Epsilon Archive for Student Projects

Abstract

Gallring är en av de skogsvårdsåtgärder som utförs i våra skogar för att bemöta de olika skogliga mål som skogsägarna har för sin skog. I Sveriges skogar så utförs gallringsåtgärder på ca 400 000 hektar årligen. För att säkerställa att gallringsåtgärden på de olika bestånden har utförts efter de villkor och mallar som ska följas samt utförts efter skogsägarens mål med skogen är uppföljningsarbetet efter åtgärderna en viktig stolpe i ett ansvarsfullt skogsbruk.

Detta uppföljningsarbete har under lång tid utförts manuellt i fält, vilket det har funnits brister i och med bland annat stickprovsutförande som ej varit rättvisande för hela åtgärden. Det var detta som gjorde att Skogforsk tog fram programvaran hprGallring, ett automatiskt gallringsuppföljnings-program som idag arbetar med tre olika metoder för att bedöma beståndets olika värden, såsom volym, gallringsstyrka och gallringskvot. Två av metoderna är grundade i att beräkna beståndens olika värden utifrån de träd som tas ut i de stickvägar som huggs upp framför skördaren under arbetet. I andra- eller senare gallringar finns inte dessa stickvägsträd att tillgå för hprGallrings beräkningar, då de har huggits ut i tidigare åtgärd. Då använder hprGallring en algoritm som grundar sig på ett samband mellan övrehöjd och grundyta efter gallring, uppbyggd på företagskontrollmätningar för beräkning av kvarvarande bestånd och gallringsstyrka. Denna algoritm har dock inte samma precision som de stickvägsmetoder som programmet har, och informationen den genererar har även påpekats vara missvisande och svårtolkad för skördarförare i andra och senare gallring.

I ett annat parallellt projekt som pågår under 2023, utvecklar Skogforsk en anpassad version av hprGallring (algoritm med SGD), för användning vid hyggesfria metoder. Ett av projektets syften är att utvärdera användning av skogliga grunddata (SGD) i beräkning av prognosvariabler för kvarvarande volym och grundyta. SGD, en nationstäckande databas som togs fram genom flygburen laserskanning, som ingångsvärden för dess skogsåtgärder. Det projektet öppnade upp möjligheten att utvärdera om prognoser på kvarvarande skog kan skattas med högre precision i gallring när SGD används för beståndets ingående variabler. Dock har även SGD en viss avvikelse i bland annat sin volymberäkning, då dess laserpunktstäthet har uppskattats till att kunna ha en felmarginal på 20 procent i dessa beräkningar (se Brethvad 2012).

Med detta som bakgrund utfördes en försöksstudie med syfte att analysera resultat av gallringsuppföljning med skogliga grunddata som ingångsvärden, samt att jämföra resultaten från de två metoderna, hprHyggesfritt med SGD som ingångsvärden och hprGallrings algoritm, med referensmätta provytor som totalklavats efter andragallring.

Resultaten visade att avvikelsen med SGD-metoden var lägre än för hprGallring, men att enstaka provytor stack ut från referensmätningen även för SGD-metoden. Medelvärdet över provytornas avvikelse hamnade på 5 procent för SGD-metoden med ett spann -4 till 19 procent, medan hprGallrings medelavvikelse vart -17 procent med spann -36 till + 16 procent. Dessa resultat överensstämmer med tidigare observationer, såsom att algoritmen i hprGallring missbedömer beståndsvärden en aning i andragallring. Vid signifikanstest på resultaten från de båda metoderna kunde hprGallrings resultat bekräftas underskatta sina volymberäkningar med 95 procent säkerhet, vilket stämmer med tidigare erfarenhet av programmet. Med SGD-metodens resultat kunde ingen signifikans bekräftas då resultaten hade för stor variation mellan över- och underskattning. Fler och framförallt större undersökningar behöver dock genomföras för att ytterligare stärka att hpr-program tillsammans med SGD implementerat som ingångsvärde har bättre precision i sitt resultat än de algoritmerna hprGallring använder idag. SGD-metoden är fortfarande under utveckling och en användarvänlig implementering av SGD i programvaran behövs innan det kan testas i skördarmiljön. Detta för att ge ett enkelt arbetssätt i skogsbruket och möjlighet att tillämpa systemet i större skala.

Thinning is one of the silviculture measures that are performed in our forests to meet all the different forestry goals that the forest owners have. Thinning is performed in Sweden on about 400 000 hectares of forest every year. To secure that the thinning in the forest stands is performed after the agreements and templates which must be followed and according to forest owner’s goals with the forest, the follow-up work after the forest activity is an important pillar in responsible forestry. This follow-up work has for a long time been carried out manually in the field, in which it has found shortcomings, including random sampling that was not fair for the entire forest activity.

This is what led Skogforsk to develop the software "hprThinning", an automatic thinning follow-up program that today works with three different methods to assess the stand's various values, such as volume, basal area, thinning intensity, and thinning ratio. Two of the models used are based on calculating the different values of the stocks based on the trees that are removed from the cutting paths, from stems harvested from the path the harvester’s direction of travel during thinning work. In second or later thinnings, these path trees are generally not sufficient to enable hprThinning’s calculations, as they have already been removed to a large extent in the previous thinning. In these cases, hprThinning uses an earlier developed algorithm that is based on a correlation between dominant height and basal areal after thinning, that allows for a limited span in thinning intensity (Bhuiyan et al 2011). This correlation is based on a large dataset from Swedish forestry companies’, manually measured follow-up data after thinning. This correlation is used in the calculation of remaining stock and thinning intensity. but it lacks the same precision as models that stem data from cutting paths, and the information it generates has been shown at times to be misleading and difficult to interpret for harvester operators in second and later thinnings.

In another ongoing parallel project at Skogforsk, 2023, a modified version av hprThinning is under development (Algorithm laser scanning data) for use in nonclear-cut forestry. One of the aims of this project is to evaluate the use of laser data in the calculation of remaining volume and basal area after thinning. The laser data used is from the Swedish national database forest inventories that was produced through airborne laser scanning, which contains data on standing volume, basal area, basal area weighted average height and basal areal weighted average diameter. This parallel project, when applied to thinning operations, enables the evaluation of calculations in hprThinning based on laser data and whether these generate predictions for remaining volume and basal area with higher precision than earlier developed models. However, laser data also has a certain deviation in, among other things, its volume prediction, as its laser point density has been estimated to have a margin of error of 20 percent in these calculations. With this a pilot study was carried out with the aim of analyzing the results of thinning follow-up with SGD as input values, as well as comparing the results of the two methods, hprNonClearcut with SGD as input values and hprThinning's algorithm, with reference-measured sample areas that were totally cleared after second thinning.

The results showed that the deviation of the SGD-method was lower than for hprThinning, but that individual sample areas stood out from the reference measurement even for the SGD-method. The average value over the deviation of the sample areas ended up at 5 percent for the SGD method with a range of - 4 to + 19 percent, while the average deviation of hprThinning was -17 percent with a range of - 36 to + 16 percent. These results are consistent with previous observations, such that the algorithm in hprThinning slightly misjudges stock values in second thinning. In a significant test on the results from both methods, hprThinning's results could be confirmed to underestimate their volume calculations with 95 percent certainty, which is in line with previous experience with the software. With the results of the SGD-method, no significance could be confirmed as the results had too much variation between overestimation and underestimation. However, more and above all larger investigations need to be carried out to further strengthen that Hpr-software together with SGD implemented as an input value have better precision in their results than the algorithms hprThinning uses today. hprNonClearcut is still at an early stage and an easy implementation of SGD into the software for the harvesters needs to be developed. This would provide a simpler way of the everyday work in forestry and the opportunity to apply the system on a larger scale.