Reija Haapanen

Mun lektio

Julkaisen tänään 5.12.2014 väitökseni aluksi pitämäni lektion:


Kunnioitettu kustos, arvoisa vastaväittäjä, hyvät kuulijat!

Neuvostoliitto lähetti Sputnik 1:n radalleen vuonna 1957 ja siitäpä tekokuut saivat kansan suussa kätevän nimen. Isoäiti oli nimennyt yhden navettakissoista Sputnikiksi ja omat ensimmäiset kokemukseni tekokuista liittyivät siihen, kun yritin kieputtaa kissaa hännästä, mutta kissa ei sallinut. Tämän enempää tekokuut eivät minua sitten pitkiin aikoihin kiinnostaneetkaan.

Ja onneksi en tiennyt, että Sputnik kakkosessa mukana ollut Laika-koira kuoli muutaman tunnin lennettyään kapselin kuumenemiseen ja stressiin.

Sputnik 1 otti maasta valokuvan ja näin siitä tuli ensimmäinen kaukokartoitussatelliitti. Kaukokartoitus on toimintaa, jossa kohdetta mitataan sen heijastaman sähkömagneettisen säteilyn avulla. Tämä säteily on usein alun perin lähtöisin auringosta, mutta kappaleen omaa tai kaukokartoituslaitteen lähettämää säteilyä voidaan myös mitata.

Siinä vaiheessa, kun itse touhusin tyytyväisenä Sputnik-kissan kanssa navetassa, elettiin kuitenkin jo 1970-luvun puoliväliä ja taivaalle oli singottu kaksi erityisesti luonnonvarojen kartoitukseen ja seurantaan tarkoitettua satelliittia, yhdysvaltalaiset Landsat 1 ja 2. Odotukset olivat suuret. Ideana oli saada maapallon luonnonvarojen sijainnista ja ominaisuuksista tarkempaa tietoa, sillä uusiutumattomien luonnonvarojen riittävyys oli noussut keskeiseksi huolenaiheeksi. Etenkin öljy- ja mineraaliesiintymiä toivottiin löytyvän lisää.

Ennen Landsat-ohjelmaa luonnonvarojen kaukokartoituksessa oli käytetty pääosin lentokoneesta otettuja ilmakuvia. Satelliittikuvien avulla etenkin laajojen alueiden kartoittaminen ja seuranta helpottui. Yksi satelliittikuva oli kooltaan niin suuri – 185 kertaa 185 km – että se pystyi kattamaan satamäärin ilmakuvia. Lisäksi satelliitti kiersi kohdettaan jatkuvasti ja palasi samaan paikkaan aina parin viikon päästä. Satelliittikuvan tieto oli numeromuotoista, joten sitä oli suoraan mahdollista käsitellä tietokoneen avulla. Ilmakuviin jäi kuitenkin yhteys, sillä ensimmäinen Landsat-satelliitti rekisteröi säteilyä sellaisilla aallonpituusalueilla, jotka oli havaittu hyviksi ilmakuvauksessa.

Tämänpäiväinen väitös käsittelee yhden luonnonvaran – metsän – kaukokartoitusta metsien inventoinnin näkökulmasta. Metsäninventoinnin tutkijat Kullervo Kuusela ja Simo Poso tutkivat satelliittikuvien käyttöä inventoinnin apuvälineenä jo 1970-luvun alkupuolella. He totesivat, että kuvan ja metsikön ominaisuuksien välillä oli selvä riippuvuussuhde. Suomessa metsävarat tunnettiin kuitenkin sen verran tarkasti, etteivät senaikaiset satelliittikuvat olisi tuoneet juurikaan lisää tietoa.

Kun aloitin opinnot Helsingin yliopistossa vuonna 1990, oli Landsatien rinnalle tullut muitakin luonnonvarasatelliitteja (ranskalainen SPOT ja intialainen IRS) ja niiden ominaisuudet olivat parantuneet. Esimerkiksi vuonna 1982 lähetetty Landsat 4 rekisteröi aiempaa useampia aallonpituusalueita, ja sen avulla pystyttiin paremmin erottelemaan eri kasvillisuus- ja kivityyppejä, pilviä, lunta ja jäätä sekä havainnoimaan kasvien elinvoimaisuutta ja maan kosteutta. Samalla Landsatkuvan yhden alkion, pikselin, sivun pituus lyheni noin 80 metristä 30 metriin.

Tietokoneiden avulla tehtävän automaattisen kuvatulkinnan vaatima laskentateho oli myös huomattavasti lisääntynyt. Silmävaraista ilmakuvatulkintaa ei kuitenkaan ollut vielä hylätty, ja saimme sanavarastoomme sellaisia hyödyllisiä termejä kuin parallaksitanko.

Kaukokartoitus vaikutti todella mielenkiintoiselta oppiaineelta, mutta on kuitenkin ihme, että olen tässä väittelemässä aihepiiristä. Satelliittikuvien automaattisen tulkinnan kurssilla minä ja työparini emme nimittäin ymmärtäneet tietokoneen ruudulla vilahtavien komentojen tekemisistä tai tuloksista hölkkäsen pölkkäystä. Opettaja kysyi arvosanoja hakiessamme: eikö tämä ollut elämänne helpoin kurssi – ja me vain nyökkäsimme sanattomina.

Vuosien mittaan tuli aina vain uusia kuvatyyppejä ja niiden maastosta antamat näkymät alkoivat parhaimmillaan lähennellä samaa luokkaa ilmakuvan kanssa. Ilmakuviakin siirryttiin tulkitsemaan automaattisesti, ensin niitä skannattiin, mutta lopulta 2000-luvulla niitä ryhdyttiin kuvaamaan suoraan digitaalisesti. Tällä vuosituhannella itsensä löi läpi laserkeilaus, jossa kohteeseen lähetetään pulsseja ja palaavista pulsseista lasketaan millä korkeudella ne ovat osuneet. Samoin tutkakuvia alettiin soveltaa myös metsien kaukokartoitukseen.

Edellä viitattiin jo laskentaan. Ennenkuin kuvien avulla päästään laskemaan yhtään mitään, pitää niitä yleensä esikäsitellä monella tapaa, sekä lopulta irrottaa niistä tiedot halutunkokoisille elementeille. Yksinkertaisimmillaan elementti on satelliittikuvan pikseli ja käsittelyyn etenevät pikseleihin tallennetut arvot. Se voi olla myös mielivaltaisen kokoinen ruutu, jonka alueelta lasketaan vaikkapa ilmakuvan pienikokoisten pikselien sävyjen keskiarvoja ja hajontoja. Kuvilta voidaan erottaa myös yksittäisiä puita – tässä tutkimuksessa kuitenkin käsiteltiin hieman suurempia yksiköitä, jotka tyypillisesti sisältävät useita puita. Tällaisiin alueisiin sisältyy ilmakuvilla sekä hyvän resoluution satelliittikuvilla jo puiden latvusten muodostamaa tekstuuria, mikä on ihmisaivoille yksinkertaista tunnistaa. Tekstuuria voidaan käyttää myös automaattisessa kuvatulkinnassa, kunhan se pystytään ilmaisemaan matemaattisesti. Kaikkia näitä kuvalta irrotettuja tunnuksia kutsutaan piirteiksi.

Tässä välissä sopii tähdentää, että koko kaukokartoituksen tieteenala on varsin laskentapainotteista. Ja kun metsien kaukokartoitus ei ole maailmalla se kaukokartoituksen ykköshaara, on ohjelmoinnilla ja omalla kehittelytyöllä iso osuus. Kun vuonna 1998 menin töihin Valtakunnan metsien inventointiin, jouduin
työhaastattelussa vastaamaan kysymykseen: osaatko tehdä ohjelman, joka lukee sisään satelliittikuvan ja kirjoittaa sen myös ulos. Valehtelin sujuvasti, että ”tottakai”, vaikka oikeasti ei ollut aavistustakaan. Monenlaista ohjelmointia olin kyllä tehnyt, mutta en mitään kuvankäsittelyyn liittyvää. Jotenkin siitä tilanteesta edettiin kymmenessä vuodessa vaiheeseen – monien eri organisaatioden työtehtävissä – että totesin ohjelmoivani melko monimutkaisia kommervenkkeja mm. laseraineistojen piirreirrotukseen.

Piirteitä on siis mahdollista laskea hyvin suuri joukko ja vielä enemmän, mikäli tulkinnassa yhdistellään erilaisia kuvia. Ja kuvia kannattaa usein yhdistellä, sillä niillä on toisiaan täydentäviä ominaisuuksia: esimerkiksi Landsat-tyyppisillä satelliittikuvilla on paljon tietoa eri aallonpituusalueilta, ilmakuvilla on hyvä erottelukyky maastossa ja laserpisteet kertovat latvuksen rakenteesta.

Kaikki piirteet eivät kuitenkaan ole hyödyllisiä – osa voi olla jopa haitallisia. Lisäksi samaa asiaa kuvaavat piirteet ovat turhia ja kovin suuri määrä on laskennallisesti työläs sekä haittaa joidenkin menetelmien toimivuutta. Piirteiden joukosta on siksi syytä valita pienempiä osajoukkoja, joiden kyky erotella erilaisia metsäkohteita on mahdollisimman suuri.

Parasta olisi, jos tutkija osaisi päätellä, mitkä kuvapiirteet parhaiten kuvaavat kiinnostuksen kohteena olevia metsävaratietoja. Käytännönläheinen esimerkki: tiedän, että hirvikannan koon sekä maastossa talvella näkyvien lumijälkien välillä on yhteys. Samoin tiedän, että kasvillisuuden ja näkyvän valon aallonpituuksien välillä on yhteys: kasvillisuus imee sinistä, punaista ja keltaista valoa ja käyttää niitä yhteyttämiseen. Vihreää valoa kasvillisuus puolestaan heijastaa pois.

Metsä on kuitenkin hyvin monimuotoinen kohde kaukokartoittajan kannalta. Metsien ikä, tiheys ja puulajisuhteet vaihtelevat. Metsissä on puita ja niiden välejä. Latvat varjostavat toisiaan. Lisäksi kuville tallentuneet tiedot riippuvat valon määrästä ja ilmakehän ominaisuuksista. Näiden tekijöiden yhdistelmänä riippuvuussuhteet metsän ominaisuuksien ja kuvan ominaisuuksien välillä ovat hyvin monimutkaisia. Tarvitaankin laskennallisia menetelmiä, joilla piirrejoukkoa pystytään rajaamaan, piirrevalintaa.

Yksinkertaisimmillaan piirrevalinnassa tutkitaan yhtä piirrettä kerrallaan: muuttuvatko sen arvot millään lailla kun puuston tilavuus tai puulajisuhteet muuttuvat. Tällöin ei kuitenkaan saada selville sitä, miten piirteet toimivat yhdessä. Siksi kannattaa käyttää kehittyneempiä menetelmiä, jotka testaavat erilaisten piirreyhdistelmien sopivuutta ja etenevät kohti aina vain parempaa yhdistelmää.

Tämän väitöskirjan sisältämissä tutkimuksissa olen päätynyt käyttämään lähinnä geneettisiä algoritmeja. Niiden ideana on jäljitellä evoluutiobiologiasta tuttua luonnonvalintaa. Tässä tapauksessa piirteet matkivat geenejä ja piirteiden muodostamat jonot kromosomeja. Ensin luodaan joukko satunnaisia piirreyhdistelmiä ja tutkitaan, miten hyvin niihin osuneet piirteet osaavat ennustaa metsän ominaisuuksia. Parhailla yhdistelmillä on suurin mahdollisuus päästä pariutumaan toisten kanssa ja tuottaa uudenlaisia yhdistelmiä, jotka taas puolestaan arvioidaan. Tätä menoa jatketaan useiden sukupolvien ajan – välillä lisätään mutaatioitakin – ja lopulta meillä on piirreyhdistelmä, joka on kaikkien aikojen paras alkuperäisten (satunnaisten) yksilöiden ja niiden jälkeläisten joukosta. Prosessia kannattaa toistaa useamman kerran sekä aloittaa uusia evoluutioketjuja käyttämällä lähtökohtana siihen saakka parhaita piirteitä.

Tämän kaiken tuloksena voin lausua tiivistetysti seuraavaa:

Automaattinen piirrevalinta osoittautui hyödylliseksi. Piirrevalinta vähensi huomattavasti analyyseissä käytettyjen piirteiden määrää. Lisäksi tulokset paranivat, kun nimenomaan turhista sekä hälyä aiheuttavista piirteistä päästiin eroon. Eri kaukokartoitusaineistoja yhdistelemällä päästiin yleensä parempiin tuloksiin kuin yksittäisellä aineistolla. Parhaat tulokset saatiin yhdistelemällä laserkeilauksen sekä ilmakuvien piirteitä. Puuston keskitilavuuden suhteelliseksi virheeksi jäi 23–30 %, maisemakuvasta riippuen. Puulajien erottelussakin piirrevalinta auttoi, mutta se on edelleen heikoilla tasolla näillä menetelmillä ja aineistoilla.

Palataan lopuksi vielä laskentaan ja ohjelmointiin – niitä on vuosien mittaan tullut tehtyä aika paljon. Kone on ruksuttanut yhdessä huoneessa yökaudet algoritmeja läpi kun olen itse nukkunut viereisessä huoneessa. On ollut onnistumisia ja epäonnistumisia, virheitä ja onnenkantamoisia. Esimerkki: kun yhdistin julkisesti saatavilla olleen geneettisen algoritmin menetelmää ensimmäistä kertaa omiin laskentapohjiini, laitoin sen vahingossa kehittymään kohti huonointa mahdollista piirreyhdistelmää. Voi pojat, miten huonoja tuloksia huonoilla piirteillä voikaan saada!

Pyydän teitä, arvoisa professori Jarkko Koskinen Maatalous-metsätieteellisen tiedekunnan määräämänä vastaväittäjänä esittämään ne muistutukset, joihin katsotte väitöskirjan antavan aihetta!

Piditkö tästä kirjoituksesta? Näytä se!

2Suosittele

2 käyttäjää suosittelee tätä kirjoitusta. - Näytä suosittelijat

Mainos

Netin kootut tarjoukset ja alennukset