Browsing by Subject "hakkuukone"
Now showing items 1-3 of 3
-
(2021)The right wood raw material should be delivered to the right wood processing mill at the right time, while minimizing costs. In other words, the log demand distributions and quality requirements of mills should be fulfilled. Bucking control tries to solve two problems; what kind of wood assortments to cut from each stand, and what dimensions to cut within each wood assortment. The success of bucking is important, as it is difficult to fix a poor bucking outcome. Modern harvesters collect stem data, from which virtual trees can be created. The bucking of these virtual trees can be simulated with different product instructions and settings. A bucking simulator can be utilized in predicting and optimizing bucking outcome. However, without quality-information of stems a bucking simulator is overly optimistic. Stem quality-information utilized in previous studies has been laborious to collect, and there has been little validation of log distributions simulated with stem quality-information. The object of this study was to determine whether a method, where stem quality-information is derived from harvester-collected stem and log data, could be utilized to improve the accuracy of simulated wood assortment recoveries and distributions. The study focused on Metsä Fibre’s sawmill in Vilppula and clear-cut stands. The usability of the method in bucking control and wood procurement in Finland was of central interest. Results were examined based on the theoretical framework of the study, which outlined the significance of the results to business operations. The bucking of real stems registered by harvesters was simulated with real quality-information derived from harvester-collected data, predicted quality-information derived from the previously mentioned quality data, and without any quality-information. The bucking outcomes were compared to real bucking outcomes registered by harvesters. The focus was on validating the real quality-information derived from harvester-collected data, while the predicted quality-information worked as an example. Without quality-information the simulated total log distribution and the real total log distribution had a match of 84.2 % (butt log: 86.4 %; top and middle log: 80.8 %). With the real quality-information this percentage increased by 2.9 percentile points (butt log: 2.4 pp; top and middle log: 2.4 pp). With the predicted quality-information the percentage increased by 1.6 percentile points (butt log: 1.4 pp; top and middle log: 2.7 pp). The relative bias and the RMSE of the simulated log recovery were 19.0 % (42.6 m³) and 24.6 % (55.1 m³) with no quality-information. With the real quality-information the relative bias and the RMSE of the simulated log recovery were -0.4 % (-1.0 m³) and 4.1 % (9.1 m³). With the predicted quality-information the relative bias and the RMSE of the simulated log recovery were 2.0 % (4.4 m³) and 12.3 % (27.6 m³). The real quality-information was derived from data that was cost-effectively collected by harvesters. Quality-information derived from harvester-collected data enables the consideration of complex dimensional and qualitative requirements, and the derivation of quality-information predictions, in a situation where clear quality-sections of stems can’t be defined.
-
(2024)Vesistöjen rantavyöhykkeiden suojeleminen on maankäytöltään tehokas tapa saavuuttaa merkittäviä hyötyjä vesistöjen suojelulle ja biodiversiteetille. Metsätaloudessa kutsutaan suojavyöhykkeeksi kaistaletta, jolla puunkorjuuta, maanmuokkausta ja koneilla liikkumista on rajoitettu. Vesistöjen varsien suojavyöhykkeet tarjoavat elinympäristön useille kasvi- ja eläinlajeille. Suojavyöhykkeet estävät ravinteiden päätymistä vesistöihin ainakin pidättämällä hienoainesta, sekä suojavyöhykkeen kasvien ravinteiden otannan, että erilaisten biokemiallisten prosessien kautta. Tämän tutkimuksen tavoitteena on selvittää miten ja millä tarkkuudella hakkuukonetiedon avulla voidaan seurata toteutuneiden suojavyöhykkeiden leveyksiä. Metsäkoneiden teknologisen kehityksen ansiosta koneiden keräämää tietoa on alettu hyödyntämään laajemmin. Hakkuukoneilla voidaan kerätä metsävaratietoa kustannustehokkaasti. Suuret tavaralajimenetelmän metsäkoneiden valmistajat ovat sitoutuneet StanForD2010-tiedonstantardiin, jonka ansiosta hakkuukonetietoa voidaan käsitellä ja hyödyntää tehokkaasti. Hakkuukoneiden GNSS-paikantimen työskentelyn aikana tallentuvasta sijaintitiedosta voidaan muodostaa Metsäteho Oy:n kehittämällä menetelmällä toteutuneen hakkuun mukaan metsikkökuvioita, joita kutsutaan hakkuukonekuvioiksi. Tässä tutkimuksessa tarkasteltu menetelmä on Metsätehon kehittämä ja siinä hyödynnetään niin ikään Metsätehon algoritmilla hakkuukonetiedosta tuotettuja hakkuukonekuvioita. Työn aineistoksi saatiin Stora Ensolta laaja hakkuukoneaineisto, joista 4239 hakkuukuvion läheisyydessä tai sisällä sijaitsi vesistö. Hakkuukonekuvioiden rajoilta mitattiin etäisyys maanmittauslaitoksen kartta-aineistosta löytyviin vesistöjen rajoihin laskennallisesti. Tuloksista muodostettiin suojavyöhykkeiden keskimääräiset leveystiedot hakkuukuvioittain. Suojavyöhyketiedon tarkkuuden määrittämiseksi kerättiin maastomittauksissa aineisto, jossa hakkuukuvioiden todellinen raja kartoitettiin tarkalla RTK-GNSS paikantimella. Maastomittaus tehtiin 34 hakkuukuviolla. Maastossa mitattujen kuvioiden rajoista muodostettiin suojavyöhykkeen leveydet käyttäen samaa metsätehon laskennallista menetelmää ja vesistöaineistoa. Hakkuukonetiedosta johdetun suojavyöhyketiedon tarkkuus esitettiin keskimääräisen suojavyöhyketiedon absoluuttisena erona maastomittauksen perusteella määritettyyn. Menetelmän tarkkuutta tarkastellaan työssä kolmen erityyppisten vesistöjen välillä. Tutkimuksen tuloksena menetelmä näyttää toimivan hyvin silloin kun hakkuualuetta rajaa geometriatyypiltään aluemuotoinen vesistö, eli vakavesi tai virtavesialue. Vakavesiin kuuluvat järvet, lammet ja meret ja virtavesialueisiin joet. Vakavesillä keskimääräinen virhe oli 1,64 metriä, keskimääräisen suojavyöhykeleveyden ollessa 15,04 metriä. Vastaavasti virtavesialueilla olivat keskimääräinen virhe 1,79 metriä ja suojavyöhykeleveys 16,43 metriä. Kun vesistön tyyppi on viivamuotoinen virtaava vesi eli puro, noro tai oja, ei menetelmä toimi luotettavasti. Keskimääräinen virhe oli virtavesiviivoilla 4,22 metriä keskimääräisen suojavyöhykeleveyden ollessa 5,49 metriä. Tärkein syy menetelmän toimimattomuuteen virtavesiviivakohteilla oli maanmittauslaitoksen vesistöaineistossa, jossa luonnontilaisia vesistöjä ja kaivettuja ojia ei voinut erotella. Menetelmän käyttöaste ja tarkkuus paranevat, kun hakkuulaitteiden paikannus yleistyy ja GNSS-paikannuksen tarkkuuden taso nousee hakkuukoneissa.
-
(2018)Tarkka tieto puutavaralajeista on olennainen puukaupassa, sillä noin 75 % metsänomistajien kantorahatuloista kertyy tukista. Puunostajille on puolestaan tärkeää, että korjattu puutavara vastaa määrältään ja laadultaan toimitustavoitteita, jotta asiakkaalle voidaan toimittaa lopputuotteet ajallaan. Tarpeeksi luotettavaa ja tarkkaa tietoa puutavaralajeista ei kuitenkaan saada nykymuotoisten inventointien tiedoista, joten tarkempien tietojen saamiseksi täytyy nykyään tehdä erillinen leimikon suunnittelu maastossa. Monilähteinen puutason inventointi on leimikon ennakkomittaukseen tarkoitettu menetelmä, jossa yhdistetään lentolaserkeilausaineistoa ja puukartta. Puukartta olisi tarkoitus tuottaa edellisen metsänkäsittelytoimenpiteen yhteydessä esimerkiksi maastolaserkeilauksella. Tämän Pro gradu -työn tarkoituksena oli testata monilähteistä puutason inventoinnilla kolmella päätehakkuukypsällä leimikolla. Jokaiselle leimikolle ennustettiin monilähteisellä puutason inventoinnilla ja yksinpuintulkinnalla koko puuston tukki- ja kuitupuukertymä, keskiläpimitta sekä runkolukusarja. Lisäksi ennustettiin jokaisen leimikon pääpuulajin eli männyn (Pinus sylvestris L.) tukki- ja kuitupuukertymä, keskiläpimitta sekä runkolukusarja monilähteisellä puutason inventoinnilla ja yksinpuintulkinnalla. Runkolukusarjoille laskettiin virheindeksit. Monilähteisen puutason inventoinnin ja yksinpuintulkinnan tuloksia vertailtiin hakkuukoneaineistoon. Lisäksi monilähteisen puutason inventoinnin ja yksinpuintulkinnan tuloksia vertailtiin toisiinsa. Monilähteinen puutason inventointi yliarvioi koko puuston keskiläpimitan keskimäärin 0,5 cm:llä. Mäntyjen keskiläpimitan ennustuksessa ei ollut eroa verrattuna hakkuukoneaineistoon. Kuitupuukertymän ennustaminen monilähteisellä puutason inventoinnilla oli epätarkinta: keskimäärin 29,9 % aliarvio koko puustolla ja 19,5 % yliarvio männyillä. Tukkikertymän ennustaminen oli tarkkaa, koko puustolla monilähteinen puutason inventointi antoi keskimäärin 6,8 % yliarvion ja männyillä vain 2,8 % aliarvion. Runkolukusarjojen virheindeksi oli koko puustolla välillä 0,26 – 0,38 ja männyillä välillä 0,17 – 0,25 monilähteisellä puutason inventoinnilla. Yksinpuintulkinnalla puolestaan koko puuston keskiläpimitta oli 0,2 cm aliarvio ja männyillä vain 0,1 cm aliarvio. Kuitupuukertymä oli yksinpuintulkinnalla 1,3 % aliarvio ja männyillä 10,1 % yliarvio. Tukkikertymä oli 26,4 % yliarvio yksinpuintulkinnalla ja mäntyjen tukkikertymäkin 16,2 % yliarvio. Virheindeksi runkolukusarjoille yksinpuintulkinnalla vaihteli välillä 0,26 – 0,42 ja männyillä välillä 0,14 – 0,28. Monilähteinen puutason inventointi operatiivisessa käytössä vaatisi lisätutkimuksia mm. automaattisesta puiden ja puulajin tunnistamisesta maastolaserkeilausaineistosta sekä automaattisesta lentolaserkeilaus- ja maastolaserkeilausaineiston yhdistämisestä.
Now showing items 1-3 of 3