Siirry sisältöön

Tällä sivulla:

Kaukokartoitus

Kaukokartoituksella kerätään paikkatietoja ilman fyysistä kosketusta tutkittavaan kohteeseen. Tietojen keruu tapahtuu joko satelliitista tai ilma-aluksesta (lentokoneesta, helikopterista, kuumailmapallosta tai lennokista) eri instrumenttien avulla. Kaukokartoituksen moninaiset menetelmät soveltuvat niin luonnon kartoitukseen, mittaukseen kuin toistuvaan seurantaan.

Laajemmin ymmärrettynä mukaan voidaan laskea myös maan pinnalta kaukokartoitusinstrumentein tehtävää havainnointia. Useissa kaukokartoituksen sovelluksissa, kuten luontotyyppien kartoituksessa ja seurannassa, maastohavainnointi on myös olennainen osa tiedonkeruuprosessia.

Kaukokartoitussatelliitteja on sekä valtioiden että yksityisten yritysten omistuksessa. Yhdessä satelliitissa voi olla useita eri erotuskyvyn ja käyttötarkoituksen instrumentteja, jotka keräävät tietoa eri tekniikoin. Sama pätee myös ilma-aluksiin, kuten lentokoneisiin ja lennokkeihin. Tästä johtuen alla olevat kappaleet on jaoteltu ensin kaukokartoitusmenetelmän mukaan (passiivinen ja aktiivinen), ja sitten kuvausalustan mukaan (satelliitit ja ilma-alukset).

Passiivinen kaukokartoitus

Passiivinen kaukokartoitus eli niin sanottu optinen kaukokartoitus on menetelmä, jossa satelliittiin tai ilma-alukseen kiinnitetty kuvausinstrumentti kerää talteen kohteen heijastamaa tai lähettämää sähkömagneettista säteilyä sen eri aallonpituusalueilta. Sitä sanotaan passiiviseksi, koska kaukokartoitusinstrumentti hyödyntää auringosta peräisin olevaa sähkömagneettista energiaa. Yksinkertaisimmillaan passiivinen kaukokartoitus tarkoittaa perinteistä lentokoneesta tehtävää näkyvän valon (punainen, vihreä, sininen) spektrin ilmakuvausta, mutta yhtä lailla tekniikkaa voidaan hyödyntää satelliiteissakin. 

Jos näkyvän valon lisäksi instrumentti pystyy keräämään signaaleja myös muilta aallonpituusalueilta eli kanavilta, puhutaan monikanavaisesta tai multispektraalisesta kaukokartoituksesta. Kun instrumentin aallonpituuksien erottelukyky kasvaa edelleen useista kymmenistä satoihin eri aallonpituusalueisiin, puhutaan hyperspektraalisesta kaukokartoituksesta. 

Väärävärikuvaus on puolestaan nykyään tekniikan kehityttyä hieman harhaanjohtava ja vanha termi, jota käytettiin filmikameroiden aikaan. Nykykäyttäjälle väärävärikuva tarkoittaa yleensä vain kanavakombinaatiota, jolla kuva voidaan visualisoida ”ihmissilmälle väärillä väreillä” eli hyödyntäen muita kuin näkyvän valon aallonpituusalueen kanavakombinaatioita, kuten lähi-infrapunaa.

Väärävärikuva Ivalossa sijaitsevasta joesta.
Väärävärikuva Ivalojoesta, keskellä Ivalon keskusta. Kuva: Sisältää muokattua Copernicus Sentinel-2-dataa, Syke

Passiivisen kaukokartoituksen käyttö luontotyyppien seurannassa

Satelliiteista tehtävä kaukokartoitus mahdollistaa luonnon alueellisen, kuten luontotyyppien, jatkuvan ja systemaattisen kartoituksen ja tutkimuksen maailmanlaajuisesti. Satelliittikuva-aikasarjojen avulla on mahdollista tutkia luontotyyppien tilan muutoksia periaatteessa jopa 1970-luvun puolivälistä asti.

Kun satelliitin kuvausolosuhteet tunnetaan ja instrumentit ovat oikein kalibroidut, kaukokartoituksella on mahdollista kerätä kasvillisuuden ja luontotyyppien seurannan kannalta olennaisia biofyysisiä muuttujia eri mittakaavoissa. Näitä ovat esimerkiksi latvuksen rakennetta kuvailevat muuttujat (lehtialaindeksi LAI, biomassa, kasvillisuuden peiton osuus) ja biokemialliset muuttujat (lehtien pigmentin muodostus, kosteuspitoisuus, klorofyllipitoisuus).

Satelliittien, ja yhtä lailla ilma-alusten, kuvausinstrumenttien kanavista lasketuilla erilaisilla radiometrisillä indekseillä voidaan korostaa haluttuja piirteitä, kuten kasvillisuutta tai maaperän kosteutta. Intuitiivisten radiometristen indeksien tulkinta ja vertailu on monesti kanavakohtaisten sävyarvojen tulkintaa helpompaa. Indeksit ovat skaalattu tietylle arvovälille, ja samoja indeksejä voi hyödyntää monien eri instrumenttien ottamissa kuvissa, kunhan niistä löytyvät oikeat kanavat.

Indeksien arvojen ajallinen vertailu on moneen käyttöön soveltuva menetelmä myös luontotyyppien seurannassa kuten Metsähallituksen ja Syken yhteisessä Ylä-Lappi -hankkeessa todettiin. NDVI-kasvillisuusindeksin kasvukauden maksimin avulla tunnistettiin reheväkasvuisia ja ravinteisia luontotyyppejä.

Satelliitti avaruudessa.
Maanpeitettä kartoittava satelliitti avaruudessa. Kuva: ©ESA

Satelliittien ominaispiirteitä luontotyyppien seurannan kannalta

Avoimena saatavilla olevien satelliittiaineistojen spatiaalinen erotuskyky (10–30 m) on monille pienialaisille luontotyypeille sekä tiettyjen maaston piirteiden tunnistamiseen liian suuri. Satelliittiaineistojen perusteella saadaankin paremmin tietoa laajemmalla luontotyyppitasolla. Esimerkiksi Ylä-Lappi-hankkeessa keskityttiin laaja-alaisiin ja suhteellisen homogeenisiin luontotyyppeihin, kuten tunturikankaisiin ja koivikkoihin. 

Tyypillisinä haasteina pidetään myös monien instrumenttien riittämätöntä kykyä erottaa pieniä muutoksia säteilyn aallonpituudessa (spektrinen erotuskyky) sekä kykyä erottaa pienet muutokset mitatun säteilyn määrässä (radiometrinen erotuskyky). Lisäksi olennainen haaste erityisesti Suomen ilmasto-olosuhteissa on satelliittikuvien temporaalinen erotuskyky, joka tarkoittaa sitä, kuinka tiheällä aikavälillä satelliitti kuvaa samaa kohdetta. 

Suomessa kasvukausi on lyhyt ja vallitseva säätyyppi usein pilvinen tai puolipilvinen, joten luontotyyppien tilan lyhyen aikavälin muutoksia voi olla haastavaa seurata, jos seurattavasta luontotyypistä saadaan vain yksi tai muutama käyttökelpoinen satelliittikuva kasvukauden aikana. Lisäksi on huomioitava, että loppusyksystä aina alkukevääseen saakka aurinko paistaa niin matalalta, että kuvausgeometrisistä syistä monia satelliittikuvia ei Suomesta saada.

Satelliittityypit luontotyyppien seurannan kannalta

Karkean spatiaalisen erotuskyvyn satelliitit

Karkean spatiaalisen erotuskyvyn (yli 100 m) satelliitteja hyödynnetään luontotyyppien seurannassa globaalilla tasolla, mutta niitä ei sovi unohtaa myöskään valtakunnallisissa seurannoissa, varsinkin kun tarvitaan pitkiä ja harmonisoituja aikasarjoja ja tarkasteluun riittää maisematason tarkkuus.

Tunnetuin ja eniten käytetyin lienee Yhdysvaltain avaruusjärjestö NASAn MODIS (Moderate resolution imaging spectroradiometer). Satelliitteja on kaksi ja niistä Terra on ollut toiminnassa vuodesta 1999 ja Aqua vuodesta 2002. MODIS-satelliiteissa olevat kuvaavat spektrometrit tallentavat 36 eri aallonpituusaluetta spatiaalisen erotuskyvyn ollessa 250-1000 m. Näin ollen kyseessä on hyperspektraalinen kuvausinstrumentti, vaikkei sitä sellaiseksi usein mielletäkään. Terra- ja Aqua -satelliitit ovat tulossa käyttöikänsä päähän, mutta uusia kuvia saataneen vielä vuoteen 2025-2026 saakka.

Varsinaisten satelliittikuvien lisäksi saatavilla on kymmenittäin valmiita kuvatuotteita aina maanpinnan lämpötilasta, primaarituottavuudesta ja palaneista alueista erilaisiin kasvillisuusindekseihin sekä lumi-, jää- ja merialueiden tilaa kuvaaviin tuotteisiin.

Korkean spatiaalisen erotuskyvyn satelliitit

Korkean spatiaalisen erotuskyvyn (10-100 m) satelliitit lienevät kaikista yleiskäyttöisimpiä luontotyyppien seurantaan. Tunnetuimpia, edelleen toiminnassa olevia ovat NASAn Landsat-ohjelman satelliitit sekä Euroopan avaruusjärjestön Sentinel 2 -satelliitit.

Landsatista on vuosikymmenien aikana muodostunut ympäristön tilan seurannan luotettava työkalu: maastorerotuskyky on sopiva moniin tarkoituksiin, kanavien aallonpituusalueet ovat tarkoin harkittuja, kuvakoko on suhteellisen suuri (n. 170 x 183 km), ja koko kuva-arkisto 1970-luvulta saakka on tutkijoiden vapaassa käytössä.

Satelliittikuva rannikkoalueelta.
Porvoon edustan rannikkoaluetta lumen sulamisen aikaan. Kuva: USGS / NASA

Euroopan Avaruusjärjestö ESAn Sentinel 2a (vuodesta 2015) ja 2b (vuodesta 2017) -satelliiteissa on Landsatin tavoin monikanavainen kuvausinstrumentti, joka pystyy tallentamaan säteilyä 13 eri kanavalla, mutta tarkemmalla 10-60 metrin erotuskyvyllä kanavasta riippuen. Suomesta kuvia saadaan noin viiden päivän välein, kuvakoon ollessa jopa 290 x 290 km.

Tämän lisäksi Sentinel-2 eroaa Landsatista siinä, että ns. Red edge -aallonpituusalueen (n. 700-790 nm) säteilyä kerätään kolmelle lisäkanavalle, mikä tuo lisämahdollisuuksia luontotyyppien seurantaan. Toisaalta Sentinel-2:sta puuttuvat Landsatissa olevat lämpökanavat sekä pankromaattinen kanava, ja aikasarja on merkittävästi lyhyempi. Kolmas Sentinel-2-satelliitti on suunniteltu laukaistavaksi kiertoradalleen vuonna 2024, jolloin kuvien saatavuus edelleen paranee.

Lukuisilla kaupallisilla palveluntarjoajilla on satelliitteja, jotka hyödyntävät passiivisia kaukokartoitusmenetelmiä niin sanottujen erittäin korkean (spatiaalisen) erotuskyvyn satelliittikuvien (Very High Resolution, VHR) ottamiseen. Maastoerotuskyky näissä voi vaihdella muutamasta kymmenestä sentistä noin viiteen metriin. Tämän lisäksi joillakin palveluntarjoajilla on kymmenien tai satojen piensatelliittien parvia, jotka kykenevät korkean maastoerotuskyvyn lisäksi korkeaan temporaaliseen erotuskykyyn, jolloin samalta alueelta on mahdollista saada kuvia jopa päivittäin.

VHR-kuvien avulla saataisiin tarkempaa tietoa luontotyyppien laadullisista muutoksista hyvinkin lyhyellä aikavälillä. Haasteena on kuten ilmakuvilla se, että yhden kuvan peittämä ala on suhteellisen pieni ja isojen alueiden homogeenista kuvapeittoa on Suomen olosuhteissa hankala saada. Lisäksi erittäin korkean spatiaalisen erotuskyvyn kompromissina spektraalinen erotuskyky on karkeampi pidempien aallonpituusalueiden kanavien usein puuttuessa. Nykyinen VHR-kuvien hinnoittelupolitiikka ei myöskään vielä mahdollista niiden laajamittaista käyttöä operatiivisessa seurannassa.

Satelliittien avulla tehtävä passiivinen kaukokartoitus perustuu siis maan- ja vedenpinnan kohteiden heijastaman, auringosta peräisin olevan elektromagneettisen säteilyn eri aallonpituuksien mittaamiseen (reflektanssi). Osa säteilystä kuitenkin palaa takaisin ilmakehään ja sensoriin suuremman aallonpituusalueen eli termisen infrapunan lämpösäteilynä (emissio).

Emissiota on pitkään sovellettu esimerkiksi maanpinnan ja vesistöjen pintalämpötilan, metsäpalojen, evapotranspiraation ja albedon mittauksiin ja seurantaan. On kuitenkin huomioitava, että sensorit pystyvät mittaamaan vain kohteiden pintalämpötilaa, ei tietoa esimerkiksi kenttäkerroksen lämpötiloista saada tiheän latvuston läpi tai pienialaisilta luontotyypeiltä.

Passiivinen kaukokartoitus ilma-aluksista

Ilma-alusten vahvuutena voidaan pitää joustavuutta kuvauspaikan ja -ajan suhteen ja korkeaa spatiaalista erotuskykyä. Laaja-alaiseen operationaaliseen toisteiseen luontotyppien seurantaan se soveltuu huonosti korkeiden kustannusten sekä kuvien peittämän alan pienuuden johdosta. Myöskin kuvausgeometriasta, ilmakehän olosuhteista ja fenologiasta johtuvat erot kuvien välillä vaikeuttavat laaja-alaista seurantaa ja asettavat suuria haasteita tekoälysovelluksille.

Maanmittauslaitoksen Kansallisessa ilmakuvausohjelmassa Suomi on jaettu alueisiin, jotka pohjoisinta Lappia lukuun ottamatta ilmakuvataan kolmen vuoden sykleissä. Puolet kuvauksista tehdään keväällä ennen kuin puissa on lehtiä ja toinen puoli kesällä, kun puissa on jo täydet lehdet. Vanhoista ilmakuvista voidaan tarkastella mm. maankäytön muutoksia.

Ilmakuva Patvinsuon kansallispuistosta
Ilmakuva Patvinsuon kansallispuistosta. Kuva: MML

Passiivisessa kaukokartoituksessa käytettäviä tekniikoita

Stereokartoitus

Ilmakuvien spatiaalista erotuskykyä säädellään kameran polttoväliä ja lentokorkeutta muuttamalla, mutta tyypillisesti ilmakuvat ovat satelliittikuvia tarkempia. Kuvaus suoritetaan rinnakkaisina kuvajonoina siten, että peräkkäiset ja vierekkäiset kuvat peittävät osittain toisiaan.

Näin varmistetaan, että ilmakuvista saadaan muodostettua yhtenäinen mosaiikki. Kun jokainen kohde näkyy ainakin kahdella kuvalla, kuvalla on täydellinen stereopeitto, joka mahdollistaa myös kuvien kolmiulotteisen tarkastelun eli stereokartoituksen.

Structure-from-motion tekniikka

Stereokartoituksen rinnalle on viime vuosina noussut ns. Structure-from-motion tekniikka, jolla niin vanhoista kuin uusistakin stereopeittoisista ilmakuvista voidaan luoda fotogrammetrisia pistepilviä, joiden avulla voidaan muodostaa tarkkoja maanpinnan malleja. Tekniikkaa on hyödynnetty niin vanhoilla ilmakuvilla esimerkiksi geomorfologisissa sovelluksissa kuin uusista lennokeista otetuilla ilmakuvilla metsien biofyysisten parametrien kartoituksessa sekä ruohostomaiden kasvillisuuden korkeuden seurannassa.

Lennokit eli dronet

Lennokkiin eli drooniin voidaan liittää monenlaisia passiivisia sensoreita aina näkyvän valon kameroista hyperspektrikameroihin. Ketterät lennokit ovat parhaimmillaan laajojen maastotöiden tukena sekä intensiivissä tutkimuksissa, joissa selvitetään pienehkön alueen tai jonkin erityisen biodiversiteetin ominaispiirteen esiintymistä. Haittapuolena on

  • aineistonkeruun pienialaisuus
  • riippuvuus säästä
  • tiedonkeruun sekä -prosessoinnin hitaus

Kiinteäsiipiset lennokit pystyvät kuitenkin jo kattamaan useiden neliökilometrien suuruisia alueita, mikä laajentaa käytettävyyttä perinteisiä koptereita laajemmalle alueelle. Lennokilla tehtävän aineiston keruun määrittelyä esimerkiksi tukemaan uhanalaisten luontotyyppien arviointeja ei toistaiseksi ole Suomessa tehty, mutta potentiaalia siihen on.

Hyperspektrikuvaus

Hyperspektrikuvauksessa hyödynnetään kuvaavaa spektrometriä, jolla kerätään tietoa koko elektromagneettisen säteilyn spektrialueelta ja kapeammilla aallonpituusalueilla, jolloin saadaan täsmällisempää tietoa heijastavan kohteen, kuten luontotyypin, ominaisuuksista (Vihervaara et al. 2019).

Luonnon tilan seurannan kannalta tämä tarkoittaa esimerkiksi sitä, että voidaan arvioida puun latvuston lehtien kemiallisia ominaisuuksia, kuten typpi- tai puolustusainepitoisuuksia. Nämä puolestaan voivat toimia indikaattorina metsien terveydestä. Yhtäältä hyperspektriaineistosta voidaan saada signaaleja, jotka selittävät kasvillisuuden toiminnallisia ominaispiirteitä, esimerkiksi haihduntaa, hiilensidontaa tai karikkeentuotantoa, mahdollistaen tiedon yhdistämisen ekosysteemiprosesseja kuvaaviin malleihin.

Hyperspektri- ja edustavan maastoaineiston avulla on myös mahdollista tunnistaa latvuskerrokseen ulottuvia puita lajilleen kohtuullisen tarkasti, erityisesti kun tukena on myös tiheäpulssista laserkeilausaineistoa tai fotogrammetrista pistepilveä.

Aalto-yliopistossa puolestaan on kehitetty puulajikohtaisia spektrikirjastoja, joita voitaisiin tulevaisuudessa käyttää tarkempaan puulajien ja jopa pystylahopuiden tunnistamiseen, mutta tämä vaatii vielä sovellettavuuden kehittelyä. Lisäksi hyperspektrikuvauksen avulla on Pohjois-Suomessa tunnistettu lettoja, nevoja ja rämeitä.

Viime vuosiin asti hyperspektriaineistoa on ollut saatavilla lähinnä lentokoneista, helikoptereista sekä lennokeista kerättynä. Tämä on merkittävästi rajoittanut näiden aineistojen hyödyntämistä luontotyyppien seurannassa, sillä lentojen järjestäminen on kallista ja vaatii erityisosaamista. Poikkeuksena tähän on vuosina 2000–2017 toiminnassa ollut Pohjois-Amerikan avaruusjärjestö NASA:n kokeellinen Hyperion-instrumentti EO-1 satelliitissa, jota hyödynnettiin esimerkiksi metsien rakenteellisen monimuotoisuuden tutkimisessa, sekä jo edellä mainittu MODIS.

Tilanne on kuitenkin nyt muuttunut: uusia kuvaavalla spektrometrilla varustettuja satelliitteja on jo toiminnassa, ja lukuisa suunnitteilla. Operatiivisessa käytössä olevista mainittakoon Saksan avaruusjärjestön EnMAP ja Italian avaruusjärjestön PRISMA. Molemmissa spatiaalinen erotuskyky on 30 x 30 m, kuva-alan jäädessä suhteellisen pieneksi (30 x 30 km).

Suomalainen Kuva Space on valittu mukaan Copernicuksen palveluntarjoajien joukkoon ja heiltä on odotettavissa yli sadan mikrosatelliitin parvi hyperspektrikuvaukseen. Lisäksi suunnitteilla ovat Copernicus-ohjelman CHIME ja Yhdysvaltain avaruusjärjestön SBG.

Niin EnMAPin kuin PRISMAn keräämää aineistoa on jo nyt mahdollista saada tutkimuskäyttöön, vaikka toistaiseksi kuva-aineistoa onkin Suomesta kertynyt niukasti. Luontotyyppien seurannan kannalta spatiaalinen erotuskyky on näissä vielä melko karkea, mutta yhdistettynä muuhun kaukokartoitusaineistoon ja maastohavaintoihin mahdollisuudet moninkertaistuvat.

Tämän uudentyyppisen aineiston hyödyntämistä luontotyyppien seurannassa Suomessa ei ole vielä tarpeeksi tutkittu ja sen todellista potentiaalia ei ole testattu. Erittäin tervetullut kehityskulku on kuitenkin se, että ainakin EnMAPin keräämästä kuva-aineistosta ollaan kehittämässä analyysivalmista kuvatuotetta Landsat, Sentinel ja MODIS -satelliittien tapaan.

GTK:n geofysikaaliset matalalentokartat

GTK:n geofysikaaliset matalalentokartat soveltuvat muun muassa kallioperäkartoitukseen, maaperätutkimuksiin ja ympäristötutkimuksiin alueellisessa mittakaavassa. Geofysiikan lentoaineistoja on kerätty koko Suomesta vuosina 1972–2007. Näissä mitattiin maapallon magneettikenttää, elektromagneettista kenttää ja luonnollista gammasäteilyä.

Luonnonvarakeskuksen, Geologian tutkimuskeskuksen sekä Helsingin ja Turun yliopistojen yhteisessä Maaperätiedon kehittäminen -hankkeessa on käytetty gammasäteilyä kuvaamaan turvekerroksen paksuutta. Sähkömagneettisista kartoista voi tutkia myös sähkölinjojen, rautateiden, rakennusten ja muiden ihmisen aikaansaamien kohteiden vaikutusta.

Droonin eli lennokin ohjain ja kuvaruutu
Droonin eli lennokin ohjain ja kuvaruutu. Kuva: Riku Lumiaro / Syke

Aktiivinen kaukokartoitus

Aktiivisessa kaukokartoitusjärjestelmässä itse instrumentti on säteilyn lähde, joka valaisee kohteen. Instrumentin sensorit lähettävät energiapulsseja kohteeseen, ja tallentavat kohteista takaisin heijastuvan tai takaisinsiroavan säteilyn. Yleisimpiä aktiivisen kaukokartoituksen menetelmiä ovat tutkakuvaus ja laserkeilaus eli Lidar (Light Detection and Ranging).

Aktiivinen kaukokartoitus satelliiteista

Synteettisen apertuurin tutka tutka eli SAR (Synthetic Aperture Radar) on jo 1950-luvulla kehitetty tiedonkeruumenetelmä. Tutkakuvaus ei ole riippuvainen auringon heijastamasta tai emittoimasta energiasta, ja pystyy siten keräämään tietoa vaikka vuorokauden ympäri, ja Suomen leveyspiireillä vuoden ympäri. Tutkakuvauksen lisäetuna on kyky kuvata lähes kaikissa sääolosuhteissa, tutka-aaltojen läpäistessä ilmakehän pilvikerrokset.

SAR-instrumentit hyödyntävät eri aallonpituuksia. Lyhyen aallonpituuden (~2-6 cm) tutkasignaalit läpäisevät vain osittain kasvillisuuden eri kerroksia, soveltuen siten paremmin matalamman kasvillisuuden tutkimiseen. Pidemmän aallonpituuden (~23- 60 cm) signaalit taas läpäisevät ne kokonaan, mikä soveltuu paremmin ekosysteemien rakenteen, maanpäällisen biomassan ja kasvillisuuden korkeuden mittaamiseen.

Vaikka tutka-aineistojen potentiaali on merkittävä, toistaiseksi sovellukset luontotyyppien seurannassa ovat olleet vähäisiä ainakin Suomessa, mikä on saattanut johtua aineiston saatavuusongelmista, lukuisista esikäsittelyvaiheista, ja analysoinnin koetusta hankaluudesta. Tilanne on nyt kuitenkin muuttunut kahden ensimmäisen haasteen osalta, sillä tutka-aikasarjoja on avoimesti saatavilla analyysivalmiina tuotteina.

Käyttökelpoisimpia tutkasatelliitteja luontotyyppien seurantaan ovat Euroopan avaruusjärjestön Sentinel-1 sekä Japanin avaruusjärjestön ALOS PALSAR (2006-2011) ja ALOS-2 (2014-). Näistä Sentinel-1 on lyhyen aallonpituuden (C) tutka kun taas ALOS ja ALOS-2 ovat pidemmän aallonpituuden (L) tutkia, erotuskyvyn ollessa kuvaustavasta riippuen 10 – 100 m.

Aktiivinen kaukokartoitus ilma-aluksista ja maan pinnalta

Laserkeilaus on yksi monikäyttöisimmistä kaukokartoitusmenetelmistä luontotyyppien seurannassa, koska sitä voidaan tehdä niin ilma-aluksista (lentokoneet ja lennokit) kuin maanpinnalta (terrestrinen laserkeilaus). Se perustuu laserkeilaimen lähettämään ja vastaanottamaan laserkaikusignaaliin (pulssiin). Signaalin kulkema aika keilaimesta maan pinnalle ja takaisin mitataan tarkasti. Yhdistämällä tämä tieto tarkkaan paikannustietoon saadaan selville maastokohteiden tasosijainnit ja korkeudet.

Laserkeilauksen avulla saadaan uniikkia tietoa kohteen kolmiulotteisesta rakenteesta, esimerkiksi puuston korkeudesta ja metsien kerroksellisuudesta. Näillä muuttujilla on merkitystä muun muassa monien metsälajien esiintymiselle, kuten vaikkapa linnuille.

Laserkeilaus Suomessa

Lentokoneista tehtävä, koko maan kattava laserkeilauskampanja (0,5 pulssia/m2) on toteutettu Suomessa ensimmäisen kerran v. 2008–2019. Maanmittauslaitoksen tilaamassa kampanjassa pääasiallinen tarkoitus on kuitenkin ollut tiedonkeruu maanpinnan korkeuden ja metsävaratietojen mallintamista varten, ja aineisto on osoittautunut varsin heterogeeniseksi johtuen kampanjan pitkästä kestosta ja lukuisista alihankkijoista.

Toinen kansallinen laserkeilausohjelma alkoi vuonna 2020. Ohjelmassa  koko Suomi keilataan pohjoisinta Lappia lukuun ottamatta kuuden vuoden sykleissä (MML 2023). Vuosittain keilattavaa pinta-alaa on noin 55 000 km2 pistetiheyden ollessa 5 plussia/m2. Aineistosta tuotetaan myös maanpinnan korkeusmalli ja latvusmalli.

Kaukokartoituksen yksi haasteista on aina ollut, miten ylhäältä päin saadaan havaintoja latvuskerroksen alapuolelta. Optinen kaukokartoitus ei tähän kykene, pidemmän aallonpituuden SAR-tutkat ja ilma-aluksista tehtävä laserkeilaus pystyvät osittain. Yksi ratkaisu tähän ongelmaan on viedä laserkeilain maan pinnan tasolle, jolloin puhutaan terrestrisestä laserkeilauksesta. Tällöin saadaan kolmiulotteista tietoa niin latvuskerrosten rakenteesta kuin aluskasvillisuudestakin. Keilaimen voi kiinnittää myös kulkuneuvoon (esim. mönkijä tai vene), jolloin kartoitettavan alueen pinta-alaa saadaan kasvatettua.

Terrestrisellä laserkeilauksella kerätyt metsän rakennepiirteet, kuten kerroksellisuuden vertikaalinen ulottuvuus yhdistettynä horisontaaliseen vaihteluun, pystyvät tehokkaasti erottamaan tasaikäisen metsän jatkuvan kasvatuksen eri-ikäisestä metsästä. Rakennepiirteitä voi hyödyntää esimerkiksi ekosysteemin toiminnan, lajikirjon tai paikallisilmaston kuvailemisessa.

Satelliittiaineistojen käytettävyys ja saatavuus luonnon seurannan kannalta

Kaukokartoitusaineiston hyödyntäminen luontotyyppien seurannassa on ollut viime vuosiin saakka melko vähäistä. Tähän ovat vaikuttaneet muun muassa 

Satelliittikaukokartoituksen käytettävyys ja aineistojen saatavuus on huomattavasti parantunut viimeisen reilun vuosikymmenen aikana. Tähän on vaikuttanut keskeisesti useampi tekijä.

Ensimmäiseksi, alan kansalliset toimijat ovat avanneet kuva-arkistojaan tutkimukselle. Esimerkiksi Yhdysvaltain geologian tutkimuskeskuksen Landsat- ja Euroopan avaruusjärjestön Sentinel-satelliittiaineistot ovat kokonaisuudessaan avoimia.

Toiseksi, aineistojen tuottajat ovat siirtyneet niin sanottujen  analyysivalmiiden aineistojen (Analysis Ready Data, ARD) jakeluun. Tämä tarkoittaa, että kuva-aineisto on valmiiksi esikäsitelty, jolloin käyttäjä voi valita eri tuotevaihtoehdoista tarpeisiinsa soveltuvimman ja siirtyä suoraan analyysivaiheeseen. Tämä on myös mahdollistanut aineistojen yhä laajemman käytettävyyden eri sovelluksissa, kun kaikki kuvat esikäsitellään standardoiduilla, vertaisarvioiduilla, dokumentoiduilla ja avoimilla menetelmillä. Lisäetuna saavutetaan eri aineistojen vertailukelpoisuus niin ajallisesti kuin toisiinsa verrattuna, sekä tulosten parempi luotettavuus verrattuna aikaisempaan tilanteeseen, jolloin jokainen esikäsitteli kuvansa itse vaihtelevalla osaamisella ja vaihtelevin tuloksin.

Kolmanneksi, avoimen lähdekoodin ohjelmistojen sekä tietokoneiden (ja erityisesti pilvipalveluiden) laskentatehon kehitys on ollut nopeaa. On siirrytty toimintamalliin, jossa käyttäjän ei tarvitse enää ladata ja käsitellä aineistoja omalle koneelleen vaan kaikki käsittely- ja analyysivaiheet tapahtuvat kaukokartoitusaineistojen prosessointiin erikoistuneissa pilvipalvelussa, joissa aineistot ovat valmiina ja joita käyttäjä ohjaa verkkoselaimesta käsin (Vihervaara et al. 2019). Tällaisia palveluita ovat esim.

Satelliittien määrän lisääntyminen ilmakehässä on myös edesauttanut satelliittikuvien ajallista erotuskykyä: saman alueen yli lentävät eri satelliitit kuvaavat aluetta parhaimmillaan jopa päivittäin. Tämä mahdollistaa ympäristön muutosten entistä tarkemman havainnoinnin, sekä lisää todennäköisyyttä saada alueesta pilvettömiä kuvia.

Lähteet

Aalto, I., Aalto, J., Hancock, S., Valkonen, S., Maeda, E.E. (2023): Quantifying the impact of management on the three-dimensional structure of boreal forests. Forest Ecology and Management 535: 120885. https://doi.org/10.1016/j.foreco.2023.(siirryt toiseen palveluun)

Cawse-Nicholson, K.; Townsend, P.A.; Schimel, D.; Assiri, A.M.; Blake, P.L.; Buongiorno, M.F.; Campbell, P.; Carmon, N.;Casey, K.A.; Correa-Pabón, R.E.; et al. (2021): NASA’s surface biology and geology designated observable: Aperspective on surface imaging algorithms. Remote Sensing of Environment 257: 112349.
https://doi.org/10.1016/j.rse.2021.112349(siirryt toiseen palveluun)

Claverie, M., Ju, J., Masek, J.G., Dungan, J.L., Vermote, E.F., Roger, J.-C., Skakun, S.V. & Justice, C. (2018): The Harmonized Landsat and Sentinel-2 surface reflectance data set, Remote Sensing of Environment 219/2018, s. 145–161. https://doi.org/10.1016/j.rse.2018.09.002(siirryt toiseen palveluun)

Cogliati, S.; Sarti, F.; Chiarantini, L.; Cosi, M.; Lorusso, R.; Lopinto, E.; Miglietta, F.; Genesio, L.; Guanter, L.; Damm, A.; et al. (2021). The PRISMA imaging spectroscopy mission: Overview and first performance analysis. Remote Sensing of Environment 262: 112499. https://doi.org/10.1016/j.rse.2021.112499(siirryt toiseen palveluun) 

Drusch, M., Del Bello, U., Carlier, S., Colin, O., Fernandez, V., Gascon, F., Hoersch, B., Isola, C. et al. (2012): Sentinel-2: ESA’s Optical High-Resolution Mission for GMES Operational Services, Remote Sensing of Environment 120/2012, s. 25–36. https://doi.org/10.1016/j.rse.2011.11.026(siirryt toiseen palveluun)

Dwyer, J., Roy, D., Sauer, B., Jenkerson, C., Zhang, H. & Lymburner, L. (2018): Analysis Ready Data: Enabling Analysis of the Landsat Archive, Remote Sensing 10/2018. https://doi.org/10.3390/rs10091363(siirryt toiseen palveluun)

Forsmoo, J., Anderson, K., Macleod, C. J. A., Wilkinson, M. E., Brazier, R. (2018): Drone-based structure-from-motion photogrammetry captures grassland sward height variability. Journal of Applied Ecology 55(6): 2587-2599. https://doi.org/10.1111/1365-2664.13148(siirryt toiseen palveluun)

Gao, Q., Zribi, M., Escorihuela, M. J. & Baghdadi, N. 2017: Synergetic Use of Sentinel-1 and Sentinel-2 Data for Soil Moisture Mapping at 100 m Resolution. Sensors 17(9):1966.

Geologian tutkimuskeskus (GTK) (2018): Geofysikaaliset matalalentokartat 1:20 000 (metatietokuvaus). https://tupa.gtk.fi/paikkatieto/meta/lentogeofysikaaliset_matalalentokartat_20k.html(siirryt toiseen palveluun)

Guanter, L.; Kaufmann, H.; Segl, K.; Foerster, S.; Rogass, C.; Chabrillat, S.; Kuester, T.; Hollstein, A.; Rossner, G.; Chlebek, C.; et al. (2015): The EnMAP Spaceborne Imaging Spectroscopy Mission for Earth Observation. Remote Sensing 2015( 7): 8830–8857. http://dx.doi.org/10.3390/rs70708830(siirryt toiseen palveluun)

Hancock, Essery, R., Reid, T., Carle, J., Baxter, R., Rutter, N., Huntley, B. (2014): Characterising forest gap fraction with terrestrial lidar and photography: an examination of relative limitations. Agricultural and Forest Meteorology 189-190: 105-114. https://doi.org/10.1016/j.agrformet.2014.01.012(siirryt toiseen palveluun)

Hua, L. & Shao, G. 2016: The progress of operational forest fire monitoring with infrared remote sensing. Journal of Forestry Research 28(2):1–15.

Iglhaut, J., Cabo, C., Puliti, S., Piermattei, L., O’Connor, J., Rosette, J. (2019): Structure from Motion Photogrammetry in Forestry: a Review. Current Forestry Reports 5, 155-168. https://doi.org/10.1007/s40725-019-00094-3(siirryt toiseen palveluun)

Karjalainen, M., U. Pyysalo, K. Karila & J. Hyyppä (2009): Forest biomass estimation using Alos Palsar images in challenging natural forest area in Finland. Proceedings of the 2008 Joint PI Symposium of the ALOS Data Nodes, Rhodes, Greece, 3 to 7 November 2008. ESA Special Publication SP-664. http://lib.tkk.fi/Diss/2010/isbn9789517112819/article6.pdf(siirryt toiseen palveluun)

Kuzmin, A., Korhonen, L., Kivinen, S., Hurskainen, P., Korpelainen, P., Tanhuanpää, T., Maltamo, M., Vihervaara, P. & Kumpula, T. (2021): Detection of European Aspen (Populus tremula L.) Based on an Unmanned Aerial Vehicle Approach in Boreal Forests. Remote Sensing 13(9): 1723. https://doi.org/10.3390/rs13091723(siirryt toiseen palveluun)

Middleton, M., Laatikainen, M., Kivilompolo, J., Harju, A., Lerssi, J., Valkama, M., Pitkänen, T., Pohjankukka, J., Balazs, A., Tuominen, S., Zelioli, L., Farahnakian, F., Nevalainen, P., Heikkonen, J. & Rehell, S. 2022: Preliminary results of the MaaTi peatland database piloting stage. Geological Survey of Finland, Information solutions unit. Rovaniemi.

Mononen, L., P. Vihervaara, T. Repo, K.T. Korhonen, A., Ihalainen & T. Kumpula (2017): Comparative study on biophysical ecosystem service mapping methods – A test case of carbon stocks in Finnish Forest Lapland. Ecological Indicators 73/2017: 544-553. http://dx.doi.org/10.1016/j.ecolind.2016.10.003(siirryt toiseen palveluun)

Mäyrä, J., Keski-Saari, S., Kivinen, S., Tanhuanpää, T., Hurskainen, P., Kullberg, P., Poikolainen, L., Viinikka, A., Tuominen, S., Kumpula, T. & Vihervaara, P. 2021: Tree species classification from airborne hyperspectral and LiDAR data using 3D convolutional neural networks. Remote Sensing of Environment 256:1–16. https://doi.org/10.1016/j.rse.2021.112322(siirryt toiseen palveluun)

Nagendra, H., L. Richard, J.P. Honrado, R.H.G. Jongman, R.H.G., C. Tarantino, M. Adamo & P. Mairota, P. (2013): Remote sensing for conservation monitoring: Assessing protected areas, habitat extent, habitat condition, species diversity, and threats. Ecological Indicators 33/2013: 45-59. https://doi.org/10.1016/j.ecolind.2012.09.014(siirryt toiseen palveluun)

Nevalainen, O., E. Honkavaara, S. Tuominen, N. Viljanen, T. Hakala, X. Yu, J. Hyyppä, H. Saari, Pölönen, I., Imai, N. N., Tommaselli, A. M. G. (2017): Individual Tree Detection and Classification with UAV-Based Photogrammetric Point Clouds and Hyperspectral Imaging. Remote Sensing 9/2017, 185. https://doi.org/10.3390/rs9030185(siirryt toiseen palveluun)

Quegan, S., Toan, L. T., Chave, J. et al. (2019): The European Space Agency BIOMASS mission: Measuring forest above-ground biomass from space. Remote Sensing of Environment 227: 44-60. https://doi.org/10.1016/j.rse.2019.03.032(siirryt toiseen palveluun)

Rast, M.; Ananasso, C.; Bach, H.; Ben-Dor, E.; Chabrillat, S.; Colombo, R.; Del Bello, U.; Feret, J.; Giardino, C.; Green, R.; et al. (2019): Copernicus Hyperspectral Imaging Mission for the Environment: Mission Requirements Document, 2.1st ed.; Number ESA-EOPSMCHIM-MRD-3216 in Mission Requirements Document (MRD); European Space Agency (ESA): Paris, France.

Rautiainen, M., Hovi, A., Kuusinen, N., Juola, J., Forsström, P., Salko, S.-S., Schraik, D. & Burdun, I. 2022: Avoimia spektrikirjastoja Suomen metsistä. Metsätieteen aikakauskirja 2022-10734. Puheenvuoro. 2 s.

Upadhyay, P.; Czerkawski M.; Davison, C.; Cardona, J.; Macdonald, M.; Andonovic, I.; Michie, C.; Atkinson, R.; Papadopoulou, N.; Nikas, K.; et al. (2022): A Flexible Multi-Temporal and Multi-Modal Framework for Sentinel-1 and Sentinel-2 Analysis Ready Data. Remote Sensing 2022, 14, 1120. https://doi.org/10.3390/rs14051120(siirryt toiseen palveluun)

Vihervaara, P., L. Mononen, A.-P. Auvinen, R. Virkkala, Y. Lü, I. Pippuri, P. Packalen, R. Valbuena & J. Valkama (2015): How to integrate remotely sensed data and biodiversity for ecosystem assessments at landscape scale. Landscape Ecology 3/2015: 501-516. http://dx.doi.org/10.1007/s10980-014-0137-5(siirryt toiseen palveluun)

Vihervaara, P., Kullberg, P., Hurskainen, P. 2019: Biodiversiteetin mittaaminen ja uudet menetelmät. Futura 3/19.

Viinikka, A., Hurskainen, P., Keski-Saari, S., Kivinen, S., Tanhuanpää, T., Mäyrä, J., Poikolainen, L., Vihervaara, P. & Kumpula, T. (2020): Detecting European Aspen (Populus tremula L.) in Boreal Forests Using Airborne Hyperspectral and Airborne Laser Scanning Data. Remote Sensing 12(16): 2610. https://doi.org/10.3390/rs12162610(siirryt toiseen palveluun)

Woodcock, C.E., R. Allen, M. Anderson, A. Belward, R. Bindschadler, W. Cohen, F. Gao, S.N. Goward, et al. (2008): Free Access to Landsat Imagery, Science 320/2008, 1011a. http://dx.doi.org/10.1126/science.320.5879.1011a(siirryt toiseen palveluun)

Westoby, M. J., Brasington, J., Glasser, N. F., Hambrey, M. J., Reynolds, J. M. (2012): ‘Structure-from-Motion’ photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology 179, 300-314. https://doi.org/10.1016/j.geomorph.2012.08.021(siirryt toiseen palveluun)

White, J.C., C. Gómez, M.A. Wulder & N.C. Coops (2010): Characterizing temperate forest structural and spectraldiversity with Hyperion EO-1 data. Remote Sensing of Environment 7/2010: 1576-1589.

Wulder, M.A., J.G. Masek, W.B. Cohen, T.R. Loveland & C.E. Woodcock (2012): Opening the archive: how free data has enabled the science and monitoring promise of Landsat, Remote Sensing of Environment 122/2012, s. 2–10. https://doi.org/10.1016/j.rse.2012.01.010(siirryt toiseen palveluun)

Wulder, M.A., N.C. Coops, D.P. Roy, J.C. White & T. Hermosilla (2018): Land cover 2.0, International Journal of Remote Sensing 12/2018, s. 4254–4284. https://doi.org/10.1080/01431161.2018.1452075(siirryt toiseen palveluun)

Yrttimaa, T., Saarinen, N., Kankare, V., Hynynen, J., Huuskonen, S., Holopainen, M., Hyyppä, J., Vastaranta, M. (2020): Performance of terrestrial laser scanning to characterize managed Scots pine (Pinus sylvestris L.) stands is dependent on forest structural variation. ISPRS Journal of Photogrammetry and Remote Sensing 16b (2020): 277-287. https://doi.org/10.1016/j.isprsjprs.2020.08.017(siirryt toiseen palveluun)

Sivun ylälaidan kuva: NASA