Reedel, 20. novembril kaitses Temitope Olaoluwa Omoniyi Eesti Maaülikoolis oma doktoritöö „Kasvava metsa tagavara aegruumiline modelleerimine ja hindamine riikliku metsainventuuri ja kaugseireandmete põhjal“, milles ta uuris, kuidas satelliidiandmete ja masinõppe abil parandada metsade tagavara ning selle muutuste hindamise täpsust.
Doktoritööd juhendas Eesti Maaülikooli kaasprofessor Allan Sims. Oponent oli dr Alex Appiah Mensah Rootsi Põllumajandusteaduste Ülikoolist.
Metsade tagavara ehk kasvavate puude tüvede puidumaht on oluline näitaja, mis aitab hinnata metsade seisundit ja puiduressurssi. Eestis kogutakse selle kohta andmeid statistilise metsainventuuri (SMI) käigus, kuid hinnangud põhinevad mitme aasta jooksul tehtud mõõtmistel. Seetõttu võivad osa andmetest olla tulemuste avaldamise ajaks vananenud. Uute välitööde tegemine on aga kulukas ja aeganõudev, mistõttu otsitakse võimalusi metsade kohta käiva teabe kiiremaks ja täpsemaks ajakohastamiseks.
Satelliidiandmed ja masinõpe aitavad metsade tagavara hinnata
Omoniyi uuris doktoritöös, kuidas ühendada statistilise metsainventuuri andmeid kaugseire ja masinõppe meetoditega. Selleks kasutas ta Sentinel-2 satelliidipilte, Sentinel-1 radariandmeid, aerolaserskaneerimise ehk LiDARi andmeid ning erinevaid keskkonnatunnuseid.
Uurimistöös võrreldi kolme masinõppe algoritmi: juhumetsa (Random Forest), tugivektorregressiooni (Support Vector Regression) ja gradientvõimendust (XGBoost). Tulemused näitasid, et kõige ühtlasemalt täpseid hinnanguid andis juhumetsa algoritm, samas kui teised meetodid osutusid täpseks vaid teatud tingimustes.
Lisaks võrdles Omoniyi ühe ja kahe ajahetke satelliidiandmete kasutamist metsade tagavara ennustamisel. Selgus, et mõlemad lähenemised andsid sarnaseid tulemusi.
Uued meetodid võimaldavad vähendada metsainventuuri hinnangute ebakindlust
Omoniyi uuris ka metsade tagavara muutuste hindamist. Ta võrdles erinevaid statistilisi meetodeid ning leidis, et kaugseireandmetega toetatud hinnangud võimaldasid vähendada tulemuste määramatust võrreldes üksnes metsainventuuri mõõtmistel põhineva lähenemisega.
Uuring näitas ka, et 10- ja 20-meetrise ruumilise lahutusvõimega kaugseireandmed andsid metsade tagavara muutuste hindamisel sarnaseid tulemusi. Samas selgus, et üksikute proovitükkide tasandil kõige täpsemad mudelid ei pruugi anda kõige usaldusväärsemaid hinnanguid kogu metsaala kohta.
Omoniyi doktoritöö näitab, et kaugseireandmete, masinõppe ja statistiliste meetodite ühendamine aitab parandada metsade tagavara hindamise täpsust ning vähendada hinnangutega seotud määramatust.
Doktoritööga saab tutvuda Eesti Maaülikooli digitaalarhiivis EMÜ DSpacelink opens in new page.
Toimetaja:
teaduskommunikatsiooni spetsialist
Rektori vastutusala
Turundus- ja kommunikatsiooniosakond
53585680
53585680Lisainfo:
metsanduse nooremteadur
Metsanduse ja inseneeria instituut
Metsakorralduse ja metsatööstuse õppetool