Matematiikka kesyttää myrskyt
|
|
- Reino Lehtonen
- 8 vuotta sitten
- Katselukertoja:
Transkriptio
1 26. elokuuta 2010 Hanna Parviainen Vesa Leppänen & Jarno Hämäläinen Matematiikka kesyttää myrskyt 1 Tuomo Kauranne Lappeenrannan teknillinen yliopisto ja
2 26. elokuuta 2010 Hanna Parviainen Vesa Leppänen & Jarno Hämäläinen 2 Myrskytuhojen estäminen laserkeilauksella Metsien Laserkeilauksen tekniikkaa Bayesilainen tilastotiede metsämallin rakentamisessa Voimajohtojen dynamiikan FEMmallinnus Myrskytuhojen ennakointi laskennalla Myrskytuhojen operatiivinen ennalta ehkäisy
3 26. elokuuta 2010 Vesa Leppänen Laserkeilaus (LiDAR) 3 Laserkeilauksen perusteet Light Detection And Ranging LiDAR-laitteiston kolme komponenttia 1. Laseretäisyysmittaus 2.Inertiamittaus 3.GPS Tuloksena 3D-pistepilvi (x,y,z koordinaatit) Havaintojen määrä on 0,5-50/m²
4 4 ArboLiDAR Yleistä Arbonautin ArboLiDAR metsien inventointi on kehitetty kuviotason tulosten tuottamiseen talousmetsissä ArboLiDAR on kehitetty läheisessä yhteistyössä monien asiakkaiden kanssa: UPM, Metsähallitus, Metsäkeskukset ja Tapio Inventointi Boreaaliset metsät ja plantaasit REDD inventointi Kehitysmaiden luonnonmetsät 26. elokuuta 2010 Hanna Parviainen Vesa Leppänen & Jarno Hämäläinen
5 Data analysis in forest measurements Virpi Junttila May 25, 2009 Virpi Junttila Data analysis in forest measurements
6 Forest measurements: Stand parameters Forest contains upper and lower level vegetation - lower level vegetation (young trees and bushes, lower development class) is difficult to estimate. Upper level contains trees of higher development class - economically most valuable trees in forest industry. The value of a plot/stand in the forest is evaluated with stand parameters: Diameter of the trees, the median diameter Dgm (cm) Estimated height of the median tree Hgm (m) Estimated total volume of the trees V (m 3 /ha) Estimated total basal area of the trees G (m 2 /ha) Total number of stems (diameter over 5cm) in the plot N (no/ha) The best estimates for stand parameters are gained by field work - costs of the field work are relatively high. Virpi Junttila Data analysis in forest measurements
7 Forest measurements: Lidar-data Laser-pulse transmitted from an airplane bounces back when hitting some object - the top or branch of the tree or ground. The height of the hitting point and the intensity of the bounced pulse is estimated. The first pulse and the last pulse are assumed to be bounced from the tip of the tree and from the ground. A set of first- and last-pulse measurements represent the stand of trees, in this case 0.5 pulses per square meter. Costs of the Lidar-measurements are relatively cheap. No straight construction of the stand parameters can be made from the Lidar-measurements. Virpi Junttila Data analysis in forest measurements
8 From Lidar-measurements to stand parameters: Statistical estimates from the Lidar-pulses The shape of the height (and intensity) distribution of Lidar-measurements in the plot-area is transformed to plot-dependend statistical estimates. Possible estimates for height (intensity) distribution are e.g.: mean of the heights standart deviation of heights percentual hits of the height distribution points on a histogram with constant centers percentual height-points of the cumulative ordered height distribution percentual part of the heights that are under certain limit (percentual part of the points with no tree) Several statistical variables can be extracted from the distribution. The correlation between different variables can be high. Virpi Junttila Data analysis in forest measurements
9 From Lidar-measurements to stand parameters: Statistical estimates from the Lidar-pulses The correlation between the variable-candidates and the stand parameters vary, none of the variables define any of the stand parameters completely as themselves. Number of the variable-candidates is relatively large (in this case 27+constant=28 variables), the best variables for each stand parameter need to be defined. Virpi Junttila Data analysis in forest measurements
10 From Lidar-measurements to stand parameters: Statistical estimates from the Lidar-pulses Figure: Plots of V and N with respect to some of the variables. Virpi Junttila Data analysis in forest measurements
11 Sparse Bayesian regression for one response Model introduced by M. Tipping. The aim in SBR is to obtain sparse solutions utilising models linear in parameters such that the model complexity is kept as simple as possible. n measurements of response t, which each depend on m different, possibly correlated variables X in the model. m may be large compared to n and majority of the candidate variables X are possibly not needed in the model. Response is assumed to be linearly dependent on the independent variables, t = Xw, where w is a m 1 vector. Regression model is based on the linear approximation t = Xw + ε, where ε is a n 1 vector of the normal distribution with zero mean and unknown variance σ 2, ε N(0, σ 2 ). Virpi Junttila Data analysis in forest measurements
12 Sparse Bayesian regression for one response The m weights of the model have a conjugacy a priori distribution, with zero mean and independent variance α 1 i, i = 1,..., m, which, in case α i forces the weight w i to go to zero. P(w) = m i=1 N(w i 0, α 1 i ) = N(w 0, A 1 ) α i is a hyperparameter that must be defined. Mode of Σ w and µ of the posterior of w are analytically solved by defining: N(t Xw, σ 2 I n )N(w 0, A 1 ) = N(w µ, Σ w )N(t 0, C) where (β = σ 2 ) Σ w = (X T βx + A) 1 µ = Σ w X T βt. Virpi Junttila Data analysis in forest measurements
13 Sparse Bayesian regression for one response Parameters and hyperparameters analytically estimated with type-ii maximum likelihood method: integrate first over the parameters w and then maximize evidence p(x, t α, β) over the hyperparameters. In this case, p(x, t α, β) = N(t Xw, βi n )N(w 0, A 1 )dw = N(t 0, C), where the (n n) covariance C is C = β 1 I n + XA 1 X T Thus the loglikelihood without constants is L = ln C + t T C 1 t. After some manipulation, the function to be optimized is L = n ln β ln Σ w ln A + (t Xµ) T β(t Xµ) + µ T Aµ. Virpi Junttila Data analysis in forest measurements
14 Sparse Bayesian regression for one response Differentiation of the loglikelihood function L with respect to ln α i gives L lnα i = (Σ w ) ii α i 1 + µ i µ i α i = 0. where (Σ w ) ii is the i:th diagonal element of matrix Σ w and µ i the i:th element of vector µ. With a new variable, γ i = 1 (Σ w ) ii α i the estimate of the inverse of the variance of weight w i is α i,mp = γ i µ 2. i Virpi Junttila Data analysis in forest measurements
15 Sparse Bayesian regression for one response Differentiation of the loglikelihood function L with respect to lnβ, which gives L ( ) ( ) lnβ = n + tr Σ w X T X β + tr (t Xµ) T (t Xµ) β = 0. After some manupulation σ 2 MP = n tr (I Σ w A) tr ( (t Xµ) T (t Xµ) ) = n γi tr ( (t Xµ) T (t Xµ) ). This equals to OLS estimates when α i = 0 i, which means infinite variances for weight priors, that is, there is no a priori limitation for the weights. Virpi Junttila Data analysis in forest measurements
16 Results in forest stand parameter estimation n = 185 plots measured in Matalansalo area. q = 5 forest stand parameters to be estimated. 27 variables + constant Stand-level (5-9 plots in a stand) average measurements added to the database. Leave-one-out results for Partial Least Squares (PLS), Sparse Bayesian regression (SB) and Sparse Bayesian Seemingly Unrelated regression (SBSUR). Virpi Junttila Data analysis in forest measurements
17 Results in forest stand parameter estimation Plot-level results: RMSE(%) Dgm Hgm N G V average PLS SB SBSUR Bias(%) PLS SB SUR Virpi Junttila Data analysis in forest measurements
18 Error covariances (SB=blue, SBSUR=red) Virpi Junttila Data analysis in forest measurements
19 Error correlation matrix C = Virpi Junttila Data analysis in forest measurements
20 5 Inventointihankkeet Suomessa Arbonautin hankkeiden asiakkaat: MK Pohjois-Pohjanmaa MK Etelä-Pohjanmaa MK Rannikko MK Pirkanmaa MK Lounais-Suomi MK Pohjois-Savo Metsähallitus UPM Ahlström Lukuisia MHY:tä kuvaus asiakkaana (Länsi-Suomi) 26. elokuuta 2010 Vesa Leppänen
21 Vesa Leppänen Inventointihankkeet Ruotsissa
22 26. elokuuta 2010 Vesa Leppänen 7 Automaattikuviointi Automaattikuviointi muodostetaan joko LiDAR:iin perustuvalta rasterilta tai LiDAR:n ja ilmakuvien yhdisteeltä. Automaattikuviointi muodostaa ns. mikrokuvioita, joiden kokoa voidaan säätää asiakkaan tarpeiden mukaan.
23 8 Inventointitulokset Inventoitulokset ennustetaan käyttäen eiparametrisia ennustusmenetelmiä. Inventointimalli, joka yhdistää selittävät ja selitettävät muuttujat, muodostetaan alueelle sopivaksi. Tulokset voidaan ennustaa Automaattisesti tuotetuille kuvioille Asiakkaan omille kuvioille Hilalle 26. elokuuta 2010 Vesa Leppänen
24 Vesa Leppänen 9 Sähkölinjojen dynamiikan mallinnus elementtimenetelmällä
25 Vesa Leppänen 10
26 Vesa Leppänen 11
27 Vesa Leppänen 12
28 Vesa Leppänen 13
29 Vesa Leppänen Sähkölinjojen kasvillisuusanalyysi Arbonaut Oy
30 Vesa Leppänen LiDAR-pistepilvi Tulkinnassa käytetty tyypillinen LiDAR-pistetiheys LiDAR-pistepilvi, jossa 28 havaintoa/m²
31 Vesa Leppänen Tulkintaprosessi 1.vaihe Esiprosessoitua LiDAR-dataa Kaikki pisteet default-luokassa
32 Vesa Leppänen Tulkintaprosessi 2.vaihe LiDAR-pisteet analysoitu ja luokiteltu lopullisiin pisteluokkiin
33 Vesa Leppänen Tulkintaprosessi 3.vaihe Analysoidun ja luokitellun LiDARdatan avulla muodostetaan linjoista 3D-malli
34 Vesa Leppänen Tulkintaprosessi 4a.vaihe 3D-mallin avulla löytyneet vaarakasvillisuuspisteet muunnetaan GIS-formaattiin FEA_ID Vaara-analyysi johdinten kuvaushetken asennossa
35 Vesa Leppänen Tulkintaprosessi 4b.vaihe 3D-mallin avulla voidaan mallintaa johdinten liike ääriolosuhteissa äärimmäiset sääolosuhteet virtakuormitus FEA_ID Vaara-analyysi johdinten ääriasennoissa
36 Vesa Leppänen Kasvillisuustiedon hyödyntäminen Huolellisesti analysoidun kasvillisuusyksikön tiedot viedään tietokantaan Kasvillisuustieto haetaan tietokannasta FEA_ID kyselyiden avulla eräajoina tai reaaliaikaisesti DATABASE verkon yli Raivaustoimienpiteet voidaan kuitata ja muuttuneet Analysoitu tiedot Vienti tallentaa keskitettyyn reaaliaikaisesti kasvillisuusyksikkö maastossa tietokantaan Tiedonhaku maastoon raivauksen avuksi
37 Vesa Leppänen Sähkölinja-analyysi Kartta tehdyistä projekteista km analysoitua sähkölinjaa USA:ssa
38 Vesa Leppänen Myrskytuhojen ehkäisy rautateillä Arbonaut Oy
39 Vesa Leppänen -yksittäisten ongelmapuiden paikantaminen -puiden tarkka mittaaminen hyödyntäen laserkeilaindataa ja ilmakuvia 24,6 m 24,6 m
40 Vesa Leppänen 30 m - lunastettavan puuston määrä tiedossa - toimenpiteet voidaan kohdistaa vain tarvittaville tiloille - puuston raivaus tarveperusteista (vrt. kiinteäsäteinen raivausvyöhyke) - oikeat kohteet löytyvät helposti
41 Vesa Leppänen Paljon kiitoksia! Oy Arbonaut Ltd Koskikatu 5B, FIN Joensuu Tel Fax
Efficiency change over time
Efficiency change over time Heikki Tikanmäki Optimointiopin seminaari 14.11.2007 Contents Introduction (11.1) Window analysis (11.2) Example, application, analysis Malmquist index (11.3) Dealing with panel
LisätiedotCapacity Utilization
Capacity Utilization Tim Schöneberg 28th November Agenda Introduction Fixed and variable input ressources Technical capacity utilization Price based capacity utilization measure Long run and short run
LisätiedotTree map system in harvester
Tree map system in harvester Fibic seminar 12.6.2013 Lahti Timo Melkas, Metsäteho Oy Mikko Miettinen, Argone Oy Kalle Einola, Ponsse Oyj Project goals EffFibre project 2011-2013 (WP3) To evaluate the accuracy
LisätiedotThe CCR Model and Production Correspondence
The CCR Model and Production Correspondence Tim Schöneberg The 19th of September Agenda Introduction Definitions Production Possiblity Set CCR Model and the Dual Problem Input excesses and output shortfalls
LisätiedotResearch plan for masters thesis in forest sciences. The PELLETime 2009 Symposium Mervi Juntunen
Modelling tree and stand characteristics and estimating biomass removals and harvesting costs of lodgepole pine (Pinus contorta) plantations in Iceland Research plan for masters thesis in forest sciences
Lisätiedot16. Allocation Models
16. Allocation Models Juha Saloheimo 17.1.27 S steemianalsin Optimointiopin seminaari - Sks 27 Content Introduction Overall Efficienc with common prices and costs Cost Efficienc S steemianalsin Revenue
LisätiedotBiomassatulkinta LiDARilta
Biomassatulkinta LiDARilta 1 Biomassatulkinta LiDARilta Jarno Hämäläinen (MMM) Kestävän kehityksen metsävarapalveluiden yksikkö (REDD and Sustainable Forestry Services) 2 Sisältö Referenssit Johdanto Mikä
LisätiedotValuation of Asian Quanto- Basket Options
Valuation of Asian Quanto- Basket Options (Final Presentation) 21.11.2011 Thesis Instructor and Supervisor: Prof. Ahti Salo Työn saa tallentaa ja julkistaa Aalto-yliopiston avoimilla verkkosivuilla. Muilta
LisätiedotReturns to Scale II. S ysteemianalyysin. Laboratorio. Esitelmä 8 Timo Salminen. Teknillinen korkeakoulu
Returns to Scale II Contents Most Productive Scale Size Further Considerations Relaxation of the Convexity Condition Useful Reminder Theorem 5.5 A DMU found to be efficient with a CCR model will also be
LisätiedotGap-filling methods for CH 4 data
Gap-filling methods for CH 4 data Sigrid Dengel University of Helsinki Outline - Ecosystems known for CH 4 emissions; - Why is gap-filling of CH 4 data not as easy and straight forward as CO 2 ; - Gap-filling
LisätiedotI. Principles of Pointer Year Analysis
I. Principles of Pointer Year Analysis Fig 1. Maximum (red) and minimum (blue) pointer years. 1 Fig 2. Principle of pointer year calculation. Fig 3. Skeleton plot graph created by Kinsys/Kigraph programme.
LisätiedotNational Building Code of Finland, Part D1, Building Water Supply and Sewerage Systems, Regulations and guidelines 2007
National Building Code of Finland, Part D1, Building Water Supply and Sewerage Systems, Regulations and guidelines 2007 Chapter 2.4 Jukka Räisä 1 WATER PIPES PLACEMENT 2.4.1 Regulation Water pipe and its
LisätiedotBounds on non-surjective cellular automata
Bounds on non-surjective cellular automata Jarkko Kari Pascal Vanier Thomas Zeume University of Turku LIF Marseille Universität Hannover 27 august 2009 J. Kari, P. Vanier, T. Zeume (UTU) Bounds on non-surjective
LisätiedotLiitutaululta viidakkoon Arbonautin avaimet kansainvälisyyteen
www.arbonaut.fi Liitutaululta viidakkoon Arbonautin avaimet kansainvälisyyteen Tuomo Kauranne, Arbonaut Oy 3. 10. 2013 Arbonaut Oy Perustettu 1994 Perustajat Tuomo Kauranne, Pertti Jyrkönen, Joensuun Tiedepuisto
LisätiedotKehittyvien satelliittiaineistojen mahdollisuudet
VTT TECHNICAL RESEARCH CENTRE OF FINLAND LTD Kehittyvien satelliittiaineistojen mahdollisuudet Forest Big Data loppuseminaari, Heureka 8.3.2016 Tuomas Häme, Laura Sirro, Yrjö Rauste VTT VTT:n satelliittikuvatutkimusaiheet
Lisätiedot1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward.
START START SIT 1. SIT. The handler and dog stop with the dog sitting at heel. When the dog is sitting, the handler cues the dog to heel forward. This is a static exercise. SIT STAND 2. SIT STAND. The
LisätiedotFrequencies. Frequency Table
GET FILE='C:\Documents and Settings\haukkala\My Documents\kvanti\kvanti_harjo'+ '_label.sav'. DATASET NAME DataSet WINDOW=FRONT. FREQUENCIES VARIABLES=koulv paino /ORDER= ANALYSIS. Frequencies [DataSet]
LisätiedotE80. Data Uncertainty, Data Fitting, Error Propagation. Jan. 23, 2014 Jon Roberts. Experimental Engineering
Lecture 2 Data Uncertainty, Data Fitting, Error Propagation Jan. 23, 2014 Jon Roberts Purpose & Outline Data Uncertainty & Confidence in Measurements Data Fitting - Linear Regression Error Propagation
LisätiedotLYTH-CONS CONSISTENCY TRANSMITTER
LYTH-CONS CONSISTENCY TRANSMITTER LYTH-INSTRUMENT OY has generate new consistency transmitter with blade-system to meet high technical requirements in Pulp&Paper industries. Insurmountable advantages are
LisätiedotHARJOITUS- PAKETTI A
Logistiikka A35A00310 Tuotantotalouden perusteet HARJOITUS- PAKETTI A (6 pistettä) TUTA 19 Luento 3.Ennustaminen County General 1 piste The number of heart surgeries performed at County General Hospital
LisätiedotT Statistical Natural Language Processing Answers 6 Collocations Version 1.0
T-61.5020 Statistical Natural Language Processing Answers 6 Collocations Version 1.0 1. Let s start by calculating the results for pair valkoinen, talo manually: Frequency: Bigrams valkoinen, talo occurred
LisätiedotAlternative DEA Models
Mat-2.4142 Alternative DEA Models 19.9.2007 Table of Contents Banker-Charnes-Cooper Model Additive Model Example Data Home assignment BCC Model (Banker-Charnes-Cooper) production frontiers spanned by convex
LisätiedotOlosuhdetieto. Metsäntutkimuksen ja päätöksenteon apuna. Metsäteho Timo Tokola. UEF // University of Eastern Finland
Olosuhdetieto Metsäntutkimuksen ja päätöksenteon apuna Metsäteho 22.6.2016 Timo Tokola Metsätiedon kehittämisen kokonaisuus Tokola 21.11.2016 2 Tausta ja sisältö Olosuhdetieto puunkorjuussa Suvinen et
LisätiedotMetsäkeilauksista suunnistuskarttoja?
Metsäkeilauksista suunnistuskarttoja? Suunnistuskartoittajien talvipäivä 5.2.2011 Jussi Peuhkurinen 2 Arbonaut lyhyesti Perustettu 1994 Päätoimisto Joensuussa Sivutoimistot Helsingissä ja Vermontissa Konsultointi-,
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Calculation: N117 x 9 x HH141 Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG
Lisätiedot812336A C++ -kielen perusteet, 21.8.2010
812336A C++ -kielen perusteet, 21.8.2010 1. Vastaa lyhyesti seuraaviin kysymyksiin (1p kaikista): a) Mitä tarkoittaa funktion ylikuormittaminen (overloading)? b) Mitä tarkoittaa jäsenfunktion ylimääritys
LisätiedotResults on the new polydrug use questions in the Finnish TDI data
Results on the new polydrug use questions in the Finnish TDI data Multi-drug use, polydrug use and problematic polydrug use Martta Forsell, Finnish Focal Point 28/09/2015 Martta Forsell 1 28/09/2015 Esityksen
LisätiedotLiitutaululta viidakkoon globaalia liiketoimintaa biotaloudesta ja sen rajapinnoilta
www.arbonaut.fi Liitutaululta viidakkoon globaalia liiketoimintaa biotaloudesta ja sen rajapinnoilta Tuomo Kauranne, Arbonaut Oy 7. 11. 2013 Arbonaut Oy Perustettu 1994 Perustajat Tuomo Kauranne, Pertti
LisätiedotOperatioanalyysi 2011, Harjoitus 2, viikko 38
Operatioanalyysi 2011, Harjoitus 2, viikko 38 H2t1, Exercise 1.1. H2t2, Exercise 1.2. H2t3, Exercise 2.3. H2t4, Exercise 2.4. H2t5, Exercise 2.5. (Exercise 1.1.) 1 1.1. Model the following problem mathematically:
LisätiedotCapacity utilization
Mat-2.4142 Seminar on optimization Capacity utilization 12.12.2007 Contents Summary of chapter 14 Related DEA-solver models Illustrative examples Measure of technical capacity utilization Price-based measure
LisätiedotMetsälamminkankaan tuulivoimapuiston osayleiskaava
VAALAN KUNTA TUULISAIMAA OY Metsälamminkankaan tuulivoimapuiston osayleiskaava Liite 3. Varjostusmallinnus FCG SUUNNITTELU JA TEKNIIKKA OY 12.5.2015 P25370 SHADOW - Main Result Assumptions for shadow calculations
Lisätiedot1. PÄÄTTELY YHDEN SELITTÄJÄN LINEAARISESTA REGRESSIOMALLISTA
Mat-2.104 Tilastollisen analyysin perusteet / Ratkaisut Aiheet: Avainsanat Päättely yhden selittäjän lineaarisesta regressiomallista Ennustaminen, Ennuste, Ennusteen luottamusväli, Estimaatti, Estimaattori,
Lisätiedot( ,5 1 1,5 2 km
Tuulivoimala Rakennukset Asuinrakennus Liikerak. tai Julkinen rak. Lomarakennus Teollinen rakennus Kirkollinen rakennus Varjostus "real case" h/a 1 h/a 8 h/a 20 h/a 4 5 3 1 2 6 7 8 9 10 0 0,5 1 1,5 2 km
LisätiedotOther approaches to restrict multipliers
Other approaches to restrict multipliers Heikki Tikanmäki Optimointiopin seminaari 10.10.2007 Contents Short revision (6.2) Another Assurance Region Model (6.3) Cone-Ratio Method (6.4) An Application of
LisätiedotDigitally signed by Hans Vadbäck DN: cn=hans Vadbäck, o, ou=fcg Suunnittelu ja Tekniikka Oy, email=hans.vadback@fcg.fi, c=fi Date: 2016.12.20 15:45:35 +02'00' Jakob Kjellman Digitally signed by Jakob Kjellman
LisätiedotWindPRO version joulu 2012 Printed/Page :42 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 13.6.2013 19:42 / 1 Minimum
Lisätiedot19. Statistical Approaches to. Data Variations Tuomas Koivunen S ysteemianalyysin. Laboratorio. Optimointiopin seminaari - Syksy 2007
19. Statistical Approaches to Data Variations Tuomas Koivunen 24.10.2007 Contents 1. Production Function 2. Stochastic Frontier Regressions 3. Example: Study of Texas Schools 4. Example Continued: Simulation
LisätiedotOn instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31)
On instrument costs in decentralized macroeconomic decision making (Helsingin Kauppakorkeakoulun julkaisuja ; D-31) Juha Kahkonen Click here if your download doesn"t start automatically On instrument costs
LisätiedotKMTK lentoestetyöpaja - Osa 2
KMTK lentoestetyöpaja - Osa 2 Veijo Pätynen 18.10.2016 Pasila YHTEISTYÖSSÄ: Ilmailun paikkatiedon hallintamalli Ilmailun paikkatiedon hallintamalli (v0.9 4.3.2016) 4.4 Maanmittauslaitoksen rooli ja vastuut...
Lisätiedot7.4 Variability management
7.4 Variability management time... space software product-line should support variability in space (different products) support variability in time (maintenance, evolution) 1 Product variation Product
LisätiedotHealth 2000/2011 Surveys. Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013. Esa Virtala. etunimi.sukunimi@thl.
Health 2000/2011 Surveys Statistical Analysis using SAS and SAS-Callable SUDAAN Packages 17.6.2013 Esa Virtala etunimi.sukunimi@thl.fi Terveyden ja hyvinvoinnin laitos (THL) PL 30 00271 Helsinki Puhelin:
Lisätiedot( ( OX2 Perkkiö. Rakennuskanta. Varjostus. 9 x N131 x HH145
OX2 9 x N131 x HH145 Rakennuskanta Asuinrakennus Lomarakennus Liike- tai julkinen rakennus Teollinen rakennus Kirkko tai kirkollinen rak. Muu rakennus Allas Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 2 km
LisätiedotWindPRO version joulu 2012 Printed/Page :47 / 1. SHADOW - Main Result
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 22.12.2014 11:33 / 1 Minimum
LisätiedotTynnyrivaara, OX2 Tuulivoimahanke. ( Layout 9 x N131 x HH145. Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a
, Tuulivoimahanke Layout 9 x N131 x HH145 Rakennukset Asuinrakennus Lomarakennus 9 x N131 x HH145 Varjostus 1 h/a 8 h/a 20 h/a 0 0,5 1 1,5 km 2 SHADOW - Main Result Assumptions for shadow calculations
LisätiedotLand-Use Model for the Helsinki Metropolitan Area
Land-Use Model for the Helsinki Metropolitan Area Paavo Moilanen Introduction & Background Metropolitan Area Council asked 2005: What is good land use for the transport systems plan? At first a literature
Lisätiedot,0 Yes ,0 120, ,8
SHADOW - Main Result Calculation: Alue 2 ( x 9 x HH120) TuuliSaimaa kaavaluonnos Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered
LisätiedotOperatioanalyysi 2011, Harjoitus 4, viikko 40
Operatioanalyysi 2011, Harjoitus 4, viikko 40 H4t1, Exercise 4.2. H4t2, Exercise 4.3. H4t3, Exercise 4.4. H4t4, Exercise 4.5. H4t5, Exercise 4.6. (Exercise 4.2.) 1 4.2. Solve the LP max z = x 1 + 2x 2
LisätiedotMilloin. kannattaa paaluttaa? Väitöstutkimus. Turun perustustenvahvistuksesta
Milloin kannattaa paaluttaa? Väitöstutkimus Turun perustustenvahvistuksesta Jouko Lehtonen 26.1.2012 Perustustenvahvistushanke; rakennuttajan näkökulmia tekniikkaan, talouteen ja projektinhallintaan Underpinning
LisätiedotData quality points. ICAR, Berlin,
Data quality points an immediate and motivating supervision tool ICAR, Berlin, 22.5.2014 Association of ProAgria Centres Development project of Milk Recording Project manager, Heli Wahlroos heli.wahlroos@proagria.fi
LisätiedotS Sähkön jakelu ja markkinat S Electricity Distribution and Markets
S-18.3153 Sähkön jakelu ja markkinat S-18.3154 Electricity Distribution and Markets Voltage Sag 1) Kolmivaiheinen vastukseton oikosulku tapahtuu 20 kv lähdöllä etäisyydellä 1 km, 3 km, 5 km, 8 km, 10 km
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table 5.11.2013 16:44 / 1 Minimum
Lisätiedot( N117 x HH141 ( Honkajoki N117 x 9 x HH120 tv-alueet ( ( ( ( ( ( ( ( ( ( m. Honkajoki & Kankaanpää tuulivoimahankkeet
Honkajoki & Kankaanpää tuulivoimahankkeet N117 x HH141 Honkajoki N117 x 9 x HH120 tv-alueet Alahonkajoki_kaava_alueen_raja_polyline Asuinrakennus Julkinen tai liiker rak. Lomarakennus Teollinen rak. Allas
LisätiedotPURO - Puuraaka-aineen määrän ja laadun optimointi metsänkasvatuksessa ja teollisuuden prosesseissa
PURO - Puuraaka-aineen määrän ja laadun optimointi metsänkasvatuksessa ja teollisuuden prosesseissa Ympäristötekijöiden vaikutus puun ja puukuitujen ominaisuuksiin Pekka Saranpää Harri Mäkinen Tuula Jaakkola
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotPuustotietojen keruun tekniset vaihtoehdot, kustannustehokkuus ja tarkkuus
Puustotietojen keruun tekniset vaihtoehdot, kustannustehokkuus ja tarkkuus Janne Uuttera Metsätehon seminaari 8.5.2007 Metsävaratietojärjestelmien tulevaisuus Tausta Tietojohtamisen välineissä, kuten metsävaratietojärjestelmissä,
LisätiedotChoose Finland-Helsinki Valitse Finland-Helsinki
Write down the Temporary Application ID. If you do not manage to complete the form you can continue where you stopped with this ID no. Muista Temporary Application ID. Jos et onnistu täyttää lomake loppuun
LisätiedotSupplementary Table S1. Material list (a) Parameters Sal to Str
Tooth wear as a means to quantify intra-specific variations in diet and chewing movements - Scientific Reports 2016, 6:3037 Ivan Calandra, Gaëlle Labonne, Ellen Schulz-Kornas, Thomas M. Kaiser & Sophie
LisätiedotMS-A0504 First course in probability and statistics
MS-A0504 First course in probability and statistics Week 6 Statistical dependence and linear regression Heikki Seppälä Department of mathematics and system analysis School of science Aalto University Spring
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotReFuel 70 % Emission Reduction Using Renewable High Cetane Number Paraffinic Diesel Fuel. Kalle Lehto, Aalto-yliopisto 5.5.
ReFuel 70 % Emission Reduction Using Renewable High Cetane Number Paraffinic Diesel Fuel Kalle Lehto, Aalto-yliopisto 5.5.2011 Otaniemi ReFuel a three year research project (2009-2011) goal utilize the
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotStatistical design. Tuomas Selander
Statistical design Tuomas Selander 28.8.2014 Introduction Biostatistician Work area KYS-erva KYS, Jyväskylä, Joensuu, Mikkeli, Savonlinna Work tasks Statistical methods, selection and quiding Data analysis
LisätiedotTietorakenteet ja algoritmit
Tietorakenteet ja algoritmit Taulukon edut Taulukon haitat Taulukon haittojen välttäminen Dynaamisesti linkattu lista Linkatun listan solmun määrittelytavat Lineaarisen listan toteutus dynaamisesti linkattuna
Lisätiedotx = y x i = y i i = 1, 2; x + y = (x 1 + y 1, x 2 + y 2 ); x y = (x 1 y 1, x 2 + y 2 );
LINEAARIALGEBRA Harjoituksia/Exercises 2017 1. Olkoon n Z +. Osoita, että (R n, +, ) on lineaariavaruus, kun vektoreiden x = (x 1,..., x n ), y = (y 1,..., y n ) identtisyys, yhteenlasku ja reaaliluvulla
LisätiedotS-55.1100 SÄHKÖTEKNIIKKA JA ELEKTRONIIKKA
S-55.00 SÄHKÖKNKKA A KONKKA. välikoe 2..2008. Saat vastata vain neljään tehtävään!. aske jännite U. = 4 Ω, 2 = Ω, = Ω, = 2, 2 =, = A, 2 = U 2 2 2 2. ännitelähde tuottaa hetkestä t = t < 0 alkaen kaksiportaisen
LisätiedotRakennukset Varjostus "real case" h/a 0,5 1,5
Tuulivoimala Rakennukset Asuinrakennus Liikerak. tai Julkinen rak. Lomarakennus Teollinen rakennus Kirkollinen rakennus Varjostus "real case" h/a 1 h/a 8 h/a 20 h/a 1 2 3 5 8 4 6 7 9 10 0 0,5 1 1,5 2 km
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.9.269
LisätiedotC++11 seminaari, kevät Johannes Koskinen
C++11 seminaari, kevät 2012 Johannes Koskinen Sisältö Mikä onkaan ongelma? Standardidraftin luku 29: Atomiset tyypit Muistimalli Rinnakkaisuus On multicore systems, when a thread writes a value to memory,
LisätiedotKaivostoiminnan eri vaiheiden kumulatiivisten vaikutusten huomioimisen kehittäminen suomalaisessa luonnonsuojelulainsäädännössä
M a t t i K a t t a i n e n O T M 1 1. 0 9. 2 0 1 9 Kaivostoiminnan eri vaiheiden kumulatiivisten vaikutusten huomioimisen kehittäminen suomalaisessa luonnonsuojelulainsäädännössä Ympäristöoikeustieteen
LisätiedotSIMULINK S-funktiot. SIMULINK S-funktiot
S-funktio on ohjelmointikielellä (Matlab, C, Fortran) laadittu oma algoritmi tai dynaamisen järjestelmän kuvaus, jota voidaan käyttää Simulink-malleissa kuin mitä tahansa valmista lohkoa. S-funktion rakenne
LisätiedotHarjoittele tulkintoja
Harjoittele tulkintoja Syksy 9: KT (55 op) Kvantitatiivisen aineiston keruu ja analyysi SPSS tulosteiden tulkintaa/til Analyysit perustuvat aineistoon: Haavio-Mannila, Elina & Kontula, Osmo (1993): Suomalainen
LisätiedotFinFamily PostgreSQL installation ( ) FinFamily PostgreSQL
FinFamily PostgreSQL 1 Sisällys / Contents FinFamily PostgreSQL... 1 1. Asenna PostgreSQL tietokanta / Install PostgreSQL database... 3 1.1. PostgreSQL tietokannasta / About the PostgreSQL database...
LisätiedotThe relationship between leisuretime physical activity and work stress with special reference to heart rate variability analyses
The relationship between leisuretime physical activity and work stress with special reference to heart rate variability analyses Teisala Tiina, TtM, tohtorikoulutettava Jyväskylän yliopisto Terveystieteiden
LisätiedotRINNAKKAINEN OHJELMOINTI A,
RINNAKKAINEN OHJELMOINTI 815301A, 18.6.2005 1. Vastaa lyhyesti (2p kustakin): a) Mitkä ovat rinnakkaisen ohjelman oikeellisuuskriteerit? b) Mitä tarkoittaa laiska säikeen luominen? c) Mitä ovat kohtaaminen
Lisätiedot[MTTTA] TILASTOMENETELMIEN PERUSTEET, KEVÄT 209 https://coursepages.uta.fi/mttta/kevat-209/ HARJOITUS 5 viikko 8 RYHMÄT: ke 2.5 3.45 ls. C6 Leppälä to 08.30 0.00 ls. C6 Korhonen to 2.5 3.45 ls. C6 Korhonen
LisätiedotGraph. COMPUTE x=rv.normal(0,0.04). COMPUTE y=rv.normal(0,0.04). execute.
COMPUTE x=rv.ormal(0,0.04). COMPUTE y=rv.ormal(0,0.04). execute. compute hplib_man_r = hplib_man + x. compute arvokons_man_r = arvokons_man + y. GRAPH /SCATTERPLOT(BIVAR)=hplib_man_r WITH arvokons_man_r
LisätiedotHow to handle uncertainty in future projections?
How to handle uncertainty in future projections? Samu Mäntyniemi, Fisheries and Environmental Management group (FEM), University of Helsinki http://www.helsinki.fi/science/fem/ Biotieteellinen tiedekunta
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
VE1 SHADOW - Main Result Calculation: 8 x Nordex N131 x HH145m Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please
LisätiedotInfrastruktuurin asemoituminen kansalliseen ja kansainväliseen kenttään Outi Ala-Honkola Tiedeasiantuntija
Infrastruktuurin asemoituminen kansalliseen ja kansainväliseen kenttään Outi Ala-Honkola Tiedeasiantuntija 1 Asemoitumisen kuvaus Hakemukset parantuneet viime vuodesta, mutta paneeli toivoi edelleen asemoitumisen
LisätiedotFIS IMATRAN KYLPYLÄHIIHDOT Team captains meeting
FIS IMATRAN KYLPYLÄHIIHDOT 8.-9.12.2018 Team captains meeting 8.12.2018 Agenda 1 Opening of the meeting 2 Presence 3 Organizer s personell 4 Jury 5 Weather forecast 6 Composition of competitors startlists
LisätiedotKONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ
KONEISTUSKOKOONPANON TEKEMINEN NX10-YMPÄRISTÖSSÄ https://community.plm.automation.siemens.com/t5/tech-tips- Knowledge-Base-NX/How-to-simulate-any-G-code-file-in-NX- CAM/ta-p/3340 Koneistusympäristön määrittely
LisätiedotMaaston ja tiestön kantavuuden ennustaminen. Jori Uusitalo Jari Ala-ilomäki Harri Lindeman Tomi Kaakkurivaara Nuutti Vuorimies Pauli Kolisoja
Maaston ja tiestön kantavuuden ennustaminen Jori Uusitalo Jari Ala-ilomäki Harri Lindeman Tomi Kaakkurivaara Nuutti Vuorimies Pauli Kolisoja Metsätien kantavuuden mittaus Pudotuspainolaitteet Loadman ja
Lisätiedotanna minun kertoa let me tell you
anna minun kertoa let me tell you anna minun kertoa I OSA 1. Anna minun kertoa sinulle mitä oli. Tiedän että osaan. Kykenen siihen. Teen nyt niin. Minulla on oikeus. Sanani voivat olla puutteellisia mutta
LisätiedotThe Viking Battle - Part Version: Finnish
The Viking Battle - Part 1 015 Version: Finnish Tehtävä 1 Olkoon kokonaisluku, ja olkoon A n joukko A n = { n k k Z, 0 k < n}. Selvitä suurin kokonaisluku M n, jota ei voi kirjoittaa yhden tai useamman
LisätiedotSkene. Games Refueled. Muokkaa perustyyl. napsautt. @Games for Health, Kuopio. 2013 kari.korhonen@tekes.fi. www.tekes.fi/skene
Skene Muokkaa perustyyl. Games Refueled napsautt. @Games for Health, Kuopio Muokkaa alaotsikon perustyyliä napsautt. 2013 kari.korhonen@tekes.fi www.tekes.fi/skene 10.9.201 3 Muokkaa Skene boosts perustyyl.
LisätiedotTeknillinen tiedekunta, matematiikan jaos Numeeriset menetelmät
Numeeriset menetelmät 1. välikoe, 14.2.2009 1. Määrää matriisin 1 1 a 1 3 a a 4 a a 2 1 LU-hajotelma kaikille a R. Ratkaise LU-hajotelmaa käyttäen yhtälöryhmä Ax = b, missä b = [ 1 3 2a 2 a + 3] T. 2.
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
LisätiedotUNIVERSITY OF HELSINKI Faculty of Agriculture and Forestry Department of Forest Sciences
UNIVERSITY OF HELSINKI Faculty of Agriculture and Forestry Department of Forest Sciences Upper Stem Diameter and Volume Prediction Strategies in National Forest Inventory (NFI) Virpi Stenman Master s Thesis
Lisätiedot3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ
Puhe ja kieli, 27:4, 141 147 (2007) 3 9-VUOTIAIDEN LASTEN SUORIUTUMINEN BOSTONIN NIMENTÄTESTISTÄ Soile Loukusa, Oulun yliopisto, suomen kielen, informaatiotutkimuksen ja logopedian laitos & University
LisätiedotOpetus talteen ja jakoon oppilaille. Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi 9.9.2011
Opetus talteen ja jakoon oppilaille Kokemuksia Aurajoen lukion tuotantoluokan toiminnasta Anna Saivosalmi 9.9.2011 Aurajoen lukio ISOverstaan jäsen syksystä 2010 lähtien ISOverstas on maksullinen verkko-oppimisen
LisätiedotTietoa Joensuun Eliittikisoista
Tietoa Joensuun Eliittikisoista Harjoittelu ja verryttely Yleisurheilukenttä (Keskuskenttä) Kisan aikana Joensuu Areena + kuntosali Pesäpallokenttä ja Louhelan kenttä heitoille Uimahalli Vesikko + kuntosali
LisätiedotVARIANSSIANALYYSI ANALYSIS OF VARIANCE
VARIANSSIANALYYSI ANALYSIS OF VARIANCE 1 Suomalaisten aikuisten pituusjakauma:.8.7.6.5.4.3.2.1 14 15 16 17 18 19 2 21 Jakauma ei ole normaali, sen olettaminen sellaiseksi johtaa virheellisiin päätelmiin.
LisätiedotSPSS-pikaohje. Jukka Jauhiainen OAMK / Tekniikan yksikkö
SPSS-pikaohje Jukka Jauhiainen OAMK / Tekniikan yksikkö SPSS on ohjelmisto tilastollisten aineistojen analysointiin. Hyvinvointiteknologian ATK-luokassa on asennettuna SPSS versio 13.. Huom! Ainakin joissakin
LisätiedotUusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition)
Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition) Esko Jalkanen Click here if your download doesn"t start automatically Uusi Ajatus Löytyy Luonnosta 4 (käsikirja) (Finnish Edition) Esko Jalkanen
LisätiedotLaserkeilauspohjaiset laskentasovellukset
Laserkeilauspohjaiset laskentasovellukset Petteri Packalén Matti Maltamo Laseraineiston käsittely: Ohjelmistot, formaatit ja standardit Ei kovin monia ohjelmia laserpisteaineiston käsittelyyn» Terrasolid
LisätiedotTM ETRS-TM35FIN-ETRS89 WTG
SHADOW - Main Result Assumptions for shadow calculations Maximum distance for influence Calculate only when more than 20 % of sun is covered by the blade Please look in WTG table WindPRO version 2.8.579
Lisätiedot