Puuston, puuston laadun ja katkontatavoitteiden yhteensovittaminen jakauma-apteerauksessa

Luonnontieteiden ja metsätieteiden tiedekunta

Faculty of Science and Forestry

PUUSTON, PUUSTON LAADUN JA KATKONTATAVOITTEIDEN YHTEENSOVITTAMINEN JAKAUMA-APTEERAUKSESSA

Markus Mennala

METSÄTIETEEN PRO GRADU ERIKOISTUMISALA METSÄ-, ENERGIA- JA PUUTEKNOLOGIA

JOENSUU 2020

Mennala, Markus. 2020. Puuston, puuston laadun ja katkontatavoitteiden yhteensovittaminen jakauma-apteerauksessa. Itä-Suomen yliopisto, luonnontieteiden ja metsätieteiden tiedekunta, metsätieteiden osasto. Metsätieteen pro gradu, erikoistumisala metsä- energia- ja puuteknologia. 61 s.

TIIVISTELMÄ

Suomessa puunkorjuussa on käytössä niin sanottu tavaralajimenetelmä. Siinä hakkuukone katkoo hakattavat rungot jo metsässä eri puutavaralajeiksi. Tätä prosessia kutsutaan apteeraukseksi. Apteeraus pyritään tekemään niin, että saatu tukkijakauma olisi mahdollisimman toivottu tehtaan kannalta ja niin, että myös metsänomistajan saama hakkuutulo olisi mahdollisimman korkea. Tähän pääsemiseksi on kehitetty ns. jakauma- apteeraus. Se ottaa huomioon sekä tehtaan, että metsänomistajan tavoitteet. On kuitenkin huomattu, että jakauma-apteerauksessa käytettävien matriisien laatiminen ei ole helppoa ja, että erilaisissa leimikoissa tulisi käyttää erilaisia katkontaohjeita. Tämän tutkimuksen tavoitteena on laatia ohjeistus siitä, miten leimikon eri ominaispiirteitä tulee ottaa huomioon apteerauksen suunnittelussa.

Tutkimus toteutettiin simulointitutkimuksena ja aineistona käytettiin Luonnonvarakeskuksen ARVO-ohjelmistoon tallennettua runkopankkia. Tutkimukseen valikoituneisiin runkoihin simuloitiin puun ulkoinen laatu Metlan maastomittauksiin perustuvaa puuston laatutietokantaa hyödyntäen. Näin ollen saimme riittävän laajan aineiston, joka sisälsi tiedot puuston ulkoisesta laadusta. Aineistosta luotiin puuston ja leimikon ominaisuuksiin perustuen eri tyyppileimikoita, joiden avulla selvitettiin eri apteeraustavoitteiden vaikutusta apteeraustulokseen. Apteeraustuloksen hyvyyttä mitattiin leimikon jakauma-asteella sekä tukkisaannolla.

Aineistolle tehtiin simulointeja tutkimusta varten kehitetyllä apteeraussimulaattorilla, joka käytti apteerauksessa jakauma-apteerausta ja optimointimenetelmänä lähioptimaalimenetelmää. Tältä osin tämä tutkimus antoi mahdollisuuden ensimmäistä kertaa tutkia puun katkontaa jakauma-apteerausta käyttävällä ohjelmalla, joka kykenee käyttämään aineistona todelliseen puuston laatuun perustuvaa aineistoa.

Tutkimuksen tuloksena saatiin selville, että eri apteeraustavoitteet tuottavat odotetusti erilaisia tuloksia erityyppisissä leimikoissa. Suurin vaikutus apteeraustulokseen oli runkojen keskitilavuudella ja puuston vikaisuudella. Parhaimmat jakauma-asteet ja tukkisaannot saatiin runkotilavuudeltaan suurilla leimikoilla. Puuston vikaisuuden pienentyessä sekä tukkisaanto, että jakauma-aste nousivat. Erityisesti pitkiä pituuksia painottava apteeraus sekä yksittäistä tukkipituutta painottava apteeraus toimi runkotilavuudeltaan suurissa leimikoissa paremmin kuin runkotilavuudeltaan pienissä leimikoissa. Runkotilavuudeltaan pienissä leimikoissa puolestaan tasatavoiteapteeraus sekä pikkutukin apteeraus toimi hyvin suhteessa runkotilavuudeltaan suurempiin leimikoihin. Tuloksien valossa voidaan todeta, että runkotilavuudeltaan suurissa ja hyvälaatuisissa leimikoissa saadaan lähes aina vähintään kohtuullinen katkontatulos. Runkotilavuudelta pienissä ja vikaisuudeltaan suurissa leimikoissa käytetyllä katkontaohjeella on sen sijaan suurempi merkitys. Lisäksi kun puun ulkoinen laatu huomioidaan, niin saadut tulokset ovat todenmukaisia. Ilman puun ulkoisen laadun huomioimista tulokset olisivat epärealistisia etenkin kertyvän tukkisaannon osalta.

Avainsanat: tyyppileimikointi, jakauma-apteeraus, katkontaohje, tukkisaanto

Mennala, Markus. 2020. Incorporating stand properties and bucking objectives for bucking- to-demand harvesting. University of Eastern Finland, Faculty of Science and Forestry, School of Forest Sciences. Master`s thesis in Forest Science specialization forest, energy and wood technology. 61 p.

ABSTRACT

In Finnish forestry, harvesting operations are based on cut-to-length method in which the harvester cuts the stems into different timber grades already on the stand. This process where the logs are being cut is called as bucking. Proper bucking takes into account the demands that sawmills have with respect to sawlog distribution. However, also the harvesting income of forest owners needs to be as high as possible. To obtain both these aspects, the so-called bucking-to-demand approach has been developed. It considers the aims of both the sawmills and the forest owner. However, it has been perceived that the composition of the matrices that are used in the bucking-to-demand is challenging, and different types of stands require different bucking approach. The aim of this study is to create instructions about how different properties of the stands should be taken into account when the bucking is planned.

The study was implemented with simulations using a stem data bank from ARVO-software of Natural Resources Institute of Finland. External quality was predicted for the stems by using a database that includes field measured quality attributes for individual trees. This procedure provided us sufficiently large data set that included the information of external quality of the trees. Representatives of different types of forest stands (type stands) were created by using the known properties of trees and stands. These type stands were then used to examine how the different bucking approaches affect the results of bucking. The goodness of bucking results were assessed by using the apportionment index and sawlog accruals of the stand.

A bucking simulator that used bucking-to-demand and near-optimal optimization method was created for the study. To our knowledge, this is the first study where the actual tree quality was taken into account while the bucking of logs was implemented with bucking-to-demand approach.

The results of the study showed that different bucking approaches yielded in varying results in different types of stands. The results of bucking were most affected by the stem volume and the defects of the trees. The highest apportionment index and sawlog accruals were obtained in stands with high total stem volume. When the defectiveness of the trees decreased, both the sawlog accruals and the apportionment index increased. Especially, bucking approaches that weighted long log lengths and a separate log length performed better in stands with high total stem volume than in stands with small total stem volume. On the other hand, in stands with low total stem volume, the uniform matrix and bucking of small- diameter sawlogs performed well compared to the stands with larger stem volume. The results indicate that in stands with high total stem volume and good tree quality, the results of bucking are nearly always at least appropriate. On the other hand, in stands with smaller total stem volume and higher defectiveness, the used bucking approach has greater effect on the success of bucking. Moreover, when the external tree quality is considered, the results obtained with a bucking simulator are realistic. Without taking the external tree quality into account, especially the results of sawlog accruals would be unrealistic.

Keywords: type stands, bucking-to-demand, bucking approach, sawlog accruals

ALKUSANAT

Tämä pro gradu -tutkielma liittyi Itä-Suomen yliopiston laatukatkonta -tutkimushankkeeseen.

Tutkimushanke toteutettiin yhteistyössä Luonnonvarakeskuksen kanssa, joka tarjosi käyttöömme tutkimuksessa käytettävän tutkimusaineiston. Tutkimushankkeen asiantuntijana toimi Luonnonvarakeskuksen vastaava professori Erkki Verkasalo ja tutkimuksen vastaavana johtajana sekä pro gradu -tutkielmani ohjaajana toimi MMT Jukka Malinen. Haluan esittää molemmille kiitokset mahdollisuudesta osallistua tutkimushankkeeseen ja erityiskiitos kuuluu ohjaajalleni Jukka Maliselle arvokkaasta tuesta tutkimusprosessin aikana.

SISÄLLYS

1. JOHDANTO... 6

1.1 Tavoitteellinen katkonnanohjaus ... 6

1.2 Katkonnanohjauksen haasteet ... 10

1.3 Menetelmät katkonnanohjauksen kehittämiseen ... 14

2. AINEISTO JA MENETELMÄT ... 15

2.1 Tutkimuksessa käytettävä aineisto ... 15

2.2 Apteeraussimulaattori ... 19

2.3 Tilastolliset testit ... 22

3. TULOKSET ... 23

3.1 Tyyppileimikointi ... 23

3.1.1 Mänty ... 23

3.1.2 Kuusi ... 27

3.2 Katkontaohjeiden vaikutus apteeraustulokseen ... 29

3.2.1 Mänty ... 29

3.2.2 Kuusi ... 33

3.3 Puuston laadun vaikutus apteeraustulokseen ... 36

3.3.1 Mänty ... 36

3.3.2 Kuusi ... 38

4 TULOSTEN TARKASTELU ... 39

4.1 Apteeraustulokseen vaikuttavat tekijät ... 40

4.1.1 Tukkisaantoon vaikuttavat tekijät ... 40

4.1.2 Tukkijakauman hyvyyteen vaikuttavat tekijät... 42

4.1.3 Männyn apteeraussuositukset ... 44

4.1.4 Kuusen apteeraussuositukset ... 45

4.2 Tutkimusaineiston ja menetelmien arviointi ... 46

4.3 Johtopäätökset ... 47

KIRJALLISUUS ... 49

LIITTEET ... 52

1. JOHDANTO

1.1 Tavoitteellinen katkonnanohjaus

Suomessa on käytössä tavaralajimenetelmä eli niin kutsuttu CTL (cut-to-lenght) hakkuumenetelmä. Menetelmässä hakkuukoneet katkovat puunrungot haluttuihin mittoihin jo metsässä ja katkonnan yhteydessä puut mitataan ja apteerataan hakkuupäässä olevalla mittalaitteella. Apteerauksella tarkoitetaan puunrungon katkaisukohtien määrittämistä ottamalla huomioon käytössä olevien puutavaralajien mitta- ja laatuvaatimukset (Eskelinen &

Pennanen 1980). Nykyään asiakas- ja tuotelähtöisyyden lisääntyessä on tärkeää pystyä tuottamaan tuotteita, jotka vastaavat asiakkaiden toiveita. Puunhankinnassa tämä tarkoittaa sitä, että teollisuudelle täytyy tuottaa laadukasta ja dimensioiltaan oikeanlaista raaka-ainetta (Malinen ym. 2011). Tätä varten katkonnanohjausta ja apteerausta on pyritty kehittämään.

Varsinkin sahatavaran osalta apteeraus on ratkaisevassa osassa sen suhteen millaisia lopputuotteita hakatuista rungoista voi saada. Jos sahatavaran apteeraus suoritetaan huonosti, niin on lähes mahdotonta myöhemmin tuotantoketjun aikana saada takaisin epäonnistuneen apteerauksen myötä menetettyä jalostusarvoa, sillä sahatavaran lopputuotteiden ja puuraaka-aineiden dimensioiden välillä on suora yhteys (Kivinen 2007).

Apteerauksen onnistumisella on suuri merkitys myös puunmyyjälle, sillä Suomessa käytössä olevassa puutavaralajimenetelmässä puunhinnoittelu perustuu pääasiassa hakattuihin puutavaralajeihin. Jos apteeraus suoritetaan huonosti ja dimensioiden ja laadun puolesta tukiksi kelpaavaa puuta päätyy yksikköhinnalta huonompaan puutavaralajiin, niin puunmyyjän saama myyntitulo laskee. Katkonnanohjauksen tavoite puunmyyjän kannalta on maksimoida leimikon myyntiarvoa käyttöarvon sijaan. Tästä johtuen teollisuuden ja puunmyyjän tavoitteet saattavat erota toisistaan (Malinen ym. 2010). Niinpä katkonnanohjauksen tavoitteena on kokonaisuutena toteuttaa kahta osittain ristiriitaista tavoitetta.

Vuonna 2017 koneellisen puunkorjuun osuus kaikista hakkuista Suomessa oli 99.98 % (Strandström 2018). Tästä johtuen katkonnanohjauksella vaikutetaan käytännössä hakkuukoneiden katkontaan. Merkittävänä tekijänä koneellisessa puunkorjuussa yksittäisten runkojen optimaaliseen apteeraukseen pääsemiseksi on hakkuukoneen mittalaitteen tarkkuus ja ennuste rungon kapenemisesta (Lukkarinen & Marjomaa 1998). Taloudellisesti ei olisi järkevää mitata ensin puunrunkoa ja sen jälkeen luoda katkontaehdotus asetettujen

katkontavaihtoehtojen puitteissa. Marshall (2005) tutki simuloimalla, että koko rungon mittaaminen hakkuupäällä ennen katkontaa vähentäisi hakkuukoneen tuottavuutta 25-33%.

Lisäksi tämä saattaisi aiheuttaa turhaan mekaanista vaurioita puunrunkoon (Kivinen 2009).

Niinpä hakkuukoneen mittalaite mittaa puunrunkoa prosessoinnin yhteydessä ja mitatun datan perusteella mittalaite luo rungolle kapenemisennusteen, jonka pohjalta kone tekee katkontaehdotuksen. Ensimmäinen katkontaehdotus luodaan, kun runkoa on syötetty 3-4 m.

Tämän jälkeen mittalaite vertaa ennustettua rungon kapenemista mitattuun kapenemiseen ja tarvittaessa muuttaa ennustetta (Lukkarinen & Marjomaa 1998). Runkoennusteen luomiseen on useampia menetelmiä. Kaikille yhteistä on kuitenkin se, että ennuste perustuu rungon alusta mitattuihin läpimittoihin. Hakkuukoneesta riippuen rungosta mitataan vertailuläpimitta, joka on tyypillisesti 2-3 metrin korkeudella, jolloin rungon tyvilaajentuman vaikutus runkoon on pienempi. Vertailuläpimitasta ennustettu runkomuoto voidaan johtaa, joko runkopankkia hyödyntäen, matemaattisia menetelmiä hyödyntäen taikka hyödyntämällä sekä runkopankkia, että matemaattisia malleja (Lukkarinen & Marjomaa 1998).

Kun rungon läpimitat puun eri korkeuksilla tiedetään tai pystytään ennustamaan tarkasti, niin on edellytykset toteuttaa rungon katkonta optimaalisesti. Tämän ennakkotiedon lisäksi tarvitaan tieto siitä, minkä arvoisia eri läpimitta- ja pituusluokkien puutavaralajit ovat. Näiden tietojen pohjalta rungon katkonta on mahdollista toteuttaa optimaalisesti (Kivinen 2007). Eri läpimitta- ja pituusluokkien puutavaralajeille voidaan antaa erilaisia arvoja. Ne voivat joko kuvata tuotteiden jalostusketjusta johdettuja nettoarvoja tai olla suhteellisia taikka absoluuttisia markkinahintoja (Kivinen 2007). Näiden asetettujen hintojen pohjalta yksittäisen rungon katkontaa voidaan optimoida. Se, minkä suhteen katkontaa optimoidaan, riippuu miten eri läpimitta- ja pituusluokkien pölkkyjen arvot ovat määritelty. Tätä menetelmää, jossa pyritään maksimoimaan yksittäisen rungon arvo, kutsutaan arvoapteeraukseksi (Marshall 2005). Arvoapteerauksessa rungon optimointiin on muutamia menetelmiä. Näistä yleisimpiä ovat mm. dynaaminen ohjelmointi, verkko-ohjelmointi ja simulointi (Marshall 2005).

Dynaaminen ohjelmointi on varma ratkaisumenetelmä, johon suurin osa arvoapteerausta käyttävistä laitteista perustuu (Kivinen 2007). Dynaamisen ohjelmoinnin ensimmäisiä versioita kehitettiin jo 1960 luvulla, mutta varsinaisesti ajatellaan, että Pnevmaticos & Mann (1972) julkaisu (Dynamic programmin in tree bucking) oli ensimmäinen julkaisu, jossa dynaamista ohjelmointia esitettiin ratkaisumenetelmänä arvoapteerauksessa (Marshall 2005). Siinä periaatteena on se, että optimointiongelma koostuu toisistaan riippuvista ja peräkkäisistä

vaiheista, joissa on useita mahdollisia valintoja (Anderson ym. 2003). Katkonnan optimointitilanteessa tämä tarkoittaa sitä, että on tietyn mittainen puu ja siitä voi tehdä tietyn määrän tukkia. Rajoittavina tekijöinä ovat tukkien pituudet ja käytettävissä oleva tukkiosuus.

Aluksi ensimmäisen tukin osalta lasketaan jokaisen mahdollisen vaihtoehdon arvo (jokaisen vaihtoehtoisen tukkipituuden tuottama arvo). Tämän jälkeen lasketaan kaikkien seuraavien mahdollisten tukkipituuksien tuottamat katkontakorkeudet ja niiden tuottamat arvot. Kun on päästy loppuun asti, niin optimaalisin katkontavaihtoehto on korkeimman arvon tuottama

”reitti”. Lopullinen tulos saadaan käymällä ketju lopusta alkuun ja valitsemalla

”solmukohdissa” aina parempi vaihtoehto. Tämän menetelmän ongelmana on kuitenkin, että vaihtoehtoisia ratkaisumahdollisuuksia on hyvin paljon ja niiden laskemiseen menee turhan paljon aikaa (Kivinen 2007). Toinen yleinen optimointimenetelmä on verkko-ohjelmointi, se on dynaamisen ohjelmoinnin tapainen menetelmä, mutta siinä etsitään optimaalisinta ratkaisua pisimmän reitin taktiikalla. Näsberg (1985) esitteli väitöskirjassaan tämän menetelmän. Nykyään arvoapteerauksessa käytetään yleisesti tähän ja dynaamiseen optimointiin perustuvaa algoritmia, jolla mahdollisten katkontavaihtoehtojen lukumäärää saadaan laskettua ja näin nostettua optimoinnin nopeus riittävälle tasolle (Uusitalo 2003).

Ensimmäiset hakkuukoneet käyttivät katkonnanohjaukseen aluksi arvoapteerausta (Sondell 1987). Pian tämän menetelmän käyttöönoton jälkeen havaittiin, että hakatut pölkkyjakaumat eivät kuitenkaan vastanneet teollisuuden toiveita. Saaduissa jakaumissa jakaumien ääripäät, eli lyhyet ja pitkät dimensiot korostuivat (Bergstrand 1989). Tätä pyrittiin parantamaan niin, että arvomatriisin arvoja muutettiin sen mukaan, mikä eri läpimitta- ja pituusluokkien pölkkyjen tarve oli tehtailla. Näin pölkkyjakaumaa saatiin ohjattua tehtaan toivomaan suuntaan. Näitä arvomatriiseja kutsuttiin painotetuiksi arvomatriiseiksi (Piira ym. 2007).

Painotettujen arvomatriisien lisäksi jakaumanohjaukseen kehitettiin hieman erilainen menetelmä. Bergstrand (1989) ehdotti, että apt-tiedostoon sisällytettäisiin sekä arvomatriisi, että tehtaan toivomaa pölkkyjakaumaa kuvaava jakaumamatriisi. Arvomatriisi kuvaisi entiseen tapaan tietyn läpimitta- ja pituusluokan arvoa ja puolestaan jakaumamatriisi kuvaisi sitä, missä suhteessa eri läpimitta- ja pituusluokkien pölkkyjä teollisuus haluaisi (Kirkkala ym.

2000). Tätä menetelmää, jossa katkontaa ohjataan sekä arvomatriisilla, että jakaumamatriisilla kutsutaan jakauma-apteeraukseksi (Vuorenpää ym. 1997). Jakauma- apteerauksessa on siis kyse yksittäisen rungon optimoinnista niin, että saatavaa pölkkyjakaumaa pyritään optimoimaan myös leimikkotasolla tehtaan toivomusten mukaisesti.

Jakauma-apteerauksen toteuttamiseksi on kehitetty kaksi erilaista menetelmää. Toinen näistä on niin sanottu lähioptimaalimenetelmä ja toinen on mukautuvien arvotaulujen menetelmä (Ahonen & Lemmetty 1995, Vuorenpää ym. 1999). Lähioptimaalimenetelmässä käsiteltävästä rungosta muodostetaan arvomatriisin avulla ennalta määrätty määrä erilaisia katkontavaihtoehtoja. Näistä katkontavaihtoehdoista valitaan se, joka täyttää parhaiten tehtaan asettaman tavoitteen huomioimalla tietyt rajoitteet (Ahonen & Lemmetty 1995).

Tämä selvitetään laskemalla jokaiselle läpimitta- ja pituusluokan vaihtoehdolle prioriteetti.

Prioriteetin laskemisessa verrataan tavoiteltua jakaumaa ja jo toteutunutta jakaumaa toisiinsa. Menetelmässä ei kuitenkaan sokeasti valita katkontavaihtoehtoa, joka toteuttaisi tehtaan toivomaa jakaumaa parhaiten, vaan on ennalta määrätty, kuinka paljon valituksi tuleva katkontavaihtoehto korkeintaan saa poiketa arvokkaimmasta katkontavaihtoehdosta.

Tällä estetään se, että tavoitejakaumaa ei toteuteta liian voimakkaasti leimikon arvon kustannuksella. Suurinta mahdollista muutosta optimaalisesta katkonnasta kutsutaan lähioptimaaliprosentiksi ja se on tyypillisesti 3-5% (Vuorenpää ym. 1999).

Toinen menetelmä, eli mukautuvien arvotaulujen menetelmä, perustuu arvomatriisin arvojen muutokseen. Arvomatriisin arvoja muutetaan sen mukaan, missä suhteessa hakattuja pölkkyjä on kertynyt tehtaan asettamaan tavoitteeseen verrattuna. Jos tiettyyn luokkaan on tullut liikaa pölkkyjä, niin sen luokan arvoa lasketaan muihin luokkiin verrattuna. Jos pölkkyjä on puolestaan tullun liian vähän, niin kyseisen luokan arvoa nostetaan muihin luokkiin nähden (Ahonen & Lemmetty 1995). Mukautuvien arvotaulujen menetelmässä ohjelmaan määrätään tietty poikkeama, jota enempää ohjelma ei saa muuttaa arvomatriisin alkuperäisiä arvoja.

Tällä estetään se, että jos käsiteltävä leimikko ei toteuta tehtaan toivomaa jakaumaa, niin leimikon apteeraus ei kuitenkaan mene pieleen ja tukkiosuus tulee hyödynnettyä tarkasti (Vuorenpää ym. 1999).

Perinteisesti hakkuukoneiden mittalaitteissa apteeraus on toteutettu mukautuvilla arvotauluilla (Möller ym. 2003). Tämä on ollut suositumpi menetelmä Suomessa, kun taas lähioptimaalimenetelmää on suosittu Ruotsissa (Uusitalo 2003). Esimerkiksi Ponsse Opti ja Timberjack käyttävät apteerauksen ohjaukseen mukautuvien arvotaulujen menetelmää.

Vastaavasti Valmet Maxi käyttää lähioptimaalimenetelmää (Vuorenpää ym. 1999). Näiden menetelmien välillä ei ole havaittu olevan merkittävää eroa lopputuloksen kannalta (Möller ym. 2003). Huomionarvoista on kuitenkin, että lähioptimaalimenetelmä alkaa toteuttaa

jakaumatavoitetta nopeammin kuin mukautuvien arvotaulujen menetelmä. Tämä johtuu siitä, että heti ensimmäisen katkaistun pölkyn jälkeen sen prioriteetti muuttuu lähioptimaalimenetelmässä, mutta mukautuvien arvotaulujen menetelmässä katkottuja pölkkyjä tulee olla enemmän, ennen kuin ohjelma alkaa muuttaa arvotaulun arvoja ja toteuttamaan tavoitejakaumaa (Möller ym. 2003). Apteerausmenetelmästä riippumatta kertyvää pölkkyjakaumaa voidaan optimoida, joko läpi koko tavoitematriisin, taikka erikseen jokaisen läpimittaluokan sisällä. Se, kummalla tavalla jakaumaa ohjataan, vaikuttaa syntyvään katkontatulokseen (Vuorenpää ym. 1999).

1.2 Katkonnanohjauksen haasteet

Nykyinen puukaupan hinnoittelumalli perustuu yleensä leimikolta hakattaviin puutavaralajeihin ja niiden yksikköhintoihin. Hinnoittelumallissa on mielletty olevan ristiriitaa puunkäyttöarvon ja puusta maksettavan hinnan välillä (Piira ym. 2007). Esimerkiksi hyvälaatuisesta tukista saatetaan maksaa samaa yksikköhintaa kuin huonompilaatuisesta tukista. Tämä ei kannusta metsänomistajaa kasvattamaan hyvälaatuista puuta (Malinen ym.

2011). Ristiriita hinnoittelumallissa korostuu entisestään tilanteessa, jossa puunostaja pyrkii maksimoimaan leimikon jalostusarvoa. Jalostusarvoa maksimoiva katkonta tuottaa usein huonomman myyntiarvon ja puolestaan myyntiarvoa maksimoiva katkonta tuottaa huonomman jalostusarvon (Piira ym. 2007). Niinpä katkonnanohjaus tulisi toteuttaa niin, että molempien osapuolien tavoitteet tulee huomioitua riittävän hyvin.

Arvoapteeraus itsessään tarjoaa käyttökelpoisen menetelmän toteuttaa katkonnanohjausta, jossa yksittäisen puun arvoa maksimoidaan (Vuorenpää ym. 1997). Ratkaisevaa arvoapteerauksessa on se, kuinka arvomatriiseissa olevat eri läpimitta- ja pituusluokkien hinnat on määritelty ja missä suhteessa hinnat ovat muihin puutavaralajeihin. Puunmyyjän kannalta eri puutavaralajien arvomatriisien hinnat tulisivat vastata puukaupalla sovittuja kantohintoja. Näin katkonta tapahtuisi leimikon myyntiarvoa maksimoivasti (Piira ym. 2007).

Tukin osalta kuitenkin erilaisten läpimitta-pituusluokkien jalostusarvo on erilainen ja teollisuus ei välttämättä halua jakeita siinä suhteessa, kuin niitä tasahintaisella arvomatriisilla tulisi (Kivinen 2003). Näin ollen tämä tulisi ottaa huomioon katkonnanohjauksessa, jotta katkontatulos palvelisi myös puunostajaa. Jos arvomatriisien hintoja muutetaan tasahintaisesta matriisista matriiseiksi, jotka toteuttavat tehtaan toivomaa jakaumaa

paremmin, niin puhutaan painotetusta arvomatriisista (Piira ym. 2007). Tämä kuitenkin aiheuttaa sen, että katkontaa ei enää ohjata kantohintoihin perustuvilla hinnoilla ja puunmyyjän tavoitteesta joudutaan tinkimään. Piiran ym. (2007) tutkimuksen perusteella painotettujen arvomatriisien käytöstä aiheutuu enimmillään jopa 2,0% tukkisaannon lasku ja myyntiarvon osalta enimmillään 1,4% lasku verrattuna tasahintaisilla matriiseilla ohjattuun katkontaan. Tutkimuksessa oli tarkastelussa ainoastaan kuusi ja apteerattavina puutavaralajeina tukki ja kuitu. Se miten painotetut arvomatriisit käyttäytyvät muilla puulajeilla, taikka apteerattaessa useampia puutavaralajeja samaan aikaan, ei voida varmaksi sanoa. Jos arvomatriisien arvot ovat johdettu esimerkiksi puun jalostusarvosta, puunostajalle maksettavasta kantorahan sijaan, niin apteeraustulos ei ole puunmyyjän kannalta optimaalinen. Tämä johtuu siitä, että jalostusarvoa maksimoiva katkonta ei aina maksimoi leimikon tukkisaantoa, eikä tästä johtuen leimikon myyntiarvoa (Piira ym. 2007).

Nykyään käytössä olevat jakauma-apteerausmenetelmät ottavat huomioon sekä puunmyyjän, että puunostajan tavoitteet katkonnanohjauksen suhteen (Vuorenpää ym. 1999). Puunmyyjän kannalta katkontatulos ei kuitenkaan jakaumaohjauksessa toteudu täydellisesti. Jos menetelmänä on mukautuvien arvotaulujen menetelmä, niin tukkien eri läpimitta- ja pituusluokille asetetut eriävät pistehinnat aiheuttavat tukkisaannon laskua leimikon maksimaalisesta tukkisaannosta (Piira ym. 2007). Vuorenpää ym. (1997) tutkivat kuinka jakauma-apteeraus mukautuvilla arvotauluilla vaikuttaa tukkisaantoon ja jakauma-asteeseen.

Tutkimuksen perusteella jakauma-apteerauksella saavutettiin merkittävä (noin 20 %-yksikön) parannus jakauma-asteeseen. Vastaavasti tukkisaanto kuitenkin heikkeni enimmillään 1 % verrattuna pelkkään arvoapteeraukseen verrattuna. Tukkisaannon laskuun ja jakauma-asteen nousuun vaikuttaa mukautuvien arvotaulujen menetelmässä käytössä oleva adaptiivisuusprosentti. Tikkanen ym. (2009) tutkivat hakkuukoneen ryhmäohjauksen toimivuutta ja tämän tutkimuksen lomassa havaitsivat, että adaptiivisuusprosentin kasvaessa tukkisaanto laskee. Vastaavasti adaptiivisuusprosentin kasvattaminen nosti jakauma-astetta.

Saman suuntaiseen lopputulokseen pääsi Santaniemi (2017), joka tutki työssään adaptiivisuusprosentin vaikutusta jakauma-asteisiin ja tukkisaantoihin. Tämä on hyvin loogista, sillä tällöin ohjelman annetaan muuttaa arvomatriisin hintoja enemmän, jolla pyritään jakauma-asteen kasvuun. Myös toiseen käytössä olevaan jakauma-apteeraus menetelmään liittyy ongelmia. Lähioptimaalimenetelmässä ideana on valita tehtaan tavoitejakaumaa mahdollisimman hyvin toteuttava katkontavaihtoehto, joka kuitenkin eroaa

korkeintaan määritellyn lähioptimaaliprosentin verran optimaalisimmasta katkonnasta (Ahonen & Lemmetty 1995). Ongelma on juurikin se, että puunmyyjän kannalta optimaalisesta katkonnasta on mahdollista poiketa määritellyn prosenttimäärän verran. Tämä laskee puunmyyjän saamaa tuloa.

Vuorenpää ym. (1997) vertailivat mukautuvien arvotaulujen menetelmää ja lähioptimaalimenetelmää jakauma-asteen ja tukkisaannon näkökulmasta. Tuloksena oli, että lähioptimaalimenetelmä laskee enemmän tukkisaantoa kuin mukautuvien arvotaulujen menetelmä. Vertailuna käytettiin arvoapteerauksella laskettuja tukkisaantoja. Puolestaan jakauma-aste lähioptimaali menetelmällä muodostui keskimäärin korkeammaksi kuin mukautuvien hintalistojen menetelmällä. Eri apteerausmenetelmien lisäksi katkonnan ohjauksen kehittämiseksi on yritetty kehittää muitakin keinoja. Hakkuukoneiden ryhmäohjauksella on pyritty hakemaan sitä, että katkontaa ohjattaisiin suuremmassa mittakaavassa ja näin runkojen katkontaa voitaisiin toteuttaa kokonaistarpeita maksimoiden (Imponen 1999). Hakkuukoneiden ryhmäohjauksella havaittiin olevan jakauma-asteeseen positiivista vaikutusta. Tikkasen ym. (2009) mukaan sillä saadaan nostettua jakauma-astetta jopa 9 %, mutta vastaavasti taas tukkisaantoon hakkuukoneiden ryhmäohjaus vaikutti negatiivisesti. Aihetta tutki myös Imponen (1999), mutta hänen mukaansa hakkuukoneiden ryhmäohjauksella saadaan jakauma-aste nousemaan nopeammin normaalitasolle, mutta sillä ei saavuteta myöhemmässä vaiheessa juurikaan muuta hyötyä. Sen vaikutusta tukkisaantoon tässä tutkimuksessa ei tutkittu. Kuten huomaamme, katkonnanohjauksessa painotellaan koko ajan kahden eri osapuolen tavoitteiden välillä ja niiden yhteensovittamien ei ole yksinkertaista.

Saatavaan katkontatulokseen vaikuttaa merkittävästi käsiteltävissä oleva puusto, sen koko ja laatu yhdistettynä käytettäviin katkontaohjeisiin (Malinen ym. 2006, Piira ym. 2007, Malinen ym. 2011). Näissä tutkimuksissa on havaittu, että samanlaisilla katkontaohjeilla voidaan päästä hyvinkin erilaisiin katkontatuloksiin erityyppisissä leimikoissa. Leimikon runkojen keskitilavuudella on havaittu olevan merkitystä sen kannalta, millaisia puutavaralajeja ja dimensioita tietyntyyppisestä leimikosta kannattaa hakata (Malinen ym. 2006). Parrut ja pylväät tuottivat Malisen ym. (2006) mukaan suurimman positiivisen vaikutuksen leimikon arvonmuodostukseen järeydeltään suurissa leimikoissa. Näissä erityisesti puun jalostusarvo kohosi. Puolestaan pikkutukkien ja parrujen katkonta tuotti positiivisemman vaikutuksen

järeydeltään pienissä ja keskinkertaisissa leimikoissa. Tutkimuksissa on myös havaittu, että tukin minimilatvaläpimitalla ja käytettävissä olevilla pituusluokilla on merkitystä saatavaan katkontatulokseen. Mm. Piiran ym. (2007) tutkimuksessa havaittiin, että tukin minimilatvaläpimitan laskeminen vaikuttaa enemmän leimikon tukkisaantoon, kuin tukin minimipituuden laskeminen. Molemmat näistä vaikuttivat leimikon tukkisaantoa nostavasti.

Tukin minimilatvaläpimitan laskiessa leimikon järeydellä on enemmän vaikutusta männyllä kuin kuusella. Puolestaan tukin minimipituuden laskiessa leimikon järeys vaikuttaa enemmän kuusella kuin männyllä. Trendi on kuitenkin kaikilla samanlainen eli keskitilavuudeltaan pienemmillä leimikoilla tukkisaanto kasvaa edellä mainittujen toimenpiteiden vaikutuksesta enemmän kuin järeillä leimikoilla. Malisen ym. (2011) tutkimuksen perusteella puolestaan kuusella minimilatvaläpimitan laskeminen vaikuttaa enemmän kuin männyllä. Osittain tämä selittyy sillä, että tutkimuksessa kuusirungot olivat pienempiä kuin mäntyrungot.

Leimikon runkokoon ohella merkittävä katkontatulokseen vaikuttava tekijä on puuston vikaisuus. Sen on havaittu olevan suurempaa männyllä kuin kuusella (Piira ym. 2007). Puuston vikaisuudesta johtuen katkontaa ei myöskään aina voi suorittaa niin kuin hakkuukoneen apteerausohjelma sen ehdottaa (Kärhä ym. 2017). Rungossa olevat viat kuten laho, mutkat, kaksihaaraisuudet ja isot oksat aiheuttavat osaltaan sen, että harvesterin kuljettaja joutuu tekemään ns. pakkokatkaisuja. Kärhän ym. (2017) tutkimuksessa havaittiin, että juurikin puuston laadulla on suuri merkitys kuljettajien tekemien pakkokatkaisujen suhteen. Myös puuston keskimääräisellä runkotilavuudella on vaikutusta asiaan, sillä runkotilavuudeltaan pienemmillä leimikoilla pakkokatkaisut olivat yleisempiä. Varsinkin harvennuksilla kuljettajat käyttävät pakkokatkaisuja. Lisäksi kuljettajat ilmoittivat yhtenä syynä pakkokatkonnan käyttämiselle sen, että tavoitematriisi ei sovi hakattavaan leimikkoon. Männyllä pakkokatkaisut olivat yleisempiä kuin kuusella (Kärhä ym. 2017). Pakkokatkaisujen käytöstä aiheutuu se, että saatu tukkijakauma eroaa siitä, mitä hakkuukone olisi normaalitilanteessa tuottanut. On myös havaittu, että tästä johtuen tukkien ja leimikon kokonaiskertymä alenee sekä tukkien jakauma-aste on alhaisempi. Männyn osalta positiivista pakkokatkonnan käytössä kuitenkin on se, että tukkien jalostusarvo kasvaa. Toivottavaa siis olisi, että kuusen osalta pakkokatkontaa tehtäisiin mahdollisimman vähän ja männyn osalta se tehtäisiin vain jalostusarvon maksimoimiseksi (Kärhä ym. 2017).

Edellä lueteltujen seikkojen perusteella olisi siis hyvin tärkeää, että tiedettäisiin millaisilla katkontaohjeilla puun katkontaa tulee ohjata tietyn tyyppisissä leimikoissa ja mitä puutavaralajeja mistäkin kannattaa korjata. Käytettävät katkontaohjeet tulisi laatia niin, että ne soveltuvat hakattavaan leimikkoon ja ainakaan sen vuoksi ei olisi tarvetta pakkokatkonnalle. Leimikoiden ominaisuuksien, katkontaohjeiden ja eri osapuolten tavoitteiden yhteensovittaminen onkin ollut tämän toimialakentän yksi tavoitteista.

1.3 Menetelmät katkonnanohjauksen kehittämiseen

Katkonnanohjauksen ja katkontaparametrien kehittäminen ja säätäminen on perustunut 1990-luvulla pitkälti katkontaa ohjaavien toimihenkilöiden ammattitaitoon ja kokemukseen.

Tästä johtuen katkonnassa on saattanut olla suuriakin alueellisia vaihteluja (Kivinen & Uusitalo 1999). Jotta katkontaohjeiden säätäminen olisi helpompaa ja, että se ei perustuisi enää ns.

”näppituntumaan” niin alettiin kehittää säätömekanismeja apteeraustiedostojen säätämiseen. Yksi menetelmistä perustui ns. sumeaan logiikkaan ja sen pohjalta luotuun sumeaan säätöjärjestelmään (Kivinen & Uusitalo 1999). Kivisen & Uusitalon (1999) mukaan sumea säätöjärjestelmä perustuu tehtaan asettaman tavoitejakauman ja ennustetun toteutuneen jakauman väliseen eroon ja sen muutosnopeuteen. Tämän perusteella sumeasäädin tekee muutoksia arvomaatriisin ja palauttaa sen apteeraussimulaattorille.

Myöhemmin Kivinen (2007) tutki menetelmää väitöskirjassaan ja tuli tulokseen, että menetelmä voisi olla yksi vaihtoehto apteeraustiedostojen muokkaamiseen. Tämä menetelmä ei kuitenkaan yleistynyt myöhemmin käytännön katkonnanohjauksessa.

Katkonnanohjaustiedostojen soveltuvuutta ja hyvyyttä tietyissä leimikoissa on tutkittu useissa tutkimuksissa. Tutkimuksissa katkontasimulaattorin toiminta on perustunut aikaisemmin arvoapteeraukseen. Todellisuudessa käytännön apteerauksen ohjaus perustuu pääosin arvoapteerausta paremmin jakaumatavoitetta toteuttavaan jakauma-apteeraukseen (Vuorenpää ym. 1999) ja tästä johtuen olisi tärkeää tutkia asiaa jakauma-apteeraukseen perustuvalla ja puun laadun huomioivalla simulaattorilla. Puuston laatu voidaan ottaa tutkimuksissa huomioon, joko maastossa tapahtuviin runkokohtaisiin ennakkomittauksiin perustuen, taikka käyttämällä hakkuukoneen tallentamaa dataa (Piira ym. 2007). Kaupalliset apteeraussimulaattorit pystyvät huomioimaan vain hakkuukoneella tuotettua dataa kuljettajan tekemistä pakkokatkonnoista (Malinen ym. 2011). Tässä datassa ongelmana on se,

että pakkokatkaisut eivät kuvaa täysin puun laatua vaan kertovat vain sen, mistä puu on täytynyt katkaista. Ne kuvaavat osittain laatua, mutta ovat sidoksissa käytössä olleisiin mitta- ja laatuvaatimuksiin, eli eivät ole täysin valideja laadun suhteen (Piira ym. 2007). Lisäksi on havaittu, että eri kuljettajat käyttävät pakkokatkaisuja hyvinkin paljon, vaikka tämä ei olisi tarpeellista puuston laadun suhteen. Kuljettajien tekemät pakkokatkaisut ovat tietysti myös kuljettajien omia ratkaisuja nopeassa hakkuutilanteessa, eli vaihtelevat kuljettajien välillä riippuen esimerkiksi kuljettajan työkokemuksesta. Tutkimuksissa on ollut käytössä myös laatukuvauksen sisältävää dataa, mikä perustuu maastomittauksiin. Tämän datan pohjalta on kehitetty ns. ARVO-ohjelmisto, jonka avulla voidaan toteuttaa tutkimuksia, jossa puun laatu otetaan huomioon (Metla.fi). Aikaisemmissa tutkimuksissa mahdollisuutena on ollut käyttää ainoastaan arvoapteerausta, joka ei enää nykyään palvele käytännön puunkorjuussa. Niinpä olisi ensiarvoisen tärkeää, että pystyisimme tekemään tutkimuksen, jossa huomioimme puun laadun ja samalla käyttäisimme nykyään käytössä olevaa jakauma-apteerausta. Näin tulokset vastaisivat käytäntöä mahdollisimman hyvin ja niillä olisi konkreettista painoarvoa katkonnanohjauksen kehittämisessä.

Tämän tutkimuksen tavoitteena on selvittää puuston, puuston laadun ja katkontaohjeiden vaikutusta katkonnan lopputulokseen. Vaikutuksia mitataan muodostettavien tyyppileimikoiden avulla simuloiduista puutavaralajikertymistä, sekä kertymien hyvyyttä jakauma-asteen avulla. Tyyppileimikot muodostetaan helposti määriteltävien puuston koko- ja laatuominaisuuksien kautta. Tutkimusta varten on kehitetty apteeraussimulaattori, joka kykenee ottamaan puuston laadun huomioon ja käyttämään katkonnanohjauksessa jakauma- apteerausta. Tämä on merkittävä kehitysaskel kohti käytännönläheistä simulointia.

Tutkimuksen tuloksena muodostetaan helposti ymmärrettävä ohjeistus siitä, kuinka eri leimikoiden ominaispiirteitä tulee ottaa huomioon katkonnan ohjauksessa.

2. AINEISTO JA MENETELMÄT

2.1 Tutkimuksessa käytettävä aineisto

Tutkimuksessa käytettävä aineisto koostui simuloimalla tuotetuista 80 mäntyleimikosta ja 47 kuusileimikosta. Kaikkiaan mäntyrunkoja oli aineistossa mukana 27480 kappaletta ja

kuusirunkoja puolestaan 21354 kappaletta. Kuusen osalta aineisto koostui vain avohakkuuleimikoista, mutta männyn osalta aineistossa oli mukana myös 18 harvennusleimikkoa (kuva 1.)

Kuva 1. Tutkimuksessa käytetyn puuston laatuaineiston leimikot eriteltynä hakkuutyypeittäin ja pääpuulajeittain.

Aineiston lähtökohtana oli Luonnonvarakeskuksen ARVO-ohjelmistossa oleva runkoaineisto.

ARVO-ohjelmisto on Luonnonvarakeskuksen kehittämä ohjelmisto, joka aineisto koostuu hakkuukoneen otannalla tallentamista runkojoukoista. Stm-muotoisten runkotietojen lisäksi ARVO:ssa on Metlan maastomittauksiin perustuva puuston laatutietokanta (Metla.fi). Nämä mittaukset ovat Metsäntutkimuslaitoksen tekemiä mittauksia vuosien 1998-2010 aikana, joidenka tuloksia on hyödynnetty useissa aikaisemmissakin katkontaan liittyvissä tutkimuksissa (Malinen ym. 2018). Laatutietokannassa olevat rungot on mitattu ympyrän muotoisilta koealoilta, jotka sijoittuvat maantieteellisesti eripuolille Suomea. Mitattu laatutietokanta sisälti 8096 pystyynlaadutettua mäntyrunkoa ja 4472 pystyynlaadutettua kuusirunkoa. Kaikista näistä rungoista oli mitattu tai arvioitu seuraavat tunnukset: puulaji,

rinnankorkeusläpimitta, pituus, elävän latvuksen alkamiskorkeus, kuivaoksaraja (yli 1 cm kuivaoksa) ja paksuimman elävän sekä kuivan oksan korkeus rungossa (Piira ym. 2007). Näiden tunnusten lisäksi rungoista oli määritelty runkojen tekniset viat ja niiden alkamis- sekä päättymiskorkeudet. Jos rungossa oli jokin seuraavista vioista, niin silloin runko määriteltiin vikaiseksi:

• Suuri oksakyhmy männyllä

• Poikaoksa

• Oksaryhmä

• Oksan lpm > 70 mm

• Kuivan oksan lpm > 30 mm

• Kuivan oksan lpm > 40 mm

• Elävän oksan lpm > 50 mm

• Oksan lpm > 15 mm tyvitukkiosassa männyllä

• Moniväärä

• Mutka

• Tyvimutka

• Tyvilenko

• Lenko

• Ranganvaihto

• Katkennut latva

• Monilatvainen

• Koro

• Laho

• Muu vika

• Kuiva puu

• Kuollut puu

Vikoihin perustuen rungoista oli määritelty sahauskelpoinen osa rungosta Suomessa yleisesti hyväksyttyjen tukkien laatuvaatimusten mukaisesti (Malinen ym. 2018). Huomioitavaa etenkin kuusen laadun osalta on se, että puun sisäisiä katkontaan vaikuttavia vikoja (esim.

tyvilahoa) aineistossa ei ole voitu ottaa huomioon. Laatutiedon sisältävien runkojen mittauksen yhteydessä kyseiseltä leimikolta oli määritelty lisäksi kasvupaikka, maatyyppi, puuston ikä, pääpuulaji ja sen prosentuaalinen osuus puustosta. Lisäksi leimikoilta oli mitattu pohjapinta-ala, valtapituus ja keskiläpimitta. Tässä tutkimuksessa hyödynnämme ARVO:ssa olevaa stm-muotoista hakkuukoneiden mittaamaa runkotietoa, sekä Metlan maastomittauksin laatimaa laatutietokantaa. Tutkimusta varten ARVO:ssa olevia mitattuja ja laadutettuja runkoja oli liian vähän, joten aineistoa oli laajennettava. Tämä onnistui ARVO- ohjelman avulla, sillä siinä on ominaisuus, jolla pystyy ennustamaan metsikön runkoaineiston tiettyjen hakumuuttujien perusteella. Käytimme aineiston hakumuuttujina niitä

metsikkötunnuksia, jotka oli mitattu laatuaineiston keräyksen yhteydessä. Puujoukkojen ennustaminen ARVO:lla tapahtuu niin, että lähtötietojen perustella ohjelma hakee hakkuukoneiden tallentamasta runkoaineistosta mahdollisimman hyvin lähtötietoja vastaavia leimikoita, joidenka pohjalta muodostaa ennustepuujoukon. Kun puujoukot oli laadittu, niin niihin simuloitiin laatu ARVO:n laatutietokannan perusteella. Tätä varten oli kehitetty ohjelma, joka kykeni lukemaan ARVO:n laatutietokantaa ja ARVO:n luomaa ennustepuujoukkoa.

Ohjelma perustui ns. MSN-menetelmään (Most Similar Neighbour) (Moeur and Stage 1995).

Siinä tarkoituksena on hakea aineistosta mahdollisimman lähelle samankaltainen puu ja tämän perusteella ennustaa alkuperäisen puun laatua. Tässä tapauksessa jokaiselle kohdepuulle haettiin laatutietokannasta mahdollisimman samankaltainen puu, ottaen huomioon puun kasvupaikka, leimikon puusto, puun pituus sekä -läpimitta. Tämän jälkeen rungon laatutieto yleistettiin kohdepuulle niin, että vikojen suhteelliset korkeudet rungoissa olivat samat kuin vastaavassa mitatussa rungossa. Kun kaikkiin aineiston runkoihin oli simuloitu laatukuvaus, niin käytössä oli laadun sisältävä runkoaineisto, jolle voitiin ruveta tekemään simulointikatkontoja.

Runkoaineisto oli laadutus-ohjelman jälkeen tekstitiedosto-muodossa, niin että jokaisen leimikon rungot olivat omassa tiedostossa. Rungoille laskettiin keskitunnuksia, joiden perusteella leimikoita myöhemmässä vaiheessa luokiteltiin eri tyyppileimikoihin.

Tärkeimpänä keskitunnuksena rungolle laskettiin tarkka runkotilavuus Laasasenahon (1982) määrittelemillä kahden selittäjän malleilla (kaavat 1 ja 2).

𝑀ä𝑛𝑡𝑦 𝑣 = 0,036089 ∗ 𝑑^2,01395∗ (0,99676)^𝑑∗ ℎ^2,07025∗ (ℎ − 1,3)^−1,07209 (1)

𝐾𝑢𝑢𝑠𝑖 𝑣 = 0,022927 ∗ 𝑑^1,91505∗ (0,99146)^𝑑 ∗ ℎ^2,82541∗ (ℎ − 1,3)^−1,53547 (2) d = rinnankorkeus läpimitta (cm)

h = pituus (m)

Tämän jälkeen määriteltiin keskiarvot leimikon runkojen läpimitasta, pituudesta, latvusrajasta ja kuivaoksarajasta. Lisäksi laskettiin vikaisuusprosentti jokaiselle leimikolle.

Vikaisuusprosentti määriteltiin niin, että jos rungossa oli yksikin katkontaan vaikuttava vika, niin runko määriteltiin vikaiseksi. Vikaisuusprosentti johdettiin vikaisten runkojen suhteesta kaikkiin leimikon runkoihin. Lasketuista tunnuksista myöhemmin tehtävään

tyyppileimikointiin käytetiin molemmilla puulajeilla leimikon keskitilavuutta sekä lisäksi kuusen osalta myös leimikon vikaisuusprosenttia.

2.2 Apteeraussimulaattori

Tutkimusta varten oli kehitetty apteeraussimulaattori, joka kykenee ottamaan puuston laadun huomioon ja käyttämään jakauma-apteerausta. Simulaattoriin syötetään tekstitiedostomuodossa oleva apt-tiedosto, jossa on määriteltynä apteeraukseen vaikuttavat parametrit. Näitä ovat mm. käytettävä lähioptimaaliprosentti ja se ohjataanko jakaumaa läpimittaluokittain vai läpi matriisin. Tässä tutkimuksessa käytettiin lähioptimaaliprosenttina 3 % ja jakaumaohjaus oli läpimittaluokittain. Lisäksi apt-tiedostossa määriteltiin läpimitta- pituusluokkien lukumäärä ja puutavaralajien lukumäärä. Lopuksi apt-tiedostossa oli hinta- ja jakaumamatriisit puutavaralajeittain. Kuusen osalta luotiin 9 erilaista aptia, joista kolmea vertailtiin normaalin vertailun lisäksi myös ilman runkojen ulkoisen laadun huomioimista (taulukko 1). Männyn osalta luotiin yhteensä 11 erilaista aptia, kuusen tavoin näistä kolmea aptia käytettiin myös ilman runkojen ulkoisen laadun huomioimista (taulukko 2).

Simuloinneissa, joissa runkojen ulkoista laatua ei huomioitu käytettiin samaa apteeraussimulaattoria, mutta siihen tehtiin lisäosa, joka jättää runkojen laatukuvauksen pois.

Näissä simuloinneissa kuitenkin runkojen kuivaoksaraja ja latvusraja huomioitiin männyn tyvitukin apteerauksessa. Siinä latvusraja oli tyvitukin katkontaa rajoittava tekijä.

Tutkimuksessa käytettiin leimikkolistoja, joissa oli lueteltuna runkopankit tyyppileimikoittain.

Näin yhdellä ajokerralla saatiin simuloitua kaikkien tyyppileimikkoon kuuluvien runkopankkien rungot kerralla. Tämä ominaisuus nopeutti huomattavasti simulointia. Runkopankkitiedostot olivat apt-tiedostojen tavoin tekstitiedostoja. Runkopankkitiedostossa jokainen runko oli omalla rivillään ja tiedostossa oli tieto läpimitasta, pituudesta, kuivaoksarajasta, latvusrajasta ja rungosta saatavien tukkiosien lukumäärästä. Lisäksi oli määritelty rungon vikaisuus niin, että oli ilmoitettu jokaisen sahauskelpoisen tukkiosan alku- ja loppukorkeus. Eri tukkiosien loppu- ja alkukohtien välinen osa on viallista ja vaikuttaa katkontaan niin, että siitä ei voi apteerata tukkia.

Taulukko 1. Kuusen apteerauksessa käytetyt aptit.

Apt 1. Tyyppileimikoinnissa käytetyt perusapti * Apt 2. Tasatavoitematriisi

Apt 3. Painotus pitkille pituuksille

Apt 4. Voimakas painotus pitkille pituuksille * Apt 5. Painotus”piikki” 43

Apt 6. Sahatukki, pikkutukki (pituudet: 28, 31, 34, läpimitta 12), kuitu

Apt 7. Sahatukki, pikkutukki (pituudet 37, 40, 43, 46, 49, 52, 55, läpimitta 14), kuitu Apt 8. Tarkka tukkisaanto, (ilman jakaumaohjausta, lähioptimaaliprosentti 0%) * Apt 9. Tarkka tukkisaanto (minimiläpimitan hinta korkeampi)

(* Käytettiin simulointiin myös ilman puun ulkoisen laadun huomioimista)

Taulukko 2. Männyn apteerauksessa käytetyt aptit.

Apt 1. Tyyppileimikoinnissa käytetyt perusapti * Apt 2. Tasatavoitematriisi

Apt 3. Painotus pitkille pituuksille

Apt 4. Voimakas painotus pitkille pituuksille * Apt 5. Painotus”piikki” 43

Apt 6. Tyvitukki, Sahatukki, Pikkutukki (pituudet: 28, 31, 34, läpimitta 11), kuitu Apt 7. Sahatukki, Pikkutukki (pituudet: 28, 31, 34, läpimitta 11), kuitu

Apt 8. Tyvitukki, Sahatukki, Pikkutukki (37, 40, 43, 46, 49, 52, 55, läpimitta 13), kuitu Apt 9. Sahatukki, Pikkutukki (37, 40, 43, 46, 49, 52, 55, läpimitta 13), kuitu

Apt 10. Tarkka tukkisaanto, (ilman jakaumaohjausta, lähioptimaaliprosentti 0%) * Apt 11. Tarkka tukkisaanto (minimiläpimitan hinta korkeampi)

(* Käytettiin simulointiin myös ilman puun ulkoisen laadun huomioimista)

Simuloinneissa käytetyn apteeraussimulaattorin toiminta perustuu lähioptimaalimenetelmään. Siinä ohjelma käy kaikki potentiaaliset katkontavaihtoehdot läpi ja valitsee niistä sellaiset katkontavaihtoehdot, jotka poikkeavat maksimaalisesta arvosta korkeintaan määritellyn lähioptimaaliprosentin verran. Sen jälkeen ohjelma vertaa jo katkottujen pölkkyjen määrää tehtaan antamaan tavoitejakaumaan ja valitsee niistä sen katkontayhdistelmän, jonka yhteenlaskettu prioriteetti on suurin (Vuorenpää ym. 1999).

Lähioptimaalimenetelmää voidaan käyttää joko optimoimaan jakaumaa läpi koko matriisin tai läpimittaluokittain. Läpi matriisin optimoinnissa tavoitteena on saada jakauma asettumaan kohdalleen huomioimalla kaikki matriisissa olevat pituus- ja läpimittaluokat ja niiden suhteelliset tavoitteet. Optimoinnissa läpimittaluokittain on tarkoituksena saada jakauma kohdalleen ottamalla huomioon vain kyseisen läpimittaluokan eri pituusvariaatiot ja niiden keskinäiset tavoitteet. Tässä tutkimuksessa käytettiin ainoastaan optimointia läpimittaluokittain, mutta osalle tuloksissa laskettiin myös jakauma-asteet läpi koko matriisin.

Kaavana lähioptimaalimenetelmän katkonnan valintaprosessi voidaan kuvata seuraavasti (kaava 3).

𝑝 = 𝑚 ∗ (1 + ∑ 𝑛)

(1 + ∑ 𝑚)− 𝑛, (3)

p = prioriteetti, jonka tietty katkontavaihtoehto saa m = tavoiteltu jakauma tälle pölkkydimensiolle (esim. %) n = tähän asti saavutettu arvo pölkkymatriisissa (esim. %)

Simuloinnin jälkeen katkontasimulaattori loi automaattisesti tietyn määrän tulostiedostoja.

Tiedostojen määrä riippui apt-tiedostossa määriteltyjen puutavaralajien lukumäärästä. Tässä tutkimuksessa tärkeimpiä asioita, joita tutkittiin, olivat jakauma-aste ja tukkisaanto. Jakauma- asteen simulaattori laski automaattisesti jokaiselle leimikolle ja puutavaralajille erikseen ja loi tästä tulostiedoston. Lisäksi se laski kaikkien samassa leimikkolistassa olevien leimikoiden saannot yhteen ja johti näistä koko aineiston jakauma-asteen. Jakaumaa ei kuitenkaan optimoitu koko aineistolla vaan simulaattori optimoi jakaumaa aina yksi leimikko kerrallaan.

Lisäksi ohjelma loi tulostiedoston puutavaralajisaannoista kokonaisuudessaan leimikkokohtaisesti ja tulostiedostot jokaisesta puutavaralajista erikseen, niin kappalemääräisesti kuin kuutiokohtaisestikin eriteltynä matriisin mukaisiin läpimitta- ja pituusluokkiin. Tämän lisäksi ohjelma tuotti tulostiedostot koko leimikkolistan tuottamista pölkkyjakaumista puutavaralajeittain eriteltynä.

Jakauma-aste kuvaa saadun katkontatuloksen hyvyyttä verrattuna tehtaan antamaan tavoitejakaumaan. Tässä tutkimuksessa aineiston analysointiin käytettiin normaalia jakauma- astetta ja kaavana normaalin jakauma-asteen laskemisen voi esittää seuraavassa muodossa (kaava 4).

𝐽𝑎𝑘𝑎𝑢𝑚𝑎 − 𝑎𝑠𝑡𝑒 = 1 −∑|𝑇𝑎𝑣𝑜𝑖𝑡𝑒 − 𝑡𝑜𝑡𝑒𝑢𝑡𝑢𝑛𝑢𝑡|

2 (4)

Kaavassa itseisarvon sisälle lasketaan jokaisen pituus- ja läpimittayhdistelmän poikkeama sahan tavoittelemasta määrästä. Näin ollen saadaan prosentuaalinen arvo, siitä kuinka hyvin katkonta on onnistunut tutkittavassa tukkiaineistossa.

Toinen tärkeä tunnusluku oli tukkisaanto. Se kuvaa tukin määrä koko ainespuukertymästä. Se lasketaan ohjeisella kaavalla (kaava 5).

𝑇𝑢𝑘𝑘𝑖𝑠𝑎𝑎𝑛𝑡𝑜 = 𝑇𝑢𝑘𝑖𝑛 𝑚ää𝑟ä 𝑚³

𝐾𝑜𝑘𝑜𝑛𝑎𝑖𝑠𝑚ää𝑟ä 𝑚³∗ 100 % (5) 2.3 Tilastolliset testit

Tulosten analysoinnissa ja tyyppileimikoinnin muodostuksessa käytettiin apuna tilastollisia menetelmiä. Aluksi koko runkoaineisto apteerattiin ns. perusaptilla (apt1). Tämän jälkeen aineistolle tehtiin erilaisia tyyppileimikkovariaatioita. Suuntaa antavaa luokittelua tyyppileimikointiin haettiin Malisen ym. (2010) tutkimuksesta. Erilaisten tyyppileimikkovariaatioiden tuottamia jakauma-asteita ja tukkisaantoja vertailtiin toisiinsa.

Ensimmäiseksi selvitettiin aineiston mahdollinen normaalijakautuneisuus.

Normaalijakautuneisuus testattiin SPSS-ohjelmalla tehtävällä Kolmogorov-Smirnovin-testillä.

Tämä on käyttökelpoinen testausmenetelmä muuttujan normaalijakautuneisuuden tutkimiseen (Heikkilä 2010). Mäntyaineiston osalta testi tuotti kaikilla muuttujilla p-arvon <

0,05, eli nollahypoteesi aineiston normaalijakautuneisuudesta on hylättävä. Kuusen osalta testi tuotti osalla muuttujista p-arvon < 0,05, joten tämänkin osalta nollahypoteesi on hylättävä. Kuusen osalta tulee huomioida lisäksi, että aineiston pieni koko saattoi vaikuttaa testin tulokseen, joten on varmempaa valita testiksi ei-parametrinen testi. Niinpä valitsimme tyyppileimikoinnin muodostuksen tueksi Mann-Whitney U-testin, jolla selvitettiin tukkisaantojen ja jakauma-asteiden eroavaisuutta. Testi on tehokkaimpia ei-parametrisia testejä, joka tuottaa luotettavia tuloksia jopa aineistossa, jossa voitaisiin käyttää normaalia t- testiä (Heikkilä 2010). Otoskoko oli lisäksi pieni, joten tämänkään takia normaali t-testi ei olisi tullut kyseeseen.

Eri aptien tilastollista merkitsevyyttä saaduissa tukkisaannoissa ja jakauma-asteissa selvitettiin Friedmanin testillä. Testi valittiin varianssianalyysin sijaan, koska aineisto ei ollut normaalijakautunut Kolmogorov-Smirnovin testin tulokseen perustuen ja aineiston koko oli pieni (n < 30). Muuttujat olivat lisäksi järjestysasteikollisia ja riippuvia toisistaan, joten tämä testi oli käyttökelpoinen. Testin tuottamia tuloksia tulee tarkastella kriittisesti, sillä pienellä aineistolla testi ei hylkää helposti nollahypoteesia. Nollahypoteesi oli tässä tapauksessa se,

että eri aptien tuottamat tukkisaannot ja jakauma-asteet eivät eronneet toisistaan.

Perinteisesti tilastollisen merkitsevyyden rajana pidetään p-arvoa 0,05. Tämä tarkoittaa todennäköisyyttä sille, että nollahypoteesi hylätään virheellisesti. Mitä pienempi p-arvo on, niin sitä todennäköisemmin voidaan sanoa, että aineistoissa oleva ero johtuu muusta kuin sattumasta (Heikkilä 2010).

3. TULOKSET

3.1 Tyyppileimikointi

Tutkimuksessa laadittu tyyppileimikointi perustui perusaptilla simuloituihin tuloksiin. Laadittu tyyppileimikkoluokittelu haluttiin pitää yksinkertaisena, jotta se olisi tarvittaessa sovellettavissa helposti käytännön metsätalouteen. Tyyppileimikointi on esitetty taulukossa 3. Tyyppileimikoinnissa käytettiin männyn osalta reunaehtoina hakkuutapaa, kasvupaikkaa ja keskimääräistä runkotilavuutta. Kasvupaikat olivat luokiteltu Myrtillus (Mt) ja Vaccinium (Vt) kasvupaikkatyyppeihin. Kuusen osalta reunaehtoina käytettiin leimikon runkojen vikaisuusprosenttia ja puuston keskimääräistä runkotilavuutta. Männylle tehtiin viisi eri tyyppileimikkoluokkaa ja kuuselle neljä. Kuusella aineistona käytettiin vain avohakkuuleimikoita, joten hakkuutapana oli jokaisella tyyppileimikolla avohakkuu.

Tyyppileimikkokohtaisten tulosten lisäksi laskettiin tulokset koko aineistolle.

Taulukko 3. Laadittu tyyppileimikointiluokitus männyn ja kuusen osalta.

Tyyppileimikko Mänty Kuusi

A Mt, Vt Harvennus Vikaisuus % < 30, Tilavuus < 550 l B Mt, Tilavuus < 480 l Vikaisuus % > 30, Tilavuus < 550 l C Mt, Tilavuus > 480 l Vikaisuus % < 30, Tilavuus > 550 l D Vt, Tilavuus < 480 l Vikaisuus % > 30, Tilavuus > 550 l

E Vt, Tilavuus > 480 l -

Koko aineisto Koko aineisto

3.1.1 Mänty

Männyllä normaali tukki tuotti tyvitukkia parempia jakauma-asteita kaikilla tyyppileimikoilla.

Huonoimmat jakauma-asteet saatiin molemmille tukkilajeille tyyppileimikolla ”Mt, Vt

Harvennus”. Tyvitukin osalta jakauma-aste oli 41,09% ja normaalin tukin osalta 70,36%. Tällä tyyppileimikolla kaikki jakauma-asteet erosivat tilastollisesti merkitsevästi muista tyyppileimikoista. Parhaimmat jakauma-asteet puolestaan saatiin keskitilavuudeltaan suurilla tyyppileimikoilta ”Mt, Tilavuus > 480 l”, ja ”Vt, Tilavuus > 480 l”. Näistä korkeampi jakauma- aste saatiin Mt tyyppileimikolla. Se oli tyvitukin osalta 92,70% ja normaalin tukin osalta 99,10%. Muiden tyyppileimikoiden jakauma-asteet asettuivat harvennustyyppileimikon ja järeän Mt tyyppileimikon välille. Jakauma-aste läpi matriisin oli kaikilla tyyppileimikoilla ja molemmilla tykkilajeilla läpimittaluokittaista jakauma-astetta alhaisempi.

Perusapti tuotti parhaimmat tukkisaannot järeissä tyyppileimikoissa ”Mt, Tilavuus > 480 l”

(45,91%) ja ”Vt, Tilavuus > 480 l” (45,44%). 13,07 %-yksikköä parhainta tyyppileimikkoa huonompi tukkisaanto tuli tyyppileimikossa ”Mt, Tilavuus < 480 l” (32,84%) ja 7,66 %-yksikköä huonompi tyyppileimikossa ”Vt, Tilavuus < 480 l” (38,25%). Huonoin tukkisaanto oli tyyppileimikossa ”Mt, Vt Harvennus” (4,13%) ja koko aineiston tukkisaanto oli 39,49% (kuva 1). Aineiston keskihajonta oli pienempää keskitilavuudeltaan suuremmilla leimikoilla kuin keskitilavuudeltaan pienemmillä leimikoilla (taulukko 4).

Taulukko 4. Perusaptilla simuloidun mäntyaineiston jakauma-asteet ja tukkisaanto sekä niiden keskihajonnat ja tilastollinen merkitsevyys tyyppileimikoiden välillä. Vihreillä palkeilla on kuvattu jakauma-asteen ja tukkisaannon vaihtelua eri tyyppileimikoiden välillä.

A B C D E

Tilastollinen merkitsevyys eri tyyppileimikoiden

välillä p<0,05

Tyyppileimikko Tyvitukki matr. Tyvitukki lpmlka Tukki matr.

7,08 11,88 6,55 17,69 MT, VT Harvennus

Tukki lpmlka Tukkisaanto

% σ % σ % σ % σ % σ

4,99 MT, Tilavuus < 480 l 49,93 10,12 73,43 16,04 41,50 11,20 88,21 18,06 32,84 11,07

34,62 6,13 41,09 8,61 31,14 8,05 70,36 20,15 4,13

9,19 VT, Tilavuus < 480 l 45,41 15,67 90,89 28,01 42,58 94,64 20,24 38,25 10,12

MT, Tilavuus > 480 l 59,71 9,85 92,70 9,77 54,89 99,10 6,84 45,91

8,48

Koko aineisto 56,98 18,56 92,21 28,33 49,25 98,71 29,02 39,49 18,67

VT, Tilavuus > 480 l 51,19 8,72 87,60 13,95 46,67 97,53 5,65 45,44

C-D, C-E C-D, C-E C-E, D-E C-D, D-E

A-B, A-C, A-D, A-E A-B, A-C, A-D, A-E A-B, A-C, A-D, A-E A-B, A-C, A-D, A-E A-B, A-C, A-D, A-E B-C, B-E B-C, B-D, B-E B-C, B-D, B-E B-C, B-D, B-E B-C, B-E

Kuvasta 2 huomaamme, että puuston keskimääräinen runkotilavuus kasvattaa leimikolta saatavaa tukkisaantoa. Tukkisaanto kasvaa nopeammin keskitilavuudeltaan pienillä leimikoilla, mutta tasoittuu keskitilavuuden kasvaessa. Kasvupaikkojen välillä ei ole merkittävää eroa ja kummankaan kasvupaikan suhteen kuvaajien selitysaste ei ole erityisen hyvä.

Kuva 2. Perusaptilla simuloidun mäntyaineiston avohakkuuleimikoiden tukkisaannot ja niiden trendiviivat jaoteltuna kasvupaikan perusteella kahteen ryhmään. Selittävänä muuttujana on käytetty puuston keskimääräistä runkotilavuutta.

Männyllä puuston vikaisuus selittää hyvin leimikon tukkisaantoa (kuva 3). Vikaisuudeltaan yhtä suurista Mt ja Vt kasvupaikan leimikoista Vt kasvupaikkatyypin leimikot tuottavat keskimäärin parempia tukkisaantoja.

Kuva 3. Perusaptilla simuloidun mäntyaineiston avohakkuuleimikoiden tukkisaannot ja niiden trendiviivat jaoteltuna kasvupaikan perusteella kahteen ryhmään. Selittävänä muuttujana on käytetty puuston keskimääräistä vikaisuutta.

Kuvasta 4 huomaamme, että Vt kasvupaikan leimikot tuottivat tyvitukin osalta keskimäärin korkeampia jakauma-asteita kuin vastaavan kokoiset Mt kasvupaikan leimikot.

Runkotilavuuden kasvaessa jakauma-aste kasvaa molempien kasvupaikkojen leimikoissa.

Runkotilavuudeltaan suurimmat leimikot olivat Mt kasvupaikan leimikoita. Mt kasvupaikan aineisto tuotti paremman selitysasteen kuin Vt kasvupaikan aineisto.

y = 14,613ln(x) - 50,756 R² = 0,4186 y = 16,021ln(x) - 57,701

R² = 0,3326 0,0

10,0 20,0 30,0 40,0 50,0 60,0 70,0

100 200 300 400 500 600 700 800 900 1000

Tukkisaanto %

Runkojen keskitilavuus l

Mt Vt Log. (Mt) Log. (Vt)

y = -50,76ln(x) + 246,58 R² = 0,7187 y = -53,83ln(x) + 262,85

R² = 0,5908

0,0 10,0 20,0 30,0 40,0 50,0 60,0 70,0 80,0 90,0

35,0 45,0 55,0 65,0 75,0 85,0 95,0

Tukkisaanto %

Vikaisuus %

Mt Vt Log. (Mt) Log. (Vt)

Kuva 4. Perusaptilla simuloidun mäntyaineiston avohakkuuleimikoiden tyvitukkien jakauma- asteet ja niiden trendiviivat jaoteltuna kasvupaikan perusteella kahteen ryhmään. Selittävänä muuttujana on käytetty puuston keskimääräistä runkotilavuutta.

Myös normaalin tukin osalta Vt kasvupaikan leimikot tuottivat korkeampia jakauma-asteita kuin runkotilavuudeltaan vastaavat Mt kasvupaikan leimikot (kuva 5). Normaalin tukin jakauma-asteen muutos keskimääräisen runkotilavuuden suhteen ei ollut kuitenkaan niin voimakasta kuin tyvitukin jakauma-asteen muutos runkotilavuuden suhteen. Myös tällä aineistolla Mt kasvupaikan aineistolla saatiin parempi selitysaste kuin Vt kasvupaikan aineistolla.

Kuva 5. Perusaptilla simuloidun mäntyaineiston avohakkuuleimikoiden sahatukkien jakauma- asteet ja niiden trendiviivat jaoteltuna kasvupaikan perusteella kahteen ryhmään. Selittävänä muuttujana on käytetty puuston keskimääräistä runkotilavuutta.

y = 35,537ln(x) - 171,35 R² = 0,7194 y = 38,067ln(x) - 179,59

R² = 0,4234

0,0 10,0 20,0 30,0 40,0 50,0 60,0 70,0 80,0

100 200 300 400 500 600 700 800 900 1000

Jakauma-aste %

Runkojen keskitilavuus l

Mt Vt Log. (Mt) Log. (Vt)

y = 22,517ln(x) - 66,58 R² = 0,5834 y = 25,421ln(x) - 76,613

R² = 0,413

0,0 10,0 20,0 30,0 40,0 50,0 60,0 70,0 80,0 90,0 100,0

100 200 300 400 500 600 700 800 900 1000

Jakauma-aste %

Runkojen keskitilavuus l

Mt Vt Log. (Mt) Log. (Vt)

3.1.2 Kuusi

Kuusen osalta korkein jakauma-aste saatiin koko aineistolla (98,31%). Vain vähän tätä alhaisempi jakauma-aste tuli järeillä tyyppileimikoilla 97,99% (vikaisuus <30%) ja 97,81%

(vikaisuus >30%). Alhaisimman jakauma-asteen tuottivat runkotilavuudelta pienemmät tyyppileimikot. Vikaisuudelta <30% tyyppileimikko tuotti jakauma-asteen 96,70% ja vikaisuudelta >30% tyyppileimikko jakauma-asteen 96,20%. Sama trendi oli myös jakauma- asteissa läpi matriisin, mutta männyn tavoin jakauma-asteet olivat läpi matriisin pienenempiä kuin läpimittaluokittain. Pienintä keskihajonta oli molempien jakauma-asteiden osalta runkotilavuudeltaan isoissa tyyppileimikoissa (taulukko 5).

Korkeimman tukkisaannon tuotti tyyppileimikko ”Vikaisuus <30%, tilavuus > 550 l” (73,08 %).

8,9 %-yksikköä tätä alhaisempi oli tyyppileimikolla ”Vikaisuus <30%, tilavuus < 550 l”. Kaksi alhaisimman tukkisaannon tuottanutta tyyppileimikkoa olivat puolestaan vikaisuudeltaan yli 30 % tyyppileimikot. Alhaisempi näistä oli tyyppileimikko ”Vikaisuus >30%, tilavuus < 550 l”

(53,18 %), jonka saanto erosi parhaimmasta tukkisaannosta 19,92 %-yksikköä. Toiseksi huonoimman tyyppileimikon (”Vikaisuus >30%, tilavuus > 550 l”) tukkisaanto jäi parhaimmasta tukkisaannosta 15,4 %-yksikköä. Koko aineiston tukkisaanto oli 60,08 %. Eri tyyppileimikoiden tukkisaantojen erot olivat tilastollisesti merkitseviä lukuun ottamatta tyyppileimikoita B-D (taulukko 5).

Taulukko 5. Perusaptilla simuloidun kuusiaineiston jakauma-asteet ja tukkisaanto sekä niiden keskihajonnat ja tilastollinen merkitsevyys tyyppileimikoiden välillä. Sinisillä palkeilla on kuvattu jakauma-asteen ja tukkisaannon vaihtelua eri tyyppileimikoiden välillä.

% σ % σ % σ

A ^55,43 5,39 ^96,70 3,26 ^64,16 5,54

B ^54,01 4,72 ^96,20 4,65 ^53,18 6,59

C ^61,89 4,41 ^97,99 1,77 ^73,08 9,11

D ^60,11 3,45 ^97,81 2,04 ^57,68 6,25

58,00 5,44 ^98,31 4,02 ^60,08 9,97

Tukki matr. Tukki lpmlka Tukkisaanto Vikaisuus < 30%, Tilavuus < 550 l

A-B, A-C, A-D Vikaisuus > 30%, Tilavuus < 550 l

Tyyppileimikko

B-C, B-D

B-D

B-C, C-D Vikaisuus < 30%, Tilavuus > 550 l

Vikaisuus > 30%, Tilavuus > 550 l Koko aineisto

Tilastollinen merkitsevyys eri A-D tyyppileimikoiden välillä p<0,05

Kuvasta 6 havaitsemme, että vikaisuudeltaan alhaisemmat leimikot tuottavat keskimäärin korkeamman jakauma-asteen runkotilavuudeltaan pienillä leimikoilla. Puolestaan

keskimääräisen runkotilavuuden kasvaessa vikaisuudeltaan korkeammat leimikot tuottavat korkeamman jakauma-asteen. Kummankaan mallin selitysaste ei ole erityisen hyvä, mutta vikaisuudeltaan korkeampien leimikoiden mallin selitysaste on hieman parempi kuin vikaisuudeltaan alhaisempien leimikoiden.

Kuva 6. Perusaptilla simuloidun kuusiaineiston jakauma-aste ja niiden trendiviivat jaoteltuna puuston vikaisuuden perusteella kahteen ryhmään. Selittävänä muuttujana on käytetty puuston keskimääräistä runkotilavuutta.

Puuston vikaisuus vaikutti merkittävästi leimikoilta kertyvään tukkisaantoon (kuva 7). Puuston keskimääräisen runkotilavuuden suhteen tarkasteltaessa vikaisuudeltaan alhaisemmat leimikot tuottivat keskimäärin korkeamman tukkisaannon, kuin vikaisuudeltaan korkeammat leimikot. Vikaisuudeltaan alhaisempien leimikoiden tukkisaanto kasvoi voimakkaammin runkotilavuuden kasvaessa kuin vikaisuudeltaan korkeampien leimikoiden tukkisaanto.

Vikaisuudeltaan alhaisempien leimikoiden tuottaman mallin selitysaste (0,6391) oli huomattavasti parempi kuin vikaisuudeltaan yli 30 % leimikoiden tuottaman mallin selitysaste (0,0978).

y = 6,7124ln(x) + 47,855 R² = 0,2654 y = 11,78ln(x) + 15,776

R² = 0,4126

75,0 80,0 85,0 90,0 95,0 100,0

200 300 400 500 600 700 800 900 1000

Jakauma-aste %

Runkojen keskitilavuus l

Vikaisuus < 30 % Vikaisuus > 30 % Log. (Vikaisuus < 30 %) Log. (Vikaisuus > 30 %)