Puuston ennakkotiedon tarkkuuden parantaminen mahdollistaa paremman puunhankinnan suunnittelun, varannon hallinnan sekä kustannusten minimoinnin. Runkolukusarjatasoinen metsävaratieto on muodostumassa puuston keskitunnusten lisäksi yhdeksi keskeiseksi selittäjäksi kuviotasolla puuston koosta, tiheydestä sekä jakaumasta. Metsäkeskuksen tarjoaman hilatiedon sekä Luonnonvarakeskuksen kehittämien Motti-mallien avulla voidaan 16 x 16 metrin hilaruudulle tuottaa teoreettiset runkolukusarjat. Runkolukusarjat tuotetaan ratkaisemalla kahden parametrin Weibull-jakauma hyödyntäen parametrin palautusmenetelmää. Hilan pienipiirteisyyden vuoksi on mahdollista tuottaa otostyyppisiä inventointitapoja tarkempaa ennakkotietoa puuston koosta ja muodostaa monitahoisempia jakaumia, jotka ottavat huomioon kuvion puuston sisäisen vaihtelun.
Tarkastelussa hilatiedon ja Motti-mallin pohjalta tuotetun puujoukon tarkkuutta verrattiin päätehakkuilta kerättyyn hakkuukoneiden tuotantotietoon. Tutkimusala käsitti 150 päätehakkuu- sekä 15 ylispuun poistokuviota, joiden pinta-ala oli vähintään 0,5 hehtaaria. Tuotantotiedon pölkyistä muodostettiin kokonaiset rungot runkokäyräsovitteen avulla, jonka jälkeen rungot sekä runkokäyräsovitteesta että hilatiedosta simuloitiin katkontasimulaattorissa. Runkolukusarjoja analysoitiin K-S testin ja virheindeksin avulla. Kuvioiden keskitunnuksia pohjapinta-ala, runkoluku, keskipituus ja keskiläpimitta verrattiin ja lopuksi katkottujen puutavaralajien tilavuuksia ja runkojen määrää tutkittiin harhan ja keskineliövirheen neliöjuuren (RMSE) avulla.
Tuloksissa K-S testin läpäisi 124 kappaletta 150 päätehakkuukuviosta. Hehtaarikohtaisten puustotunnusten G, N. DG, HG ja V harha 0 %, -14 %, 5 %, 3 % ja 0 % sekä RMSE 18 %, 34 %, 10 %, 5 % ja 17 %. Katkottujen puutavaralajien kokonaistilavuuden harha ja RMSE olivat 1,5 % sekä 16,3 %. Puulajeille mänty, kuusi sekä lehtipuu katkonnan tilavuuksien harhat olivat -72,5 %, 11,5 % ja 2,1 % sekä RMSE 154,5 %, 28,0 %, 50,1 %. Tukki- ja kuitupuiden keskijäreyksien harhat olivat 5,9 % ja 3,9 % sekä RMSE 14,0 % ja 10,6 %. Tulosten suurin virhetekijä oli hilatieto. Tarkkuus korreloi parhaiten kuviokoon sekä puuston tasaikäisyyden kanssa.
