Forest Big Data tietomassan mahdollisuudet Jarmo Hämäläinen Metsäteho Oy Koneyrittäjien metsäpäivä 2.10.2015, Helsinki
DIGILEn Data to Intelligence -tutkimusohjelma (2012-2015) Tavoitteena on kehittää älykkäitä menetelmiä isojen ja heterogeenisten datamassojen käsittelyyn, analysointiin ja hyödyntämiseen. Tulokset mahdollistavat uusia innovatiivisia dataintensiivisiä liiketoimintoja, tuotteita ja palveluja. Ohjelma kohdistuu seitsemälle eri liiketoimintaalueelle, joista yksi on Forest Big Data 2
Forest Big Data -toimijat Yritykset Arbonaut Finnish Wood Research (FWR) Metsähallitus Metsäliitto Metsäteho Ponsse Savcor Simosol Stora Enso TimberVision Trestima UPM + Suomen metsäkeskus Tutkimustahot Aalto yliopisto Maanmittauslaitos (FGI) Luke Tampereen teknillinen yliopisto (TUT) Helsingin yliopisto (UH) VTT Itä-Suomen yliopisto (UEF) 3
Tehokas puuhuolto 2025 -visio Tehostuva, täsmäohjattu puuhuolto parantaa metsäteollisuuden kilpailukykyä sekä turvaa sen kasvun ja uudistumisen. Kehittämistavoite vuoteen 2025 Puuhuolto tuottaa lisäarvoa puun arvoketjuun ja on 30 % nykyistä kustannustehokkaampaa. 4
T&K-päämäärät 5
Digitalisaatio mahdollistaa puuhuollon kehityshyppäyksen Ajureita: laserkeilaus ja uudet satelliittitekniikat kaukokartoituksessa automaatio- ja mittaustekniikka (robotiikka, konenäkö ym.) paikannusmenetelmät tietoverkot ja päätelaitteet tiedon analysointi-, siirto- ja varastointikapasiteetti suurten tietomassojen (Big Data) analysointimenetelmät julkisten tietoaineistojen vapautuminen metsäalalla tuotetut tietostandardit ja -mallit. DIGITALISAATIOLLA tarkoitetaan verkkoon kytkettyjen älykkäiden tuotteiden ja palvelujen kokonaisuutta, joka koskee kuluttajia, yrityksiä ja yhteiskuntaa. TEOLLINEN INTERNET on erityisesti yritysten näkökulma digitalisaatioon. Teollinen internet yhdistää älykkäät koneet, laitteet ja niitä käyttävät ihmiset, jolloin päätöksentekoa voidaan parantaa edistyneen tiedon analysoinnin kautta ja tuottaen mukautuvaa liiketoimintaa. Lähde: ETLA raportit No. 42 (5.1.2015). 6
FBD visio - case puunhankinta Runkolukusarja & laatutietoa Ref.tieto & päivitys Sähköinen puukauppa, runko-/r-osahinnoittelu, päätöstukij. Ohjausinformaatio Katkonta & ohjaus, kuljetus, päätöstukij. Pysyvät ja muuttuvat olosuhdetiedot 7
FBD visio - case metsänuudistaminen Spatiaalinen puulajija olosuhdejakauma Metsävaratiedon päivitys Olosuhteiden (automaattinen) mittaus seuraavia vaiheita varten Käsittelyvaihtoehtojen vertailu, päätöstukij. Pysyvät ja muuttuvat olosuhdetiedot 8
Esimerkkejä tutkimustehtävistä 9
KOHTI TARKEMPAA PUUSTOTIETOA www.helsinki.fi/yliopisto 29.9.2015 10
Centre of Excellence in Laser Scanning Research Evo Field Campaign 2014 Laaja kenttäkoe eri inventointimenetelmistä Lähde: UH & FGI 11
Maastolaserkeilaus (TLS) vs. ilmalaserkeilaus (ALS) ALS-pistepilvi (mustat pisteet) TLS-pistepilvi (vihreät pisteet) Kuva: Helsingin yliopisto 12
Maastolaserkeilauksen ja ilmalaserkeilauksen yhdistäminen Maatalous-metsätieteellinen tiedekunta / Henkilön nimi / Esityksen nimi www.helsinki.fi/yliopisto 29.9.2015 13
Hakkuukoneen mittaustieto kaukokartoituksen referenssitietona *) ja kohdetietojen päivityksessä - menetelmätestaus Ajourat/GSNS => hakkuualueen rajat *) maastossa mitattu puustotieto, jonka perusteella kaukokartoitustiedot tulkitaan 14
m 2 /ha Hakkuukonetiedon seuraava askel - puukarttajärjestelmä Puiden valinta & katkonta Harvennusvoimakkuus Valtapituus, m Referenssitiedon mittaus Kuvat: Argone & Ponsse Periaate testattu ja lupaavaksi todettu Tuotteistaminen & laaja käyttöönotto tärkeää Paikannustarkkuutta parannettava (referenssitiedon mittaus) 16 * 16 m hilaruutu Koneen työpiste 15
Forest Big Datan käyttömahdollisuuksia metsätaloudessa ja teollisuuden puuhuollossa Dynaaminen metsäsuunnittelu Sähköinen puukauppa Puunkorjuun ja metsänhoidon työmaasuunnittelu Alueelliset hakkuumahdollisuudet Metsätieverkkojärjestelmä Metsänhoitopalvelut Metsäkoneenkuljettajaa avustavat järjestelmät Katkonnan ohjaus Tiestön kelirikkopalvelu Jalostusarvoperusteinen tuotannonohjaus Fleet management FOREST BIG DATA PLATFORM Metsävaratietojärjestelmät Olosuhdetiedot Toiminnoissa syntyvä data Datalähde 1 Datalähde 2 Datalähde 3 Viranomaisdata Kansalaisten data Kaupallinen data Avoin data Toimijoiden yksityinen data 16
Kohti parempaa olosuhteiden hallintaa automaattinen maaston korjuukelpoisuusluokitus hilatason paikkatietoaineistoista (testausvaiheessa) tummanvihreä: kelirikko vaaleanvihreä: märkä kesä keltainen: kuiva kesä punainen: talvi Lähde: Arbonaut 17
Kantavuuden ennustaminen hakkuukoneen CANväylätiedoista Lähde: Väätäinen ym. 2014. Metlan työraportti 284. Menetelmä vaikuttaa lupaavalta, syksyllä 2015 testataan: - Laserkeilainta menetelmän soveltamisessa tarvittavan ajonopeuden mittaamiseksi - ja samalla korjuujäljen (urasyvyyden) mittauksessa => automaattinen korjuujäljen omavalvonta & kantavuusennusteiden parantaminen kertyvän mittausdatan avulla - Yhteistyö Luke, Argone ja Metsäteho 18
Tieolosuhteiden hallintaan uusia keinoja Mitä aiheesta vireillä FBD:ssä Tiestötiedon keruun ja hallinnan visio Älyliikennetekniikoiden kokeilut kuntokartoituksessa ja kuljetuskelpoisuuden seurannassa (LiVi ym. yhteistyö) Metsäteiden ominaisuustiedot Digiroadalustaan (pilotointi) 19
Tukkiröntgentiedot leimikoiden luokittelussa Metsikkötiedot Hakkuukonemittaus Tukkimittari & -röntgen Haetaan riippuvuuksia leimikon ominaisuuksien ja röntgenillä mitattujen laatutietojen välillä Big Data periaatteella Luokitellaan leimikot riippuvuuksien perusteella tyyppileimikoiksi Sahataan eri laatuluokkien tyyppileimikot TimberVisionin sahaussimulaattorilla => suhteelliset jalostusarvot Hyödyntäminen: - 1. ostettujen leimikoiden katkonta ja tukkien ohjaus - 2. ostojen ohjaus ja hinnoittelu (ennakkotietoja puustosta parannettava, dimensiot ja laatu!) 20
www.metsateho.fi Katkonnan ohjauksen suunnittelupalvelu ja tietojärjestelmäkokonaisuus Runkoaineistojen tietovarasto (runkopankki) Tyyppileimikoiden muodostus Sahan vastaanoton mittaus- ja tukkiröntgentietojen tietovarasto (laatutietopankki) Forest Big Data tietovarastot Metsävaratiedot grid pohjaiset puustotunnusten estimaatit puukohtaiset estimaatit Simuloitavan runkojoukon muodostaminen Dynaaminen katkonnan ohjaus Katkonnan simulointi Korjuun ja toimitusten suunnittelu (metsäyhtiön tietojärjestelmä) korjuukohteet tilaukset toimituskohteet varastot pystyvarannot resurssit Katkonnan ohjaustiedostojen muodostaminen ja ylläpito Katkontavaihtoehtojen vertailut Katkonnan simulointitulosten raportointi 21
Mitä hyötyä tietomassoista koneyrittäjille? Teiden ajettavuus tilannetieto & ennusteet => Korjuu- ja kuljetusresurssien ohjaus Korjuuolosuhdeluokitus ja käsittelykuviointi => Resurssien ohjaus: ajoitus, kalusto, työmaakeskittymät Hakkuukoneen mittaustiedot metsien inventoinnin tueksi ja olosuhdekartoitukseen => Paremmat lähtötiedot leimikoista korjuun suunnitteluun ja koneelliseen metsänhoitoon (ajoitus, res. mitoitus, katkonta jne.) Puukarttajärjestelmä hakkuukoneessa => Puiden muodon/laadun mittaus etukäteen => puiden valinta & katkonta => Harvennusvoimakkuuden jatkuva mittaus & opastus => tuottavuus & työjälki => Paremmat lähtötiedot leimikoista (jatkossa) => ks. edellinen kohta Kantavuuden ennustaminen hakkuukonetiedoista (CAN) => Työmaasuunnittelu ja kaluston ohjaus Ajourien/urapainumien mittaustekniikat => Automaattinen laatuseuranta ja -raportointi & kantavuusennusteiden parantaminen + Nykyiset konekannan hallintajärjestelmät/konevalmistajat => tuottavuus, resurssien ohjaus, energiatehokkuus 22
Lopuksi Monilähteisissä tietomassoissa piilee iso hyötypotentiaali metsäsektorille: Metsäteollisuus Metsänomistajat Kone- ja kuljetusyritykset Metsäpalveluyritykset Kone- ja laitevalmistajat ICT-toimittajat Tietomassojen tehokäyttö tukee kone- ja kuljetusyritysten kannattavuuden parantamista => lait/säädökset/pelisäännöt/sopimukset kannattaa virittää sellaisiksi, että tietomassoista saadaan kaikki irti 23
Yhteenveto Tavoite: Kustannustehokkaampi puutavaralogistiikka ja kannattavampi metsänhoito, lisäarvoa tuotantoketjuun, metsäsektorille kilpailukykyä, huippuosaamista ja uusia vientituotteita. Keinot: Uuden teknologian antamat mahdollisuudet käyttöön Tarkemmat, luotettavammat ja ajantasaisemmat puustotiedot entistä kustannustehokkaammin Monipuolisemmat olosuhdetiedot pysyvistä ja muuttuvista olosuhteista (maasto & tiestö) Metsäkoneet täyskäyttöön datan keruussa, päivityksessä ja jalostamisessa Datan tehokas hyödyntäminen koko metsänkäsittely- ja toimitusketjussa Menetelmät datan yhdistämiseen ja tunnusten estimointiin heterogeenisistä datalähteistä Älykkäät päätöksenteon tukijärjestelmät Uudet tuotteet ja palvelut Tietojen käytettävyys ratkaisevaa Näkymät: Metsävaratieto on keskeinen osa metsäsektorin infrastruktuuria MMM:ssä käynnistyvällä Tulevaisuuden metsätieto ja sähköiset palvelut kärkihankkeella (2016 2018) keskeinen rooli vision toteutuksessa. 24
Kiitos! jarmo.hamalainen@metsateho.fi www.metsateho.fi 25