Epsilon Archive for Student Projects

Abstract

Idag är tillgången till skogliga data mycket stor. En bidragande faktor till detta är insamlingen av data vid maskinell avverkning. Denna datamängd används i stor utsträckning för bland annat produktionsuppföljning men med viss bearbetning kan de användas för att digitalt återskapa den avverkade skogen. I denna studie presenteras och utvärderas en metod för att dela in den återskapade, digitala skogen, i apteringsgrupper med hjälp av maskininlärning baserat på genomsnittliga skogliga mätvärden som exempelvis diameter och höjd. Därefter utforskas effekterna av att variera längdstyrningen vid aptering av dessa egenskapsskilda apteringsgrupper. Detta gjordes för att fastställa hur resulterande timmerandel, fördelningsgrad, stockegenskaper och andel stamfelsved påverkas av att kort eller långt timmer produceras i de olika grupperna.

Utifrån skördardata från SCA återskapades över 4 miljoner stammar. Avverkningsobjekten segmenterades sedan i beräkningsytor utefter variation i övre höjd. De resulterande beräkningsytorna delades därefter in i så kallade apteringsgrupper med hjälp av klustringsalgoritmen K-means, en oövervakad maskininlärningsalgoritm som jämför beräkningsytorna och grupperar dem utefter deras egenskaper. Apteringsgrupperna användes därefter för att skapa stambanker som nyttjades för att testa apteringsutfall genom simulering på ca 70 000 stammar. För att validera stambankerna och delar av apteringsutfallet gjordes jämförelser mot apteringsgrupperna. Totalt gjordes 24 apteringsförsök vilka sammanställdes och analyserades avseende timmerandel, fördelningsgrad, stockegenskaper och andel stamfelsved.

Studiens resultat påvisar en komplex interaktion mellan olika variabler, vilket gör produktionsstyrning av denna typ komplicerad. Resultatet tyder bland annat på att timmerandelen alltid blir högre vid hård styrning mot långt timmer samtidigt som fördelningsgraden minskar med givet fördelningsönskemål. Medelstamvolymens påverkan på apteringsutfallet diskuteras då denna tycks ha en påverkan på utfallet i flera aspekter. Beståndsanpassad aptering som koncept diskuteras med koppling till studiens resultat och tidigare projekt för att synliggöra att en stor mängd faktorer påverkar apteringsutfallet i varje bestånd. Slutligen konstateras att vidare studier behövs för att identifiera och utvärdera alla effekter som variation av apteringsinstruktionerna mellan skog med olika egenskaper resulterar i.

Today, the availability of forestry data is vast. One contributing factor to this is the collection of data during mechanized logging. This data is widely used for production monitoring, but with some processing, it can be used to digitally recreate the harvested forest. This study presents and evaluates a method for dividing the recreated, digital forest into bucking groups using machine learning based on average stand measurements such as diameter and height. The effects of varying length control when running simulated bucking on these groups with distinctive characteristics are then explored. This is done to determine how the resulting timber percentage, distribution, log properties, and proportion of logs with timber dimensions classed as pulpwood are affected by producing short or long timber in the different groups.

Based on harvesting data from SCA, over 4 million stems were recreated. The recreated harvest sites were then segmented into calculation areas based on variation in upper height. The resulting calculation areas were then divided into so-called bucking groups using the clustering algorithm K-means, an unsupervised machine learning algorithm that compares the calculation areas and groups according to their characteristics. The bucking groups were then used to create stem banks, which were subsequently used to test bucking outcomes through simulation on approximately 70,000 stems. To validate the stem banks and parts of the bucking outcome, comparisons were made against the bucking groups. In total, 24 bucking simulations were carried out, which were compiled and analysed with respect to timber percentage, distribution, log properties, and proportion of logs with timber dimensions classed as pulp wood.

The results of the study demonstrate a complex interaction between different variables, which makes production control of this type complicated. The results suggest, among other things, that the timber percentage always increases with strict control towards long timber, while the distribution decreases with a given desired distribution. The impact of the average stem on the bucking outcome is discussed as it appears to have an impact on the outcome in several aspects. Stand-adapted bucking as a concept is discussed in connection with the study’s results and previous projects to demonstrate that many factors affect the bucking outcome in each stand. Finally, it is concluded that further studies are needed to clarify all the effects that can be identified by varying the bucking instructions between forests with distinctive characteristics.