium PC, jossa instrumentin tuottama data muutetaan digitaaliseksi (12 bittiseksi) noin 1 Ms/s nopeudella ja tallennetaan SCSI-kovalevylle. (Specim)

4.3 Toiminta moodit

AISA-instrumentti toimii neljällä eri käyttömoodilla, joita voidaan vaihtaa joustavasti lennon aikana. (Specim)

4.3.1 Full frame mode A

Tässä moodissa tallennetaan kaikki instrumenttiin tuleva tieto. Eli tuloksena saadaan paras mahdollinen alueellinen (384 pikseliä) sekä spektraalinen (288 spektrikanavaa) erotuskyky. Tämä moodi vaatii pitkän integrointiajan, joten sitä voidaan käyttää vain hitaasti ja korkealla lennetyissä kuvauksissa, kalibroinnissa sekä testauksessa.

4.3.2 Full spatial, reduced spectral mode B

Tallennetaan kaikki kuva-alkiot parhaalla mahdollisella alueellisella erotuskyvyllä kuten edellä, mutta nyt valitaan ainoastaan tietyt spektrikanavien aallonpituusalueet sekä niiden lukumäärät, joita rajoittaa sensorin integrointiaika sekä laitteen tallennusnopeus.

4.3.3 Full spectral, reduced spatial mode C

Kuvalta valitaan 47 tasavälein poimittua näytejonoa, joilta tallennetaan kaikki 288 spektrikanavaa. Alueellinen erotuskyky voi olla paras mahdollinen mutta sitä voidaan myös pienentää summaamalla pikseleitä yhteen.

4.3.4 Variable spectral with variable spatial mode D

Moodi d:ssä valitaan haluttu alueellinen erotuskyky (kuten C moodissa). Myös valitaan halutut aallonpituusalueet sekä niiden lukumäärä. Lisäksi valitaan sopiva määrä halutun suuntaisia näytejonoja, joilta tallennetaan kaikki spektraaliset kanavat.

4.4 Tekninen kuvaus

Objektiivi: 23 mm CCTV linssi (optimoitu lähi-infralle)
Avauskulma: 21 astetta lentosuuntaa vastaan kohtisuorassa suunnassa; 0,055 astetta lentosuunnassa
Spatiaalinen resoluutio: 360 pikseliä lentosuuntaa vastaan kohtisuorassa suunnassa (=1 m kun lentokorkeus on 1000m)
Spektrografi: PGP-elementti (prisma-hila-prisma)
Himmennin: Elektro-mekaaninen, jota ohjataan tietokoneella
Aallonpituusalue: 430 - 900 nm
Kanavien lukumäärä: 1 - 288 (käyttäjän määriteltävissä)
Kanavien leveys: 1,63 - 9,8 nm (käyttäjän määriteltävissä)
Sensorin integraatioaika: >4 ms
Ilmaisin: CCD-matriisi, 288 x 384 pikseliä, pushbroom
AD-resoluutio: 12 bittiä, noin 1 Ms/s (miljoona näytettä sekunnissa)
Kohina: <0,5 A/D muunnos (rms) kun integrointiaika on pienempi kuin 200 ms
Tallennus nopeus: 0,5 Mb/s
Tallennus kapasiteetti: 700 Gb (tallennin nauha)
Virran kulutus (MAX): Instrumentti: 12 W, PC: 150 W
Koko: Instrumentti:120 x 170 x 220 mm
PC: 400 x 236 x 210 mm
Paino: Instrumentti: 4 kg; PC: 10 kg
(Specim)

5. Koealue

Lammin koealue kuvattiin lentokoneesta 2.9.1999 AISA-spektrometrillä. Alue on pohjois-etelä-suunnassa oleva yli 50 km pitkä ja 2 km leveä nelikulmio. Se alkaa etelässä Mommilan kylästä, keskus osuu Lammin kylän tietämille ja alue jatkuu aina Padasjoen kuntaan Vesijaon kylään. Koealue sisältää paljon erilaisia jääkauden aikaisia maalajeja, kerrostumia sekä muodostumia, joita jäämassan reuna sekä sulamisvedet muokkasivat ja lajittelivat. Lisäksi suuri osa alueesta on ollut muinaisten Baltian jääjärven sekä Yoldiameren vedenpinnan alla, jolloin alueen eteläosan pohjasedimentit muodostuivat. Alueen poikki kulkevalla Salpausselkä-vyöhykkeellä sijaitsee tyypillisiä jäämassan reunan sekä jäätikköjokien muokkaamia harjuja, reunamuodostumia sekä moreenikumpuja ja -selänteitä. (Törmä, Rainio, Ruohomäki)

Koealueelta kuvauksen jälkeen, vuosina 2000 ja 2001 suoritettiin alueella maastoinventointia jolloin valittiin 260 kasvillisuudeltaan ja maalajiltaan yhtenäistä aluetta. Nämä alueet piirrettiin maastossa vektorikuvioina AISA-kuvan päälle, jolloin alueiden sijainti saatiin tarkoin määriteltyä. Tämä oli tärkeää koska osa koealoista oli hyvin pieniä ja tarkoin määriteltyjä (esimerkiksi yksittäiset puiden latvukset). Koealoilta havaittiin kasvillisuus, tutkittiin maalaji pintamaan, maaperäkartan sekä kairauksen avulla. Lisäksi raportoitiin mitkä kohteet aiheuttivat heijastuksen ja kirjoitettiin lyhyt kuvaus alueesta. Muutamilta koealoilta otettiin valokuvia. (Törmä, Rainio, Ruohomäki)

6. Data

Kuvaus suoritettiin Metsäntutkimuslaitoksen AISA-spekrtometrillä. AISA:n toimintamoodiksi valittiin B, jolloin saavutettiin tarkka alueellinen erotuskyky (1,1 m x 1,1 m) 16:lla eri kanavalla, jotka valittiin seuraaville aallonpituusalueille:

Kanava Aallonpituus MIN (nm) Aallonpituus MAX (nm)
1 448.99 456.27
2 470.84 478.13
3 491.24 498.53
4 520.38 527.67
5 548.06 555.35
6 572.83 580.12
7 597.60 604.89
8 620.91 628.20
9 644.67 652.27
10 667.46 675.05
11 696.32 703.91
12 744.93 752.52
13 776.83 784.42
14 796.57 804.17
15 840.62 848.22
16 857.33 864.93

Alunperin suunnitellun kahdeksan lentolinjan sijaan lennettiin vain kuusi linjaa sillä kuvauksen aikana sää muuttui huonommaksi, mikä näkyi selvästi eri lentolinjojen valoisuuseroina. Datan esikäsittely eli lentolinjojen oikaisu ja mosaikointi tehtiin Metsäntutkimuslaitoksella. Valoisuuserot korjattiin TKK:n Fotogrammetrian ja kaukokartoituksen laboratoriossa Chromatic Ratio menetelmällä, jossa lasketaan kanaville kromaattiset suhteet. Eli lasketaan kuinka monta prosenttia kanavan harmaasävy on kaikkien kanavien harmaasävyjen summasta. (Törmä, Rainio, Ruohomäki)

7. Heijastusspektrit

Heijastusspektrejä tarkasteltiin kolmessa eri ryhmässä: puulajit, paljas maaperä sekä maatalousmaa. Lisäksi näistä ryhmistä poimittiin yksittäisiä kasvillisuuslajeja ja tutkittiin miten erilainen maaperä vaikuttaa näiden lajien heijastusspektreihin.

Maastossa rajatut opetusalueet määrittivät Chromatic Ratio-menetelmällä normalisoiduilta AISA-kuvilta alueet, joilta laskettiin pikseleiden keskiarvo kullekin AISA-kuvan 16:lle eri kanavalle. Kanavat 1 ja 2 olivat sinisen, kanavat 3, 4, 5 ja 6 olivat vihreän ja kanavat 7, 8, 9 ja 10 olivat punaisen valon aallonpituus alueella. Tätä suuremmat kanavat olivat lähi-infran alueella.

Näiden opetusalueiden keskiarvot ryhmiteltiin erilaisiin maankäyttö ja kasvillisuus luokkiin. Seuraavaksi laskettiin eri luokkien keskiarvot sekä keskihajonta. Keskihajonnasta sekä keskiarvosta laskettiin luokkien erottuvuutta kuvaava luku cs seuraavalla kaavalla, missä MN on keskiarvo ja STD on keskihajonta.

Seuraavissa kuvissa eri käyrät esittävät luokkien heijastusspektrien keskiarvoa AISA-kuvan kanavien funktiona. Lisäksi on laskettu luokkien erottuvuutta kuvaava luku cs eri luokkien kombinaatioille ja etsitty se kanava, millä cs on suurin. Mitä suurempi cs on sitä paremmin luokat erottuvat toisistaan.


7.1 Puulajit

Kuva2:Eri puulajien keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona. Puulajeissa, lukuunottamatta pajua, oli koealojen lukumäärä runsas (18-37kpl).


Kombinaatio Paras kanava cs
Mänty-kuusi 10 0.90
Koivu-paju 12 0.65
Mänty-koivu 15 36.87
Kuusi-koivu 15 31.49

Taulukko 1: Luokkien erottuvuutta kuvaava luku cs:n suurimmat arvot eri puulajikombinaatioilla.

Havupuut erottuivat helposti lehtipuista lähi-infran kanavilla. Koivun ja pajun sekä männyn ja kuusen erottaminen toisistaan oli vaikeaa. Havupuista koivu erottui parhaiten lähi-infrakanavilla. Parhaiten havupuut erottuivat toisistaan kanavalla 10, mutta silloinkin keskimääräisten heijastusspektrien erot olivat pienempiä kuin luokkien keskihajonnat.




Kuva3: Eri maalajeilla kasvaneiden mäntyjen keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona. Huomioi, että hiekalla sekä turpeella oli vain muutama koeala.


Kombinaatio Paras kanava cs
Turve-moreeni 16 7.28
Turve-hiekka 12 51.52
Moreeni-hiekka 1 17.83

Taulukko 2: cs:n suurimmat arvot eri maalajeilla kasvaneessa männikössä.

Mäntymetsästä pystyttiin erottamaan toisistaan erilaiset maaperät. Hiekka oli helpointa erottaa muista maalajeista kanavilla 1 ja 12. Turve ja moreeni erottuivat parhaiten kanavalla 16.




Kuva4: Eri maalajeilla kasvaneiden kuusien keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Hiekka-hiesu 15 5.29
Hiekka-hieta 15 1.15
Hiekka-moreeni 1 0.34
Moreeni-hiesu 16 2.16
Moreeni-hieta 15 0.80
Hieta-hiesu 12 0.17

Taulukko 3: cs:n suurimmat arvot eri maalajeilla kasvaneessa kuusikossa.

Kuusikosta oli vaikea erottaa erilaisia maalajeja. Ainoastaan hiekan sekä hiesun erottaminen toisistaan näytti onnistuvan. Parhaiten luokat erottuivat kanavalla 15.




Kuva5: Eri maalajeilla kasvaneiden koivujen keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Hieta-moreeni 16 0.31
Hieta-turve 11 1.02
Hieta-savi 5 1.02
Moreeni-turve 1 0,06
Moreeni-savi 5 0.18
Turve-savi 12 0,44

Taulukko 4: cs:n suurimmat arvot eri maalajeilla kasvaneessa koivikossa.

Koivikolla eri luokkien väliset erot olivat hyvin pieniä. Itse asiassa luokkien keskihajonnat olivat suurempia, joten koivikon maaperästä ei saatu luotettavaa tietoa.



7.2 Maaperä

Kuva6: Eri maalajien (paljas maa) keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Hiekka-sora 10 144.93
Hiekka-hieta 16 3.49
Hiekka-kallio 10 39.42
Hiekka-hiesu 1 3.02
Sora-hieta 10 89.58
Sora-kallio 10 46.58
Sora-hiesu 10 291.98
Hieta-kallio 10 21.84
Hieta-hiesu 3 1.99
Kallio-hiesu 10 87.97

Taulukko 5: cs:n suurimmat arvot eri maalajikombinaatiolla.

Kanava 10 oli selvästi paras erottelemaan erilaiset maalajit toisistaan. Eri luokat erottuivat toisistaan erittäin selkeästi lukuun ottamatta hiedan, hiesun sekä hiekan yhdistelmiä.



7.3 Maatalousmaa

Kuva7: Peltojen keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Heinä-sokerijuurikas 13 35.50
Heinä-viljapelto 13 28.23
Heinä-sänkipelto 16 20.86
Sokerijuurikas-viljapelto 13 207.09
Sokerijuurikas-sänkipelto 13 125.78
Viljapelto-sänkipelto 1 0.99

Taulukko 6: cs:n suurimmat arvot eri maalajikombinaatiolla.

Erilaiset maatalousmaalajit erottuivat toisistaan helposti lähi-infran kanavilla 13 ja 16. Vilja- sekä sänkipeltoa oli kuitenkin vaikea erottaa toisistaan, mikä oli täysin odotettavissa, kun ajattelee että kuvaus oli tehty syksyllä jolloin viljapelloissa ei ole enää lehtivihreää ja ne muistuttavat puituja sänkipeltoja.




Kuva8: Eri maalajeilla kasvaneen heinän keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Hieta-turve 12 7.68
Hieta-hiesu 5 1.99
Turve-hiesu 12 2.79

Taulukko 7: cs:n suurimmat arvot eri maalajeilla kasvaneessa heinässä.

Heinikosta saatava heijastusspektri ei kerro kovinkaan paljon alueen maaperästä. Kuitenkin luokkien erottaminen onnistunee varsinkin hiedan sekä turpeen välillä, kun käytetään kanavaa 12.




Kuva9: Eri maalajeilla kasvaneen viljapellon keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Hieta-turve 10 3.99
Hieta-hiesu 4 0.49
Hieta-savi 3 0.77
Turve-hiesu 10 2.04
Turve-savi 10 13.99
Hiesu-savi 11 3.15

Taulukko 8: cs:n suurimmat arvot eri maalajisissa viljapelloissa.

Luokkien erot ovat melko pieniä lukuun ottamatta turpeen ja saven yhdistelmää kanavalla 10, jolla myös muita huonommin erottuvia maalajiluokkia kannattaa tarkastella.




Kuva10: Eri maalajeilla kasvaneen sänkipellon keskimääräiset heijastusspektrit AISA-kuvan kanavien funktiona.


Kombinaatio Paras kanava cs
Hieta-savi 10 31.60

Taulukko 9: cs:n suurimmat arvot hieta-savi sänkipelloissa.

Hieta ja savi oli helppo erottaa toisistaan ja parhaiten erottelu onnistui kanavalla 10. Suurin osa sänkipellon heijastusspektristä johtuu pellon maaperästä, joten on selvää, että hietapitoinen sänkipelto antoi hyvin samankaltaisen spektrin kuin paljas hietamaa.



7.4 Supra-akvaattisen ja subakvaattisen alueen vertailu

Kuva11: Supra-akvaattisilla ja subakvaattisilla alueilla kasvaneiden havu-, lehtimetsän sekä heinikon (joka käsittää tässä hakkuuaukeiden heinikoita) heijastusspektrit AISA-kuvan kanavien funktiona. (0) tarkoittaa supra-akvaattista ja (1) subakvaattista aluetta.


Kombinaatio Paras kanava cs
Havumetsä 11 2.65
Lehtimetsä 12 12.97
Heinä 10 12.00

Taulukko 10: cs:n suurimmat arvot supra-akvaattisilla ja subakvaattisilla alueilla.

Supra-akvaattisilla (veden koskematon, korkeimman rannan yläpuolinen) ja subakvaattisilla (korkeimman rannan alapuolinen) alueilla vertailtiin havumetsää, lehtimetsää sekä heinikkoa. Kaikki havumetsä havainnot ovat moreenialueilta, mutta lehtimetsä- sekä heinäluokkia ei ole jaoteltu maaperähavainnon mukaan sillä muuten vertailuluokkia olisi tullut liian vähän. Havaittiin että lehtimetsä sekä heinikko alueilla voidaan mahdollisesti havaita eroja supra-akvaattisilla ja subakvaattisilla alueilla (huomioi kuitenkin vähäinen vertailualueiden lukumäärä).


8. Yksittäisten puidenlatvusten vertailu samanlajisiin metsäalueisiin

Kuva12: Yksittäisten koivujen vertailu koivikkoalueisiin. Oranssit käyrät esittävät koivikoiden heijastuskäyriä ja paksu punainen käyrä esittää niiden keskiarvokäyrää. Vaaleansiniset käyrät esittävät yksittäisten koivujen heijastuskäyriä ja paksu sininen käyrä esittää niiden keskiarvokäyrää.

Kuva13: Yksittäisen männyn vertailu mäntyalueisiin. Oranssit käyrät esittävät männiköiden heijastuskäyriä ja punainen käyrä esittää niiden keskiarvokäyrää. Paksu sininen käyrä esittää yksittäisen männyn latvuksen heijastuskäyrää.



Kuva14: Yksittäisen kuusen vertailu kuusialueisiin. Oranssit käyrät esittävät kuusikoiden heijastuskäyriä ja paksu punainen käyrä esittää niiden keskiarvokäyrää. Paksu sininen käyrä esittää yksittäisen kuusen latvuksen heijastuskäyrää.

Kuusen, koivun ja männyn yksittäisiä ja tarkoin määriteltyjä latvuksia vertailtiin samanlajisiin metsäalueisiin. Yksittäisen männyn latvus antoi hyvin erilaisen spektrin, kuin mäntymetsä. Kuusen latvus ja kuusimetsä erosivat toisistaan hiukan enemmän kuin kuusimetsän keskihajonta. Yksittäisen koivun heijastusspektri oli sen sijaan erittäin lähellä koivikon spektriä. Näiden tulosten perusteella voidaan olettaa, että yksittäisten koivujen sekä varauksella myös kuusten latvuksien heijastusspektrit voidaan jossain määrin yleistää samanlajisten metsien heijastusspektreihin olettaen tietenkin, että metsät ovat tarpeeksi peitteisiä. Männyn latvuksen spektri mäntymetsään nähden oli erilainen koska mäntymetsä on harvoin peitteinen, jolloin sen heijastusspektriin vaikuttanee myös aluskasvillisuus sekä maaperä.

9. Tulokset

9.1 Puulajit

Havupuut pystytään erottamaan helposti lehtipuista. Luokkien väliset erot ovat suuria kaikilla tutkittavilla kanavilla, mutta suurimmat erot saatiin lähi-infran alueella, kanava 15:lla. Eri puulajien erottaminen toisistaan lehti- sekä havupuiden sisällä oli mahdotonta. Luokkien keskihajonta oli suurempi kuin keskiarvojen erotus. Erilaisen kasvumaan vaikutus kasvillisuuden heijastusspektriin oli havaittavissa mäntymetsässä. Turpeella kasvavien mäntyjen heijastusspektrit erosivat selvästi verrattuna hiekalla kasvaneisiin. Suurin eroavuus saatiin kanavalla 12. Myös moreeni ja hiekka oli helppo erottaa toisistaan kanavalla 1 mäntymetsän heijastusspektristä. Turpeen, moreenin ja hiekan kombinaatioista turve ja moreeni aiheuttivat pienimmän eron männikön heijastusspektriin, mutta ne ovat erotettavissa kanavalla 16. Maalajien vaikutus kuusimetsän heijastusspektriin oli hyvin vähäistä. Ainoastaan hiekka näyttäisi olevan mahdollista erottaa hiesusta. Parhaiten maalajit erottuivat kuusikossa kanavalla 15. Koivikosta ei sen sijaan saanut mitään havaittavaa tietoa alueen maaperästä.

9.2 Maaperä

Paljaalla maaperällä useimmat maalajit näyttivät erottuvan toisistaan varsin helposti kanava 10:llä. Ainoastaan hiekka, hieta ja hiesu sekoittuivat keskenään kaikilla eri kanavilla.

9.3 Maatalousmaa

Eri maatalousmaaluokat erottuivat helposti toisistaan lukuun ottamatta viljapeltoa ja puitua sänkipeltoa. Lähi-infran alueella kanavalla 13 luokkien erot olivat kaikkein suurimpia. Erilainen maaperä ei vaikuttanut havaittavasti heinän heijastusspektriin. Myöskään viljapellon spektri ei kerro paljoakaan alueen maaperästään. Ainoastaan turve- ja saviperäiset viljapellot voidaan erottaa niukasti kanavalla 10. Sänkipelloilla eri maaperät eli hieta ja savi näyttivät erottuvan toisistaan varsin helposti kanavalla 10.

10. Johtopäätelmät

Tässä tutkimuksessa tarkasteltiin yli 250:tä eri opetusaluetta, jotka edustivat mahdollisimman kattavasti Lammin koealueen. Useimmista luokista löytyi kymmeniä opetusalueita, joten niistä lasketut luokkien keskiarvot lienevät luotettavia. Sen sijaan, kun tarkasteltiin maaperälajista johtuvia eroja yhden kasvilajin sisällä, olisi opetusalueita saanut olla enemmän. Siksi tuloksia ei kannata pitää absoluuttisina totuuksina vaan enemmänkin muun tutkimuksen tukena.

Kaikkein suurimpia eroja luokkien heijastusspektreihin tuli useimmin lähi-infran alueella, eli kanavilla 10-16. Kuitenkin luokkien keskihajonnat suurenivat kanavan kasvaessa. Tämän takia luokkien suurimman erottuvuuden antavia kanavia löytyi myös lyhyemmiltä aallonpituuksilta. Kanava 10 (eli aallonpituudet 667,46 - 675,05 nm) näytti olevan paras paljaan maalajin erottelemiseen. Kanava 13:lla (776,83 - 784,42 nm) havaittiin parhaiten erilaiset maatalousmaat. Kanava 15 (840,62 - 848,22 nm) sen sijaan pystyi erottamaan parhaiten havumetsän lehtimetsästä.

11. Viitteet

Törmä M., Rainio H., Ruohomäki T., 2001: Kasvillisuuden ja eräiden maalajien luokittelukoe käyttäen AISA-spektrometriaineistoa.

Kramer H., 1996: Observation of the Earth and Its Environment.

Onkalo P., 1996: Lentokäyttöiset kuvaavat spektrometrit; fotogrammetrian, kuvatulkinnan ja kaukokartoituksen seminaari.

WWW-sivut:

Specim

METLA

GTK