Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

B

Markus Korhonen (toim.)

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus Metsävarojen virtuaalimallinnuksen tekninen kehitys ja virtuaalimallinnuksen hyödyntäminen metsätalouselinkeinossa

LAPIN AMKIN JULKAISUJA Sarja B. Tutkimusraportit ja kokoomateokset 4/2021

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

Markus Korhonen (toim.)

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus Metsävarojen virtuaalimallinnuksen tekninen kehitys ja virtuaalimallinnuksen hyödyntäminen metsätalouselinkeinossa

Sarja B. Tutkimusraportit ja kokoomateokset 4/2021

Lapin ammattikorkeakoulu Rovaniemi 2021

© Lapin ammattikorkeakoulu ja tekijät ISBN 978-952-316-388-1 (pdf) ISSN 2489-2637 (verkkojulkaisu) Lapin ammattikorkeakoulun julkaisuja Sarja B. Tutkimusraportit ja kokoomateokset 4/2021 Rahoittaja: Pohjois-Pohjanmaan elinkeino-, liikenne- ja ympäristökeskus; Euroopan aluekehitysrahasto Toimittanut: Markus Korhonen Kansikuva: Markus Korhonen Taitto: Arto Huhta, Videcam Oy

Lapin ammattikorkeakoulu Jokiväylä 11 C 96300 Rovaniemi Puh. 020 798 6000 www.lapinamk.fi/julkaisut Lapin korkeakoulukonserni LUC on yliopiston ja ammattikorkeakoulun strateginen yhteenliittymä.

Kon­serniin kuuluvat Lapin yliopisto ja Lapin ammatti­korkeakoulu. www.luc.fi

Tämä teos on lisensoitu Creative Commons Nimeä 4.0 Kansainvälinen -käyttöluvalla.

Sisällys ALUKSI

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

. 9

LUONNONVAROJEN VIRTUAALIMALLINNUKSEN SOVELLUKSEN TEKNINEN KEHITYS Markus Korhonen

METSÄVARA- JA PAIKKATIEDON HYÖDYNTÄMINEN VIRTUAALIMALLINNUKSESSA . . . . . . . . . .

Virtuaalimallinnuksen pohjana käytettävän tiedon tietosisältö ja tarkkuus Visuaalisessa mallinnuksessa käytettävien metsävara- ja paikkatietojen saatavuus Suomessa . . . . . . . . . .

Metsävara- ja paikkatiedon yhdistäminen virtuaalimaailman puu- ja kasvimalleihin . . . . . . . . . . . . . .

Metsävara- ja paikkatiedon tarkkuuden vaikutus mallinnuksen todenmukaisuuteen . . . . . . . . . . . . . .

Kirjallisuus . . . . . . . . . . . . . . . . .

. 11 . 12 . 14 15 . 16 17

Markus Korhonen, Samuli Jomppanen, Ari Talkkari & Sampo Taipale

VALOKUVIEN JA OPETUSAINEISTON HYÖDYNTÄMINEN VIRTUAALIMALLINNUKSESSA . . . . . . . . . . . 19 Kasvilistan ja kasvupaikkojen määrittely . . . . . . . . . . 19 Kuvauskohteiden kartoitus . . . . . . . . . . . . . 22 Kohteiden kuvaus . . . . . . . . . . . . . . . . 23 Silmän ja kameran suhde . . . . . . . . . . . . . 23 Lehdet ja neulaset . . . . . . . . . . . . . . . 23 Oksat ja rungot . . . . . . . . . . . . . . .

24 Metsä ja mätäs . . . . . . . . . . . . . . .

24 Metatiedot . . . . . . . . . . . . . . . . . 24 Kuvamateriaali . . . . . . . . . . . . . . .

25 Kuvamateriaalin hyödyntäminen virtuaalimallinnuksessa . . . . . 25 Kuvasta malliksi . . . . . . . . . . . . . . . 25 Geometria ja polygonit . . . . . . . . . . . . .

25 Teksturointi . . . . . . . . . . . . . . . . 26

POHDINTA Kirjallisuus

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

. .

27 28

Jussi Peuhkurinen & Maria Villikka

ILMALASERKEILAUS VIRTUAALIMETSÄN APUAINEISTOJEN TUOTTAMISESSA . . . . . . . . . . . . . .

Puuston aukkoisuus . . . . . . . . . . . . . . .

Latvuspeittävyys ja maastonäkyvyys . . . . . . . . . .

Maanpintamalli ja ojien syvyys . . . . . . . . . . . .

Kivien tunnistaminen . . . . . . . . . . . . . . .

Puukartta-aineisto . . . . . . . . . . . . . . .

Yhteenveto . . . . . . . . . . . . . . . . .

Kirjallisuus . . . . . . . . . . . . . . . . .

29 31 32 33 34 36 39 40

Ari Talkkari, Jussi Peuhkurinen, Maria Villikka & Sampo Taipale

METSIKÖN TILAJÄRJESTYKSEN TUOTTAMINEN VIRTUAALIMETSÄN MALLINTAMISTA VARTEN . . . . . . . . . . .

Johdanto . . . . . . . . . . . . . . . . .

Tilajärjestyksen määrittäminen maastossa . . . . . . . .

Puukartan tuottaminen kaukokartoitusaineistoista . . . . . .

Lidar- ja drone-puukarttojen vertailu . . . . . . . . . .

Pohdinta . . . . . . . . . . . . . . . . .

Kirjallisuus . . . . . . . . . . . . . . . . .

. 43 . 43 . 44 . 44 46 . 48 49

Aslak Jomppanen

PROSEDURAALINEN SISÄLLÖN-TUOTANTO VIRTUAALIMETSÄSSÄ .

Virtualforest 2.0 -hanke . . . . . . . . . . . . . .

Virtuaalimetsään luotava sisältö . . . . . . . . . . . .

Proseduraalinen sisällöntuotanto . . . . . . . . . . .

Puiden mallintaminen . . . . . . . . . . . . . .

Pohjakasvillisuuden mallintaminen . . . . . . . . . .

Loppusanat . . . . . . . . . . . . . . . . .

Kirjallisuus . . . . . . . . . . . . . . . . .

51 51 51 53 53 54 55 55

VIRTUAALIMETSÄ-SOVELLUKSEN HYÖDYNTÄMINEN JA VIRTUAALIMETSÄN JATKOKEHITYSTARPEET Niko Pöllänen

VIRTUAALIMALLINNUKSEN HYÖDYNTÄMINEN METSÄPALVELUYRITYKSISSÄ . . . . .

Hyödyntäminen metsäpalveluyrityksissä . . .

Työkaluna metsänomistajille . . . . . .

Metsänomistajien opetuksen työkaluna . . .

Tukena päätöksenteolle . . . . . . .

. .

.

.

.

.

. 57

. . . . .

58 . . . . . . 58 . . . . . . 58 . . . . . . 59

Metsän virtuaalimallinnuksen käyttäjäryhmät . . . . . . . 60 Työkaluna metsäpalveluyrityksille . . . . . . . . . . 61 Neuvonnan työkalu . . . . . . . . . . . . . . 61 Toimenpiteiden markkinointiin . . . . . . . . . . . 61 Apuna myyntineuvotteluissa . . . . . . . . . . . . 62 Metsän virtuaalimallinnus asiakaspolulla . . . . . . . . . 62 Tietoisuus . . . . . . . . . . . . . . . . . 63 Arviointi . . . . . . . . . . . . . . . . . 63 Ostopäätös . . . . . . . . . . . . . . . .

64 Yhteenveto . . . . . . . . . . . . . . . . . 64 Kirjallisuus . . . . . . . . . . . . . . . . . 65 Niko Pöllänen

REAALIMAAILMAN JA METSÄN VIRTUAALIMALLINNUKSEN KUVAPARIVERTAILU . . . . . . . . . . . . .

67 Johdanto . . . . . . . . . . . . . . . . . . 67 Metsän kuvaparivertailu . . . . . . . . . . . . . 68 Metsän mallinnus . . . . . . . . . . . . . . . 68 Todellisuuteen vaikuttavat reaalimaailman objektit ja maastonmuodot . . 74 Datan merkitys . . . . . . . . . . . . . . . . 78 Yhteenveto . . . . . . . . . . . . . . . . . 80 Ari Talkkari

METSÄOPISKELIJAT VIRTUAALIMETSÄÄ KEHITTÄMÄSSÄ Johdanto . . . . . . . . . . . . . .

Käyttäjätestauksen toteutus . . . . . . . . .

Tulokset . . . . . . . . . . . . . .

Pohdinta . . . . . . . . . . . . . .

Kirjallisuus . . . . . . . . . . . . . .

KIRJOITTAJIEN ESITTELY

.

.

.

.

.

.

.

.

.

.

.

. . . .

. . . .

. . . .

.

.

. .

83 . . . . .

.

83 84 84 87 87

. 89

8

•

Markus Korhonen (toim.)

Aluksi Digitalisaatio on muuttanut viime vuosina metsäalan toimintamalleja ja mahdollistanut uudenlaisten palveluiden jalkauttamisen käytännön työelämään. Viime vuosina digitalisaation avulla on myös pystytty virtaviivaistamaan organisaatioiden toimintamalleja. Myös metsävaratiedon ajantasaisuus on paremmalla tasolla kehitettyjen inventointi- ja metsävaratiedonkeruumenetelmien ansiosta. Digitalisaatio on mahdollistanut myös tehokkaan metsävara- ja paikkatiedon virtuaalimallintamisen.

Virtuaalimallinnuksen sovelluksia on kehitetty luonnonvara-alan tarpeisiin useita eri vuosi kymmeninä. Visualisoinnin laatu on vaihdellut teknologisen kehityksen ja tietokoneiden laskentatehon mukaan. Tietokoneiden laskentatehon ja virtuaalimallinnuksessa käytettävien tekniikoiden kehittyessä graafisen e sityksen tasoa ja yksityiskohtien määrää on pystytty lisäämään. Erityisesti tietokoneiden laskentatehon lisääntyminen on lisännyt myös virtuaalimallintamisen hyödyntämisen mahdollisuuksia metsäalalla.

Virtuaalimallinnuksen sovelluksia ja menetelmiä on kehitetty eri käyttötarkoituksiin, ja niiden hyödyntämistä on testattu asiakasrajapinnassa.

Virtuaalimallinnukseen perustuvia palveluita ja sovelluksia on myös tuotu metsäalan operatiiviseen toimintaan. Operatiivisessa toiminnassa Virtuaalimallinnuksella voi olla nykyistä suurempi rooli tulevaisuudessa esimerkiksi etäyhteyksien hyödyntämisen ja toiminnan tehokkuuden vaatimusten lisääntyessä.

Virtuaalimallinnuksen hyödyntäminen on metsätalouden toimintakentässä tähän mennessä ollut pääasiassa metsässä ja kasvokkain tapahtuvan neuvonnan, suunnittelun ja päätöksenteon tukevien sovellusten avulla tapahtuvaa. Sovellukset ovat perustuneet useisiin erilaisiin tekniikoihin, ja niiden hyödyntämisen vaatimukset ovat vaihdelleet. Pohjois-Pohjanmaan ELY-keskuksen Euroopan aluekehitysrahastosta rahoittamassa Virtuaalimetsä 2.0- hankkeessa kehitettiin vuosina 2018– 2020 avoimesti käytettävissä oleva metsävarojen visualisoinnin mahdollistava sovellus.

Tämä julkaisu käsittelee Lapin ammattikorkeakoulun, Tapio Oy:n, Kareliaammattikorkeakoulun ja Arbonaut Oy:n toteuttamassa Virtuaalimetsä 2.0-hankkeessa kehitetyn Virtuaalimetsä-sovelluksen teknistä toteutusta, määrittelyä, taustaaineistoja sekä hankkeessa tehtyjen käyttäjätestien tuloksia.

Markus Korhonen, Projektipäällikkö, Virtuaalimetsä 2.0-hanke Lapin ammattikorkeakoulu Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

9

Luonnonvarojen virtuaalimallinnuksen sovelluksen tekninen kehitys

10

•

Markus Korhonen (toim.)

Markus Korhonen

Metsävara- ja paikkatiedon hyödyntäminen virtuaalimallinnuksessa Metsävara- ja paikkatietoa voidaan käyttää havainnollistamaan toimenpiteiden aiheuttamia metsässä tapahtuvia muutoksia sekä visualisoimaan metsää kuvaavia tietoja. Virtuaalimallinnus pohjautuu aineistoon, joka kuvaa todellisen maailman olemusta, ja aineiston avulla voidaan muodostaa todellisuutta jäljittelevä esitys virtuaalitodellisuutta hyödyntämällä. Nykyaikaiset metsävara- ja paikkatietoaineistot muodostavat hyvän lähtökohdan todellisuutta jäljittelevän virtuaalitodellisuuden muodostamiselle kuvaamalla Suomen maaston muotojen ja puuston ominaisuuksia suurella pinta-alalla suomessa.

Virtuaalimallinnuksen hyödyntäminen luonnonvara- ja metsäalalla on vielä toistaiseksi ollut vähäistä. Metsäsektorilla virtuaalimallinnusta on käytetty esittämään metsänomistajan metsiä kolmeulotteisena ja havainnollistamaan toimenpiteiden vaikutusta maisemaan (Metsähallitus 2018). Virtuaalimallinnusta on käytetty myös muissa kuin luonnonvarojen mallintamiseen liittyvissä yhteyksissä esimerkiksi markkinointitarkoituksissa. Rakennetun ympäristön mallintamista helpottaa mallinnettavan ympäristön geometrisyys ja säännönmukaisuus verrattuna luonnon ja metsän mallintamiseen. Metsän ja luonnon mallintamisessa mallinnettavat muodot ovat satunnaisempia ja niiden mallintamisessa on huomioitava epäsäännöllisyys. Epäsäännöllisyys monimutkaistaa objektien mallintamista asettamalla korkeammat vaatimukset yksityiskohtien määrälle. Toisaalta luonnonvarojen mallintamiseen liittyy myös joissain tapauksissa laajan pinta-alan mallintaminen, mistä johtuen kaikkia puiden ja kasvien yksityiskohtia ei ole mahdollista mallintaa tietokoneiden tehon asettaessa rajoitteita mallinnettavien yksityiskohtien määrälle (Jomppanen 2021).

Metsävaratiedon mallintamisessa on käytetty Suomessa kattavasti saatavissa olevia aineistoja, kuten Suomen metsäkeskuksen jakelemia avoimia metsävaratietoja, Maanmittauslaitoksen jakelemia maastomalleja sekä muita laaja-alaisesti saatavissa olevia metsävara- ja paikkatietoja. Keskeinen tehokasta virtuaalimallinnusta edistävä menetelmä Suomessa on metsätietostandardi. Metsätietostandardin avulla

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

11

metsävaratietoa on mahdollista hyödyntää laaja-alaisesti tietoformaatin ollessa yhtenäinen. (Maanmittauslaitos 2021; Suomen metsäkeskus 2021.)

VIRTUAALIMALLINNUKSEN POHJANA KÄYTETTÄVÄN TIEDON TIETOSISÄLTÖ JA TARKKUUS Virtuaalimallinnuksessa käytettävän tietopohjan määrittelee haluttu yksityiskohtien määrä ja tarkkuus. Mallinnettaessa hyvin yksityiskohtaisesti tiettyä kohdetta, on kohdetta kuvaavan aineiston oltava riittävän tarkkaa, jotta kohteen yksityiskohdat voidaan mallintaa aineistoon perustuen. Suomessa on laajamittaisesti käytetty metsätietostandardia metsävaratiedon siirrossa ja metsävaratiedon hallinnoinnissa.

Metsätietostandardi on metsäalan toimijoiden yhteistyönä kehitetty tiedonkuvaamistapa, mikä mahdollistaa tiedon yhtenäisen kuvaamisen (Suomen metsäkeskus 2021). Metsätietostandardin kehitystä koordinoi Suomen metsäkeskus.

Metsätietostandardi sisältää käyttökelpoista tietoa esimerkiksi puuston vaurioista ja yksityiskohdista, mutta kaikkea virtuaalimallinnuksessa käytettävää ja tarvittavaa tietoa metsätietostandardi ei vielä sisällä. (Suomen metsäkeskus 2021) Metsäalalla käytettävät paikkatietoaineistot voidaan jakaa karkeasti rasteri- ja vektorimuotoisiin aineistoihin. Riippuen aineiston käyttötarkoituksesta ja -tarpeesta aineiston muotoa voidaan muuttaa ja esitystapaa muokata. Vektorimuotoinen aineisto voidaan jakaa piste-, viiva- ja aluetyyppiin, jotka soveltuvat erityyppisen tiedon kuvaamiseen. Virtuaalimallinnuksen näkökulmasta sekä vektori- että rasterimuotoinen aineisto on käyttökelpoista, ja kumpaakin aineistotyyppiä voidaan hyödyntää alueen virtuaalimallin luomisessa. Tyypillinen esimerkki metsäalalla käytettävistä vektoriaineistoista on metsikkökuvio. Metsätietojärjestelmissä käytettävällä metsikkökuviolla esitetään tietyn rajatun alueen kuvaus puustosta.

Metsikkökuviolle kirjataan maapohjaa ja pohjakasvillisuutta kuvaavat tiedot kuvion perustietoihin ja kuvion puusto kuvataan puujaksojen avulla. Metsikkökuvio ei kuitenkaan aina ole täysin yhtenäinen puustoltaan ja maapohjaltaan, mikä tarkoittaa virtuaalimallinnuksen näkökulmasta kuvion sisäisen vaihtelun katoamista kuvion sisällä. Metsikkökuviotason tiedon avulla ei pystytä havainnollistaman esimerkiksi pieniä aukkoja, joita kuvio voi sisältää, ja metsävaratietoa onkin tarpeellista kehittää nykyistä tarkemmaksi. Virtuaalimetsä 2.0-hankkeessa kehitettiin uusia aineistoja, joilla pystytään havainnollistamaan kuvion sisäistä vaihtelua, ja lisätä tällä tavoin kolmeulotteisen visualisoinnin realistisuutta.

12

•

Markus Korhonen (toim.)

Kuva 1. Esimerkki kuvion sisäisestä vaihtelusta. Kuvassa on nähtävissä puulajien keskittyminen tiettyyn osaan kuviota. Kuvasta on havaittavissa myös ojien varrelle sijoittuva suurempi puusto. Kuviomuotoinen metsävaratieto ei pysty täsmentämään puuston ja puulajien sijaintia kuvion sisällä.

Virtuaalimallinnuksen näkökulmasta aineistojen laajamittainen saatavuus on tärkeää. Metsätietostandardin mukaista tietoa on Suomessa saatavissa avoimena aineistona Metsäkeskuksen metsään.fi-palvelusta (Suomen metsäkeskus 2021).

Avoimissa metsävaratiedoissa metsikkökuviot on kuvattu puujaksoina, joissa on esitetty mänty, kuusi ja lehtipuu puulajeina. Jotta puusto voidaan esittää kolmeulotteisessa virtuaalimallinnuksessa realistisesti, on puujaksojen oltava määritelty riittävän tarkasti. Esimerkiksi avointen metsävaratietojen osalta on havaittu haasteita tuottavan lehtipuu-puujakso, joka sisältää kaikki lehtipuu puulajit.

Tarkkaa puulajia ei lehtipuu-puujaksosta voida luotettavasti ennustaa ilman tarkentavaa tietoa. Esimerkiksi Virtuaalimetsä 2.0-hankkeessa kehitettävässä Virtuaalimetsä-sovelluksessa lehtipuu-puujakso visualisoidaan koivuna.

Tämän hetkisessä tarkemmassa puujaksojen kuvauksessa on käytössä olevaan monilähdeinventointiin liittyvä haaste lehtipuu-puulajien erottamisesta toisistaan inventoinnin yhteydessä. Lehtipuu-puulajien erottaminen toisistaan on tarpeellista virtuaalimallinnuksen näkökulmasta, sillä kolmeulotteisessa näkymässä kohteiden ja alueiden tunnistaminen perustuu yksityiskohtiin, joita on havaittu kohteella käydessä. Riittävä yksityiskohtien määrä tekee alueesta tunnistettavamman.

Virtuaalimetsä 2.0-hankkeessa kehitetyssä Virtuaalimetsä-sovelluksessa maaston muotoja mallinnetaan maastomallin perusteella. Maastomalli on Suomen alueelta saatavissa joko kahden tai kymmenen metrin pikselikoolla maanmittauslaitoksen

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

13

jakelemana avoimena aineistona (Maanmittauslaitos 2021). Tarkempia maastomalleja voi myös käyttää, jos aineisto on kerätty itse. Maanmittauslaitoksen maastomalleista kahden metrin pikselikoon malli on riittävän tarkka mallintamaan useimmat maaston muodot. Kymmenen metrin maastomallin avulla ei pystytä mallintamaan esimerkiksi ojia maanpinnan korkeuden keskiarvoistumisen takia.

Virtuaalimetsä-sovelluksessa vesistöt, tiet, kivikot ja kalliot mallinnetaan maanmittauslaitoksen ylläpitämän maastotietokannan tietojen perusteella.

Maastotietokannan käyttämisen etuna on aineiston laaja kattavuus Suomen alueella.

Myös tiedon tarkkuuden ja päivitettävyyden on havaittu olevan hyvällä tasolla keskitetyn tiedon hallinnan ansiosta.

VISUAALISESSA MALLINNUKSESSA KÄYTETTÄVIEN METSÄVARA- JA PAIKKATIETOJEN SAATAVUUS SUOMESSA Metsävaratietoa on saatavissa Suomessa kattavasti avoimena aineistona metsäkeskuksen keräämänä ja jakelemana. Lisäksi organisaatiot keräävät Suomessa metsävaratietoa metsänomistajan toimeksiannosta sekä organisaatioiden omistamiin metsiin. Muita paikkatietoaineistoja on Suomessa saatavissa kattavasti muun muassa maanmittauslaitoksen jakamana avoimena aineistona. Myös muut julkiset organisaatiot jakavat omaan hallinnon alaansa liittyvää aineistoa toimijoiden käyttöön. (Suomen metsäkeskus 2021; Maanmittauslaitos 2021) Metsävarojen virtuaalimallinnuksen näkökulmasta paikkatieto- ja metsävaratietoaineistojen avulla on pystyttävä kuvaamaan maapohja, kasvillisuus sekä puusto. Lähtökohtana mallintamisessa voi olla esimerkiksi pienen alueen pienipiirteinen mallintaminen tai suuren alueen mahdollisimman tarkka mallintaminen. Mallinnuksen pohjana käytettävää tietoa voi kerätä mallinnusta varten tai mallinnuksessa voi käyttää olemassa olevia aineistoja. Virtuaalimetsä 2.0-hankkeessa kehitetyssä virtuaalimetsä-sovelluksessa käytetään maaston muotojen ja maanpinnan mallinnuksessa maanmittauslaitokselta saatavan maastotietokannan vesistöä, tiestöä, kivikoita kallioita kuvaavaa tietoa kohteiden kolmeulotteisessa mallintamisessa. Maaston muodot virtuaalimetsä-sovelluksessa kuvataan maastomallin perusteella.

Maastotietokanta on koko Suomen kattava aineisto, joka on saatavissa avoimena aineistona maanmittauslaitokselta. Maastotietokanta sisältää paikkatiedon vektoritietotyyppeinä huomattavan määrän tietoa. Maastotietokanta onkin laajan kattavuutensa ja metsävarojen kolmeulotteisen laaja-alaisen esittämisen näkökulmasta toimiva-aineisto erityisesti maanpinnan ominaisuuksien kuvaamisessa. Myös maastomalli on saatavissa lähes kaikkialta Suomessa kahden metrin tarkkuudella kuvattuna aineistona. Kahden metrin pikselikoon maastomalli voidaan olettaa olevan saatavilla kaikkialta Suomesta lähivuosina. Joissain osissa Suomea maastomallina on tällä hetkellä saatavissa maanmittauslaitoksen latauspalvelusta vain kymmenen metrin tarkkuudella kuvattu maastomalli. Kymmenen metrin tarkkuudella kuvattu maastomalli ei ole riittävä kuin maaston yleisten muotojen mallintamiseen, ja siten

14

•

Markus Korhonen (toim.)

maastomallina on suositeltavaa käyttää tarkempaa kahden metrin tarkkuudella kuvattua mallia. (Maanmittauslaitos 2021) Metsä- ja luonnonvaratietojen mallintamisessa voidaan käyttää lisäksi paikallisesti kerättyjä aineistoja. Suomessa on kerätty paikallisia aineistoja esimerkiksi dronen avulla. Paikallisten aineistojen käyttämisessä haasteena voi olla tiedonkeruun vaatimat resurssit. Joissain tapauksissa paikallisten aineistojen käyttäminen on perusteltua. Paikallisten aineistojen avulla voidaan esimerkiksi lisätä mallinnuksen tarkkuutta erityisesti, jos metsävaratieto ei riitä kuvaamaan alueen piirteitä riittävän tarkasti. Paikallisesti kerätyt aineistot voidaan kerätä siten, että ne kuvaavat haluttua ominaisuutta tarkemmin kuin avoimesti saatavilla olevat aineistot.

METSÄVARA- JA PAIKKATIEDON YHDISTÄMINEN VIRTUAALIMAAILMAN PUU- JA KASVIMALLEIHIN Metsävara- ja paikkatietoaineistot luovat pohjan virtuaalimallintamiselle mahdollistamalla kolmeulotteisten objektien sijoittamisen virtuaalimaailmaan haluttuun sijaintiin. Käytettävä aineisto määrittelee sijoittelun tarkkuuden.

Paikkatiedon vektoritietotyypit voivat olla piste-, viiva- tai aluemuotoisia. Rasterimuotoisessa tiedossa rasterin pikselikoko määrittelee tarkkuuden.

Virtuaalimallinnuksessa voidaan käyttää esimerkiksi Unity-pelimoottoria, joka pystyy käsittelemään erilaisia paikkatiedon tietotyyppejä ja yhdistämään niitä tiettyyn sijaintiin. Pelimoottori pystyy myös hyödyntämään paikkatietokohteiden attribuutteja, joilla voidaan tarkentaa kohteeseen liitettävää kolmeulotteista mallia.

Vektoritietoa käytettäessä pistemuotoisen aineiston sijoittelun voidaan sanoa johtavan tarkimpaan lopputulokseen. Piste-muotoisella tiedolla kuvataan ja esitetään yhtä sijaintia, missä kohde sijaitsee. Piste-muotoisia kohteita voivat olla esimerkiksi lähteet, jotka pystytään sijoittelemaan maastotietokannan tietojen perusteella. Viivamuotoisella paikkatiedolla kuvatulle kohteelle määritellään kolmeulotteisten mallien sijoittuminen viivalle. Myös aluemuotoisten kohteiden virtuaalimallinnuksessa on pelimoottorin pystyttävä määrittelemään millä tavalla kohteet lisätään alueen sisälle.

Esimerkiksi metsikkökuvion alueella kasvavien aluskasvillisuuden lajien ilmeneminen on pystyttävä määrittelemään, jotta pelimoottori voi asetella kasvit metsikkökuvion alueelle. Mallien sijoittelussa voidaan käyttää avuksi esimerkiksi erilaisia todennäköisyysjakaumia tai muita tilastotieteeseen perustuvia menetelmiä.

Virtuaalimaailmassa voidaan kuvata niitä kohteita, joista on olemassa sijaintitieto sekä kyseistä kohdetta kuvaamaan on luotu kohdetta kuvaava malli. Jos jompikumpi tieto puuttuu, ei kohteen kuvaaminen oikeassa sijainnissa ole mahdollista. Kohteen kuvausta voidaan tarkentaa erilaisten tarkenteiden avulla. Paikkatietoon voidaan liittää attribuutteja, jotka voivat sisältää tarkentavia määreitä.

Metsätietostandardissa on määritelty erilaisiin metsää ja luontoa kuvaaviin kohteisiin tarkentavia määreitä. Aiemmin esimerkkinä käytettyyn lähteeseen voidaan liittää esimerkiksi lisämääre: ”Muu arvokas elinympäristö”. Tarkenteen avulla voidaan virtuaalimaailmaan asettaa lähteen sijaintiin erilaisen ulkomuodon omaavia

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

15

malleja. Metsätietostandardi on rakennettu kuvaamaan luonnon ja metsän ominaisuuksia, joten standardi toimii myös hyvänä lähtökohtana metsäluonnon mallintamisessa tarvittavien kolmeulotteisten mallien luomiseen. Metsätietostandardi luo myös edellytykset virtuaalimallien hyödyntämiseen laaja-alaisesti määrittelemällä metsätiedon mukana siirtyvän tiedon sisällön. Tiedonsiirtoon voidaan suunnitella myös metsätietostandardista poikkeavaa sisältöä tarvittaessa. (Suomen metsäkeskus 2021) Pelimoottorissa kolmeulotteisten objektien asettelu on mahdollista tehdä myös useampaan paikkatiedon sisältämään attribuuttiin perustuen. Esimerkiksi Suomessa käytettävässä metsävaratiedossa metsä- ja suotyypit kuvataan metsävaratiedossa alaryhmä ja ravinteisuusluokka-määreiden avulla. Useaan attribuuttiin perustuvien kolmeulotteisten mallien asettamisessa pelimoottori tarkistaa kohteelle tallennettujen attribuuttien arvot, ja lisää kohteeseen mallin attribuuttien perusteella.

METSÄVARA- JA PAIKKATIEDON TARKKUUDEN VAIKUTUS MALLINNUKSEN TODENMUKAISUUTEEN Virtuaalimallinnuksen pohjana käytettävän tiedon tarkkuus, ominaisuudet ja tiedon keruussa käytetyt määreet vaikuttavat merkittävästi tiedon käytettävyyteen virtuaalimallinnuksen pohja-aineistona. Suomessa metsätieto on kuvattu sovitun standardin mukaisesti metsätietostandardissa. Metsätietostandardi määrittelee tiedon kuvaamistavan, mutta tiedon käytettävyyteen virtuaalimallinnuksen pohjaaineistona vaikuttaa myös tiedonkeruussa käytetty määrittely. Suomessa on käytetty joissain tapauksissa kuviojaon pohjana kasvupaikkatyyppiä. Nykyisin operatiivisessa metsätaloudessa kuvion rajauksessa käytetään usein määreenä toimenpiteen toteutusta. Erityyppisistä kuvioiden rajauksista johtuen kuvion alueella voi sijaita todellisuudessa monia eri kasvupaikkoja, kun taas metsävaratietoon kuvion alueelle on merkitty parhaiten koko kuviota kuvaava kasvupaikka. Ominaisuuksien merkintään liittyvistä eroavaisuuksista johtuen mallinnuksen tarkkuus ei kaikissa ole niin tarkkaa kuin sen olisi tarpeellista olla kohteen realistisen kuvaamisen mahdollistamiseksi.

Kuvion rajaukseen liittyvät päätökset vaikuttavat myös puuston sijoittumiseen kuviolla. Käytettäessä kuviomuotoon tallennettua ja puujaksoina kuvattua puustotietoa kuvion puuston virtuaalimallintamisessa olisi myös puuston osalta pyrittävä mahdollisimman pienipiirteiseen rajaukseen. Operatiivisessa metsätalouden toiminnassa käytetään toimenpiteen määrittelemää kuviota, ja siten virtuaalimallinnuksessa puuston mallintaminen pohjautuu epätäsmälliseen puuston kuvaukseen. Kuvion puustotieto on oletettava puujaksotietoa tarkasteltaessa tasaisesti kuviolle jakautuvana ellei käytettävissä ole tarkentavaa aineistoa, jonka avulla puustotieto voidaan kohdentaa tiettyyn kohtaan kuviota. Virtuaalimetsä 2.0-hankkeessa kehitettiin metsävaratietoa tarkentavia aineistoja, joiden avulla puuston sijoittumista oli mahdollista tarkentaa kuviolla (Peuhkurinen & Villikka 2020). Myös puulajien sijoittuminen kuviolle on usein ryhmittäistä puiden menestymisen mahdollistavista maaperätekijöistä johtuen.

16

•

Markus Korhonen (toim.)

KIRJALLISUUS Jomppanen, A. 2020. Proseduraalinen sisällöntuotanto virtuaalimetsässä.

Kuusipalo, J. 1996. Suomen metsätyypit.

Laine, J. ym. Suotyypit ja turvekankaat – kasvupaikkaopas. 2021.

Lapin ammattikorkeakoulu 2018. Virtuaalimetsä 2.0 hankesuunnitelma.

Maanmittauslaitos. 2021. Paikkatietoikkuna. Viitattu 29.3.2021. https://www. maanmittauslaitos.fi/asioi-verkossa/paikkatietoikkuna.

Maanmittauslaitos. 2021. Kartat ja paikkatieto. Viitattu 15.3.2021. https://www. maanmittauslaitos.fi/kartat-ja-paikkatieto.

Metla. Suotyypit ja turvekankaat – opas kasvupaikkojen tunnistamiseen. Viitattu 20.3.2021. http://www.metla.fi/metinfo/kasvupaikkatyypit/suotyypit/tunnistus. html# Metla 2021. Kasvupaikkatyypit. Viitattu 29.3.2021. http://www.metla.fi/metinfo/ kasvupaikkatyypit/ Metsähallitus 2018. Metsähallituksen yleiset yhteiskunnalliset velvoitteet 2018 seurantaraportti. Viitattu 29.3.2021. https://julkaisut.metsa.fi/se/almmustahttimat/ show/2358.

Peuhkurinen J., Villikka M. 2020. Ilmalaserkeilaus virtuaalimetsän apuaineistojen tuottamisessa.

Suomen metsäkeskus 2021. Metsään.fi-palvelu. Viitattu 29.3.2021. www.metsaan.fi.

Suomen metsäkeskus 2021. Metsätietostandardit. Viitattu 29.3.2021. https://www. metsakeskus.fi/en/node/881.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

17

18

•

Markus Korhonen (toim.)

Markus Korhonen, Samuli Jomppanen, Ari Talkkari & Sampo Taipale

Valokuvien ja opetusaineiston hyödyntäminen virtuaalimallinnuksessa Metsän ominaisuuksien realistiseen kuvaukseen pyrkivässä virtuaalimallintamisessa tarvitaan kasvi- ja kasvupaikkamalleja, jotka kuvaavat monipuolisesti tarkasteltavan alueen metsämaisemaa. Virtuaalimetsä-sovellus on alun perin kehitetty PohjoisSuomen olosuhteisiin, minkä vuoksi käytetyt kasvi- ja puumallit edustivat pohjoisen olosuhteita.

Virtuaalimetsä 2.0 -projektin tavoitteena oli laajentaa sovelluksen käyttöaluetta koskemaan koko Suomea, minkä vuoksi tarvittiin suuri määrä uusia kasvi-, puu- ja kasvupaikkamalleja Keski- ja Etelä-Suomesta. Tässä artikkelissa tarkastellaan, miten tarvittavat kuvauskohteet määriteltiin, kartoitettiin ja kuvattiin sekä mitä asioita kasvi-, puu- ja kasvupaikkamallien kuvauksissa täytyy ottaa huomioon, jotta tuotettua kuva-aineistoa voidaan hyödyntää virtuaalimallinnuksessa. (Lapin AMK 2018)

KASVILISTAN JA KASVUPAIKKOJEN MÄÄRITTELY Kuvattavien kasvien ja kasvupaikkojen määrittely perustuu ohjelmiston metsätaloudellisessa ja teknisessä määrittelyssä päätettyihin visualisoitaviin metsä- ja suotyyppeihin sekä mallinnettavien puiden listaan. Virtuaalimetsä-sovelluksessa mallinnettavat metsä- ja suotyypit valittiin käyttötarve- ja teknisen määrittelyn yhteydessä niiden esiintyvyyden ja metsätalouselinkeinon näkökulmasta tarkastellun relevanssin mukaan. Sovellukseen lisättävät puumallit valittiin metsä- ja suotyyppien tapaan metsätaloudellisen relevanssin ja esiintyvyyden mukaan siten, että maantieteellinen kattavuus oli riittävä. Puille määriteltiin pituusluokat, jotta puun pituuden mukaan vaihteleva ulkonäkö saadaan huomioitua realistisen puiden ulkonäön saavuttamiseksi.

Virtuaalimetsä-sovelluksen kehityksessä ja ohjelmiston määrittelyssä päädyttiin jakamaan Suomi kolmeen vyöhykkeeseen (Pohjois-Suomi, Keski-Suomi ja EteläSuomi). Pohjois-Suomen alueellinen rajaus päätettiin olevan noin Oulun korkeudella.

Keski-Suomen alueen rajaus määritettiin kattamaan alueet Oulun korkeudelta

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

19

Etelä-Suomessa kulkevalle tammivyöhykkeelle asti. Etelä-Suomi tarkoittaa määrittelyssä tammivyöhykkeen aluetta Etelä- ja Lounais-Suomessa. Suomen rajaamisella vyöhykkeisiin tavoiteltiin realistisuutta luonnon ja kasvillisuuden kuvaamisessa virtuaalimaailmassa. Suomen eri osissa kasvupaikkojen ja puuston ulkonäkö on erilainen, ja realistisuuden lisäämiseksi alueellisen vaihtelun huomioon ottaminen määrittelyssä on perusteltua. Alueellinen vaihtelu otettiin huomioon myös kuvauspaikkojen määrittelyssä ja kuvauksia tehtiin kaikilla alueilla.

Kuva 1. Kasvillisuusvyöhykkeet Virtuaalimetsä-sovelluksessa.

Virtuaalimetsän määrittelyssä kasvupaikkojen ulkonäön mallintamisessa määritettiin käytettävän metsätiedosta löytyviä tietoja kasvupaikasta ja alaryhmästä.

Kombinaatioiden avulla pystyttiin kuvaamaan yleisimmin esiintyvien Suomen eri kasvupaikkojen ulkonäkö virtuaalimaailmassa. Sovelluksen määrittelyssä jouduttiin rajaamaan resurssien perusteella joitain suotyyppejä kehityksen ulkopuolelle.

Määrittelyssä oletuksena oli realistisen kaltainen kuvaus kasvupaikasta, ja määrittelyssä ei tässä vaiheessa huomioitu esimerkiksi varjoisuuden vaikutusta maapohjassa esiintyviin kasveihin ja niiden esiintymiseen kohteessa.

20

•

Markus Korhonen (toim.)

Alueellisen rajauksen perusteella määritettiin kullekin alueelle tyypillisiä kasveja eri kasvupaikoille. Kasvupaikoille määriteltiin kasvit siten, että maapohjan ominaisuudet huomioitiin määrittelyn yhteydessä. Kasvupaikkoja kuvattiin määrittämällä kasvit yleisimmin esiintyville ravinteisuuden ja maapohjan mukaisille eri ulkonäön omaaville kohteille. Asiantuntijat määrittelivät kullekin erilaisen ulkonäön omaavalle kasvupaikalle kasvit, joiden avulla pystyttiin luomaan realistisen kaltainen ulkonäkö kohteelle. Alueellisen rajauksen mukaisesti erityisesti kangasmaan kasvupaikoille tehtiin erilainen ulkonäkö Keski- ja Etelä-Suomen sekä PohjoisSuomessa. Turvemaan kasvupaikkojen osalta havaittiin määrittelyn yhteydessä, että Suomen eri osien välillä on vähemmän vaihtelua ulkonäössä kuin kangasmaan kasvupaikoilla. Turvemaan kasvupaikkojen määrittelyssä eroavaisuuksia havaittiin kohteiden ulkonäössä Suomen eri osissa olevan erityisesti rehevämmillä kasvupaikoilla.

Virtuaalimetsä-sovelluksen kehitystä varten määriteltiin myös virtuaalimetsässä visualisoitavat puut. Puiden ulkonäkö vaihtelee kasvupaikkojen tavoin eri puolilla Suomea. Yleisimmin esiintyville puille luotiin mallit saman aluejaon mukaisesti jakamalla Suomi Pohjois-, Keski- ja Etelä-Suomeen. Suomen eri alueille määriteltiin puuston kasvun mukaan riittävä määrä pituusluokkia, jotta puiden ulkonäkö voidaan mallintaa realistisesti virtuaalimaailmassa. Yleisimmin Suomessa esiintyviksi puulajeiksi määriteltiin Mänty, kuusi sekä hies- ja rauduskoivu. Männyn, kuusen sekä hies- ja rauduskoivun todellisen ulkonäön vaihtumisen perusteella puumalleista määriteltiin omat versiot Pohjois-Suomeen ja Keski-Suomeen. Etelä-Suomen vyöhykkeelle määriteltiin joillekin puille omat mallit kaikista rehevimmille kasvupaikoille. Esimerkiksi kuusen oksien havaittiin olevan pitempiä ja tuuheampia Etelä-Suomen lehtomaisella kankaalla ja lehdoissa kuin Keski-Suomessa vastaavilla kasvupaikoilla. Havaintojen ja resurssien asettamien rajausten perusteella määrittelyssä huomioitiin puiden erilainen ulkonäkö vain niissä kohteissa, joissa ulkonäössä on merkittäviä eroja todellisissa kohteissa. Etelä- ja Keski-Suomeen määriteltiin lähes kaikkiin puulajeihin yksi pituusluokka enemmän kuin PohjoisSuomeen mallinnettaville puille. Pohjois-Suomessa puusto ei kasva useimmissa kohteissa yli 22 metriseksi, kun taas Etelä- ja Keski-Suomessa uudistuskypsän puuston normaali pituus voi olla reilusti yli 26 metriä.

Suomessa harvinaisemmin esiintyvien puulajien osalta määrittelyssä päädyttiin samoihin puumalleihin kaikkialla Suomessa. Harvinaisemmilla puulajeilla tarkoitetaan tässä artikkelissa puulajeja, joita esiintyy Suomen metsissä myös luontaisesti, mutta niiden määrä on vähäinen. Esimerkiksi vaahtera, metsälehmus kuuluvat harvoin luontaisesti metsissä esiintyviin puulajeihin.

Alueellisen rajauksen perusteella määriteltiin kuvauksia neljälle Suomen eri paikkakunnalle. Kuvauksia varten määriteltiin kasvupaikan ja alaryhmän mukaan kuvattavat kohteet niihin kuvauskohteisiin, missä kasveja ja kasvupaikkoja oli mahdollista kuvata. Kuvattavien kasvien, puiden ja kasvupaikkojen kuvaamisessa tavoiteltiin kattavaa kuvamateriaalia virtuaalimallien luomisen tarpeiden

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

21

täyttämiseen. Kuvauspaikoiksi valittiin Helsingin ympäristö, Hyytiälän alueet sekä Joensuun ja Rovaniemen ympäristö.

KUVAUSKOHTEIDEN KARTOITUS Virtuaalimetsä 2.0 -projektiin tarvittiin kuvamateriaalia luonnon mallinnusta varten.

Vuonna 2019 Karelia -ammattikorkeakoulu hoiti opiskelijatyönä kuvauspaikkojen etsinnät sekä kuvausten käytännön järjestelyt. Kuvaukset suoritettiin PohjoisKarjalassa Joensuun seudulla kesällä 2019.

Kuvattaviin asioihin kuului kasveja, puita sekä metsä- ja suotyyppejä. Kasvit olivat enimmäkseen indikaattorilajeja, kasveja, jotka viittaavat tietynlaiseen kasvupaikkaan.

Kuvaukset suoritettiin alkukesästä, joten osa kasveista oli vielä kukkimatta. Ajankohta vaikeutti myös kasvien etsintää, koska kasveja etsittiin kukinnan mukaisilla tuntomerkeillä maastosta. Puita kuvattiin eri kokoisina ja pääpuulajeittain. Metsä- ja suotyypit oli valittu sen mukaan, mikä olisi tyypillistä Pohjois-Karjalan alueelle.

Kuvauspaikkojen etsinnässä hyödynnettiin avointa metsävaratietoa ja QGIS-sovellusta tiedon käsittelemiseen. Hyödyksi oli myös opettajien tietämys kasvupaikoista ja niiden kasveista. Tietoa Joensuun alueen kasvupaikoista löytyi myös koulutuksen puolesta, kun tiettyjä harvinaisempia kasveja on käyty kursseilla etsimässä.

Kuvattavien kohteiden etsintä tapahtui niin sanotusti hakuammuntana, eli asetettiin QGIS-ohjelmalla metsävaratiedolle tarkoituksenmukaisia kriteerejä.

Esimerkiksi jos halusi löytää tuoreen kankaan lajistoa ja kuusia, niin laitettiin karttasovellus näyttämään vain kuviot, joissa kasvaa kuusta pääpuulajina. Kuvattavat kohteet oli kartoitettu kesäkuun alkuun mennessä, ja niistä tehtiin karttakuva suunnittelun helpottamiseksi (kuva 1) .

Kuva 2. Virtuaalimetsä 2.0 -projektin kuvauskohteet Joensuun seudulla 22

•

Markus Korhonen (toim.)

Apuna maastossa oli Garminin GPS-laite, jolla oltiin laitettu GPS-pisteitä löydettävien kasvien ja puiden kohdalle. Kartat ja tarkat sijainnit kasveille helpottivat niiden uudelleen löytämistä. Siirtymiset autolla kuvauspaikkojen välillä oli myös helppo suunnitella, kun oli ennalta määrätyt paikat kuvattavaksi. Kuvaukset suoritettiin kahdessa päivässä ja niistä saatiin hyvää palautetta niiden sujuvuuden vuoksi.

KOHTEIDEN KUVAUS Silmän ja kameran suhde

Ihminen ja kamera näkevät maailman hyvin eri tavoin. Ihminen pystyy hahmottamaan yksityiskohtia monenlaisissa nopeastikin muuttuvissa valaistusolosuhteissa.

Aivomme osaavat katsoa ja ymmärtää kuvia ottamatta huomioon niissä näkyviä virheitä tai puutteita. Esimerkiksi ihminen pitää kirkasta aurinkoista säätä kauniina ja valokuvauksellisena, mutta referenssimateriaalin valokuvaamiselle pilvinen ja kuiva sää on paras. Kirkas auringonpaiste aiheuttaa teräviä varjoja, jotka ovat kameroille haastavia, koska kamerat tallentavat yleensä yhdessä kuvassa vain tietyn määrän sävyjä vaalean ja tumman välillä. Tämä voi johtaa niin sanottuun yli- tai alivalotukseen. Ylivalottuneet kuvan vaaleat kohdat ovat puhdasta valkoista. Tätä tapahtuu esimerkiksi kirkkaalla auringonpaisteella kosteilla kasvien lehdillä.

Alivalotusta voi tapahtua esimerkiksi koivujen rungossa olevilla tummilla alueilla missä kuva on täysin mustaa. Pilvinen ja kuiva sää poistaa kosteuden aiheuttamat heijastumat kasvien pinnoilta, koska valo tulee epäsuorasti taivaalta poistaen terävät varjot.

Silmämme ja aivomme osaavat nähdä kohteen niin kauan kuin valoa riittää, koska silmämme voi reagoida valoisuuden vaihteluihin erittäin nopeasti. Staattinen valokuva ei pysty samaan. Ihmisen silmä muistuttaa noin 40 - 50 mm polttovälillä olevaa linssiä ja siksi on suositeltavaa toteuttaa myös valokuvaus vähintään 50 mm, mutta mieluummin yli 50 mm polttovälillä. Laajakulmalinssit, eli linssit joiden polttoväli on hyvin pieni, aiheuttavat ei toivottuja vääristymiä kuviin.

Lehdet ja neulaset

Kasvien lehdet tai neulaset ja muut pienet osat olisi hyvä valokuvata puhtaan valkoista taustaa vasten, niin että niiden muodot ja yksityiskohdat erottuvat selvästi kaikesta muusta. Käytännössä yksi mahdollinen helppo ratkaisu on paperiarkki, joka on asetettu parinkymmenen sentin päähän kuvattavan kohteen taakse, jotta kappale ei itse langeta varjoa arkille. Valkoisesta taustasta on myös kameralle hyötyä, koska siitä saadaan helposti asetettua kameran valkotasapaino. On hyvä huomioida, että ruutupaperi ei käy vaan taustan on oltava mahdollisimman tyhjä visuaalisista häiriötekijöistä. Mikäli erillisen taustan kuljettaminen kentällä ei ole mahdollista tai on syystä tai toisesta unohtunut, tiukan paikan tullen mikä tahansa mahdollisimman eri värinen tausta ja terävä valokuva kuvattavasta kohteesta riittävät.

Pienet yksityiskohdat on helpompi kuvata, kun ne asettaa valkoisen taustan ja kirkkaan akryylilevyn väliin. Tämä on erityisen hyvä pienille kasveille, jotta saadaan

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

23

niiden lehdet ja ohuet varret kuvattua. Akryylilevy kuitenkin tuo lisähaasteen valokuvaamiselle sillä se voi heijastaa kuvaajan, kameran tai muuta ylimääräistä kuvaan kuulumatonta ympäristöstä. Tätä ilmiötä voi välttää etsimällä heijastumia minimoiva kuvakulma ja käyttämällä pyöröpolarisaatio suodattimia kameran objektiivin edessä.

Erityistä huolta tulisi pitää kameran valkotasapaino- ja väriasetuksista, kun kuvataan kukkia ja muita värikkäitä asioita. Yleisesti on turvallisinta asettaa kamera niin neutraaliin tilaan kuin mahdollista ja tarkistaa valkotasapainoa pitkin kuvauspäivää, jotta kuvattavien kohteiden värit tallentuvat mahdollisimman luonnollisina vaikka valoisuus muuttuisi.

Oksat ja rungot

Puiden yksi tärkeimmistä visuaalisista elementeistä on sen runko ja erityisesti rungon pinta kuten männyn kaarna tai koivujen tuohet. Joidenkin puiden pinnalla on myös muuta hyvin visuaalisesti erottuvaa kasvustoa kuten esimerkiksi haavassa kasvava keltajäkälä. Referenssimateriaalia kuvattaessa rungoista on hyvä ottaa useita kuvia eri etäisyyksiltä. Yksi melko läheltä, josta erottaa puun pinnan rakenteet, muutama hieman kauempaa noin 5 m - 10 m etäisyydeltä yleisilmettä varten ja lopuksi useita kuvia, joissa näkyy koko puu tyvestä latvaan. Puun tyvi on myös hyvä kuvata. Tähän kuitenkin riittää normaali yleiskuva. Mikäli puita tulee mallintaa myös kaatuneena tai kaadettuna, tarvitaan tietenkin kuva katkaistusta puusta niin tuulenkaatona kuin sahattuna unohtamatta juurakkoa. Useiden puiden oksien rungon pinta poikkeaa puun pääasiallisesta rungosta ja näihin on hyvä soveltaa samat kuvausmenetelmät kuin puun runkoon. Oksista on myös hyvä kuvata lisäksi lehdetön tai havuton versio, koska näin oksan rungon rakenne erottuu selvemmin.

Metsä ja mätäs

Kasvit esiintyvät usein suurina ryhminä. Jos kasvit kasvavat suuressa joukossa se voi vaikuttaa hieman siihen, miten kasvit muodostuvat, sillä sama kasvi yksin tai joukossa voi olla hyvinkin eri muotoinen. Erityisesti pienten kasvien kuten heinien osalla tämä korostuu, koska ne tekevät kumpuja ja mättäitä. Myös tiheä koivikko voi vaatia tiheyden huomioimisen yksittäisen koivun mallinnuksessa. Näistä syistä on yleensä hyvä ottaa muutama yleiskuva, jotka edustavat kuvattavan ja mallinnettavan kasvin elinympäristöä ja tapaa kasvaa ryhmissä.

Metatiedot

Valokuviin voidaan syöttää myös lisätietoa helposti. Kamera itse tallentaa luultavasti metatietoa itse kuvatiedostoon, mutta nyt puhutaan paljon käytännön läheisemmästä tiedosta. Esimerkiksi on hyvä, jos mahdollista, laittaa jokin mittakaava mukaan valokuviin. Esimerkiksi puiden tapauksessa metrin mittainen selkeästi värjätty tikku tai vaikka tulitikkurasia pienten kappaleiden tapauksessa. Tällä tavoin kuvamateriaalia hyödyntävä henkilö voi tarkistaa, että mittakaavat pysyvät yhtenäisinä eri tuotosten välillä.

24

•

Markus Korhonen (toim.)

Toinen erittäin olennainen tieto voi olla esimerkiksi kuvattavan kohteen nimi ja muita siihen liittyviä mahdollisia tietoja kuten esimerkiksi kasvupaikka ja korkeus.

Nämä tiedot voidaan syöttää valokuvaan vaikka käyttämällä luentolehtiötä, johon tiedot on kirjoitettu tai mobiililaitetta, jonka näytöllä tiedot ovat. On tilanteita, missä tämän toteuttaminen voi olla hankalaa, esimerkiksi erittäin suurten tai pienten kohteiden kanssa. Niissä tapauksissa on hyvä kuvata tiedot erillisellä kuvalla, koska tärkeintä on saada kappale kuvattua hyvin.

Kuvamateriaali

Hyvä valokuvamateriaali on sitä tarvitsevalle henkilölle, kuten 3D-mallintajalle, suuri apukeino. Olipa kyseessä sitten tunturikoivu keskeltä Lapin erämaata tai lentävä lautanen galaksin toiselta laidalta, mallintaja tarvitsee jonkin lähtökohdan, mistä aloittaa mallinnus. Tunturikoivun tapauksessa lähdemateriaali on helppo saada nappaamalla vain muutama hyvä valokuva. Lentävän lautasen tapauksessa tilanne on hieman haastavampi, mutta onneksi melkein kuka vain voi mennä puiden luokse ottamaan valokuvia.

KUVAMATERIAALIN HYÖDYNTÄMINEN VIRTUAALIMALLINNUKSESSA Kuvasta malliksi

3D-Mallintajalla on harvoin hyvä tuntemus mallinnettavan kohteen yksityiskohdista saati sen biologiasta, joten hänen täytyy luottaa yleisesti saatavilla oleviin kuvauksiin tai mieluummin annettuun lähdemateriaaliin. 3D-mallien tuottaminen edellyttää hyvää referenssimateriaalia, josta 3D-mallintaja toisintaa kappaleen ulkonäön 3D-malliksi. 3D-malli koostuu kahdesta erillisestä komponentista, joista ensimmäinen komponentti on varsinainen 3D-geometria eli kappaleen muoto, joka koostuu polygoneista. Polygoni on kolmen pisteen väliin syntyvä 3D-pinta. Toinen komponentti on kappaleen pintojen ulkonäkö, johon vaikuttaa pintojen värit, heijastus sekä läpinäkyvyys. Nämä tiedot tuodaan lähtökohtaisesti bittikartasta joka on tehty esimerkiksi valokuvasta teksturoinnin avulla. Teksturointi on kuvankäsittely prosessi, jossa kuvamateriaalista tuotetaan 3D-mallin vaatimia pintamateriaaleja eli tekstuureja. Näiden tekstuurien vaatimukset vaihtelevat tietenkin 3D-mallien käyttökohteiden mukaan. Tekstuurit asetetaan polygonien pinnoille ja näin saadaan valmis pinta.

Geometria ja polygonit

Puiden runko on lähtökohtaisesti aika yksinkertainen kappale mallintaa. Runko on käytännössä vain erittäin pitkä kartio. Runkojen ainoa isompi haaste on oksien tyvet.

Oksat itse ovat myöskin pääasiassa kartioita, mutta niiden tyvien pitäisi sulavasti liittyä runkoon. Referenssimateriaalista tarkistetaan oksan ja rungon liitoskohdan muotoa. Lähinnä sitä, miten paljon oksa laajenee liittyessään runkoon vai laajeneeko lainkaan. Referenssimateriaalista tarkastellaan myös sitä, että millainen bifurkaatio

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

25

kyseisellä puulla on, eli miten oksat haarautuvat. Puun kanto ja juuret toteutetaan käytännössä samalla tavalla kuin oksat.

Puiden lehdet, neulaset ja muut pienet kasvien osat ovat kiintoisa ongelma 3D-mallintajalle. Jos esimerkiksi jokainen puussa oleva lehti tai neulanen mallinnetaan, kasvaisi puuhun käytettyjen polygonien määrä rajusti. Suuri polygonien määrä tekisi puumallin käsittelystä ja käyttämisestä laskennallisesti raskasta tietokoneelle. Tämän vuoksi yleensä neulasten ja lehtien geometria on tasainen muutaman polygonin muodostama pinta, johon teksturoinnilla luodaan illuusio useista lehdistä kerralla. Referenssimateriaalista tässä tapauksessa katsotaan, millaisen tilavuuden joukko lehtiä tai neulasia tarvitsee. Tämän tilavuuden geometrialla voi olla hyvinkin vähän tekemistä todellisten muotojen kanssa, vaikka lopputuloksessa se näyttääkin usein toden mukaiselta. Tämä korostuu eritoten pienissä kasveissa, koska niissä ei ole yleensä tarvetta esittää kasvin varsinaista muotoa geometrialla.

Teksturointi

3D-mallintajalle hyvä kuva rungon tai oksan pinnasta helpottaa luomaan kyseiselle puulle sopivan tekstuurin. Tästä kuvasta kuvankäsittelyssä yritetään tuottaa niin sanottu saumaton kuva. Eli kuva, jota voidaan latoa päällekkäin ja vierekkäin niin, että niiden liitoskohtaa ei huomaa. Tämä prosessi onnistuu helpoiten, mikäli lähdekuva on tasaisesti valottunut ja kuvattu kohtisuorassa rungon pinnasta. Tästä saumattomasta kuvasta muokataan tarpeen tullessa mustavalkoinen kuva, jossa kirkkaat kohdat kuvastavat sileää pintaa ja tummat kohdat karkeaa pintaa. Tällaista tekstuuria voidaan hyödyntää visualisoimaan kasvien pintojen hohtoa. Yleensä tästä samasta kuvasta tuotetaan tietyin muutoksin myös niin sanottu normaalikartoitus kuva. Tällä normaalikartalla, pelimoottorit ja muut 3D-piirto ohjelmistot voivat piirtää näennäistä geometriaa pinnalle jossa ei ole varsinaisesti paljoa polygoneja.

Tekniikalla on tiettyjä rajoituksia, mutta kasvien tapauksessa niihin harvoin törmää.

Kuten aiemmin tässä kirjoituksessa mainittiin pienten kasvin osien mallintaminen aiheuttaisi luultavasti liian suuren määrän polygoneja. Asiaan on kuitenkin yksinkertainen ratkaisu. Referenssimateriaalista kohde leikataan kuvankäsittelyssä irti taustakuvasta, eli kuva syvätään. Tälle syvätylle kuvalle tehdään pitkälti samat prosessit kuin puun rungon tekstuurille, ainoana erotuksena, että syvätyn kuvan ei tarvitse olla saumaton ja sen tausta täytyy olla läpinäkyvä. Läpinäkyvyydellä siis tarkoitetaan, että kuvalla on alfakanava. Tämän syväyksen onnistuminen riippuu paljon referenssimateriaalin laadusta. Syväyksen jälkeen syntynyt tekstuuri asetetaan geometrian päälle. Lehden tapauksessa geometria voi olla esimerkiksi yksi ainoa polygoni. Tässä tapauksessa tekstuurille on annettu ominaisuus, jotta se piirtyy kaksipuoleisesti, sillä lähtökohtaisesti tekstuurit ovat toiselta puolen näkymättömiä.

Tällä säästetään piirtoaikaa tietokoneelta, mutta lehtien tapauksessa se ei ole haluttu ominaisuus. Tämä käytännössä tarkoittaa myös sitä, että lehti on molemmilta puolin identtinen, joten kuvamateriaalista yritetään etsiä mahdollisimman persoonattomia lehtiä tai muita kasvien osia, koska kun sama lehti kopioidaan tuhansiksi kopioiksi

26

•

Markus Korhonen (toim.)

pitkin puuta, siinä esiintyvät erikoispiirteet rupeavat pistämään silmään. Lehtien ja pienten kasvien tekstuurien ja geometrian välinen suhde on todella riippuvainen kyseessä olevasta kasvista.

Kuva 3. Teksturoituja kasveja ja niiden pohjageometriat

POHDINTA Kasvupaikkojen, kasvien ja puiden määrittelyssä kattavan mallintamisen mahdollistamiseksi otettiin Virtuaalimetsä 2.0-hankkeessa tavoitteeksi realistisen kaltainen ulkonäkö virtuaalimaailmassa. Hankkeessa jouduttiin kuitenkin tekemään myös kompromisseja kasvupaikkojen ulkonäön kuvauksessa. Varjoisuuden vaikutus kasvupaikkojen ulkonäköön on huomattava, ja esimerkiksi lehtomaisilla kankailla kasvava puulaji ja puuston kehitysluokka vaikuttaa huomattavasti kohteiden ulkonäköön. Puulajin ja kehitysluokan vaihtuessa kohteen varjoisuus vaihtuu, mikä vaikuttaa kohteessa esiintyviin kasvilajeihin. Tulevaisuudessa tapahtuvassa jatkokehityksessä varjoisuuden vaikutus kasvupaikan ulkonäköön on otettava huomioon, jotta kohteiden ulkonäköä voidaan parantaa. Myös suotyyppien tarkempi kuvaus on tarpeellista, jotta maisema pystytään mallintamaan entistä realistisemmin eri kohteissa. Virtuaalimetsä 2.0-hankkeessa ei mallinnettu kaikkia suotyyppejä resurssien rajallisuudesta johtuen, mutta puuttuvat suotyypit pystytään lisäämään sovellukseen tulevaisuudessa tapahtuvassa kehityksessä. Pöllänen (2020) on tarkastellut virtuaalimetsä-sovelluksen visualisoinnin realistisuutta artikkelissaan Reaalimaailman ja metsän virtuaalimallinnuksen kuvaparivertailu.

Pelimoottoreihin perustuvan virtuaalimallintamisen yksi suurimmista rajoitteista on nykyisten tietokoneiden teho. Tietokoneiden teho asettaa rajoitteita muun muassa virtuaalimaailmassa käytettävien kasvien, puiden ja muiden objektien määrään.

Tulevaisuudessa tietokoneiden teho lisääntyy, ja tehokkaammat tietokoneet mahdollistavat suuremman mallien määrän ja monimutkaisempiin yhteyksiin perustuvan metsä- ja suotyyppien mallintamisen.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

27

KIRJALLISUUS Lapin ammattikorkeakoulu 2018. Virtuaalimetsä 2.0 hankesuunnitelma.

Lapin ammattikorkeakoulu 2020. Virtuaalimetsä 2.0 käyttöohje.

Pöllänen, N. 2020. Reaalimaailman ja metsän virtuaalimallinnuksen kuvaparivertailu.

Tapio 2020. Virtuaalimetsä 2.0 – ovi uudenlaiseen metsäsuunnitteluun. Tiedote.

Tapio 2020. Virtuaalimetsä 2.0. -hanke. Viitattu 29.3.2021. https://tapio.fi/virtuaalimetsa-2-0-anke/?utm_source=Virtuaalimets%C3%A4+2.0++ovi+uudenlaiseen+mets%C3%A4suunnitteluun&utm_medium=email&utm_ca mpaign=Virtuaalimets%C3%A4+10+2020.

28

•

Markus Korhonen (toim.)

Jussi Peuhkurinen & Maria Villikka

Ilmalaserkeilaus virtuaalimetsän apuaineistojen tuottamisessa Luonnollisen kaltaista ja kuvauksen kohteena olevan metsän kanssa piirteiltään samanlaisen virtuaalimetsän tuottamista varten tarvitaan tietoa kuvattavan kohteen maastosta, puustosta ja muista siellä esiintyvistä kohteista. Tieto voidaan hankkia monilla tavoilla, esimerkiksi manuaalisella maastokartoituksella, karttatiedoista päättelemällä tai maastossa tehtävillä tarkoilla kuvauksilla. Tieto metsän ominaisuuksista (puustosta ja kasvupaikasta) esitetään usein metsikkökuvioiden avulla. Tällöin esitetty tieto on yleistetty koskemaan aluetta, jonka pinta-ala vaihtelee alle hehtaarista useampaan hehtaariin. Tieto voi sinänsä olla tarkkaa, mutta siitä ei käy ilmi metsikkökuvion sisäinen vaihtelu. Kaukokartoituksella, etenkin laserkeilauksella, tuotettu tieto voidaan kohdentaa pienemmälle alueelle. Esimerkiksi Suomen metsäkeskus tuottaa ilmalaserkeilaukseen perustuen puustosta tietoa koko maan kattavalle puustohilalle, jossa Suomi on jaettu 16 kertaa 16 metriä kokoisiin ruutuihin (Suomen metsäkeskus 2016). Laserkeilauksella tuotettu tieto on spatiaaliselta tarkkuudeltaan parempaa kuin kuviolle yleistetty tieto, mutta tietosisältö on usein jouduttu karsimaan menetelmän ominaisuuksien takia. Suomen metsäkeskuksen esittämässä puustohilatiedossa ei esitetä esimerkiksi lehtipuustoa puulajeittain eriteltynä eikä alempien latvuskerrosten puustoa ole välttämättä kuvattu tarkasti.

Ilmasta tehtävä 3D kartoitus voidaan tehdä myös siten, että pyritään kartoittamaan jokainen puu. Menetelmän haasteena on, että lukuisista kehitysyrityksistä huolimatta ylhäältä päin kerätystä aineistosta ei saada luotettavasti tunnistettua kaikkia puita, jolloin tuotettu tieto on vaillinaista etenkin alemman latvuskerroksen puiden osalta (Kaartinen ym. 2012 ja Wang ym. 2016). Pienialaisen kohteen erittäin tarkka ja realistinen kuvaus saadaan tuotettua esimerkiksi maa- tai mobiililaserkeilauksella (Liang ym. 2014). Tekniikka vaatii kuitenkin ainakin toistaiseksi erillisen aineiston keruun ja analysoinnin ja soveltuu siten lähinnä yksittäisten pienialaisten kohteiden kuvaamiseen.

Jotta virtuaalisen metsän tuottaminen olisi nopeaa ja luotettavaa sekä kustannuksiltaan alhaista, lähtöaineistojen tuottaminen ei saa muodostaa

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

29

pullonkaulaa. Nopein ja kustannustehokkain lähtökohta on muodostaa metsikön kuvaus olemassa olevasta metsävaratiedosta. Tämä voi olla esimerkiksi joko maastossa metsäsuunnitelman laadinnan yhteydessä kuvioittaisella arvioinnilla kerätty tieto tai Suomen metsäkeskuksen tuottama kaukokartoitukseen perustuva kuvio- tai hilatieto.

Edellä mainituissa aineistoissa puusto ei ole kuvattu yksittäisen puun tarkkuudella, vaan puiden sijainti on oletettu satunnaiseksi kuvion tai hilaruudun sisällä ja puiden kokovaihtelu esitetään vain puustojaksojen keskipuiden avulla. Aineisto on siten puutteellista sen suhteen, miten eri kokoiset ja eri lajin puut sijaitsevat toisiinsa nähden. Tämä voi johtaa etenkin epätasaisissa kohteissa siihen, että kuvauksen pohjalta laadittu virtuaalimetsä ei vastaa ilmiasultaan kohdetta, jota sen pitäisi kuvata.

Ilmasta tehtävä laserkeilaus tuottaa kohteesta 3D-mallin. Mallin tarkkuus riippuu käytetystä pistetiheydestä ja kohteen ominaisuuksista. Mallista voidaan päätellä kuvion sisäiset pienaukot ja puustoiset kohteet sekä arvioida latvuston tiheyttä eri latvuskerroksissa. Kun mallia tarkastellaan eri korkeuksista, voidaan arvioida, millainen latvustiheys on esimerkiksi maastossa liikkuvan ihmisen näkökulmasta; kuinka pitkälle maastossa näkee eteenpäin ja kuinka paljon latvus peittää taivaasta.

Pistemuotoisen 3D-mallin avulla voidaan myös tuottaa erittäin tarkka maastomalli ja arvioida ojien kuntoa, jolloin ne on mahdollista kuvata realistisemmin.

Ilmasta tehtyyn laserkeilaukseen perustuva malli ei yleisesti kerro yksittäisen puun sijaintia, puulajia ja kokoa, mutta voidaan ajatella, että malli kertoo todennäköisyyden tietynkokoisen puun esiintymiselle tietyssä kohdassa. Voidaankin ajatella, että mikäli on tiedossa kohteen yksittäisten puiden ominaisuudet niiden sijaintia lukuun ottamatta, puut voidaan sijoitella kohtiin, joissa ne todennäköisesti esiintyvät laserkeilaukseen perustuvan 3D-mallin avulla.

Ennen kuin yksittäisiä puita voidaan sijoitella 3D-mallin osoittamiin kohtiin, keskitietoina esitetty puustotieto tulee muuttaa yksittäisiksi puiksi. Muunnos voidaan tehdä esimerkiksi teoreettisen läpimittajakaumamallin avulla (Maltamo ym. 2002).

Hilamuotoista laserkeilausaineistolla tuotettua tietoa hyödyntävän menetelmän on esittänyt Siipilehto ym. (2016). Laserkeilausta käytettäessä on mahdollista tuottaa myös niin sanottu empiirinen runkolukusarja (Packalén & Maltamo 2008), jolloin ei tarvitse estimoida teoreettista jakaumaa keskitunnusten perusteella, vaan puulajeittaiset kokojakaumat voidaan muodostaa suoraan laserkeilaukseen perustuvan puustoinventoinnin yhteydessä opetuskoealoista imputoimalla.

Yhdistämällä yksittäisen puun tasolla esitetty inventointitieto yksittäisen puun estimoituun sijaintitietoon voidaan tuottaa puukartta-aineisto. Puukartta sisältää kuvion yksittäisen puun sijainnin lisäksi tietoa yksittäisen puun ominaisuuksista, kuten puulajin ja puun pituuden sekä läpimitan. Puukartta-aineistossa puiden sijainti suhteessa toisiinsa ja puiden kokojakauma ovat todenmukaisempia kuin pelkästään keskitiedoista simuloidussa puujoukossa. Puukartta-aineisto antaa lähtökohdan todenmukaisemman virtuaalimetsän luomiselle; puut muodostavat puuryhmiä, jollaisia metsikkökuvioilla oikeasti esiintyy, puulajit esiintyvät oikeissa kohdissa ja puuston kokojakauma vastaa todellisuutta.

30

•

Markus Korhonen (toim.)

Testasimme erilaisten, virtuaalimetsän apuaineistoksi soveltuvien laserkeilausaineistoon perustuvien tasojen tuottamista hyödyntämällä avointa laserkeilausaineistoa. Laserkeilauksella tuotetusta 3D-mallista tunnistettiin kuvion sisäiset aukot sekä tuotettiin estimaatit maastonäkyvyydestä ja latvuspeittävyydestä.

Maanpinnan muodoista tuotettiin tietoa laatimalla tarkka digitaalinen maanpintamalli (DTM, digital terrain model) ja ojien syvyystieto. Laserkeilausaineistoa käytettiin automaattiseen kivien tunnistamiseen ja luokitteluun. Esittelemme myös täysin uuden menetelmän, jolla voidaan tuottaa metsän visualisoinnin lähtöaineistoksi puukartta-aineisto hyödyntäen kuvio- tai hilapohjaista puustoinventointitietoa ja ilmalaserkeilausaineistoa. Menetelmä ei aseta inventointitiedon tai laserkeilausaineiston laadulle mitään tiettyjä vaatimuksia. Lopputuloksen laatuun vaikuttaa kuitenkin lähtöaineistojen laatutekijät: inventointitiedon oikeellisuus ja spatiaalinen resoluutio, laserkeilausaineiston tarkkuus ja inventointitiedon ja laserkeilausaineiston ajallinen yhteensopivuus. Menetelmää testattiin sekä maastossa kuvioittaisella arvioinnilla kerätyllä inventointitiedolla että Suomen metsäkeskuksen hilamuotoisella metsävaratiedolla.

PUUSTON AUKKOISUUS Virtuaalimetsän aikaisemmassa versiossa puut sijoiteltiin aina satunnaisesti kuviolle.

Tässä hankkeessa puuston realistisempaa sijoittelua pyrittiin edesauttamaan huomioimalla metsässä olevat pienaukot. Laserkeilausaineistoon perustuvan aukkoisuustason avulla pienaukot sijaitsevat kunkin kuvion sisällä oikeassa paikassa.

Kun aukkoisuustasoa hyödynnetään virtuaalimetsässä, pienaukkoihin ei sijoitella puita.

Aukkoisuustason tuottamisessa laserkeilausaineisto on prosessoitu siten, että jokaisen pisteen korkeusarvona on korkeus maanpinnasta. Pisteaineiston perusteella tehdään rasterimuotoinen latvusmalli, jossa pikselin arvo kuvaa kasvillisuuden korkeutta. Latvusmallia luokittelemalla ja analysoimalla pystytään tunnistamaan ja rajaamaan kuvion sisäiset pienaukot. Aukkoisuustasossa eroteltiin latvukset ja aukot käyttämällä kahden metrin rajaa. Kaikki kahta metriä matalampi kasvillisuus luokiteltiin maanpinnaksi eli aukoksi ja kahden metrin rajan ylittävä kasvillisuus luokiteltiin kasvillisuudeksi. Pienimmät, kooltaan alle 16 m2 aukko- tai kasvillisuuskohteet jätettiin pääsääntöisesti huomioimatta.

Aukkoisuustason yksityiskohtien määrää voidaan säädellä esimerkiksi latvusmallin pikselikoolla. Hankkeen esimerkkialueilla aukkoisuustason teossa käytetyt parametrit vaihtelivat alueittain. Aukoiksi pyrittiin luokittelemaan vain sellaiset puuttomat kohteet, jotka poikkeavat muusta alueesta. Eli esimerkiksi kun puusto on harvaa, jokaisen puun väliä ei kannata luokitella aukoksi. Esimerkiksi Lapissa latvusmalli ja aukkoisuustaso kannattaa ehkä tehdä suuremmalla pikselikoolla, jotta lopputuloksessa ei olisi valtavasti yksityiskohtia.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

31

Tässä hankkeessa käytettiin kaikilla testialueilla kahden metrin pituusrajaa.

Pituusrajan vuoksi aukkoisuustaso ei sovellu käytettäväksi taimikkokohteille, joissa puuston pituus on pieni.

Puuston aukkoisuustaso ja puukartta ovat vaihtoehtoisia visualisoinnin apuaineistoja. Puukartassa huomioidaan puiden sijainnin lisäksi puuston kokojakauma. Puuston aukkoisuutta kuvaava taso sen sijaan on tarkoitettu vain luomaan realistisempi puiden sijoittelu huomioimalla kuvion sisäiset puuttomat alueet.

LATVUSPEITTÄVYYS JA MAASTONÄKYVYYS Latvuspeittävyys on määritelmän mukaan latvuston pystysuuntaisen projektion peittämä prosenttiosuus tarkasteltavasta alueesta.

Virtuaalimetsän yhteydessä se liittyy latvuston tiheyteen, näkyvyyteen ja valaistusolosuhteisiin. Ilmalaserkeilauksen on todettu sopivan hyvin latvuspeittävyyden arvioimiseen (Korhonen 2011).

Maastonäkyvyydellä tarkoitetaan tässä sitä, kuinka pitkälle maastossa liikkuva ihminen voi nähdä normaalilta katselukorkeudelta.

Metsikkökuvioille määriteltiin maastonäkyvyys ja latvuspeittävyys laserkeilausaineistoon perustuen. Maastonäkyvyys-arvo kuvaa näkyKuva 1. Esimerkki aukkoisuustasosta vyyttä metreissä. Arvo kuvastaa siis katselukorkeudella olevaa kasvillisuuden määrää. Arvo lasketaan laserpisteaineiston suhteellisesta tiheydestä keskimääräisellä katselukorkeudella. Arvon määrittelyssä ei ole otettu huomioon maaston pinnanmuotojen vaikutusta. Latvuspeittävyys määriteltiin kasvillisuudesta heijastuneiden laserpisteiden ja kaikkien laserpisteiden suhteena.

Arvo on välillä 0–100. Arvo nolla kuvaa täysin puutonta aluetta (kaikki laserpulssit kulkevat maanpintaan saakka kohtaamatta mitään estettä ennen maata) ja arvo 100 täysin peitteistä metsää (kaikki laserpulssit heijastuvat ennen maata latvustosta).

32

•

Markus Korhonen (toim.)

Koska latvuspeittävyyteen ei lasketa mukaan pensaskerrosta eikä matalaa aliskasvillisuutta kasvillisuuden pituusrajana käytettiin kahta metriä.

Maastonäkyvyys ja latvuspeittävyys laskettiin pikselitasolle, josta se yleistettiin metsikkökuvioille.

Kuva 2. Esimerkki mikrokuvioille lasketusta latvuspeittävyydestä ja maastonäkyvyydestä.

MAANPINTAMALLI JA OJIEN SYVYYS Maanpintamalli tehtiin laserkeilausaineiston maapisteiden perusteella TerraScan ohjelmistolla (www.terrasolid.com). Digitaalinen maanpintamalli on rasterimuotoinen aineisto, jossa pikselin arvo kuvaa maanpinnan korkeutta. Tässä Maanpintamalli tuotettiin yhden metrin spatiaalisella resoluutiolla ja arvo on metrejä keskimerenpinnasta.

Ojien syvyysanalyysissä hyödynnettiin laserkeilausaineistoa ja Maanmittauslaitoksen maastotietokantaa, joka on avointa aineistoa. Ojien sijainti saatiin vektorimuotoisena aineistona maastotietokannasta. Ojalinjat jaettiin kuuden metrin pituisiin osiin (ojasegmentteihin) ja kunkin ojasegmentin syvyyttä analysoitiin ympäröivään maanpintaan verrattuna. Ojasegmentin syvyys laskettiin siihen osuneiden laserpisteiden perusteella siten, että pienimmän korkeusarvon saaneen pisteen oletetaan olevan ojan pohjasta. Laserpulssi heijastuu veden pinnasta, joten syvyys kuvaa ojan pohjan tasoa silloin kun ojassa ei ole vettä ja ojan veden pinnan korkeutta silloin kun ojassa on vettä. Lopputuloksena ojasegmenteillä on ojan kuivavara, joka kuvaa ojan vedenpinnan ja maanpinnan välistä etäisyyttä.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

33

Kuva 3. Esimerkki laserkeilausaineistosta tuotetusta digitaalisesta maastomallista ja ojien syvyydestä, joka tässä tapauksessa on ojan kuivavara.

KIVIEN TUNNISTAMINEN Kivien tunnistamisessa testattiin ArcMap-paikkatieto-ohjelman työkaluja hyödyntäen kehitettyä mallia maaston kivisyyden kartoitukseen (Vänttinen 2020).

Opinnäytetyössä kehitetty malli on laadittu tiheäpulssiselle monikanavakeilausaineistolle. Opinnäytetyössä raportoitu kivien löytymisen ja luokituksen kokonaisluotettavuus oli yli 90 % ja mallilla oli mahdollista löytää läpimitaltaan ja korkeudeltaan puolimetrisiä ja sitä suurempia kiviä. Tiheäpulssista monikanavakeilausaineistoa ei ole saatavilla avoimena aineistona ja sen käyttö laajojen alueiden kartoitukseen on vielä vähäistä. Tässä hankkeessa testattiinkin

34

•

Markus Korhonen (toim.)

avoimena aineistona saatavaa harvapulssista laserkeilausaineistoa, jolloin ei voida hyödyntää sävyarvotietoa ja pienimpien havaittavissa olevien kivien koko on suurempi, kuin tiheää aineisto käytettäessä. Vänttisen (2020) mukaan harvapulssiaineistoa käytettäessä kivien tunnistamisen luotettavuus on vain noin 35 % ja käytännössä ei löydetä läpimitaltaan alle 1,5 metrisiä ja korkeudeltaan alle 1 metrisiä kiviä.

Automaattinen kivien tunnistaminen tehtiin testialueelle ja tunnistamisen onnistumista arvioitin visuaalisesti. Tekemämme havainnot ovat yhteneviä Vänttisen (2020) tekemien havaintojen kanssa. Malli löytää kiviä, mutta luokittelee myös alikasvosta ja muita riittävän suuria ja laserpulssin läpäisemättömiä kohteita kiviksi.

Lisäksi kiviä löytyy enimmäkseen avoimilta alueilta. Testin perusteella kivien luotettava tunnistaminen vaatisi tiheäpulssista laserkeilausaineistoa joka olisi mahdollisesti kerätty monikanavakeilausaineistona. Harvaa laserkeilausaineistoa käytettäessä mallilla tuotettu kivisyystieto voi olla karttatietoa täydentävää aineistoa yksittäisten suurien kivien tunnistamisessa ja karttatietoa tarkemman sijainnin ja koon merkitsemisessä. Etenkään latvuston alla olevan kivisyyden tunnistamisessa harva laserkeilausaineisto ei vaikuta olevan käyttökelpoista aineistoa.

Kuva 4. Laserkeilausaineistosta automaattisesti tunnistetut kivet merkittynä sinisellä.

Vääräväri-ilmakuva: Maanmittauslaitos.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

35

Kuva 5. Laserkeilausaineistosta automaattisesti tunnistetut kivet merkitty merkittynä sinisellä. Peruskartta: Maanmittauslaitos.

PUUKARTTA-AINEISTO Puukartta on puustotiedon esittämistapa, jossa jokainen puu esitetään xykoordinaatistossa. Puukartta tuotettiin hankkeessa kehitetyllä menetelmällä, jossa yhdistetään olemassa oleva inventointitieto ilmasta kerättyyn laserkeilausaineistoon.

Ideana on, että mikä tahansa puustoinventointitieto voidaan esittää puuston kokojakaumina ja jakaumista voidaan poimia yksittäisiä puita. Näin muodostetun puulistan puiden sijainti kuviolla voidaan päätellä vertaamalla puulistaa ja laserkeilausaineistoa.

Puukartta-aineisto muodostettiin joko maastoinventointiin tai laserkeilausinventointiin perustuvien tietojen perusteella. Laserkeilausinventointiin perustuva puukartta voitiin muodostaa joko olemassa olevien metsikkökuvioiden tai perinteisiä metsikkökuvioita pienempien mikrokuvioiden alueella. Mikäli käytettiin hilamuotoista metsävaratietoa, kuviotason puukartta muodostettiin kuvion sisälle osuvien hilojen puustotietojen perusteella.

36

•

Markus Korhonen (toim.)

Kuva 6. Hilamuotoinen metsävaratieto yhdeltä hilan solulta esitettynä puulajeittain/ puulajiryhmittäin keskitunnuksina (vasemmalla) ja kuvion rajaus ja kyseisen hilan solun sijainti kuviolla (oikealla).

Koska tässä käytetty metsävaratieto oli aina kuvattu puuston keskitunnusten avulla, muodostettiin keskitunnuksista ensin teoreettiset läpimittajakaumat. Jakaumaksi valittiin kaksiparametrinen Weibull-jakauma. Weibull-läpimittajakauman parametrit tuotettiin parametrien palautus -menetelmällä (Mehtätalo ym. 2007) ja jakaumasta poimittiin yksittäiset puut Siipilehdon ym. (2016) esittämää menetelmää soveltaen. Jokaisella poimitulla yksittäisellä puulla on tietona puulaji, puun läpimitta ja pituus. Puiden lukumäärä johdettiin runkoluvusta.

Kuva 7. Hilan solun puustotiedoista tuotettu läpimittajakauman tiheysfunktio ja jakaumasta poimitut yksittäiset puut, jotka muodostavat generoidun puulistan (oikealla, tässä esitetty puulaji ja läpimitta).

Jos puulistat muodostetaan hilamuotoisesta metsävaratiedosta läpimittajakauma voi olla useampihuippuinen. Jos läpimittajakauma muodostetaan kuvioittaisen arvioinnin tiedosta, jokaisen puujakson (puulaji, latvuskerros) jakauma on yksihuippuinen Weibull-jakaumaa käytettäessä.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

37

Koska läpimitat poimittaan jakaumasta satunnaisesti, yksittäisissä tapauksissa läpimitoista laskettu pohjapinta-ala voi poiketa huomattavasti puustotiedoissa olevasta pohjapinta-alasta. Ratkaisuna käytettiin satunnaisten puiden poiminnan toistamista, kunnes poimittujen puiden läpimitoista laskettu pohjapinta-ala ja puustotiedon pohjapinta-ala ovat riittävän lähellä toisiaan tai toistoja on tehty ennalta määritetty maksimimäärä. Mikäli läpimittajakaumaa ei voida muodostaa esimerkiksi epäloogisten puustotietojen takia, puulistan puut perustuvat vain runkolukuun ja keskiläpimittaan. Puukartan puut tuottavat keskimäärin lähtötietona olevan puuston keskitunnukset.

Kuva 8. Esimerkki kuviosta ja kuvion läpimittajakaumista hilamuotoisesta metsävaratiedosta tuotettuna. Oikealla olevissa jakaumakuvissa kukin väri edustaa yhtä hilan solua.

Valmiin kuvio- mikrokuvio- tai hilaruutukohtaisen puulistan puut sijoitetaan kehitetyn algoritmin avulla automaattisesti laserpisteaineistoa käyttäen kohtiin, joissa puu todennäköisesti sijaitsee. Laserkeilausaineiston paikalliset maksimit tulkittiin puiden sijainneiksi. Puiden sijainti yhdistettiin puulistan puihin pituusjärjestyksessä, siten että pisin puu laserkeilausaineistolla yhdistettiin puulistan pisimpään puuhun. Pienet puut, jotka eivät näy yksittäisinä puina laserkeilausmallissa, sijoitetaan kohtiin, joissa ne voisivat sijaita: puuryhmiin tai suurempien latvusten alle.

Yksittäisillä kuvioilla ei löytynyt sijaintia kaikille puulistan puille. Lopputuloksena on puukartta, joka sisältää jokaisen puun sijainnin, puulajin, läpimitan ja pituuden.

38

•

Markus Korhonen (toim.)

Kuva 9. Esimerkki puukartasta. Väri kuvaa puulajia ja ympyrän säde puun suhteellista läpimittaa. Taustalla harvasta laserkeilausaineistosta tehty latvusmalli.

Menetelmää käytettäessä on huomioitava, että puusto- ja laserkeilausaineistojen tulee olla ajallisesti riittävän yhteensopivia. Muutaman vuoden kasvu ei vielä oletettavasti vaikuta merkittävästi lopputulokseen varttuneissa puustoissa, mutta laserkeilauksen ja puustotietojen keruun välillä tehdyt hakkuutoimenpiteet vaikuttavat. Lisäksi tulee huomioida, että menetelmä soveltuu käytettäväksi varttuneissa puustoissa.

Taimikoissa menetelmä ei toimi hyvin koska laserkeilausaineistosta ei tunnisteta pienten puiden sijainteja.

YHTEENVETO Ilmalaserkeilausaineisto on laajojen alueiden maaston ja kasvillisuuden kuvauksessa mielenkiintoinen aineisto. Se kuvaa maaston ja kasvillisuuden 3D-ominaisuuksia resoluutiolla, joka paljastaa metsiköiden välisen vaihtelun lisäksi metsikön sisäisen vaihtelun. Aineisto ei suoraan kuvaa yksittäisiä puita, mutta yhdistettynä maastossa kerättyyn tai avoimeen metsävaratietoon se auttaa realistisemman virtuaalimetsän tuottamisessa.

Laserkeilausaineistoa analysoimalla voidaan tuottaa sekä yksinkertaisia visualisoinnin apuaineistoja että enemmän laskentaa ja haastavampaa analyysia vaativia tietotuotteita, joita voidaan suoraan hyödyntää metsän visualisoinnissa.

Ensimmäiseen ryhmään kuuluvat mm. maanpintamalli, kuvion sisäisten pienaukkojen sijainti, koko ja muoto, latvuspeittävyys ja maastonäkyvyys.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

39

Jälkimmäiseen ryhmään kuuluvat mm. ojien syvyyden analysointi, kivien tunnistaminen ja puukartta-aineiston tuottaminen.

Laserkeilausaineistoa käytettäessä tulee huomioida laserkeilauksen toteutusajankohta. Avoimena aineistona Suomesta saatava aineisto on tällä hetkellä keskimäärin 5–6 vuotta vanhaa, joillain alueilla jo 10 vuotta vanhaa. Vuodesta 2020 alkaen kansallisen laserkeilausohjelman mukaan keilauskierto on suurimmassa osassa Suomea kuusi vuotta. Samalla pistetiheys on kymmenkertaistettu 0,5 pisteestä neliömetrille viiteen pisteeseen neliömetrille. Nämä muutokset edesauttavat testattujen ja kehitettyjen menetelmien soveltamista.

KIRJALLISUUS Liang, X., Hyyppä, J., Kukko, A., Kaartinen, H., Jaakkola, A. & Yu, X. 2014. The Use of a Mobile Laser Scanning System for Mapping Large Forest Plots. IEEE Geoscience and Remote Sensing Letters 11(9), 1504–1508.

Suomen metsäkeskus. 2016. Suomen metsäkeskuksen metsävaratiedon laatuseloste.

Viitattu 24.8.2020 https://www.metsakeskus.fi/sites/default/files/metsavaratiedon_ laatuseloste.pdf Kaartinen, H., Hyyppä, J., Yu, X., Vastaranta, M., Hyyppä, H., Kukko, A., Holopainen, M., Heipke, C., Hirschmugl, M., Morsdorf, F., Næsset, E., Pitkänen, J., Popescu, S., Solberg, S., Wolf, B. M., Wu, J-C. 2012. An International Comparison of Individual Tree Detection and Extraction Using Airborne Laser Scanning. Remote Sensing 4, 950–974.

Wang, Y., Hyyppä, J., Liang, X., Kaartinen, H., Yu, X., Lindberg, E., Holmgren, J., Qin, Y., Mallet, C., Ferraz, A., Torabzadeh,, Morsdorf, F., Zhu, L., Liu, J., Alho, P. 2016.

International Benchmarking of the Individual Tree Detection Methods for Modeling 3-D Canopy Structure for Silviculture and Forest Ecology Using Airborne Laser Scanning. IEEE Transactions on Geoscience and Remote Sensing 54(9), 5011– 5027.

Maltamo, M., Haara, A., Hirvelä, H., Kangas, A., Lempinen, R., Malinen, J., Nalli, A., Nuutinen, T., Siipilehto, J. 2002. Läpimittajakaumamalleihin perustuvat vaihtoehdot kuvauspuiden muodostamiseen puuston keskitunnustietojen avulla.

Metsätieteen aikakauskirja 3/2002: 407–423.

Siipilehto J., Lindeman H., Vastaranta M., Yu X., Uusitalo J. 2016. Reliability of the predicted stand structure for clear-cut stands using optional methods: airborne laser scanning-based methods, smartphone-based forest inventory application Trestima and pre-harvest measurement tool EMO. Silva Fennica 50(3). Viitattu 24.3.2021 https://doi.org/10.14214/sf.1568.

Packalén, P., Maltamo, M. 2008. Estimation of species-specific diameter distributions using airborne laser scanning and aerial photographs. Canadian Journal of Forest Research 38(7), 1750–1760.

Korhonen L. 2011. Estimation of boreal forest canopy cover with ground measurements, statistical models and remote sensing. Dissertationes Forestales 115.

40

•

Markus Korhonen (toim.)

Mehtätalo, L., Maltamo, M., Packalén, P. 2007. Recovering plot-specific diameter distribution and height-diameter curve using ALS based stand characteristics.

ISPRS Workshop on Laser Scanning 2007 and SilviLaser 2007, Espoo, September 12-14, 2007, Finland. IAPRS Volume XXXVI, Part 3 / W52, 2007: 288–293.

Vänttinen, M. 2020. Maaston kivisyyden kartoitus monikanavakeilauksen avulla, Itä-Suomen yliopisto, Luonnontieteiden ja metsätieteiden tiedekunta, Metsätieteiden osasto. Pro gradu -tutkielma.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

41

42

•

Markus Korhonen (toim.)

Ari Talkkari, Jussi Peuhkurinen, Maria Villikka & Sampo Taipale

Metsikön tilajärjestyksen tuottaminen virtuaalimetsän mallintamista varten JOHDANTO Virtuaalimetsä-sovelluksen avulla käyttäjä voi visualisoida metsämaisemaa kolmiulotteisesti ja tarkastella erilaisten metsänhoitotoimenpiteiden vaikutusta metsämaisemaan. Metsämaiseman visualisoinnilta odotetaan mahdollisimman todenmukaista esitystä reaalimaailmasta, minkä vuoksi puiden ja kasvien esittämisessä käytettävien mallien pitäisi näyttää mahdollisimman aidoilta. Toinen tärkeä metsämaiseman realistisuuteen vaikuttava tekijä on puiden sijainti ja lukumäärä metsämaisessa eli puiden tilajärjestys. Tilajärjestystä hyödynnetään mm. realistisen mallimetsän tuotossa, puiden välisten vuorovaikutusten analysoinnissa, harvennuspoistuman tarkentamisessa ja ajourien suunnittelussa ja sillä voidaan tuottaa lisäluotettavuutta metsäinventointiin.

Varsinainen Virtuaalimetsä-sovellus on integroitu QGIS-paikkatieto-ohjelmistoon, jolla hallitaan sovelluksessa käytettäviä metsävaratietoja ja valitaan tarkasteltavat ja visualisoitavat metsikkökuviot. Toimenpiteiden määrittämisen jälkeen jokaiselle 1,5 km x 1,5 km kokoisen visualisointialueen metsikkökuviolle luodaan puiden sijaintia vastaavat pisteet eli puukartta. Tämän jälkeen sovellus siirtää metsikkökuviot ja tausta-aineistot, kuten maastomallin, pelimoottorille. Jokaiselle puun sijaintipisteelle valitaan puukirjastosta parhaiten sopiva puumalli. (Lapin ammattikorkeakoulu 2020.)

Puukartan tuottamiseen ja tilajärjestyksen määrittämiseen on useita menetelmiä.

Tässä artikkelissa tarkastellaan kahta menetelmää, jotka tuottavat lähtökohtaisesti luotettavan puukartan tai estimaatin tilajärjestyksestä. Menetelmät ovat maastomittausmenetelmä ja tarkkaan dronella kerättyyn ilmakuva-aineistoon perustuva yksinpuintulkinta. Kolmantena menetelmänä on täysin uusi, harvaan laserkeilausaineistoon perustuva estimointimenetelmä. Menetelmä on esitetty tämän julkaisun artikkelissa Ilmalaserkeilaus virtuaalimetsän apuaineistojen tuottamisessa.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

43

TILAJÄRJESTYKSEN MÄÄRITTÄMINEN MAASTOSSA Joensuun testialue Rauansalossa koostui noin 500 mikrokuviosta, joista systemaattisella otannalla valittiin 52 vähintään 02-kehitysluokan kuviota mitattavaksi maastossa.

Maastomittaus tehtiin käyttämällä T-squareotantaa, jossa mitattiin Kuva 1 T-squaren mittausmenetelmä. Kuvassa pisteitä 20 m systemaattisella P=mittaaja, E=lähin puu ja F=lähimmän puun lähin puu. linja- ja koealavälillä.

Jokaisella mittauspisteellä mitattiin etäisyys mittaajasta lähimpään puuhun ja siitä vielä etäisyys seuraavaan lähimpään puuhun (kuva 1). Alle 5 cm paksuisia puita ei huomioitu mittauksessa.

T-square-otanta on validi tilajärjestyksen mittausmenetelmä. Menetelmällä saadaan tilastollisesti kattavaa dataa kuvion tilajärjestysjakaumasta, koska T-square perustuu pisteestä pisteeseen tehtäviin mittauksiin ja pisteet levitetään systemaattisesti kuviolle (Pippuri, Kallio, Maltamo, Peltola & Packalen 2012).

Mitatuille 52 mikrokuviolle laskettiin tilajärjestys Tn-indeksin avulla. Valtaosalla mikrokuvioista indeksin mukainen tilajärjestys osoittautui satunnaiseksi, vain 4 kuviolla tilajärjestys oli ryhmittäinen (Taipale 2019). Tämän tiedon perusteella voidaan olettaa, että visualisoinnissa satunnainen tilajärjestys tuottaa realistisen metsämaiseman useimmissa tapauksissa ainakin Rauansalon testialueella.

PUUKARTAN TUOTTAMINEN KAUKOKARTOITUSAINEISTOISTA Kaukokartoutusaineistoihin perustuvat menetelmät hyödynsivät joko dronella kerättyä ilmakuva-aineistoa tai Maanmittauslaitoksen harvaa ilmalaserkeilausaineistoa. Drone-aineistoa käytettäessä pyrittiin jokaisen puun automaattiseen tulkintaan ilmakuvilta tehdyiltä tarkoilta 3D-pisteaineistoilta. Harvaa laserkeilausaineistoa käytettäessä oletuksen oli, että aineiston tarkkuus ei riitä yksittäisten puiden tunnistamiseen, vaan aineistoa käytetään ohjaamaan inventointitiedon mukaisen puujoukon sijoittelua kuviolle.

Valikoiduille Rauansalon testialueen mikrokuvioille tehtiin drone-kuvaukset DJI Mavic Pro -dronella. Kuvauskorkeus oli 118,9 m ja kuvat otettiin 80 % sivu- ja pitkittäispeitolla. Näin kuvien pikselikooksi saatiin 3,7 cm. Kuvaussuunnitelmat laadittiin DJI Flight Planner -ohjelmalla, minkä avulla kuvaukset voitiin toteuttaa automaattisesti (kuva 2).

44

•

Markus Korhonen (toim.)

Kuva 2 Kuvion 398 drone-kuvaussuunnitelma, jossa itä-länsisuuntaiset lentolinjat.

Drone-aineiston perusteella saadaan kolmiulotteinen fotogrammetrinen pistepilvi, jossa jokaisella pisteellä on x-, y- ja z-koordinaatti sekä väriarvot (kuva 3). Aineistoa prosessoidaan edelleen niin että maanpinnalla olevat pisteet saavat korkeusarvokseen nolla ja kasvillisuuspisteet saavat korkeudekseen korkeuden maanpinnan tasosta.

Maanpinta oli kuitenkin melko huonosti havaittavissa monella alueella. Tämän takia aineisto käsiteltiin niin, että pisteiden tasoa muutettiin ensin alue kerrallaan lineaarisella korjauksella vastaamaan maanpinnan korkeutta. Tasokorjauksen suuruus saatiin vertaamalla fotogrammetriselta pistepilveltä havaittua maan korkeutta vastaavan alueen laserkeilausaineiston maan korkeuteen.

Laserkeilausaineiston perusteella tehtyä maanpintamallia käytettiin pistepilven prosessoinnissa. Pistepilven perusteella tehtiin kasvillisuuden pintamalli. Pintamallin perusteella segmentoitiin yksittäiset latvukset. Latvuspolygonien keskipiste määritettiin puupisteen sijainniksi. Puiden pituudet saatiin pintamallin maksimikorkeuden perusteella. Pintamalliin perustuvalla puiden sijoittelulla saadaan tunnistettua hyvin etenkin ylimmän latvuskerroksen puut.

Laserkeilausaineistoon perustuva puukartta tehtiin Maanmittauslaitoksen laserkeilausaineiston, metsävaratietoon perustuvan puulistan ja puiden sijoittelutyökalun avulla. Menetelmässä olemassa oleva puuston keskitunnuksina esitetty inventointitieto muutetaan läpimittajakaumien avulla yksittäisiksi puiksi (puulistaksi), jonka jälkeen puiden sijainnit päätellään laserkeilausaineiston perusteella. Puukartassa puiden sijainti, lukumäärä ja pituus eivät perustu

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

45

laserkeilausaineistosta tehtävään yksittäisten puiden tunnistamiseen ja mittaamiseen, vaan puiden lukumäärä ja pituus perustuvat metsävaratiedosta tuotettuun puulistaan ja sijainti laserkeilausaineiston ja puulistan yhdistämiseen siten, että puut sijoitella kohtiin, jossa ne todennäköisesti voisivat sijaita. Menetelmä on kuvattu artikkelissa Peuhkurinen & Villikka (2020).

LIDAR- JA DRONE-PUUKARTTOJEN VERTAILU Rauansalon testialueella tehtiin drone-kuvauksia seitsemällä mikrokuviolla elokuussa 2019. Drone-kuvista muodostettiin kuvamosaiikit, korkeusmallit ja pistepilvet.

Aineistoista tuotettiin puukartat, joita verrattiin lidar-aineistosta tuotettuihin puukarttoihin. Osassa ilmakuva-aineistoja oli kuitenkin teknisiä ongelmia, minkä vuoksi drone-puukartat saatiin vain neljästä mikrokuviosta.

Kuva 3 Harvapulssinen laserkeilausaineisto ja fotogrammetrinen pistepilvi. Poikkileikkaukset samasta kohdasta kuviolla 367.

Puukarttoja vertaillessa ilmeni eroja pisteiden (puiden) lukumäärän ja niiden sijoittumisen välillä. Puukartoista näkee pisteiden sijoittumisen ja lukumäärän erot selvästi jo paljaalla silmälläkin.

46

•

Markus Korhonen (toim.)

Taulukko 1 Puupisteiden lukumäärä laserkeilaus- ja drone-puukartoissa sekä niiden minimi-, maksimi- ja keskiarvoetäisyydet (Taipale 2019).

Mikrokuvion nro.

Laserkeilaus- Dronepuukartta puukartta

Minimi (m)

Maksimi (m)

Keskiarvo (m)

367

253

178

0,14

4,21

1,57

398

517

292

0,07

4,68

1,74

444

1008

473

0,02

4,61

1,26

456

2062

735

0,03

3,00

1,07

Harvan laserkeilausaineiston ja metsävaratiedon yhdistämiseen perustuvat puukartat sisälsivät poikkeuksetta enemmän puupisteitä kuin drone-puukartat (taulukko 1).

Erityisesti tiheissä metsissä menetelmä tuotti yli kaksinkertaisen määrän latvuksia kuin drone-aineistosta tehty yksittäisten puiden tunnistus. Laserkeilaus-menetelmän puupisteistä osa sijaitsi hyvin lähekkäin toisiaan ja minimietäisyydet olivat vain joitakin senttejä. Keskimääräiset etäisyydet olivat hieman yli metristä alle kahteen metriin, joten pääsääntöisesti puupisteet sijaitsivat molemmissa puukartoissa samoilla kohdilla, mikä on nähtävissä myös visuaalisessa tarkastelussa.

Kuva 4 Kuvion 367 drone-kuvauksen ortomosaiikki ja drone-puukartta. Puupisteiden pituus on poimittu drone-aineiston perusteella tehdystä pintamallista.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

47

Kuva 5 Kuvion 367 laserkeilausaineistoon perustuva pintamalli ja metsävaratiedon perusteella generoituun puulistaan ja laserpisteaineistoon perustuva puukartta.

Puupisteiden pituus on saatu metsäavara-aineiston perusteella tehdystä puulistasta.

POHDINTA Tilajärjestyksen mittaus maastossa on työlästä ja aikaa vievää. Mittaus onnistuu myös puukartoilta, jotka on tuotettu esimerkiksi kaukokartoituksen avulla. Ilmasta tehtävällä 3D kartoituksella voidaan yrittää tunnistaa jokainen puu, jolloin saadaan lopputuloksena täydellinen puukartta. Menetelmä soveltuu käytettäviksi kuitenkin vain joko erittäin tarkkojen kaukokartoitusaineistojen yhteydessä tai kohteissa, joissa jokaisen puun latvus on selvästi erillään toisista latvuksista ja latvusten tunnistaminen on siten helppoa. Etenkin automaattisten menetelmien haasteena on, että ylhäältä päin kerätystä aineistosta ei saada luotettavasti tunnistettua kaikkia puita, jolloin tuotettu puukartta on epätäydellinen (Kaartinen ym. 2012 ja Wang ym. 2016).

Kaukokartoitusmenetelmillä tilajärjestys voidaan tuottaa myös suoraan mallintamalla tilajärjestysindeksiä. Packalen ym. (2013) vertaisivat kolmea eri laserkeilauspohjaista menetelmää tilajärjestyksen tuottamiseen. Käytetty laserkeilausaineisto oli miehitetystä ilma-aluksesta kerättyä niin sanottua harvapulssiaineistoa, josta ei voida tunnistaa kaikkia puita. Tulosten perusteella tilajärjestyksen tuottaminen automaattisella yksinpuintulkinnalla ei onnistunut, vaan yksinpuintulkinta tuotti aina säännöllisen tilajärjestyksen. Suoralla

48

•

Markus Korhonen (toim.)

mallinnuksella ja puukartan imputoinnilla tilajärjestystiedon tuottaminen onnistui, vaikkakin estimaatit olivat melko epäluotettavia.

Harvaan laserkeilausaineistoon ja olemassa olevaan metsävaratietoon perustuvan menetelmän voidaan ajatella sijoittuvan menetelmällisesti yksipuintulkinnalla tuotettavan puukartan ja tilajärjestysindeksin suoran mallintamisen väliin.

Menetelmässä ei oleteta, että kaikki puut pystytään tunnistamaan, mutta siinä kuitenkin hyödynnetään 3D-pisteaineistosta saatavaa mittaustietoa puiden todennäköisestä sijainnista. Menetelmää voidaan pitää varteen otettavana silloin, kun kohdealueelta on olemassa 3D-pisteaineistoa ja tilajärjestystä ei ole määritelty maastossa tai 3D-pisteaineisto ei ole tarkkuudeltaan riittävää yksittäisten puiden tunnistamiseen.

KIRJALLISUUS Lapin ammattikorkeakoulu 2018. Virtuaalimetsä 2.0 hankesuunnitelma.

Lapin ammattikorkeakoulu 2020. Virtuaalimetsä 2.0 käyttöohje.

Pippuri, I., Kallio, E., Maltamo, M., Peltola, H. & Packalen, P. 2012. Exploring horizontal area-based metrics to discriminate the spatial pattern of trees and need for first thinning using airborne laser scanning. Forestry: An International Journal of Forest Research, 85, 2, 305–314.

Taipale, S. 2019. Metsikön tilajärjestysmittausmenetelmien vertailu. Kareliaammattikorkeakoulu. Metsätalouden koulutus. Opinnäytetyö.

Tapio 2020. Virtuaalimetsä 2.0 – ovi uudenlaiseen metsäsuunnitteluun. Tiedote.

Kaartinen, H., Hyyppä, J., Yu, X., Vastaranta, M., Hyyppä, H., Kukko, A., Holopainen, M., Heipke, C., Hirschmugl, M., Morsdorf, F., Næsset, E., Pitkänen, J., Popescu, S., Solberg, S., Wolf, B. M., Wu, J-C. 2012. An International Comparison of Individual Tree Detection and Extraction Using Airborne Laser Scanning. Remote Sensing 4, 950–974.

Wang, Y., Hyyppä, J., Liang, X., Kaartinen, H., Yu, X., Lindberg, E., Holmgren, J., Qin, Y., Mallet, C., Ferraz, A., Torabzadeh, Morsdorf, F., Zhu, L., Liu, J., Alho, P. 2016.

International Benchmarking of the Individual Tree Detection Methods for Modeling 3-D Canopy Structure for Silviculture and Forest Ecology Using Airborne Laser Scanning. IEEE Transactions on Geoscience and Remote Sensing 54(9), 5011– 5027.

Packalén, P., Vauhkonen, J., Kallio, E., Peuhkurinen, J., Pitkänen, J., Pippuri, I., Strunk, J., Maltamo, M. 2013. Predicting the spatial pattern of trees by airborne laser scanning. International Journal of Remote Sensing. 34(14): 5154–5165.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

49

50

•

Markus Korhonen (toim.)

Aslak Jomppanen

Proseduraalinen sisällöntuotanto virtuaalimetsässä VIRTUALFOREST 2.0 -HANKE Virtualforest 2.0 on Lapin Ammattikorkeakoulun vetämä hanke jossa yhteistyökumppaneina on Tapio Oy, Arbonaut Oy sekä Karelia-ammattikorkeakoulu.

Hankeessa toteutetaan uutta versiota Virtuaalimetsästä, joka toimii Lapin ammattikorkeakoulun metsätalouden koulutusohjelman oppimisympäristönä.

Uudessa virtuaalimetsässä käyttäjä voi voi tarkastella halutun alueen metsää ja simuloida sen kehitystä. Sovelluksessa esiintyvät metsät pitävät sisällään kaikki suomessa hallitsevat puulajit ja useita erilaisia pohja kasvusto tyyppejä.

VIRTUAALIMETSÄÄN LUOTAVA SISÄLTÖ Virtuaalimetsässä käyttäjä pystyy tarkastelemaan eri kasvuvaiheessa olevia metsiä, jotka koostuvat mahdollisesti useista eri puulajeista. Metsissä on myös pohjakasvillisuus, joka vaihtelee tarkasteltavan metsätyypin ja alueen mukaan.

Näiden lisäksi visualisointiin sisältyi muita ympäristöstä löytyviä asioita kuten kiviä ja sähkölinjoja. Kaikki nämä asiat yhdessä muodostavat suuren määrän erilaisia 3D-malleja (Kuva 1).

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

51

Kuva 1 Virtuaalimetsään sisältyy lukuisia erilaisia 3D-malleja

Puulajeja mallinnettiin yhteensä kolmetoista puulajia, joista osasta mallinnettiin erikseen etelä suomen ympäristöön sopivat versiot. Lisäksi mallinnettiin vielä muutamia erikoispuita kuten Aihki, Kelo sekä Paju, jotka poikkeavat hieman tyypillisistä puusta. Useimmista puista tehtiin vielä kahdeksan eri mallia eri pituisille puille. Tämän lisäksi yli viiden metrin puille mallinnettiin vielä erikseen kolme eri kasvutiheys mallia. Kaikille puille ja versioille tarvittiin myös kannot. Lopulta erilaisia puumalleja tuli noin viisisataa kappaletta. Edellisten lisäksi, suurin osa puista tarvitsi LOD (Level Of Detail) -mallit . LOD-mallit ovat 3D-malleja jotka esittävät samaa kappaletta eri etäisyyksiltä katsottuna. Mitä kauempaa jotain kappaletta tarkastellaan, sitä vähemmän se tarvitsee yksityiskohtia. Kun piirretään matalamman määrän yksityiskohtia sisältäviä malleja kauemmas, säästetään laskenta-ajassa ja sovellus pyörii paremmin.

Metsien pohjakasvillisuus piti myös visualisoida. Tätä varten tarvittiin niin sanottuja mätäsmalleja. Mättäitä tarvittiin noin neljäänkymmeneen erilaiseen ympäristö tyyppiin eli biomiin. Jokaista biomia varten toteutettiin kolmesta kuuteen pientä mätästä ja pari suurta mätästä. Kokonaisuudessaan erilaisia mättäitä mallinnettiin noin sataviisikymmentä kappaletta.

Mallinnettavien kappaleiden suuri määrä edellytti, että geometriaa pystytään luomaan nopeasti. Tämän tyyppinen sisällöntuotanto on erityisen soveltuva proseduraalisille sisällöntuotanto menetelmille. Proseduraalisessa tavassa tuottaa sisältöä, mallintaja ei niinkään mallinna kappaletta, vaan luo tietokoneohjelmalle prosessin miten haluttu kappale luodaan.

52

•

Markus Korhonen (toim.)

PROSEDURAALINEN SISÄLLÖNTUOTANTO Projektissa 3D-mallit luotiin Blender3D- ja Speedtree-ohjelmistoissa.

Proseduraalisessa sisällöntuotannossa algoritmin, tai pikemmin proseduurin, avulla luodaan haluttua sisältöä kuten geometriaa. Algoritmi joka tuottaa puita saadaan tuottamaan lukuisia erilaisia samankaltaisia puita, mikäli algoritmiin liitetään näennäistä sattumanvaraisuutta kuten digitaalista kohinaa. Digitaalisesta kohinasta poimitaan siemenarvo joka toimii algoritmin eräänlaisena lähtökohtana ja tätä siemenarvoa muuttamalla saadaan muutettua algoritmin lopputulosta. Peacheyn (2003, 67-68) mukaan tällainen kohina algoritmi yleisesti ottaen on tietokone algoritmi, joka palauttaa näennäisesti satunnaisen numeerisen arvon väliltä yksi ja miinus yksi. Algoritmi yleensä ottaa vastaan parametrejä, jotta kohina voidaan toistaa tarvittaessa kontrolloidusti.

Puiden mallintaminen

Puiden mallien tekemiseen käytettiin Speedtree ohjelmistoa. Speedtree on pääasiassa kasvien ja eritoten puiden proseduraaliseen mallintamiseen tarkoitettu ohjelmisto.

Ohjelmassa mallintaja kokoaa hierarkkisen rakenteen erilaisista generaattoreista (Kuva 2). Jokainen generaattori luo eri tyyppisen osan puun geometriasta. Esimerkiksi kannoissa ei ollut kuin kaksi generaattoria. Yksi runkoa varten ja toinen generoimaan sahauskohdan, mistä puu on poikki. Speedtree myös generoi näistä LOD-mallit annettujen parametrien pohjalta. Keskiverto puu koostuu generaattoreista, joissa ensin tulee runko generaattori, sen alla oksa generaattori ja lopulta lehti generaattori.

Lisäksi usein oli erityisiä oksa generaattoreita jotka tuottivat puun latvuksen, koska sen muotoa ei voinut kuvailla samoilla parametreilla kuin puun muita oksia. Osaan puista oli lisätty myös kuolleille oksille oma generaattori.

Kuva 2 Männyn 3D-malli ja sen generaattorit Speedtreessä Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

53

Puiden kaarnojen, lehtien ja muiden yksityiskohtien tekstuurien, eli 3D-mallien pintakuvioiden ja värien, valmistelu oli yksi ensimmäisistä ja enemmän aikaa vievistä prosesseista. Prosessi nopeutui puiden määrän kasvaessa, sillä pystyimme kierrättämään osan tekstuureista. Puiden 3D-geometrian luomisessa aikaa kului kohtalaisesti kunkin puulajin perusparametrien asettamiseen, mutta tämän jälkeen useita eri variaatioita saatiin siemenarvoa ja muutamaa parametria muuttamalla.

Puiden tapauksessa paljon huomiota kiinnitettiin siihen, että lehdille ja vastaaville saatiin luotua tasapaino grafiikan raskauden ja ulkonäön välille. Suurimmat haasteet puiden toteutuksessa olivat nimenomaan graafisen raskauden haasteiden ratkaisemisessa. Normaali tietokonepeli piirtää arviolta muutamia tuhansia puita kerralla ruudulle, kun Virtuaalimetsässä luku voi olla alueesta riippuen sadoissa tuhansissa.

Pohjakasvillisuuden mallintaminen

Metsän pohjan kasvustoa mallinnettiin erityisillä mätäsmalleilla. Mallit eivät olleet kasvitieteellisessä näkökulmassa mättäitä. Nimitys tuli yksittäisen mallin ulkonäöstä, sillä yksittäinen malli on pienen kummun näköinen, mutta suurena joukkona on vaikea erottaa yhtä mallia toisesta koska ne muodostavat yhtenäisen suuren pinnan.

Mättäitä piirretään ruudulle, huomattavasti lyhyemmältä etäisyydeltä kuin puita, koska puut ovat tärkeä osa horisonttia. Tämä tarkoitti mallinnuksen kannalta sitä, että LOD-malleja ei tehty mättäille.

Mättäiden 3D-geometria tuotettiin Blender 3D-mallinnus ohjelmistolla. Mallit perustuivat kiinteään käsin mallinnettuun puolipalloon jonka muotoa muutetaan hieman satunnaisesti ja tämän jälkeen sen pinnalle lisättiin 2 - 5 erilaista kasvia edustavaa malli ryhmää (Kuva 3). Näiden mallien kokoa sekä asentoa myöskin satunnaistettiin, jotta yhdestä mallista saatiin luotua illuusio useista eri yksilöistä.

Käytännössä kyseessä siis pohja geometrian pinnasta suihkutetaan partikkeleita, joiden nopeus on nolla ja nämä partikkelit ovat kasvien 3D-malleja erinäisillä parametreilla muunnettuna. Tapa miten mättäät on tehty, mahdollisti niiden nopean muuntamisen uusille, erilaisille kasvuympäristöille. Mättään kasvien 3D-mallit vaihtamalla ja niiden sekä puolipallogeometrian siemenarvon vaihtaminen, mahdollisti uudenlaisen variaation tekemisen nopeasti. Suurin osa ajasta, mikä uuden ryhmän mättäitä tekemiseen kului tekstuurien tuottamiseen ja kuvankäsittelyyn.

54

•

Markus Korhonen (toim.)

Kuva 3 Mättään 3D-malli ja sen luonti logiikkaa Blender-ohjelmistossa

LOPPUSANAT Proseduraaliset menetelmät ovat jo paljon käytössä digitaalisessa grafiikassa, mutta ne on yleensä haudattu ja syvälle käyttöliittymien uumeniin. Luultavasti siitä syystä, että niiden terminologia ja toimintaperiaatteet ovat usein peruskäyttäjälle vaikeita ymmärtää. Mielestäni proseduraalinen sisällöntuotanto avaa uuden tavan ajatella yleisestikin sisältöä ja sen merkitystä sillä se, että kuinka paljon sisältöä voi olla tai miten uniikki käyttäjäkokemus voi olla. Menetelmän harmaita puolia on tietenkin niin sanottu Kate Comptonin (2019, 15) kaurapuuro efekti. Comptonin mukaan vaikka sinulla on kymmenentuhatta uniikkia lautasellista proseduraalista kaurapuuroa. Se on silti aina vain kaurapuuroa.

KIRJALLISUUS Ebert, D. Musgrave, K. Peachey, P. Perlin, K. & Worley, S. 2003. Texturing & Modeling A procedural approach. San Francisco, Calif : Morgan Kaufmann cop.

Compton, K. 2019. Getting Started with Generator. Teoksessa Procedural Storytelling in Game Design (toim). Short, T. & Adams, T. CRC Press. Boca Raton London New york.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

55

Virtuaalimetsä-sovelluksen hyödyntäminen ja virtuaalimetsän jatkokehitystarpeet

56

•

Markus Korhonen (toim.)

Niko Pöllänen

Virtuaalimallinnuksen hyödyntäminen metsäpalveluyrityksissä Metsän virtuaalimallinnus tarjoaa uuden työkalun metsien hallinnalle, tarkastelulle ja maisematason suunnittelulle. Metsän virtuaalimallinnuksen avulla käyttäjä voi tarkastella metsävaratietoon pohjautuvaa metsää 3D maailmassa, joka mahdollistaa eri metsänhoidollisten toimenpiteiden ja niiden vaikutuksien mallintamisen. Tämän ansiosta käyttäjä voi tarkastella ehdotettujen toimenpiteiden vaikutuksia mallinnetulle metsälle ja tehdä maisematason suunnittelua ennen todellista toteutusta.

Virtuaalimallinnus mahdollistaa tulevaisuuteen näkemisen, jonka avulla voidaan kartoittaa ja visualisoida eri toimenpiteiden tulevaisuuden vaikutuksia.

Virtuaalimallinnus mahdollistaa myös uudenlaisen ulottuvuuden metsien hallinnalle ja metsänhoidonsuunnittelulle.

Vuoden 2019 lopulla ja 2020 alussa suoritettujen kyselyiden ja keskusteluiden perusteella metsän virtuaalimallinnus nähtiin hyödylliseksi metsänomistajille tarjottavana palveluna puukaupan ja metsänhoitopalveluiden ostamisen asiakaspolulla. Virtuaalimallinnuksen koettiin myös tukevan metsänomistajien päätöksentekoa sekä tietotason kasvua metsänhoidosta ja eri toimenpiteiden vaikutuksista. Lisäksi metsän virtuaalimallinnus koettiin myös tukityökaluna metsäpalveluyrityksille hyödynnettäväksi neuvontapalveluissa, markkinoinnissa, sekä puukaupan ja metsänhoitopalveluiden myynnin yhteydessä.

Kyselyistä ja keskustelusta kävi ilmi, että pääasiallinen hyötyjä virtuaalimallinnuksesta olisi metsänomistaja, josta myös metsäpalveluyritykset hyötyvät metsänomistajien kasvavan tietotason, osallistamisen ja tehostuneen päätöksenteon kautta. Kyselyissä ja keskusteluissa nostettiin metsän virtuaalimallinnuksen potentiaalisimmaksi käyttäjäryhmäksi metsänomistajien keskuudessa etämetsänomistajat. Kuitenkin kyselyiden ja keskusteluiden perusteella potentiaalisiksi kohderyhmiksi nousi esiin myös vähäisen metsätietoisuuden omaavat metsänomistajat ja metsänomistajat, joilla ei mahdollisuutta vierailla omassa metsässä.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

57

HYÖDYNTÄMINEN METSÄPALVELUYRITYKSISSÄ Metsäalan palveluntarjoajille ja alan opiskelijoille suoritettujen kyselyiden ja keskusteluiden perusteella metsän virtuaalimallinukselle löydettiin kaksi pääkäyttökohdetta: työkaluna metsänomistajille ja metsäpalveluyrittäjille. Kyselyissä kaikki kirjallisesti vastanneet (N=30) näkivät, että metsän virtuaalimallinuksen kaltaisille palveluille on tarvetta Suomessa. Kyselyt ja keskustelut ovat suoritettu eri metsäalan tapahtumissa ympäri Suomea.

Kyselyiden perusteella metsän virtuaalimallinnus nähtiin asiakkaille tarjottavana tukityökaluna, joka mahdollistaa metsänomistajille visuaalisen suunnittelun, oppimisen ja aputyökalun päätöksenteon tueksi. Näiden lisäksi metsän virtuaalimallinnus nähtiin tukityökaluna yrityksille puumyynnin ja metsänhoitotöiden markkinoinnissa, ja apuna metsänomistajien neuvonnassa.

Työkaluna metsänomistajille

Metsän virtuaalimallinnus koettiin kyselyiden ja keskusteluiden perusteella visualisoinnin mahdollistavaksi työkaluksi metsävaratiedon tarkastelussa, jota metsänomistajat voivat hyödyntää tukena päätöksenteossa mm. tulevien metsänhoid ollistentoimenpiteiden suunnittelun yhteydessä. Tämän ansioista metsänomistajat voivat testata, vertailla ja oppia eri vaihtoehtojen lyhyen ja pitkän aikavälin vaikutuksia metsälleen niin visuaalisesti kuin numeerisesti. Erityisesti virtuaalimallinnus koettiin hyödylliseksi erikoiskohteiden kohdalla tarkastellessa eri vaihtoehtoja ja niiden vaikutuksia. Metsän virtuaalimallinnuksen käyttäjiksi tunnistettiin kyselyissä kolme siitä eniten hyötyvää metsänomistajaryhmää: etämetsänomistajat, metsänomistajat, joilla ei mahdollisuutta vierailla tilallaan (esimerkiksi vanhukset) ja vähäisen metsätiedon omaavat.

Metsänomistajien opetuksen työkaluna

Asiakkaiden opettaminen ja tietotason kasvattaminen tarjotuista palveluista on tehokas keino lisätä palvelutarjoajan kilpailukykyä ja sitouttaa asiakkaita. Asiakasoppimisen tutkimuksista saatujen tuloksien mukaan asiakkaiden osallistuminen palvelun tuotantoprosessiin kasvaa asiakkaiden oppimisen myötä (esim. Auh ym., 2007; Groth, 2005), jonka ansiosta asiakkaat voivat tuottaa lisäarvoa itselleen (Hibbert ym., 2012). Oppimisen myötä tapahtunut asiakkaiden tietoisuuden kasvaminen tarjotusta palvelusta (Auh ym., 2007) on todettu kasvattavan myös asiakkaan kokemaan luottamusta palveluntarjoajaa kohtaan (Bell ym., 2017).

Kyselyihin vastanneiden perusteella voidaan metsän virtuaalimallinnus nähdä tehokkaana työkaluna opettamaan metsänomistajille eri metsänhoitotoimenpiteiden vaikutuksia. Kyselyihin vastanneiden näkemystä tukee myös aikaisempi tutkimus virtuaalimallinnuksien hyödyntämisestä opettamisen työkaluna. Vlachopolous & Makri (2017) osoittivat laajan systemaattisen kirjallisuuskatsauksen perusteella pelien ja 3D simulaatioiden hyödyntäminen korkeakoulujen opetuksessa motivoivan, osallistavan ja tehostavan oppijan oppimistavoitteiden saavuttamista. Vaikkakin

58

•

Markus Korhonen (toim.)

Vlachopolous & Makrin (2017) kirjallisuuskatsaus perustui korkeakouluopetukseen, niin voidaan tutkimuksen tulos nähdä sovellettavan metsänomistajien opettamiseen.

Varsinkin jos metsänomistajan virtuaalimallinnuksen käyttö tapahtuu yhdessä metsäpalveluyrityksen työntekijän kanssa, jolloin kyseessä on oppija ja opettaja tilanne.

Metsän virtuaalimallinnuksen hyödyntäminen metsänomistajien opettamiseen voidaan nähdä tehokkaana keinona lisätä metsänomistajien tietoutta tarjotuista palveluista ja eri metsänhoidon toimenpiteiden vaikutuksista metsänomistajan omalle metsälle. Metsänomistajien tietotason kasvun myötä kasvaa myös luottamus palveluntarjoajaa kohtaan. Lisäksi metsänomistajat kykenevät oppimisen myötä olemaan vahvemmin mukana metsänhoidon suunnittelussa ja palveluiden ostamisessa sekä tuomaan esille omia preferenssejä näiden yhteydessä.

Virtuaalimallinnuksen mahdollistama eri toimenpiteiden vertailu ja vaikutuksien esittäminen 3D maailmassa auttaa metsänomistajia oppimaan ja tuomaan sekä omia arvoja että tavoitteita vahvemmin toimenpiteiden ja puukauppojen suunnitteluun.

Kasvavan osallistumisen ja omien arvojen mukaan tuominen auttaa metsänomistajia muokkaamaan suunnitelluista toimenpiteistä omia arvoja vastaavia ja tätä kautta tuottamaan itselleen lisäarvoa.

Metsänomistajien tietotason kasvu metsänhoidollisista toimenpiteistä ja niiden vaikutuksista voidaan nähdä myös puukauppoihin vaikuttavana tekijänä. Haltia & Rämö (2017) tutkimuksessa tiedon ja kiinnostuksen puute nähtiin merkittävänä tekijänä puukaupan tekemättä jättämiselle, joten voidaankin olettaa tietotason nousun metsäomistajien keskuudessa kannustavan metsänomistajia tekemään puukauppaa.

Tukena päätöksenteolle

Kaikissa päätöksentekotilanteissa on aina läsnä kahden tyylistä riskiä: päätöksen lopputuloksen epävarmuus ja seuraamus (Taylor, 1974). Tämä pätee myös puukaupan ja metsäpalveluiden ostotilanteiden yhteydessä. Riskin olemassaolon takia, kuten kaikissa palvelumyyntitilanteissa luottamus nousee kriittiseen rooliin (Berry, 1991).

Tällöin on tärkeää koetun riskin minimoiminen, jonka avulla voidaan kasvattaa luottamusta palveluntarjoajaa kohtaan (Schrooman ym., 2007).

Kyselyissä ja keskusteluissa metsän virtuaalimallinnus nähtiin päätöksenteon tukityökaluna niin metsänomistajille sekä yhteismetsien hoitokunnille puukaupan ja metsänhoitotöiden tilauksen yhteydessä. Virtuaalimallinnuksen nähtiin myös mahdollistavan edellä mainittujen toimenpiteiden visuaalisten vaikutuksien tarkastelun. Virtuaalimallinnus myös tukee metsänomistajaa palveluiden ostotilanteiden yhteydessä ja auttaa metsänomistajan päätöksentekoa vähentämällä koettua riskiä tarjottuja palveluita ja palveluntarjoajaa kohtaan.

Virtuaalimallinnus tarjoaa työkalun vähentämään Taylorin (1974) esittämiä päätöksentekotilanteeseen liittyviä riskejä. Metsänomistajien kokemaa lopputuloksen epävarmuuden riskiä voidaan potentiaalisesti madaltaa metsän virtuaalimallinnuksen avulla, jonka avulla metsänomistajan on mahdollista tarkastella visuaalisesti tarjotun

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

59

toimenpiteen vaikutuksia omalle metsälle ja mitä tarjottu toimenpide tarkoittaa 3D maailmassa. Virtuaalimallinnuksen avulla voidaan myös vaikuttaa päätöksen lopputuloksen seuraamuksen riskiin esittämällä tarjotun toimenpiteen tulevaisuuden vaikutukset metsänomistajan omalle metsälle 3D maailmassa ja auttamaan ymmärtämään toimenpiteen tarpeellisuuden.

Metsän virtuaalimallinnuksen käyttäjäryhmät

Vaikka metsän virtuaalimallinnuksen käyttäjäryhmäksi kyselyissä ja keskusteluissa identifioitiin vahvasti etämetsänomistajat, niin oletusta voidaan pitää jokseenkin virheellisenä. Yleisesti tarkasteltuna sähköisten metsäpalveluiden käytön tutkimuksissa on todettu, että etämetsänomistajien sähköisten palveluiden käytön aktiivisuus ei eroa muista metsänomistajaryhmistä juuri ollenkaan (Hänninen ym.

2020). Rinnastaessa metsän virtuaalimallinnusta muihin jo tarjolla oleviin sähköisiin metsäpalveluihin voidaan olettaa, ettei metsän virtuaalimallinnus-sovelluksien käyttö tulisi olemaan sen yleisempää etämetsänomistajilla kuin muillakaan metsänomistajaryhmillä. Tämä huomioon ottaen voidaan olettaa metsän virtuaalimallinnuksen pääkäyttäjäryhmien olevan varsinkin tiedon tarpeessa olevat ja jo nykyisiä sähköisiämetsäpalveluita käyttävät metsänomistajat.

Lisäksi potentiaalisia käyttäjäryhmiä ovat uudet metsänomistajat, mahdollisesti myös yhteismetsien hoitokunnat ja luontotavoitteita painottavat metsänomistajat.

Virtuaalimallinnus mahdollistaa erityisesti uusille metsänomistajille, joilla on vähäinen tieto metsänhoidosta ja omasta metsästään, helposti lähestyttävän tavan tutustua omaan metsään ja oppia visuaalisesti eri metsänhoidontoimenpiteiden merkityksiä omalle metsälle. Potentiaalisesti metsän virtuaalimallinnus voisi soveltua myös vanhemmille metsänomistajille, joilla ei mahdollisuutta vierailla metsässä.

Vanhempien metsänomistajien tietotekniset taidot eivät kuitenkaan välttämättä riitä metsän visualisointityökalun käyttöön tai sen etätarkasteluun. Tällöin käyttö voidaan toteuttaa metsäpalveluyrityksien toimihenkilöiden kanssa kasvotusten tapahtuvassa kansakäymisessä esim. myyntineuvotteluissa.

Arvojen ja tavoitteiden kannalta tarkasteltuna potentiaaliseksi hyötyjäryhmäksi voidaan nähdä luontoarvoja painottavat ja/tai monitavoitteiset metsänomistajat, joiden tarpeisiin eivät nykyiset puuntuotantoa painottavat metsänomistajien sähköiset metsäpalvelut vastaa. Luontoarvoja painottavat ja monitavoitteiset metsänomistajat ovat myös tyytymättömämpiä saamiinsa palveluihin ja neuvoihin kuin puutuotantoa painottavat (Pynnönen, 2020), joten heidän osuutensa virtuaalimetsän käyttäjistä voidaan olettaa olevan suurempi kuin muissa sähköisissä metsäpalveluissa. Virtuaalimallinnus ei kuitenkaan sulje pois metsänomistajia, jotka eivät ole monitavoitteisia tai luontoarvoja painottavia. Heidän kohdallansa metsän virtuaalimallinnusta voidaan myös hyödyntää vastaamaan heidän omia arvojansa tai lisäämään luonnollisten arvojen tai monitavoitteisuuden tietoutta metsänhoidollisesta näkökulmasta.

60

•

Markus Korhonen (toim.)

Työkaluna metsäpalveluyrityksille

Vaikkakin metsän virtuaalimallinnuksen suurimmat hyödyt saavutetaan metsänomistajien käytön kautta tapahtuneen koettujen riskien vähenemisen, oppimisen ja luottamuksen kasvun myötä, niin on tilanteita, joissa metsäpalveluyritykset voivat tehostaa omaa toimintaansa hyödyntämällä metsän virtuaalimallinnusta. Kyselyissä ja keskusteluissa virtuaalimallinnus nähtiin potentiaalisena työkaluna metsäpalveluyrityksille hyödynnettäväksi etä- ja lähimetsäneuvonnassa, puukaupan ja metsänhoitotöiden markkinoinnissa ja leimikkojen suunnittelussa erikoisalueilla. Kyselyyn vastanneet näkivät metsän virtuaalimallinnuksen hyödyntämisen edellä mainituissa toimissa tehostavan asiakkaan ja yrityksen toimintaa asiakaspolun eri vaiheissa sekä lisäävän eri osapuolien välistä ymmärrystä keskenään. Tämä voidaan nähdä vähentävän epäsymmetristä informaatiota metsänomistajan ja metsäpalveluyrityksen välillä.

Samalla metsäpalveluyritys kykenee kasvattamaan asiakkaiden kokemaa luottamusta metsäpalveluyritystä kohtaan kasvattamalla metsänomistajien tietoutta metsänhoidosta ja eri toimenpiteistä.

Neuvonnan työkalu

Virtuaalimallinnus nähtiin kyselyissä ja keskusteluissa tukityökaluna hyödynnettäväksi metsäneuvonnassa. Virtuaalimallinnuksen visualisoinnin avulla neuvontaa voidaan tehostaa perinteisen neuvonnan lisäksi tuomalla mahdollisuuden nähdä eri vaihtoehdollisia suunnitelmia metsänomistajan omalle metsälle, joka luo metsänomistajalle oppimistilanteen.

Virtuaalimallinnus mahdollistaa metsäpalveluyrityksille keinon kasvattaa metsänomistajan tiedontasoa metsänhoidosta ja oman metsänsä tarpeista, jonka myötä voidaan kasvattaa metsänomistajan kokemaa luottamusta metsäpalveluyritystä kohtaan. Lisäksi virtuaalimallinnus voi potentiaalisesti auttaa kasvattamaan metsänomistajan ja metsäpalveluyrityksen välistä yhteisymmärrystä mahdollisissa erimielisyystilanteissa ja löytämään mahdollisia kompromisseja tehokkaammin ristiriitatilanteissa.

Toimenpiteiden markkinointiin

Markkinoinnin työkaluna virtuaalimallinnus tarjoaa mahdollisuuden metsäpalveluyrittäjille markkinoida metsänomistajille palveluratkaisuja täysin uudella tavalla. Virtuaalimallinnuksen avulla metsäpalveluyritykset voivat demonstroida 3D maailmassa markkinoidun metsänhoitopalvelun vaikutukset suoraan metsänomistajan omalle metsälle. Tämän ansiosta metsänomistajat voivat suoraan nähdä metsänhoitotoimenpiteen lyhyen ja pitkän aikavälillä vaikutukset omalle metsälleen, joka visualisoinnin ansiosta konkretisoi kyseisen metsänhoitotoimenpiteen vaikutukset. Erityisesti vähäisen metsätiedon omaaville metsänomistajille virtuaalimallinnuksen hyödyntäminen metsänhoitopalveluiden markkinointiin voidaan nähdä työkaluna metsänomistajien tietoisuuden

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

61

kasvattamiseen metsänhoidosta, joka konkretisoituu metsänomistajan kiinnostuksen herättävänä tekijänä markkinoituja palveluita kohtaan.

Virtuaalimallinnuksen täyden hyödyn saavuttaminen toimenpiteiden markkinoinnissa kuitenkin vaatii, että metsänomistajille mahdollistetaan oppiminen ja vertaaminen. Erityisesti uusille metsänomistajille on tärkeää markkinoidun toimenpiteen tarkoituksen ja merkityksen ymmärtäminen, jonka virtuaalimallinnus toimenpiteiden visualisoinnin kautta mahdollistaa erinomaisesti. Lisäksi luontoarvoja ja monitavoitteisia arvoja painottaville metsänomistajille markkinoinnin tulee vastata omia koettuja arvoja sekä tarjota eri vaihtoehtoja, joita metsänomistaja kykenee visuaalisesti vertailemaan ja tarkastelemaan virtuaalimallinnuksen 3D-maailmassa.

Apuna myyntineuvotteluissa

Metsän virtuaalimallinnus tarjoaa tukityökalun metsänhoitotöiden myyntineuvotteluihin ja puukauppaneuvotteluille. Virtuaalimallinnuksen avulla metsäpalveluyritys kykenee esittämään tarjoamansa toimenpiteen visuaaliset vaikutukset metsänomistajan omalle metsälle jo ennen toimenpiteen varsinaista suoritusta. Virtuaalimallinnuksen ansiosta metsänomistaja kykenee paremmin ymmärtämään saamansa tarjouksen ja kykenee ymmärryksen kasvamisen myötä osallistumaan tehokkaammin myyntineuvotteluihin sekä paremmin arvioimaan visuaalisesti kuvastaako tarjottu palvelu omia metsänhoidollisia arvoja ja tavoitteita.

Metsänomistajan kasvavan osallistumisen ja tarjottujen palveluiden ymmärtämisen myötä metsäpalveluyritys kykenee myös tarjoamaan metsänomistajan arvoja vastaavia ratkaisuja, jolla voidaan nähdä myyntiä edistäviä vaikutuksia. Kuuntelemalla asiakkaan tarpeita ja ottamalla tämän arvot huomioon kykenee palvelutarjoaja kasvattamaan asiakkaan kokemaa luottamusta palveluntarjoajaa kohtaan (Cazier ym., 2002), kasvattamaan neuvottelutilanteen asiakaskeskeisyyttä (Shah ym. 2006) ja auttamaan sekä tukemaan asiakkaan päätöksentekoa koetun riskin madaltumisen myötä (Heilman ym. 2000).

Metsän virtuaalimallinnus asiakaspolulla

Kyselyiden ja keskusteluiden perustella pystytään hahmottelemaan miten metsän virtuaalimallinnus voisi potentiaalisesti toimia tukena metsänomistajien metsäpalveluiden oston asiakaspolulla. Polku voidaan jakaa karkeasti kolmeen osaan: tietoisuus, arviointi ja ostopäätös (Kuvio 1.). Asiakaspolku ei välttämättä etene lineaarisesti ja voi alkaa tai loppua polun eri kohdissa.

62

•

Markus Korhonen (toim.)

1. Tietoisuus • Metsäsuunnitelman visuaalinen tarkastelu • Herätys • Oppiminen

3. Ostopäätös • Tarjotun toimenpiteen visuaalinen arviointi • Koetun riskin väheneminen

2. Arviointi • Eri vaihtoehtojen visuaalinen vertailu • Oppiminen

Kuvio 1. Metsäpalveluiden oston asiakaspolku

Tietoisuus

”Tietoisuusvaiheessa” metsän virtuaalimallinnuksen potentiaalit tulevat esille metsävaratiedon visuaalisen tarkastelun yhteydessä, joka voidaan nähdä metsänomistajaa herättelevänä tekijänä. Metsän virtuaalimallinnuksen avulla metsänomistaja kykenee tunnistamaan tarpeensa visuaalisesti havainnoimalla metsäsuunnitelman toimenpide-ehdotuksien vaikutuksia metsälle lyhyellä ja pitkällä aikavälillä. Kyselyiden perusteella tämä tukee metsänomistajien ymmärrystä omasta metsästään ja oppimista metsänhoidon eri toimenpiteistä. Samalla metsänomistaja voi virtuaalimallinnuksen avulla saada laajemman käsityksen eri toimenpiteiden visuaalisista vaikutuksista ja herättää metsänomistajia tunnistamaan metsänsä tarpeet.

Arviointi

”Arviointivaiheessa” metsän virtuaalimallinnus tarjoaa konkreettisen työkalun tarpeellisten operaatioiden visuaaliseen arviointiin sekä eri toimenpiteiden vaikutusten kartoittamiseen. ”Arviointivaiheessa” oppiminen on voimakkaasti läsnä varsinkin metsäasioista tietämättömille metsänomistajille. Oppimisen tehostaminen virtuaalimallinnuksen avulla kasvattaa metsänomistajan osallistumista metsänhoitotoimenpiteiden suunnitteluun ja tarpeen arviontiin. Metsänomistajan osallistuminen voidaan nähdä myös sujuvoittavan metsänomistajan ja metsäpalveluyrityksen välistä vuorovaikutusta.

Virtuaalimallinnusta voidaan myös hyödyntää metsäpalveluyrityksen ja asiakkaan välisessä vuorovaikutuksessa kuten markkinoinnissa ja neuvottelussa, joiden avulla metsänomistajien tietoisuutta ja kykyä arvioida tarjottuja toimenpiteitä voidaan kasvattaa. Metsänomistajien tietämyksen ja ymmärryksen kasvaminen vaikuttaa myöhemmässä vaiheessa positiivisesti asiakkaan ostopäätökseen. Metsän virtuaalimallinnus toimii myös työkaluna niin neuvotteluissa kuin neuvonnassa asiakkaan ja metsätoimijan välillä auttaen metsänomistajaa arvioimaan itse neuvonnassa ehdotettujen tulevien toimenpiteiden tarpeellisuutta.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

63

Ostopäätös

”Ostopäätösvaiheessa” metsän virtuaalimallinnus koettiin työkaluna päätöksenteon tueksi. Virtuaalimallinnuksen avulla metsänomistajat voivat tarvittaessa tarkastella tarjottujen toimenpiteiden visuaalisia vaikutuksia niin pitkällä kuin lyhyelläkin aikavälillä helpottaen lopullista päätöksentekoa. Tarjotun toimenpiteiden vaikutusten ymmärtäminen ja ennakkoon näkeminen voidaan nähdä asiakkaan kokemien riskien vähentävänä tekijänä, joka kasvattaa luottamusta ja auttaa ostopäätöksen teossa (Berry, 1991). ” Ostopäätösvaiheen” jälkeen metsän virtuaalimallinnuksen käyttö palaa jälleen” tietoisuusvaiheeseen” ja tulevaisuuden tarpeiden tunnistamiseen.

YHTEENVETO Metsän virtuaalimallinnus tarjoaa tukityökalun metsäpalveluyrityksille, jota voivat hyödyntää itse sekä tarjota palveluna metsänomistajille. Virtuaalimallinnuksen suurimmat hyödyt voidaan nähdä perustuvan kolmeen tekemiseen: testaamiseen, vertaamiseen ja oppimiseen. Virtuaalimallinnuksen avulla käyttäjä voi testata eri toimenpiteiden visuaalisia vaikutuksia metsälle ja vertailla niitä keskenään.

Testaamisen ja vertaamisen kautta käyttäjä kykenee oppimaan mitä eri toimenpiteet tarkoittavat, mitkä ovat niiden vaikutukset ja miten ne eroavat toisistaan.

Kyselyiden ja keskusteluiden perusteella voidaan virtuaalimallinnuksen suurimmaksi hyötyjiksi ja käyttäjäryhmäksi päätellä yksityiset metsänomistajat.

Metsän virtuaalimallinnus tarjoaa työkalun metsänomistajien metsän ja toimenpiteiden tietoisuuden kasvattamisen tukemiseen, joka voidaan nähdä alentavan metsänomistajien kokemaa riskiä, kasvattavan luottamusta palvelutarjoajaa kohtaan sekä sujuvoittavan päätöksentekoa asiakaspolun eri vaiheissa. Luottamuksen kasvu toista osapuolta kohtaan kasvattaa todennäköisyyttä siitä, että ensimmäinen osapuoli ryhtyy riskiä sisältävään suhteeseen (esim. palvelun ostaminen) toisen osapuolen kanssa (Mayer ym., 1995). Tämän perusteella voidaan katsoa, että virtuaalimallinnus tehostaa metsänomistajien ostopäätöksentekoa ja toimii myyntiä edistävänä tekijänä.

Metsänomistajien sisällä etämetsänomistajat nostettiin selvänä ryhmänä, jotka hyötyisivät eniten metsän virtuaalimallinnuksesta. Tällöin etämetsänomistaja voi tarkastella metsänsä tilannetta 3D-maailmassa matkustamatta omalle metsätilalle.

Kuitenkin metsänomistajien sähköistenpalveluiden käytön tutkimuksien mukaan etämetsänomistajien sähköistenpalveluiden käyttö ei ole muita omistajaryhmiä aktiivisempaa (Hänninen ym. 2020). Tämä huomioiden tulee virtuaalimallinnusta tarjota laajasti eri metsänomistajaryhmille. Kuitenkin vähäisen tietämyksen omaavat, luontoarvoja painottavat, monitavoitteiset ja omassa metsässään vierailemaan kykenemättömät metsänomistajat voidaan nostaa esiin muita ryhmiä potentiaalisimpina hyötyjinä ja käyttäjinä. Lisäksi tulisi huomioida, etteivät kaikki ole kykeneväisiä tai kiinnostuneita käyttämään yksin metsän virtuaalimallinnuspalvelua. Tämän takia metsäpalveluyrityksien tulisi tarjota palvelua esim. myyntineuvotteluiden yhteydessä niin etänä kuin kasvokkain.

64

•

Markus Korhonen (toim.)

Kyselyiden perusteella virtuaalimallinnus tarjoaa metsäpalveluyrityksille asiakaslähtöisen palveluratkaisun, jonka avulla metsänomistajien arvot kyetään huomioimaan paremmin tehostuneen asiakasoppimisen ja osallistamisen ansiosta.

Virtuaalimallinnuksesta koetut hyödyt metsäpalveluyritys kokee erityisesti neuvonnan, myyntineuvotteluiden ja palveluiden markkinoinnin yhteydessä.

Jokaisessa edellä mainitussa toiminnossa virtuaalimallinuksen hyödyt tulevat metsänomistajan ymmärtämisen ja luottamuksen kasvun sekä koetun riskin vähenemisen kautta. Tarjoamalla metsän virtuaalimallinnusta työkaluna metsänomistajille, metsäpalveluyritys pystyy potentiaalisesti tehostamaan metsänomistajan ja metsäpalveluyrityksen välillä käytyjä neuvotteluita sekä vaikuttamaan positiivisesti metsänomistajien ostopäätöksentekoon. Tämän ansiosta virtuaalimallinnus voidaan nähdä myös työkaluna lisäämään metsäomistajien osallistumista puukaupalle tai metsänhoitopalveluiden myyntiprosessiin. Metsän virtuaalimallinnuksen tuoma potentiaali metsänomistajien osallistamisen tehostamiseen palvelumyynnissä, voidaan myös katsoa tuottavan kilpailuetua palveluntarjoajalle muihin toimijoihin nähden.

KIRJALLISUUS Auh, Seigyoung, Simon J Bell, Colin S Mcleod, & Eric Shih. 2007. “Co-Production and Customer Loyalty in Financial Services.” Journal of Retailing 83 (3): 359–70. https:// doi.org/10.1016/j.jretai.2007.03.001. Britton, J. 2013. From One to Many: Best Practices for Team and Group Coaching.

Bell, Simon J, Seigyoung Auh, & Andreas B Eisingerich. 2017. “Unraveling the Customer Education Paradox.” Journal of Service Research 20 (3): 306–21. https:// doi.org/10.1177/1094670517691847.

Berry, Leonard L. 1991. “Mnemonics in Marketing: A Pedagogical Tool.” Journal of the Academy of Marketing Science 19 (2): 141–49. https://doi.org/10.1177/0092070391019 00208.

Cazier, Joseph A., Benjamin B. Shao, and Robert D. St. Louis. 2002. “Personal Privacy Preferences In E-Business: A Focus on Trust and Value Compatibility.” Americas Conference on Information Systems 2002 Proceedings, 2204–12.

Groth, Markus. 2005. “Customers as Good Soldiers: Examining Citizenship Behaviors in Internet Service Deliveries.” Journal of Management 31 (1): 7–27. https://doi. org/10.1177/0149206304271375.

Haltia, E., & Rämö, A. K. (2017). Miksi metsien taloudellisia mahdollisuuksia jätetään käyttämättä?–metsänomistajakyselyn tuloksia. PTT raportteja, 256.

2000 Heilman, Carrie M., Douglas Bowman, and Gordon P. Wright. 2000. “The Evolution of Brand Preferences and Choice Behaviors of Consumers New to a Market.” Journal of Marketing Research 37 (2): 139–55. https://doi.org/10.1509/ jmkr.37.2.139.18728.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

65

Hibbert, Sally, Heidi Winklhofer, & Mohamed Sobhy Temerak. 2012. “Customers as Resource Integrators.” Journal of Service Research 15 (3): 247–61. https://doi. org/10.1177/1094670512442805.

Hänninen, H., Valonen, M., & Haltia, E. (2020). Metsänomistajat palveluiden käyttäjinä: Metsänomistaja 2020-tutkimuksen tuloksia.

Mayer, Roger C., James H. Davis, and F. David Schoorman. 1995. “An Integrative Model of Organizational Trust.” The Academy of Management Review 20 (3): 709. https://doi.org/10.2307/258792.

Pynnönen, S. (2020). Knowledge use in the management of privately owned forests: a focus on decision support services for multi-objective forest use. Dissertationes Forestales.

Schoorman, F. David, Roger C. Mayer & James H. Davis. 2007. “An Integrative Model of Organizational Trust: Past, Present, and Future.” Academy of Management Review 32 (2): 344–54. https://doi.org/10.5465/amr.2007.24348410.

Shah, Denish, Roland T. Rust, A. Parasuraman, Richard Staelin, and George S. Day. 2006. “The Path to Customer Centricity.” Journal of Service Research 9 (2): 113–24. https://doi.org/10.1177/1094670506294666.

Taylor, James W. (1974). “The role of risk in consumer behavior: A comprehensive and operational theory of risk taking in consumer behavior.” Journal of marketing 38.2: 54-60.

Vlachopolous & Makri (2017 Vlachopoulos, D., & Makri, A. (2017). The effect of games and simulations on higher education: a systematic literature review. International Journal of Educational Technology in Higher Education, 14(1), 22.

66

•

Markus Korhonen (toim.)

Niko Pöllänen

Reaalimaailman ja metsän virtuaalimallinnuksen kuvaparivertailu JOHDANTO Metsän virtuaalimallinnus auttaa käyttäjää metsän maisematason suunnittelussa, jolloin metsävaratietoon, paikkatietoaineistoon ja muihin metsän kuvausta tarkentaviin aineistoihin pohjautuvan virtuaalimallinnuksen realistisuus ja erityisesti tunnistettavuus nousee tärkeään osaan. Virtuaalimallinnuksen realistisuuden suhteen tulee kuitenkin huomioida, että aineiston epätäydellisyyksistä ja tietoteknisistä rajoituksista johtuen metsän virtuaalimallinnuksella ei voida saada täysin reaalimaailmaa vastaavaa mallinnusta puista, puiden paikoista tai aluskasvillisuudesta.

Edellä mainituista ongelmista huolimatta voidaan metsän virtuaalimallinnuksen tunnistettavuutta lisätä tuomalla eri reaalimaailman objekteja ja maastonmuotoja virtuaalimallinnukseen.

Etelä-Suomen ja Pohjois-Suomen alueella kuvattujen metsien vertailut metsän virtuaalimallinnuksen kanssa osoittavat metsän virtuaalimallinuksen olevan pääsääntöisesti tunnistettavissa todellisesta metsästä, vaikka puiden sijainnit eivät vastaakaan todellisuutta tai puiden mallinnus ei täysin vastaa reaalimaailman mallia.

Vertailu osoittaa virtuaalimallinnuksen tunnistettavuuden ja realistisuuden paranevan mitä vanhempi metsä on kyseessä sekä mitä enemmän selkeitä maastonmuotoja ja reaalimaailman objekteja kuten teitä tai sähköverkkoja esiintyy virtuaalimallinnuksessa.

Ongelmat virtuaalimallinnuksen kanssa liittyvät suurimmilta osin taimikon, nuoren metsän, alikasvoksen ja aluskasvillisuuden mallintamiseen. Lisäksi mallinnetun metsän ulkopuolisen virtuaalimaailman puutteellisuus aiheuttaa ongelmia metsän tunnistettavuuden ja realistisuuden suhteen reunakuvioilla, joka hankaloittaa metsän virtuaalimallinnuksen hyödyntämistä maisematason suunnitteluun. Itse mallinnuksissa esiintyvien ongelmien lisäksi eron mallinnuksen ja todellisen maailman välille luo mallinnuksessa käytettävä data. Mitä rikkaampaa data on, sitä todenmukaisempaa metsää on mahdollista mallintaa

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

67

virtuaalimallinnuksessa. Tavallisen metsävaratiedon tarjoamaa dataa tulisi täydentää tarkemmalla esimerkiksi puiden sijaintitiedoilla, jotta metsän tunnistettavuutta voitaisiin merkittävästi tehostaa.

Metsän kuvaparivertailu

Kuvaparivertailu koostuu kolmen eri metsän virtuaalimallinnuksen ja valokuvien vertailusta, joissa tarkastellaan virtuaalimallinnuksen realistisuutta, tunnistettavuutta, ongelmia ja näihin vaikuttavia tekijöitä. Kuvaparivertailussa esiintyvät valokuvat ja kuvat metsän virtuaalimallinnukselta ovat pyritty ottamaan samasta kohtaa, jotta eroavaisuudet ja samankaltaisuudet saadaan mahdollisimman hyvin esitettyä.

Valokuvatut ja virtuaalimallinnetut metsät sijaitsevat Uudellamaalla, Kymenlaaksossa ja Lapissa. Valokuvat on otettu elokuu-lokakuu välisenä aikana.

Metsän mallinnus

Suoritettujen kuvaparivertailujen perusteella metsän virtuaalimallinnus voidaan katsoa olevan pääsääntöisesti onnistunutta puuston osalta. Nuoremman metsän kohdalla esiintyy eniten ongelmia, mutta metsän realistisuus kuitenkin kasvaa mitä vanhempaa metsää mallinnetaan. 1. Kuvaparivertailun kuvat 1 ja 2 osoittavat virtuaalimallinnuksen olevan nuoren kasvatusmetsikön osalta realistinen isompien mäntyjen ja kuusien osalta, mutta alikasvoksen vähäisyys virtuaalimallinnuksessa heikentää realistisuutta. Alikasvoksen ongelmallisuutta myös kasvattaa sekin, että ne

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

1. Kuvaparivertailu: Uusimaa

68

•

Markus Korhonen (toim.)

eivät ole yhtä selvästi erotettavissa metsän virtuaalimallinnuksella kuin oikeassa metsässä. Alikasvoksen puuttuminen ei kuitenkaan ole virtuaalimallinnuksesta johtuva ongelma, vaan ongelma johtuu lähes poikkeuksetta alikasvoksen puutteellisista tiedoista metsävaratiedolla. Virtuaalimallinnukselta puuttuva alikasvos on kuitenkin mahdollista lisätä manuaalisesti virtuaalimallinukseen. Näin voidaan kasvattaa virtuaalimallinnuksen realistisuutta entisestään. Tämä kuitenkin vaatii lisätyötä ja vaikuttaa negatiivisesti käytön sujuvuuteen.

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

2. Kuvaparivertailu: 1–2 Kymenlaakso ja 3–4 Lappi

Varttuneen metsikön kohdalla virtuaalimallinnus on tunnistettavissa todellisesta metsiköstä, kuten 2. kuvaparivertailussa oleva varttunut kasvatusmetsikkö (kuvat 3 ja 4) osoittaa. Vertailun perusteella virtuaalimallinnuksen realistisuus kasvaa, mitä vanhempaa puustoa mallinnetaan sekä mitä vähemmän aluskasvustoa metsiköllä esiintyy. Vaikkakin vanhempi puusto näyttäytyy todentunteisempana kuin nuorempi, niin ongelmaksi voidaan todeta 1 ja 2. kuvaparivertailun perusteella Etelä-Suomen ja Lapin virtuaalimallinnettujen mäntyjen latvuston olevan poikkeuksetta tuuheampaa kuin reaalimaailman vertailukuvassa jättäen taivaan kokonaan sen peittoon.

Vanhemman kuusimetsän kohdalla esiin ilmentyy ongelma alaoksien mallinnuksen kanssa. 2. Kuvaparivertailun virtuaalimallinnuksella (kuva 2) oksia esiintyy lähes tyveen asti, mutta reaalimaailman mallissa (kuva 1) kuusien oksat ovat tyvestä karsiutuneita ja kuivuneita. 2. kuvaparivertailu osoittaa kuinka kyseinen ongelma vaikuttaa negatiivisesti metsän virtuaalimallinnuksen tunnistettavuuteen ja realistisuuteen.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

69

Kuva 1.

Kuva 2.

3. Kuvaparivertailu: Kymenlaakso

Taimikoiden suhteen mallinnuksen realistisuus noudattaa samaa kaavaa, kuin varttuneiden puiden suhteen eli mitä vanhemmasta taimikosta on kyse, niin sitä realistisempaa on mallinnus puuston suhteen. Kuvaparivertailu 3. kuvat osoittavat kuinka virtuaalimallinnuksen varttuneen taimikon virtuaalimallinnus näyttää puiden osalta realistiselta erityisesti kuusien ja koivujen kohdalla. Kuitenkin nuorien mäntyjen kohdalla 4. kuvaparivertailun kuvilla 1 ja 2 esiintyy sama ongelma, kuin vanhempien mäntyjen suhteen eli ne näyttävät virtuaalimallinuksella liian tuuhealta ja peittävät näkyvyyden kokonaan. Tätä ei tapahdu reaalimaailman esimerkillä.

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

4. Kuvaparivertailu: Kuvaparivertailu: 1–2 Kymenlaakso ja 3–4 Uusimaa

70

•

Markus Korhonen (toim.)

Taas 4. kuvaparivertailun kuvat 3. ja 4. osoittaa, kuinka nuoremman taimikon kohdalla virtuaalimallinnus näyttäytyy liian pienenä, eikä ole tunnistettavissa reaalimaailman vertailu kuvalta. Myös aluskasvillisuuden suhteen esiintyy ongelmallisuuksia nuoren metsän virtuaalimallinnuksella. Sekä 3. että 4. kuvaparivertailu osoittaa aluskasvillisuuden olevan vähemmän runsasta, kuin mallinnuksella. Erityisesti rehevimmillä kasvupaikoilla mallinnus luo todellisuuteen verrattuna liian siistin kuvan.

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

5. Kuvaparivertailu: 1–2 Uusimaa ja 3–4 Kymenlaakso

5. kuvaparivertailun kuvat 1 ja 2 myös osoittavat ongelman liittyen maanmuokkausjälkiin. Maanmuokkausjälkien puuttuminen luo riskin visuaalisen suunnittelun yhteydessä, ja varsinkin metsäasioista tietämättömille käyttäjille voi luoda väärän mielikuvan metsän uudistamisen jäljistä ja samalla lisäten metsäalan ammattilaisen tuen tarvetta. Maanmuokkausjälkien lisäksi virtuaalimallinnuksella esiintyy ongelmia korjuujälkien mallinnuksessa, jotka näyttäytyvät liian siisteinä eikä maassa esiinny todellisuutta vastaavaa määrää hakkuujätettä, kuten 5. kuvaparivertailun kuvat 3 ja 4 osoittavat. Toimenpiteiden jälkien mallinnuksien ongelmat luovat epärealistisen kuvan ja vaikuttavat suoraan negatiivisesti virtuaalimallinnuksen hyödyntämiseen visuaaliseen suunnitteluun.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

71

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

Kuva 5.

Kuva 6.

Kuva 7.

Kuva 8.

6. Kuvaparivertailu: 1-2 Kymenlaakso ja 3-8 Uusimaa

72

•

Markus Korhonen (toim.)

Pohjakasvillisuus eri kasvupaikkatyypeillä vaikuttaa myös puuston lisäksi metsän virtuaalimallinnuksen realistisuuteen ja tunnistettavuuteen. Eri kasvupaikkojen tarkastelu 6. kuvaparivertailulla osoittaa, että aluskasvillisuuden mallinnus ei vastaa todellisuutta ja erityisesti rehevimmillä kasvupaikoilla virtuaalimallinnuksen aluskasvillisuus jää vajavaiseksi. Tarkastellessa lehtomaista (kuvat 1 ja 2) ja tuoretta kangasta (kuvat 3 ja 4), voidaan todeta virtuaalimallinnuksen olevan aluskasvillisuuden osalta selkeästi vajavaista ja jäävän liian siistiksi verrattuna reaalimaailman vertailukuviin. Verrattaessa kuivahkon (kuvat 5 ja 6) ja kuivan kankaan (kuvat 7 ja 8) virtuaalimallinnusta reaalimaailman verrokkeihin, voidaan huomata virtuaalimallinnuksen olevan selvästi realistisempaa kuin lehtomaisen ja tuoreen kankaan virtuaalimallinnukset.

Kuitenkin voidaan huomata, ettei kuivan ja kuivahkonkaan mallinnus ole täydellinen ja aluskasvillisuuden osalta esiintyy puutteita.

Kuva 1.

Kuva 2.

7. Kuvaparivertailu: Lappi

Verrattaessa Lapin 7. kuvaparivertailu esimerkissä esiintyvää kuivahkoa kangasta virtuaalimallinnukseen, voidaan todeta, ettei aluskasvillisuus ole yhtä peittävää, kuin reaalimaailman kuvaparivertailukuvassa ja jäkälää esiintyy virtuaalimallinnuksella todellisuutta enemmän.

Tarkastelemalla 8. kuvapariavertailulla esiintyvää lettoa, voidaan taas todeta pohjakasvillisuuden olevan virtuaalimallinnuksella suhteellisen hyvin mallinnettua ja tunnistettavissa. Kasvattamalla mallinnetun aluskasvillisuuden määrää voitaisiin

Kuva 1.

Kuva 2.

8. Kuvaparivertailu: Lappi Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

73

realistisuutta kasvattaa mutta tällöin myös tietokoneiden tehovaatimukset kasvavat yksityiskohtien määrän lisääntyessä.

TODELLISUUTEEN VAIKUTTAVAT REAALIMAAILMAN OBJEKTIT JA MAASTONMUODOT Virtuaalimallinnuksen tunnistettavuutta ja realistisuutta voidaan kasvattaa selkeästi tuomalla reaalimaailman objekteja ja maastonmuotoja virtuaalimallinnukseen. 9. kuvaparivertailussa oleva ajopolun virtuaalimallinnus auttaa tunnistamaan sijainnin ja lisää realistisuutta tuomalla kiintopisteen reaalimaailmasta, jonka avulla käyttäjä pystyy samaistumaan virtuaalimallinukseen.

Kuva 1.

Kuva 2.

9. Kuvaparivertailu: Uusimaa

Metsäteiden ja ajopolkujen mallinnuksen suhteen esiintyy myös paikoitellen ongelmia, kuten 10. kuvapariveritaulu osoittaa. Varsinkin ajopolut (kuvat 1 ja 3) virtuaalimallinnuksessa (kuvat 2 ja 4) esiintyvät reaalimaailman malliin verrattuna liian siisteinä ja kasvillisuus ajourien keskeltä ja reunamilta puuttuu kokonaan. Myös osa mallinnetuista ajopoluista näyttäytyy olevan metsämaan alapuolella vaikkakin todellisuudessa tie on metsämaan kanssa samalla tasolla.

74

•

Markus Korhonen (toim.)

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

10. Kuvaparivertailu: Kymenlaakso

Lisäksi 11. kuvaparivertailulla esiintyvässä esimerkistä voidaan todeta tien olevan mallinnettuna asvalttitienä, vaikka todellisuudessa se on hiekkatie.

Kuva 1.

Kuva 2.

11. Kuvapari: Uusimaa

Teiden lisäksi maastonmuodot ja esimerkiksi sähköpylväät lisäävät virtuaalimallinnuksen tunnistettavuutta merkittävästi. Maastonmuotojen mallinnus tehostaa metsän virtuaalimallinnuksen tunnistettavuutta ja samalla kasvattaen sen realistisuutta.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

75

Kuten 12. kuvaparivertailusta voidaan huomata maastonmuotojen olevan realistisia ja varsinkin erityskohteiden kuten kuvassa (1. ja 2.) esiintyvä suppa ja kallio (3 ja 4. kuva) näyttäytyvät maastomuotojen perusteella realistisena virtuaalimallinuksessa ja auttaa tunnistamaan kohteen virtuaalimaailmasta.

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

12. Kuvaparivertailu: 1 ja 2 Uusimaa, 3 ja 4 Kymenlaakso

Samoin kuin eri objektit ja maastonmuodot lisäävät tunnistettavuutta, niin niiden puuttuminen tai virheellinen mallinnus myös vaikuttaa negatiivisesti tunnistettavuuteen. Varsinkin lammet ja purot ovat kuvaparivertailussa osoittautuneet ongelmallisiksi ja niiden puuttumisella voidaan nähdä olevan merkittävä vaikutus metsän virtuaalimallinnuksen realistisuuteen. Esimerkiksi 13. kuvaparivertailulla esiintyvä lampi (kuva 1) puuttuu kokonaan virtuaalimallinnukselta (kuva 2) ja veden tilalla on paljasta maata. Lammen lisäksi kuvaparin esimerkin kohdalla ja virtuaalimallinnuksessa esiintyvä puro (kuva 4) näyttäytyy enemmän polulta tai matalalta ojalta ja vesi puuttuu kokonaan pohjalta.

76

•

Markus Korhonen (toim.)

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

13. Kuvaparivertailu: Kymenlaakso ja Uusimaa

Metsän ulkopuolisen maailman mallintamattomuus on myös yksi metsän virtuaalimallinnuksen ongelmista, joka kuvattuna 14. kuvaparivertailussa heikentää reunakuvioiden tunnistettavuutta. Raja-alueiden virtuaalimallintamisen hyödyntäminen visuaalisessa suunnittelussa vaikenee huomattavasti ja heikentää käyttäjän samaistumista ympäristöön, kun ympäröivän maailman mallinnus ei vastaa todellisuutta.

Kuva 1.

Kuva 2.

14. Kuvaparivertailu: Uusimaa

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

77

DATAN MERKITYS Kuten on jo ilmennyt aikaisemmin, niin virtuaalimallinnuksen realistisuuteen vaikuttaa merkittävästi metsävaratieto, paikkatietoaineisto sekä muu data, johon visualisointi perustuu. Varsinkin metsävaratiedon puutteelliset tiedot metsästä vaikuttavat metsän virtuaalimallinnuksen realistisuuteen merkittävästi, kuten alikasvoksen puuttuminen tai säästöpuiden puuttuminen metsävaratiedolta.

Metsävaratiedon pohjalta mallinnetun virtuaalimallinnuksen tunnistettavuutta voidaan kuitenkin parantaa tarkentamalla puustotietoja manuaalisesti ja pitämällä puustotiedot ajan tasalla.

Kuva 1.

Kuva 2.

15. Kuvaparivertailu: Säästöpuut puuttuvat virtuaalimallinnukselta (Uusimaa)

Tarkastelemalla 15. kuvaparivertailua voidaan huomata kuinka säästöpuiden puuttuminen metsävaratiedolta vaikuttaa merkittävästi virtuaalimallinnuksen realistisuuteen. Säästöpuiden puuttuminen virtuaalimallinnukselta kuvion tunnistettavuus heikkenee huomattavasti ja vaikeuttaa maisematason suunnittelua.

Kuitenkin manuaalisesti lisätyt tiedot geneeriseen metsävaratietoon lisäävät virtuaalimallinnuksen tunnistettavuutta, kuten 16. kuvaparivertailu osoittaa, vaikkakin taustalta puuttuva maailma edelleenkin vaikuttaa negatiivisesti tunnistettavuuteen.

Kuva 1.

Kuva 2.

16. Kuvaparivertailu: Uusimaa: Säästöpuut lisätty manuaalisesti

78

•

Markus Korhonen (toim.)

Kuva 1.

Kuva 2.

Kuva 3.

Kuva 4.

17. Kuvaparivertailu: Lappi

Puutteellinen tieto puiden sijainnista virtuaalimallinnuksessa vaikuttaa merkittävästi metsän realistisuuteen. 17. Kuvaparivertailu perusteella voidaan huomata, että puiden paikkatiedon puuttumisen myötä puiden sijaintien generoiminen voi luoda tilanteita, jotka eivät vastaa todellisuutta. Vertailussa olevat reaalimaailman kuvat osoittavat, että metsän puusto ei esiinny tasaisesti kyseisellä metsiköllä ja tiheys vaihtelee, kun taas virtuaalimallinnuksessa puut on sijoitettu tasaisemmin koko alueelle. Sama ongelma voidaan myös havainnoida 18. kuvaparivertailun kuvatulla ja mallinnetulla kuviolla, jossa kuvion sisäisen tiheyden vaihtelu on vielä ilmeisempää.

Puiden virheellinen sijainti virtuaalimallinnuksessa on tekijä, joka vaikuttaa

Kuva 1.

Kuva 2.

18. Kuvaparivertailu: Lehtomainen kangas, Uusimaa

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

79

tunnistettavuuteen. Kuitenkin ilman puiden tarkkaa paikkatietoakin metsä on tunnistettavissa suhteellisen hyvin eikä se ole merkittävin metsän virtuaalimallinnuksen tunnistettavuutta ja realistisuutta lisäävä tekijä.

YHTEENVETO Kokonaisvaltaisesti tarkasteltuna metsän virtuaalimallinnus voidaan kuvaparivertailun perusteella nähdä suhteellisen realistisena, varsinkin mitä vanhemman puuston mallinnuksesta on kyse. Ongelmia kuitenkin esiintyy myös vanhempien kuusien ja mäntyjen mallinnuksissa. Puuston lisäksi metsän aluskasvillisuus vaikuttaa metsän realistisuuteen. Virtuaalimallinnuksen aluskasvillisuus kuvaparivertailun perusteella ei näyttäydy yhtä rikkaalta kuin reaalimaailman verrokki ja rehevimmiltä kasvupaikoilta puuttuu mm. heinikkoa ja saniaisia. Tämän takia eri kasvupaikkatyypit esimerkiksi kuivahko- ja tuore kangas eivät erotu yhtä selkeänä virtuaalimallinnuksessa kuin reaalimaailman vertailuparissa.

Metsän virtuaalimallinnuksen ongelmat tulevat selvemmin esiin nuoren metsän ja taimikon virtuaalimallinnuksen puolella. Kuvaparivertailu osoittaa, että erityisesti nuorempien taimikkojen kohdalla mallinnettu metsikkö näyttäytyy johdonmukaisesti liian siistin näköisenä ja tosimaailman pusikkoisuus sekä maanmuokkausjäljet eivät näyttäydy selvästi virtuaalimallinnuksella. Nuoren metsän virtuaalimallinnuksessa esiintyvät puutteet vaikuttavat negatiivisesti nuoremman metsän virtuaalimallinnuksen hyödyntämistä metsän visuaalisessa suunnittelussa luoden liian siistin kuvan.

Virtuaalimallinnuksen realistisuuteen vaikuttaa merkittävästi itse puiden ja aluskasvillisuuden lisäksi reaalimaailman kiintopisteet, kuten ajopolut, maastonmuodot, lammet ja kalliot. Reaalimaailman kiintopisteiden avulla virtuaalimallinnuksen käyttäjä voi tunnistaa helpommin metsän ja sijaintinsa virtuaalimallinuksella sekä tehokkaammin samaistua metsän virtuaalimallinnukseen.

Tämä mahdollistaa metsän virtuaalimallinnuksen hyödyntämisen visuaalisessa suunnittelussa erityisesti varttuneemmalla metsällä.

Vaikka teiden ja eri objektien mallinnus jo nykyisellään lisää huomattavasti metsän virtuaalimallinnuksen tunnistettavuutta, niin esimerkiksi ajopolkujen mallinnusta parantamalla voidaan realistisuutta kasvattaa entisestään. Kuvaparivertailu osoittaa ajopolkujen mallinnuksen esittäytyvän liian siistinä verrattuna todellisuuteen, ajopoluilla esiintyvä kasvillisuus ei esiinny virtuaalimallinnuksella ja osa hiekkateistä näyttävät asvalttitieltä. Ajopolkujen virtuaalimallinnuksien puutteista huolimatta kuvaparivertailulla esiintyvät ajopolut lisäävät virtuaalimallinnetun metsän realistisuutta.

Objektien lisäksi maastonmuodot ovat merkittävä tekijä metsän virtuaalimallinnuksen realistisuuden kasvattajana. Kuvaparivertailun perusteella voidaankin todeta maastonmallinnuksien olevan suurimmilta osin onnistuneita ja lisäävät virtuaalimallinnetun metsän tunnistettavuutta merkittävästi.

Kuvaparivertailun perusteella ongelmiakin kuitenkin esiintyy erityiskohteiden

80

•

Markus Korhonen (toim.)

mallintamisessa, kuten esimerkiksi lampi, jota ei virtuaalimallinnuksella esiinny.

Kallioiden kohdalla esiintyy myös mallintamisen ongelmia, mutta ongelmat ovat enemmän aluskasvillisuuteen ja puustoon liittyviä tekijöitä. Esimerkiksi kallioilla ei virtuaalimallinnuksessa esiinny kuvaparivertailun perusteella yhtä vahvasti jäkälää ja puustoa ei esiinny lähestulkoon ollenkaan kallioalueilla.

Merkittävä tekijä metsän virtuaalimallinnuksen realistisuudessa on mallintamatta jätetyt elementit, joiden puuttuminen voi vaikuttaa merkittävästi tunnistettavuuteen.

Kuvaparivertailun perusteella voidaan todeta, että mallinnetun metsän ulkopuolisen alueen puuttuminen vähentää tunnistettavuutta. Tämän vuoksi metsän virtuaalimallinnuksen hyödyntäminen reunakuvioilla maisematason suunnitteluun vaikeutuu. Muutkin puuttuvat tekijät kuten rakennukset, joita ei kuvaparivertailussa ollut, vaikuttavat realistisuuteen negatiivisesti. Myös toimenpiteistä syntyneiden jälkien puuttuminen ja hakkuujätteen vähäisyys ovat tekijöitä, joita parantamalla voitaisiin kasvattaa virtuaalimallinnuksen realistisuutta.

Metsän virtuaalimallinnuksen tunnistettavuuteen puiden, maaston yms. mallinnuksien lisäksi vaikuttaa data, joiden pohjalta metsän virtuaalimallinnus rakennetaan. Kuten kuvaparivertailu osoittaa, niin puutteellinen data esimerkiksi siemenpuista tai alikasvoksesta kuviolla vaikuttaa negatiivisesti tunnistettavuuteen.

Metsän virtuaalimallinnuksen dataa voidaan kuitenkin manuaalisesti muokata ja lisätä puuttuvia tietoja kuten yksittäisiä siemenpuita tai aliskasvosta.

Vaikka virtuaalimallinnuksella esiintyy puutteita, metsät ja kuviot on tästä huolimatta hyvin tunnistettavissa, ja pääosin tarpeeksi realistisia tekemään esimerkiksi maisematason suunnittelua.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

81

82

•

Markus Korhonen (toim.)

Ari Talkkari

Metsäopiskelijat virtuaalimetsää kehittämässä Uuden Virtuaalimetsä-sovelluksen avulla on mahdollista kokeilla ja vertailla metsänhoitovaihtoehtojen lyhyen ja pitkän aikavälin visuaalisia vaikutuksia metsälle.

Sovelluksen avulla metsänomistaja, metsäpalveluyrittäjä tai metsäasiantuntija voi tarkastella metsää eri näkökulmista ja perehtyä eri toimenpidevaihtoehtojen maisemavaikutuksiin.

Karelia-ammattikorkeakoulun metsätalouden opiskelijat osallistuivat sovelluksen testaukseen, jossa selvitettiin sovelluksen käytettävyyttä, toimenpiteiden määrittämistä sekä visualisoinnin yleisvaikutelmaa. Virtuaalimetsä-sovellusta pidettiin toimivana ja helppokäyttöisenä. Myös toimenpiteiden määrittämistä pidettiin toimivana, mutta simulointi vaati vielä testiversiossa kehittämistä.

Metsämaisemalta toivottiin realistisuutta ja parempaa tarkkuutta. Sovellusta pidettiin kiinnostavana ja hyödyllisenä, ja sen arviointiin soveltuvan hyvin opiskelun välineeksi.

JOHDANTO Lokakuussa 2020 julkaistiin Virtuaalimetsä-sovelluksen vapaasti saatavilla oleva versio käyttöohjeineen. Julkaistu Virtuaalimetsä-sovellus sisältää metsävaratietoa ja tausta-aineistoja Rovaniemen, Tampereen ja Joensuun alueelta (Tapio 2020). Näiden testialueiden avulla käyttäjä voi perehtyä sovelluksen käyttöön ja ominaisuuksiin omatoimisesti.

Sovelluksen avulla voidaan avata kuviokartta, siirtyä kartan avulla kuviolta toiselle sekä tuoda keskeisimmät kuvio- ja puustotiedot käyttäjän nähtäville. Metsävaratietojen lisäksi sovellus hyödyntää maanpinnan korkeusmallia sekä maastotietokantaa, jonka avulla on sijoiteltu muun muassa tiet, polut, kalliot ja vesistöt oikeille paikoilleen.

Virtuaalimetsä-sovellus on integroitu QGIS-paikkatieto-ohjelmistoon, jolla hallitaan sovelluksessa käytettäviä metsävaratietoja ja valitaan tarkasteltavat ja visualisoitavat metsikkökuviot. Virtuaalimetsä-sovellus asennetaan QGISohjelmistoon lisäosana (Plugin). Toimenpiteiden määrittämisen jälkeen jokaiselle 1,5 km x 1,5 km kokoisen visualisointialueen metsikkökuviolle luodaan puiden sijaintia

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

83

vastaavat pisteet. Tämän jälkeen sovellus siirtää metsikkökuviot ja tausta-aineistot, kuten maastomalli, pelimoottorille. Jokaiselle puun sijaintipisteelle valitaan puukirjastosta parhaiten sopiva puumalli. (Lapin ammattikorkeakoulu 2020.)

Hankkeen yhtenä tavoitteena on, että Virtuaalimetsä-sovellus otetaan metsätoimialalla laajasti käyttöön palvelemaan metsätalouden suunnittelua ja puunhankintaa alueellisella ja kansallisella tasolla (Lapin ammattikorkeakoulu 2018).

Metsäammattilaiset, nykyiset ja tulevat, ovat sovelluksen potentiaalisia käyttäjiä, joten heidän näkemyksensä selvittäminen on tarpeen. Tässä tavoitteena oli selvittää Karelia-amk:n metsäopiskelijoiden kokemuksia Virtuaalimetsä-sovelluksesta ja sen käytettävyydestä.

KÄYTTÄJÄTESTAUKSEN TOTEUTUS Karelia-amk:n yksi tehtävä hankkeessa oli Virtuaalimetsä-sovelluksen testaaminen opetuskäytössä. Virtuaalimetsä-sovelluksen käyttötestaus integroitiin Metsien käytön suunnittelu -opintojaksoon, jonka sisältöihin se sopikin saumattomasti.

Testaamiseen osallistui 30 kolmannen vuoden metsätalouden opiskelijaa lokakuussa 2020. Opiskelijat opastettiin tyypillisten käyttötapausten avulla sovelluksen käyttöön, minkä jälkeen opiskelijat tekivät testikäytön itsenäisesti. Rauansalon testialue oli testaajille tuttu, koska alueen kohteita oli aiemmin syksyllä käytetty heidän metsäsuunnittelun maasto-opetuksessaan. Näin tulevat metsäammattilaiset pystyivät melko luotettavasti arvioimaan Virtuaalimetsä-sovelluksen metsämaiseman realistisuutta. Testauksen tulokset kirjattiin lomakkeille myöhempää analysointia varten.

Virtuaalimetsä-sovelluksen käyttötestaus jaettiin kolmeen osioon: sovelluksen käytettävyys, toimenpiteiden määrittäminen ja visualisointi sekä sovelluksen yleisvaikutelma ja testauskokemus. Testin osa-alueita arvioitiin asteikolla huono (1), tyydyttävä (2), hyvä (3) ja erinomainen (4). Lisäksi testaajilla oli mahdollisuus antaa sanallista palautetta ja kehittämisehdotuksia.

Kerätystä aineistosta laskettiin teemakohtaiset keskiarvot. Lisäksi sanallinen palaute luokiteltiin ja kvantifioitiin. Näin tekstiaineistosta voitiin todeta keskeisimmät käyttö- ja kehittämiskohteet.

TULOKSET Sovelluksen käyttöliittymää pidettiin selkeänä, helppokäyttöisenä ja intuitiivisena.

Sovelluksen käyttö koettiin sujuvana ja käyttöliittymässä oli helppoa navigoida hiiren ja toimintonäppäinten avulla (kuva 1). Myös sovelluksen näkymä kävelykameran, lentokameran ja karttaliittymän välillä oli sujuvaa. Testaajilla oli aikaisempaa kokemusta QGIS-paikkatieto-ohjelmistosta, joten sovelluksen käsitteet, karttatasojen hallinta ja visualisoitavan metsikkökuvion valinta oli tuttua entuudestaan.

84

•

Markus Korhonen (toim.)

Kuva 1 Virtuaalimetsä-sovelluksen käytettävyyden arviointi

Metsävaratiedon hallinta, puustotietojen esittäminen ja metsänkäsittelytoimenpiteiden määrittäminen koettiin hyvin toteutetuiksi.

Sovelluksessa käytetään metsävaratietostandardin mukaista kuviotietoa, jonka rakenne ja ominaisuustiedot olivat tuleville metsäammattilaisille tuttuja ja selkeitä jo aiempien opintojen perusteella (kuva 2).

Toimenpiteiden realistisuus koettiin kuitenkin tyydyttäväksi (kuva 2).

Visualisoinnissa metsikkö harvennuksen jälkeen näytti monen testaajan mielestä liian tiheältä tai täydeltä. Osa testaajista toivoi myös ajourien visualisointia realistisuuden parantamiseksi. Jatkuvan kasvatuksen toimenpiteiden, kuten pienaukkohakkuu, visualisointia ei pidetty kovin onnistuneena. Testattu sovellus toimii siis parhaiten tasaikäisrakenteisen metsän toimenpiteiden visualisoinnissa.

Metsän kehityksen simulointi ei vielä ensimmäisessä julkaisuversiossa toiminut tarkoitetulla tavalla, vaan koko visualisointialueen puupisteet hävisivät metsikön kehityksen simuloinnin jälkeen. Tämän vuoksi myöskään metsän visualisointi kehityksen jälkeen toiminut. Osa testaajista ei mahdollisesti yhdistänyt oikeaa arviointikohtaa lomakkeella sovelluksen toiminnallisuuteen, koska em. toiminnot arvioitiin tyydyttävästi toteutetuiksi, vaikka ne eivät toimineet lainkaan suunnitellulla tavalla (kuva 2).

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

85

Kuva 2 Metsävaratiedon hallinta, toimenpiteiden määrittäminen ja visualisointi

Kuva 3 Virtuaalimetsä-sovelluksen yleisvaikutelma ja testauskokemus

Suurin osa testaajista piti testauskokemusta hyvänä. Metsämaiseman realistisuus, miellyttävyys ja tarkkuus koettiin kuitenkin vain tyydyttäviksi (kuva 3). Nuoressa männikössä puiden oksat näyttivät usean testaajan mielestä liian pitkiltä ja nuoret koivut liian vanhoilta. Osa kaipasi valokuvamaisen tarkkaa realismia piirrosobjekteilta näyttävien puiden sijaan. Suurinta tarkkuutta käytettäessä metsämaiseman

86

•

Markus Korhonen (toim.)

realistisuus paranee, mutta sovelluksen käyttö hidastuu. Visualisointi onkin tasapainoilua metsämaiseman realistisuuden ja tietokoneen suorituskyvyn välillä.

Sovellusta pidettiin kiinnostavana ja hyödyllisenä - vain kahden testaajan mielestä sovellus ei ole metsätaloudessa hyödyllinen. Testaajat pitivät sovellusta hyvänä opiskelun välineenä, jolla on runsaasti käyttökohteita (kuva 3). Testauksen tuloksia hyödynnetään vielä hankkeen lopussa, kun sovellukseen tehdään parannuksia.

POHDINTA Virtuaalimetsä-sovellus on tarkoitettu kaikkien metsätoimijoiden käyttöön.

Metsäammattilainen voi käyttää sovellusta metsäsuunnittelussa ja puunkorjuun suunnittelussa, kun halutaan etukäteen vertailla erilaisten toimenpiteiden vaikutuksia metsämaisemaan. Sovellus sopii erityisen hyvin etämetsänomistajille, jotka eivät mahdollisesti tunne metsäänsä kovin hyvin tai eivät pääse paikan päälle kovin helposti. Sovelluksen avulla metsät voidaan neuvontatilanteissa tuoda omistajansa luo. Virtuaalimetsän yksi käyttökohde on osallistava suunnittelu, jossa esim. kaupunkien metsiin suunniteltuja toimenpiteitä halutaan tuoda kuntalaisten tarkasteltaviksi ja kansalaisten mielipiteen keräämiseksi ennen hakkuiden toteuttamista. Eri käyttäjäryhmät ja yksilöt kokevat metsänkäsittelyn maisemavaikutukset kuitenkin eri tavoin. Metsänomistajat ja metsäammattilaiset suhtautuvat metsänkäsittelyyn myönteisemmin kuin muut metsien käyttäjät.

Virtuaalimetsä-sovellus myös on oivallinen opiskelun väline, minkä myös tulevat metsäammattilaiset tunnistivat. Sovellusta voi hyödyntää useilla opintojaksoilla, kuten metsänhoito, metsäsuunnittelu ja puunhankinta. Sovelluksen käyttö vaatii kuitenkin jonkin verran aikaisempia tietoja ja taitoja. Metsänhoidon ja metsänmittauksen perusteet on hyvä osata, myös aikaisempi kokemus paikkatietoohjelmista auttaa sovelluksen oppimisessa. Virtuaalimetsä voi olla metsätaloudesta kiinnostuneille väline metsänhoidon oppimiseen ja ymmärtämiseen ja edistää metsätalouden hyväksyttävyyttä.

KIRJALLISUUS Lapin ammattikorkeakoulu 2018. Virtuaalimetsä 2.0 hankesuunnitelma.

Lapin ammattikorkeakoulu 2020. Virtuaalimetsä 2.0 käyttöohje.

Silvennoinen H. (2013). Metsämaiseman kauneus ja metsänhoidon vaikutus koettuun maisemaan metsikkötasolla. Dissertationes Forestales 242. 86 s.

Tapio 2020. Virtuaalimetsä 2.0 – ovi uudenlaiseen metsäsuunnitteluun. Tiedote.

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

87

88

•

Markus Korhonen (toim.)

Kirjoittajien esittely Jomppanen, Aslak TaK Projektisuunnittelija Lapin ammattikorkeakoulu Korhonen, Markus MMM Lehtori, projektipäällikkö Lapin ammattikorkeakoulu Peuhkurinen, Jussi MMT Yksikön päällikkö, Metsien inventointi Arbonaut Oy Pöllänen, Niko MMM Metsätietoasiantuntija Tapio Oy Taipale, Sampo MTI Talkkari, Ari MMT Yliopettaja Karelia-ammattikorkeakoulu Villikka, Maria MMM Kaukokartoitusasiantuntija Arbonaut Oy

Metsävara- ja paikkatietoaineistoon perustuva virtuaalimallinnus

•

89

Millä tavalla metsävaratiedon mallintamista on tehty ja miten metsävaratietoa voidaan tehokkaasti mallintaa? Millä tavalla metsävaratiedon visualisointia olisi tulevaisuudessa kehitettävä, jotta visualisointi vastaa entistä paremmin kohderyhmien tarpeisiin? Löydät muun muassa näihin kysymyksiin vastauksia tästä artikkelijulkaisusta, joka käsittelee Virtuaalimetsä 2.0-hankkeessa tehtyä kehitystyötä.

Virtuaalimetsä 2.0-hankkeessa on kehitetty metsävara- ja paikkatiedon tehokkaan kolmeulotteisen visualisoinnin mahdollistava ohjelmisto. Lisäksi hankkeen tavoitteena on laajentaa metsävaratiedon visualisoinnin käyttökohteita metsätalouselinkeinossa sekä kehittää uusia metsävaratietoa tarkentavia aineistoja. Hankkeen huomioita havaintoja ja tekniseen kehitykseen liittyvää määrittelyä on kuvattu julkaisussa konkreettisella tasolla.

Artikkeleiden kirjoittajat ovat osallistuneet hankkeen toimenpiteisiin ja hankkeessa kehitetyn Virtuaalimetsä-sovelluksen kehitykseen. Kirjoittajat ovat metsäalan ja mallintamisen asiantuntijoita.

www.lapinamk.fi

ISBN 978-952-316-388-1