Metsätehon tuloskalvosarja 9/2017 Timo Melkas Kirsi Riekki Metsäteho Oy

Samankaltaiset tiedostot
Satelliittipaikannuksen tarkkuus hakkuukoneessa. Timo Melkas Mika Salmi Jarmo Hämäläinen

Algoritmi I kuvioiden ja niille johtavien ajourien erottelu. Metsätehon tuloskalvosarja 7a/2018 LIITE 1 Timo Melkas Kirsi Riekki Metsäteho Oy

Viimeistely Ajourien huomiointi puutiedoissa ja lopullinen kuviointi. Metsätehon tuloskalvosarja 5/2018 LIITE 4 Timo Melkas Kirsi Riekki Metsäteho Oy

Hakkuualueen rajan muodostus hakkuukoneen sijaintitietoon perustuen

Hakkuukonemittaus puustotietojen tuotannossa aineiston esikäsittely ja kuviorajan muodostaminen

Algoritmi III Vierekkäisten kuvioiden käsittely. Metsätehon tuloskalvosarja 7a/2018 LIITE 3 Timo Melkas Kirsi Riekki Metsäteho Oy

Hakkuukonetiedosta simuloidut puun sijainnit kaukokartoituksen opetusaineistona

Ajourien automaattinen tuottaminen ja ajouratunnusten määrittäminen hakkuukoneen sijaintitietoon perustuen

Puukarttajärjestelmä hakkuun tehostamisessa. Timo Melkas Mikko Miettinen Jarmo Hämäläinen Kalle Einola

Automaattinen toimenpidekuvion rajojen muodostus hakkuukoneen sijaintitietoon perustuen

Hakkuukone metsätiedon lähteenä

Puutavaran mittauksen visio 2020

Metsäkoneiden sensoritekniikka kehittyy. Heikki Hyyti, Aalto-yliopisto

TTY Mittausten koekenttä. Käyttö. Sijainti

Energiapuun kosteuden määrittäminen metsäkuljetuksen yhteydessä

Satelliittipaikannus

Satelliittipaikannuksen tarkkuus hakkuukoneessa

"Karuselli", 4 kohdetta, 4 ryhmää per kohde, min. Mukana kuljetettavat ryhmäkohtaiset varusteet ja kohteella annettavat välineet.

Kehittynyt katkonnan ohjaus ja ennakkosuunnittelutiedon tarkkuus Metsätehon tuloskalvosarja 6/2015

Joukkokäsittelyn työmallit. Heikki Ovaskainen

Puustotietojen keruun tekniset vaihtoehdot, kustannustehokkuus ja tarkkuus

Tukkiröntgendata sahapuun ohjauksessa

Hakkuutyön tuottavuus kaivukonealustaisella hakkuukoneella ja Naarva EF28 hakkuulaitteella

Puutavaran mittausmenetelmien osuudet vuonna 2017

Suomen metsäkeskus. SMK:n ja VMI:n inventointien yhteistyömahdollisuuksia. Taksaattoriklubin kevätseminaari Helsinki, 20.3.

Tuloksia MenSe raivauspään seurantatutkimuksesta. Markus Strandström

Laskennallinen menetelmä puun biomassan ja oksien kokojakauman määrittämiseen laserkeilausdatasta

Täsmäviljely viljelijän näkökannasta Juha Hartikainen Suonentieto Oy

Hakkuukonetiedon hyödyntäminen mm. metsävaratietojen ylläpidossa

Tiheäpulssinen ja monikanavainen laserkeilausaineisto puulajeittaisessa inventoinnissa

Forest Big Data -tulosseminaari

Puun kasvu ja runkomuodon muutokset

Monilähdetietoa hyödyntävien karttaopasteiden tarve puunkorjuussa haastattelututkimus hakkuukoneenkuljettajille

NUMEERISET ILMAKUVAT TAIMIKON PERKAUSTARPEEN MÄÄRITTÄMISESSÄ

Tukkiröntgendata sahapuun ohjauksessa

Koneellisen harvennushakkuun työnjälki. Koneellisen harvennushakkuun tuottavuus -projektin osaraportti

Garmin GPSmap 60CSx -laite

Vaihtoehtoisia malleja puuston kokojakauman muodostamiseen

Puuhuollon digitalisaatio ja metsäkonetiedon mahdollisuudet

Tilastolliset mallit hakkuukoneen katkonnan ohjauksessa. Tapio Nummi Tampereen yliopisto

ENNAKKORAIVAUS JA ENERGIAPUUN HAKKUU SAMALLA HAKKUULAITTEELLA. Alustavia kokeita

Drone-kuvausten käyttökelpoisuudesta metsäkeskuksen toiminnassa Maaseutu 2.0 loppuseminaari

Ryhmähanke Menetelmä jäävän puuston arviointiin harvennushakkuissa sekä laitteistoasetusten vaikutus hakkuukoneen GPS-paikantimen tarkkuuteen

Kehittyvästä metsätiedosta lisätehoa puuhuoltoon. Jarmo Hämäläinen Metsäteho Oy

Käyttöohje. Model #s: / / / / (US) / / / / (EU) Lit# / 07-08

Pienpuun paalauksen tuottavuus selville suomalais-ruotsalaisella yhteistyöllä

Fotogrammetris geodeettinen menetelmä metsäalueen tarkkaan kartoittamiseen sekä syitä ja muita keinoja maastoaineiston tarkkaan paikantamiseen

Hakkuukonetiedon käyttö metsävaratiedon ajantasaistuksessa

ENERGIAPUUN KORJUU KONE- JA MIESTYÖN YHDISTELMÄNÄ. Metka-koulutus

LIIKENNEVIRASTON OHJEITA. Kelluvien turvalaitteiden asennus- ja mittausohje

Motocrosspyörien melupäästömittaukset

Tehtävä 1. Jatka loogisesti oheisia jonoja kahdella seuraavaksi tulevalla termillä. Perustele vastauksesi

OUTOKUMPU OY 0 K MALMINETSINTA

UW40 risuraivain koneellisessa taimikonhoidossa. Markus Strandström Asko Poikela

Radiotekniikan sovelluksia

Metsävaratieto ja sen käytön mahdollisuudet Raito Paananen Metsätietopäällikkö Suomen metsäkeskus Julkiset palvelut, Keski-Suomi

Hieskoivikoiden avo- ja harvennushakkuun tuottavuus joukkokäsittelymenetelmällä

Uusiutuvan energian velvoite Suomessa (RES direktiivi)

Miehittämättömän lennokin ottamien ilmakuvien käyttö energiakäyttöön soveltuvien biomassojen määrän nopeassa arvioinnissa

Hämeenlinna Jari Lindblad Jukka Antikainen

Geotrim TAMPEREEN SEUTUKUNNAN MITTAUSPÄIVÄT

DIGIBONUSTEHTÄVÄ: MPKJ NCC INDUSTRY OY LOPPURAPORTTI

Suositus puutavaran tukkimittarimittauksessa käytettävän tyvisylinterin pituudeksi ja tarkastusmittauksen mittaussuunnaksi.

Systemaattisuus työmalleissa puunkorjuussa

Opastiosilta 8 B HELSINKI 52 SELOSTE Puhelin /1976 HAKKUUMIEHEN AJANKÄYTTÖ PÖLKKY

Metsäkonetieto puustotulkinnan apuaineistona MEAPU-hankkeen loppuraportti

Laserkeilaus yksityismetsien inventoinnissa

Puutavaran tukkimittarimittauksessa käytettävä tyvisylinterin pituus ja tarkastusmittauksen mittaussuunta

DIGIBONUSTEHTÄVÄ: JYRSINTÄ NCC INDUSTRY OY LOPPURAPORTTI

NÄKEMÄALUEANALYYSIT. Liite 2

Paikantaminen Nokia N76-1

Fysiikan laboratoriotyöt 1, työ nro: 2, Harmoninen värähtelijä

Suomen metsäkeskuksen metsävaratieto ja sen hyödyntäminen

PIEKSÄMÄEN MELUSELVITYKSEN MELUMITTAUKSET

Satelliittipaikannuksen perusteet

Käyttöohje: Valuma-alueen määritys työkalun käyttö karttapalvelussa

Maanmittauspäivät 2014 Seinäjoki

Kokopuun korjuu nuorista metsistä

Rengaspaineiden alentamisen vaikutus metsäkoneen tärinään. Esko Rytkönen & Aki Vähänikkilä Työterveyslaitos

Vektorien pistetulo on aina reaaliluku. Esimerkiksi vektorien v = (3, 2, 0) ja w = (1, 2, 3) pistetulo on

Ympäristön aktiivinen kaukokartoitus laserkeilaimella: tutkittua ja tulevaisuutta

PUU LIIKKEELLE JA UUSIA TUOTTEITA METSÄSTÄ

Puutavaran mittausmenetelmien osuudet vuonna Timo Melkas

Jakaumamallit MELA2009:ssä. MELA käyttäjäpäivä Kari Härkönen

Kelluvien turvalaitteiden. asennus- ja mittausohje

SISÄLTÖ Venymän käsite Liukuman käsite Venymä ja liukuma lujuusopin sovelluksissa

5 syytä hyödyntää ensiluokkaista paikannustarkkuutta maastotyöskentelyssä

Puutavaran mittausmenetelmien osuudet vuonna Timo Melkas

Puutavaran mittausmenetelmien osuudet vuonna Timo Melkas

GPS:n käyttö pinta-alan mittauksessa

Päällysteiden laadun tutkimusmenetelmien laadun parantamiseksi. Tutkimushankkeet, joissa PANK ry on mukana

Poistettavien puiden valinta laatuperustein harvennushakkuulla

Tehoa vai tuhoa energiapuun korjuubusinekseen joukkokäsittelyllä ja integroidulla korjuulla?

Muinaisjäännösrekisterin hyödyntäminen Metsä Groupissa

KIINTOPISTEREKISTERI N2000-LASKENTATILANNE Matti Musto / Etelä-Suomen maanmittaustoimisto

METSATEHO ~ METSÄTEOLLISUUS 12/1994 PUUNKORJUUN KUSTANNUSTEN JAKAMINEN PUUTAVARALAJEILLE. Jari Terävä. Teppo Oijala

Puustovaurioiden määrittäminen ajouralle näkyvien vaurioiden perusteella

Laserkeilauspohjaiset laskentasovellukset

TUULIVOIMAPUISTO Ketunperä

Senfit online-kosteusanturin soveltuvuus energiaraaka-aineen mittaukseen

Transkriptio:

Puiden paikannustarkkuus hakkuukoneen tallennettuun sijaintiin ja kouran anturointiin perustuen laskennallinen algoritmi kouran sijainnin tarkentamiseksi Metsätehon tuloskalvosarja 9/2017 Timo Melkas Kirsi Riekki Metsäteho Oy

Tiivistelmä Hakkuukoneella kerätyn sijaintitiedon paikannustarkkuus ja sen tarkentaminen on oleellista, mikäli tulevaisuudessa halutaan hyödyntää hakkuukoneella kerättyä puukohtaista tietoa metsävaratietojen päivityksessä ja kaukokartoituksessa aputietona. Tutkimuksen tavoitteena oli selvittää hakkuukoneella hakattujen puiden paikannustarkkuus käytettäessä hakkuukoneen kouran anturointia puiden sijainnin tarkentamisessa leimikolla. Yksistään kouran anturointi parantaa hakkuukoneella hakattujen puiden sijaintia 1,2 metrillä eli puiden paikannustarkkuus paranee n. 8 metristä 6,7 metriin suhteessa siihen, että käytössä olisi vain hakkuukoneen sijainti puun kaatohetkellä. Suodattamalla hakkuukoneen sijainti- ja suuntatietoa tutkimuksessa kehitetyllä algoritmilla pystytään tarkentamaan sijaintia keskimäärin 3,1 metriä, jolloin päästään n. 4,9 metrin keskimääräiseen paikannustarkkuuteen. Mikäli tarkkuutta halutaan vielä parantaa, tulisi hakkuukoneissa käyttää sellaisia satelliittivastaanottimia, jotka pystyvät hyödyntämään useamman satelliittijärjestelmän (esim. GPS, Glonass, Galileo jne.) satelliitteja ja jotka mahdollistaisivat myös VRS (virtuaalitukiasema) -korjauksen hyödyntämisen joko reaaliaikaisena tai jälkikorjauksena. Tällöin olisi mahdollista päästä alle metrin paikannustarkkuuteen. 2

Tutkimuksen tavoite ja aineisto Hakkuukoneella kerätyn sijaintitiedon paikannustarkkuus ja sen tarkentaminen on oleellista, mikäli tulevaisuudessa halutaan hyödyntää hakkuukoneella kerättyä puukohtaista tietoa metsävaratietojen päivityksessä ja kaukokartoituksessa aputietona. Tutkimuksen tavoitteena oli selvittää hakkuukoneella hakattujen puiden paikannustarkkuus käytettäessä hakkuukoneen kouran anturointia puiden sijainnin tarkentamisessa sekä kehittää menetelmiä puiden paikannustarkkuuden parantamiseksi. Aineisto kerättiin kahdeksalta metsikkökoealalta Evon tutkimusmetsissä Helsingin yliopiston, HAMKin, Komatsu Forest Oy:n, Metsäteho Oy:n ja sen osakkaiden yhteistyönä osana Atte Saukkolan pro gradu -tutkielmaa. Hakkuukone, jolla hakkuut toteutettiin oli Komatsu 931.1, ohjaus- ja tietojärjestelmänä MaxiExplorer. 6 koealaa hakattiin normaalina hakkuuna (n = 440) 2 koealaa (1091, 2019) hakattiin puomin jatkovarsi kiinni (n=193) Kouran etäisyyden määrittämiseksi hakkuukoneeseen nähden hakkuukoneen puomi oli viimeistä puomin jatkovartta lukuun ottamatta anturoitu. 3

Tutkimuksen lähtökohta Aikaisempien tutkimusten mukaan hakkuukoneen ja puiden todellisen sijainnin ero on ollut keskimäärin 8,6 9,7 m (Melkas ym. 2014). Tässä tutkimuksessa ero oli keskimäärin 8 m. Paikannustarkkuus laskettiin vertaamalla koneen ja kouran sijainteja puiden todellisiin sijainteihin. Helsingin yliopiston (suull., Saukkola ja Vastaranta 24.2.2017) mukaan paikannustarkkuus parani noin 1,2 metriä käytettäessä kouran anturointia suhteessa siihen, jos olisi käytetty pelkkää hakkuukoneen sijaintia puiden sijaintia kuvaamaan. Keskeiseksi kysymykseksi nousi, voidaanko hakattujen puiden sijaintia (kouran sijaintia) parantaa laskennallisesti esim. hakkuukoneen sijaintitietoa tai suuntaa suodattamalla? Metsätehossa kehitettiin laskennallinen algoritmi kouran sijainnin tarkentamiseksi ja tuloksia verrattiin puiden todellisiin sijainteihin. Lähtötietoina käytettiin HPR -tiedostoon tallentuneita muuttujia: jokaiselle puulle puun kaatohetkellä tallennettua hakkuukoneen raakasijaintia hakkuukoneen tallentamaa koneen kompassisuuntaa kouran suuntaa suhteessa koneen suuntaan (kopin asennon kulma suhteessa koneeseen) kouran etäisyyttä hakkuukoneesta (puomin pituus). 4

Hakkuutilanteen geometria N PUU α B α C KOURA KONE L PUOMI α B = koneen kompassisuunta (keulan suunta) α C = puomin kulma suhteessa koneen kompassisuuntaan L = puomin pituus 5

Aineiston esikäsittely Hakkuukoneen sijainnit muunnettiin WGS84 koordinaateista ETRS FIN35TM -muotoon. Ajoura generoitiin GPS-pisteistä keskiarvoistamalla. 6

Koneen kompassisuunnan tarkennus StanForD 2010 -standardin mukaan MachineBearing-muuttuja on kompassisuunta koneen etuakselia vastaan kohtisuoraan, kun puomin kulma rekisteröidään. Testiaineiston perusteella hakkuukoneen automaattisesti HPRtiedostoon tallentama kompassisuunta on ilmeisesti koneen liikkumissuunta. Välillä suunta on sama monella peräkkäisellä puulla (samasta työpisteestä hakattu monta puuta), välillä joillakin puilla vaihtuu huomattavasti (suunta vastakkainen viereisten puiden suuntaan verrattuna). Koneen työskentelytavoista kuitenkin tiedetään, että koneen kompassisuunta muuttuu yleensä vain kohtalaisesti (vähemmän kuin noin 180 ) peräkkäisten puiden hakkaamisen välillä. Hakkuukoneen kompassisuunnan määrityksestä ei ole myöskään saatavilla yksityiskohtaisempaa tietoa, miten se HPR-tiedostoon tuotetaan. Tarkempaa koneen kompassisuunnan selvittämistä varten määritettiin kompassisuunta generoidusta ajourasta. 7

Koneen kompassisuunnan suodatus Keskiarvoistetuissa ajourissa havaittiin kuitenkin paikoitellen poukkoilua edestakaisin. Ajouran keskiarvoistus toimii pääsääntöisesti hyvin, mutta ei riitä poistamaan kaikkea GPS-paikannuksesta aiheutuvaa virhettä. Laskennallisesti määritetty kompassisuunta heittelehtii näissä kohdissa. Tarvitaan lisäksi laskennallinen suunnan suodatus Testiaineiston perusteella suodattamalla määritetty suunta eroaa selvästi hakkuukoneen mittaamasta kompassisuunnasta aivan ajourien alussa ja lopussa. Suodatusta (ja sitä edeltänyttä ajouran keskiarvoistusta) ei ole voitu tehdä täysimääräisesti, koska pisteitä ei ole saatu tarpeeksi mukaan. On syytä epäillä keskiarvoistuksen onnistumista näissä kohdissa. Tästä syystä tutkimuksessa käytettiin hakkuukoneen mittaamaa kompassisuunnan arvoa ajouran alussa ja lopussa. Kouran ja puun etäisyyden vaihtelu suurta molemmissa tapauksissa. Hakkuukoneen kompassisuunta on tällöin paras käytettävissä oleva tieto. 8

Tarkennettu kouran sijainti puuta katkaistaessa Tarkennettu kouran sijainti saatiin siirtämällä kone GPS-datasta lasketulle keskiarvoistetulle ajouralle käyttämällä koneen kompassisuuntana ajouran suodatettua suuntaa. Lisäämällä näihin kopin suunta ja puomin pituus 9

Tulokset ja tulosten tarkastelu Kouran laskennallisesti tarkennettuja sijainteja verrattiin puiden todellisiin sijainteihin seuraavasti: Vertaamalla kaikkia koealan puiden todellisia sijainteja tarkennettuun kouran sijaintiin. Jättämällä ajouran alusta ja lopusta osan havainnoista pois aineistosta ja vertaamalla jäljelle jääneiden koealan puiden todellisia sijainteja tarkennettuun kouran sijaintiin. Luokittelemalla koealat puomin jatkovarren käytön osalta kahteen luokkaan (jatkovarsi käytössä ja jatkovarsi sisään vedettynä) ja vertaamalla koealan puiden todellisia sijainteja kouran tarkennettuun sijaintiin. Seuraavissa kalvoissa on esitetty hakkuukoneen kouran paikannustarkkuus käyttäen kouran anturointia ja laskennallista algoritmia kouran sijainnin tarkentamiseen. Hakkuukoneen sijainti vs. puun todellinen sijainti - ero 7,86 m Anturoidun kouran sijainti vs. puun todellinen sijainti - ero 6,56 m / 6,53 m Tarkennettu kouran sijainti vs. puun todellinen sijainti (sijainnin ja suunnan suodatus, jatkopuomin huomioiminen) - ero 4,93 m / 4,77 m 10

Puiden paikannustarkkuus hakkuukoneen sijaintitietoa ja suuntaa suodattamalla (Tarkennettu sijainti) Paikannustarkkuus on laskettu käyttäen referenssipuiden oikeita maastossa kartoitettuja sijainteja, joita on verrattu hakkuukoneen sijaintiin, hakkuukoneen anturoidun kouran sijaintiin sekä hakkuukoneen anturoidun kouran tarkennettuun sijaintiin. Koealojen 1091 ja 2019 (puomia ei käytetty) osalta puomin etäisyydestä on vähennetty jatkopuomin keskimääräinen ulottuma. 11

Puiden paikannustarkkuus hakkuukoneen sijaintitietoa ja suuntaa suodattamalla (Tarkennettu sijainti) Paikannustarkkuus niille puille, joissa ajouran keskiarvoistus on ollut mahdollista tehdä. Määritetty jättämällä ajouran ensimmäiset ja viimeiset rungot pois tarkastelusta. 12

Puomin jatkovarren vaikutus paikannustarkkuuteen (Tarkennettu sijainti) 13

Tulosten tarkastelua etäisyysjakaumat Vertailussa kouran sijainnin etäisyys referenssipuista: Hakkuukoneen anturoidun kouran sijainti (vasen) Tarkennettu kouran sijainti (oikea) 14

Virhetarkastelu Sijainnin kokonaisvirhettä S arvioitiin virheen kasautumislain avulla: ΔSS = ΔSS GGPPPP 2 + ΔLL 2 + LL 2 Δαα BB 2 + Δαα CC 2 Jossa S GPS = GPS-paikannuksen virhe (x- ja y-suunnissa) L = puomin pituus L = puomin pituuden virhe α B = koneen kompassisuunnan virhe (bearing, radiaaneina) α C = puomin suuntakulman virhe (radiaaneina) 15

Virhetarkastelu, esimerkkejä Oletetaan puomin pituudeksi L = 8m (keskimääräinen arvo) ja puomin suuntakulman virheeksi αc = 1 = 0,017 rad. Jos oletetaan perustilanteessa, että SGPS = 6m L = 0,5m (viimeisen puomin jatkovarsi liikkuu välillä 0,8m 2,5m, lisäksi puomin pituuden mittausvirhe 0,1m) αb = 20 = 0,349 rad kokonaisvirhe on noin S = 6,64m raakadatalle ilman suodatusta Jos oletetaan huonossa tilanteessa, että SGPS = 7m L = 1m αb = 50 = 0,873 rad kokonaisvirhe on noin S = 9,93m S GPS = GPS-paikannuksen virhe (x- ja y-suunnissa) L = puomin pituus L = puomin pituuden virhe α B = koneen kompassisuunnan virhe (bearing, radiaaneina) α C = puomin suuntakulman virhe (radiaaneina) 16

Virhetarkastelu, tulkinta Jos käytössä olisi tarkkuus-gps ja koneen kompassisuunta hyvällä tarkkuudella: SGPS = 1m L = 8m L = 0,5m αb = 5 = 0,087 rad αc = 1 = 0,017 rad kokonaisvirhe on noin S = 1,33m raakadatalle ilman suodatusta Jos käytössä olisi tarkkuus-gps, mutta koneen kompassisuunta nykyisellään: SGPS = 1m L = 8m L = 0,5m αb = 20 = 0,349 rad αc = 1 = 0,017 rad kokonaisvirhe on noin S = 3,01m raakadatalle ilman suodatusta 17

Virhetarkastelu, tulkinta Tutkimusaineistossa hakkuukoneen anturoidun kouran sijainnin virhe voidaan siis olettaa olevan virhetarkastelun perusteella vähintään n. 6,7 metrin luokkaa (ns. perustilanteen virhe sivulta 17). Yksittäisistä datapisteistä laskien saatu keskimääräinen paikannustarkkuus (koura referenssi) on 6,74 metriä. Datan jälkikäsittely parantaa keskimääräistä tarkkuutta keskimäärin noin 1,8 metriä, mutta ei pysty enempään GPS-virheen ollessa suurin yksittäinen virhelähde. Keskiarvot on laskettu sellaisille rungoille, joille ajouran suodatus on voitu tehdä. 18

Johtopäätökset Kouran anturointi parantaa hakkuukoneella hakattujen puiden sijaintia 1,2 metrillä eli puiden paikannustarkkuus paranee n. 8 metristä 6,7 metriin, suhteessa siihen, että käytössä olisi vain hakkuukoneen sijainti puun kaatohetkellä. Hakkuukoneen sijainti- ja suuntatietoa laskennallisesti suodattamalla pystytään parantamaan Komatsu Forestin määrittämää anturoidun kouran paikkaa keskimäärin 1,8 m. Parhaimmillaan puiden (kouran) sijainnin osalta voidaan saavuttaa jopa 3,6 metrin paikannustarkkuus koealatasolla, keskimääräisen paikannustarkkuuden ollessa koko aineistossa noin 4,9 m. Tuloksia tarkasteltaessa on huomioitava, että koealat olivat melko pieniä normaaliin hakkuukohteeseen nähden, joten paikannustarkkuus on todennäköisesti parempi normaalissa hakkuussa, jolloin leimikon aloituksia ja lopetuksia on harvemmin. HPR-tiedostoon tallennettu hakkuukoneen sijaintitieto on raakadataa ja vaatii sekä hakkuukoneen sijaintiettä kompassisuuntatiedon suodatusta, jotta kouran anturoinnilla saavutetaan paras mahdollinen puun sijaintitarkkuus. Jälkilaskenta-algoritmin kehittämisen aikana verrattaessa sijaintitarkkuutta puomin jatkovarsi kiinni ajetuilla koealoilla (1091, 2019) muiden koealojen sijaintitarkkuuteen, oli kouran anturoinnin aiheuttama parannus selkeästi pienempi (0,33 m) suhteessa niihin koealoihin, joissa puomin jatkovartta oli käytetty normaalisti (1,83 m). Tämän seurauksena pääteltiin, että puomin etäisyyteen hakkuukoneesta on aineistossa lisätty vakioarvo (1,65 m), olettaen jatkovarren (0,8 2,5 m) olevan aina puolivälissä jatkovarren ulottumaa. 19

Johtopäätökset Mikäli sijaintitarkkuutta halutaan tarkentaa vielä enemmän, tulisi todellinen tieto puomin jatkovarren pituudesta puun kaatohetkellä ottaa mukaan laskentaan. Kokonaan puomin jatkovarren anturoimattomuuden aiheuttaman virheen poistaminen vaatisi siis koko puomin anturointia myös jatkovarren osalta tai jotain muuta tapaa, jonka avulla voidaan määrittää kuinka paljon jatkopuomi on ulkona ko. puuta kaadettaessa. Yhtenä vaihtoehtona voisi olla, että jatkopuomin asennon mittaus perustuisi jatkopuomin sylinteriin syötettävään öljyn määrään. Toinen merkittävä tapa parantaa hakattujen puiden sijaintitarkkuutta (hakkuukoneen sijaintitarkkuutta) on ottaa käyttöön hakkuukoneissa sellaisia satelliittivastaanottimia, jotka pystyvät hyödyntämään useampaa satelliittijärjestelmää (esim. GPS, Glonass, Galileo jne.), jolloin satelliittigeometria saadaan paremmaksi sekä hyödyntää sellaisia satelliittivastaanottimia, jotka mahdollistavat VRS (virtuaalitukiasema) -korjauksen hyödyntämisen joko reaaliaikaisena tai jälkikorjauksena. Myös tieto siitä, miltä työpisteeltä puu on kulloinkin hakattu, parantaisi yksittäisten puiden sijaintitarkkuutta. Tämä tieto olisi mahdollista saada koneen liikkeisiin perustuen. Tutkimuksen perusteella sijaintitiedon esitystarkkuutta hakkuukoneissa on myös syytä harkita tarkennettavaksi. Asiasta on tehty esitys tehty StanForD-työryhmälle hakkuukoneen koordinaattien esitystarkkuuden kasvattamiseksi 5 desimaalista 7 desimaaliin. Päätös tarkennuksesta tehtiin StanForD:n kokouksessa 21.11.2017. Komatsu Forestin hakkuukoneissa seitsemän desimaalia on ollut käytössä syksystä 2017 saakka (ohjelmistoversio 3.12). 20

Tämä tutkimus on tehty yhteistyössä Helsingin ylipiston, Hämeen ammattikorkeakoulun, Komatsu Forestin ja Metsätehon osakkaiden kanssa. Tutkimus on osa maa- ja metsätalousministeriön Metsätieto ja sähköiset palvelut -hanketta, jonka tavoitteena on tehostaa metsävaratiedon hyödyntämistä, parantaa tiedon laatua ja liikkuvuutta sekä kehittää sähköisiä palveluita ja kuuluu hallituksen Puu liikkeelle ja uusia tuotteita metsästä -kärkihankkeeseen. Metsäteho on vastannut hakkuukoneaineiston keruun järjestämisestä, sen käsittelystä ja algoritmien kehittämisestä. Helsingin yliopisto on puolestaan vastannut referenssiaineiston keruusta sekä aineistojen yhdistämisestä. Aineiston keruu on osa Atte Saukkolan opinnäytetyötä Hakkuukoneen paikannetulla hakkuulaitteella kerätyn puutiedon hyödyntäminen lentolaserkeilaukseen perustuvan puustotulkinnan aputietona. 21