Hakkuukonetiedon hyödyntäminen kuviorajauksessa ja ajouratunnusten laskennassa

Näytä kaikki kuvailutiedot



Pysyväisosoite

http://urn.fi/URN:NBN:fi:hulib-202104071855
Julkaisun nimi: Hakkuukonetiedon hyödyntäminen kuviorajauksessa ja ajouratunnusten laskennassa
Tekijä: Hakala, Mikko
Muu tekijä: Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta
Julkaisija: Helsingin yliopisto
Päiväys: 2021
Kieli: fin
URI: http://urn.fi/URN:NBN:fi:hulib-202104071855
http://hdl.handle.net/10138/328779
Opinnäytteen taso: pro gradu -tutkielmat
Koulutusohjelma: Metsätieteiden maisteriohjelma
Master's Programme in Forest Sciences
Magisterprogrammet i skogsvetenskaper
Opintosuunta: Metsien ekologia ja käyttö
Forest Ecology and Management
Skoglig ekologi och resurshushållning
Tiivistelmä: Metsävaratiedon ajantasaisuus palvelee koko metsäalaa metsänomistajasta raakapuun ostajaan. Valtakunnan metsien inventoinnin sekä Suomen metsäkeskuksen kaukokartoitusaineiston ja maastokoealojen avulla kerätty metsävaratieto Suomen metsävaroista edesauttaa metsänhoidon laajamittaista strategista suunnittelua ja luo pohjan tilakohtaisten metsäsuunnitelmien laadinnalle ja metsävaratietojen ajantasaistukselle. Metsävaratiedon ylläpito ja kuviotason operatiivinen suunnittelu vaativat kuitenkin ajantasaista tietoa myös metsässä tehdyistä toimenpiteistä. Tähän Metsäkeskuksella on ollut tarve kehittää uusia työkaluja. Tavoitteena on, että vuosittain tehdyt metsänhoitotoimenpiteet ja hakkuut siirtyisivät mahdollisimman nopeasti ajantasaisena metsävaratietona eri toimijoiden käyttöön. Tämän työn päätavoitteena oli validoida Metsäteho Oy:n kehittämää menetelmää, jossa metsäkuviolle muodostetaan automaattinen kuviorajaus hakkuukonetiedon pohjalta (Melkas ym. 2020). Runkokohtaiseen hakkuukoneen sijaintitietoon perustuva kuviorajaus mahdollistaisi jatkuvan metsävaratiedon päivittämisen hakkuiden yhteydessä. Kuviorajaus on tärkeä muuttuja, koska kuvion pinta-alaa käytetään suoraan kertoimena arvioitaessa kuviokohtaisia puustotunnuksia ja hakkuukertymiä (Belbo & Talbot 2020). Tutkimuksen hakkuukonetieto oli kerätty 12/2017–06/2018 ja kattoi noin 3 000 korjuulohkoa ja 5 316 214 sijaintipistettä Manner-Suomessa. Hakkuukonetiedosta saatavaa runkokohtaista sijaintitietoa voidaan käyttää automaattisessa kuviorajauksessa. Tutkimuksessa korjuulohkojen sijaintitiedot luokiteltiin kuvioihin ja siirtymäuriin. Yksittäisen kuvion sijaintitiedot yhdistettiin kolmioimalla verkostoksi, minkä jälkeen muodostuneelle polygonille asetettiin puskurivyöhyke tasaamaan GNSS-paikannuksessa tapahtuvaa virhettä ja kuvastamaan samalla hakkuukoneen puomin ulottuvuutta. Hakkuukoneen sijaintitietojen avulla kuviolle voitiin muodostaa automaattisesti myös ajouraverkosto, josta pystyttiin laskemaan kuviokohtaisia ajouratunnuksia. Automaattinen kuviointi tuotti ilmakuvareferensseihin verrattuna luotettavat kuviorajaukset kolmella yleisimmällä hakkuutavalla, kun kuvion pinta-ala oli vähintään 0,75 ha. Hakkuukonekuvio oli keskimäärin kolme prosenttia suurempi kuin ilmakuvalta käsin digitoitu verrokkina toiminut referenssikuvio. Hakkuukonekuvioiden pinta-alojen suhdeluvut referenssikuvioihin nähden olivat ensiharvennuksilla 1,044, harvennuksilla 1,020, avohakkuilla 1,034 ja kaikki hakkuutavat huomioiden 1,031. Eri hakkuutapojen välillä vaihtelu oli pientä, ja hakkuukonekuvion pinta-alavastaavuus parani isompia kuvioita kohti. Yli 1,5 hehtaarin kuvioilla pinta-alojen suhteellinen ero oli keskimäärin enää yhden prosentin luokkaa. Tutkimuksen toinen tavoite oli automaattisen ajouralaskennan validointi. Sijaintipisteiden pohjalta kuvioille luotiin ajouraverkosto, jossa hakkuukoneen edestakaiset liikkeet jätettiin huomiotta. Automaattisesta ajouraverkostosta laskettiin keskimääräiset ajouravälit (m) ja uratiheys (m/ha) kuviokohtaisesti sekä kattavasti koko kuviolta että jäljittelemällä Suomen metsäkeskuksen maastokoealamittausta korjuujäljen laadun arvioinnissa. Laskenta tuotti ajouratunnukset, jotka olivat realistisia verrattaessa hyvän metsänhoidon suosituksiin. Ajouravälit olivat harvennuksilla keskimäärin 20,7 metriä ja avohakkuilla 17,1 metriä. Koko työn yhteenvetona voidaan todeta, että automaattinen kuviorajaus vastasi referenssikuvioita niin pinta-alaltaan kuin sijainniltaan varsin luotettavasti ja on tuotavissa osaksi luotettavaa ajantasaista metsävaratietoa. Ajouratunnusten laskenta antoi tuloksia, joiden avulla voidaan todentaa ajouraverkostolle asetettujen suositusten toteutumista.Up-to-date forest inventory benefits the entire forest industry, all the way from forest owners to buyers of raw wood. The forest inventory gathered through remote sensing data and field sample plots by both National Forest Inventory (NFI) and Finnish Forest Centre supports large-scale strategic planning of forestry management and creates a foundation for forest planning as well as up-to-date forest inventory. Operative planning and up-to-date forest inventory also require information about recent cuttings. Finnish Forest Centre has deemed it necessary to develop tools to monitor the realized cuttings on an annual basis. The aim is that data from annual forest operations and cuttings could be transferred into updated forest inventory as soon as possible. The main focus of this thesis was on a method developed by Metsäteho Oy, whereby a stand delineation is automatically created for each forest stand based on harvester data (Melkas ym. 2020). Stand delineation carried out on the basis of stem-specific harvester location data would enable to constantly update the forest inventory in conjunction with logging operations. Stand delineation is an important information because stand area is routinely used as a coefficient in the estimation of stand-specific logging accumulation (Belbo & Talbot 2020). The harvester data was gathered between December 2017 and June 2018 and comprised approximately 3,000 harvested objects and 5,316,214 locations all over continental Finland. The stem-spesific location data recorded by harvester is used in automated stand delineation. Using triangulation, the location data of the stands was combined into a network, and a buffer zone was created for the resulting polygon to reduce the contribution of errors in GNSS navigation while also reflecting the reach of the harvester boom. The use of harvester location data also made it possible to automatically create a strip road network, which in turn allowed to calculate stand-specific strip road variables. Compared to aerial photography references, automated delineation yielded reliable stand delineations when carried out with three most common logging methods and when the stand area was at least .75 hectares. The automated stand was on average three per cent larger than the reference stand manually created from digital aerial photographs. Compared to reference stands, the relative areas of the automated stands were as follows: 1.044 for the first thinning; 1.020 for later thinnings; 1.034 for clear cutting; and 1.031 for all of these harvesting methods combined. There was little variation between the various harvesting methods, and the correlation between automated stand areas and references increased with the size of the stand. For stands with an area more than 1.5 hectares the relative difference in areas was, on average, only around one per cent. Another aim was the validation of automated strip road calculation. On the basis of harvester locations, a strip road network was created, where the to-and-fro movement of the harvester was ignored. Next, the automatically created strip road network was used to calculate the average spacings between strip roads (in metres) and strip road density (in metres/hectare). This was done comprehensively for each stand. In addition, the strip road variables were calculated by emulating sample plot measurements carried out by the Finnish Forest Centre in the evaluation of the quality of harvesting sites objects. Both results were realistic when compared to best practices in forest management. On average, the spacing between strip roads in thinning areas was 20.7 metres and 17.1 metres in clear cuttings. To sum up, there was a reliable correlation between automated stand delineation and reference stands both in terms of area and location; thus, it would be viable to integrate the automatically delineated stands as part of reliable and up-to-date forest inventory. The results of strip road calculation are applicable to validate the implementation of the recommendations set for strip road networks.
Avainsanat: ajouralaskenta
automaattinen kuviorajaus
hakkuukonetieto
hakkuukonekuvio
referenssikuvio


Tiedostot

Latausmäärä yhteensä: Ladataan...

Tiedosto(t) Koko Formaatti Näytä
Hakala_Mikko_tutkielma_2021.pdf 4.794MB PDF Avaa tiedosto

Viite kuuluu kokoelmiin:

Näytä kaikki kuvailutiedot