ARVO ohjelmisto. Tausta

Transkriptio

1 ARVO ohjelmisto Tausta Jukka Malinen, Metla Metsäntutkimuslaitos Skogsforskningsinstitutet Finnish Forest Research Institute

2 Ennakkotiedon tarve - Metsänomistaja

3 Ennakkotiedon tarve Puun ostaja Leimikolle tehtävä ostotarjous Tarjottavaan hintaan vaikuttaa Asiakassuhde Leimikon sijainti & korjuuolosuhteet Soveltuvuus tuotantoon Vastaako leimikko ominaisuuksiltaan ostajan tarpeita Järeys Tukkisaanto (laatu) Saatava läpimitta-/pituusjakauma Tarvitaan ennakkotietoa!

4 Ennakkotiedon tarve - Metsänomistaja Entä kun Ostaja A tarjosi Tukki 49 euroa, minimiläpimitta 15 cm, pituudet dm Ostaja B tarjosi Tukki 50 euroa, minimiläpimitta 16 cm, pituudet dm Ostaja C tarjosi 43 euroa runkohinta (ostaja c noudattaa asiakaslähtöistä puunhankintaa ja haluaa katkoa puun kulloisenkin markkinatilanteen mukaisesti) Kenelle metsänomistajan tulisi puunsa myydä? Tarvitaan ennakkotietoa tukkisaannoista kyseisen kaltaisessa leimikossa erilaisilla katkontaohjeilla!

5 Leimikon puutavaralajikertymän ja arvosaannon ennustaminen Metsätaloussuunnitelmat Epätarkkoja Otantainventoinnit Työläitä Kaukokartoitus menetelmät Ilmakuvat & satelliittikuvat Epätarkkoja Laserkeilaus Tulevaisuuden menetelmä, mutta nykytilanne ei vielä mahdollista tarkkoja leimikkokohtaisia ennusteita Runkopankkipohjaiset laskennalliset menetelmät Vaativat runkopankin Vaativat osaamista & laskentaohjelmisto Ei-parametriset menetelmät neurolaskenta

6 Runkopankkilähtöinen leimikon puustotunnusten ennustaminen Pystymittauksen loputtua -80 luvun lopulla nousi tarve leimikkotiedon keräämiseksi => suunnittelumittausmenetelmät 1990-luvun puolessa välissä heräsi ajatus hakkuukoneella kerättävän tiedon käyttämisestä leimikon ennakkotiedon tuottamisessa Suomen Akatemian rahoittama tutkimushanke Hankintayrityksen ja metsänmittauksen tietovarastot suunnittelun tietolähteinä Yhteistyö Joensuun Yliopisto & Metsäteho Oy

7

8 K-MSN menetelmä runkopankkilähtöisessä leimikon puustotunnusten ennustamisessa Malinen, J Prediction of characteristics of marked stand and metrics for similarity of log distribution for wood procurement management. D.Sc. (Agr. And For.) thesis. University of Joensuu. Faculty of Forestry. Research Notes 151. Malinen, J., Maltamo, M. & Verkasalo, E Predicting the internal quality and value of Norway spruce trees. Forest Product Journal 53(4): Malinen, J Locally Adaptable Non-parametric Methods for Estimating Stand Characteristics for Wood Procurement Planning. Silva Fennica 37(1): Malinen, J., Maltamo, M. & Harstela, P Application of Most Similar Neighbor Inference for Estimating Marked Stand Characteristics Using Harvester and Inventory Generated Stem Databases. International Journal of Forest Engineering 12(2):

9 Saantosimulaattori : Vapaasti ladattavan ja käytettävän runkopankin Rutiinit oman hakkuukoneella kerättävän runkopankkiaineiston liittämiseksi saantosimulaattoriin K-MSN menetelmään pohjautuvan ennustusmenetelmän, jolla voidaan hakea runkopankista kutakin korjattavaa leimikkoa vastaavia leimikoita sekä niiden puustotietoja ja muodostaa näiden perusteella puujoukko leimikolle Puukohtaisen laatuaineiston, jonka avulla ennustetulle puujoukolle voidaan ennustaa myös teknistä laatua Apteeraussimulaattorin, jolla ennustettu puujoukko voidaan katkoa halutuilla katkontaohjeilla Laskentamenetelmät ennustetun hakkuukertymän arvottamiseksi Rutiinit ennustetun puujoukon tallettamiseksi myös muissa apteeraussimulaattoreissa toimivaan STM-muotoon Yksinkertaisen käyttöliittymän em. rutiineille

10 Saantosimulaattorin toiminnot Hinnoittelu Arvolaskenta Puuston arvo Tulostiedosto Katkontaohjeet Leimikon kohdetiedot Stm-aineisto Leimikon kohdetiedot Käyttöliittymä Katkonnan simultointi K-MSN Runkopankki Tavaralaji- ja tukkijakaumaennuste Ennustettu puusto K-MSN Laatuennuste Tulostiedosto Tulostiedosto Laatuaineisto Laatutietokanta