Metsätieteen alaan kuuluva väitöskirja tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa. Tilaisuutta voi seurata Joensuun kampuksella.
Mikä on väitöstutkimuksesi aihe? Miksi aihepiiriä on tärkeää tutkia?
Väitöstutkimukseni tarkastelee ihmisen, koneen ja metsäympäristön välistä vuorovaikutusta harvennushakkuissa, joissa harvesteriin on integroitu mobiililaserkeilausjärjestelmä. Tutkimuksessa selvitettiin, miten reaaliaikainen puutason metsätieto vaikuttaa harvesterinkuljettajan päätöksentekoon, työn tuottavuuteen, poistettavien puiden valintaan, korjuujälkeen ja jäävän puuston laatuun, sekä arvioitiin teknologian taloudellista kannattavuutta metsäkoneyrityksissä.
Aihe on tärkeä, koska metsätalous siirtyy yhä tarkempaan puutason metsätiedon hyödyntämiseen ja metsäkoneiden rooli laajenee puunkorjuusta myös metsätiedon tuottamiseen. Väitöstutkimukseni liittyy kehitykseen, jossa pyritään rakentamaan yhä kehittyneempiä ja automatisoidumpia metsäkoneita sekä edistämään datalähtöistä metsätaloutta.
Mitkä ovat väitöstutkimuksesi keskeiset tulokset tai havainnot?
Väitöstutkimukseni keskeiset tulokset osoittavat, että puutason metsätietoa hyödyntävät kuljettajaa avustavat järjestelmät voivat tukea harvennushakkuiden toteutusta, parantaa korjuun laatua ja lisätä työn tuottavuutta.
Ennakkoon fyysisesti merkityt poistettavat puut lisäsivät hakkuutyön tuottavuutta keskimäärin 2,7–2,8 prosenttia harvennuksissa sekä paransivat harvennusten laatua. Ennakkomerkintää käytettiin tutkimuksessa kuvaamaan tilannetta, jossa poistettavat puut pystytään tunnistamaan kuljettajalle luotettavasti digitaalisesti ennen hakkuuta.
Tutkimuksessa hyödynnettiin myös mobiililaserkeilaukseen perustuvaa Ponssen Thinning Density Assistant (TDA) -järjestelmää, joka antaa harvesterinkuljettajalle reaaliaikaista tietoa harvennuksen etenemisestä ja jäävän puuston tiheydestä. Järjestelmä lisäsi työn tuottavuutta noin yhdellä prosentilla säilyttäen samalla korjuun korkean laadun. Hyötyjen arvioitiin olevan suurimpia vähemmän kokeneilla kuljettajilla. Tutkimuksessa kehitettiin lisäksi uusi menetelmä hakkuukoneen siirtymiseen kuluvan ajan mallintamiseen, mikä tarkentaen metsäkoneiden työn tuottavuuden ja uusien teknologioiden vaikutusten tutkimista tulevaisuudessa.
Lisäksi tutkimuksessa osoitettiin, että mobiililaserkeilauksella kerättyä pistepilviaineistoa voidaan hyödyntää harvennushakkuiden korjuujäljen arvioinnissa. Tämä voi tulevaisuudessa mahdollistaa korjuujäljen nykyistä objektiivisemman, kattavamman ja osittain automatisoidun laadunvarmistuksen.
Miten väitöstutkimuksesi tuloksia voidaan hyödyntää käytännössä?
Väitöstutkimukseni tuloksia voidaan hyödyntää metsäkoneiden kuljettajaa avustavien järjestelmien ja muiden älykkäiden metsäkoneratkaisujen kehittämisessä. Tulokset osoittavat, miten puutason metsätietoa voidaan käyttää kuljettajan päätöksenteon tukena harvennushakkuissa tuottavuuden ja korjuun laadun parantamiseksi. Samalla tutkimus tunnistaa nykyisten järjestelmien teknisiä ja toiminnallisia rajoitteita, jotka on ratkaistava ennen teknologian laajamittaista käyttöönottoa.
Tuloksia voidaan hyödyntää myös metsäkoneenkuljettajien koulutuksessa ja uusien kuljettajien perehdyttämisessä. Erityisesti reaaliaikaiseen metsätietoon perustuvat järjestelmät voivat auttaa toteuttamaan harvennuksia tasalaatuisemmin ja metsänhoidon tavoitteiden mukaisesti. Lisäksi ne voivat tarjota uraansa aloittaville kuljettajille välitöntä palautetta työn laadusta ja tukea ammattitaidon kehittymistä.
Tutkimus tarjoaa uusia menetelmiä korjuujäljen laadun ja tarkkuuden arviointiin mobiililaserkeilauksen avulla.
Mitkä ovat väitöstutkimuksesi keskeiset tutkimusmenetelmät ja -aineistot?
Väitöstutkimukseni toteutettiin osana Suomen Akatemian UNITE-lippulaivaa sekä IlmoStar-hanketta, joissa kehitetään uusia sensoriteknologioita, paikkatietoratkaisuja ja metsädatan hyödyntämismenetelmiä metsätalouden tarpeisiin.
Tutkimuksen keskeisiä aineistoja olivat harvennushakkuilta kerätty metsäkonetieto, aikatutkimusaineistot, mobiililaserkeilauksella (MLS) tuotetut pistepilviaineistot sekä maastomittaukset. Aineistot kerättiin käytännön työolosuhteissa ammattikuljettajien suorittamista harvennushakkuista.
Keskeiset tutkimusmenetelmät olivat aikatutkimukset (työntutkimus), tuottavuuden mallintaminen, korjuujäljen laadun arviointi, pistepilviaineistojen analysointi sekä teknologian taloudellisen kannattavuuden arviointi.
Tutkimuksen tavoitteena oli yhdistää kuljettajan toiminnan, metsäkoneen sensoriteknologian ja metsäympäristön tarkastelu samaan kokonaisuuteen sekä selvittää, miten reaaliaikainen puutason metsätieto voi tukea päätöksentekoa ja puunkorjuun kehittämistä.
Liittyykö väitöstutkimukseesi jotain muuta keskeistä, josta haluat kertoa tiedotteessa?
Yksi tutkimuksen mielenkiintoisimmista havainnoista on ollut se, kuinka tärkeässä roolissa kuljettaja on myös yhä automatisoidummissa metsäkoneissa. Teknologian kehittämisessä on ymmärrettävä, miten ihminen hyödyntää sitä käytännön työssään.
MMM Johannes Pohjalan metsätieteen alaan kuuluva väitöskirja Analysing the human–machine–forest interaction in cut‑to‑length harvesters equipped with a mobile laser‑scanning system in thinning operations (Mobiililaserkeilaimella varustettujen hakkuukoneiden ihminen–kone–metsä -vuorovaikutuksen analyysi harvennushakkuilla) tarkastetaan luonnontieteiden, metsätieteiden ja tekniikan tiedekunnassa, Joensuun kampuksella. Vastaväittäjänä toimii apulaisprofessori Dan Bergström, Swedish University of Agricultural Sciences (SLU), Ruotsi, ja kustoksena professori Kalle Kärhä, Itä-Suomen yliopisto. Tilaisuuden kieli on englanti.
Lisätietoja:
Johannes Pohjala, [email protected], p. 050 442 9542
