Luomuhakkuu-hankkeen päätulokset ja toimenpidesuositukset

Luomuhakkuu-hankkeen tavoitteena oli kehittää, testata ja jalkauttaa käytäntöön joukko menetelmiä, joiden avulla metsäalan käytännön toimijat voivat toteuttaa luonnonmukaista täsmäpuukorjuuta. Hankkeessa saavutettiin neljä päätulosta ja joukko toimenpidesuosituksia.

Vuonna 2022 käynnistyneen hankkeen toteuttivat Helsingin yliopisto, Tampereen seudun ammattiopisto (Tredu) ja Arbonaut Oy. Lisäksi Ponsse on osallistunut projektiin omalla rahoituksella. Hanke päättyi virallisesti 30.11.2024.

Hankkeen aikana on saavutettu merkittävä digiloikka kohti täsmäpuukorjuuta. Tämä tarkoittaa, että metsän kasvatuksen, ympäristönäkökulmien ja metsäoperaatioiden toteutuksen kannalta olennaiset metsän piirteet ja rakenteet ennustetaan kaukokartoitukseen pohjautuvien mallien avulla ja tämä tieto tuodaan puunkorjuun toteuttajien avuksi operaatioita toteutettaessa.

Hankkeen tiivistelmät löydät täältä suomeksi, ruotsiksi ja englanniksi. Lue tarkemmin tuloksista hankkeen loppuraportista. Alle on koottu hankkeen päätulokset ja toimenpidesuositukset tiivistetyssä muodossa.

Päätulokset ja toimenpidesuositukset

Päätulos 1:

Metsikön puut voidaan tehokkaimmin tunnistaa kaukokartoitusdatan avulla yhdistelemällä eri datalähteitä (laser, ilmakuva ja vääräväri) ja hyödyntämällä syväoppimisista.

• Toimenpidesuositus 1: Metsiköstä laadittu puukartta mahdollistaa metsikön eri mikrokuvioiden tarkastelun ja puuvalinnan räätälöimisen metsänomistajan tavoitteita mukaillen.
• Toimenpidesuositus 2: Puukarttatuotteet tulee huolellisesti räätälöidä metsäkoneen kuljettajille sopivaksi. Koneenkuljettajan työtä helpottaa erityisesti erikoispuiden (lahot puut, erityisen kookkaat puut, lehtipuut) paikallistaminen etukäteen ja visualisoiminen karttatasolle.
• Toimenpidesuositus 3: Metsäkoneenkäyttäjän tueksi on tulevaisuudessa rakennettava karttatasoja, joiden avulla havainnollistetaan metsänhoidon kannalta tärkeitä yksityiskohtia puunkorjuukuviolla (paahteisuudelle alttiit reunametsät, eroosioherkät rinteet, tuulituhoille alttiit kohteet, jne).

Päätulos 2:

Metsikön maalajit voidaan nykyistä paremmin tunnistaa mikrokuviotasolla käyttämällä modernin digitaalisen maamallinnuksen tekniikoita (digital soil mapping). Hienojakoisia maalajeja selittävät parhaiten topografiatunnukset, satelliittidatasta johdetut kasvillisuusindeksit.

• Toimenpidesuositus 4: Suomesta on kerättävä riittävän kattava paikkatietopohjainen maalajinäytekokonaisuus, joka mahdollistaa uusien maalajikarttojen rakentamisen Suomen maaperästä.

Päätulos 3:

Edellisessä puunkorjuuoperaatiossa syntynyttä tietoa ajouraverkostosta (kaukokartoituspohjainen tulkinta tai metsäkoneen reitinjäljitystieto) voidaan tulevaisuudessa käyttää monipuolisesti hyödyksi hakkuukohteen ajouraverkoston suunnittelussa.

• Toimenpidesuositus 5: Tulevaisuuden tehokas ajouraverkoston optimointiin tarkoitettu algoritmikokonaisuus yhdistää tietoa edellisistä operaatioista sekä käyttää apuna puukarttaa, topografia- ja kosteuskarttoja sekä maalajitietoa.

Päätulos 4:

Metsän digitaaliseen kaksoseen pohjautuva metsäkoneen simulaattorikoulutuksen oppimisympäristö luo mahdollisuuden opettaa ilmastokestävää metsänhoitoa metsäkoneen kuljettajille.

• Toimenpidesuositus 6: Metsäkoneenkäyttäjien perus- ja jatkokoulutukseen tulee sisällyttää myös metsänhoitoa; erityisesti reuna-alueiden ennakoiva käsittelyä, eroosioherkkien kohteiden tunnistamista ja peitteisen metsänkäsittelyn toteutusta.
• Toimenpidesuositus 7: Metsäkoneeseen kehitettävien karttatasojen hyödyllisyyden tutkimukseen tulee jatkossa kiinnittää enemmän huomiota (käyttäjänäkökulma). Karttatasojen standardisointi mahdollistaa tiedon paremman hyödyntämisen kaikissa puunkorjuukohteissa.

Lisätietoja:

Jori Uusitalo, professori, Helsingin yliopisto, p. 050 441 7473, jori.uusitalo@helsinki.fi