Brattåkerinventeringen

Brattåkerinventeringen Dkumentatin av databasen ch avdelningsskattningarna Jörgen Wallerman Arbetsrapprt 43 1998 SVERIGES LANTBRUKSUNIVERSITET Institutinen för skglig resurshushållning ch gematik S-90 l 83 UMEÅ Tfn: 090-786 58 25 Fax: 090-14 19 15, 77 81 16 ISSN 1401-1204 ISRN SLU-SRG-AR--43--SE

Förrd Detta arbete är genmfört inm prjektet "Inventering ch Planering av ett A v delningsfritt Skgsbruk" sm är finansierat av Rymdstyreisens Fjärranalyskmmitte (FAK), AssiDmän Skg ch Trä AB, Skgs- ch Jrdbrukets Frskningsråd (SJFR) ch MD Skg AB Prjektledare är Ljusk-Ola Erikssn Prjektet är uppdelat i tre delar, där varje del är separat finansierad Den första delen består av datainsamling, dvs en inventering anpassad till avdelningsfri planering ch är finansierad av SJFR ch MD Skg AB Den andra delen består av utveckling av skattningsmetder av skgliga parametrar kntinuerligt i rummet Finansieringen för denna del kmmer från FAK ch AssiDmän Skg ch Trä AB Den sista delen mfattar utveckling av planeringsmetder ch är även den finansierad av SJFR Sören Hlm är ansvarig för inventerings- ch planeringsdelarna ch Håkan Olssn för skattningsdelen Detta arbete tillhör både inventeringsdelen ch skattningsdelen, men med tyngdpunkt mt den senare En str del av planeringen ch ledningen av inventeringsarbetet genmfördes av Tmas Thuressn sm även genmförde det inledande databasarbetet Tmas Lärnås har genmfört de ytvisa skattningarna med indelningspaketet (lp) ch skrivit den del av rapprten sm behandlar detta Olle Hagner ch Steve Jyce har genmfört stra delar av fjärranalysskattningarna ch Per Sandström utförde knvertering av digitala kartdat a 2

Innehållsförteckning FÖRORD 2 INNEHÅLLsFÖRTECKNING 3 11NLEDNING 5 2 MATERIAL OCH METODER 6 21 Inventeringsdata 6 22 Flygbildstlkning 6 23 Knvertering av GIS-data 7 24 satellitdata 7 25 Arbetsgång 7 26 lp-beräkningar 8 27 Kmpletterande krdinatmätningar 8 28 Databasen 8 29 Metder för rasterskattningar 10 210 Avdelningsskattningar 12 211 Utvärdering 12 3 RESULTAT 14 31 Utvärdering 14 32 Krigingskattning 15 33 Skattningar med Neurala nätverk 15 34 Kmbinatinsskattning 17 35 A v delningsdatabas 18 4 DISKUSSION 20 5 REFERENSER 21 BILAGOR BERÄKNINGAR MED INDELNINGsPAKETET (lp) 22 3

KORTFATTAD DOKUMENTATION AV INVENTERINGEN OCH INVENTERINGsDATA 24 SEMIVARIANSDIAGRAM 30 SKATTNINGSDIAGRAM 33 4

1 Inledning Under 1995 startades prjektet "Inventering ch planering av ett avdelningsfritt skgsbruk" sm syftar till att utveckla en inventerings- ch planeringsmdell för ett avdelningsfritt skgsbruk Ett led i detta är att tillämpa iden på en prjektfastighet, Brattåker utanför Vindeln Den första delen av prjektet består av att genmföra en anpassad inventering för insamling av skgliga data, där en avdelningsindelning av skgen inte behövs Den andra delen av att med inventeringens data utveckla metder för att skatta skgliga parametrar rumsligt kntinuerligt I den tredje delen ska en ny planeringsmdell utvecklas, där bland annat metder att bilda åtgärdsenheter är en central del Brattåker ägs av MD ch var tänkt att nyindelas inm krt, men istället för att genmföra en traditinell avdelningsvis inventering bekstade MD prjektets anpassade inventering Dessutm genmförde MD i egen regi en traditinell flygbildstlkning i stereinstrument av mrådet, med avdelningsavfattning ch subjektiv skattning av några avdelningsparametrar Detta gjrdes eftersm MD behövde en ny, traditinell avdelningsdatabas skattad med hjälp av den anpassade inventeringen Skattning av en avdelningsdatabas ingick sm ett villkr för finansieringen ch skall därför genmföras inm prjektet En avdelningsdatabas behövs dessutm för flera andra frskningsprjekt på SLU, bland annat i ett prjekt sm studerar effekter av fragmentering av skgen Inventeringen av Brattåker genmfördes smmaren 1996 ch följdes av rättning ch en första sammanställning av data I denna rapprt sammanfattas arbetet sm följde därefter En databas med direkta inventeringsdata ch skattade parametrar på ytnivå sammanställdes ch användes tillsammans med flygbildstlkningen för att skatta en avdelningsdatabas För att kunna använda inventeringens data, sm inte är kpplat till avdelningsgränser, till att skatta avdelningsparametrar användes metder sm prducerar rumsligt kntinuerliga skattningar Tre sådana metder prvades; Ordinary Kriging, Neurala Nätverk med lika indata, ch en kmbinatin av de båda Med dessa skattades varje parameter på ett raster med 20x20m cellstrlek A v delningsskattningar bildades med medelvärdet av cellerna inm varje avdelning För att kunna utvärdera metderna användes ytterligare ett datamaterial från Brattåker med mgivning i denna studie skillnaderna mellan metderna var små, men ett av de neurala nätverken utvaldes sm den bästa metden ch användes till att skatta avdelningsdatabasen Arbetet med att skatta en avdelningsdatabas för Brattåker var inte enkelt eftersm det krävde en kmbinering av flera datakällr med lika definitiner ch kvaliteter Detta tycks märkligt vid en första anblick, men är naturligtvis ett resultat av att varken inventeringen eller prjektet sm sådant syftar till att använda avdelningsbegreppet skattningen av avdelningsdatabasen är inte ett direkt led i prjektets metdutveckling utan är mer en leverans till MD Skg AB 5

2 Material ch metder 21 Inventeringsdata I inventeringen användes stratifierad sampling med ett slumpvist utlagt systematiskt nät av prvytr i varje stratum stratifieringen gjrdes med satellitdata sm klassades pixelvis med styrd klassning till 5 klasser För att få sammanhållna mråden med samma klasstillhörighet segmenterades satellitbilden, med prgramvara utvecklad av Hagner (1990), ch den dminerande klassen i varje segment användes sm hela segmentets stratatillhörighet Skgen inm varje strata är ungefärligen likartad (Tabell 1) 2700 ytr fördelades på de lika strata med hänsyn till den förväntade nyttan av infrmatinen (Bilaga 2) ch varje yta tilldelades en a priri-krdinat, den psitin förrättningsmannen söker upp i terrängen ch etablerar ytcentrum på Realtidskrrigerad differentiell GPS användes för att hitta ytpsitinerna Mer detaljer m inventeringen finns i Christfferssn & Jnssn (1996) Bilaga 2 är en beskrivning av de insamlade variablerna ch av de databehandlingar sm direkt följde efter inventeringen, bl a medelvärdesberäkning av GPS-mätningarna ch en rättning av fel i datainsamlingen Tabell l Strata i Brattåker stratum l 2 3 4 5 Typisk karaktär Inte MD-mark Gles barrblandskg Tät barrblandskg Tallhed Ungskg Kalmark Data från inventeringen samlades i tre Accessdatabaser, en för förrättningsman l ch två för förrättningsman 2 Efter den första databearbetningen (Bilaga 2) var materialet i det närmaste klart för att skatta ytvisa parametrar med Indelningspaketets (IP) prgram A v lika anledningar saknade ett hundratal ytr krdinater ch behövde kmpletteras med nya GPS-mätningar (Bilaga 2) 22 Flygbildstlkning Flygbildstlkningen från MD Skg AB levererades till SLU dels sm GIS-data ch dels sm databas med tlkade avdelningsparametrar GIS-data innehöll bl a avdelningsgränser ch vägar, i frmaterade för kartritningssystemet SOS-Map Databasens skattningar (ttalålder, SI, vlym, grundyta, trädslagsblandning, 6

grundytevägd medeldiameter (DGV), slutenhet ch medelhöjd) var kpplade till GISdata via avdelningsnummer 23 Knvertering av GIS-data Md levererade 5 filer med GIS-data för denna analys (Tabell 2) Tre av dessa imprterades till Arc/Inf-frmat med PC-Arc/Inf Först imprterades linjeskiktet brattakerlin ch punktskiktet brattakerlab med "Generate"-rutinen Därefter användes "Clean" för att eliminera "hängande" linjer ch för att bygga tplgi för de återstående plygnerna Med "Disslve" kmbinerades intilliggande plygner med samma idnummer (från filen brattåkerlab) Dessa steg resulterade i ett skikt med 822 bestånd vilka länkades till databasinfrmatin i filen brattakerkd Tabell 2 GIS-datafiler levererade av Md Filnamn Brattaker lin Brattakerlab Brattakerkd B rattak er txt Brattaker pkt Innehåll All linjeinfrmatin Punktskikt med idnummer Databastabell länkad till brattakerlab Karttext (ej använt) Punktdatainfrmatin (ej använt) Frmat Arc/Inf Generate Arc/Inf Generate ASCII text Arc/Inf Generate Arc/Inf Generate 24 satellitdata I detta arbete användes en precisinskrrigerad Landsat TM-scen (Path 194, Rw 014) från 950613, med 7 spektralband ch 30m pixelstrlek Scenen användes dels till stratifieringen före inventeringen ch dels till rasterskattningar 25 Arbetsgång Arbetsgången med att sammanställa en databas från inventeringen ch använda denna till att skatta parametrar för avdelningarna på Brattåker beskrivs i Figur l 7

Inventeringsdata 3 databaser Kmpletterande Skattning av utvärderings krdinatmätningar avdelninqarna, qenrn medelvärdesberäkning av rasterskattninqarna satellitdata (Landsat TM) Data från den nya flyg Skattning av de nyindelade bildstlkningen, Knvertering av f-- avdelninqarna, qenm Avdelnings gränser ch skattningar r----1 GIS-data från SOS medelvärdesberäkning databas för de nya avdelningarna Map till Arclnf av rasterskattninqarna Figur l Arbetsgången vid databearbetningen 26 lp-beräkningar Indelningspaketet (lp) (Jnssn et al 1993) är ett skgligt planeringssystem sm bland annat innehåller rutiner för att skatta skgliga parametrar för avdelningar med hjälp av ett sampel av prvytr inm varje avdelning Dessa rutiner användes för att beräkna skgliga data på ytnivå genm att låta varje yta representera en avdelning med enbart en inventerad prvyta Bilaga l innehåller detaljerna för dessa beräkningar 27 Kmpletterande krdinatmätningar Av flera anledningar saknades psitinsbestämning på ca 100 ytr (Bilaga 2) Dessa ytr återbesöktes med hjälp av en realtidskrrigerad GPS ch dess psitiner mättes igen Denna gång användes realtidskrrigeringen enbart för att hitta ytan ch själva psitinsmätningarna skedde med pstprcessning enligt riksskgstaxeringens rutiner Tyvärr misslyckades psitinsbestämningarna även denna gång på några ytr Ttalt är det 21 ytr sm av lika anledningar frtfarande saknar krdinater 28 Databasen Efter lp-beräkningarna samlades alla data i en enda databas, Brattakermdb Ytterligare felaktiga ytidentiteter rättades då till Vid inventeringen lagrades inventeringsdata ch GPS-data var för sig för att senare kpplas ihp med hjälp av ytidentiteterna GPS-mätningarna lagrades autmatiskt med ytidentiteten, men det gjrdes inte inventeringsdata Prgrammet sm skötte insamlingen ch lagringen av 8

inventeringsdata krävde att förrättningsmannen matade in ytans identitet manuellt ch därmed fanns det risk för felslagningar Resultatet blev att flera identiteter i inventeringsdata inte hade tillåtna värden samt att det för vissa ytidentiteter fanns inventeringsdata men inte GPS-data ch tvärt m Förklaringar till flera av dessa fel fanns i förrättningsmännens dagböcker, t ex gick det inte att radera redan lagrade inventeringsdata i datasamlaren även m de var fel I dessa fall kunde inte rätt identitetsnummer lagras tillsammans med rätt data Detta löstes i fält genm att förrättningsmannen hittade på ett nytt unikt identitetsnummer att lagra rätt data tillsammans med ch nterade detta i dagbken Genm att jämföra ytidentiteterna sm saknade GPS- eller inventeringsdata kunde några mer eller mindre uppenbara felslagningar krrigeras I Tabell 3 redvisas de ytidentiteter sm ändrades ch av vilken anledning Eftersm denna rättning till str del var subjektiv finns det risk för felaktiga rättningar Tabell3 Ändrade ytidentiteter 16369 17739 20439 43107 33192 21102 Rättat id 16361 17731 24391 43101 23192 31102 Orsak Fel vid första inmatningen Fel vid första inmatningen Fel inmatat ID:nr? Fel inmatat ID:nr? Fel inmatat ID:nr? Fel inmatat ID:nr? Identiteterna för de ytr sm rättats är nterade i en separat tabell (Misstankta) i databasen för att kunna srteras brt m det behövs I denna tabell finns även identiteterna för de ytr sm förrättningsmännen tyckte var i fel stratum, dvs att skgstypen inte stämde med stratatillhörigheten Indexeringen för ytrna kmpletterades, varje yta redvisas nu med ett fält vardera för: stratum (Stratum), löpnummer inm stratum (Ytnr), yttyp (Yttyp), 10*Ytnr + Yttyp (YtiD) samt 10000*Stratum + 10*Ytnr + Yttyp (P1tiD) Endast PltiD är en helt unik indexering för varje yta ch är därför lämpligast att använda för att kppla de lika tabellerna till varandra Databearbetningen med IP prducerar en str utdatafil- RESFITXT Denna fil innehåller tre psttyper (radtyper) med lika fält, för varje yta I ytdatabasen återfinns dessa data i tabellerna Fritax_pstl, Fritax_pst2 ch Fritax_pst3, där varje tabell består av en psttyp utsrterad för alla ytr Databasen med förtlkade avdelningsparametrar lästes in till Brattakermdb sm tabellerna Förtlkning ch Förtlkning_delbeståndsindex Förtlkning_delbeståndsindex är kmpletterad med fältet Dbest sm är identiskt med Delbestand men med värdet O istället för en tm pst 9

När knverteringen av avdelningsavfattningen från SOS-Map-frmat till Arclnffrmat var genmförd hänfördes varje yta till den avdelning den ligger i Detta gjrdes i Are Vie w sm en enkel "spatial jin" I tabellen Bestandstillhrighet redvisas varje ytnummer tillsammans med tillhörande avdelningsnummer 29 Metder för rasterskattningar En metd att skatta en parameter för en avdelning är att använda medelvärdet av mätningarna på de ytr sm inventerats inm avdelningen Detta fungerar bra för avdelningar där många ytr inventerats men mindre bra för avdelningar med få ytr Dessutm kan avdelningar sm helt saknar inventerade ytr inte skattas alls I Brattåker finns det alltför många avdelningar med få eller inga ytr för att detta ska vara en rimlig metd Ett alternativ är att representera varje parameter sm ett raster (rumsligt kntinuerligt) över hela mrådet ch skatta varje cell på bästa vis med hjälp av inventeringsdata ch kanske ytterligare användbara datakällr En str del av prjektet syftar till att utveckla ch utvärdera just sådana skattningsmetder för skgliga parametrar, varför lika metder utvärderades l) Rumslig interplering av ytdata med Ordinary Kriging 2) Skattning med ett neuralt nätverk (prvytedata, satellitdata) 3) Skattning med ett nemalt nätverk (prvytedata, satellitdata, flygbildstlkade parametrarna) 4) Kmbinatinsskattning med l) ch den bästa av 2) ch 3) För att underlätta sambearbetning mellan rasterbilder användes alltid samma rasterparametrar (Tabell 4) Tabell4 Parametrar för rastermdellen Rader Klumner Cellstrlek Krdinat för mittpunkten av övre vänstra cellen Rikets nät X Rikets nät Y Cellvärde där data saknas 558 585 20 m 7139 640 m 1675 290 m -9999 lo

Ordinary Kriging (Srivastava 1989, Cressie 1991) är en metd för interplering av rumsligt autkrrelerade variabler ch syftar till att ge väntevärdesriktiga skattningar med minimerad felvarians För detta använder metden mdeller av varje variabels rumsliga autkrrelatin Semivariansen y(h) beskriver autkrrelatinen mellan bservatiner separerade med avståndsvektrn h (Frmel l) ch används för att mdellera autkrrelatinerna YCh) = ( E[v(x)- v(x + h)] 2 ) l 2 (l) Mdelleringen av semivarianserna skedde med hjälp av inventeringsdata, dvs den bserverade semivariansen Semivariansen för en mängd klasser av separatinsavstånd beräknades ch mdeller skattades med viktad minstakvadratanpassning Antalet par av ytr i varje avståndsklass användes sm vikter Eftersm inventeringen var stratifierad användes stratifierad Kriging, dvs varje strata skattades för sig med en egen semivariansfunktin för varje variabel För att kunna bilda en kmbinatinsskattning (se nedan) behövs en skattning av felvarianserna för de skattningsmetder sm används i den I detta arbete användes det teretiska värdet av Kriging-estimatrns minimerade felvarians sm en skattning av dess verkliga felvarians Denna skattning bedömdes sm tillräckligt bra för detta ändamål Prgrampaketet GSTAT (Pebesma 1997) användes genmgående för de gestatistiska beräkningarna Syftet med ett neuralt nätverk är att empiriskt finna samband mellan lika parametrar i ett strt dataset (Hagner 1997, Haykin 1994, Neural W are 1991) Förenklat kan detta beskrivas sm en iterativ prcess sm skattar varje berende variabel med en viktad, transfrmerad summa av de berende variablerna Vanligen delas data upp i en str del, träningsdata, ch en mindre, utvärderingsdata Träningsdata används för att skatta nätverkets vikter med ch utvärderingsdata för att utvärdera skattningarnas nggrannhet ch precisin En iteratin består av att en bservatin i träningsdata skattar de berende parametrarna ch skattningarna jämförs med de bserverade värdena Vikterna krrigeras därefter prprtinellt mt det bserverade felet (dessutm används en stkastisk kmpnent) Prcessen upprepas till dess att vikterna inte längre förändras nämnvärt mellan iteratinerna, för vilket det kan behövas många iteratiner Två neurala nätverk skattades, ett sm enbart relaterade sambandet mellan satellitdata ch inventeringsdata ch ett sm dessutm använde de flygbildstlkade parametrarna För att kunna använda skattningarna från ett neuralt nätverk i en kmbinatinsskattning måste nätverkets felvarians skattas Till detta användes utvärderingsdatasetet genm att dess bservatiner skattades med nätverket ch varianserna för residualerna beräknades Regressinsmdeller anpassades därefter till de bserverade sambanden mellan residualvarianserna ch skattningarna Kmbinatinsskattningen bildades genm att varje cells Krigingskattning ch den bästa neurala nätverksskattningen av 2) ch 3) van vägdes med det inverterade värdet av sin respektive skattade felvarians, summerades ch dividerades med summan av de båda vikterna (Frmel 2) 11

A [ l A l A]/[ l l l Y= A *K+ A *S A + A var(k) var(s) var(k) var(s) (2) Y = Kmbinatinsskattning k = Krigingskattning S =Spektral skattning (Neuralt nätverk) var()= Skattad varians för () Iden bakm en kmbinatinsskattning är att kmbinera två skattningar ch åstadkmma en ny med mindre residualvarians än någn av de ingående skattningarna Vikterna (l/skattad residualvarians) sm användes förutsätter att de ingående skattningarnas residualer är berende Intuitivt förefaller detta vara rimligt eftersm OK-skattningens residualer berr på avståndet till prvytrna runtmkring ch den spektrala skattningens residualer på digitalnivån i satellitbilden I kmbinatinsskattningen användes det neurala nätverk sm presterade bäst 21 O Avdelningsskattningar skattningsmetderna sm beskrivits van skattar parametrar i raster Dessa rasterskattningar aggregerades till skattningar av hela avdelningar Detta gjrdes genm att först extrahera värdena för alla rasterceller inm varje avdelning ch för varje skattad parameter Därefter skattades avdelningen med medelvärdet av dessa celler Extraheringen gjrdes i bildanalysprgrammet ER-Mapper med hjälp av ett makr (batchscript) ch en mask (ett raster där värdet i varje cell används sm klasstillhörighet för cellen) Avdelningsavfattningen användes sm mask genm att AreView-skiktet först knverterades till ett raster (Tabell 4), sm exprterades i ASCII-frmat till ER-Mapper där det lästes in sm ett "Simple ASCII grid" För att behålla gerefereringen justerades headerfilen manuellt Resultatfilen från ER Mappermakrt är en enkel textfil, vilken lästes in till databassystemet Access där medelvärden för varje avdelning beräknades Den bästa rasterskattningsmetden valdes ut ch för denna sammanställdes en avdelningsdatabas med de parametrar sm metden kunde skatta 211 Utvärdering För att kunna utvärdera effektiviteten för de lika skattningsmetderna behövdes en uppsättning bjektivt (ch berende) utvalda ch skattade avdelningar Under ett tidigare prjekt i Brattåker (Lämås 1995) hade ett sådant material insamlats 63 avdelningar inventerades då med indelningspaketets (IP) rutiner, där den äldre avdelningsavfattningen användes Ett flertal av dessa avdelningar gick dck inte att använda eftersm de inte ligger på Brattåker, dvs inte på mark ägd av MD Detta 12

material skrevs fram med tre års tillväxt (de i IP skattade årliga tillväxterna användes) ch parametrarna skattades med cellmedelvärdet inm avdelningen (se van) En bjektiv kntrllinventering av ett stickprv av fastighetens nyindelade avdelningar hade varit ett bättre referensmaterial En sådan kntrllinventering planeras att genmföras under smrnaren 1998 13

3 Resultat Ett prblem i arbetet var att inventeringens stratifiering ch flygbildstlkningens avgränsningar av skg ch impediment inte riktigt överensstämde Områden sm stratifieringen klassade sm prduktiv skg kan vara indelade sm impediment i flygbildstlkningen ch tvärtm Skillnaderna är dck inte så stra att någn avdelning till mer än l 0% av arealen är impediment i stratifieringen men skg i flygbildstlkningen Detta bedömdes inte påverka resultatet ch accepterades därför Ett större prblem var att Kriging inte användas för flera parametrar i ungskgs- ch kalmarksstrata eftersm det fanns för få prvytr i dessa strata för att möjliggöra mdellering av autkrrelatinen skattningar med Kriging sm baserades på mindre än 90% av avdelningens areal bedömdes inte användbara ch uteslöts ur studien Detta gjrde utvärderingen väsentligt svårare ch begränsade ckså möjligheterna att skatta en avdelningsdatabas med Kriging Bilaga 4 innehåller diagram sm åskådliggör metdernas skattningsresultat 31 Utvärdering På grund av att flera strata inte skattades med Kriging begränsades mängden användbara utvärderingsavdelningar för denna metd väsentligt Vilka utvärderingsavdelningar sm gick att använda varierade dessutm mellan metderna ch parametrarna För att öka möjligheten till jämförelser utvärderades de neurala nätverken med två uppsättningar utvärderingsavdelningar Dels användes alla avdelningar sm kunde användas i ("alla avdelningar") ch dels användes de avdelningar sm Kriging (ch således kmbinatinsskattningen) kunde skatta ("gemensamma avdelningar") Ytterligare ett prblem med utvärderingsavdelningarna är att de lttats mt dess förväntade innehåll av bilgiskt värdefulla bitper Det finns därför många fler avdelningar med gallrings- ch slutavverkningsskg än ungskg Alla skattningar kmmer därför att utvärderas med tyngdpunkt på grv skg En vanlig egenskap för skattningsmetder är att de överskattar låga parametervärden ch underskattar höga skattningar med den egenskapen ch utvärderade med dessa avdelningar kmmer att visa bias trts att de är väntevärdesriktiga För att kunna använda utvärderingsavdelningarna länkades dessas gegrafiska utbredning (GIS-data) med den gamla (framskrivna) avdelningsdatabasen De nya rasterskattningarna beräknades därefter för dessa avdelningsgränser Det var inte trivialt att länka ihp ch sammanställa data från de lika källrna I regel krävdes att facitdata ch skattningar sammanställdes ch utvärderades för varje variabel separat För sammanställningen användes en kedja av "queries" i Access 14

32 Krigingskattningar De skattade semivariansmdellerna sm användes återfinns i Bilaga 3 Flera variabler kunde inte skattas i strata 4 ch 5 på grund av för få bservatiner (prvytr över lag eller ytr med mätvärden större än nll) (Tabell 5) Tabell5 Strata skattade med Kriging Parameter Vlym tall Vlym gran Vlym löv Ttal vlym Grundyta Ttalålder Grundytevägd medeldiameter stamtäthet ståndrtsindex gran ståndrtsindex tall Skattad i stratum nr 1-3 1, 2, 4 l, 2 1-3 1-4 1-4 1-4 1-4 1-5 1-5 Tabell 6 Precisin ch nggrannhet för Krigingskattningen, n=antal avdelningar, m=medelvärde, s=standardavvikelse Registerdata Skattning Bi as RMSE Parameter n m s m s Vlym tall [m 3 sk/ha] 13 69,8 46,7 65,0 44,3-4,8 19,2 Vlym gran [m 3 skfha] 16 72,0 51,1 66,6 36,3-5,4 22,6 Vlym löv [m 3 sk/ha] 11 35,7 19,4 26,2 7,8-9,5 18,7 Ttal vlym [m 3 skfha] 13 191,3 42,9 165,8 47,2-25,5 35,7 Grundyta [m 2 /ha] 21 22,3 7,3 18,5 6,6-3,8 5,6 Ttalålder [år] 21 85,4 32,2 76,5 29,2-8,9 15,2 stamantal [st/ha] 21 1142 401 1097 281-44 300 DGV [mm] 21 196 52 183 46-13 25,2 sr tall [dm] 31 205,9 11,2 213,5 8,22 7,5 12,4 sr gran [dm] 31 187,9 12,6 197,4 9,90 9,5 14,6 33 Skattningar med Neurala nätverk skattningarna skedde i ER-Mappers filte rutin ch resultatet sparades sm en flerbands rasterbild i ER-Mappers frmat, Natskattning_sbers (satellitdata sm 15

berende variabler) ch Natskattning_sb_fters (satellitdata ch flygbildstlkningar sm berende variabler) Flera variabler visade för dålig, eller ingen, samvariatin med satellitdata ch kunde inte skattas med de neurala nätverken De variabler sm skattades redvisas i Tabell 7 ch Tabell 8 Tabell 7 Precisin ch nggrannhet för nätverksskattningen med satellitdata, n=antal avdelningar, m=medelvärde, s=standardavvikelse Alla avdelningar: Registerdata Skattning Bi as Parameter n m s m s Ttal vlym [m 3 sk/ha] 27 157,9 70 150,4 54-7,5 Grundyta [m 2 /ha] 27 21,1 19,4 5,8-1,7 Ttalålder [år] 27 84 34 72 22-12 stamantal [st/ha] 27 1158 399 1133 231-25 Gemensamma avdelningar: Registerdata skattning Bi as Parameter n m s m s Ttal vlym [m 3 sk/ha] 13 191,3 43 173,9 34-17 Grundyta [m 2 /ha] 21 22,3 7,3 19,5 6,1-2,8 Ttalålder [år] 21 85,4 32 73,8 22-11 stamantal [st/ha] 21 1133 410 1118 247-14 7,9 RMSE 35,3 4,6 23 320 RMSE 37 4,5 20 342 Tabell 8 Precisin ch nggrannhet för nätverksskattningen med satellitdata ch flygbildstlkade data, n=antal avdelningar, m=medelvärde, s=standardavvikelse Alla avdelningar: Registerdata Skattning Bi as RMSE Parameter n m s m s Vlym tall [m 3 sk/ha] 27 68,3 42 71,9 38 3,6 23,6 Vlym gran [m 3 sk/ha] 27 65,7 46 57,2-8,5 25,7 Vlym löv [m 3 sk/ha] 27 24,0 22 15,4 10-8,6 18,6 Ttal vlym [m 3 sk/ha] 27 157,9 70 145,6 62-12 32,8 Grundyta [m 2 /ha] 27 21,1 7,9 18,8 6,3-2,4 4,7 Ttalålder [år] 27 84 34 76 29-7,8 16,9 stamantal [st/ha] 27 1158 399 1125 292-34 280 DGV [mm] 27 188,9 57 184,3 34 49-4,6 23,5 16

Tabell 8 Frts Gemensamma avdelningar: Registerdata Skattning Bi as RMSE Parameter n m s m s Vlym tall [m 3 sk/ha] 13 71, l 45 76,9 30,1 Vlym gran [m 3 sk/ha] 16 72,0 51 56,6-15 29,2 Vlym löv [m 3 sk/ha] 11 35,7 19 21,6 8,0-14 20,5 Ttal vlym [m 3 sk/ha] 13 191,3 43 168,0 46,9-23 38,9 Grundyta [m 2 /ha] 21 22,3 7,2 18,9 6,4-3,3 5,1 Ttalålder [år] 21 85,4 32 76,5 26-8,9 13,9 stamantal [st/ha] 21 1141 401 1107 298-34 298 DGV [mm] 21 196,4 52 188,0 48-8,3 21,6 37 5,9 39 34 Kmbinatinsskattning Det neurala nätverket baserat på satellitdata ch flygbildstlkningar presterade bäst skattningar ch användes för kmbinatinsskattningen Mdeller för detta nätverkets residualvarianser anpassades till de bserverade residualvarianserna vid skattningen av utvärderingsdata (se 28) med hjälp av regressin Linjära regressinsmdeller användes för alla parametrar utm ttal vlym Residualvariansen för skattningarna av ttal vlym beskrevs bättre med en mdell av den naturliga lgaritmen av variansen Samtliga mdeller använde nätverkets skattning sm berende variabel Eftersm kmbinatinsskattningen enbart var genmförbar på mråden sm kunde skattas med båda metderna utvärderas kmbinatinsskattningen enbart på de gemensamma utvärderingsavdelningarna Tabell9 Regressinsmdeller för nätverksskattningens ( satellitdata ch flygbildstlkningen) residualvarianser Parameter Mdell (8'2 = f(v)) Vlym tall [m 3 sk!ha] Vlym gran [m 3 sk/ha] Vlym löv [m 3 sk/ha] Ttal vlym [m 3 sk!ha] Grundyta [m 2 /ha] stamtäthet [st/ha] Ttalålder [år] Grundytevägd medeldiameter [mm] 445 + 33,4 x 353 + 34,6 x 31,5 x exp(6,28865 + 0,01075 x) * 1,0559 2,108 + 1,62 x 197,5 x 4,35 x 7,72 + 0,678 x 17

Tabell lo Utvärdering av kmbinatinsskattningen, n=antal avdelningar, m=medelvärde, s=standardavvikelse Parameter n Registerdata skattning Bi as RMSE m s m s Vlym tall [m3sk!ha] 13 Vlym gran [m3sk/ha] 16 Vlym löv [m3sk/ha] 11 Ttal vlym 13 [m3sk!ha] Ttalålder [år] 21 Grundyta [m 2 /ha] 21 stamantal [st/ha] 21 DGV [mm] 21 47 69,8 68,3 38-1,5 23,3 72,0 51 60,6 35-11 28,6 35,7 19 21,0 5,7-14,6 20,8 186 163-23,0 37,2 45 45 85,4 32,2 75,9 27,9-9,5 14,4 22,3 7,3 18,5 6,5-3,7 5,5 1141 401 1087 259-55 265 197 52 188 48-8,0 21,6 35 Avdelningsdatabas RMSE för skattningarna av de gemensamma avdelningarna 45 40 35 ----------------------j -- ---- Cll Krigingskattning 30 w en 25-1--- :E 0:: 20 ---:;;::- f---- 15,, ' 10 _,,,,, k 5 i, ; ' " " Il f r- r- Eli Nätverksskattning (satellitdata) ---m----------1 t------11 D Nätverksskattning (satellit+ flygbildsdata) t----,--11 D Kmbinatinsskattning -" ' Figur 2 Jämförelse av metderna RMSE för stamantal är dividerat med l O för att passa in i figurens skala 18

Eftersm skillnaderna mellan skattningsmetderna var så små ch aningen till fördel för det neurala nätverket med satellitdata ch data från flygbildstlkningen (se 28) användes denna till avdelningsdatabasen Dessutm kunde inte Krigingskattningen ch följaktligen inte heller kmbinatinsskattningen skatta alla parametrar i alla strata, ch hade därför gjrt avdelningsdatabasen fullständig skattningarna för de nyindelade avdelningarna beräknades på samma vis sm för utvärderingsavdelningarna ch lagrades i tabellen MD_bas 19

4 Diskussin Semivariansmdellen är en central del i Krigingskattningen ch ytterligare analyser av de skgliga parametramas rumsliga varians kan antagligen förbättra skattningarna För någn parameter kunde en svag anistrpi bserveras, men inte tillräckligt kraftig för att användas i mdellen Kriging är en ptimal linjär estimatr för nrmalfördelade variabler men fungerar även tillfredsställande för variabler sm är nära nrmalt fördelade De flesta skgliga parametrarna är inte alls nrmalfördelade utan har tyngdpunkten av fördelningen mer eller mindre förskjuten Krigingskattningar av dessa parametrar kan kanske förbättras av att parametrarna transfrmeras Några enkla transfrmeringar prvades i detta arbete men de förbättrade inte fördelningarna Skgens variatin berr till str del av terrängens höjdvariatiner, på trra backkrön ser skgen helt annrlunda ut än i de fuktiga ch näringsrika partierna i lägre terräng Förbättrade semivariansmdeller sm använder digitala terrängmdeller, antingen enbart med enkla höjdskillnader eller med skillnader i relativt läge i sluttningen, kmmer antagligen att ge bättre Krigingskattningar I detta arbete eftersträvades bjektivitet vid anpassningarna av semivariansmdellerna ch därför användes viktad minsta-kvadrat-anpassning Andra metder kan mycket väl ge bättre resultat Det är lite förvånande att kmbinatinsskattningen inte var tydligt bättre än de andra skattningsmetdema Källr till fel finns dck, i antagandet m berende residualer men främst i skattningen av residualvarianser Kmbinatinsskattningen skulle kunna förbättras av bättre mdeller av residualvariansema Ett bättre, mer lättanvänt ch anpassat utvärderingsmaterial är i högsta grad önskvärt Brister i framskrivningen ch effekter av lika avdelningsgränser i det använda utvärderingsmaterialet kan ha påverkat utvärderingen mycket För framtida arbete i prjektet är möjligheten att utvärdera skattningar av mindre mråden (enskilda prvytr eller rasterceller) av större vikt än möjligheten att kunna utvärdera avdelningsskattningar Förhppningsvis kmmer kntrllinventeringen av Brattåker smmaren 1998 att ge ett datamaterial med krdinatsatta ch bjektivt inventerade prvytr lämpligt för utvärderingar såväl på rastercellnivå sm på avdelningsnivå 20

5 Referenser Christfferssn, P & Jnssn, P 1997 "Avdelningsfri inventering- tillvägagångssätt ch tidsåtgång" Inst för Skglig Resurshushållning ch Gematik, Sveriges Lantbruksuniversitet, Arbetsrapprt 18 Jnssn, B, Jacbssn, J, Kallur, H, 1993 "The frest management planning package Thery and applicatin", Studia Frestaha Suecica, 189, 56 pp Hagner, 0, 1990 "Cmputer aided stand delineatin and inventry based n satellite rem te sensing", in: The usability f rem te sensing fr frest in ventry and planning, Sylvander, R, Ps, S (ed), Avdelningen för skglig fjärranalys, Sveriges Lantbruksuniversitet, Rapprt 4, ISSN 1100-77X, ISBN 91-576-4208-7, 94 pp Hagner, 0, 1997 "Textur i flygbilder för skattning av beståndsegenskaper", Inst för Skglig Resurshushållning ch Gematik, Sveriges Lantbruksuniversitet, Arbetsrapprt 29 Cressie, N A C, 1991 "Statistics fr spatial data", Wiley & Sns, New Yrk Haykin S, "Neural netwrks", Macmillan, New Yrk, 1994 Isaacs, E H, Srivastava, R M, 1989 "An intrductin t applied gestatistics", Oxfrd University Press, New Yrk Lämås, T, Fries, C 1995 "An integrated frest inventry in a managed Nrth-Swedish frest landscape fr estimating grwing stck and carse wdy debris" In: Köhl, M Bachmann, P, Brassel, P & Pret, G (eds) The Mnte Verita Cnference n Frest Survey Designs 'Simplicity versus Efficiency' and the Assessment f Nn-Timber Resurces May 2-7 1994, Mnte Verita, Switzerland Swiss Federal Institute fr Frest, Snw and Landscape Research (WSL/FNP) Birmensdrf, Switzerland Swiss Federal Institute f Technlgy (ETH), Sect f Frest Inventry and Planning Zurich, Switzerland, pp 296-311 Neural W are, 1991 "Neural wrks reference manual", Neural W are Inc Pittsburgh Pebesma, EJ, 1997 "GSTAT 19j- gestatistical mdelling, predictin and simulatin Sftware and user's manual" 21

Bilaga 1 Beräkningar med Indelningspaketet (lp) Författare: Tmas Lämås I beräkningarna användes stratumnumret sm variabeln Karta ch YtiD sm Avdelning för att rutinerna ska beräkna data på ytnivå istället för på avdelningsnivå Indatafiler med inventeringsdata till IP var förberedda, men vissa justeringar ch rättningar behövdes Framför allt fanns det ytr med samma identitetsnummer i de lika baserna En av två förekmster av yta med ID-nummer 12581 ändrades till 199981 Detsamma gjrdes för 10901 till 199991 ch 20201 till 299991 Tabell l Inventerade ytr Stratum l 2 3 4 5 Summa Förrättningsman l 258 398 183 171 21 1031 Förrättningsman 2 582 432 89 254 33 1226 Ttalt 840 830 272 425 54 2421 I databasen från förrättningsman l fanns ytterligare fyra ytr i "A vdelningdat" med "antalet inventerade ytr" lika med nll (11251, 30641, 30662 ch 41701) Inga data för dessa ytr fanns i övriga filer (YTOR, PTFI ch PLANTDAT) Ytrna ströks Dessutm var i AVDDELDAT nll angivet för "antal ytr" för vissa avdelningar (stratum 1: 8 ytr, stratum 3:5 ytr ch stratum 4: l yta) där data fanns för dem i andra filer "Antalet inventerade ytr" i A VD DEL ändrades i dessa fall till l Val av prvträd skedde med klavens slumpfunktin lp-prgrammet A TILL spårade dck ur m värde P2 i datasamlaren för slumpfunktinen var satt till nll I materialet från förrättningsman 2 var P l, P2 ch P3-värden i samtliga fall utm ett (27831) satta till O, 50 respektive 2 För förrättningsman l förekm O, 50, 2; 200, 2, 2; O, 100, 2 ch O, O, O Värdena för Pl, P2 ch P3 har i samtliga fall satts till O, 50 respektive 2 Inventeringsdatum är för vissa ytr satt till nll Detta gör att beräkningarna i TILLST av "antal år sedan senaste gödsling" inte lyckas Dessa datum bör därför ändras till ett gdtyckligt datum 1997 Höjd över havet har tagits från en DTM ch angivits i lp-filerna Detta fanns redan i inventeringsdatabaserna Förband varierade inm stratum men bör sättas till de sm bestämdes för respektive stratum före inventeringen 22

I materialet från förrättningsman l fanns "*" angivet för variabeln fastmark/trvmar k I åtminstne ett fall std det -l för variabeln i PSIONDAT Detta ändrades manuellt till O (fastmark) 23

Bilaga 2 Krtfattad dkumentatin av inventeringen ch inventeringsdata Författare: Tmas Thuressn Inventeringsdesign Hösten/vintern 95/96 utarbetades den design sm km att gälla vid den "avdelningsfria" inventeringen S-96 på Brattåkersmrådet Erfarenheter ch tankar från tidigare försök ch mråden i södra Sverige på fastigheten Asa (Gunnarssn mfl 1997) ch i nrra Sverige på fastigheten Marabäcksbränna (Hlmgren mfl 1997, Hlmgren & Thuressn 1997) visade att en stratifiering av skgen i lika ålders/vlymklasser var nödvändig Tanken bakm detta är att man genm att skilja ut skarpa gränser mellan exv hygge ch gammal skg undviks extremt stra kvadratavvikelser i data på krta avstånd i varigrammen, vilket annars skulle spliera möjligheten till Krigingskattningar Tidigare erfarenhet visar ckså att dynamiken i fjärranalysskattningar blir sämre ju tätare skgen blir Qämför Franklin 1986, Thuressn mfl 1996), men i yngre ch medelålders skg ger fjärranalysskattningarna gd infrmatin Av detta skäl, samt att nyttan av infrmatin är högre i äldre skg, är det värdefullt med en stratifiering så att en tätare inventering av skgen kan ske i äldre ch mer välbestckad skg På våren mbesörjde fjärranalysavdelningen (Olle Hagner) en sådan stratifiering baserat på Landsat TM data Fem stratum identifierades i bilden (Tabell 1) Tabell l stratumindelning ch inventeringsintensitet på Brattåker stratum- Stratum- Stratumnr i Ttal Förband för antal antal benämning nr 1 "SkGIS"- areal centrum- centrum- "satellitdatabas filer [ha] ytr [m] ytr ytr" "Tät l 3 13905 135 760 120 barrblandsk g" "Gles 2 5 2029 155 844 120 blandskg" "Tallhed" 3 9 5235 160 208 120 "Ungskg" 4 17 16268 245 266 120 "Kalmark" 5 23 3459 385 23 23 Summa: 59157 2111 503 24

Inm dessa stratum inventerades skgen med lika tät stickprvsidentitet Baserat på en "budget" m 2700 cirkelytr ch de ansatta (baserat på förnuft ch erfarenhet) vikterna l-kalmark, 15-ungskg, 3-gles blandskg, 4-tät barrblandskg ch 5-tallhed blev utfallet av cirkelytr enligt Tabell l van Vid Kriging är det viktigt, m man vill undvika stra lkala fel, att ha en jämn fördelning av "kända" referenspunkter spritt över den yta man vill kunna skatta kntinuerliga data över Samtidigt är det viktigt att ha ett referensmaterial med punkter sm ligger relativt nära varandra i terrängen, så att bra sk varigram kan tas fram Dessa varigram används vid skattningstillfället För att tillgdse båda dessa krav simultant lades ett grundgitter ut med centrumytr inm strata ch till dessa slumpades det ut en "satellitpunkt" på avstånd m 25, 50, resp 75 m från centrumytrna, med sannlikheten (per centrumyta): (antal satellitpunkter inm stratum)/(antal centrumytr inm stratum) För stratumen 1-4 fördelades satellitytrna sm 60 på 25 m, 40 på 50 m ch 20 på 75 m för stratum 5 enligt 12st 25m, 8 st 50 m ch 3 st 75 m Detta ger en ganska jämn fördelning av ytr på lika avstånd från 25m till ca: 2km vilket trde ge gda möjligheter att skapa realistiska varigram inm ch ev över de lika strata I databasen är identiteten uppbyggd sm stratumnummer* l 0000 + ( centrumytans ID nr)* lo + (l m det är centrumytan ch 2 m det är satellitytan) Exv ytan 13521 står för stratum l, ytid 352, ch centrumyta samtidigt sm 13522 är dess satellityta Inventeringen Se Christfferssn & Jnssn (1997) Databaserna samt dess fel ch förtjänster Fri tax: Fritaxdata i rättad frm (lp-data med en hel del tilläggsvaribler) finns i filerna Skg2mdb Äldre rättade data ligger med utan ändelsen _2_Dessa ligger under GEOP på Salix (där fö det mesta användbart finns från Brattåker) under bibliteket H:\plan\Brattåkeravdfritt\fritax fördelat på \Peter resp \Patrik samt i Patriks fall uppdelat på två tidsperider \före624 resp \ny0625 berende på att datrn kraschade detta datum Framkörda ch rättade data finns även i lp-frmat under dessa biblitek (TL) kan dessa filer, mm Den 20/6 hade Patrik prblem ch av någn anledning saknas hela denna dags fritaxdata (ev har han glömt att spara data innan mstart) Med andra rd finns GPS-data, men inte fritax-data på ytrna: 40482, 40481, 40632, 40631, 40891, 40892, 40731, 40721, 40621, 40611, 40471 I mdb filerna finns följ ande uppdelning av data: A v delning: IDentitetsdata, ytradie, prvträdsparametrar, förrättningsmannanummer, breddgrad, höh, regin ch ev gödslingsår 25

e> Bip (biplantr enl IP instr): ID, trsl-kd, medelhöjd på de räknade biplantrna, antal biplantar av aktuellt trädslag Hpl (huvudplantr): ID, trslkd (per huvudplanta), höjd (dm) för aktuell hpl Ply (plantytedata): ID, imp-prcent, antal hpl saknas på ytan, avstånd till närmaste hpl från ytcentrum, lämplig åtgärd (kd), röjkd, lämplig röj-perid Prv (prvträdsdata): ID, prvträdstyp (kd), trsl, diam(mm), höjd(dm), kvalitet på rtstck (1-5 enl nya timmerklassificeringssystemet), ålder (brh) Trad (klavträdsdata): ID, trslkd (trädkd varannan rad varannan 9 sm står för avstånd från ytcentrum till aktuellt klavträd * 2 (cm)) Yta (Ytdata - görs för alla ytr): ID, Impprc, kd (m gränsyta), bedömd grundytevägd medelålder, likåldrighetskd, gallringshistrik (kd), grundytevägd medelkvalitet rtstckar > 15 cm tall resp gran, markkd (ej bedömd sm det ser ut på vissa håll i data - vet ej varför, men en intressant variabel sm kmmer igen senare), fuktklass, vegtyp (kd), SI (ståndrtsfaktrer, m), Bntrsl, metdkd (m anan metd kunde användas), SI (annan metd, m), plantytekd (m plantyta), samt dessutm en hel mängd extravariabler sm nrmalt ej insamlas i IP (se nedan) Extravariabler: dessa finns i databasen ch dess kdning är: l, l, O, "utf atgard" Detta är en fjärranalyskd best av atgkd*loo + tidpunktskd Å tgärd: l = Slutavaverkning säsng 0-5, 2 =Gallring säsng 0-5, 3 =Röjning säsng 0-5, 4 =Övrig avverkning säsng 0-5, 5 = Markberedning säsng 0-5, 6 =Annan åtgärd (tex dikning) 0-5, 8 =Markant avvikande del berende av säsng (tex dike, väg, skrtupplag mm), 9 = Se separata anteckningar Tidpunkt: 00 =Innevarande år eller säsng, 01 =Föregående år eller säsng, 02 = Å r eller säsng 2, 05 = Å r eller säsng 3-5, 06 = Tidigare än år 5, 09 =Tidpunkt svårbestämd 2, 2, -1, "fjärranalysklass" 2, 2, O, "inget speciellt" 2, 2, l, "dike" 2, 2, 2, "väg" 2, 2, 3, "grusgrp e dyl" 2, 2, 4, "övrigt" Följande variabler (3-11) är bedömda sm den areella täckningen av variabeln i en prjektin vanifrån Dvs ttal %<= 100 3, l, O, "lavtäckn% av ci-ytan" 4, l, O, "sumpmss% av ci-ytan" 5, l, O, "% ört av betr ci-yta" 6, l, O, "% gräs" 7, l, O, "% sta-frä" 8, l, O, "% blåbär" 9, l, O, "% lingn" 10, l, O, "% krå-ljung" 11, l, O, "% fa-ris" 12, 2, -1, "asi-klass" 12, 2, l, "aldrig brand" 12, 2, 2, "sällan brand" 12, 2, 3, "ibland brand" 12, 2, 4, "fta brand" 13, 2, -1, "expsitin" 13, 2, l, "kulle" 13, 2, 10, "svacka" 13, 2, 2, "nrdsluttning" 13, 2, 3, "nrdväst" 13, 2, 4, "västsluttning" 26

13, 2, 5, "sydväst" 13, 2, 6, "sydsluttning" 13, 2, 7, "sydst" 13, 2, 8, "stsluttning" 13, 2, 9, "nrdst" 14, 2, -1, "nyckelbitpsklass" 14, 2, l, "prdskg " 14, 2, 2, "naturvärden" 14, 2, 3, "nyckelbitp" 15, 2, m l, "krnutglesning gran " 15, 2, 10, "0-5%" 15, 2, 11, "6-10%" 15, 2, 12, "11-15%" 15, 2, 13, "16-20%" 15, 2, 14, "21-25%" 15, 2, 15, "26-30%" 15, 2, 16, "31-35%" 15, 2, 17, "36-40%" 15, 2, 18, "41-45%" 15, 2, 19, "46-50%" 15, 2, 20, "51-55%" 15, 2, 21, "56-60%" 15, 2, 22, "61-65%" 15, 2, 23, "66-70%" 15, 2, 24, "71-75%" 15, 2, 25, "76-80%" 15, 2, 26, "81-85%" 15, 2, 27, "86-90%" 15, 2, 28, "91-95%" 15, 2, 29, "96-100%" 16, 2, -1, " jrdart" 16, 2, O, "trvmark" 16, 2, l, "grusig mrän" 16, 2, 2, "sandig mrän" 16, 2, 3, "sandig-mig" 16, 2, 4, "finm-mjä-ler" 16, 2, 5, "grusig sediment" 16, 2, 6, "grvsand sed" 16, 2, 7, "mellansand sed" 16, 2, 8, "grvm sediment" 16, 2, 9, "finm-mjäl-ler" 17, 2, -1, "grundförhållande" 17, 2, l, "mkt bra bärighet" 17, 2, 2, "mellanklass" 17, 2, 3, "nrmal bärighet" 17, 2, 4, "mellanklass" 17, 2, 5, "mkt dålig bärighet" 18, l, O, "sin-angelägenhet l låg - lo hög" 19, l, O, "ga-angelägenhet l låg - 10 hög" 20, l, O, "röj-angelägenhet l låg - 10 hög" 21, 2, -1, "ytstruktur" 21, 2, l, "mkt jämn yta " 21, 2, 2, "mellanklass" 21, 2, 3, "jämnt" 21, 2, 4, "mellanklass" 21, 2, 5, "mkt jämnt" 22, 2, -1, "lutning " 22, 2, l, "plan mark" 22, 2, 2, "mellanklass" 22, 2, 3, "måttlig lutning" 22, 2, 4, "mellanklass" 22, 2, 5, "stark lutning" 23, l, O, "extra anteckn l" Innan 2016 anteckningar i denna "Nyckelbitpskder" Den nedre anteckningsrutan används för att kda nyckelelement ch naturvärden Efter den 20/6 sätt i båda dessa anteckningsrutrna en "l" etta framför nyckelbitpskder (se MD 's schema för detta) ch en "2" tvåa framför "nyckelelement" (MD) samt en "3" trea framför övriga kder (MD 's kdlista) 24, l, O, "extra ant 2 " GPS-psitiner GPS-psitiner i rättad frm (lp-data med en hel del tilläggsvaribler) finns i filerna Brattmdb ch Cmpsitemdb Äldre rättade data ligger med i annan katalg (se datum) Filerna (de rättade) ligger under GEOP på Salix (där fö det mesta användbart finns från brattåker) under bibliteket H:\plan\Brattåkeravdfritt\gpslg samlat för både Peter ch Patriks inventeringar 27

Fix X = GPS fix(x) - GPS prel(x) + Apriri X Fix Y = GPS fix(y) - GPS prel(y) + Apriri Y där Apriri X(Y) är den i förväg bestämda inventeringspunkten GPS prel(x,y) är den punkt sm GPS:en indikerade när förrättningsmannen satte ned ryggsäcken (en lggning) Från denna psitin får förrättningsmannen en angivelse m hur han skall gå för att lägga ytcentrum i Apriri X(Y) (avstånd, vinkel) GPS fix(x,y) är medelvärdet av de gdkända (se särskild algritm nedan*) GPS-krdinaterna Fix X(Y) är då där vi trr att cirkelytans centrum är * Så här srterades avvikande punkter brt: l Beräkna medelvärde av samtliga (kvarvarande) punkter 2 Beräkna avvikelse från medelvärdet för samtliga punkter 3 Om sämsta punkten är mer än 15m från medelvärdet så ta brt den ch gå till l När ingen punkt finns kvar sm är > 15 m från medelvärdet beräknas medelvärde, medelfel (div med 14 enligt Bndessn), samt 50% ch 95% värden Saknade GPS-krdinater På 81 av cirkelytrna har GPS-psitinerna raderats eftersm dess krdinater av någn anledning var identiska med de från den föregående inventerade cirkel ytan Orsaken är känd, men trligt är fel i GPS-algritmen i samband med tappad RDS-kntakt (ID: 14121, 14111, 18081, 50342, 27431, 31472, 15761, 15541, 42741, 42761, 14701, 42161, 25192, 25231, 25452, 25051, 24421, 24191, 31361, 24641, 13751, 24471, 24431, 23831, 24671, 22531, 13541, 11981, 23912, 50132, 11882, 11821, 40831, 40681, 22931, 12611, 22441, 40321, 40322, 12241, 12232, 50091, 20111, 20891, 41241, 40221, 10421, 40152, 10431, 40162, 40112, 40751, 20202, 20851, 10851, 40271, 10871, 40171, 30081, 40501, 20221, 10371, 10741, 10031, 10231, 10211, 10391, 10121, 10601, 10061, 30072, 30311, 10051, 30111, 30322, 30321, 30191, 30141, 30632, 11501, 30401 En ytas GPS-värden har raderats pga för hög standardavvikelse i de lggade krdinaterna (ID: 13021) Artn ytrs GPS-värden saknades helt Anledningen är känd (ID: 25991, 40362, 10931, 21231, 10331, 10341, 40161, 30892, 41631, 24271, 23841, 15751, 15551, 20232, 22501, 30452, 41552, 42771 Dessa ytr kan antingen anses sm förlrade, eller kan dess krdinater mätas igen i efterhand Det senare alternativet tar förmdligen ca l vecka, men är kanske värt 28

besväret Utan dessa ytr kmmer små "hål" i griden uppstå sm ger nödigt stra fel lkalt Detta gäller speciellt för de data sm skall levereras till MD Christfferssn, P & Jnssn, P 1997 Avdelningsfri inventering - tillvägagångssätt ch tidsåtgång SLU, Inst f skglig resurshushållning ch gematik, Arbetsrapprt 18 Franklin, J 1986 Thernatic mapper analysis f cniferus frest structure and cmpsitin In t J Rem te Sens 7: 1287-130 l Gunnarssn, F, Hlm, S, Hlmgren, P & Thuressn, T 1997 On the ptential f Kriging fr frest management planning Scand J Fr Res (in press) Hlmgren, P & Thuressn, T 1997 Applying Objectively Estimated and Spatially Cntinuus Frest Parameters in Tactical Planning t Obtain Dynamic Treatment Units Frest Science 43(3): 1-10 Hlmgren, P, Thuressn, T & Hlm, S 1997 Estimating Frest Parameters in Seanned Aerial Phtgraphs with respect t Requirements fr Ecnmical Management Planning Scand J Fr Res 12: 189-199 Thuressn, T, Näshlm, B, Hlm, S & Hagner, O 1996 Using Digital Image Prjectins t Visualize Frest Landscape Changes due t Management Activities and Frest Grwth ENVIRONMENTAL MANAGEMEN T 20(1): 35-40 29

Semivariansdiagram Bilaga 3 Ttal vlym stratum 1 Ttal vlym stratum 2 10000 9000 ii:: 8000 " <: 32 7000 6000 5000 " 't: 4000 " > 3000 E " 2000 (J) :: lr : 1000 0+---------,----,----,,----,---- 500 1000 1500 2000 2500 3000 6000---- 5000 " <: 4000 en 3000 " ;:: 2000 E 1000 500 ',::,-:, 1000 1500 2000 2500 3000 Ttal vlym stratum 3 Ttal vlym stratum 4 9000 8000 7000 6000 5000 "!l! 4000 lii > 3000 E " 2000 (J) 1000 90 ' '\ ::;_ :,; : : 500 1000 1500 Grundyta stratum 1 2000 2500 3000 400 350 (i 300 : 250 ;; 200 " 'i:: 150 > E 1 50, '", :: 0+-----,---------,--------- 1000 2000 3000 Grundyta stratum 2 4000 5000 6000 8,, 80 <5: 70 <: :: " 40 E > 30 20 0+---------,----,----,---- jq, - s 1000 1500 2000 2500 3000 70 ii 60 50 <: " 40!l! lii 30 g " 20 (J) 10, 500 -r fl# ;#" ' 1000 1500 2000 2500 3000 Grundyta stratum 3 l Grundyta stratum 4 120----, 16-100 ':!- "! 80 60!l! 40 E 20 500 1000 1500 ; : Figur l Observerad semivarians (punkter) ch mdellerad (linjer) 2000 2500 3000 14 i2 i 10 <: - t: l : : : 4 (J) 500 1000 1500 2000 2500 3000 30

::: ::: 9000 8000 7000 :l2 6000 ' 5000 1: 4000 -, 3000 > E 2000 Q) (J) 1000 Vlym gran stratum 1 1r:::?,, 3500 3000 '" J:: :l2 2500 ' 2000 1: 1500 -, > 1000 E Q) (J) 500 i 1 r Vlym gran stratum 2,,: + :#fp# * 500 1000 1500 2000 2500 3000 1000 2000 3000 4000 5000 6000 Vlym gran stratum 3 Vlym gran stratum 4 7000 250 ts: 6000, J:: :l2 5000 ' 4000 1: 3000 m > 2000 E Q) (J) 1000, :, ; ", 500 1000 1500 2000 2500, 3000 200 J:: :l2 E 150 ::: 1: 100 m > E Q) 50 (J), - : 1000 2000 3000 4000 5000, 6000 Vlym löv stratum 1 Vlym löv stratum 2 1000 900 <5::, 800 J:: :l2 700 E 600 ::: 500 1:, ;::: 400, > 300 E Q) 200 (J) 100 r ', 1600 <5:: 1400, J:: 1200 :l2 1000 E i 800 1: - 600, > E 400 Q) (J) 200, # " : f 500 1000 1500 2000 2500 3000 500 1000 1500 2000 2500 3000 Vlym löv stratum 3 Vlym löv stratum 4 800 50 700, J:: 600 :l2 1 500 400 1: - 300, > E 200 Q) (J) 100 ' ;, 500 1000 1500 2000 2500 3000 45 40 J:: :l2 35 E 30 25 1: m > 15 E Q) 10 (J) 5 20 :, ' 500 1000 1500 2000 2500 3000 Figur l Frts 31

25 20 l " 15 : > e 10 Q) IJ) Medelhöjd stratum 1 '_: : c-' ---- -,, 14 12 1 10 " B 't: 6 e Q) >, Medelhöjd stratum 2, 1000 2000 3000 4000 5000 6000 iooo 2000 3000 4000 5000 6000 Medelhöjd stratum 3 Medelhöjd stratum 4 20----, 18 16 1 14 : - - " 10 V # E c1l 6 12 8,, 12r-----, 10 g 8 6, : v ; e 4 c1l 2 1000 2000 3000 4000 5000 6000 500 1000 1500 2000 2500 3000 500 450 400 r E 350 'C " ;: 300 250 > 200 e Q) 150 IJ) 100 50, 500 ståndrtsindex tall 1000 1500 2000 2500 3000 700 ståndrtsindex gran 600 77' - 41* 500 ' 400 't: 300 > e Q) 200 IJ) 100 500 1000 1500 2000 2500 3000 Figur l Frts 32

:: skattningsdiagram Bilaga 4 Diagrammen i denna bilaga visar sambanden mellan skattningarna ch de framskrivna inventeringsdata för utvärderingsavdelningama För varje metd ch parameter är största möj liga antal avdelningar använda ("alla avdelningar") Vlym tall Vlym gran 200 / / / / / 200 / 'iu 180 / / 'iu / / / / c / / 160 / / :>2 / / M 140 / / 150 / / M E / / / s / / / 120 / / / 100 / E / / / / 100 ö 80 /, > / / >,, 60 /,, / / / 50 / 1;5 1;5 / 40 / " /,, / ", / / (/) 20 / / (/) / / / 50 100 150 200 50 100 150 200 Uppmätt vlym [m 3 sk!ha] Uppmätt vlym [m 3 sk!ha] Vlym löv Ttal vlym 100 / / 350 / / / / 'iu / / 'iu / / c / / c 300 :>2 80 / / :>2 / / / 70 / / MI/) 250 ---+ M s / / / E / / 'E /, E / / 2 / / 50 / / > / / / ö 150 / ' > 40 / / / > ---, / 30,, 100 / / / 20 / 1;5 / / / / " / / " 50 / / (/) 10 / / (/) / / / / 90 60 20 40 60 80 100 50 100 150 200 250 300 350 Uppmätt vlym [m 3 sk!ha] Uppmätt vlym [m 3 sk!ha] Ttalålder stamantal / / 2500 / 140 / / / / 'iu / / '+ c / / 120 'i:' *' ' 2000 / / / /!!! / / 100 / / /,,, / / 1500 / / :c;; 80 / '+ --- E /, -, / / fl / / 1000 7ii : : / '! " / 40 / åi / (/) / / :: 500 / / / 20 --+ " / / / / (/) / / / / 60-10 10 30 50 70 90 110 130 150 500 1000 1500 2000 2500 Uppmätt ålder [år] Uppmätt stamantal [st/ha] Figur l Krigingskattningar 33