Predikering av friskkvistlengde i furu med skog- og trevariabler og data det er mulig å ekstrahere fra industriell CT-skanning

Abstract

Formålet med denne studien er å utvikle friskkvistmodeller som baserer seg på variabler som kan registreres ved CT-skanning av tømmerstokker. Trelast med frisk kvist har visuelle egenskaper som er attraktive i forhold til trelast med tørr kvist. Virkeskvalitet er avgjørende for den økonomiske avkastningen i sagbruksindustrien. Generelt er kvist den viktigste kvalitetsreduserende faktoren i trelast. Tidligere studier på kvistegenskaper har fokusert spesielt på kvistdiameter, og det er funnet god korrelasjon mellom kvistdiameter og friskkvistlengde. CT-skannere kan registrere kvistdiameter på en god måte i kjerneveden i furu (Pinus Sylvestris). Friskkvistlengden kan også estimeres, men det er vanskelig å bestemme denne presist direkte fra kvistbildene en får fra en CT-skanner, fordi forskjellen i densiteten til tørrkvist og friskkvist er relativt lik. En kan imidlertid bruk andre variabler som kan måles med CT-skanner til å modellere friskkvistlengden.

43 furutre fra 7 forsøksfelt forvaltet av Sveriges Landbruksuniversitet (SLU) inngår i studien. Kvistkranser ble dissekert og friskkvistlengde, kvistdiameter og andre kvistparametre, samt data om kransene, trærne og bestandene ble registrert. Lineære miksa modeller ble utarbeidet ved å bruke «restricted maximum likelihood»-metoden (REML) i Mixed Model-plattformen i JMP Pro.

Kvistdiameter står frem som den viktigeste variabelen i studien. Årringbredde for de første 20 årringene og stammeradius ved den enkelte kvist fremstår også som viktige variabler som kan registreres med en CT-skanner. En modell basert på variabler som er mulig å registrere med CT-skanner fikk en feilmargin (RMSE) på 10 mm og R2 på 0,645 i denne studien. Ved å tilføre breddegrad, en lett registrerbar og anvendelig variabel, som forklaringsvariabel ble RMSE redusert til 8,85 mm og R2 økte til 0,722. Den best tilpassede modellen inneholdt også informasjon om den vertikale plasseringen av kvisten i treet, noe som reduserte RMSE betraktelig, til 5,31 mm. R2 til denne modellen ble 0,899.

The purpose of this study is to develop sound knot models that are based on variables that can be registered by a CT scanner. Lumber with sound knots has visual properties that are more attractive than lumber including dry knots. Wood quality is crucial for the economic return in the sawmill industry. In general, knots are the most important quality-reducing factor in lumber. Previous studies on knot properties have focused on knot diameter and a good correlation between knot diameter and sound knot length has been found. CT-scanners can detect knot diameter in heart wood of pine (Pinus Sylvestris) in a good way, but precise predictions of sound knot length are difficult to make from CT-pictures directly, since density of sound knot wood and dry knot wood is relatively equal. However, it is possible to use other variables possible to measure with CT-scanners to model the sound knot length, like for instance knot diameter. 43 pine trees (Pinus sylvestris) from 7 experimental fields managed by the Swedish University of Agricultural Sciences (SLU) are included in the study. Knot whorls were dissected and sound knot length, knot diameter and other knot parameters, as well as data about the whorls, trees and stands have been recorded. Linear mixed models were developed using the "restricted maximum likelihood" method (REML) in the Mixed Model-platform in JMP Pro. Knot diameter stands out as the most important variable in this study. Annual ring width for the first 20 annual rings and stem radius at the individual knot also appear as important variables that can be registered by a CT-scanner. A model based on variables that are possible to extract from CT-scanners was developed. The RMSE was 10 mm and R2 = 0.645. When adding latitude, an easily detectable and usable variable, as an explanatory variable, RMSE was reduced to 8.85 mm and R2 increased to 0.722. The best model in the study contained information about the vertical position of the knots in the tree. This model got an RMSE of 5.31 mm and R2 of 0.899.