727
Tieteen tori Metsätieteen aikakauskirja 4/1999
Tapio Räsänen
Runkopankki puunhankinnan ohjauksen apuvälineenä
t
ee m
a
P
uunhankinnan ohjauksessa tarvitaan yhä tar- kempaa tietoa varantojen ja yksittäisten leimi- koiden puustojen ominaisuuksista, jotta raaka-ai- neen käytön vaihtoehtolaskenta olisi mahdollista sekä operatiivista toimintaa voitaisiin optimoida toi- mitustavoitteiden toteuttamiseksi. Raaka-aineen hankintavaihtoehtovertailuissa voidaan tarkastella erityyppisiä varantoja niiden käyttöarvojen sekä hankintakustannusten mukaan. Käyttöarvon mää- räävät puuston mitattavien tunnusten lisäksi sen laa- dulliset ominaisuudet. Rungon eri osien käyttöarvot vaihtelevat sen mukaan, millaiseen tuotteeseen puu- ta käytetään. Eri käyttömuodot (mm. sorvaus, sa- haus, massanvalmistus, energiakäyttö) voivat kil- pailla ainakin ajoittain samoista raaka-aineositteis- ta, jolloin puunhankinnan optimiratkaisuihin pyrit- täessä on raaka-aineen käyttöarvot otettava huomi- oon. Mikäli myös puun hinnoittelussa pyritään tuotelähtöisyyteen, olisi hinnanmäärityksen perus- tuttava juuri puun vaihtoehtoisiin käyttöarvoihin ja hankintakustannuksiin.Rungon kokonaisarvo määräytyy pitkälti jo kat- kottaessa. Siksi vaihtoehtotarkasteluihin tarvitaan apteerauksen simulointia ja simulointiin leimikoita riittävän hyvin kuvaavaa puustotietoa. Operatiivi- sen ohjauksen kehittämisessä keskeistä on, että kor- juuohjelmassa olevien leimikoiden yhteenlaskettu puutavaralajikertymä on toimitustavoitteiden mu- kaan mahdollisimman hyvin optimoitu. Puutavara- lajeittaisten pölkkyjakaumien on vastattava tuotan- tolaitosten tarpeita ja samalla hankintakustannuk-
sia on pyrittävä minimoimaan. Yksittäisellä leimi- kolla katkonta voi kokonaisoptimia tavoiteltaessa poiketa ko. kohteen puuston mukaisesta optimista.
Leimikon sijoitus ajallisesti korjuuohjelmassa voi vaihdella hankintatilanteiden ja toimitustarpeiden mukaan. Kaikki nämä vaihtoehtolaskentatarpeet edellyttävät sellaista ennakkotietoa leimikon puus- tosta, jota voidaan käyttää apteeraussimuloinneis- sa.
Tietotarpeet puusto-ominaisuuksien kuvauksessa em. tavoitteita ajatellen ovat vaativia, eikä riittäviä menetelmiä ja tietolähteitä niiden saavuttamiseksi ole ollut toistaiseksi käytettävissä. Leimikkotieto voi olla parhaimmillaan laadukasta metsäsuunnittelutie- toa, mutta sekään ei nykymuodossaan vielä yksin riitä katkonnan simuloinnin raaka-aineeksi, muus- ta aluetason metsävaratiedosta puhumattakaan. Os- ton yhteydessä tehtävät puuston ennakkomittausme- netelmät voisivat siihen riittää, mutta käytännössä ne eivät ole saaneet juurikaan suosiota työläytensä vuoksi. Aluetasoinen metsävaratieto on tarpeellista strategisluonteisissa tarkasteluissa. Esimerkiksi kuntatason metsävaratietoja voidaan puunhankinnan suunnittelua varten syventää ja tarkentaa kohden- tamalla niihin alueelta kerättyä yksityiskohtaista runkomuoto- ja puutavaralajikertymätietoa.
Näitä tarpeita varten Metsätehossa on alettu ke- hittää menetelmiä puustotietovaraston luomiseksi.
Runkopankiksi nimetty puustotietovarasto perustuu hakkuukoneiden tuottamaan runkokohtaiseen tie- toon ja valmistetun puutavaran yhdistettyyn mitta-
728
Metsätieteen aikakauskirja 4/1999 Tieteen tori
ustietoon sekä hakkuukohteiden olosuhdekuvauk- siin. Pystymittauksen runkolukusarja- ja koepuutie- toja 1980-luvun lopulta on myös kokeiltu. Niiden käyttöarvo on lähinnä siinä, että niillä voidaan kor- vata hakkuukoneaineistoa, jos sitä ei tietovarastos- sa ole joltakin alueelta muuten riittävästi. Runko- pankista on rakenteilla prototyyppi, johon kehite- tään tietovaraston ja aineiston hankinta- ja käsittely- menetelmien lisäksi myös tiedon analysointimene- telmiä sekä puustotietojen estimointimenetelmiä.
Metsätehon prototyypin lisäksi yrityksissä on ryh- dytty kokoamaan omia runkopankkeja, lähinnä käy- tännössä tehtävän apteerauksen ohjauksen tueksi.
Runkopankin perusyksikkönä ovat yksittäiset lei- mikot tai kasvupaikka- ja puusto-olosuhteiltaan yh- tenäiset leimikon osat sekä niiltä hakatut yksittäiset rungot. Eri hakkuukonemerkkien mittalaitteilta tie- dot saadaan tiedonsiirtostandardin mukaisesti sisäl- löltään ja tiedostomuodoltaan lähes yhtenäisellä ta- valla. Jotkin poikkeamiset standardista aiheuttavat kuitenkin tiedostojen käsittelylle omia vaatimuk-
siaan. Mittalaitteet tuottavat jokaisesta puutavarak- si valmistetusta rungosta pölkkyjen dimensio- ja ti- lavuustietojen lisäksi rungon läpimittatietoa 10 cm:n välein. Puun runkomuodon kuvaukseen tieto on riit- tävää ja se voidaan tiivistää runkokäyräyhtälön muotoon, johon liitetään pölkkyjen katkontakorkeu- det ja mahdollisesti rungon käsittelyssä tallennetut laatuositerajat (kuva 2). Aineistojen kokoamisessa on kokeiltu mm. kuljettajan tekemää männyn oksa- rajakorkeuksien tallennusta, jolloin saadaan lisää rungon laatua kuvaavaa tietoa katkonnan simuloin- teja varten. Puuston laadun kuvauksessa tärkeintä ovat kuitenkin pölkkykohtaiset puutavaralajitiedot, sillä niistä ilmenevät koneenkuljettajan tekemät kat- kaisupäätökset, joihin rungon erilaiset viat vaikut- tavat. Leimikon runkolukusarjat muodostetaan yk- sittäisistä rungoista. Kaikki hakkuukoneiden tuot- tama tieto ei ole laadultaan kelvollista, vaan siihen voi sisältyä erilaista rungon käsittelystä syntyvää virhettä, joka on tunnistettava ja suodatettava tieto- varastoon viennissä pois. Yrityskohtaiset puutavara- RUNKOPANKKI
Hakkuukohdetta kuvailevat tiedot
Hakkuukoneen runkokohtaiset mittaustiedot (STM)
Valmistetun puutavaran mittaustiedot (PRD)
PMP-dataa Käyttö numeeristen kauko-
kartoitusaineistojen maastodatana Puunhankinnan vaihtoehtolaskelmat:
metsävarojen ja hakkuu- varantojen tarkennettu kuvaus
Puuston laadun erikoisselvitykset Apteerauksen simulointi
Puunhankinnan operatiivinen ohjaus:
leimikon puustotunnusten, puujoukon tai pölkky- jakauman ennustaminen
Kuva 1. Runkopankin tietolähteet ja käyttöalueet.
729
Tieteen tori Metsätieteen aikakauskirja 4/1999
lajimääritelmät ja -koodit on yhtenäistettävä, mikä- li tietovarasto kootaan eri puunhankintaorganisaa- tioilta.
Yksittäisen leimikon puustotietojen ennustaminen on ajatelluista runkopankin hyödyntämisalueista merkittävin ja samalla myös haastavin ongelmana.
Leimikon puuston ennustaminen voidaan tehdä joko estimoimalla tarpeelliset puustotunnukset, muodos- tamalla koko kohteen puujoukko tai estimoimalla suoraan katkonnassa syntyvä puutavaralajeittainen pölkkyjakauma. Estimoituja puustotunnuksia (esim.
puulajeittainen keskiläpimitta, pohjapinta-ala ja pi- tuuskäyrän parametrit) voidaan käyttää malleissa, joilla muodostetaan varsinainen apteerattava puu- joukko. Ennustamalla puujoukko suoraan ilman malleja (esim. läpimittajakaumamallit) vältetään mallien mahdolliset virheet ja voidaan käyttää run- kojen todellista katkonta- ja laatutietoa hyväksi.
Keskeinen ajatus puustotietojen ennustamisessa on vastinleimikoiden valinta tietovarastosta eri me- netelmin ja erilaista lähtötietoa hyväksi käyttäen.
Käytännön puunhankinnassa leimikosta olemassa oleva ennakkotieto vaihtelee sisällöltään, tarkkuu- deltaan ja luotettavuudeltaan. Se voi olla vain no- peasti tehty ostoarvio, jolloin määritetään puulaji- suhteet ja poistuman tilavuudet. Metsäsuunnittelussa puusto-ositteittaisena tietona ovat mm. pohjapinta- ala, keskiläpimitta ja keskipituus, mutta nekin ovat yleensä kuviokohtaisia arvioita, eivätkä välttämät- tä mitattuja tunnuksia. Kehitettävien menetelmien lähtökohtana on, että kaikki käytettävissä oleva tie- to hyödynnetään leimikon estimoitua puujoukkoa muodostettaessa.
Ei-parametrisessa k:n lähimmän naapurin MSN- menetelmässä (MSN = Most Similar Neighbour Method) haetaan ennustettavalle leimikolle vastin- leimikoita tietovarastosta. Vastinleimikoiden paino- jen mukaan muodostetaan puujoukko tai puutavara- lajien pölkkyjakaumaennusteet. Menetelmää on kehitetty Joensuun yliopistossa ja alustavasti siitä on saatu lupaavia tuloksia. Toisena vaihtoehtoise- na menetelmänä on tutkittu neurolaskentaan kuu- luvaa SOM-menetelmää (SOM = Self-Organizing Map), joka perustuu suurten datamassojen ohjaa- mattomaan luokittumiseen osoitettujen piirteiden pohjalta. Kohteet ryhmitetään puustotietojen ja hak- kuussa syntyneen puutavaralajikohtaisen pölkkytie- don perusteella samansisältöisiin luokkiin, joiden määrä ja luokkien väliset erot voivat vaihdella. Lei- mikoiden luokittumisessa on käytetty runkolukusar- ja-, pituus-, kapenemis- ja puutavaralajikertymätie- toja. Luokittumisen onnistumista ja käytettävyyttä vastinleimikoiden valinnassa on tarkasteltu leimik- koa kuvailevien ja puuston ennakkotietojen perus- teella. SOM –menetelmää on kehitetty Teknillisen Korkeakoulun Informaatiotekniikan laboratoriossa.
Runkopankki on toistaiseksi kehitteillä oleva tie- tojärjestelmäsovelluksen prototyyppi, johon kuulu- vat olennaisesti itse tietovaraston lisäksi tiedon han- kinta- ja käsittelymenetelmät sekä -ohjelmistot.
Tavoitteena on, että runkopankit olisivat myöhem- min osa puunhankintayritysten laajempaa ohjaus- järjestelmää ja työväline sekä strategisiin puunhan- kinnan vaihtoehtotarkasteluihin että päivittäiseen operatiiviseen ohjaukseen. Valtakunnallinen orga- nisaatioiden yhteisesti kokoama ja käyttämä runko- pankki on myös mielenkiintoinen vaihtoehto mo- niin aluetasoisiin metsävara- ja puunlaatutarkaste- luihin sekä puusto-ominaisuuksien kehitysennustei- siin. Tietovarastojen laajentaminen runkojen sisäis- ten ominaisuuksien kuvaamiseen esim. sahaussimu- lointeja ja kuituominaisuustarkasteluja varten voi olla jatkossa tarpeellista, jotta käyttöarvotarkaste- luissa voidaan mennä syvemmälle tuotekohtaisuu- teen.
■ MMM Tapio Räsänen (tapio.rasanen@metsateho.fi) työs- kentelee tutkijana Metsäteho Oy:ssä.
0 100 200 300 400 500
0 2 4 6 8 10 12 14 16 18 20 22 korkeus, m
Läpimitta, mm
runkokäyrä
hakkuukoneen mittaus
tukki tukki
kuitu kuitu
Kuva 2. Rungon läpimittatiedoista muodostetaan runkokäyräyhtälön parametrit ja toteutunut pölkytys liitetään rungon tietoihin.
