Jiri Pyörälä, Tapio Räsänen, Jarmo Hämäläinen, Matti Maltamo, Tomi Karjalainen, Jussi Peuhkurinen, Jaakko Repola, Harri Mäkinen, Juha Hyyppä, Markus Holopainen (email)

Puuston laatutunnusten mittaus ja mallinnus

Pyörälä J., Räsänen T., Hämäläinen J., Maltamo M., Karjalainen T., Peuhkurinen J., Repola J., Mäkinen H., Hyyppä J., Holopainen M. (2019). Puuston laatutunnusten mittaus ja mallinnus. Metsätieteen aikakauskirja vuosikerta 2019 artikkeli 10253. https://doi.org/10.14214/ma.10253

Tekijät
  • Pyörälä, Helsingin yliopisto, Metsätieteiden osasto, Helsinki Sähköposti jiri.pyorala@helsinki.fi
  • Räsänen, Metsäteho Oy, Vantaa Sähköposti tapio.rasanen@metsateho.fi
  • Hämäläinen, Metsäteho Oy, Vantaa Sähköposti jarmo.hamalainen@metsateho.fi
  • Maltamo, Itä-Suomen yliopisto, Metsätieteiden osasto, Joensuu Sähköposti matti.maltamo@uef.fi
  • Karjalainen, Itä-Suomen yliopisto, Metsätieteiden osasto, Joensuu Sähköposti tomi.karjalainen@uef.fi
  • Peuhkurinen, Arbonaut Oy, Helsinki Sähköposti jussi.peuhkurinen@arbonaut.fi
  • Repola, Luonnonvarakeskus, Luonnonvarat, Rovaniemi Sähköposti jaakko.repola@luke.fi
  • Mäkinen, LuonnonvarakeskusLuonnonvarakeskus, Tuotantojärjestelmät, Espoo Sähköposti harri.makinen@luke.fi
  • Hyyppä, Paikkatietokeskus, Kaukokartoitus ja fotogrammetria, Masala Sähköposti juha.coelasr@gmail.com
  • Holopainen, Helsingin yliopisto, Metsätieteiden osasto, Helsinki Sähköposti markus.holopainen@helsinki.fi (sähköposti)

Vastaanotettu 27.9.2019 Hyväksytty 30.9.2019 Julkaistu 14.10.2019

Katselukerrat 7566

Saatavilla https://doi.org/10.14214/ma.10253 | Lataa PDF

Creative Commons License full-model-article10253
   

Puiden laatutunnukset

Metsäteollisuustuotteiden jalostusarvon lisääminen on yksi keskeisimpiä tavoitteita tulevaisuuden metsien hoitoa ja käyttöä suunniteltaessa. Yksi keino metsäteollisuustuotteiden jalostusarvon kasvattamiseksi on raaka-aineen tarkempi valinta, eli puunhankinnan entistä tarkempi kohdistaminen ja puun täsmäohjaus tuotantolaitoksille. Täsmällinen ja ajantasainen laatutieto mahdollistaisi lopputuotelähtöisen raaka-aineen valinnan jo tuotannon ja puunhankinnan suunnitteluvaiheessa, metsäteollisuuden puuvarastojen osittaisen siirron pystypuustoon ja raaka-aineen laatuominaisuuksien huomioimisen kaikissa korjuu- ja tuotantoketjun eri vaiheissa.

Puuston jalostusarvoon vaikuttavat runkojen järeys ja laatu. Keskeinen pullonkaula on, että puun laatua ei pystytä arvioimaan pystypuista riittävän tarkasti. Käytännössä ainoa nykyisessä metsävaratiedossa oleva puuston laatua indikoiva tunnus on puulajeittainen keskijäreys. Puuston laatu on kuitenkin pelkkää järeyttä monimutkaisempi kokonaisuus, sillä laadulla tarkoitetaan puuaineen ominaisuuksia, jotka vaikuttavat puun käytettävyyteen erilaisissa lopputuotteissa. Usein tarkasteluja ominaisuuksia ovat mm. lustojen leveys, kevät- ja kesäpuuosuuksien vaihtelu ja puun oksaisuus, jotka vaikuttavat puuaineen tiheyteen ja solurakenteeseen, ja edelleen sahatavaran jäykkyyteen, lujuuteen, kestävyyteen, muotopysyvyyteen ja ulkonäköön. Puuaineen ominaisuuksien perusteella sahatavaralle, tukeille tai puille voidaan määrittää käyttötarkoituksesta riippuvia laatuluokkia.

Puuaineen ominaisuudet määräytyvät puun kasvussa, eli puunmuodostuksessa. Muodostuvan puuaineen lustojen leveyteen, kevät- ja kesäpuuosuuteen ja kuitujen ominaisuuksiin vaikuttavat puun ikä sekä lukuiset ulkoiset seikat, kuten puulajikohtainen kasvutapa, kasvupaikka, kilpailu, ilmasto ja erilaiset häiriöt. Näiden tekijöiden vaikutus puiden kasvuun voidaan havaita myös puuston ulkoisissa piirteissä, joita ovat esim. rungon järeys ja muoto, oksien ominaisuudet, lukumäärä ja koko, sekä latvuksen muoto ja koko. Näitä tunnuksia voidaan kutsua puuston laatutunnuksiksi, tai laatuindikaattoreiksi.

Metsävarojen inventointi pohjautuu nykyään kaukokartoitusmenetelmien käyttöön. Laajojen alueiden inventointi perustuu pääasiassa lentolaserkeilauksella yleistettäviin spatiaalisiin malleihin, jotka rakennetaan koeala- tai metsikkötason maastomittauksista. Puuston laatutunnusten mittaaminen olisi mahdollista nykyisillä kaukokartoitukseen perustuvilla inventointimenetelmillä. Maa- ja metsätalousministeriön Puuston laatutunnusten mittaus -hankkeessa tehtyjen tutkimusten perusteella lentolaserkeilauksella voidaan perinteisen aluepohjaisen inventoinnin ja mallinnuksen puitteissa ennustaa kohtuullisella tarkkuudella puuston keskijäreys, tukkitilavuus ja latvusraja. Tulevaisuuden metsävarojen inventoinnissa lentolaserkeilausdatan resoluutio todennäköisesti entisestään paranee, mikä saattaa mahdollistaa myös tarkempien laatuindikaattorien mallintamisen. Malleihin vaadittavaa yksityiskohtaisempaa maastoreferenssiä voidaan kerätä esimerkiksi maastolaserkeilauksella. Maastolaserkeilauksella voidaan mitata pystypuista hyvällä tarkkuudella tukkien järeystunnuksia, oksien kokoa ja jakaumaa sekä kohtuullisella tarkkuudella lenkoutta. Jos maastolaserkeilausta käytettäisiin yksinpuintulkinnan mahdollistavan lentolaserkeilauksen referenssinä, voitaisiin näitä entistä yksityiskohtaisempia laatutunnuksia yleistää laajemmille alueille ja tuottaa hakkuukohteista laatukarttoja puunhankinnan suunnitteluun.

Puiden laatua kuvaavat mallit

Kaksi keskeistä laatutunnusta, latvusraja ja toteutunut tukkitilavuus voidaan johtaa lentolaserkeilausaineistosta monella eri menetelmällä niin metsikkö- kuin puutasollakin. Tutkimuksissa on käytetty lähimmän naapurin menetelmää (k nearest neighbours, k-NN), puutason sekamallia, koealatason regressiomallia ja latvusrajan osalta myös suoraan laserpisteaineistoon perustuvaa alpha shape -estimaattia. Yleisesti ottaen soveltuvin menetelmä on k-NN menetelmä, joka on menetelmällisesti yhteensopiva nykyisen inventoinnin kanssa. Mallien siirtäminen toisille alueille heikentää ennusteiden tarkkuutta, mutta tarkkuutta voidaan parantaa kalibroimalla malleja puukohtaisilla maastomittauksilla kohdealueella.

Tukkitilavuuden ja latvusrajan liittäminen osaksi laserinventoinnissa mitattavia tunnuksia mahdollistaisi puuaineen ominaisuuksien tai esimerkiksi sahatavaran laatuluokkajakaumien arvioimisen, jos tarkkaa, paikkatietoon sidottua laatuaineistoa sahalta tai hakkuukoneelta, sekä maastossa kerättyä puuston laatutunnusreferenssiä voitaisiin käyttää laskennan perusteena. Tutkimuksissa on jo osoitettu, että yhdistämällä laajojen alueiden avointa lentolaserkeilausdataa tehtaiden tukkiröntgendataan voidaan tuottaa karkeita laatuluokituskarttoja – vaikka koko Suomen alueelle.

Lentolaserkeilauksen ja tukkiröntgentiedon yhdistäminen

Arbonaut Oy:n ja Metsäteho Oy:n tekemässä tutkimuksessa käytettiin kolmen mäntysahan tukkiröntgen- ja tukkimittariaineistoa useasta tuhannesta kaupasta, sekä laserkeilausaineistoa usealta kymmeneltä keilausalueelta sahojen puunhankinta-alueilta. Sahojen mittausjärjestelmät mittaavat tukeista kymmeniä erilaisia tunnuksia, jotka vaihtelevat sahalta toiselle eivätkä ole välttämättä yhteismitallisia keskenään. Tutkimuksessa käytettiin siksi laatuindeksiä, joka muodostettiin tukkien järeyden, oksaryhmien välin ja oksien suhteellisen osuuden perusteella. Tarkasteltaville kuvioille laskettiin laserkeilausaineistosta ja VMI-karttatiedosta puuston rakennetta, maaston topografiaa, kasvupaikkaa ja puulajisuhteita kuvaavia piirteitä. Korrelaatioanalyysin perusteella puuston suurempi pituus ja korkeampi latvusraja indikoivat korkeampaa laatuindeksiä. Karummalla kasvupaikalla kasvavat männyt olivat keskimäärin parempilaatuisia kuin rehevimmillä kasvupaikoilla kasvavat. Lisäksi sekametsä indikoi parempaa mäntytukin laatua kuin puhdas männikkö. Lopulliseen malliin valittiin selittäviksi muuttujiksi laserpiirteisiin perustuvat puuston pituus ja latvusrajaennuste sekä kasvupaikka. Mallin selitysaste oli yli 0,3 (Kuva 1).

1

Kuva 1. Mitattu ja ennustettu laatuindeksi tutkimusaineistossa. N = 273 (niiden lohkojen lukumäärä, joille aineiston suodatuksen jälkeen saatiin luotettavasti yhdistettyä sahoilla mitattu laatutieto ja kaukokartoitustieto). Laatuindeksin arvo nolla vastasi keskimääräistä laatua, negatiivinen arvo tätä huonompaa ja positiivinen arvo tätä parempaa laatua.

Tulosten perusteella sahojen tukkiröntgenaineistoja ja operatiivisia kaukokartoitus- ja kartta-aineistoja yhdistämällä voidaan siis ennustaa mäntytukkien sisäistä laatua suurille alueille, kun ennustemallin tulosta tulkitaan suuntaa-antavana ”paremmuusjärjestyksenä”. Malli voitaisiin laatia myös suoraan avoimesta metsävaratiedosta saatavien muuttujien perusteella, jolloin ei välttämättä tarvitsisi prosessoida suurta määrä laserkeilausaineistoa. Menetelmän kehittäminen operatiiviseksi edellyttää, että sahojen ja hakkuukoneiden katkonta- ja mittaustiedosta lasketut puuston laatua kuvaavat tunnusluvut yhdistetään aina tarkkaan paikkatietoon.

Aineistojen kehittyessä olisi mahdollista laatia myös sahakohtaisia täsmämalleja, joilla voitaisiin estimoida juuri kyseisen sahan laatukriteerien mukaista laatua. Yksityiskohtaisempien laatukarttojen laatiminen edellyttäisi tiheäpulssista lentolaserkeilausdataa sekä mallinnusdataa, jossa yhdistyisivät maastolaserkeilauksella ja tukkiröntgenillä mitatut laatutunnukset.

Yksittäisen puun tasolla tapahtuva laadun mittaus maastolaserkeilauksella

Maastolaserkeilauksella tuotetuista puukohtaisista pistepilvistä voidaan jo nykyisellään mitata automaattisin menetelmin yksittäisten oksien lukumäärä ja läpimitat kuolleen latvuksen osalta, ja mallintaa tukkiosan runkogeometria vastaavalla tarkkuudella kuin sahalla. Tutkimuksissa on myös havaittu, että maastolaserkeilauksella mitattu männyn suurimman oksan läpimitta ei eroa tilastollisesti merkittävästi tukkiröntgenillä mitatusta suurimman sisäoksan läpimitasta. Havaintojen perusteella maastolaserkeilauksella hankittu maastoreferenssi mahdollistaisi siis esimerkiksi puuaineen tiheyden, oksavälien pituuden sekä suurimman oksan läpimitan mallintamisen, kun mallinnukseen käytetään sahojen mittaustietoa. Menetelmää hyödyntämällä voitaisiin siis tarkentaa laserinventoinnissa käytettävien puulistojen laatuarviota, ja laatia yksityiskohtaisempia puukohtaisia laatuennusteita laajoille inventointialueille.

Lopuksi

Tutkimuksien perusteella keskeiset kehittämistarpeet laatutiedon saattamiseksi osaksi operatiivista kaukokartoitukseen perustuvaa laserinventointia (erityisesti metsäteollisuudessa) ovat: 1) tarkan paikkatiedon tallentaminen operatiivisessa puunkorjuussa, 2) siirtyminen tiheäpulssisempien avoimien ALS-aineistojen keruuseen, sekä 3) maastolaserkeilauksen käyttöönotto ja laatutunnusten sisällyttäminen koealamittauksiin.

Koealoilta puuston laatutunnusten mittaamisen vaihtoehtona voi tulevaisuudessa olla hakkuukoneiden lähikeilauksella tuottama pystypuuston mittaustieto tai laatutunnusten estimointi tuotantomittaus- ja katkontatiedoista.

Näiden kehitysaskeleiden myötä tulevaisuuden laatutiedon inventointiketju voisi näyttää esimerkiksi seuraavanlaiselta (Kuva 2):

2

Kuva 2. Tulevaisuuden laatutiedon inventointiketju.

1. Puuston laatutunnukset mitataan koealoilla maastolaserkeilauksella:

  • Runkomuoto ja oksaisuustiedot

2. Laatutunnukset yleistetään koko inventointialueelle tai kalibroidaan toiselle alueelle lentolaserkeilauksella:

  • Leimikkokohtaiset jakaumat
  • Puulistat = runkolukusarja + yksittäisten puiden laatutunnukset

3. Ennustetaan laatutunnuksilla puuston laatua suhteessa sahojen mittaustietoon, useita vaihtoehtoja:

  • Puuaineen ominaisuudet (esim. tiheys, oksaisuus)
  • Laatuluokkajakaumat, leimikoiden paremmuusjärjestys
  • 3D-tukkimallit ja sisälaatuennuste (etsitään sahadatasta vastaavia tukkeja kuin koealoilla maastolaserkeilauksella mitatut pystypuut)

Kirjallisuutta

Karjalainen T., Korhonen L., Packalen P., Maltamo M. (2019). The transferability of airborne laser scanning based tree level models between different inventory areas. Canadian Journal of Forest Research 49(3): 228-236. https://doi.org/10.1139/cjfr-2018-0128.

Maltamo M., Karjalainen T., Repola J., Vauhkonen J. (2018). Incorporating tree- and stand-level information on crown base height into multivariate forest management inventories based on airborne laser scanning. Silva Fennica 52(3) article 10006. https://doi.org/10.14214/sf.10006.

Pyörälä J., Kankare V., Liang X., Saarinen N., Rikala J., Kivinen V.-P., Sipi M., Hyyppä J., Holopainen M., Vastaranta M. (2019). Assessing log geometry and wood quality in standing timber using terrestrial laser-scanning point clouds. Forestry 92(2): 77–87. http://www.doi.org/10.1093/forestry/cpy044.

Pyörälä J., Kankare V., Vastaranta M., Rikala J., Holopainen M., Sipi M., Hyyppä J., Uusitalo J. (2018). Comparison of terrestrial laser scanning and X-ray scanning in measuring Scots pine (Pinus sylvestris L.) branch structure. Scandinavian Journal of Forest Research 33(3): 291–298. https://doi.org/10.1080/02827581.2017.1355409.


Rekisteröidy
Click this link to register to Metsätieteen aikakauskirja.
Kirjaudu sisään
Jos olet rekisteröitynyt käyttäjä, kirjaudu sisään tallentaaksesi valitsemasi artikkelit myöhempää käyttöä varten.
Ilmoitukset päivityksistä
Kirjautumalla saat tiedotteet uudesta julkaisusta
Valitsemasi artikkelit
Hakutulokset
Holopainen M., Tuominen S. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 4 artikkeli 6333
Korhonen L., Kärhä K. et al. (2024) Metsätieteen aikakauskirja vol. 2024 no. 0 artikkeli 23010
Korpela I., Ørka H. O. et al. (2010) Metsätieteen aikakauskirja vol. 2010 no. 3 artikkeli 5918
Tanhuanpää T., Kankare V. et al. (2014) Metsätieteen aikakauskirja vol. 2014 no. 4 artikkeli 5888
Holopainen M., Vastaranta M. et al. (2014) Metsätieteen aikakauskirja vol. 2014 no. 4 artikkeli 5883
Vastaranta M., Honkavaara E. et al. (2015) Metsätieteen aikakauskirja vol. 2015 no. 1 artikkeli 6299
Kankare V., Niemi M. et al. (2015) Metsätieteen aikakauskirja vol. 2015 no. 1 artikkeli 6298
Vastaranta M., Holopainen M. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 4 artikkeli 6339
Hyyppä J., Lyytikäinen-Saarenmaa P. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 4 artikkeli 6338
Hyyppä J., Holopainen M. et al. (2009) Metsätieteen aikakauskirja vol. 2009 no. 4 artikkeli 6337
Holopainen M., Hyyppä J. (2009) Metsätieteen aikakauskirja vol. 2009 no. 4 artikkeli 6336
Pyörälä J., Räsänen T. et al. (2019) Metsätieteen aikakauskirja vol. 2019 no. 0 artikkeli 10253