Epsilon Archive for Student Projects

Abstract

Målet med studien var att undersöka konsekvenserna vid felaktig data i en traktbank med avseende på avverkningsplanering och virkesleveranser. Studien genomfördes med data tillhandahållen av Sveaskog. 25 bestånd användes och med hjälp av data från dessa bestånd simulerades 200 bestånd med liknande egenskaper fram, i form av beståndsvariabler exempelvis volym/ha. Dessa 200 bestånd blev de bestånd som antogs ha sanna data. Dessa data fick senare i studien jämföras med bestånd som fått tilldelat fel. Programmet Timan 2.0 och programmets funktioner Standin och Aptan användes för att simulera avverkning av bestånden (Ogemark och Sondell 1997). Som resultat fick varje bestånd en stocknota för tall (virkesvolym per dimensionsklass). Efter avverkningen optimerades urvalet av avverkningarna mot avverkningskostnaden för tall (avverkningskostnaden/volym tall) med hjälp av LINDO, ett program för linjärprogrammering,. De 30 bestånd som hade de bästa skuggpriserna, dvs. de bestånd som det lönade sig bäst att avverka blev utvalda. Dessa bestånd fick gå igenom samma procedur som tidigare men med den ändringen att de fick fel tilldelat. Olika felnivåer användes som motsvarade felen i olika inventeringsförfaranden. Felen gav upphov till avvikelser för förväntade utfall jämfört med faktiskt utfall (enligt sanna data). Det förväntade utfallet motsvarar det planeraren tror skall avverkas baserat på den information som denne har tillgång till. Det faktiska utfallet motsvarar det som verkligen faller ut vid avverkningen.
Resultaten redovisar skillnaderna mellan väntade utfall och verkliga utfall av volymer, medelstam, tidsåtgång för avverkning och avverkningskostnad.
Volymskillnaderna var i vissa fall ganska stora för de enskilda avverkningarna, beroende på hur felen slumpmässigt hade fallit ut. Det var en klar skillnad mellan hur de olika felnivåerna påverkade precisionen. Det blev en skillnad på cirka 160 m3fub i snitt i alla dimensioner (17 stycken) mellan den bästa och sämsta noggrannhetsnivån vid en avverkning på 15 000 m3fub.
Medelstammen varierade inte lika mycket som volymen men trenden var ändå att de bättre noggrannhetsnivåerna gav ett bättre resultat.
Tidsåtgångens kunde variera en hel del. Skördarens tidsåtgång varierade mellan 2-12,2 timmar/avverkad 1000 m3fub mellan den bästa och sämsta noggrannhetsnivån. För skotaren var samma jämförelse 1,3-17,1 timmar/avverkad 1000 m3fub.
Avverkningskostnaderna varierade en hel del, merkostnaderna varierade mellan 2-16,6 kr/m3fub mellan den bästa och sämsta noggrannhetsnivån.
Eftersom studien bara varierar noggrannheten på ett fåtal beståndsvariabler kan det antas att skillnaderna skulle ha blivit större om andra variablers noggrannhet varierades. Variationen blev som väntat mindre när noggrannheten blev bättre, dock så blev det en del oväntade resultat också som exempelvis medelstammens "hoppiga" medelvärden. Anledningen att det ibland kan bli avvikelser är att felen var slumpmässiga och att det ibland kan bli stora avvikelser även på bättre noggrannhetsnivåer

The aim of this study was to investigate the consequences of erroneous
information in stand registers when planning harvest operations and timber
deliverables. The data were supplied by Sveaskog. Information from 25 stands was
used, and with these data 200 stands were simulated having similar characteristics as
the original 25, such as volume/ha. These 200 stands were considered to be stands
containing true data. In the study, this data were compared with data that had been
assigned errors. For simulation of clear cutting, the program Timan 2.0 and its subfunctions
Standin and Aptan were used. Timan calculated log lists of pine timber.
These lists contained information on different log dimensions for each stand. After
clear cutting of the 200 stands the program LINDO, a soft ware for solving linear
programming problems, was used to minimize cutting costs for pine logs (cutting
costs/volume of pine logs). As a result, 30 stands were chosen based on the shadow
prices, that is, the stands having the lowest costs for cutting. Thereafter, the data for
these 30 stands were assigned errors and new log lists were calculated by Timan. The
outcomes of planning based on information containing errors (expected outcome)
were then compared to the true outcome. The expected outcome corresponds to what
the planner of the harvest operation thinks will be harvested based on the information
at hand. The true outcome is what really is harvested. The errors assigned to the
stands were of different sizes and therefore they had different influence on the
variation between the true outcome and the expected outcome. The different errorlevels
that were used correspond to the accuracy of different inventory methods.
The results show the difference between the expected result and the true result
in volume, average tree size, the time taken for the harvest operation, and total clear
cutting cost.
The influence of different error levels on the accuracy of the stand data and the
subsequent outcome of harvest operations were easily observed. In some stands the
volume difference was quite great. The difference between best and worst level was
160 m3fub on average over all 17 dimension classes, given a total cutting volume of
15 000 m3fub.
The variable average tree size didn’t vary as much as the volume did, but the
trend shows that the better error levels give a better result.
The time taken for harvest operations varied quite a lot. Between the worst
and the best level the time taken varied between 2-12.2 hours/harvested 1000 m3fub
The clear cutting cost also varied a lot, the extra cost varied between 2-16.6
kr/m3fub when the worst and the best levels were compared.
If the accuracy for more variables had been varied in the study, the differences
between expected and true outcome would have been even greater. In some cases,
however, large deviations occurred also in the better error levels due to – although
having a low probability – extreme values in the simulated information appeared.