Forest Big Data, uuden sukupolven metsävara7etojärjestelmät Tapio Räsänen Metsäteho Oy

Transkriptio

1 Forest Big Data, uuden sukupolven metsävara7etojärjestelmät Tapio Räsänen Metsäteho Oy Bitcomp Oy:n kesäseminaari Vantaa

2 Tehokas puuhuolto visio Tehostuva, täsmäohjattu puuhuolto parantaa metsäteollisuuden kilpailukykyä sekä turvaa sen kasvun ja uudistumisen. 2

3 Vision taustaa Tehokas puuhuolto vision taustalla olevat tavoitteet: Biotalouden toiminta- ja kasvuedellytykset pidetään kunnossa. Puuraaka-aineesta saadaan enemmän lisäarvoa koko arvoketjuun. Puutavaralogistiikan kustannustehokkuus paranee. Puuntuotanto tehostuu kannattavasti. Puuhuoltoon tuodaan tehokkaita teollisia toimintamalleja. 3

4 T&K-päämäärät 4

5 Forest Big Data - visio Kaikkia metsäalan toimijoita palveleva valtakunnallinen seuraavan sukupolven metsävara7etojärjestelmä, joka sisältää nykyistä tarkemmat, monipuolisemmat ja ajantasaisemmat puusto- ja olosuhde7edot. => Kustannustehokkaampi puutavaralogis7ikka ja kannadavampi metsänhoito, lisätuodoja arvoketjuun, huippuosaamista ja uusia vien7tuodeita. Metsävara=eto on keskeinen osa metsäsektorin infrastruktuuria. Tarkemmasta metsä=edosta hyötyvät kaikki arvoketjun toimijat. 5

6 FBD visio - case puunhankinta Runkolukusarja & laatutietoa Ref.tieto & päivitys Sähköinen puukauppa, runko-/r-osahinnoittelu, DSS Ohjausinformaatio Katkonta & ohjaus, DSS Pysyvät ja muuttuvat olosuhdetiedot 6

7 Forest Big Data hankkeen partnerit Yritykset Arbonaut Finnish Wood Research (FWR) Metsähallitus MetsäliiDo Metsäteho Ponsse Savcor Simosol Stora Enso TimberVision Tres7ma UPM + Suomen metsäkeskus Tutkimusorganisaa7ot Aalto University Finnish Geode=c Ins=tute (FGI) Luonnonvarakeskus (Luke) Tampere University of Technology (TUT) University of Helsinki (UH) VTT University of Eastern Finland (UEF) Forest Big Data on osa DIGILEn Data to Intelligence ohjelmaa (D2I) - mukana ohjelmassa omana miniekosysteeminään budjeu 1,3 m (2014) + 2,0 m (2015), n. 50 % Tekes- rahoi\eista 7

8 Forest Big Data - 7ekarDa MMM & alan toimijat Visio Es=moin= ja datafuusio Puustotunnukset Tietoarkkitehtuur i Tietorakenteet Uuden järjestelmän sisältö ja pelisäännöt - Tietosisältö, toimijoiden roolit, käy\öoikeudet, =etostandardit ym. Organisoin= ja rahoitus - Tiedon keruu, päivitys ja jakelu, järjestelmän rakentaminen, hallinta ja kehi\äminen ym. Sovelluskonsep=en pilotoin= Olosuhdetunnukset Tulosten soveltaminen - Integroin= nykyjärjestelmiin FBD-tutkimuksen tulos: Tekniset mahdollisuudet Hyötypotentiaali Järjestelmäkonsepti Menetelmäehdotukset Seuraavan sukupolven metsävara=etojärjestelmä 8

9 Forest Big Datan käydömahdollisuuksia metsätaloudessa ja teollisuuden puuhuollossa Metsä=e- verkkojärjestelmä Alueelliset hakkuu- mahdollisuudet Metsän- hoitopalvelut Dynaaminen metsäsuunni\elu Metsäkoneen- kulje\ajaa avustavat järjestelmät Puunkorjuun ja metsänhoidon työmaasuunni\elu Sähköinen puukauppa Katkonnan ohjaus Tiestön kelirikko- palvelu Fleet management Jalostusarvo- perusteinen tuotannon- ohjaus FOREST BIG DATA PLATFORM Metsävaratietojärjestelmät Datalähde 1 Viranomaisdata Datalähde 2 Olosuhdetiedot Toiminnoissa syntyvä data Datalähde 3 Kansalaisten data Kaupallinen data Avoin data Toimijoiden yksityinen data 9

10 Forest Big Data platorm Lähde: Risto Ritala, TTY 10

11 KehiDyvät puusto7edon hankintamenetelmät Lähde: Markus Holopainen, HY 11

12 Katkonnan ohjaus Simuloinnin lähtötiedot yhtiöiden metsäjärjestelmistä korjuukohteittain Parametriset kokojakaumamallit Simuloitavan puujoukon muodostus Läpimitta- ja pituusjakaumat Puujoukot StanForD 2010 hpr -muotoon Katkonnan ohjaustiedostojen (pin) muodostus Korjuukohteen perustiedot Puuston keskitunnukset puulajeittain Ei-parametriset datalähtöiset menetelmät (mm. MSN) Simuloinnin puujoukko valintana runkopankkitietovarastosta Runkoprofiilit Runkojen laatuositteet (oksarajakorkeudet ja vikaisuudet) Simulointi Runkolukusarjat Yhtiökohtaiset tai yleiset tietovarastot palvelussa Puun laatumallit Runkopankki (hakkuukoneen tuotantotiedot) Puun laatutietopankki (mm. tukkiröntgen- ja tukkimittaridataa) 12

13 KäsiDelykuvioiden muodostaminen perinteisestä metsikkökuvioinnista hilatasoisen puusto- ja olosuhde=edon analysoinnilla toimenpidekuvioin=in joustava käsi\ely- yksiköiden muodostus ja niiden koon kasva\aminen korjuukelpoisuusluokituksen kehi\äminen Lähde: Jussi Peuhkurinen, Arbonaut Oy 13

14 Ajourakone Tavoitteena on kehittää toimijoiden yhteinen pilvipalvelu, jolla voidaan tuottaa kohdekohtaisesti korjuutyömaan ennakkosuunnittelussa ja metsäkuljetuksen suunnittelussa tarvittavat tiedot. Tavoiteltavat hyödyt - laadukkaampi leimikonsuunnittelu huomioiden korjuuolosuhteet, puuston sijainti leimikolla ja esteet - parempi korjuujälki (maastovauriot, ajourien määrä) - metsäkuljetuksen parempi tuottavuus ja kustannuskilpailukyky # Lähde: Olli Laitinen, Metsä Group Lähde: Kari Väätäinen, Metla 14

15 Dynaaminen metsäsuunnidelu ajantasaisiin puusto- ja olosuhde=etoihin, kustannuksiin ja puutavaran hintoihin perustuva metsän kehityksen ja käsi\elyvaihtoehtojen simuloin= ja laskenta metsänomistajan tavoi\eiden mukainen ja op=maalinen kokonaisratkaisu metsälötasolla sovelluskehitykseen yhteinen, avoin työkalupakki Metsään.fi metsävara=edot tai vanhat metsäsuunni\elu- =edot Hilatasoiset puusto=edot Metsäsuunnittelun elementit Reaaliaikainen puustotieto metsävaratietojärjestelmässä hilatasolla mm. puusto=edot, metsälakikohteet toimenpide- ehdotus Toimenpidekuvioinnin muodostaminen tarpeiden ja metsän kehityksen mukaan o metsänomistajan tavoitteet ja päätöskriteerit kuvioinnissa huomioon Kiinteistörajat Puusto- mi\aukset ja kuvadata (mallien paikallinen kalibroin=) Lähde: Vaihtoehtojen laskenta simulointiin perustuen o o o o Korjuukelpoisuus- luokitus Taustakar(atasoiset aineistot Maastokartat, =estö, maaston korkeusmalli metsän kasvun ja kehityksen laskenta metsän arvon laskenta toimenpideohjelman muodostus kehityksen ja toimenpiteiden visualisointi Suunnitelman päivitys tehtyjen toimenpiteiden perusteella Maaperä- ja maalaji=edot Ilmakuvat Sähkölinjat, kaapelit ym. Muita: kaava=edot suojelualueet uhanalaisten lajien esiintyminen muinaismuistot 15

16 Hakkuukonedata kaukokartoituksen referenssi7etona ja metsävara7etojen päivityksessä 16

17 Big Data puutavaran kuljetuksessa Viranomaiset Rekisteri=etojen yhdistäminen Olosuhde=etojen yhdistäminen Kunto- ja olosuhde=etojen tuo\ajat, hoitoyhdistykset Kunto=edot Keli=edot Liikenne=edot Yksityis=ekunnat Yksityisteiden =edot Metsäyh=öt Puuhankintojen suuntautuminen Ajoneuvot (laveuautot, auraus, kuljetus) Ajantasaiset kunto- ja olosuhde=edot, varoitukset AutomaaUnen =edonkeruu Tietosuoja? DATAN YHDISTÄMINEN Kulje\ajat Poikkeus=lanteet Objek=ivisuus? Datan ka\avuus? 17

18 Kiitos! Lisä7etoja: 18