Metsätieto ja sähköiset palvelut -hankkeen välitulosseminaari Helsingissä 22.1.2018. Lisätietoa hallituksen kärkihankkeesta maa- ja metsätalousministeriön verkkosivuilla: http://mmm.fi/metsatieto-ja-sahkoiset-palvelut
2. Runkolukusarjatiedon käyttö metsätaloudessa
2Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
Metsäsuunnittelu
Puukauppa
Puunkorjuu
Metsävaratiedot puuston kasvun laskenta ja päivitys
hakkuupoistuman laskenta
toimenpide-ehdotukset
puuston arvon laskentaMetsätilakauppa
puutavaralajien hinnoittelu
oston ohjaus
Katkonta
korjuun ketjutus
korjuukustannukset
varastohallinta
leimikon puuston kuvaus
katkonnan simulointi ja katkonnan
ohjaustiedostojen valinta
Vaatimukset
• tarkkuus
• harhattomuus
• ajantasaisuus
• joustavuus laskentayksikön
suhteen (kuvio / hila)
• tieto, miten runkolukusarjatieto
on muodostettu
• puuston laatutunnukset
liitettävissä (mallit, erilaiset
tietolähteet)
visualisointi
3. • Puutavaralajien hakkuukertymien määristä tarvitaan nykyistä parempi ennakkotieto
‒ ostomäärien arviointi korjuulohkoittain metsävara- tai metsäsuunnittelutiedon pohjalta
‒ tiedot riittävän luotettavalla tasolla jo sähköisen puukaupan tarjouspyynnöissä
‒ objektiivisuus ja luotettavuus
‒ tieto on saatava käymättä metsässä
‒ korjuun suunnittelu ja ohjaus
‒ varastomäärien hallinta puutavaratoimitusten suunnittelussa ja korjuun ketjutuksessa
‒ korjuun ohjaaminen tarpeeseen sopiviin leimikoihin mm. kelirikkotilanteissa
‒ korjuukustannusten arviointi (poistuman keskijäreys keskeinen tekijä)
‒ työmaasuunnittelu: hakkuukertymien sijainti mm. ajouraverkoston suunnittelua varten
• Oston ohjaus ja puuston jalostusarvon määrittäminen
‒ tarkka puustotieto mahdollistaa hinnoittelun oletettuun jalostusarvoon perustuen (mm. järeys)
‒ tukkilaatujen osuuksien arviointi leimikon puustotunnusten ja laatujakaumia kuvaavien mallien mukaan
‒ sahoille ennakkotieto toimitettavasta laatujakaumasta
• Katkonnan ohjaus
‒ katkonnan ohjaus puuston ennakkotiedon ja sahojen toimitustarpeiden pohjalta
‒ tyyppileimikointi
Tarkan puustotiedon käyttötarpeet puunhankinnassa
3Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
6. 1. Maastomittaukset koealoilta
‒ esim. Trestima –sovelluksella muodostetut runkolukusarjat
2. Puuston keskitunnukset ja kokojakaumamallit
a) Hilamuotoisen metsävaratiedon puuston keskitunnukset, joiden perusteella runkolukusarjat ja laskentapuujoukot
voidaan muodostaa malleilla
‒ Luken Motti -kokojakaumamallit
‒ hiloille generoidaan yksittäiset puut
‒ harvennuksilla pitäisi muodostaa runkolukusarjat erikseen koko puustolle ja poistettavalle puustolle
b) Kuviolle tai lohkolle lasketaan puustotunnusten keskiarvot hilatiedoista ja niistä muodostetaan kokojakaumamalleilla
edelleen runkolukusarjat ja laskentapuujoukot
c) Puuston keskitunnukset saadaan muista tietolähteistä
‒ metsäsuunnittelun kuviotiedot, kaukokartoitus
3. Runkolukusarjat osana SMK:n hilamuotoista metsävaratietoa
‒ laskentamenetelmät kehitteillä
4. Hakkuukonedataan perustuvat laskentapuujoukon muodostamisen menetelmät
‒ korjuukohteen puustotunnusten perusteella k –lähimmän naapurin menetelmällä
Runkolukusarjatasoisen puustotiedon muodostaminen
6Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
7. 7Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
Puustotieto katkonnan ohjauksessa
8. 8Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
• Tutkimusalue sijaitsi Länsi-Uudenmaan alueella, missä hyödynnettiin yhteensä 150
päätehakkuukuvion (334 ha) puustotietoja
‒ hilatieto oli kerätty vuosina 2015 ja hakkuukonetieto 2015 - 2016
‒ alueen puusto kuusivaltaista (76 %) ja metsikkökuviot pienipiirteisiä
‒ mukana vain yli 0,5 ha kuviot
• Muodostettua puujoukkoa verrattiin hakkuukoneella kerättyyn sekä
runkokäyräsovitettuun runkopankkiaineistoon
• Sekä tutkimusaineistolla että runkokäyräsovitteella muodostetut puujoukot vietiin
katkontasimulaattoriin
‒ tutkittiin tilavuuksien ja keskijäreyksien harhoja ja keskivirheitä
• Katkonnan kokonaistilavuuden harha oli 3,8 m3/ha (1,5 %) ja keskivirhe 42,3 m3/ha (16,3 %)
‒ lehtipuiden estimointi oli lähes harhatonta, mutta havupuissa kuusen ja männyn osuudet
sekoittuivat
Metsäkeskuksen hilatiedon ja Motti -kokojakaumamallin tarkkuus
puujoukon luonnissa
- Matti Pesonen, Helsingin yliopisto, pro gradu
9. 9Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
1. Kuviotason keskitunnusten vertailu
‒ Motti-mallin puujoukosta laskettiin kuvioiden uudet
keskitunnukset
‒ Perusolettamus oli, että mallista lasketut keskitunnukset
ovat yhtäläisiä hilatiedon keskitunnusten kanssa
‒ Hakkuukonetietoon verrattaessa vertailtiin tiedon
oikeellisuutta kuvioittain sekä ovatko Motti-mallin
keskitunnukset lähempänä hakkuukonetietoa kuin
hilatiedon keskitunnukset
2. Kuviokohtaiset runkolukusarjat
‒ Aidot rungot runkokäyräsovitettuna, d1.3 syntypisteestä
3. Katkonnan tulos kuvioittain
‒ Runkokäyräsovitetut ”aidot” rungot
‒ Motti-mallin rungot 1 cm läpimittavälein
Analysointi
Kuvion
keskitunnukset
Runkolukusarjat
ja runkojoukot
Hakkuukone-
tieto
Hilatiedon
keskitunnukset
Motti-mallin
puuston
keskitunnukset
Runkokäyrä-
sovitetut
rungot
Motti-mallilla
luodut rungot
Aitojen
runkojen
katkontatulos
Motti-mallin
runkojen
katkontatulos
Katkonnan
tulos
10. 10Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
• Runkoluvun estimoinnin keskivirhe oli 203
kpl/ha (34,4 %)
‒ malli pärjäsi paremmin kuin hilatieto
• Männyn osuus yliarvioitui, tilavuuden
keskivirhe 41,8 m3/ha (161,2 %)
• Pohjapinta-ala oli harhaton
• Dimensiotunnukset olivat suhteessa
tarkemmin estimoituja kuin
summatunnukset
• Kokonaistilavuuden harha 0,4 m3/ha (0,1 %)
ja keskivirhe 45,2 m3/ha (17,1 %)
0
500
1000
1500
2000
2500
0 200 400 600 800 1000 1200
Simuloitu
Hakkuukone
Runkoluku kuvioittain kpl/ha
Hilatiedon
keskitunnukset
Motti-mallin
puujoukon
keskitunnukset
0
20
40
60
80
100
120
140
0 50 100 150
Motti-mallintilavuusmänty,
m3/ha
Hilatiedon tilavuus mänty, m3/ha
Männyn tilavuus kuvioittain m3/ha
Tuloksia
12. 12Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
• Tukkien keskijäreydessä kuusella
pienin virhe (15,3 %), mutta suurin
harha (7,7 %)
• suuret kuuset on estimoitu
mäntyinä
• runkolukua voi kasvattaa runsas
kuusialikasvos
0
50
100
150
200
250
300
350
400
0 100 200 300 400 500 600
Simuloitu,litraa
Hakkuukonetieto, litraa
Tukkien keskijäreys puulajeittain, litraa
Keskijäreys MAT
Keskijäreys KUT
Keskijäreys LET
• Parametriset mallit ovat varsin käyttökelpoisia luomaan puujoukko hilalle
• Puulajisuhteet sekoittuvat vielä paljon
• Laatua ei tämän aineiston avulla voida estimoida
Päätelmät
13. 13Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
0
2000
4000
6000
8000
10000
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79
kpl
Lpm-luokka, cm
Kuusi, todellinen
Kuusi, estimoitu
0
200
400
600
800
1000
1200
1400
1600
4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 76 79
kpl
Lpm-luokka, cm
Mänty, todellinen
Mänty, estimoitu
Puulaji Ero Estimoitu vs.
todellinen
- kaikki
- 7 cm > rungot
Kuusi 17,9 %
8,8 %
Mänty 100,6 %
96,6 %
Lehtipuut 46,8 %
31,2 %
Yhteensä 29,1 %
19,0 %
Runkolukusarjan laskentamenetelmän arviointi
Estimoitujen runkolukusarjojen vertailut hakkuukoneella mitattuihin (158 päätehakkuuleimikkoa)
Runkojen lukumäärä
koko aineistossa
Metsäteho Oy (Tapio Räsänen, Juha-Antti Sorsa ja Matti Pesonen)
Metsäkeskuksen ja Tiedon runkolukusarjan tuottamisen pilotti
14. 14Metsätieto ja sähköiset palvelut -välitulosseminaari, 22.1.2018, Helsinki
• Pääpuulajina valtaosassa kohteita
olleen kuusen runkojen lukumäärät
estimoitiin kohtuullisen hyvin
‒ kuusen kokonaistilavuudessa ero oli -0,7 %
• Männyn ja lehtipuiden runkomäärien
estimointi onnistui heikommin
‒ männyn yli 7 cm runkojen tilavuuden
yliarvio oli 64 %
‒ lehtipuilla vastaava tilavuuden yliarvio oli
26 %
• Menetelmä estimoi kaikille puulajeille
paljon < 7 cm runkoja, joilla ei
kuitenkaan ole käytännössä merkitystä
puutavaralajikertymien laskennassa
Puujoukkojen muodostus runkolukusarjoista ja simuloitujen katkontojen ptl -tilavuudet
-2%
4%
-1%
59%
100%
64%
28%
25% 26%
7%
18%
9%
-20%
0%
20%
40%
60%
80%
100%
120%
tukit
kuitu
yhteensä
tukit
kuitu
yhteensä
tukit
kuitu
yhteensä
tukit
kuitu
yhteensä
Kuusi Mänty Lehtipuu Yhteensä
Tilavuuerot estimoitu vs. todellinen
158 leimikkoa yhteensä