http://creativecommons.org/licenses/by/4.0/

http://creativecommons.org/licenses/by/4.0/

Luonnonvarakeskuksella on tekijänoikeus ja muut immateriaaliset oikeudet tuotteeseen. Tuotteen ylläpidossa on käytetty Maanmittauslaitoksen maastotietokantaa. Tämä tuote on lisensoitu Creative Commons Nimeä 4.0 Kansainvälinen -lisenssillä. Tarkastele lisenssiä osoitteessa http://creativecommons.org/licenses/by/4.0/ tai lähetä kirje osoitteeseen Creative Commons, PO Box 1866, Mountain View, CA 94042, USA. Aineistoa käytettäessä on mainittava tuotteen tekijänoikeuden omistaja, ”© Luonnonvarakeskus, 2019” ja aineiston nimi, ”Monilähteisen valtakunnan metsien inventoinnin (MVMI) kartta-aineisto 2017”. Tutkimuskäytössä aineiston metodinen kuvaus löytyy kohdassa "Historia"mainituista julkaisuista.

Natural Resources Institute Finland (Luke) owns the copyright, data protection, and other immaterial rights to this product. The Topographic Database from the National Land Survey has been utilized when making the product. This work is licensed under the Creative Commons Attribution 4.0 International License. To view a copy of this license, visit http://creativecommons.org/licenses/by/4.0/ or send a letter to Creative Commons, PO Box 1866, Mountain View, CA 94042, USA. When using the material, the owner of the rights to the material must be given as "©Natural Resources Institute Finland, 2019" and the name of the material must be given as "The Multi-source National Forest Inventory Raster Maps of 2017". For research use, the description of the method is in the references in the metadata element Lineage. A scientific citation practice shall be used in research use.

Monilähteinen inventointi tehtiin Suomeen ensimmäisen kerran

1990-1994. Ensimmäinen koko maan tuote valmistettiin vuosina 1990-1994;

seuraavat ovat vuosilta 1996-2003, 2005, 2007, 2009, 2011, 2013, 2015

ja 2017. Vuoden 2009 karttamuotoiset tulokset olivat ensimmäiset vapaasti jaetut

tuotteet. Jatkossa uudet teemat tuotetaan yhden tai kahden vuoden välein.

Vuoden 2017 tuloslaskentaan käytettiin yhteensä 53 589 VMI-maastokoealaa

metsä-, kitu-, ja joutomaalta. Kuva-aineistona käytettiin 8 kpl Sentinel-2A MSI-keilaimen kuvaa, 6 kpl Sentinel-2B MSI-keilaimen kuvaa ja 19 (7 ylilentoa)

Landsat 8 satelliitin OLI-keilaimen kuvaa. Kaksi Sentinel-2A-satelliitin kuvaa

olivat vuodelta 2018. Muut kuvat olivat vuodelta 2017.

Vuoden 2017 tuotteissa maastotiedot päivitettiin ajankohtaan 31.7.2017.

Päivitysjakson pituus laskettiin maastomittausajankohdan ja 31.7.2017

välisen ajan kasvujakson päivien määränä olettaen kasvun alkavan 1.5.

Puuston vuotuinen tilavuuskasvuprosentti ennustettiin puujaksoittain käyttäen

Nyyssösen ja Mielikäisen (1978) metsikkökohtaisia ja puulajiryhmittäisiä

kasvumalleja männiköille ja kuusikoille. Lehtipuille käytettiin männyn

malleja. Monijaksoisissa metsissä jaksojen tilavuusosuudet laskettiin

suhteellisina tunnukseen jakson pohjapinta-ala kertaa jakson pituus ennen

mallien soveltamisesta.

Maastomittausten ja satelliittikuvan ajankohdan välillä tehdyt uudistushakkuut

koealoilla tunnistettiin satelliittikuvien ja osittain ilmakuvien

avulla. Hakattujen koealojen puustotiedot muutettiin vastaamaan aukeiden

alojen puustotunnuksia. Lopullinen tilavuuskasvu kalibroitiin maastotiedoista

estimoidun tilavuuskäyrän avulla seuraavasti. Eri vuosien koealoilla

laskettiin tilavuusestimaatit ja niihin sovitettiin regressiosuora ajan

funktiona. Ajankohdan 31.7.2017 tilavuudet saatiin regressiosuoralta.

Kasvatetut tilavuudet kalibroitiin suhteilla edellä mainittuihin

estimaatteihin puulajeittain.

Metsikön suhteelliselle pituuskasvulle, suhteelliselle läpimitan kasvulle,

suhteelliselle pohjapinta-alan kasvulle johdettiin yksikertaiset

(kiinteäparametriset) regressiomallit VMI10:n pysyvien koealojen avulla.

Malleja sovellettiin vastaavasti kuten tilavuusmalleja.

Puuston biomassaestimaatit koealoittain ja biomassaositteittain

päivitettiin tilavuusmuutosten suhteiden mukaisesti.

Jotta koko maasta voitaisiin esittää mahdollisimman täydellinen kartta, tässä

tuotteessa on yhdistetty:

1. vuoden 2017 tulos, jossa on käytetty vuosien 2013-2017 koealatietoja

päivitettyinä ajankohtaan 31.7.2017 sekä vuosien 2017-2018 satelliittikuvia,

2. vuoden 2015 tulos, jossa on käytetty vuosien 2012-2016 koealatietoja

päivitettyinä ajankohtaan 31.7.2015 sekä vuosien 2015-2016 satelliittikuvia,

3. vuoden 2013 tulos, jossa on käytetty vuosien 2009-2013 koealatietoja

päivitettyinä ajankohtaan 31.7.2013 sekä vuosien 2012-2014 satelliittikuvia,

4. vuoden 2011 tulos, jossa on käytetty vuosien 2007-2011 koealatietoja

päivitettyinä ajankohtaan 31.7.2011 sekä vuosien 2009-2012 satelliittikuvia,

5. Enontekiön tulos, jossa on käytetty vuoden 2003 koealatietoja ja

vuoden 2000 kuvia.

6. Vuoden 2007 tulos, jossa on käytetty vuosien 2005-2008 koealatietoja ja

vuosien 2005-2007 satelliittikuvia.

Tähän tuotesarjaan kuuluvasta indeksikartasta "Tietolähdeindeksi, MVMI 2017"

näkyy, mistä osa-aineistosta kuva-alkiot ovat peräisin.

Karttamuotoiset ennusteet tuotettiin tarkennetulla ei-parametrisellä k:n

lähimmän naapurin estimointimenetelmällä (k-NN menetelmällä). Useimmiten

estimoinnissa käytettiin viittä lähintä naapuria. Tarkennetussa k-NN

estimoinnissa piirteiden painot optimoidaan minimoimalla estimoitavien

muuttujien ennustevirheet geneettisen algoritmin avulla. Satelliittikuvan

piirteiden lisäksi käytetään metsämuuttujien suuraluekarttoja piirteinä, tässä

aineistossa puuston keskitilavuus puulajeittain. Tarkoituksena on ohjata

lähimpien naapureiden valintaa luokitettavaa kuvanalkiota muistuttaviin

metsiin (kts. alla viitteet). Estimointi tehtiin erikseen kivennäismaan,

puustoisten soiden ja avosoiden ositteille kullekin satelliittikuvalle tai

peräkkäisten satelliittikuvien jonolle. Kuvan ja koealojen ositus perustui

Maanmittauslaitoksen maastotietokannan karttatietoon.

Aineistosarja sisältää tietolähdeindeksin lisäksi kaikkiaan 44 teemaa, jotka

voidaan ryhmitellä muutamaan ryhmään:

Puuston tilavuus on esitetty yhteistuloksena sekä jaoteltuna neljään

puulajiryhmään (mänty, kuusi, koivu, muut lehtipuut) ja puutavaralajeihin

(tukkipuu, kuitupuu). Mänty sisältää kaikki muut havupuut kuin kuusen ja

koivu sisältää hies- ja rauduskoivun. Puun tilavuus tarkoittaa runko-osan

tilavuutta kannon yläpuolelta puun latvaan. Maastokoealan puuston tilavuus

lasketaan koealaan kuuluvista puista käyttäen puista mitattuja tunnuksia sekä

runkotilavuusmalleja. Ladattavissa kartoissa runkotilavuus esitetään 1 m3/ha

luokissa.

Puuston biomassa on jaoteltu seitsemään eri ositteeseen. Puun runkobiomassa

tarkoittaa kuorellisen runko-osan biomassaa kannon yläpuolelta puun

latvaan. Puun elävien oksien biomassa sisältää kaikkien elävien oksien massan

ilman neulasia tai lehtiä. Puun kuolleiden oksien biomassa sisältää elävien

puiden kuolleiden oksien biomassan ilman mahdollisesti jäljellä olevia

neulasia tai lehtiä. Puun lehvästön biomassa tarkoittaa elävien neulasten tai

lehtien biomassaa. Puun kantobiomassa sisältää elävien puiden kantojen

massan. Sekä maanpäälliset että maanalaiset kannon osat otetaan huomioon, ei

kuitenkaan juuria. Puun juuribiomassa sisältää elävien puiden yli 1 cm:n

paksuisten juurien massan. Puun rungon hukkapuuosan biomassa tarkoittaa

sellaisen kuorellisen runko-osan biomassaa, joka osa ei kelpaa aineispuuksi

joko kokonsa tai laatunsa vuoksi.

Maastokoealan biomassat lasketaan koealaan kuuluvista elävistä puista käyttäen

koepuista mitattuja tunnuksia ja tilavuusmalleja sekä puuaineen tiheysmalleja

(Repola ym. 2007) ja biomassamalleja (Repola 2008, 2009). Niin sanottujen

lukupuiden tilavuudet ja runkobiomassat estimoidaan koepuiden estimaattien

sekä lukupuu- ja metsikkötunnusten avulla. Ladattavissa kartoissa biomassat

esitetään luokissa 10 kg/ha.

Metsikkökuvion puuston ikä määritellään elävien puiden pohjapinta-alalla

painotettuna keski-ikänä. Keski-ikä mitataan tai arvioidaan maastossa koealaan

osuneilta metsä- ja kitumaan metsikkökuvioilta yhden vuoden luokissa.

Metsikkökuvion puuston pohjapinta-ala on elävien puiden runkojen

poikkileikkausala 1.3 metrin korkeudelta hehtaaria kohti laskettuna. Puuston

pohjapinta-ala mitataan maastossa koealaan osuneilta metsä- ja kitumaan

metsikkökuvioilta 1 m2/ha luokissa.

Metsikkökuvion puuston keskipituus on elävien puiden pohjapinta-alan mediaania

vastaavan puun pituus. Se on likimain sama kuin pohjapinta-alalla painotettu

puiden pituuksien keskiarvo. Puuston keskipituus mitataan maastossa koealaan

osuneilta metsä- ja kitumaan metsikkökuvioilta 1 dm:n luokissa.

Metsikkökuvion puuston keskiläpimitta 1.3 metrin korkeudelta on elävien puiden

pohjapinta-alan mediaania vastaavan puun läpimitta. Se on likimain sama kuin

pohjapinta-alalla painotettu puiden läpimittojen keskiarvo. Puuston

keskiläpimitta mitataan maastossa koealaan osuneilta metsä- ja kitumaan

metsikkökuvioilta 1 cm:n luokissa.

Puuston latvuspeittävyys VMI:ssa tarkoittaa koealan puuston vaakatasoon

projisoidun latvuston peittämää osuutta koealan alasta. Latvuspeittävyys

arvioitiin VMI10:ssä prosentteina (0-99) kiinteäsäteiseltä koealalta metsä-,

kitu ja joutomaalla. VMI11-koealoille ennustettiin latvuspeittävyys

k-NN-menetelmällä VMI10-koealoja käyttäen. VMI9:ssä (Ylä-Lappi)

latvuspeittävyys arvioitiin koealalta kolmessa luokassa, jos koealan keskipiste

sijaitsi metsä-, kitu-, tai joutomaalla. VMI9 koealoille laadittiin

regressiomalli latvuspeittävyyden ennustamiseksi yhden prosentin yksiköissä.

Lehtipuuston latvuspeittävyyden osuus johdettiin koko puuston

latvuspeittävyydestä käyttäen lehtipuuston tilavuuden arvioitua osuutta

koealan puuston tilavuudesta. Taimikoissa käytettiin vastaavasti runkolukuja.

Maaluokka jakaa metsätalousmaan alaluokkiin metsämaa (arvo 1), kitumaa (2)

ja joutomaa (3) sekä metsätalouden tiet ja varastot. Metsätalousmaan ulkopuolella

maaluokka kuvaa maankäyttöä. Ladattavassa kartassa yhdistetty metsä-, kitu-

ja joutomaa perustuu Maanmittauslaitoksen maastotietokannan rajaukseen,

jonka avulla erotetaan muiden maaluokkien peittämä alue. Jokaiselle

kuva-alkiolle rajauksen sisällä on ennustettu todennäköisin kolmesta

edellä mainitusta maaluokasta. Kansallisen maaluokkamäärittelyn lisäksi

vuoden 2011 tuotteisiin otettiin mukaan uusi teema, maaluokat YK:n maatalous-

ja elintarvikejärjestön (FAO) globaalin metsävara-arvion

(Forest Resource Assessment, FRA) määritelmien mukaan. Kuva-alkion

arvo 1 tarkoittaa metsää (forest), 2 muuta puustoista maata (other wooded

land), 3 muuta maata (other land) ja 4 muuta maata, jossa kasvaa puita

(other land with tree cover).

Päätyyppi jakaa metsämaan, kitumaan ja joutomaan kivennäismaiksi (1) ja

soiksi ja suot edelleen korpiin (2), rämeisiin (3) ja avosoihin (4). Sekä

satelliittikuvat että VMI-koealat ositetaan ennen analyysia

Maanmittauslaitoksen maastotietokannan mukaisiin kivennäismaihin ja soihin.

Jokaiselle kuva-alkiolle ennustetaan todennäköisin neljästä edellä mainitusta

VMI:n päätyypistä. Siten ositteen sisällä voi olla sekä VMI:n mukaisia

kivennäismaita että soita.

Kasvupaikkatyyppiluokituksella eri metsäkasvillisuusvyöhykkeiden metsä- ja

suotyypit ryhmitellään ravinteisuudeltaan ja puuntuotoskyvyltään

yhdenmukaisiin luokkiin. Kansallisessa maankäyttöluokituksessa kaikki

kivennäismailla olevat luokkien 1-6 kasvupaikkatyypit ovat metsämaata

(kuva-alkio arvo 1 on lehto, 2 lehtomainen kangas, 3 tuore kangas, 4 kuivahko

kangas, 5 kuiva kangas ja 6 karukkokangas). Seitsemäs luokka, kalliomaat ja

hietikot voivat olla myös kitu- tai joutomaata. Pohjois-Suomessa luokat 8

(lakimetsät), 9 (tunturikoivikot) ja 10 (avotunturit) aina kitumaata tai

joutomaata. Ojitetut (ojikko- ja muuttumasuot sekä turvekankaat) ja

ojittamattomat korvet, rämeet että avosuot luokitetaan kuuteen

kasvupaikkaluokkaan riippumatta maaluokasta. Luokat ovat lehtomaiset ja

lettosuot (1), ruohoiset suot (2), suursaraiset ja mustikkaiset suot (3),

piensaraiset ja puolikkaiset suot (4), tupasvillaiset ja isovarpuiset suot (5)

sekä rahkaiset suot (6). Sekä satelliittikuvat että VMI -koealat ositetaan

ennen analyysia Maanmittauslaitoksen maastotietokannan mukaisiin

kivennäismaihin, puustoisiin soihin ja avosoihin. Jokaiselle kuvanalkiolle on

ennustettu karttaositteen sisällä todennäköisin kasvupaikkatyyppi. Siten

karttaositteen sisällä voi olla sekä VMI:n mukaisia kivennäismaita että soita.

Kuva-alkion tasolla ennustevirhe on suurehko, mutta pienenee alueen koon

kasvaessa. Teemojen kuvanalkiokohtainen keskivirhe vaihtelee alueen

sijainnista, puuston tilavuudesta ja kasvupaikasta riippuen.

Seuraavat virhearviot perustuvat vuoden 2009 MVMI-tuotteeseen.

Tilavuusteemojen keskimääräiset virheet kuutiometreinä/ha on esitetty alla

kuusikoina (puulajiryhmä puutavaralaji Etelä-Suomi/kivennäismaa

Etelä-Suomi/suo Pohjois-Suomi/kivennäismaa Pohjois-Suomi/suo):

kaikki kaikki 86 66 47 32

mänty kaikki 63 53 40 26

manty tukki 39 29 19 7

mänty kuitu 40 37 30 22

kuusi kaikki 63 37 27 12

kuusi tukki 43 23 12 3

kuusi kuitu 33 21 18 10

koivu kaikki 32 30 19 16

koivu tukki 10 7 2 1

koivu kuitu 25 25 17 13

lehtipuu kaikki 22 10 8 4

lehtipuu tukki 7 3 2 1

lehtipuu kuitu 16 8 7 2

Biomassojen kuvanalkiotason keskivirheiden (yksikkö 10 kg/ha) suuruusluokka on

seuraavassa kuusikoina (puulajiryhmä biomassaosite Etelä-Suomi/kivennäismaa

Etelä-Suomi/suo Pohjois-Suomi/kivennäismaa Pohjois-Suomi/suo):

mänty runko ja kuori 2400 2100 1500 980

mänty elävät oksat 400 350 350 230

mänty kuolleet oksat 95 85 71 52

mänty neulaset 150 140 140 100

mänty kannot 190 170 140 94

mänty juuret 590 500 410 250

mänty hukkapuu 200 220 190 220

kuusi runko ja kuori 2300 1400 1000 450

kuusi elävät oksat 550 340 340 150

kuusi kuolleet oksat 100 63 48 23

kuusi neulaset 360 250 230 110

kuusi kannot 210 120 110 48

kuusi juuret 760 470 430 200

kuusi hukkapuu 19 18 16 14

lehtipuu runko ja kuori 9 8 8 6

lehtipuu elävät oksat 31 35 50 46

lehtipuu kuolleet oksat 62 52 40 25

lehtipuu lehvästö 58 47 41 35

lehtipuu kannot 9 8 6 6

lehtipuu juuret 85 66 47 31

lehtipuu hukkapuu 39 29 18 7

Muiden jatkuva-arvoisten teemojen kuvanalkiotason keskivirheiden suuruusluokka

on seuraavassa kuusikoina (muuttuja Etelä-Suomi/kivennäismaa Etelä-Suomi/suo

Pohjois-Suomi/kivennäismaa Pohjois-Suomi/suo, yksikkö):

ikä 32 35 50 47 a

pohjapinta-ala 9 8 6 6 m3/ha

keskipituus 59 47 42 35 dm

keskiläpimitta 9 8 8 6 cm

latvuspeittävyys 20 18 16 14 %

lehtip. latvuspeittävyys 15 12 11 10 %

Maaluokkateemassa oikein luokitettujen kuva-alkioiden osuus on keskimäärin 92%

kun luokitusta verrataan VMI:n maastoluokitukseen. Metsämaaksi luokitetuista

kuva-alkioista keskimäärin 98% on VMI:n mukaista metsämaata, kun taas VMI:n

mukaisesta metsämaasta 95% on luokitettu metsämaaksi. Kitumaan osalta

vastaavat osuudet ovat 38% ja 50% ja joutomaasta 74% ja 87%.

Päätyyppiteemassa (kangas, korpi, räme, avosuo) luokka on oikein 84%:lla

kuva-alkiosta. 95% kankaiksi luokitetuista on VMI:n maastoluokituksen mukaan

kankaita, kun taas VMI:n mukaisista kankaista 88% on luokitettu

kankaiksi. Korpien vastaavat luvut ovat 20% ja 45%, rämeiden 76% ja 76% ja

avosoiden 71% ja 84%.

Kasvupaikkaluokitus on vaativaa maastossakin ja luokituserot henkilöiden

välillä yleisiä. Kasvupaikkateeman kuva-alkiosta noin 50%:lla

kasvupaikkaluokka on sama kuin VMI:n maastoluokituksessa. Ero on useimmiten

kuitenkin vain yhden luokan suuruinen. Erot ovat yleisimpiä lehdoissa,

lehtomaisilla soilla ja letoilla ja toisaalta karuilla kasvupaikoilla,

karukkokankailla ja rahkaisilla soilla. MVMI:n ja VMI:n luokitukset ovat

useimmiten yhteneviä tuoreilla kankailla ja vastaavilla soilla eli

suursaraisilla ja mustikkaisilla soilla. Tähän luokkaan luokitetuista

kuva-alkioista 60-65% kuuluu VMI:n maastoluokituksen mukaiseen luokkaan, kun

taas maastoluokituksen mukaan ko. luokan kuva-alkioista 60% on luokitettu

oikein.

Luokkamuuttujien kohdalla on huomattava, että aluetasolla

pinta-alaestimaattien virheet ovat edellä mainittuja pienempiä.

Lisää tietoja menetelmistä ja luotettavuudesta on esimerkiksi julkaisuissa

Tomppo, E., Haakana, M., Katila, M. & Peräsaari, J. 2008. Multi-source

national forest inventory - Methods and applications. Managing Forest

Ecosystems 18. Springer. 374 p. ISBN 978-1-4020-8712-7,

Mäkisara, K., Katila, M., Peräsaari, J. & Tomppo, E. 2019. The Multi-Source

National Forest Inventory of Finland – methods and results 2015. Natural

resources and bioeconomy studies 8/2019, Natural Resources Institute

Finland. 57 s. http://urn.fi/URN:ISBN:978-952-326-711-4

Tomppo, E. & Halme, M. 2004. Using coarse scale forest variables as ancillary

information and weighting of variables in k-NN estimation: a genetic algorithm

approach. Remote Sensing of Environment 92: 1-20.

Lisää tietoa Suomen monilähteisestä valtakunnan metsien inventoinnista on

sivuilla https://www.luke.fi/tietoa-luonnonvaroista/metsa/metsavarat-ja-metsasuunnittelu/metsavarakartat-ja-kuntatilastot/ .

The first country level estimates correspond to years 1990-1994. The most

recent versions are from years 2005, 2007, 2009, 2011, 2013, 2015 and 2017.

The first set of the products freely available are from year 2009. A new set

of the products will be produced biannually in the future. The map products

are in a raster format in the ETRS-TM35FIN coordinate system with a pixel

size of 16m x 16m. The products cover the combined land categories forest

land, poorly productive forest land and unproductive land. The other land

categories as well as water bodies have been delineated out using the

elements of topographic database of the Land Survey of Finland.

For the 2017 products, in total 53 589 NFI field plots were used, locating

either on forest land, poorly productive forest land or unproductive

land. The satellite images used included 8 Sentinel-2A MSI images, 6 Sentinel-2B MSI images and 19 (7 orbits) Landsat 8 OLI images. Two of the Sentinel-2A

images were from 2018. Other images were from 2017.

The field data in the 2017 products were up-dated to correspond

the situation on 31 July, 2017. The length of the up-dating period was

calculated for each field plot from the date of the field measurement to the

up-dating date 31 July, 2017. The start of the tree growth was supposed to be

on May 1.

The relative increment of the volume of the growing stock in a forest stand

was calculated using the models by Nyyssönen and Mielikäinen (1978) for pine

(Pinus silvestris) and spruce (Picea abies). The models for pine were used for

broad-leaved trees. The volume increments were calculated by stand layers in

case of multi-layer stands. The proportions of volumes by layers were estimated

proportionally to the quantity the basal area of the layer multiplied by the

mean height of the layer.

Regeneration cuttings on the field plots were assessed using satellite images

and, in some cases, with aerial photographs. The stand data of the plots cut

were changed to stand data for open area plots. The final volume increments

were calibrated in such a way that the volumes by tree species on July 31,

2017, was the same as that given by the regression line estimated from field

data alone.

For the relative height increment, diameter increment and basal area

increment, simple fixed parameter regression models were estimated using data

from the permanent sample plots of NFI10. The models were used in a similar way as the volume models. The biomass estimates by field plots and biomass compartments were up-dated proportionally to the volume changes.

For a cover as complete as possible from the entire country, the 2011 product

has been completed by the data estimates from the recent years. The product

thus consists of the following sub-products:

1. The estimates from 2017, based on the NFI field data from 2013-2017 updated

to 31.7.2017 and the satellite images from 2017-2018,

2. The estimates from 2015, the NFI field data from 2012-2016 updated to 31.7.2015 and the satellite images from 2015-2016.

3. The estimates from 2013, the NFI field data from 2003-2013 updated to 31.7.2013 and the satellite images from 2012-2014

4. The estimates from 2011, the NFI field data from 2007-2011 updated to

31.7.2011 and the satellite images from 2009-2012,

5. The estimates for about municipality Enontekiö in North Lapland, the NFI field

data from 2003 and the satellite images from 2000,

6. The estimates from 2007, the NFI field data from 2005-2008 and the satellite

images from 2005-2007.

Data source index, MS-NFI-2017, has been added to the product to indicate the

source of the estimates.

The map form estimates were made using the improved k-Nearest Neighbour method (ik-NN method). The value of five for k was used most frequently. The weights of the features in the ik-NN method are sought using an optimization

method based on genetic algorithm. Coarse scale estimates of forest variables

were used as the supplementary data. The volumes by tree species groups

were selected as the variables. The purpose is to direct the selection of the

neighbours, on the average, to forests similar to the target pixel (see the

references below). The estimation was made separately for mineral soils, mires

and open bogs and fens. The stratification of both the satellite image and the

field plots were made using the topographic map data of Land Survey Finland.

The product consists of 44 theme maps in raster format plus data source

index. These can be grouped as follows:

The volume of growing stock is available as a total for all tree species and

broken down into tree species groups (Scots pine, Norway spruce, Birch, Other

broad leaved trees) and into timber assortments (saw timber, pulpwood). The

group Scots Pine includes other coniferous species than Norway Spruce, and the

group Birch includes Betula pubescens and Betula pendula. The volume of a tree

is defined as the volume of the stem wood above stump until the top of the

tree. The volume of a tree in the field data is estimated using the parameters

measured in the field and the volume models. The unit and class interval of

the volume is 1 m3/ha in the products available for downloading.

The biomass of the growing stock has been estimated and is available by tree

species groups and by seven tree compartments. The biomass of stem and bark of

a tree is defined as the biomass of the stem above bark and above stump until

the top of the tree. The biomass of the living branches includes the biomass

of the living branches without needles or leaves. The biomass of the dead

branches includes the biomass of the dead branches possibly left in a living

tree. The foliage biomass includes the biomass of the living needles or

leaves. The biomass of stumps includes the biomass of the above and below

ground stump parts without roots. The root biomass includes the biomass of the

living roots with a diameter of at least 1 cm. The biomass of stem residual is

defined as that part of the stem biomass that can not be used as timber or

pulpwood due it size or quality.

The biomasses of the sample trees on a NFI field plot are calculated from the

living sample trees belonging to a plot using the wood density models (Repola

et al. 2007) and biomass models (Repola 2008, 2009). The biomasses of the

trees called tally trees are estimated using the estimates of the sample trees

(with more parameters measured) and the parameters of tally trees and

stands. The unit of the biomass in the maps available for downloading is 10 kg/ha.

The basal area of the growing stock on a forest stand is the cross section

area of the tree stems of a stand per hectare and measured at a height of 1.3

m. The basal area is measured in the field for the field plot stands on forest

land and poorly productive forest land in the classes of 1 m2/ha.

The age of the growing stock on a forest stand is the weighted average of the

trees, the basal area of the tree as the weight. The age is assessed in the

field for the field plot stands on forest land and poorly productive forest

land in the classes of one year.

The mean height of the trees on a forest stand is the height of the basal area

median tree for the development classes young thinning stand or more mature

stands. It is about the same as the basal area weighted average height. For

seedling stands, the mean height is the average height of the dominant and

co-dominant seedlings. The mean height is assessed in the field in the classes

of 1 dm.

The mean diameter of trees is assessed at a height of 1.3 metres and is the

the diameter of the basal area median tree. It is about the same as the

weighted average diameter, the basal area of a tree as the weight. It is

assessed for the field plot stands on forest land and poorly productive forest

land in the classes of 1 cm.

The canopy cover of trees is the vertical projection area on the horizontal

plane of the canopies of the individual trees on a field plot (without double

counting the overlapping canopies). In NFI10, it was assessed in the field as

a shares (0-99%) on a fixed radius plot. For the NFI11 plots, it was estimated

using k-NN method and the NFI10 plot data. In North Lapland in NFI9, the

canopy cover was assessed in three categories if the plot was either on forest

land, poorly productive forest land or unproductive land. A regression model

was constructed to estimate the cover in the classes of one percent.

The canopy cover proportion of broad leaved trees is derived from the total

cover using the volume of the growing stock. In the seedling stands the canopy

cover of broad leaved trees is assessed using the shares of the stem numbers.

The theme "Land class" divides forestry land into sub-categories forest land

(pixel value 1), poorly productive forest land (2), unproductive land (3) and

other forestry land: forestry roads, forest depots, etc. Outside forestry land,

the land class describes land use. In the present themes, the combined

mask of forest land, poorly productive forest land and unproductive land is

based on the topographic database from the National Land Survey. One

of three land categories is estimated for the pixels inside the three mask

categories. The "Land Class based on FAO FRA" divides forest into four

categories based on the definition of the United Nations FAO Global

Forest Resource Assessment (FRA): forest (1), other wooded land (2),

other land (3) and other land with tree cover (4)

The main site class divides the forest land, poorly productive land and waste

land into mineral soils (1) and peatlands, and further divides the peatlands

into spruce mires (2), pine mires (3) and treeless mires (4). Both the satellite

images and the NFI field plots are stratified to mineral soils and peatlands

before analysis according to the topograhic database from the National

Land Survey. The most probable of the four NFI main site classes is

predicted for each pixel within these strata. This means that each stratum

may include both mineral soils and peatlands according to the NFI classification.

The site fertility classes are used for grouping the forest by vegetation

zones into uniform classes according to their site fertility and wood

production capacity. In national land-use classification, all stands on

mineral soil with site fertility class in 1 - 6 were classified as forest land

(1 is herb rich sites, 2 is herb rich heath forests, 3 is mesic forests, 4 is

sub-xeric forests, 5 is xeric forests, 6 is barren forests). Class 7 (rocky

and sandy soils and alluvial lands) can be forest land, poorly productive

forest land, or unproductive land, and class 8 (summit and fjeld land with

single coniferous trees) either poorly productive forest land or unproductive

land. Classes 9 (mountain birch dominated fjelds) and 10 (Open fjelds) are

poorly productive forest land or unproductive land. Both natural and drained

peatlands are classified into six site fertility classes independently of the

land class. Class 1 includes euthropic mines and fens, 2 mesothropic mires and

fens, 3 meso-oligothropic mires, 4 oligothropic mires, 5 oligo-ombothropic

mires and 6 Sphagnum fuscum dominated mires. Both the field plots and

satellite images are stratified prior the analyses into three strata, mineral

soil, pine mires and spruce mires, treeless peatland . The site fertility

class is estimated for each pixel as the most likely site fertility

class. Thus in the products, each NFI field data based category can occur

within each map based stratum.

The estimation errors at pixel level are rather high but decrease when the

area in question increases, i.e., when the area of interest consists of

several pixels. The errors vary by the themes and depend also on the actual

value in the field, for example on the volume of growing stock and the site

fertility class.

The following error estimates are based on the MS-NFI 2009 product.

The magnitude of the average errors of the volume estimates at pixel level are

presented below (SF = South Finland, NF = North Finland, min = mineral soil,

peat = peatland):

species group assort. SF/min SF/peat NF/min NF/peat

all all 86 66 47 32

pine all 63 53 40 26

pine saw t. 39 29 19 7

pine pulpw. 40 37 30 22

spruce all 63 37 27 12

spruce saw t. 43 23 12 3

spruce pulpw. 33 21 18 10

birch all 32 30 19 16

birch saw t. 10 7 2 1

birch pulpw. 25 25 17 13

other br. l. all 22 10 8 4

other br. l. saw t. 7 3 2 1

other br. l. pulpw. 16 8 7 2

The magnitude of the average error of the biomass estimates at pixel level are

presented below (SF = South Finland, NF = North Finland, min = mineral soil,

peat = peatland):

tree species compartment SF/min SF/peat NF/min NF/peat

pine stem and bark 2400 2100 1500 980

pine living branches 400 350 350 230

pine dead branches 95 85 71 52

pine foliage 150 140 140 100

pine stump 190 170 140 94

pine roots 590 500 410 250

pine stem residual 200 220 190 220

spruce stem and bark 2300 1400 1000 450

spruce living branches 550 340 340 150

spruce dead branches 100 63 48 23

spruce foliage 360 250 230 110

spruce stump 210 120 110 48

spruce roots 760 470 430 200

spruce stem residual 19 18 16 14

broad leaved stem and bark 9 8 8 6

broad leaved living branches 31 35 50 46

broad leaved dead branches 62 52 40 25

broad leaved foliage 58 47 41 35

broad leaved stump 9 8 6 6

broad leaved roots 85 66 47 31

broad leaved stem residual 39 29 18 7

The magnitude of the average error of the estimates of the other continuous

variables at pixel level are presented below (SF = South Finland, NF = North

Finland, min = mineral soil, peat = peatland):

theme SF/min SF/peat NF/min NF/peat unit

age 32 35 50 47 a

basal area 9 8 6 6 m3/ha

mean height 59 47 42 35 dm

mean diameter 9 8 8 6 cm

canopy cover 20 18 16 14 %

canopy cover of br. l. 15 12 11 10 %

The overall accuracy (OA) at pixel level of the land class is on the average

92% when the classification is compared to that based on the NFI field

data. The user accuracy (UA) of the category forest land is on average 98%

while the producers accuracy (PA) is on average 95%. The corresponding figures

on poorly productive forest land are 38% and 50% and on unproductive land 74%

and 87%.

The pixel level OA of main site class (mineral soil, spruce mire, pine mire,

treeless mire) is 84%. For the category mineral soil, UA is 95% and PA

88%. The corresponding figures for spruce mires are 20% and 45%, for pine

mires 76% and 76% and for treeless mires 71% and 84%.

The assessment of site fertility is very challenging even in the field and the

results vary by the assessors (field crew leaders). For site fertility class,

OA is 50% as compared to the NFI field data. In most cases, the difference was

not more than one class. The differences were most frequent on one hand for

the categories herb rich sites and herb rich heath forests and for the

corresponding peatland sites, and on the other for poor mineral soil sites and

for ombrotrophic peatlands. The accuracies are highest for mesic forest and

for the corresponding peatland sites (meso-oligotrophic peatlands). In this

category, UA is 60-65% and PA 60% when compared to the result based on the NFI

field data.

The errors of estimates at areal level are lower than the errors presented above.

More information about the methods and the accuracies are given in the publications, e.g.:

Tomppo, E., Haakana, M., Katila, M. & Peräsaari, J. 2008. Multi-source

national forest inventory - Methods and applications. Managing Forest

Ecosystems 18. Springer. 374 p. ISBN 978-1-4020-8712-7,

Mäkisara, K., Katila, M., Peräsaari, J. & Tomppo, E. 2019. The Multi-Source

National Forest Inventory of Finland – methods and results 2015. Natural

resources and bioeconomy studies 8/2019, Natural Resources Institute

Finland. 57 p. http://urn.fi/URN:ISBN:978-952-326-711-4

Tomppo, E. & Halme, M. 2004. Using coarse scale forest variables as

ancillary information and weighting of variables in k-NN estimation: a genetic

algorithm approach. Remote Sensing of Environment 92: 1-20.