Forest Big Data

 Forest Big Data, uuden sukupolven metsävara7etojärjestelmät Tapio Räsänen Metsäteho Oy kesäseminaari Bitcomp Oy:n 4.6.2015 Vantaa www.metsateho.fi
Tehokas puuhuolto 2025 -visio
Tehostuva, täsmäohjattu puuhuolto parantaa
metsäteollisuuden kilpailukykyä sekä turvaa sen
kasvun ja uudistumisen.
2
www.metsateho.fi
Vision taustaa
Tehokas puuhuolto 2025 -vision taustalla olevat tavoitteet:
• 
• 
• 
• 
• 
Biotalouden toiminta- ja kasvuedellytykset pidetään kunnossa.
Puuraaka-aineesta saadaan enemmän lisäarvoa koko arvoketjuun.
Puutavaralogistiikan kustannustehokkuus paranee.
Puuntuotanto tehostuu kannattavasti.
Puuhuoltoon tuodaan tehokkaita teollisia toimintamalleja.
3
www.metsateho.fi
T&K-päämäärät
4
Forest Big Data -­‐visio Kaikkia metsäalan toimijoita palveleva valtakunnallinen seuraavan sukupolven metsävara7etojärjestelmä, joka sisältää nykyistä tarkemmat, monipuolisemmat ja ajantasaisemmat puusto-­‐ ja olosuhde7edot. => Kustannustehokkaampi puutavaralogis7ikka ja kannaDavampi metsänhoito, lisätuoDoja arvoketjuun, huippuosaamista ja uusia vien7tuoDeita. Metsävara=eto on keskeinen osa metsäsektorin infrastruktuuria. Tarkemmasta metsä=edosta hyötyvät kaikki arvoketjun toimijat. 5 FBD –visio -­‐ case puunhankinta Runkolukusarja
& laatutietoa
Ref.tieto & päivitys
Sähköinen puukauppa,
runko-/r-osahinnoittelu, DSS
Ohjausinformaatio
Katkonta & ohjaus,
DSS
Pysyvät ja muuttuvat olosuhdetiedot
6 Forest Big Data – hankkeen partnerit Yritykset
Arbonaut Finnish Wood Research (FWR) Metsähallitus MetsäliiDo Metsäteho Ponsse Savcor Simosol Stora Enso TimberVision Tres7ma UPM + Suomen metsäkeskus
• 
Tutkimusorganisaa7ot
Aalto University Finnish Geode=c Ins=tute (FGI) Luonnonvarakeskus (Luke) Tampere University of Technology (TUT) University of Helsinki (UH) VTT University of Eastern Finland (UEF) Forest Big Data on osa DIGILEn Data to Intelligence –ohjelmaa (D2I) -  mukana ohjelmassa omana miniekosysteeminään 2014 – 2015 -  budjeU 1,3 m€ (2014) + 2,0 m€ (2015), n. 50 % Tekes-­‐rahoi\eista 7 Forest Big Data -­‐7ekarDa =etostandardit ym. MMM & alan toimijat Organisoin= ja rahoitus -­‐Tiedon keruu, päivitys ja jakelu, järjestelmän rakentaminen, hallinta ja kehi\äminen ym. Tulosten soveltaminen -­‐ Integroin= nykyjärjestelmiin p=en e
s
n
o
usk
Sovell otoin= pil
Tietoarkkitehtuur
i Tietorakenteet Visio Es=moin= ja datafuusio O
Puustotunnukset unnuks
t
e
d
h
u
s
lo
et FBD-tutkimuksen
tulos:
•  Tekniset
mahdollisuudet
•  Hyötypotentiaali
•  Järjestelmäkonsepti
•  Menetelmäehdotukset
Seuraavan sukupolven metsävara=etojärjestelmä Uuden järjestelmän sisältö ja pelisäännöt -­‐ Tietosisältö, toimijoiden roolit, käy\öoikeudet, 8 Forest Big Datan käyDömahdollisuuksia metsätaloudessa ja teollisuuden puuhuollossa Metsä=e-­‐
verkkojärjestelmä Alueelliset hakkuu-­‐
mahdollisuudet Metsän-­‐
hoitopalvelut Dynaaminen metsäsuunni\elu Metsäkoneen-­‐
kulje\ajaa avustavat järjestelmät Puunkorjuun ja metsänhoidon työmaasuunni\elu Sähköinen puukauppa Katkonnan ohjaus Tiestön kelirikko-­‐
palvelu Fleet management Jalostusarvo-­‐
perusteinen tuotannon-­‐
ohjaus FOREST BIG DATA PLATFORM
Metsävaratietojärjestelmät
Datalähde 1
“Viranomaisdata” Datalähde 2
Olosuhdetiedot
Toiminnoissa syntyvä data
Datalähde 3
“Kansalaisten data” Kaupallinen data Avoin data Toimijoiden yksityinen data 9 Forest Big Data plaTorm Lähde: Risto Ritala, TTY
10 KehiDyvät puusto7edon hankintamenetelmät Lähde: Markus Holopainen, HY
11 Katkonnan ohjaus
Simuloinnin
lähtötiedot
yhtiöiden metsäjärjestelmistä
korjuukohteittain
Simuloitavan puujoukon muodostus
Parametriset
kokojakaumamallit
Puuston
keskitunnukset
puulajeittain
Runkolukusarjat
Runkoprofiilit
Simuloinnin
puujoukko
valintana
runkopankkitietovarastosta
Yhtiökohtaiset tai
yleiset
tietovarastot
palvelussa
Puun laatumallit
Simulointi
Korjuukohteen
perustiedot
Ei-parametriset
datalähtöiset
menetelmät (mm.
MSN)
Läpimitta- ja
pituusjakaumat
Puujoukot
StanForD 2010
hpr -muotoon
Katkonnan
ohjaustiedostojen (pin)
muodostus
Runkojen
laatuositteet
(oksarajakorkeudet ja
vikaisuudet)
Runkopankki
(hakkuukoneen
tuotantotiedot)
Puun laatutietopankki (mm. tukkiröntgen- ja tukkimittaridataa)
12 KäsiDelykuvioiden muodostaminen • 
• 
• 
perinteisestä metsikkökuvioinnista hilatasoisen puusto-­‐ ja olosuhde=edon analysoinnilla toimenpidekuvioin=in joustava käsi\ely-­‐yksiköiden muodostus ja niiden koon kasva\aminen korjuukelpoisuusluokituksen kehi\äminen Lähde: Jussi Peuhkurinen, Arbonaut Oy
13 “Ajourakone” •  Tavoitteena on kehittää toimijoiden yhteinen pilvipalvelu, jolla voidaan tuottaa
kohdekohtaisesti korjuutyömaan ennakkosuunnittelussa ja metsäkuljetuksen
suunnittelussa tarvittavat tiedot.
•  Tavoiteltavat hyödyt
-  laadukkaampi leimikonsuunnittelu huomioiden korjuuolosuhteet, puuston sijainti leimikolla ja
esteet
-  parempi korjuujälki (maastovauriot, ajourien määrä)
-  metsäkuljetuksen parempi tuottavuus ja kustannuskilpailukyky
#
Lähde: Olli Laitinen, Metsä Group
Lähde: Kari Väätäinen, Metla
14 Dynaaminen metsäsuunniDelu • 
• 
• 
ajantasaisiin puusto-­‐ ja olosuhde=etoihin, kustannuksiin ja puutavaran hintoihin perustuva metsän kehityksen ja käsi\elyvaihtoehtojen simuloin= ja laskenta metsänomistajan tavoi\eiden mukainen ja op=maalinen kokonaisratkaisu metsälötasolla sovelluskehitykseen yhteinen, avoin työkalupakki Metsään.fi –
metsävara=edot tai vanhat metsäsuunni\elu-­‐ =edot Hilatasoiset puusto=edot Metsäsuunnittelun elementit
•  Reaaliaikainen puustotieto
metsävaratietojärjestelmässä hilatasolla
•  mm. puusto=edot, metsälakikohteet •  toimenpide-­‐ehdotus •  Toimenpidekuvioinnin muodostaminen
tarpeiden ja metsän kehityksen mukaan
o  metsänomistajan tavoitteet ja päätöskriteerit
kuvioinnissa huomioon
Kiinteistörajat Puusto-­‐
mi\aukset ja kuvadata (mallien paikallinen kalibroin=) Lähde: www.tres=ma.com •  Vaihtoehtojen laskenta simulointiin perustuen
o 
o 
o 
o 
Korjuukelpoisuus-­‐
luokitus Taustakar(atasoiset aineistot Maastokartat, =estö, maaston korkeusmalli metsän kasvun ja kehityksen laskenta
metsän arvon laskenta
toimenpideohjelman muodostus
kehityksen ja toimenpiteiden visualisointi
•  Suunnitelman päivitys tehtyjen toimenpiteiden
perusteella
Maaperä-­‐ ja maalaji=edot Ilmakuvat Sähkölinjat, kaapelit ym. Muita: •  kaava=edot •  suojelualueet •  uhanalaisten lajien esiintyminen •  muinaismuistot 15 Hakkuukonedata kaukokartoituksen referenssi7etona ja metsävara7etojen päivityksessä 16 Big Data puutavaran kuljetuksessa Viranomaiset • Rekisteri=etojen yhdistäminen • Olosuhde=etojen yhdistäminen • Kunto=edot • Keli=edot • Liikenne=edot Yksityis=ekunnat DATAN YHDISTÄMINEN
Kunto-­‐ ja olosuhde=etojen tuo\ajat, hoitoyhdistykset • Yksityisteiden =edot Metsäyh=öt • Puuhankintojen suuntautuminen Ajoneuvot (laveUautot, auraus, kuljetus) • Ajantasaiset kunto-­‐ ja olosuhde=edot, varoitukset • AutomaaUnen =edonkeruu • Tietosuoja? Kulje\ajat • Poikkeus=lanteet • Objek=ivisuus? • Datan ka\avuus? 17 Kiitos ! Lisä7etoja: jarmo.hamalainen@metsateho.fi tapio.rasanen@metsateho.fi
18