{"id":{"repo_id":"helsinki","oai_identifier":"oai:helda.helsinki.fi:10138/45331"},"canonical_url":"https://search.dev.ndltd.org/etd/helsinki/oai:helda.helsinki.fi:10138/45331","repository":{"repo_id":"helsinki","name":"University of Helsinki","base_url":"https://helda.helsinki.fi/server/oai/request"},"display":{"title":"Hilaruuduille simuloitujen toimenpide-ehdotusten johtaminen kuviolle päättelysääntöjen avulla","abstract":"Suomen metsäkeskus tuottaa toimenpide-esityksiä sisältävää metsävaratietoa metsänomistajien ja toimijoiden käyt-töön. Metsävaratieto tuotetaan pääasiassa kaukokartoituksella valtakunnalliseen Aarni- järjestelmään. Kuviokohtai-set hoito- ja hakkuuehdotukset tuotetaan yleensä simuloimalla. Jokaisella toimenpide-ehdotuksella on myös suosi-tus toteutusvuodesta. Metsävaratiedon keruu perustuu aluepohjaiseen menetelmään, jossa maastokoealoilta mitattuja puustotunnuksia pyritään ennustamaan laser- ja ilmakuvapiirteiden avulla inventoitavalle alueelle. Puustotunnukset ennustetaan hilaruudukolle, jossa käytettävä hilaruudun koko on 16 x 16 metriä. Aarnissa toimenpidesimulointi perustuu hila-ruuduilta metsikkökuviolle yleistettyjen puustotunnusten keskiarvoihin. Menetelmä ei huomio kuvion sisäistä vaih-telua ja aiheuttaa muun muassa liian myöhäisiä harvennusehdotuksia varsinkin aukkoisille kuvioille. Tässä työssä testattiin menetelmää, jossa puustotiedon lisäksi jokaiselle hilaruuduille simuloitiin seuraava toimen-pide ja sen ajankohta, minkä jälkeen laadittiin päättelysäännöt toimenpiteen johtamiseksi hilaruuduilta metsikkö-kuviolle. Tutkimuksen päätavoitteena oli verrata päättelysäännöillä johdettuja toimenpiteitä Aarnin normaalilla simuloinnilla tuotettuihin toimenpiteisiin. Tuloksia vertailtiin kolmen ja 12 luokan kiireellisyysluokituksilla 291 metsikkökuviolla. Oletuksena oli, että päättelysäännöillä voidaan päästä parempaan tulokseen esimerkiksi aukkoi-silla kuvioilla. Kuvion sisäisen vaihtelun yhteyttä toimenpiteiden ajoitukseen tutkittiin vertaamalla hilojen lasken-tapuuston pohjapinta-alan ja pituuden hajontaa suhteessa Aarnin kuviolle yleistettyihin vastaaviin tunnuksiin. Tulokset osoittivat, että toimenpiteen ajoituksessa päättelysäännöillä päästiin hieman Aarnin normaalia laskentaa parempaan tulokseen. Parhaiten päättelysäännöt toimivat nuorissa kasvatusmetsissä kuvioilla, joilla maastossa annettu toimenpide-ehdotus oli ensiharvennus. Aarnin vähintään viisi vuotta myöhässä olevien harvennusehdotus-ten määrä oli kolmen kiireellisyysluokan oikeinluokituksessa 38 % ensiharvennuskuvioista. Määrä saatiin korjattua päättelysäännöillä viiteen prosenttiin. Toimenpiteen ajoituksen keskivirhe pieneni ensiharvennuskuvioilla 3,9 vuo-desta 2,7 vuoteen. Varttuneiden kasvatusmetsien harvennuskuviolla päättelysäännöt tuottivat hieman Aarnia pa-remman tuloksen, taimikoissa ja uudistamiskypsissä metsissä menetelmillä ei ollut eroja. Hilojen laskentapuuston pohjapinta-alan keskihajonta oli hieman keskimääräistä suurempaa niillä kuvioilla, joilla puuston sisäinen vaihtelu todettiin suureksi. Näillä kuvioilla päättelysäännöillä päästiin suhteellisesti useammin Aarnin normaalia laskentaa parempaan toimenpiteen ajoitukseen kuin kuvioilla, joilla hajonta oli vähäistä.","abstract_html":"Suomen metsäkeskus tuottaa toimenpide-esityksiä sisältävää metsävaratietoa metsänomistajien ja toimijoiden käyt-töön. Metsävaratieto tuotetaan pääasiassa kaukokartoituksella valtakunnalliseen Aarni- järjestelmään. Kuviokohtai-set hoito- ja hakkuuehdotukset tuotetaan yleensä simuloimalla. Jokaisella toimenpide-ehdotuksella on myös suosi-tus toteutusvuodesta. Metsävaratiedon keruu perustuu aluepohjaiseen menetelmään, jossa maastokoealoilta mitattuja puustotunnuksia pyritään ennustamaan laser- ja ilmakuvapiirteiden avulla inventoitavalle alueelle. Puustotunnukset ennustetaan hilaruudukolle, jossa käytettävä hilaruudun koko on 16 x 16 metriä. Aarnissa toimenpidesimulointi perustuu hila-ruuduilta metsikkökuviolle yleistettyjen puustotunnusten keskiarvoihin. Menetelmä ei huomio kuvion sisäistä vaih-telua ja aiheuttaa muun muassa liian myöhäisiä harvennusehdotuksia varsinkin aukkoisille kuvioille. Tässä työssä testattiin menetelmää, jossa puustotiedon lisäksi jokaiselle hilaruuduille simuloitiin seuraava toimen-pide ja sen ajankohta, minkä jälkeen laadittiin päättelysäännöt toimenpiteen johtamiseksi hilaruuduilta metsikkö-kuviolle. Tutkimuksen päätavoitteena oli verrata päättelysäännöillä johdettuja toimenpiteitä Aarnin normaalilla simuloinnilla tuotettuihin toimenpiteisiin. Tuloksia vertailtiin kolmen ja 12 luokan kiireellisyysluokituksilla 291 metsikkökuviolla. Oletuksena oli, että päättelysäännöillä voidaan päästä parempaan tulokseen esimerkiksi aukkoi-silla kuvioilla. Kuvion sisäisen vaihtelun yhteyttä toimenpiteiden ajoitukseen tutkittiin vertaamalla hilojen lasken-tapuuston pohjapinta-alan ja pituuden hajontaa suhteessa Aarnin kuviolle yleistettyihin vastaaviin tunnuksiin. Tulokset osoittivat, että toimenpiteen ajoituksessa päättelysäännöillä päästiin hieman Aarnin normaalia laskentaa parempaan tulokseen. Parhaiten päättelysäännöt toimivat nuorissa kasvatusmetsissä kuvioilla, joilla maastossa annettu toimenpide-ehdotus oli ensiharvennus. Aarnin vähintään viisi vuotta myöhässä olevien harvennusehdotus-ten määrä oli kolmen kiireellisyysluokan oikeinluokituksessa 38 % ensiharvennuskuvioista. Määrä saatiin korjattua päättelysäännöillä viiteen prosenttiin. Toimenpiteen ajoituksen keskivirhe pieneni ensiharvennuskuvioilla 3,9 vuo-desta 2,7 vuoteen. Varttuneiden kasvatusmetsien harvennuskuviolla päättelysäännöt tuottivat hieman Aarnia pa-remman tuloksen, taimikoissa ja uudistamiskypsissä metsissä menetelmillä ei ollut eroja. Hilojen laskentapuuston pohjapinta-alan keskihajonta oli hieman keskimääräistä suurempaa niillä kuvioilla, joilla puuston sisäinen vaihtelu todettiin suureksi. Näillä kuvioilla päättelysäännöillä päästiin suhteellisesti useammin Aarnin normaalia laskentaa parempaan toimenpiteen ajoitukseen kuin kuvioilla, joilla hajonta oli vähäistä.","abstract_has_math":false,"creators":["Pousi, Ilkka"],"institution":"Helsingfors universitet","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta, Metsätieteiden laitos","University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences","Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten, Institutionen för skogsvetenskaper"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014","date_published":"2014","updated_at":"2026-07-27T19:55:53Z","subjects":["simulation","grid cell","decision rules","Aarni forest resource information system","toimenpidesimulointi","hilaruutu","päättelysäännöt","Aarni-metsävaratietojärjestelmä"],"languages":["fin"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["URN:NBN:fi:hulib-201507212205"],"render_values":[{"text":"URN:NBN:fi:hulib-201507212205","href":null,"code":true}]}]},"links":{"outbound_url":"http://hdl.handle.net/10138/45331","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta, Metsätieteiden laitos","University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences","Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten, Institutionen för skogsvetenskaper"]},{"key":"dc:creator","label":"Author","values":["Pousi, Ilkka"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.issued","label":"Date","values":["2014"]},{"key":"dc:publisher","label":"Institution","values":["Helsingfors universitet","University of Helsinki","Helsingin yliopisto"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["simulation","grid cell","decision rules","Aarni forest resource information system","toimenpidesimulointi","hilaruutu","päättelysäännöt","Aarni-metsävaratietojärjestelmä"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["fin"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["URN:NBN:fi:hulib-201507212205","http://hdl.handle.net/10138/45331"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Suomen metsäkeskus tuottaa toimenpide-esityksiä sisältävää metsävaratietoa metsänomistajien ja toimijoiden käyt-töön. Metsävaratieto tuotetaan pääasiassa kaukokartoituksella valtakunnalliseen Aarni- järjestelmään. Kuviokohtai-set hoito- ja hakkuuehdotukset tuotetaan yleensä simuloimalla. Jokaisella toimenpide-ehdotuksella on myös suosi-tus toteutusvuodesta. Metsävaratiedon keruu perustuu aluepohjaiseen menetelmään, jossa maastokoealoilta mitattuja puustotunnuksia pyritään ennustamaan laser- ja ilmakuvapiirteiden avulla inventoitavalle alueelle. Puustotunnukset ennustetaan hilaruudukolle, jossa käytettävä hilaruudun koko on 16 x 16 metriä. Aarnissa toimenpidesimulointi perustuu hila-ruuduilta metsikkökuviolle yleistettyjen puustotunnusten keskiarvoihin. Menetelmä ei huomio kuvion sisäistä vaih-telua ja aiheuttaa muun muassa liian myöhäisiä harvennusehdotuksia varsinkin aukkoisille kuvioille. Tässä työssä testattiin menetelmää, jossa puustotiedon lisäksi jokaiselle hilaruuduille simuloitiin seuraava toimen-pide ja sen ajankohta, minkä jälkeen laadittiin päättelysäännöt toimenpiteen johtamiseksi hilaruuduilta metsikkö-kuviolle. Tutkimuksen päätavoitteena oli verrata päättelysäännöillä johdettuja toimenpiteitä Aarnin normaalilla simuloinnilla tuotettuihin toimenpiteisiin. Tuloksia vertailtiin kolmen ja 12 luokan kiireellisyysluokituksilla 291 metsikkökuviolla. Oletuksena oli, että päättelysäännöillä voidaan päästä parempaan tulokseen esimerkiksi aukkoi-silla kuvioilla. Kuvion sisäisen vaihtelun yhteyttä toimenpiteiden ajoitukseen tutkittiin vertaamalla hilojen lasken-tapuuston pohjapinta-alan ja pituuden hajontaa suhteessa Aarnin kuviolle yleistettyihin vastaaviin tunnuksiin. Tulokset osoittivat, että toimenpiteen ajoituksessa päättelysäännöillä päästiin hieman Aarnin normaalia laskentaa parempaan tulokseen. Parhaiten päättelysäännöt toimivat nuorissa kasvatusmetsissä kuvioilla, joilla maastossa annettu toimenpide-ehdotus oli ensiharvennus. Aarnin vähintään viisi vuotta myöhässä olevien harvennusehdotus-ten määrä oli kolmen kiireellisyysluokan oikeinluokituksessa 38 % ensiharvennuskuvioista. Määrä saatiin korjattua päättelysäännöillä viiteen prosenttiin. Toimenpiteen ajoituksen keskivirhe pieneni ensiharvennuskuvioilla 3,9 vuo-desta 2,7 vuoteen. Varttuneiden kasvatusmetsien harvennuskuviolla päättelysäännöt tuottivat hieman Aarnia pa-remman tuloksen, taimikoissa ja uudistamiskypsissä metsissä menetelmillä ei ollut eroja. Hilojen laskentapuuston pohjapinta-alan keskihajonta oli hieman keskimääräistä suurempaa niillä kuvioilla, joilla puuston sisäinen vaihtelu todettiin suureksi. Näillä kuvioilla päättelysäännöillä päästiin suhteellisesti useammin Aarnin normaalia laskentaa parempaan toimenpiteen ajoitukseen kuin kuvioilla, joilla hajonta oli vähäistä.","The Finnish Forest Center produces forest resource data for the use of land owners and the actors in the forestry sector. The data is produced mainly by means of airborne laser scanning (ALS), and it is managed in a nationwide Aarni- forest resource information system. The produced data also includes stand-specific proposals for harvesting and silvicultural treatment. These are usually generated by a simulation, which also provides suggestion for a year of the action. The collection of forest resource data is based on the Area-based approach (ABA). In the method, the forest charac-ters, such as tree attributes measured on field sample plots, are predicted to the whole invention area by the corre-sponding laser- and aerial photo features. Forest characters are predicted to the grid cells 16 x 16 meters in size. In Aarni, the treatment simulation is based on the averages of the tree attributes generalized from the grid cells to the stand. The method does not regard a possible within-stand variation in tree density, which may cause, for ex-ample, delayed thinning proposals especially for the stands with grouped trees. The main aims of this study were: 1. To create a new method in which, in addition to the tree attributes, the subsequent treatment and its timing were simulated to grid cells. After that, special decision rules were created to derive the treatment from the grid cells to the stand. 2. To compare the treatments derived with the decision rules with the normal Aarni simulation of 291 field-surveyed stands to determine which method is better. A related action was also taken: A relationship between within-stand variation and a timing of the simulated treat-ments was also surveyed. This was accomplished by comparing the deviation of tree attributes of the grid cells (e.g. basal-area) with the corresponding attributes of the stand. Presumption was that, particularly in the stands with grouped trees, the problem of delayed thinning could be reduced by using decision rules. The results suggest that the decision rule method gives slightly better results than Aarni simulation in the case of the timing of treatments. The method gave the best results in the young stands where the field treatment proposal was first thinning. The deviation of the basal area of trees in the grid cells appeared to be slightly larger than aver-age in the stands with a large variation in tree density. In these particular stands, the decision rules mostly derived better timing for thinning than normal Aarni simulation."]},{"key":"dc:title","label":"Title","values":["Hilaruuduille simuloitujen toimenpide-ehdotusten johtaminen kuviolle päättelysääntöjen avulla"]}]}],"canonical_facts":{"dc:contributor":["Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta, Metsätieteiden laitos","University of Helsinki, Faculty of Agriculture and Forestry, Department of Forest Sciences","Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten, Institutionen för skogsvetenskaper"],"dc:creator":["Pousi, Ilkka"],"dc:date.issued":["2014"],"dc:description.abstract":["Suomen metsäkeskus tuottaa toimenpide-esityksiä sisältävää metsävaratietoa metsänomistajien ja toimijoiden käyt-töön. Metsävaratieto tuotetaan pääasiassa kaukokartoituksella valtakunnalliseen Aarni- järjestelmään. Kuviokohtai-set hoito- ja hakkuuehdotukset tuotetaan yleensä simuloimalla. Jokaisella toimenpide-ehdotuksella on myös suosi-tus toteutusvuodesta. Metsävaratiedon keruu perustuu aluepohjaiseen menetelmään, jossa maastokoealoilta mitattuja puustotunnuksia pyritään ennustamaan laser- ja ilmakuvapiirteiden avulla inventoitavalle alueelle. Puustotunnukset ennustetaan hilaruudukolle, jossa käytettävä hilaruudun koko on 16 x 16 metriä. Aarnissa toimenpidesimulointi perustuu hila-ruuduilta metsikkökuviolle yleistettyjen puustotunnusten keskiarvoihin. Menetelmä ei huomio kuvion sisäistä vaih-telua ja aiheuttaa muun muassa liian myöhäisiä harvennusehdotuksia varsinkin aukkoisille kuvioille. Tässä työssä testattiin menetelmää, jossa puustotiedon lisäksi jokaiselle hilaruuduille simuloitiin seuraava toimen-pide ja sen ajankohta, minkä jälkeen laadittiin päättelysäännöt toimenpiteen johtamiseksi hilaruuduilta metsikkö-kuviolle. Tutkimuksen päätavoitteena oli verrata päättelysäännöillä johdettuja toimenpiteitä Aarnin normaalilla simuloinnilla tuotettuihin toimenpiteisiin. Tuloksia vertailtiin kolmen ja 12 luokan kiireellisyysluokituksilla 291 metsikkökuviolla. Oletuksena oli, että päättelysäännöillä voidaan päästä parempaan tulokseen esimerkiksi aukkoi-silla kuvioilla. Kuvion sisäisen vaihtelun yhteyttä toimenpiteiden ajoitukseen tutkittiin vertaamalla hilojen lasken-tapuuston pohjapinta-alan ja pituuden hajontaa suhteessa Aarnin kuviolle yleistettyihin vastaaviin tunnuksiin. Tulokset osoittivat, että toimenpiteen ajoituksessa päättelysäännöillä päästiin hieman Aarnin normaalia laskentaa parempaan tulokseen. Parhaiten päättelysäännöt toimivat nuorissa kasvatusmetsissä kuvioilla, joilla maastossa annettu toimenpide-ehdotus oli ensiharvennus. Aarnin vähintään viisi vuotta myöhässä olevien harvennusehdotus-ten määrä oli kolmen kiireellisyysluokan oikeinluokituksessa 38 % ensiharvennuskuvioista. Määrä saatiin korjattua päättelysäännöillä viiteen prosenttiin. Toimenpiteen ajoituksen keskivirhe pieneni ensiharvennuskuvioilla 3,9 vuo-desta 2,7 vuoteen. Varttuneiden kasvatusmetsien harvennuskuviolla päättelysäännöt tuottivat hieman Aarnia pa-remman tuloksen, taimikoissa ja uudistamiskypsissä metsissä menetelmillä ei ollut eroja. Hilojen laskentapuuston pohjapinta-alan keskihajonta oli hieman keskimääräistä suurempaa niillä kuvioilla, joilla puuston sisäinen vaihtelu todettiin suureksi. Näillä kuvioilla päättelysäännöillä päästiin suhteellisesti useammin Aarnin normaalia laskentaa parempaan toimenpiteen ajoitukseen kuin kuvioilla, joilla hajonta oli vähäistä.","The Finnish Forest Center produces forest resource data for the use of land owners and the actors in the forestry sector. The data is produced mainly by means of airborne laser scanning (ALS), and it is managed in a nationwide Aarni- forest resource information system. The produced data also includes stand-specific proposals for harvesting and silvicultural treatment. These are usually generated by a simulation, which also provides suggestion for a year of the action. The collection of forest resource data is based on the Area-based approach (ABA). In the method, the forest charac-ters, such as tree attributes measured on field sample plots, are predicted to the whole invention area by the corre-sponding laser- and aerial photo features. Forest characters are predicted to the grid cells 16 x 16 meters in size. In Aarni, the treatment simulation is based on the averages of the tree attributes generalized from the grid cells to the stand. The method does not regard a possible within-stand variation in tree density, which may cause, for ex-ample, delayed thinning proposals especially for the stands with grouped trees. The main aims of this study were: 1. To create a new method in which, in addition to the tree attributes, the subsequent treatment and its timing were simulated to grid cells. After that, special decision rules were created to derive the treatment from the grid cells to the stand. 2. To compare the treatments derived with the decision rules with the normal Aarni simulation of 291 field-surveyed stands to determine which method is better. A related action was also taken: A relationship between within-stand variation and a timing of the simulated treat-ments was also surveyed. This was accomplished by comparing the deviation of tree attributes of the grid cells (e.g. basal-area) with the corresponding attributes of the stand. Presumption was that, particularly in the stands with grouped trees, the problem of delayed thinning could be reduced by using decision rules. The results suggest that the decision rule method gives slightly better results than Aarni simulation in the case of the timing of treatments. The method gave the best results in the young stands where the field treatment proposal was first thinning. The deviation of the basal area of trees in the grid cells appeared to be slightly larger than aver-age in the stands with a large variation in tree density. In these particular stands, the decision rules mostly derived better timing for thinning than normal Aarni simulation."],"dc:identifier.uri":["URN:NBN:fi:hulib-201507212205","http://hdl.handle.net/10138/45331"],"dc:language.iso":["fin"],"dc:publisher":["Helsingfors universitet","University of Helsinki","Helsingin yliopisto"],"dc:subject":["simulation","grid cell","decision rules","Aarni forest resource information system","toimenpidesimulointi","hilaruutu","päättelysäännöt","Aarni-metsävaratietojärjestelmä"],"dc:title":["Hilaruuduille simuloitujen toimenpide-ehdotusten johtaminen kuviolle päättelysääntöjen avulla"]},"updated_at":"2026-07-27T19:55:53Z"}