SPATIAALISEN RESOLUUTION VAIKUTUS METSÄN KUOLLEISUUDEN TUNNISTAMISEEN
Spatiaalinen resoluutio metsänterveyden seurannassa
Metsissä tapahtuvat muutokset alkavat usein hyvin paikallisesti. Ensin näkyy yksittäisiä heikentyneitä puita tai pieniä laikkuja, ja vasta myöhemmin muutos laajenee niin, että se erottuu selvästi laajemmassa mittakaavassa. Siksi metsänterveydentilan seurannassa ratkaisevaa ei ole pelkästään se, kuinka usein havaintoja saadaan, vaan myös se, minkäkokoisia ilmiöitä aineisto pystyy ylipäätään erottamaan.
Spatiaalinen resoluutio kertoo, kuinka pieniin yksityiskohtiin kuva-aineisto pystyy. Kun resoluutio on karkea, yksittäinen pikseli sisältää väistämättä usean puun ja osin myös taustaa, kuten varjoja, maapohjaa tai aluskasvillisuutta. Tällöin signaali keskimääräistyy ja pienialaiset muutokset hukkuvat helposti kokonaisuuteen. Korkearesoluutioisessa aineistossa sama alue jakautuu useampaan pienempään havaintoyksikköön. Tämä vähentää keskiarvoistumista ja parantaa mahdollisuutta havaita varhaisia poikkeamia silloin, kun muutos näkyy vasta yksittäisissä puissa tai pienissä puuryhmissä.
Metsätuhojen ja puuston kuolleisuuden leviäminen ovat tyypillisesti prosesseja, jotka etenevät ajassa. Kun tavoitteena on seurata puuston kuolleisuuden kehitystä ja kohdentaa toimenpiteitä, tarvitaan tietoa siitä, missä muutos alkaa, mihin kuolleisuus keskittyy nyt ja mihin suuntaan tilanne on kehittymässä. Tässä korkea spatiaalinen resoluutio tuo käytännön hyödyn: muutos voidaan paikantaa täsmällisemmin ja seuranta voidaan tehdä tavalla, joka on käyttökelpoinen myös maastossa ja päätöksenteossa.
Spatiaalinen resoluutio kertoo, kuinka pieniin yksityiskohtiin kuva-aineisto pystyy.
Lähestymistapamme hyödyntää erittäin korkean resoluution monikanavaista kuva-aineistoa (punainen, vihreä, sininen + lähi-infrapuna), koska Forest Health -analyysissä tarkastellaan metsän terveydentilan ja elinvoiman muutoksia sekä kuolleisuuden seurantaa. Lähi-infrapunakanava (NIR) on kasvillisuusanalyysissä olennainen, sillä se reagoi herkästi lehtivihreän ja solurakenteen muutoksiin ja täydentää näkyvän valon kanavista saatavaa informaatiota. NIR mahdollistaa väärävärikomposiitit, joissa kasvillisuuden heijastus korostuu eri tavalla kuin luonnollisissa väreissä. Elinvoimainen kasvillisuus heijastaa NIR-alueella tyypillisesti enemmän kuin heikentynyt tai kuollut, minkä vuoksi kuolleet puut erottuvat usein selkeämmin lähi-infrapunaa hyödyntävässä analyysissä.
Tämä yhdistelmä soveltuu erityisesti metsän elinvoiman muutosten seurantaan, kun tavoitteena on seurata puuston kuolleisuutta. Korkean spatiaalisen resoluution ansiosta pystymme tuottamaan dataa yksittäisen puun tarkkuudella, mikä on oleellista silloin, kun muutokset alkavat pienialaisina ja etenevät ajassa.
Yksittäisen puun tarkkuus: mitä se mahdollistaa?
Kun data tuotetaan yksittäisen puun tasolla, seuranta voi siirtyä aluellisesta tiedosta kohti yksityiskohtaisempaa ja operatiivisesti hyödynnettävää tilannekuvaa:
- kuolleen puun tilavuuksia voidaan estimoida tarkasti esimerkiksi metsikkökuvioittain
- muutokset voidaan tunnistaa ja rajata tarkemmin
- kehitystä voidaan seurata toistuvasti samassa mittakaavassa
- päätöksenteko voi perustua kohdennettuihin havaintoihin
- tarkasta aineistosta voidaan tarvittaessa tuottaa alueellista dataa
Noin viiden hehtaarin alueella voidaan nähdä korkean resoluution (0,5 m) kuvassa useita kuolleita yksittäisiä puita, jotka erottuvat vihertävinä, kun taas karkeamman resoluution (10 m) kuvalla ei erotu käytännössä kuolleeksi puuksi luokiteltavaa pikseliä.
Metsänterveyden seurannassa resoluutio määrittää, mitä muutoksia voidaan havaita, milloin ne voidaan havaita ja kuinka käyttökelpoista tieto on jatkotoimien kannalta. Kun tavoitteena on seurata tilanteen kehitystä ja ymmärtää puuston kuolleisuuden leviämistä, korkearesoluutioinen aineisto ja yksittäisen puun tarkkuus ovat avainasemassa.
Lisäksi spatiaalisesti hajallaan sijaitsevat yksittäiset kuolleet puut voivat olla merkki monimuotoisuudelle tärkeistä piirteistä, kuten lahopuujatkumosta ja vaihtelevasta metsärakenteesta. Kun tällaiset kohteet tunnistetaan korkearesoluutioisesta aineistosta, niitä voidaan priorisoida maastotarkastukseen ja huomioida mahdollisina suojeltavina tai luonnonhoidon kannalta arvokkaina alueina.