Contract

	PĀRSKATS
PAR PĒTĪJUMA REZULTĀTIEM
Pētījuma nosaukums	Tehnoloģijas meža apsaimniekošanas procesu efektivitātes paaugstināšanai
Līguma Nr.	5_5.9.1_0081_101_21_87
Pētījuma zinātniskais vadītājs	Dr. silv. Xxxxx Xxxxxxx, XXXX Xxxxxx vadošais pētnieks
Pētījums īstenots akciju sabiedrības ‘’Latvijas valsts meži’’ un Latvijas Valsts mežzinātnes institūta ‘’Silava’’ 2021. gada 13. septembra sadarbības līguma ietvaros

Salaspils, 2022

KOPSAVILKUMS

Pētījumu programmas aktualitāti nosaka nepieciešamība izmantot mūsdienīgus plānošanas instrumentus un saudzīgas mežizstrādes tehnoloģijas, lai nodrošinātu koksnes resursu pieejamību, vienlaicīgi mazinot mežizstrādes negatīvo ietekmi uz vidi. Pētījumu programmas mērķis ir palielināt meža apsaimniekošanas procesu efektivitāti, aprobējot līdz šim neizmantotas, taču tirgū pieejamas vai no jauna izstrādājamas tehnoloģijas.

Pētījumu programma, atbilstoši AS “Latvijas valsts meži” zinātniskās izpētes pasūtījumam, strukturēta 3 pētnieciskajos uzdevumos.

1. Meža biokurināmā ražošanas un piegāžu tehnoloģiju pilnveidošana un aprobācija;

2. Meža tehnikas monitoringa sistēmu un datu automatizētās apstrādes instrumentu pilnveidošana un ieviešana ražošanā;

3. Automatizētas sistēmas izveide meža taksācijas rādītāju noteikšanai un kopšanas ciršu kvalitātes novērtēšanai.

Pētījumā “Enerģētiskās koksnes uzglabāšana krautuvēs”, atbilstoši plānotajam, izstrādāta pētījuma metodika, kā arī uzsākta 2022. gada plānoto uzdevumi izpilde, uzsākot enerģētiskās koksnes krautuvju izmēru un šķeldu kvalitātes monitoringu.

Pētījumā “Forvardera greifera svari meža biomasas apjoma noteikšanai” pilnveidota pētījuma metodika, kā arī veikti izmēģinājumi ar 2 svaru komplektiem. Tehnikas ražotāja integrētā svēršanas sistēma nodrošina plašāku informāciju ne vien par uzskaitīto masu, bet arī par citiem rādītājiem, kas būtiski mežizstrādes monitoringam un operatīvai plānošanai. Turpmākajos pētījuma etapos lietderīgi kā arī izvērtēt citu ražotāju risinājumus biomasas svēršanai pievešanā un izstrādāt nosacījumus sistēmas ieviešanai ražošanā.

Pētījumā “Šķeldu kravu piepildījuma izmaiņu monitorings un vienādojumu izstrādāšana kravu piepildījuma samazināšanās prognozēšanai” izstrādātie tilpumblīvuma izmaiņu aprēķinu koeficienti neparāda izteiktu sakarību ar nobraukto attālumu, kā arī nav konstatēta autotransporta veida ietekme uz tilpumblīvuma izmaiņām šķeldu pārvadājumos. Ražošanas apstākļos lietderīgi izmantot vidējo tilpumblīvuma izmaiņu rādītāju, taču jāturpina pārvietošanas attāluma ietekmes novērtēšana, lai noteiktu robežvērtību, kad sablīvēšanās ātrums samazinās.

Pētījumā “Forvardera atstāto risu mērīšanas iekārtas izstrāde” veikti izmēģinājumi ar 2021. gadā izstrādāto LiDAR + GNSS L1 + L2 RTK single receiver (RM1) un 2022. gadā izstrādāto GNSS L1 + L2 RTK single receiver (RM2) iekārtu. Precīzu globālās pozicionēšanas datu izmantošana risina zaru seguma radušās tehnoloģiskās brauktuves deformēšanās problēmas risinājumu un samazina iekārtas bojājumu risku, tāpēc šis risinājums rekomendējams ieviešanai ražošanā, 2023. gadā veicot plašākus izmēģinājums dažādos cirsmu veidos, tajā skaitā novērtējot attāluma no LatPos stacijām ietekmi uz mērījumu precizitāti.

Pētījumā “Algoritmu pilnveidošana kopšanas ciršu attālinātai kontrolei” konstatēta būtiski uzlabota datu sakritība ar kontrolmērījumiem, izmantojot hprGallring programmas 4.0.0. versiju, kas norāda uz būtisku progresu, izmantojot programmas testēšanā Latvijā iegūtos datus. Etapa noslēguma stadijā bija pieejams programmas 4.1.5. versijas atjauninājums, kas nodrošināja būtiski labāku šķērslaukuma prognozi, lai arī neuzlaboja koku augstuma prognozi. Saglabājoties esošajam programmas pilnveidošanas progresam un nodrošinot papildus datus lapu koku audžu raksturošanai, pieaug varbūtība, ka programmu varēs izmantot taksācijas rādītāju aktualizēšanai kopšanas cirtēs atbilstoši Latvijas normatīvu prasībām.

Pētījumu īstenots, pamatojoties uz Latvijas Valsts mežzinātnes institūta “Silava” un akciju sabiedrības ’’Latvijas valsts meži’’ sadarbības līgumu, kas noslēgts 2021. gada 13. septembrī.

SUMMARY

The importance of the research program is determined by the need to use modern planning tools and low impact logging solutions to ensure the availability of wood resources, while at the same time reducing the negative impact of logging on the environment. The aim of the research program is to increase the efficiency of forest management processes by approving technologies that have not been used so far but are available on the market or can be newly developed.

The research program, according to the scientific research order of Joint stock company “Latvia’s state forests” (LVM), is structured in 3 research tasks.

1. Development and improvement of forest biofuel production and supply technologies;

2. Improvement and implementation of forest equipment monitoring systems and automated data processing tools in production;

3. Creation of an automated system for the forest mensuration and assessing the quality of thinnings.

In the study “Storage of energy wood at roadside” the methodology was updated, as well as the implementation of the tasks planned for 2022 was started by the monitoring of the size of energy wood stacks at roadside and the quality of woodchips.

In the study “Forwarder grapple scales for determining the amount of forest biofuel” the methodology was improved, and the tests were conducted with 2 sets of scales. The integrated weighing system supplied by the machine manufacturer provides more information about the loaded biomass and other indicators important for monitoring and operational planning. In the following stages of the research, it is recommended to evaluate the solutions of other forwarder manufacturers for weighing of biomass and to develop recommendations for the implementation of the system.

The factors for calculation of bulk density developed in the study “Monitoring load size of wood chips and development of equations for predicting of subsiding of the load size” do not show a strong relationship with the distance, nor the effect of the type of transport on the changes of the bulk density of wood chips during transportation. In production conditions it is recommended to use the average rate of changes of the bulk density, but further evaluation of the effect of transportation distance is needed to determine the threshold value when the rate of the subsiding decreases.

In the study “Development of the equipment for measuring the ”forwarding ruts” tests were carried out with the LiDAR RTK developed in 2021 and the GNSS RTK unit developed in 2022. The use of precise GPS data solves the problem of deformation of the strip-road surface caused by the branch cover and reduces the risk of damage to the equipment during operations, therefore this solution is recommended for implementation in production. In 2023 trials in different types of cuttings are planned, including evaluation of the effect of the distance from LatPos base stations on the accuracy of measurements.

In the study “Improving algorithms for remote mensuration of the inventory data” a significantly improved conformity with control measurements was found using the hprGallring program 4.0.0. version, which indicates significant progress, using the data obtained during program tests in Latvia. At the end of 2022 an update to the version 4.0.0 of was available providing a significantly better prediction of a basal area, although it did not improve the tree height prediction. Continuing improvement of the program and application of additional data on the deciduous tree stands, the program will be able to be used to update the inventory indicators in thinning in accordance with Latvian regulatory requirements.

The research was conducted within the framework of the cooperation agreement between LVMI Silava and JSC “Latvia’s state forests” on September 13, 2021.

Saturs

Kopsavilkums 1

Summary 2

Saīsinājumi 6

Ievads 7

1. Meža biokurināmā ražošanas un piegāžu tehnoloģiju pilnveidošana un aprobācija 12

1.1. Enerģētiskās koksnes uzglabāšana krautuvēs 12

1.1.1. 2022. gada izpētes rezultāti 12

1.1.2. Sākotnējie secinājumi un rekomendācijas 21

1.1.3. Priekšlikumi pētījuma īstenošanai 2023. gadā 21

1.2. Forvardera greifera svari meža biomasas apjoma noteikšanai 22

1.2.1. 2022. gada izpētes rezultāti 22

1.2.2. Sākotnējie secinājumi un rekomendācijas 28

1.2.3. Priekšlikumi pētījuma īstenošanai 2023. gadā 29

1.3. Šķeldu kravu piepildījuma izmaiņu monitorings un vienādojumu izstrādāšana kravu piepildījuma samazināšanās prognozēšanai 29

1.3.1. 2022. gada izpētes rezultāti 30

1.3.2. Sākotnējie secinājumi un rekomendācijas 39

1.3.3. Priekšlikumi pētījuma īstenošanai 2023. gadā 39

2. Meža tehnikas monitoringa sistēmu un datu automatizētās apstrādes instrumentu pilnveidošana un ieviešana ražošanā 40

2.1. Forvardera atstāto risu mērīšanas iekārtas izstrāde 40

2.1.1. 2022. gada izpētes rezultāti 40

2.1.2. Sākotnējie secinājumi un rekomendācijas 48

2.1.3. Priekšlikumi pētījuma īstenošanai 2023. gadā 48

2.2. Forvarderu datorprogrammu pielietojuma izpēte 48

2.2.1. Tehniskās dokumentācijas apskats 49

2.2.2. Forvardera IT sistēmu gatavības novērtēšanas metodika 55

2.2.3. Sākotnējie secinājumi un rekomendācijas 61

2.2.4. Priekšlikumi pētījuma īstenošanai 2023. gadā 61

3. Automatizētas sistēmas izveide meža taksācijas rādītāju noteikšanai un kopšanas ciršu kvalitātes novērtēšanai 62

3.1.1. 2022. gada izpētes rezultāti 62

3.1.2. Sākotnējie secinājumi un rekomendācijas 67

3.1.3. Priekšlikumi pētījuma īstenošanai 2023. gadā 68

Literatūra 69

Attēli

Attēls 1.1. Vidējās krautuves augstuma izmaiņas. 14

Attēls 1.2. Pirmās grupas krautuves pie cirsmas 000-000-00 14

Attēls 1.3. Vidējās tilpuma izmaiņas atkarībā no mērījuma veikšanas veida. 16

Attēls 1.4. Vidējās relatīvā mitruma satura izmaiņas. 17

Attēls 1.5. Relatīvā mitruma satura izmaiņas 1. grupas krautuvēs. 18

Attēls 1.6. Relatīvā mitruma izmaiņas 2. grupas krautuvēs. 19

Attēls 1.7. Svēršanas vietu izvietojums nogabalā 000-000-0 26

Attēls 1.8. Svēršanas sistēmas dati pievešanas procesā veikto darbību atspoguļošanai. 27

Attēls 1.9. Relatīvā mitruma saturs šķeldās AGK un LGK. 30

Attēls 1.10. Pelnu saturs sausnā AGK un LGK 31

Attēls 1.11. Šķeldas sablīvēšanās pārvadājumos ar puspiekabi. 35

Attēls 1.12. Šķeldas sablīvēšanās pārvadājumos ar konteinervedēju. 36

Attēls 2.1. RM1 sistēmas darbības shēma 40

Attēls 2.2. RM1 sensoru novietojums uz forvardera 41

Attēls 2.3. Risu telpiskais izvietojums saskaņā ar RM1 sistēmā iegūto informāciju. 42

Attēls 2.4. Pētījumā izmantoto parauglaukumu telpiskais izvietojums. 43

Attēls 2.5. Ceļā izklāti zari (a) un ceļa augsne atklāta (b). 44

Attēls 2.6. RM1 un RM2 mērījumu salīdzinājums. 45

Attēls 2. 7. Risu telpiskā novietojuma aprēķins un telpiskais atspoguļojums, izmantojot RM2

sensora sniegto informāciju. 46

Attēls 2.8. Datu apmaiņa Xxxx Xxxxx sistēmā 52

Attēls 2.9. Izklājlapas paraugs. 53

Attēls 2.10. TimberMatic Maps tehnoloģiskās brauktuves ar sagatavoto sortimentu apjomu. 54

Attēls 2.11. Uzkrautā apjoma atspoguļošana 54

Attēls 2.12. Forvardera uzskaites datu analīzes shēma 58

Attēls 2.13. Forvardera datu plūsmas shēma. 58

Attēls 3.1. Meža platības salīdzinājums. 63

Attēls 3.2. Augstuma atšķirības piemērs objektā (102-259-17). 64

Attēls 3.3. Datu slāņa pievienošana hprGallring programmai (105-89-8,9). 66

Attēls 3.5. Koku caurmēra nobīdes. 67

Tabulas

Tabula 1.1. Krautuvju pamatinformācija 13

Tabula 1.2. Krautuves sākotnējā vidējā augstuma un rukuma attiecība 14

Tabula 1.3. Krautuvju rukuma ietekmējošo faktoru izkliedes rādītāji 15

Tabula 1.4. Modelētie krautuvju rukuma faktori un vērtības 15

Tabula 1.5. Tilpīguma koeficienti 17

Tabula 1.6. Biokurināmā raksturojošie rādītāji atkarībā no uzglabāšanas ilguma 20

Tabula 1.7. Pētījumā izmantoto svaru sistēmu tehnikā specifikācija 23

Tabula 1.8. Svēršanas sistēma Intermercato XP 50 PS iegūto datu kopsavilkums 23

Tabula 1.9. Svēršanas sistēmas Xxxx Xxxxx iegūto datu kopsavilkums 28

Tabula 1.10. Relatīvais mitruma saturs šķeldās 31

Tabula 1.11. Vidējais pelnu saturs šķeldās LGK 32

Tabula 1.12. Kravu skaita sadalījums atkarībā no autotransporta aprīkojuma un sezonas 32

Tabula 1.13. Tilpumblīvuma izmaiņas atkarībā no autotransporta aprīkojuma un sezonas 33

Tabula 1.14. Vidējie šķeldu sablīvēšanās rādītāji dažādās sezonās 33

Tabula 1.15. Modelētie sablīvēšanās vērtības šķeldu pārvadājumos ar puspiekabi 36

Tabula 1.16. Modelētie sablīvēšanās vērtības šķeldu pārvadājumos ar konteinervedēju 37

Tabula 1.17. Vienādojuma izmantošanai nepieciešamo izejas datu apkopojuma piemērs 37

Tabula 1.18. Kravu tilpuma aprēķina piemērs 38

Tabula 1.19. Pārvadāšanas attāluma un novērojumu skaita kopsavilkums 38

Tabula 2.1. RM1 sistēmas datu struktūras paraugs 41

Tabula 2.2. Pētījumā iekļauto cirsmu risu mērījuma un nobraukuma datu kopsavilkums 43

Tabula 2.3. Tehniskā specifikācija RM1 sistēmai 46

Tabula 2.4. Tehniskā specifikācija RM2 sistēmai 47

Tabula 2.5. Kopīgās iezīmes tehniskajām sistēmām 51

Tabula 2.6. Apaļo kokmateriālu pievešanas darba laika sadalījums darba elementos 57

Tabula 3.1. Xxxxxx audzes taksācijas rādītāju salīdzinājums 62

Tabula 3.2. Izmēģinājuma objektos iegūto datu kopsavilkums 65

Pielikumi

1. Pielikums. Forvardera datu analīzes programmas kods.

2. Pielikums. Forvardera atstāto risu mērīšanas iekārtas vadības sistēmas kods .

3. Pielikums. Risu analīzes programmas kods, izmantojot LiDAR sensoru un GPS lokācijas

informāciju (RM1).

4. Pielikums. Risu analīzes programmas kods, izmantojot GNSS (AMSL) lokācijas informāciju (RM2).

SAĪSINĀJUMI

AGK - augšgala krautuve ber. m3 - berkubikmetrs CO2 - oglekļa dioksīds

DSM - digitālais virsmas modelis DTM - digitālais reljefa modelis

GNSS - Globālās navigācijas satelītu sistēmas GPS - globālās pozicionēšanas sistēma

IT - informācijas tehnoloģijas LGK - lejasgala krautuve

LiDAR - Atrašana un attāluma noteikšana ar gaismu m3 - kubikmetrs

MWh - megavatstunda RTK - reālā laika korekcija

IEVADS

Eiropas Savienības klimata un enerģētikas politika paredz, ka līdz 2050. gadam jāsasniedz klimata neitralitātes mērķi, un zemes izmantošanas sektoram ir būtiska loma šī mērķa sasniegšanā, gan palielinot CO2 piesaisti biomasā un citās oglekļa krātuvēs, gan piegādājot izejvielas bioekonomikas sektoram, tajā skaitā palielinot kokmateriālu un biokurināmā piegāžu ilgtspēju un samazinot ražošanas izmaksas meža apsaimniekošanai. Pētījumu programma “Tehnoloģijas meža apsaimniekošanas procesu efektivitātes paaugstināšanai” mērķis ir izstrādāt un aprobēt kokmateriālu un meža biomasas ražošanas tehnoloģijas un plānošanas risinājumus, kas ļauj samazināt ražošanas izmaksas un palielināt koksnes izmantošanas efektivitāti, kā arī identificēt izmaiņas, kas nepieciešamas meža apsaimniekošanā, lai nodrošinātu ilgtspējīgu un sociāli akceptējamu izejvielu piegādi bioekonomikas sektoram. Pētījumu programmā vērtējam tehnoloģisko procesu efektivitātes palielināšanas iespējas, aprobējam efektīvākus mežsaimniecības plānošanas risinājumus un izstrādājam mežsaimniecības instrumentus, kas palīdz mazināt meža apsaimniekošanas negatīvo ietekmi uz vidi.

Pētījuma programmas īstenošana noris bez būtiskām novirzēm, uzdevumu izpilde atbilstoši saskaņotajam darba plānam (1. tabula). Darba uzdevumā “Enerģētiskās koksnes uzglabāšana krautuvēs”, programmas ietvaros turpinās datu ievākšana un apstrāde atbilstoši plānotajam. Darba uzdevuma “Forvardera greifera svari meža biomasas apjoma noteikšanai” izpilde notiek atbilstoši plānotajam, datu apjoms ievākts ar divām svēršanas sistēmām. Ņemot vērā mežizstrādes mašīnu ražotāja izstrādātajās sistēmu priekšrocības, salīdzinot ar neatkarīga piegādātāja svaru sistēmu, turpmākajos pētījumos jākoncentrējas uz tehnikas ražotāju izstrādātajiem risinājumiem, kas nodrošina integrāciju ar tehnikas IT sistēmām. Darba uzdevuma “Šķeldu kravu piepildījuma izmaiņu monitorings un vienādojumu izstrādāšana kravu piepildījuma samazināšanās prognozēšanai” izpilde atbilst koriģētajam plānotajam. Atsevišķas nobīdes saistāmas ar piegāžu procesu un remontdarbiem materiāla nodošanas punktā, tāpēc daļa no apstrādātajiem datiem nav izmantojama rezultātu analīzei. Veicot regulāras apmācības šķeldu kravu piepildījuma video fiksēšanai, ir panākts būtisks uzlabojums datu ieguves kvalitātē. Neskatoties uz to, izstrādātie sablīvēšanās modeļiem neuzrāda augstu ticamību. Papildus nepieciešams identificēt precizitāti ietekmējošos faktorus. Darba uzdevuma “Forvardera atstāto risu mērīšanas iekārtas izstrāde” ietvaros izstrādātais prototips RM1darbojās ražošanas apstākļos. Darba vides specifikas rezultātā veikti atsevišķi uzlabojumi, kuri nodrošina iekārtas darbības nepārtrauktību un nerada apgrūtinājumu tehnikas pārvadājumos. Papildus izstrādāta uzmērīšanas sistēma (RM2), kur darbības pamatā ir RM1 dati. RM2 sistēmas mērījumu precizitāti neietekmē tehnoloģiskās brauktuves nostiprināšana un tā ir vismaz tikpat precīza kā RM1 sistēma, bet ir nepieciešama datu pēcapstrāde un precizitāti var ietekmēt sākotnējā zemes virsmas modeļa izveide. Ja rises veidojas jau pirmajā braucienā, tad izmantotais reljefa modelis neatbilst reālajai situācijai. Darba uzdevuma “Forvardera datorprogrammu pielietojuma izpēta” ietvaros izstrādāts programmas prototips datu importēšanai, kas nodrošina datu uzkrāšanu un sniedz iespēju modelēt datu apstrādes iespējas. Papildus, apzinātas ražotāja nodrošinātās datu uzkrāšanas iespējas, izmantojot “mākoņpakalpojumus”. Nepieciešams turpināt darbu pie datu uzkrāšanas un apstrādes risinājumu pārbaudes, balstoties uz ražošanas datiem. Darba uzdevuma “Algoritmu pilnveidošana kopšanas ciršu attālinātai kontrolei”, atbilstoši plānotam, pabeigta datu ieguve. Izvērtēts programmas pielietojums, definēti nepieciešami pilnveidojumi programmas pilnveidei, lai uzlabotu modelēto datu kvalitāti.

Tabula 1. Plānoto uzdevumu sagatavošanas 2022. gada progress

Pētījumi, uzdevumi	Darbības, nodevumi	Izpildes termiņš	Statuss uz 30.12.2022
1. Meža biokurināmā ražošanas un piegāžu tehnoloģiju pilnveidošana un aprobācija
1.1. Enerģētiskās koksnes uzglabāšana krautuvēs	Darba nolūks: Enerģētiskās koksnes uzglabāšana krautuvēs. Lauka darbi: reizi mēnesī ievākt paraugus no meža biomasas krautuvēm; reizi mēnesī manuāli un ar fotogrammetrijas metodi uzmērīt meža biomasas krautuvēm; koordinēt sagatavotā materiāla šķeldošana reizi 3 mēnešos; ievākt rūpnieciski sagatavoto šķeldu paraugus, veikt šķeldu kravu svēršanu. Kamerālie darbi: aprobēt metodiku koksnes mineralizācijas modeļa izstrādei; pārbaudīt datu ieguves kvalitāti un nepieciešamības gadījumā pilnveidot darba metodes vai apmācīt personālu; analizēt biomasa paraugus laboratorijā – mitruma saturs, īpatnējais blīvums, pelnainība un siltumspēja; sagatavot prognožu modeļa prototipu, izmantojot pētījumā iegūto datu kopu; plānot bezpilota lidaparātu maršrutus, saskaņot tos ar Civilās aviācijas aģentūru; analizēt un aprakstīs pētījuma 2022. gada rezultātus etapa pārskatā. Nodevums: Enerģētiskās koksnes krautuvju tilpuma, mitruma un siltumspējas izmaiņu raksturojums pārskata periodā (2022. gadā). Biomasu raksturojošo rādītāju (mitruma saturs, īpatnējais blīvums, pelnainība un siltumspēja) izmaiņu raksturojums monitoringa periodā. Pētījuma 2022. gada rezultātu apraksts etapa pārskatā.	15.01.2023	Enerģētiskās koksnes krautuvju tilpuma, mitruma un siltumspējas izmaiņu raksturojums pārskata periodā, izpilde atbilstoši plānotajam uz 30.12.2022 (100%) Biomasu raksturojošo rādītāju izmaiņu raksturojums monitoringa periodā, izpilde atbilstoši plānotajam uz 30.12.2022 (100%)
1.2. Forvardera greifera svari meža biomasas apjoma noteikšanai	Darba nolūks: svaru sistēmas uzstādīšana, funkcionalitātes un sistēmas izvērtējums. Lauka darbi: LVMI Silava rīcībā esošo svaru uzstādīšana, operatoru apmācība, darba metožu pārbaude praksē; apsekot un atlasīt potenciālos pētījuma objektus; novērtēt datu ievākšanas kvalitāti; ievākt datus pētījuma objektos, izmantojot pusautomātisko svēršanas metodi un konvencionālās metodes. Kamerālie darbi: apkopot zinātniskajā literatūrā pieejamos datus par biomasas pievešanas uzskaites metodēm; izstrādāt telpisko datu uzkrāšanas un apstrādes risinājumus; apkopot un analizēt pētījumā iegūto datu kopu un novērtēt sakarības; iegādāties mērījumiem nepieciešamo aprīkojumu (baterijas, smērvielas); izstrādāt tehniskos norādījumus svaru izmantošanai ražošanas apstākļos; saskaņot empīrisko datu	15.01.2023	Biokurināmā svēršanas sistēmas pielietošanas praktisko aspektu analīze izpildīta. Biomasas pievešanas datu analīze un sakarību izvērtējums atbilstoši plānotajam.

Pētījumi, uzdevumi	Darbības, nodevumi	Izpildes termiņš	Statuss uz 30.12.2022
	ieguvi ar LVM un nepieciešamības gadījumā koriģēt izpētes platības; aprakstīt pētījuma 2022; gada rezultātus etapa pārskatā. Nodevums: Biokurināmā svēršanas sistēmas pielietošanas praktisko aspektu analīze. Biomasas pievešanas datu analīze un sakarību izvērtējums. Pētījuma 2022. gada rezultātu apraksts etapa pārskatā.
1.3. Šķeldu kravu piepildījuma izmaiņu monitorings un vienādojumu izstrādāšana kravu piepildījuma samazināšanās prognozēšanai	Darba nolūks: šķeldu kravu piepildījuma prognožu algoritmu pilnveidošana Lauka darbi: ievākt šķeldu paraugus no 130 kravām; iegūt kontroles datus (attālus) augšgala krautuvē, izmantojot video un fotofiksācijas metodes (vismaz 5% no pētījumam nepieciešamajām kravām); ievākt šķeldu paraugus papildus 44 kravām. Kamerālie darbi: modelēto datu pārbaudei vismaz 44 šķeldu paraugos veikt kontrolmērījumus, nosakot šķeldu mitruma saturu, bēruma blīvumu un siltumspēju; pārbaudīt empīrisko datu ieguves kvalitāti un pilnveidot datu ieguves procedūru; analizēt kravu piepildījuma datus; izstrādāt datu matemātiskās analīzes metodi; īstenot sākotnējo kvalitātes kontroli kravu piepildījuma datiem augšgala un lejasgala krautuvē, izmantojot Agisoft programmu; analizēt nobraukumu; sistematizēt mērījumu datus; aprēķināt kravu piepildījuma izmaiņas un raksturot likumsakarības, vērtējot dažādu faktoru individuālo un kumulatīvo ietekmi; aprēķināt šķeldu prognozētās īpašības, ja nebūs pieejami mērījumu dati; salīdzināt ar prognožu vienādojumiem iegūtos un faktiskos šķeldu īpašību rādītājus; izstrādāt un aprobēt metodi nobrauktā attāluma un braukšanas apstākļu (brauktuves veids, ātruma režīms) raksturošanai, tajā skaitā izmantojot akselerometra rādījumus kumulatīvās vibrācijas raksturošanai; aprobēt metodi mežizstrādes atlieku kaudžu rukuma prognozēšanai uzglabāšanai laikā un rukumu ietekmējošo faktoru sakarību analīzei; izstrādāt/pilnveidot sākotnējos vienādojumus šķeldu sablīvēšanās raksturošanai, atkarībā no piegādes attāluma, autovilciena veida un smalcināmā materiāla īpašībām; aprakstīt pētījuma 2022. g. rezultātus etapa pārskatā. Nodevums: Sākotnējie vienādojumi šķeldu sablīvēšanās raksturošanai, atkarībā no piegādes attāluma, autovilciena veida un smalcināmā materiāla īpašībām. Pētījuma 2022. gada rezultātu apraksts etapa pārskatā.	15.01.2023	Izstrādāti sākotnējie vienādojumi šķeldu sablīvēšanās raksturošanai, izpilde atbilstoši plānotajam.

Pētījumi, uzdevumi	Darbības, nodevumi	Izpildes termiņš	Statuss uz 30.12.2022
2. Meža tehnikas monitoringa sistēmu un datu automatizētās apstrādes instrumentu pilnveidošana un ieviešana ražošanā
2.1. Forvardera atstāto risu mērīšanas iekārtas izstrāde	Darba nolūks: RTK LiDAR sistēmas uzstādīšana un funkcionalitātes pārbaude. Lauka darbi: instruēt 2022. gadā pētījumā iesaistītos forvarderu operatorus; 2021. gadā izveidotos prototipus testēt lauka apstākļos; veikt risu dziļuma kontrolmērījumus ar konvencionālām metodēm. Kamerālie darbi: izstrādāt pētījuma pašorganizācijas sistēmu (ievācamie dati, to uzglabāšanas, apstrādes un publicēšanas kārtība); izstrādāt LiDAR RTK sistēmu, vadības bloku un atbilstošu IT risinājumu, pārbaudīt to funkcionalitāti; analizēt brauktuvju raksturojošos rādītājus, izstrādāt rekomendācijas sistēmas pilnveidošanai atbilstoši testu rezultātiem; aprakstīt pētījuma 2022. gadus rezultātus etapa pārskatā. Nodevums: Tehniskās prasības, izstrādāto iekārtu specifikācijas. Pētījuma 2022. gada rezultātu apraksts etapa pārskatā.	15.01.2023	Tehniskās prasības, izstrādāto iekārtu specifikācijas sagatavotas atbilstoši plānam (100%).
2.2. Forvarderu datorprogrammu pielietojuma izpēte	Darba nolūks: Pētījuma metodikas izstrādāšana, forvarderu sistēmas gatavības novērtējums. Lauka darbi: nav paredzēti. Kamerālie darbi: analizēt zinātnisko un tehnisko literatūru; izstrādāt pētījuma metodiku; forvarderu IT sistēmu gatavības novērtējums; datu izmantošanas iespēju analīze; aprakstīt datu ieguves, uzkrāšanas un matemātiskās analīzes procedūru; aprakstīt pētījuma 2022. g. rezultātus etapa pārskatā. Nodevums: Forvarderu IT sistēmas iespēju izvērtējums. Priekšlikumu sagatavošana padziļinātai izpētei. Pētījuma 2022. gada rezultātu apraksts etapa pārskatā.	15.01.2023	Forvarderu IT sistēmas iespēju izvērtējums veikts atbilstoši plānam.
3. Automatizētas sistēmas izveide meža taksācijas rādītāju noteikšanai un kopšanas ciršu kvalitātes novērtēšanai
3.1. Algoritmu pilnveidošana kopšanas ciršu attālinātai kontrolei	Darba nolūks: Empīriskā materiāla ievākšana ar augstas precizitātes zemes LiDAR hprGallring programmas aprēķinu neprecizitāšu iemeslu skaidrošanai skuju koku audzēs. Sakarību analīze koku caurmēra un skaita atšķirību noteikšanai pēc kopšanas. Rekomendāciju sagatavošana programmas pilnveidošanai taksācijas rādītāju noteikšanas precizitātes palielināšanai. Lauka darbi: atlasīt un iezīmēt cirsmas pētījuma vajadzībām; veikt audžu vienlaidus dastošanu,	15.01.2023	Rekomendācijas programmas pilnveidošanai taksācijas rādītāju noteikšanas precizitātes palielināšanai sagatavotas atbilstoši plānotajam.

Pētījumi, uzdevumi	Darbības, nodevumi	Izpildes termiņš	Statuss uz 30.12.2022
	nosakot individuālu koku izvietojumu pirms un pēc mežizstrādes; uzmērīt audzes ar lāzerskenēšanas metodi un bezpilota lidaparātu, kā arī ar parauglaukumu metodi lāzerskenēšanas datu kalibrēšanai un sugu sastāva raksturošanai Kamerālie darbi: izstrādāt pētījuma pašorganizācijas sistēmu (ievācamie dati, to uzglabāšanas, apstrādes un publicēšanas kārtība); pilnveidot pētījuma metodiku; veikt jaunākās zinātniskās un tehniskās analizēs literatūru; analizēt prognožu datus un vērtēt prognožu kvalitāti; plānot bezpilota lidaparātu maršrutus, saskaņot tos ar Civilās aviācijas aģentūru; analizēt telpiskos datus un salīdzināt tos ar hprGallring prognožu datiem; analizēt koku caurmēra atšķirības, salīdzinot mērījumus un hprGallring prognozi; sagatavot rekomendācijas programmas pilnveidošanai taksācijas rādītāju noteikšanas precizitātes palielināšanai; aprakstīt pētījuma 2022. gada rezultātus etapa pārskatā. Nodevums: Pētījuma 2021. gada rezultātu apraksts etapa pārskatā. Rekomendācijas programmas pilnveidošanai taksācijas rādītāju noteikšanas precizitātes palielināšanai.

1. MEŽA BIOKURINĀMĀ RAŽOŠANAS UN

PIEGĀŽU TEHNOLOĢIJU PILNVEIDOŠANA UN APROBĀCIJA

1.1. Enerģētiskās koksnes uzglabāšana krautuvēs

Pētījuma mērķis ir novērtēt meža biomasas kvalitātes izmaiņas uzglabāšana laikā augšgala krautuvē, tajā skatā novērtēt krautuves izmēru izmaiņas, šķeldu siltumspējas un mitruma satura izmaiņas un tās ietekmējošos faktorus. 2022. gada darba uzdevums ir koksnes biokurināmā kaudžu monitorings un iegūto datu apstrāde. Darbības “Enerģētiskās koksnes uzglabāšanai krautuvēs”. Izmēģinājumu metodika sagatavota un ziņota 2021. gada etapa pārskatā (LVMI Silava, 2021). 2022. gadā turpinās datu ievākšana un apstrāde saskaņā ar iepriekš izstrādāto metodiku.

Pētījuma ietvaros līdz 2022. gadam izstrādāta metodika, kurā ietverta lauku darbu datu ievākšana, pirmapstrāde un meža biomasas apjoma noteikšana, izmantojot mežaudzes taksācijas rādītājus. Lai noteiktu pievestā biokurināmā apjomus un salīdzinātu ar teorētiski aprēķināto, veikta materiāla svēršana, izmantojot forvardera greifera svarus. Pēc biokurināmā nokraušanas veikta regulāra krautuves pārmērīšana, izmantojot manuālo un fotogrammetrijas metodi. Biokurināmā raksturošanai ievākti paraugi laboratoriskajiem mērījumiem – koksnes mitrums, pelnu saturs, siltumspēja, tilpumblīvums (šķeldotam materiālam). Uzsākta iegūto datu apstrāde un biokurināmā krautuvju rukumu ietekmējošo faktoru izvērtēšana.

1.1.1. 2022. gada izpētes rezultāti

Meža biomasa izmēģinājumiem pievesta no 8 izmēģinājumu objektiem (atjaunošanas cirtes lauksaimniecības zemju apaugumā) un novietots 16 krautuvēs, kurās reizi mēnesī, izmantojot manuālo un fotogrammetrijas metodi, notiek krautuvju augstuma un tilpuma mērījumi (Tabula 1.1. tabula).

Daļai pievestā materiāla (10 krautuves jeb 1. krautuvju grupa) augšgala krautuvju ierīkošanas vieta izmēģinājumu objektu plānošanas procesā izvēlēta īpaši, lai nodrošinātu līdzīgus izmēģinājuma apstākļus (krautuves novietojums attiecībā pret valdošajiem vējiem un iespēja veidot vairākas atsevišķas krautuves, katrā nokraujot ap 60-80 ber. m3 biomasas). Pārējo augšgala krautuvju (6 krautuves jeb 2. krautuvju grupa) ierīkošana veikta saskaņā ar prasībām, kādas jāievēro ražošanas apstākļos. Tās izmantotas kontroles nolūkos, lai novērtētu biomasas īpašību izmaiņu sakarības ražošanas un eksperimentālos apstākļos.

Cirsmas abās krautuvju grupās:

1. krautuvju grupa, ko veido audzes 000-000-00, 000-000-00, 000-000-00 – objekti, kuros datu ievākšana un šķeldošana notiek atbilstoši izstrādātam grafikam (šķeldošana vienu reizi trīs mēnešos);

2. krautuvju grupa, ko veido audzes 000-000-0, 000-000-00, 000-000-0, 000-000-00, 604-514- 1, 000-000-00 – objekti, kuros datu ievākšana notiek atbilstoši izstrādātam grafikam, bet šķeldošanu veic saskaņā ar ražošanas uzstādījumiem.

Pamatinformācija par 16 izveidotajām krautuvēm apkopota Tabula 1.1. tabulā.

Tabula 1.1. Krautuvju pamatinformācija

Krautuvju grupa	Cirsmas identifikācija	Krautuves kods	Pirmais krautuves uzmērīšanas datums	Krautuves garums, m	Krautuves platums, m	Biomasas uzglabāšanas ilgums, dienas	Krautuves statuss
1	000-000-00	LVM_509_292_24_10	2021-10-01	13	8	396	-
		LVM_509_292_24_6	2021-10-01	15	8	92	sašķeldota
		LVM_509_292_24_7	2021-10-01	14	8	273	sašķeldota
		LVM_509_292_24_8	2021-10-01	14	8	396	-
		LVM_509_292_24_9	2021-10-01	14	8	396	-
	000-000-00_14	LVM_509_296_13_14_1	2021-11-01	12	8	30	sašķeldota
		LVM_509_296_13_14_2	2021-09-01	14	8	181	sašķeldota
		LVM_509_296_13_14_3	2021-09-01	14	8	365	sašķeldota
		LVM_509_296_13_14_4	2021-09-01	14	8	395	-
		LVM_509_296_13_14_5	2021-09-01	14	8	395	-
2	603-221-3	LVM_AM_SK00249	2021-09-01	11	6.5	334	sašķeldota
	000-000-00; 000-000-0	LVM_AR_SK00207	2021-09-01	19	7.5	153	sašķeldota
	000-000-00	LVM_DD_SK00326	2021-10-01	17	7	396	-
	000-000-0	LVM_JO_SK00110	2021-11-01	24	7	365	-
	000-000-00	LVM_JO_SK00111_N	2021-11-01	63	7	365	-
		LVM_JO_SK00111_S	2021-11-01	32	7	365	-

Visā biomasas uzglabāšanas laikā krautuvju augstums pakāpeniski samazinājās – vidēji par 0,17 (±0,15) cm diennaktī-1 (1.1. attēls). Izņēmums ir 1. grupas krautuve pie cirsmas 000-000-00 (1.2. attēls), kurā, saskaņā ar iegūtajiem datiem, konstatēta krautuves augstuma palielināšanās. Tas skaidrojams ar krautuves veidošanas procesa ietekmi uz krautuves formas izmaiņām biomasas uzglabāšanas laikā, kad, materiālam žūstot un nobirstot lapām, krautuves aizmugurējā daļa saplok, bet priekšējā daļa noslīd uz aizmuguri un paceļas, radot iespaidu, ka krautuve ir palielinājusies (1.2. attēls). Izslēdzot no aprēķiniem 1. grupas krautuves no cirsmas 000-000-00, kur konstatēts augstuma pieaugums, vidējais krautuvju augstums samazinājums ir -0,27 (±0,11) cm diennaktī -1.

Attēls 1.1. Vidējās krautuves augstuma izmaiņas.

Attēls 1.2. Pirmās grupas krautuves pie cirsmas 000-000-00.

Palielinoties krautuves sākotnējam augstumam, tās sarukšana notiek ātrāk (1.2. tabula).

Tabula 1.2. Krautuves sākotnējā vidējā augstuma un rukuma attiecība

Vidējais augstums, m	1. grupas krautuves	2. grupas krautuves
1	0,07	-0,01
2	0,12	-0,08
3	0,29	-0,11
4	-0,24	-0,22
5	-0,2	-0,29
6	-0,33	-0,36

Izmēģinājuma ietvaros, izmantojot lineāro jaukta efekta regresijas modeli (Linear mixed- effects regression models), visām 16 krautuvēm veikta rukumu ietekmējošo faktoru analīze. Lineārais jauktu efektu regresijas modelis ir vienkāršu lineāro modeļu paplašinājums, kas atļauj veikt gan fiksētu, gan nejaušu faktoru analīzi. Izveidotajā modelī ir iekļauti 4 rukumu ietekmējošie faktori (1.3. tabulaTabula 1.3), taču modelis ir veidos tā, lai nepieciešamības gadījumā to varētu papildināt, pievienojot vēl citus faktorus.

Būtiskākie rukumu ietekmējošie faktori ir materiāla uzglabāšanas dienu skaits augšgala krautuvē (AGK) no izmēģinājuma sākuma (α < 0,001); vidējais relatīvais (faktiskais) gaisa mitrums, % (α < 0,05); nokrišņu daudzuma summa periodā, mm; un perioda garums (α < 0,05; 1.3. tabula).

Tabula 1.3. Krautuvju rukuma ietekmējošo faktoru izkliedes rādītāji

Faktori	Hī-kvadrāts (x2)	Sagaidāmā Hī- kvadrāta (x2) vērtība	Alfa vērtības
Nokrišņu daudzuma summa, mm	4,109	0,042	p < 0,05
Relatīvais (faktiskais) gaisa mitrums, %	5,597	0,018	p < 0,05
Perioda garums, dienas	4,743	0,029	p < 0,05
Materiāla uzglabāšanas dienu skaits AGK, dienas	42,551	0,00	p < 0,001

Rukuma prognozēšanai izstrādāts vienādojums (1. formula), kas ietver visus ietekmējošos faktorus. Vienādojuma koeficienti doti 1.4. tabulā. 2022. gadā veikts atkārtots rukuma prognozes pārrēķins, izmantojot no jauna iegūtos datus. Rezultāts parāda, ka esošais modelis izskaidro 54% no kopējās datu izkliedes. Palielinoties iegūto datu apjomam, pieauga arī datu izkliede, līdz ar ko rukuma prognozēšanas modeļa precizitāte samazinājās. Pētījumā secināts, ka ražošanas apstākļos modelī nepieciešams izmantot vienkārši pieejamus datus, tāpēc turpmākajos izpētes etapos vienkāršosim aprēķinu metodi, samazinot izmantojamo parametru skaitu.

𝑅 = ∫ +(𝑏2 × 𝑘2) + (𝑏4 × 𝑘4) + (𝑏6 × 𝑘6) + (𝑏7 × 𝑘7) 𝑘𝑢𝑟: 𝑏2– nokrišņu daudzuma summas rādījums, mm, starp uzmērīšanas reizēm; 𝑏4– relatīvais (faktiskais) gaisa mitruma rādījums (%) starp uzmērīšanas reizēm; 𝑏6– perioda ilgums,dienas (dienu skaits starp uzmērīšanas reizēm); 𝑏7– kopējais dienu skaits kopš AGK izveidošanas, dienas.
(1)

Tabula 1.4. Modelētie krautuvju rukuma faktori un vērtības

Modelī iekļautie faktori			Standartkļūda	t-vērtība	p-vērtība
Nosaukums	koeficients	vērtības
Int	int	-18,1471	7,0873	-2,561	0,013
Nokrišņu daudzuma summa, mm	k2	-0,4543	0,0224	-2,027	0,046

Modelī iekļautie faktori			Standartkļūda	t-vērtība	p-vērtība
Nosaukums	koeficients	vērtības
Relatīvais (faktiskais) gaisa mitrums, %	k4	0,1649	0,0697	2,366	0,021
Perioda garums, dienas	k6	0,2470	0,1134	2,178	0,032
Dienas kopš augšgala krautuves izveidošanas, dienas	k7	0,0500	0,0077	6,523	0,000

Krautuvju vidējais tilpums turpina samazināties proporcionāli augstuma rukumam (1.3. attēls), norādot uz to, ka krautuvju “nosēšanās” notiek ilgstoši. Grafikā redzams, ka nosēšanās ātrums gada laikā ir tuvs lineāram.

Attēls 1.3. Vidējās tilpuma izmaiņas atkarībā no mērījuma veikšanas veida.

Salīdzinot krautuvju tilpuma atšķirības, izmantojot dažādas uzmērīšanas metodes, ar bezpilota gaisa kuģi veiktie krautuvju mērījumi uzrāda vidēji par 139 m3 lielāku tilpumu. Šādas atšķirības veidojas, jo, uzmērot krautuvi manuāli, aprēķinos neiekļauj atsevišķas krautuves daļas, kurās meža biomasa nav blīvi nokrauta vai ir novietotas atsevišķas galotnes.

Lai prognozētu krautuvē esošo šķeldu apjomu, nepieciešams izmantot pārrēķina koeficientus. Izmēģinājuma ietvaros iegūtie koeficienti doti 1.5. tabulā. Krautuvju uzmērīšanā izmantojot bezpilota gaisa kuģi, vidējais tilpīguma koeficients tikko pievestai biomasai ir 0,30; tomēr, iegūstot lielāku datu apjomu, koeficients var precizēties.

Tabula 1.5. Tilpīguma koeficienti

Gads	Mēnesis	Izmantojot bezpilota gaisa kuģi	Uzmērot manuāli
2021	septembris	0,24	0,31
	oktobris	0,29	0,35
	novembris	0,28	0,34
	decembris	0,32	0,36
	janvāris	0,36	0,37
	februāris	0,31	0,35
	marts	0,30	0,34
	aprīlis	0,29	0,35
	maijs	0,30	0,36
	jūnijs	0,29	0,36
	jūlijs	0,29	0,36
	augusts	0,32	0,34
2022	septembris	0,36	0,33

Izmēģinājuma rezultāti parāda, ka vidējais relatīvais mitruma saturs krautuvēs pievestajā meža biomasā pieaug (virs 45%) no materiāla pievešanas brīža (septembris līdz novembris) un pirmos uzglabāšanas mēnešus, kas sakrīt ar ziemas periodu (1.4. attēls). Iestājoties siltākam laikam (marts – augusts), relatīvā mitruma saturs uzglabājamajā materiālā pakāpeniski samazinās (līdz 29%) meteoroloģisko apstākļu ietekmē, kas atbilst līdzšinējo pētījumu rezultātiem (Gautam et al. 2021; XXXXX 2019; Xxxxx 1999; Xxxxxxx et al. 2020).

Attēls 1.4. Vidējās relatīvā mitruma satura izmaiņas.

Mitruma izmaiņu sadalījumā pa krautuvju grupām būtiskas atšķirības nav konstatētas (1.5. un 1.6. attēls). Palielinoties biokurināmā uzglabāšanas ilgumam krautuvē, vērojama nepārtraukta relatīvā mitruma satura samazināšanās tendence.

Attēls 1.5. Relatīvā mitruma satura izmaiņas 1. grupas krautuvēs.

Attēls 1.6. Relatīvā mitruma izmaiņas 2. grupas krautuvēs.

Krautuvēs esošā materiāla siltumspēja raksturota ar meža biomasas zemāko siltumspēju (MWh t-1), t.i. siltumspēju ietekmē gan materiāla ķīmiskais sastāvs, blīvums, piemaisījumu daudzums un mitruma saturs.

Saskaņā ar pētījuma rezultātiem, vidējais relatīvā mitruma saturs koksnē krautuvēs sākotnēji bija 46 (±4) %, vidējais pelnu saturs 1,3 (±0,6) %, zemākā siltumspēja vidēji 2,48 (±0,25) MWh t-1 (1.6. tabula). Vērtējot mitruma satura izmaiņas, piemērotākais krautuvju šķeldošanas mēnesis ir augusts, kad meža biomasas vidējā zemākā siltumspēja ir vislielākā. Biomasas uzglabāšanas laikā, samazinoties relatīvajam mitruma saturam, vidēji par 31% palielinās zemākās siltumspējas rādītājs, tajā skaitā 1. krautuvju grupas objektiem – par 37%, un 2. krautuvju grupas objektiem – par 25%). Siltumspējas pieaugums notiek, pateicoties koksnes žūšanai.

Tehnoloģijas meža apsaimniekošanas procesu efektivitātes paaugstināšanai

Tabula 1.6. Biokurināmā raksturojošie rādītāji atkarībā no uzglabāšanas ilguma

Grupas Nr.	Nosaukums	2021. gads				2022. gads
		septembris	oktobris	novembris	decembris	janvāris	februāris	marts	xxxxxxx	xxxxx	xxxxxx	xxxxxx	xxxxxxx	septembris	oktobris
1	Relatīvais mitrums, %	-	47,3	44,9	50,9	52,6	49,4	46,5	32,9	41,0	42,2	34,7	32,6	37,5	39,6
	Pelnu daudzums, %	-	0,9	1,4	1,8	1,9	1,7	2,1	1,3	1,3	0,7	1,8	1,9	2,4	2,2
	Zemākā siltumspēja, MWh	-	2,4	2,6	2,2	2,2	2,4	2,4	3,2	2,7	2,7	3,1	3,3	3,0	2,9
2	Relatīvais mitrums, %	40,7	42,7	45,8	52,3	53,8	49,6	48,5	44,9	37,0	36,5	38,1	30,0	35,2	36,5
	Pelnu daudzums, %	1,7	2,3	2,2	2,3	2,1	1,7	1,9	1,9	1,5	1,1	2,0	2,3	2,4	2,1
	Zemākā siltumspēja, MWh	2,8	2,6	2,5	2,1	2,1	2,3	2,5	2,6	2,9	3,0	3,0	3,5	3,1	3,0

Biomasas prognožu modeļa pilnveide plānota pētījumu programmas 2023. gada etapā, iegūstot empīriskos datus no atlikušajām šķeldu krautnēm un ar iegūtajiem datiem papildinot rukuma prognozēšanas vienādojumu. 2023. gadā turpināsim biomasas uzglabāšanas AGK ietekmes izvērtējuma uz sagatavotā meža biomasas apjomu, siltumspēju un citiem kvalitāti raksturojošiem parametriem.

1.1.2. Sākotnējie secinājumi un rekomendācijas

Uzglabāšanas laikā mitruma saturs meža biomasā samazinās un zemākā siltumspēja pieaug proporcionāli mitruma satura izmaiņām, sasniedzot maksimumu vasaras mēnešos un samazinoties ziemas mēnešos. Pēc 14 mēnešus ilgas uzglabāšanas nav konstatēta zemākās siltumspējas samazināšanās, taču būtiska ietekme var būt 2023. gada ziemas un pavasara mēnešiem, kad koksne atkārtoti izmirks.

Pētījumā meža biomasa pievesta tūlīt pēc izstrādes, tāpēc tā neraksturo mežizstrādes atlieku uzglabāšanas cirsmā ietekmi uz mitruma satura un citu parametru izmaiņām. Šī ietekme var būt nozīmīga, un tā ir jāvērtē, lai iegūtu objektīvus datus par kurināmā īpašību gan meža biomasas krautuvju izmēru izmaiņām.

Krautuves augstums uzglabāšanas laikā sarūk vidēji par 0,27 cm diennaktī. Izmaiņas 14 mēnešu laikā ir prognozējamas un krautuvju rukumu raksturo viegli nosakāmi parametri (uzglabāšanas ilgums, krautnes sākotnējais augstums, nokrišņu daudzums periodā u.c.), tāpēc, iegūstot datus par krautuvju izmēru izmaiņām 36 mēnešu laikā, varēsim izstrādāt vienādojumu, kas prognozēs krautnes izmēru izmaiņas un ļaus precīzāk raksturot pievestās meža biomasas daudzumu un īpašības šķeldošanas laikā.

Krautuvju augstuma un tilpuma izmaiņas ietekmē dažādi faktori, tāpēc tilpuma izmaiņu prognoze saistīta ar lielu nenoteiktību, kuras mazināšanai var pielietot mašīnmācības metodes un lielu empīrisko datu kopu. Lielas empīrisko datu kopas ieguvei tūlīt pēc pievešanas un pirms šķeldošanas jāuzmēra meža biomasas krautuves. Mērīšanas darba apjoma samazināšanai pielietojamas fotogrammetrijas vai lāzerskenēšanas metodes.

1.1.3. Priekšlikumi pētījuma īstenošanai 2023. gadā

Lai sasniegtu pētījumā izvirzīto mērķi (novērtēt meža biomasas kvalitātes izmaiņas uzglabāšanas laikā augšgala krautuvē, tajā skaitā novērtēt krautuves izmēru izmaiņas, šķeldu siltumspējas un mitruma satura izmaiņas un tās ietekmējošos faktorus), 2023. gadā jāturpina lauku darbi un kamerālie darbi. 2023. gadā turpināsim koksnes biokurināmā krautuvju izmēru monitoringu, sekosim biomasas kvalitātes izmaiņām un veiksim krautuvju izmēru analīzi, vērtējot divu gadu laikā iegūtos datus.

Lauku darbi (eksperimentālo datu iegūšanas turpinājums):

• koksnes paraugu ievākšana reizi mēnesī no 1. un 2. grupas krautuvēm siltumspējas un mitruma satura analīzēm;

• 1. un 2. grupas krautuvju uzmērīšana reizi mēnesī, izmantojot manuālo un fotogrammetrijas metodi;

• uzglabātā materiāla šķeldošana reizi trīs mēnešos šķeldu īpašību (siltumspēja, mitruma un pelnu saturs un tilpumblīvums) izmaiņu raksturošanai;

• ražošanas apstākļos 1. grupas krautuvēs sagatavoto šķeldu paraugu ievākšana analīzēm, šķeldu kravu tilpuma mērīšana un svēršana.

Kamerālie darbi:

• ievākto biomasas paraugu (1. krautuvju grupa) analīzes laboratorijā, nosakot mitruma un pelnu saturu un siltumspēju;

• ievākto šķeldas paraugu (1. krautuvju grupa) analīze laboratorijā, nosakot mitruma un pelnu saturu, īpatnējo blīvumu un siltumspēju;

• prognožu modeļa pilnveidošana, izmantojot pētījumā iegūto datu kopu.

Lai pētījuma rezultāti būtu attiecināmi arī uz mežizstrādes atlieku krautuvēm, kurās pievestas mežizstrādes atliekas, kas pirms tam ilgstoši uzglabātas cirsmā, nepieciešams papildināt pētījumu programmu, iekļaujot mežizstrādes atlieku īpašību izmaiņu izvērtēšanu uzglabāšanas lakā arī šādās krautuvēs. Pētījumā jāvērtē krautuvju izmēra, mitruma satura biomasā, siltumspējas un citu meža kurināmo raksturojošo parametru izmaiņas. 2023. gadā jāizstrādā metodika krautuvju sagatavošanai un paraugu ievākšanai, tajā skaitā pirms pievešanas, uzglabāšanas un šķeldošanas laikā, kā arī jāizvēlas izpētes objekti un jāierīko mežizstrādes atlieku krautuves.

1.2. Forvardera greifera svari meža biomasas apjoma noteikšanai

Pētījuma mērķis ir novērtēt forvardera svaru pielietošanas iespējas biomasas pievešanā, lai uzlabotu pievestā materiāla uzskaites precizitāti un nodrošinātu ātrāku ražošanas datu apriti. 2022. gada darba uzdevums ir svaru sistēmas uzstādīšana, funkcionalitātes un sistēmas izvērtējums. Izmēģinājumu metodika pētījuma īstenošanai iekļauta 2021. gada etapa pārskatā (). 2022. gadā metodikā nav veiktas izmaiņas.

Līdz 2022. gadam izstrādāta datu ievākšanas metodika, kas ietver instrukcijas operatoriem saistībā ar datu uzskaiti meža biomasas svēršanas procesā, un datu apstrādes metodika. Datu ievākšanā izmantota viena svēršanas sistēma. Tāpat pilnveidots operatoru apmācības process un datu apstrāde. Kopējā pievešanas attāluma noteikšanā, izmantojot svēršanas vietas un krautuves koordinātes, iegūtie dati nav pietiekami precīzi, jo, nosakot attālumu starp iekraušanas uz izkraušanas vietām, attālums noteikts kā īsākā distance starp diviem punktiem.

1.2.1. 2022. gada izpētes rezultāti

2022. gadā veikta datu ievākšana un apstrāde saskaņā ar iepriekš izstrādāto metodiku. Datu ievākšanā izmantotas divas svēršanas sistēmas (1.7. tabula):

• Intermercato XW 50 PS, kas sākumā uzstādīta uz Xxxxxx Xxxxxx un vēlāk pārcelta uz Ponsse Buffalo forvarderu;

• Xxxx Xxxxx svēršanas sistēma – saskaņā ar ražotāja norādījumiem, tā ir savietojama tikai ar Xxxx Xxxxx forvarderiem (izmēģinājumos izmantots Xxxx Xxxxx 1110G modelis).

Tabula 1.7. Pētījumā izmantoto svaru sistēmu tehnikā specifikācija

Pozīcija	Intermercato XW 50 PS	Xxxx Xxxxx
Svēršanas sistēmas uzstādīšanas vieta	Manipulators	Manipulators
Savienojums	WiFi	Bluetooth
Precizitāte	±4%	±2%
Darba temperatūra	-20 līdz + 30 C0	-30 līdz + 30 C0
Akumulatora baterija	Iekļauta aprīkojumā	Iekļauta aprīkojumā
Vadības sistēma	Iekļauta aprīkojumā (Android)	Xxxx Xxxxx
Saderība ar forvardera datorsistēmu	-	Xxxx Xxxxx
Pārskata formāts	XML/PDF	XML/PDF

Intermercato XP 50 PS svēršanas sistēmu darbojas atsevišķi no forvardera datorsistēmas un tā sastāv no svariem, datu pārraides sistēmas un datu uzskaites sistēmas. Izmēģinājumi ar Intermercato XP 50 PS svēršanas sistēmu veikti laikā no 16.05.2022. līdz 10.10.2022. Kopumā 31 izmēģinājuma objektā uzskaitītas 724,8 forvardera darba stundas, ievācot datus par 10154 t pievestās koksnes no atjaunošanas cirtes (1.8. tabula). Pievedamā biomasa svērta cirsmā un augšgala krautuvē, noteikta arī tehnoloģiskās brauktuves stiprināšanai izmantotā materiāla masa. Šī svēršanas sistēma fiksē satvertā materiāla masu, vietu, kur materiāls satverts un svēršanas laiku.

Automātiskā svēršanas sistēma Intermercato XP 50 PS reģistrē katru darbību, ko veic manipulators, tajā skaitā darbības, kas nav saistītas ar tiešo darbu (degvielas tvertnes, atbalsta ķēžu pārvietošanu u.c.). Lai izmantotu svēršanas uzskaites sistēmas datus, nepieciešama datu pēcapstrāde, kas ietver ar tiešo darbu nesaistītu datu nodalīšu vai arī jāveic manuāla iekrautā materiāla uzskaite, kas saistīts ar papildus darba laika patēriņu.

Tabula 1.8. Svēršanas sistēma Intermercato XP 50 PS iegūto datu kopsavilkums

Objekta identifikācija	Svēršanas vieta	Svēršanas reižu skaits, gab.	Kopējā uzskaitītā masa, t	Kopējais laiks, h	Pievešanas ražīgums, t h-1
000-000-0	Cirsma	1510	391,9	40,6	9,7
000-000-00	Cirsma	2517	564,7	39,4	14,3
000-000-0	Cirsma	5245	1424,6	67,6	21,1
000-000-0	Cirsma	168	41,9	1,5	28,6
	Krautuve	196	76,0	2,7
000-000-00	Cirsma	21	9,3	1,0	9,5
000-000-00	Cirsma	358	85,7	11,5	11,4
	Krautuve	125	65,4	1,8
000-000-00	Cirsma	328	90,1	5,0	25,1

Objekta identifikācija	Svēršanas vieta	Svēršanas reižu skaits, gab.	Kopējā uzskaitītā masa, t	Kopējais laiks, h	Pievešanas ražīgums, t h-1
	Krautuve	140	70,3	1,4
000-000-0	Cirsma	890	189,9	7,5	31,3
	Krautuve	383	158,6	3,6
000-000-00	Cirsma	797	165,4	9,3	22,1
	Krautuve	306	118,9	3,6
000-000-0	Cirsma	2306	420,7	38,1	10,7
	Krautuve	551	240,6	23,9
603-38-5	Cirsma	1115	236,4	18,4	12,7
	Krautuve	14	5,0	0,6
603-38-9	Cirsma	789	160,3	13,2	17,8
	Krautuve	577	276,0	11,3
000-000-00	Cirsma	599	116,1	5,5	10,1
	Krautuve	227	78,2	13,7
000-00-00,8,6	Cirsma	179	66,3	3,8	11,6
	Krautuve	220	103,2	10,8
000-00-00	Cirsma	698	142,5	5,5	30,2
	Krautuve	213	79,1	1,8
000-000-00	Cirsma	229	51,8	2,4	22,6
	Krautuve	70	30,3	1,2
000-00-00	Cirsma	957	186,6	8,7	25,8
	Krautuve	365	138,6	3,9
000-000-0	Cirsma	2165	387,0	39,1	13,1
	Krautuve	573	222,6	7,4
605-48-8	Cirsma	1682	357,9	19,4	21,4
	Krautuve	489	207,9	7,1
000-000-00	Cirsma	218	47,4	11,7	5,3
	Krautuve	111	36,3	4,2
000-000-00	Cirsma	184	42,8	6,1	10,2
	Krautuve	136	47,5	2,8
000-000-00	Cirsma	134	29,3	14,7	3,0
	Krautuve	66	18,3	1,2
000-000-00	Cirsma	241	53,6	7,7	7,6
	Krautuve	167	57,1	6,8
000-000-0	Cirsma	36	6,8	2,6	3,9

Objekta identifikācija	Svēršanas vieta	Svēršanas reižu skaits, gab.	Kopējā uzskaitītā masa, t	Kopējais laiks, h	Pievešanas ražīgums, t h-1
	Krautuve	16	6,4	0,8
000-000-0	Cirsma	192	44,0	9,8	6,1
	Krautuve	209	65,0	8,1
000-000-0	Cirsma	48	10,8	2,5	6,9
	Krautuve	56	16,7	1,5
000-000-0	Cirsma	257	62,4	3,0	22,5
	Krautuve	125	46,8	1,9
Nav identificēts	Cirsma	2237	541,2	69,6	7,9
	Krautuve	956	372,7	46,4
000-000-0,2,3	Cirsma	2028	372,1	23,3	20,6
	Krautuve	705	267,1	7,7
000-000-0	nav identificēts	3237	1052,3	53,6	19,6

Izmantojot Intermercato XW 50 PS svēršanas sistēmu, atsevišķos gadījumos nevar identificēt svēršanas vietu (1.7. attēls). Šāda situācija veidojas, ja attālums starp augšgala krautuvi un cirsmu ir mazāks par 10 m. Tāpat, problēmas datu uzskaitē rada situācija, kad materiālu krautuvē ved no dažādiem nogabaliem. Lai identificētu pievestā materiāla piederību noteiktam nogabalam, svēršanas sistēmā papildus nepieciešams atzīmēt (izvēloties atbilstošo iestatījumu) materiāla atrašanās vietu (cirsma, krautuve vai tehnoloģisko brauktuvju nostiprināšana).

Attēls 1.7. Svēršanas vietu izvietojums nogabalā 000-000-00.

Svēršanas sistēmas uzskaites datus var izmantot informācijas par pievešanas procesā veiktajām darbībām iegūšanai, tajā skaitā:

• izvērtēt pievešanas darbu kvalitāti cirsmā – telpiskie dati parāda, vai visa cirsma ir pievesta (1.8. attēls, zaļie punkti);

• identificēt materiāla ieklāšanas vietas un tehnoloģisko brauktuvju nostiprināšanā izmantotā materiāla daudzumu (1.8. attēls, zilie punkti);

• novērtēt krautuves vietu un pievestā materiāla daudzumu krautuvē (1.8. attēls, violetie punkti).

1 Punkti – svēršanas vietas; līnijas – pievešanas virziens.

Attēls 1.8. Svēršanas sistēmas dati pievešanas procesā veikto darbību atspoguļošanai.

Lai noteiktu meža biomasas pievešanas kopējo attālumu, izmantojot svēršanas sistēmas uzskaites datus, nepieciešami papildus dati – ceļu tīkls un tehnoloģiskā karte. Lai izstrādātu attāluma noteikšanas rīku, papildus Intermercato XW 50 PS svēršanas sistēmu piedāvātajām iesējām, jāizstrādā ģeogrāfiskās informācijas rīks svēršanas sistēmas uzkrāto datu analīzei.

Salīdzinot svēruma rezultātus, konstatēta būtiska (p=0,00) atšķirība svērumos cirsmā un augšgala krautuvē (AGK). Iegūtā atšķirība rezultātos saistīta ar to, ka iekraušanas procesā, vācot iekraušanai paredzēto materiālu, vienu un to pašu saini var uzskaitīt vairākas reizes. Vidējā saiņa masa cirsmā bija 201 ±154 kg, bet AGK 414 ±256 kg. Izkliedes rādītāji vidējā aritmētiskā izteiksmē abos gadījumos ir lieli, norādot uz to, ka, visticamāk, automātiskajā režīmā svari fiksē vienu un to pašu saini vairākas reizes (pie pārtveršanas, pārcelšanas un papildināšanas), tāpēc, lai uzlabotu precizitāti, svēršana jāveic manuāli, fiksējot tikai ieceltos vai izceltos saiņus. Nospiežot svaru vadības pedāli, operators aktivizē svēršanas sistēmu, kas reģistrē iegūto mērījumu.

Lai novērtētu uzmērīšanas precizitāti, veikta 10 pievesto kravu kontrolsvēršana, izmantojot stacionāros svarus. Salīdzinot iegūtos rādītājus, Intermercato XW 50 PS svēršanas sistēmai, kas strādā automātiskā režīmā, konstatēta vidējā mērījuma novirze par 30% (±41%). Izmantojot manuālo svēršanas režīmu divās cirsmās, konstatētā vidējā rādītāja novirze ir -5% (±6%). Manuālā svēršanas režīma izmantošana ļauj būtiski uzlabot svēršanas precizitāti, tomēr tā uzliek papildus pienākumus operatoram – katrreiz ieceļot mežizstrādes atlieku paku, jānospiež pedālis. Pārējās uzskaites darbības notiek automātiski.

Atsevišķos izmēģinājuma objektos (603-38-9; 603-62-6,8,14; 609-195-17) novērota pretēja situācija – cirsmā uzkrautais apjoms ir mazāks par AGK izkrauto (1.8. tabula). Šāda situācija ir skaidrojama ar to, ka svēršanas sistēma, ilgāku laiku (<10 min.) to neizmantojot, pārslēdzas “miega režīmā” vai arī svēršanas sistēmas akumulatora baterija ir izlādējusies un operators to nav ievērojis. Lai novērstu šo problēmu, operatoram pastāvīgi jāseko tam, vai svēršanas sistēmas pārskata logā turpinās svēršanas datu uzskaite un pēc ilgākiem pārtraukumiem jāaktivizē svēršanas programma.

Xxxx Xxxxx svēršanas sistēma ir ražotāju izstrādāta un integrēta forvardera datorsistēmā. Izmēģinājumi ar Xxxx Xxxxx svēršanas sistēmu veikti laikā no 07.10.2022 līdz 21.11.2022. Kopumā 4 izmēģinājuma objektos ievākti dati par 558,6 tonnu pievešanu (1.9. tabula).

Atšķirībā no Intermercato XP 50 PS svēršanas sistēmas, Xxxx Xxxxx greifera svari nesniedz informāciju par pievestā materiāla izvietojumu cirsmā, līdz ar to nevar novērtēt, vai sagatavotais materiāls ir pievests no visām cirsmas daļām. Uzkrautā apjoma uzskaite iespējama vai nu cirsmā vai AGK.

Svēršanas sistēmas datu uzskaite notiek brīdī, kad iekraušanai paredzētais materiālu sainis atrodas noteiktā augstumā virs zemes un manipulators ir pagriezts noteiktā stāvoklī attiecībā pret kravas telpu (iekraušanas procesā tas ir pirms kravas tilpnes statņiem, kad materiāls ir pilnībā pacelts, bet izkraušanas brīdī, kad materiāls ir ārpus kravas tilpnes), tādējādi izslēdzot iespēju, ka iekraušanas procesā, lasot iekraušanai paredzēto materiālu, vienu un to pašu saini uzskaitīs vairākas reizes.

Salīdzinot uzkrautā apjoma atšķirības pret izkrauto, vidējā nobīde ir 0% (±25%). Izmantojot ražotāja piedāvāto risinājumu materiāla svēršanā, sistēma nodrošina automātisku darbību, tomēr operatoram ir manuāli jāreģistrē nosvērtais materiāls. Arī šī sistēma sniedz priekšstatu par pievešanas ražīgumu.

Tabula 1.9. Svēršanas sistēmas Xxxx Xxxxx iegūto datu kopsavilkums

Objekta identifikācija	Kopējā uzskaitītā masa, t	Kopējā patērētā degviela, L	Kopējā distance, km	Kopējais laiks, h	Pievešanas ražīgums, t h-1
21JA345	26,6	41	30,31	3,6	7,3
21JH382	358,0	1903	1706,3	131,5	2,7
22BS108	153,1	333	244,3	89,6	1,7
23IM012	20,0	41	50,7	4,4	4,5

1.2.2. Sākotnējie secinājumi un rekomendācijas

Pētījumā aprobētās svēršanas sistēmas (Intermercato un Xxxx Xxxxx) uzrāda līdzīgu precizitāti. Ja Internercato svariem izmanto manuālo svēršanas režīmu, vērojama vidējā rādītāja novirze -5% (±6%), bet Xxxx Xxxxx svariem, izmantojot automātisko svēršanas režīmu, vidējā rādītāja novirze ir 0% (±25%). Forvarderā integrētā svēršanas sistēma nodrošina plašāku informāciju ne vien par pievesto materiālu, bet arī par citiem rādītājiem (piem. degvielas patēriņš, darba laika izlietojuma sadalījums, nobrauktā distance, tehnikas izmantošanas koeficients u.c.), tāpēc šai svēršanas sistēmai ražošanas apstākļos ir būtiskas priekšrocības. Vienīgais trūkums ir tas, ka ar šo sistēmu nevar novērtēt pievestā materiāla sākotnējo izvietojumu cirsmā, attiecīgi, novērtēt, vai visa cirsma ir pievesta.

Ņemot vērā izmēģinājumos iegūtos sekmīgos rezultātus, ieteicams turpināt Xxxx Xxxxx svēršanas sistēmu ražošanas apstākļos, kā arī izvērtēt citu ražotāju (Ponsse, Komatsu) integrētos risinājumus biomasas svēršanai pievešanas laikā un vērtēt IT risinājumus svēršanas datu pārsūtīšanai no forvardera un krautuvēs uzkrātā materiāla automatizētai uzskaitei.

Veicot izmēģinājumus ar tehnikas ražotāju svēršanas sistēmām, papildus uzmanība jāpievērš darba laika, nobrauktā attāluma un degvielas patēriņa pieaugumam, veicot biomasas svēršanu un jāizstrādā rekomendācijas svaru pielietošanai un iespējamo papildus izmaksu novērtēšanai.

Lai palielinātu pievestā materiāla aprēķinu precizitāti, jāpilnveido aprēķinu vienādojumi meža biomasas īpašību (mitruma saturs) prognozēšanai, atkarībā no mežizstrādes sezonas un biomasas uzglabāšanas ilguma cirsmā.

1.2.3. Priekšlikumi pētījuma īstenošanai 2023. gadā

Lai sasniegtu pētījuma mērķi – uzlabot pievestā materiāla uzskaites precizitāti un nodrošināt ātrāku ražošanas datu apriti – nepieciešams ražošanas apstākļos salīdzināt dažādu ražotāju sistēmu efektivitāti, nosakot svēršanas precizitāti, darbietilpīgumu un papildu iegūstāmos datus. Lauku darbi ietver:

• operatoru apmācības;

• darba metožu aprobēšanu praksē, izmantojot citu ražotāju svaru sistēmas;

• datu ievākšanas kvalitātes sākotnējo novērtējumu, salīdzinot ar AGK iegūtiem datiem;

• biokurināmā svēruma datu iegūšanu LGK; . Kamerālie darbi ietver:

• empīrisko datu ieguves saskaņošanu ar LVM;

• darba uzdevuma un sistēmas sagatavošanas prasību izstrādāšanu pētījumā iesaistītajām tehnikas vienībām;

• pētījumā iegūto datu apkopošanu, analīzi un sakarību novērtēšanu;

• pētījumā "Enerģētiskās koksnes uzglabāšana krautuvēs” izstrādātā modeļa precizitātes izvērtēšanu, izmantojot krautuvju mērījumu datus;

• rekomendāciju sagatavošanas uzsākšanu svaru sistēmu pielietošanai ražošanā.

Paralēli ar izmēģinājumiem ar līdz šim pētījumā neietvertām svaru sistēmām jāturpina datu ieguve ar Xxxx Xxxxx greifera svariem ražošanas apstākļos, pievedot mežizstrādes atliekas, lai iegūtu datu kopu iespējamo problēmu identificēšanai.

1.3. Šķeldu kravu piepildījuma izmaiņu monitorings un vienādojumu izstrādāšana kravu piepildījuma samazināšanās prognozēšanai

Darba uzdevuma “Šķeldu kravu piepildījuma izmaiņu monitorings un vienādojumu izstrādāšana kravu piepildījuma samazināšanās prognozēšanai” mērķis ir izstrādāt vienādojumus šķeldu kravu piepildījuma izmaiņu prognozēšanai, atkarībā no šķeldu transportēšanas attāluma un citiem faktoriem. 2022. gada darba uzdevums ir šķeldu kravu piepildījuma prognožu algoritmu pilnveidošana. Pētījuma metodika iekļauta 2021. gada etapa pārskatā () un 2022. gadā nav mainīta. 2022. gadā turpināta arī iepriekšējā gadā uzsāktā datu ievākšana un apstrāde.

Līdz 2022. gadam izstrādāta datu ievākšanas metodika, kas ietver datu ievākšanu no autotransporta, izmantojot fotogrāfiju un video filmēšanas metodi. Izveidota metodika iegūto datu apstrādei, izmantojot fotogrammetrijas metodi. Tāpat, pilnveidotas instrukcijas operatoriem un veikta viņu apmācība, lai nodrošinātu korektu datu ieguvi, novēršot iepriekšējos izpētes etapos konstatētās problēmas. Uzsākot projekta izpildi, salīdzināta iegūto datu precizitāte, izmantojot

fotogrammetrijas metodi un stacionāru skeneri. Ievākta daļa no pētījumam nepieciešamajiem datiem, kā arī uzsākta kravas sablīvēšanās koeficientu izstrāde smalcinātas koksnes pārvadājumiem ar autotransportu sadalījumā pa sezonām un autotransporta veidiem.

1.3.1. 2022. gada izpētes rezultāti

Dati par relatīvo mitruma un pelnu saturu šķeldās iegūti gan LVMI Silava testēšanas laboratorijā (paraugi ievākti AGK), gan pie patērētāja (paraugi ievākti LGK).

AGK ievāktajos paraugos vidējais relatīvais mitruma saturs ir lielāks (39,7 ± 6 %) nekā LGK ievāktajos šķeldu paraugos (vidējais mitruma saturs 32,9 ±11%), tomēr atšķirība nav statistiski būtiska (1.9. attēls). Mazāki mitruma satura rādītāji LGK saistīti ar atsevišķu paraugu (mitruma saturs 20%) neraksturīgiem rādītājiem šajā paraugkopā.

Vidējais pelnu saturs AGK ievāktajiem šķeldu paraugiem ir 2,1 ±0,5 %, bet LGK ievāktajiem šķeldu paraugiem 2,9 ±1,4 % (1.10. attēls). Atšķirība nav statistiski būtiska.

Attēls 1.9. Relatīvā mitruma saturs šķeldās AGK un LGK.

Attēls 1.10. Pelnu saturs sausnā AGK un LGK.

Salīdzinot relatīvo mitruma saturu šķeldu paraugos (ievākti LGK) laikā no 2020. līdz 2022. gadam, konstatēts, ka mazākais vidējais relatīvais mitruma saturs šķeldās bijis 2020. un 2022. gada vasarā. Salīdzinoši mazi vidējie rādītāji skaidrojami ar to, ka vairākām šķeldu kravām LGK noteiktais relatīvā mitruma saturs atbilst žāvētas koksnes vidējā mitruma saturam (15,2-20,0%, 1.10. tabula). Mazākais pelnu saturs LGK ievāktajos šķeldu paraugos konstatēts 2022. gadā (1.11. tabula). Tas nozīmē, ka pagaidām vēl nav sākusies organiskās vielas mineralizācija uz ko norādītu pelnu satura pieaugums, bet no biomasas izskalojas viegli šķīstošas minerālvielas.

Tabula 1.10. Relatīvais mitruma saturs šķeldās

Gads	Sezona	Šķeldu vidējais relatīvais mitrums, %	Standartnovirze	Minimālā vērtība, %	Maksimālā vērtība, %
2020	vasara	28,2	8,0	15,2	54,6
	rudens	30,7	8,7	18,1	52,9
2021	ziema	35,6	6,2	24,0	55,3
	pavasaris	35,8	9,2	22,0	54,2
	rudens	33,2	7,1	19,0	52,9
2022	ziema	32,8	7,3	21,0	51,7

Gads	Sezona	Šķeldu vidējais relatīvais mitrums, %	Standartnovirze	Minimālā vērtība, %	Maksimālā vērtība, %
	pavasaris	36,9	8,4	19,5	68,2
	vasara	26,5	7,5	15,7	44,2
	rudens	28,4	6,2	18,0	51,5

Tabula 1.11. Vidējais pelnu saturs šķeldās LGK

Gads	Sezona	Vidējais pelnu saturs šķeldās, %	Standartnovirze	Minimālā vērtība, %	Maksimālā vērtība, %
2020	vasara	2,4	1,5	0,8	10,2
	rudens	3,1	1,2	1,0	5,6
2021	ziema	2,8	2,0	0,6	12,1
	pavasaris	3,1	1,9	0,4	6,3
	rudens	2,7	1,3	0,7	8,6
2022	ziema	1,8	1,0	0,5	4,1
	pavasaris	3,2	1,4	0,3	7,7
	vasara	1,7	1,0	0,4	7,1
	rudens	1,7	0,8	0,4	6,1

Šķeldu kravu tilpuma izmaiņas sadalījumā pa transporta veidiem un sezonām analizētas 172 kravām (1.12. tabula). Šķeldu kravu tilpumblīvuma aprēķinos izmantotas 150 kravas, kam iegūti dati par kravas masu pieņemšanas punktā. Atbilstoši pieejamai informācijai, autotransporta svēršana atsevišķos mēnešos nav veikta tehnisku iemeslu dēļ.

Tabula 1.12. Kravu skaita sadalījums atkarībā no autotransporta aprīkojuma un sezonas

Sezona	Autotransporta sadalījums
	Puspiekabe	Konteinervedējs
Ziema	5	11
Pavasaris	33	6
Vasara	16	6
Rudens	84	11

Dabiski mitra materiāla vidējais tilpumblīvums autotransportam, kas aprīkots ar puspiekabi, ir 0,27 (±0,03) t m3 un autotransportam, kas aprīkots ar konteineriem – 0,28 (±0,02) t m3, atšķirība

nav statistiski būtiska (p=0,81). Mērījumu kopsavilkuma dati sezonu griezumā parādīti 1.13. tabulā. Ziemas sezonā ietverti decembra, janvāra un februāra dati. Pavasara sezonā ietverti marta, aprīļa un maija dati. Vasaras sezonā ietverti jūnija, jūlija un augusta dati. Rudens sezonā ietverti septembra, oktobra un novembra dati.

Tabula 1.13. Tilpumblīvuma izmaiņas atkarībā no autotransporta aprīkojuma un sezonas

Autotransporta aprīkojums	Sezona	Vidējais tilpumblīvums AGK2, t m3	Standartnovirze	Vidējais tilpumblīvums LGK, t m3	Standartnovirze	Novērojumu skaits, gab.	Tilpumblīvuma atšķirība AGK un LGK, %
Puspiekabe	ziema	0,29	0,02	0,28	0,02	5	3,4
	pavasaris	0,30	0,04	0,28	0,04	33	5,3
	vasara	0,29	0,03	0,28	0,03	9	4,6
	rudens	0,26	0,03	0,25	0,03	75	3,5
Konteinervedējs	ziema	0,29	0,02	0,28	0,02	11	4,3
	pavasaris	0,27	0,02	0,26	0,02	6	3,7
	vasara	0,32	0,01	0,30	0,02	6	4,2
	rudens	0,30	0,02	0,29	0,02	11	3,9

Izmēģinājuma rezultāti pierāda, ka autotransporta aprīkojuma izvēle būtiski neietekmē (p=0,83) šķeldu kravu sablīvēšanos (vidējā šķeldu kravu sablīvēšanās izmantojot puspiekabi ir 4,0%, bet konteinervedēju – 4,1%). Salīdzinot sablīvēšanās rādītājus dažādās sezonās (1.14. tabula) šķeldu pārvadājumos, izmantojot puspiekabi, mazāks sablīvējums konstatēts ziemā (3,2%), bet pārvadājumos ar konteinervedēju – pavasarī (3,3%), tomēr atšķirība nav statistiski būtiska.

Tabula 1.14. Vidējie šķeldu sablīvēšanās rādītāji dažādās sezonās

Autotransporta aprīkojums	Sezona	Vidējais sablīvējums, %	Standartnovirze
Puspiekabe	Ziema	3,2	0,8
	Pavasaris	5,2	1,1
	Vasara	4,1	1,4
	Rudens	3,6	0,7
Konteinervedējs	Ziema	4,5	0,8
	Pavasaris	3,3	0,5

2 Dabiski mitra materiāla tilpumblīvums.

Autotransporta aprīkojums	Sezona	Vidējais sablīvējums, %	Standartnovirze
	Vasara	4,3	0,8
	Rudens	4,0	0,9

Šķeldu pārvadājumos izmantojot puspiekabi, kravas sablīvēšanās pieaug, palielinoties šķeldu piegādes attālumam (1.11. attēls), kas izmēģinājumos bija no 40 līdz 140 km. Šķeldu pārvadājumos izmantojot konteinervedēju, šķeldu pārvadāšanas attālums (izmēģinājumos no 44 līdz 96 km) būtiski neietekmē šķeldu kravas sablīvēšanos (1.12. attēls). Pētījumā nav iegūts skaidrojums šādai atšķirībai starp transporta veidiem, jo vidējie kravu sablīvēšanās rādītāji LGK starp tehnikas veidiem būtiski neatšķiras (p > 0,05). Pētījumā izvirzīta vēl pārbaudāma hipotēze, ka krava sablīvējas transportēšanas sākumā, nobraucot mazāk par 40 km.

Lai palielinātu kravu sablīvēšanās prognožu modeļa precizitāti, ir jāizvērtē autotransporta pārvietošanās ātruma un braukšanas režīma ietekmi uz šķeldu kravu sablīvēšanos. Līdz šim izmēģinājumos nav iegūts pietiekami daudz datu par autotransporta pārvietošanās ātrumu dažādās ceļa kategorijās.

Attēls 1.11. Šķeldas sablīvēšanās pārvadājumos ar puspiekabi.

Attēls 1.12. Šķeldas sablīvēšanās pārvadājumos ar konteinervedēju.

Sablīvēšanās prognozēšanai šķeldu transportēšanā izstrādāti divi vienādojumi. Izvešanai izmantojot puspiekabi, sablīvēšanos raksturo 2. formula (R2=0,60), formulas koeficienti doti 1.15. tabulā.

𝑆𝑝𝑢𝑠𝑝𝑖𝑒. = −2,04 + 𝑏1 × 0,24 + 𝑏2 × 0,73 + 𝑏3 × 0,04 (2)

Tabula 1.15. Modelētie sablīvēšanās vērtības šķeldu pārvadājumos ar puspiekabi

Modelī iekļautie faktori			Standartkļūda	t-vērtība	p-vērtība
Nosaukums	Koeficients	Vērtības
Int	Int	-2,04	1,35	-1,51	0,13
Sezonas kods	b1	0,24	0,16	1,51	0,14
Vidējā sablīvēšanās (Tabula 1.14)	b2	0,73	0,21	3,46	0,00

Modelī iekļautie faktori			Standartkļūda	t-vērtība	p-vērtība
Nosaukums	Koeficients	Vērtības
Attālums no AGK līdz LGK	b3	0,04	0,00	6,89	0,00

Izvešanai izmantojot konteinervedējus, sablīvēšanos raksturo 3. formula (R2=0,31), koeficienti doti 1.16. tabulā.

𝑆𝑘𝑜𝑛𝑡. = −0,96 + 𝑏2 × 1,27 + 𝑏3 × −0,01 (3)

Tabula 1.16. Modelētie sablīvēšanās vērtības šķeldu pārvadājumos ar konteinervedēju

Modelī iekļautie faktori			Standartkļūda	t-vērtība	p-vērtība
Nosaukums	koeficients	vērtības
Int	Int	-0,96	1,42	-0,68	0,50
Vidējā sablīvēšanās (Tabula 1.14)	b2	1,27	0,37	3,48	0,00
Attālums no enerģētiskās koksnes smalcināšanas vietas līdz patērētājam	b3	-0,01	0,01	-0,53	0,60

Balstoties uz izmēģinājumos iegūtiem datiem, tabulā 1.17. dots aprēķinu piemērs atsevišķām kravām. Izejas dati balstīti uz pārvadātāja sniegto informāciju un noteikto šķeldu tilpumu, kas salīdzināts ar mērījumiem pie patērētāja.

Tabula 1.17. Vienādojuma izmantošanai nepieciešamo izejas datu apkopojuma piemērs

Nr.p.k.	Pavadzīmes Nr.	Datums	Autotransporta aprīkojums	Sezonas kods	Vidējā sablīvēšanās atkarībā no autotransporta veida un	Attālums no enerģētiskās koksnes smalcināšanas vietas līdz	Uzkrautais apjoms ber.m3
1.	AA21752	23.11.2021	puspiekabe	4	3,6	44	99,5
2.	AA76501	29.08.2022	puspiekabe	3	4,1	85	88,1
3.	AA21793	01.12.2021	konteinervedējs	1	4,5	68	80,3
4.	AA76140	23.05.2022	konteinervedējs	2	3,3	74	76,4

Aprēķinātie sablīvēšanās koeficienti pārvadājam kravām doti tabulā 1.18. Šos koeficientus var izmantot enerģētiskās koksnes kravu tilpuma noteikšanai LGK.

Tabula 1.18. Kravu tilpuma aprēķina piemērs

Piemēra Nr.	Izmantojamā formula atkarībā no transporta veida (2. vai 3.)	Aprēķinātā sablīvēšanās	Uzkrautais apjoms ber. m3	Tilpums pie patērētāja, ber. m3 (D-(D*C))
A	B	C	D	E
1.	2	3,308	99,5	96,2
2.	2	5,073	88,1	83,6
3.	3	4,075	80,3	77,0
4.	3	2,491	76,4	74,5

Šķeldu pārvadājumos, kas iekļauti pētījumā, attālums no biomasas šķeldošanas vietas līdz patērētājam nebija mazāks par 44 km (datu apstrādē iekļautās kravas), tāpēc nepieciešams noskaidrot ne tikai ātruma un braukšanas režīma (pilsēta, ārpus pilsētas, grunts ceļš), bet arī attāluma ietekmi, lai novērtētu sablīvēšanās procesa linearitāti, atkarībā no nobrauktā attāluma. Saskaņā ar izmēģinājumos iekļauto pārvadātāju sniegto informāciju par krāvu pārvadājumu attālumu laikā no 2020. līdz 2022. gadam visbiežāk pārvadājumi veikti, kuros attālums vienā virzienā nepārsniedz 50 līdz 90 km robežas.. Pārvadājumu datu grupēšana atbilstoši piegādes attālumam veikta 1.19. tabulā.

Tabula 1.19. Pārvadāšanas attāluma un novērojumu skaita kopsavilkums

Procentuālais sadalījums	Novērojumu skaits	Vidējais attālums, km	Maksimālais attālums grupā, km	Minimālais attālums grupā, km	Pārvadājumu grupa (solis 10 km)
0,3	3	10	10	10	10
7,1	159	17	20	11	20
9.5	212	25	30	21	30
6,8	151	35	40	31	40
14,1	314	46	50	41	50
13,7	304	54	60	51	60
14,5	323	64	70	61	70
10,4	232	76	80	71	80
10,1	224	85	90	81	90
6,4	142	95	100	91	100
1,9	43	104	110	101	110
1,0	22	113	117	111	120
3,3	73	127	130	121	130

Procentuālais sadalījums	Novērojumu skaits	Vidējais attālums, km	Maksimālais attālums grupā, km	Minimālais attālums grupā, km	Pārvadājumu grupa (solis 10 km)
0,9	19	143	172	131	< 140

1.3.2. Sākotnējie secinājumi un rekomendācijas

Izstrādātie tilpumblīvuma izmaiņu aprēķinu koeficienti neparāda izteiktu sakarību ar nobraukto attālumu, tāpēc ražošanas apstākļos, izņemot īpaši lielus (> 120 km) vai mazus (< 40 km) izvešanas attālumus lietderīgi izmantot vidējo tilpumblīvuma izmaiņu rādītāju.

Autotransporta veidam nav konstatēta būtiska ietekme uz tilpumblīvuma izmaiņām šķeldu pārvadājumos.

Aprēķinu vienādojumu precizēšanai ir jānovērtē pārvietošanas attāluma ietekme, piegādājot šķeldas nelielā attālumā, nosakot robežvērtību, kad sablīvēšanās ātrums samazinās.

1.3.3. Priekšlikumi pētījuma īstenošanai 2023. gadā

Lai uzlabotu izstrādātā vienādojumu precizitāti, raksturojot pārvietošanās attāluma ietekmi uz šķeldu sablīvēšanos, nepieciešams papildus vērtēt šķeldu sablīvēšanos, veicot pārvadājumus nelielā attālumā (līdz 40 km). 2023. gada darba uzdevums ir precizēt kravu sablīvēšanās algoritmu, izmantojot datus no šādām, nelielā attālumā piegādātām kravām.

Pētījuma īstenošanai nepieciešamas vismaz piecas kontroles kravas (katram aprīkojuma veidam) un šķeldu paraugi no kontroles kravām. Kamerālie darbi ietver kravu piepildījuma datu analīzi un kravu piepildījuma izmaiņu aprēķinu, vērtējot dažādu faktoru individuālo un kumulatīvo ietekmi. Iegūtos rezultātus izmantosim rekomendāciju sagatavošanai.

2. MEŽA TEHNIKAS MONITORINGA SISTĒMU UN DATU AUTOMATIZĒTĀS APSTRĀDES

INSTRUMENTU PILNVEIDOŠANA UN IEVIEŠANA RAŽOŠANĀ

2.1. Forvardera atstāto risu mērīšanas iekārtas izstrāde

Pētījuma mērķis ir izstrādāt uz forvardera montējamu iekārtu risu dziļuma mērīšanai, kas var šo informāciju nosūtīt LVM IT sistēmai, lai uzlabotu kopšanas ciršu kvalitātes kontroles procesu un samazinātu izmaksas līdzināmo risu datu ieguvē. 2022. gada darba uzdevums bija ar LiDAR sensoru aprīkotā risu mērītāja (RM1) sistēmas pārbaude ražošanas apstākļos un ievākto datu apstrādes koda izstrāde un pārbaude.

Līdz 2022. gadam izstrādāta pētījuma metodika, kas ietver risu uzmērīšanas sistēmu aprakstus, kā arī mērīšanas sistēmas funkcionalitātes aprakstu. Veicot praktiskos izmēģinājumus, identificētas nepilnības, kas apgrūtina mērījumus ražošanas apstākļos un turpināta iekārtu pilnveidošana. Pirmajām sistēmām, kuru pamatā ir mērījumi, kuri veikti, izmantojot ultraskaņas sensorus (RM0), veikta funkcionalitātes pārbaude, kā arī veikta ultraskaņas un sensoru sistēmas pilnveidošana un vadības bloka modernizācija. Uzmērīšanas sistēmas precizitātes novirze saistīta ar nokrišņu daudzumu, kā arī sniegu vai risēs uzkrāto ūdens daudzumu, kā rezultātā sensora nolasītais mērījums var būt neprecīzs vai kļūdains. Lai uzlabotu iekārtas precizitāti ražošanas apstākļos, vienlaicīgi nodrošinot datu nolasīšanu tiešsaistē, RM0 sistēma pilnveidota, aizstājot ultraskaņas sensorus ar LiDAR (Light detection and ranging) + GNSS L1 + L2 RTK single receiver (RM1).

2.1.1. 2022. gada izpētes rezultāti

2021. gadā izstrādātā sistēma RM1, veica mērījumus, izmantojot LiDAR tehnoloģiju. RM1 sistēma sastāv no atsevišķām komponentēm, lāzera mērīšanas sensora, aksiometriem un žiroskopiem, mikro kontroliera un LCD displeja (Attēls 2.1). LiDAR sensors veic attāluma mērījumus, IMU sensors nodrošina informāciju par mērījumu iekārtas pozīciju telpā, savukārt GNSS nodrošina platuma, garuma un augstuma koordinātas WGS84 koordinātu sistēmā. Informācija no visiem sensoriem ar 0,3 sekunžu intervālu nonāk mikro kontrollerī, kurš visas datu kopas savieno vienā datu kopā un ģenerē *.csv failu, kuru saglabā SD kartē. Papildus forvardera operatora kabīnē novietots LCD displejs, kurā atainota informācija par iekārtas statusu. Detalizēts sistēmas vadības kods pieejams 2. pielikumā.

Attēls 2.1. RM1 sistēmas darbības shēma.

Izstrādātā sistēma novietojama uz forvardera aizsargrāmaja, kurš novietots tehnikas priekšā (Attēls 2.2). RM1 sistēmas mērījumi balstās uz no zemes virsmas vai citiem objektiem atstarotā signāla, nosakot faktisko attālumu līdz mērījuma vietai.

Attēls 2.2. RM1 sensoru novietojums uz forvardera.

Iegūstamās datu kopas struktūra redzama 2.1. tabulā Parametru skaidrojums: C – LiDAR mērījums līdz zemes virsmai (cm), Pitch – savērsums uz augšu vai leju, Roll – savērsums uz sāniem , Yaw – Virziena maiņas leņķis, LAT – garuma koordināta (WGS84), LON – platuma koordināta (WGS84), AMSL – absolūtais augstums virs jūras līmeņa (m), Hacc – horizontālā precizitāte, Vacc

– vertikālā precizitāte, Seq – laika zīmogs ar precizitāti līdz milisekundei.

Tabula 2.1. RM1 sistēmas datu struktūras paraugs

C	Pitch	Roll	Yaw	LAT	LON	AMS L	Hacc	Vacc	Seq
144	-2,38	26,44	8,19	57,01446	24,87559	89,28	0,181	0,266	2,02E+16
143	-2,44	26,5	8,19	57,01442	24,8758	89,28	0,18	0,264	2,02E+16
143	-2,5	26,44	8,19	57,01441	24,8759	89,3	0,179	0,263	2,02E+16
142	-2,94	26,31	8,31	57,0144	24,87599	89,34	0,18	0,264	2,02E+16
145	-3,13	26,44	8,31	57,01438	24,87609	89,34	0,18	0,264	2,02E+16
144	-3,25	26,69	8,38	57,01437	24,87619	89,33	0,178	0,261	2,02E+16
145	-3,31	26,81	8,44	57,01435	24,87629	89,35	0,177	0,26	2,02E+16

Ar RM1 sistēmu iegūtie dati izmantoti R programmēšanas valodas (R Core Team 2022) koda izveidei datu analīzei. Izveidotais kods paredzēts automātiskai ievades datu apstrādei, izmantojot x un y koordinātes un LiDAR uzmērīto attālumu līdz zemes virsmai starp forvardera asīm. Šo kodu pēc risu mērīšanas metodes aprobācijas plānots iekļaut kompleksā IT risinājumā forvardera darba

monitoringam. Aprēķinos izmantoti dati, kas raksturo forvardera kopējo nobraukto attālumu un kopējo par 20 cm dziļāku risu garumu. Programmas kods ar RM1 sistēmu iegūtās informācijas analīzei pievienots 3. pielikumā. Attēlā 2.3. parādīts risu izvietojuma telpiskā atspoguļojuma piemērs, kas iegūts, izmantojot pētījumā izstrādāto kodu.

Attēls 2.3. Risu telpiskais izvietojums saskaņā ar RM1 sistēmā iegūto informāciju3.

Pētījumā izstrādātā sensora RM1 testēšana veikta vairākās cirsmās, kuru telpiskais izvietojums atainots (Attēls 2.4). Savukārt datu apstrādes rezultātā iegūtais kopējais nobrauktais ceļš un aprēķinātais par 20 cm dziļāku risu kopgarums dots 2.2. tabulā. Nejauši atlasītos tehnoloģiskajos koridoros (10% no kopējā garuma) veikta risu salīdzināšana ar RM1 mērījumiem. Vairumā gadījumu (80% no koridoriem) modelētais risu dziļums bija lielāks nekā, veicot mērījumus manuāli. Tas saistīts

3 sekcija (a) - nostiprināta tehnoloģiskā brauktuve; sekcija (b) - tehnoloģiskajā brauktuvē nav veikta nostiprināšana.

ar zaru seguma pacelšanos tehnoloģiskās brauktuves vidū, radot maldīgu priekšstatu par risu dziļumu.

Attēls 2.4. Pētījumā izmantoto parauglaukumu telpiskais izvietojums.

Tabula 2.2. Pētījumā iekļauto cirsmu risu mērījuma un nobraukuma datu kopsavilkums

Nogabals	Kopā nobrauktais attālums, m	Modelētais par 20 cm dziļāku risu garums, m
000-000-0; 000-000-0; 000-000-0	5043	631
000-000-0; 000-000-0; 000-000-00; 000-000-00; 000-000-0	16368	910
000-000-0; 000-000-00; 000-000-00; 000-000-00; 407-389- 18; 000-000-0	7588	842
000-000-00; 000-000-00; 000-000-00	5547	334
000-000-0; 000-000-0; 000-000-00; 000-000-00	4117	1128
000-000-00; 000-000-0; 000-000-0	4020	437

RM1 sistēmas precizitāte atkarīga no tehnoloģiskās brauktuves kvalitātes (ar vai bez zaru klājuma, Attēls 2.5). Ja mežizstrādes atliekas ir ieklātas ceļos, LiDAR sensors nespēj precīzi uzmērīt attālumu līdz zemes virsmai, bet atstarojas no zariem, kas pievešanas laikā veido pacēlumu koridora centrā. Rezultātā, neprecīzi nosakot zemes virsmu (ceļā ieklātos zarus) kā atskaites punktu, iegūst maldīgu informāciju par risu izvietojumu.

Attēls 2.5. Ceļā izklāti zari (a) un ceļa augsne atklāta (b).

Tā kā RM1 sistēmā izmantotais LiDAR sensors nespēja korekti uzmērīt attālumu līdz zemes virsmai situācijās, kad ceļos ieklāti zari, izveidota GNSS L1 + L2 RTK single receiver (RM2) sistēma, kura risu dziļuma aprēķināšanai izmanto tikai GNSS sensoru datus (x, y un z koordinātas) un veicot datu pēcapstrādi, balstoties uz LatPos koordinātu precizēšanu. Datu struktūra ir tāda pati kā RM1 sistēmas dotajiem failiem, noņemot nost informāciju par LiDAR mērījumiem.

2022. gadā izveidotais R kods, kas paredzēts automātiskai darbību datu apstrādei, papildināts, pielāgojot to aprēķinu veikšanai, balstoties tikai uz GNSS nolasītajām x, y un z koordinātām (ar RM2 sistēmu iegūto datu apstrādei). R kods, kas 2022. gada beigās pielāgots ar RM2 sistēmu iegūto datu analīzei, pievienots 4. pielikumā. Tajā iekļautas sekojošas darbības:

• datu ielasīšana un failu apvienošana;

• koordinātu pārprojicēšanu no WGS84 uz LKS92 koordinātu sistēmu;

• digitālā reljefa modeļa izveidošanu, izmantojot GNSS sensora maksimālās lokālās augstumu vērtības;

• stacionāro punktu nofiltrēšana;

• forvardera pārvietošanās virziena un pagriezienu noteikšana;

• punktu grupēšana pārbraucienos, kas robežojas ar apgriešanās vietām;

• katra tehnoloģiskā koridora pēdējā reģistrētā pārbrauciena punkta reģistrēšana;

• punktu filtrēšana atbilstoši forvarderu atstāto risu dziļumam;

• punktu grupēšana atsevišķu risu identificēšanai un risu garumu noteikšanai;

• ģeotelpiskā datu slāņa (*.shp) ģenerēšana.

. Augstas precizitātes GNSS, savienojumā ar RTK, ir izmantojams dziļu risu izvietojuma datu iegūšanā arī vietās, kur mežizstrādes atliekas ieklātas ceļos. Objekta daļā, kur veikta abu sistēmu (RM1 un RM2) pārbaude, izvērtējot risu uzmērīšanas precizitāti gadījumos, kad tehnoloģiskā brauktuve nostiprināta ar zaru klājumu (Attēls 2.6), iegūtie dati parāda, ka pie kopējā brauktuves garuma 5547 m, ar RM1 sistēmu uzskaitītās rises veido 334 m, bet ar RM2 sistēmu, attiecīgi, 25 m. Salīdzinot abu sistēmu nolasītos datus ar manuāli veiktiem mērījumiem, precīzāki rezultāti iegūti izmantojot RM2 sistēmu. RM1 sistēma uzskaitījusi vairāk rises tieši uz maģistrālās brauktuves, jo sortimentu pievešanas procesā no atjaunošanas cirtes forvarderam pārvietojoties un veicot brauktuves nostiprināšanu ar zariem, starp riteņiem izveidojas paaugstinājums, kā rezultātā tas tiek uzskatīts par “0” punktu pēc kura tiek veikts aprēķins. Savukārt RM2 sistēma balstās uz augstuma izmaiņām kur rises mērījumus neietekmē zaru klājums. Lai pilnībā izvērtētu MR2 sistēmas potenciālu, nepieciešams iegūt lielāku datu kopu. Absolūtā augstuma noteikšanā, izmantojot RM2 sistēmu, precizitāte ir dažu centimetru robežās. Bez RTK savienojuma absolūtā augstuma noteikšana ir mazāk precīza, tomēr relatīvais augstums starp uzmērījumu punktiem ir precīzs dažu centimetru robežās. Tāpat mērījumu nenoteiktību var aprēķināt katrā mērījumu posmā, sagatavojot precīzu informāciju par risu izvietojumu un dziļumu ar kļūdas robežām, attiecīgi, šos datus jau var izmantot gan tehnoloģisko brauktuvju platības, gan risu garuma pārskata sagatavošanai automātiskā režīmā. Lauka mērījumus ar RM2 sistēmu plānots veikt 2023. gadā.

Attēls 2.6. RM1 un RM2 mērījumu salīdzinājums.

Risu telpiskā izvietojuma modeļa piemērs, kas izveidots no RM2 nolasītajām x, y un z koordinātām, redzams 2.3. attēls. Šajā piemērā risu, kuru dziļums pārsniedz 20 cm, garums ir 419 m.

Attēls 2.7. Risu telpiskā novietojuma aprēķins un telpiskais atspoguļojums, izmantojot RM2 sensora sniegto informāciju.

Tehniskā specifikācija RM1 risu mērīšanas iekārtai dota 2.3. tabulā un tehniskā specifikācija RM2 iekārtai dota

Tabula 2.4. Pašizmaksa, neskaitot izgatavošanu, RM1 iekārtai ir aptuveni 330 EUR un RM2 iekārtai – 260 EUR. Papildus RM1 iekārtai nepieciešams rāmis, pie kura stiprināt sensorus, bet RTK GNSS sensoru var novietot labi pasargātā vietā un tas netraucē operatora darbu. Iekārtu specifikācijas nepieciešamības gadījumā koriģējamas atbilstoši izmantojamiem sensoriem.

Šobrīd gan RM1, gan RM2 sistēmu izmantošanai praksē nepieciešams veikt datu pēcapstrādi. Abām sistēmām veicam GNSS koordinātu koriģēšanu izmantojot LatPos bāzes staciju datus un risinām jautājumu par LatPos bāzes staciju tīkla blīvuma ietekmi uz sasniegtajiem rezultātiem. Strādājam arī pie risinājuma, lai forvardera operators tiešsaistē varētu sekot līdzi mežaudzē atstāto risu veidošanās procesam un tam būtu pieejama informācija par radītajiem augsnes bojājumiem.

Tabula 2.3. Tehniskā specifikācija RM1 sistēmai

Nr.	Nosaukums	Izmantotā iekārta	Prasības	Skaits
1.	Datu uzkrāšana	ATmega2560 8bit MUX Breakout 8 channel	Darba spriegums 5V Pievadāmais spriegums 7- 12VZibatmiņa 256KB SRAM 8KB EEPROM 4KB	1
2.	GNSS uztvērējs	u-blox ZED-F9P	GNSS - GPS,GLONASS, Galileo,BeiDou RTK > 20 Hz	1

Nr.	Nosaukums	Izmantotā iekārta	Prasības	Skaits
			Pozīcijas precizitāte (RTK) 0,01 m + 1ppm CEP Laika impulss (maināms) 0,25 līdz 10 MHz Darba temperatūra -40 ° C līdz +85 °C Kvalitātes sertifikāts ISO 16750
3.	Datu uzkrāšana	12C SD card reader/writter	Nepieciešamais spriegums - 3,3 V līdz 12V microSD karšu lasītājs Līdz 32 GB Saderība ATmega2560	1
4.	Attāluma mērīšanas sensors	TF-Luna LiDAR module	Darba diapazons 0,2 līdz 8 m Attāluma izšķirtspēja 1 cm Frekvence 1 Hz	3
5.	Strāvas pārveidotājs	-	Ieeja 7-15V / Izeja 5V and 9V	1

Tabula 2.4. Tehniskā specifikācija RM2 sistēmai‌

Nr.	Nosaukums	Izmantotā iekārta	Prasības	Skaits
1.	Datu uzkrāšana	ATmega2560 8bit MUX Breakout 8 channel	Darba spriegums 5V Pievadāmais spriegums 7-12V Zibatmiņa 256KB SRAM 8KB EEPROM 4KB	1
2.	GNSS uztvērējs	u-blox ZED-F9P	GNSS - GPS,GLONASS, Galileo,BeiDou RTK > 20 Hz Pozīcijas precizitāte (RTK) 0,01 m + 1ppm CEP Laika impulss (maināms) 0,25 līdz 10 MHz Darba temperatūra -40 ° C līdz +85 °C Kvalitātes sertifikāts ISO 16750	1
3.	Datu uzkrāšana	12C SD card reader/writter	Nepieciešamais spriegums - 3,3 V līdz 12V microSD karšu lasītājs Līdz 32 GB Saderība ATmega2560	1
4.	Strāvas pārveidotājs	Input 7-15V / Output 5V and 9V	Ieeja 7-15V / Izeja 5V and 9V	1

2.1.2. Sākotnējie secinājumi un rekomendācijas

Saskaņā ar sākotnējiem izpētes rezultātiem, lietderīgi turpināt pētījumus ar RM2 sistēmu risu dziļuma un garuma mērīšanai. Risu mērījumu dati pielāgojami arī tehnoloģisko koridoru aizņemtās platības aprēķiniem un izvietojuma telpisko datu slāņa veidošanai kopšanas cirtēs, kā arī augsnes nestspējas datu ievākšanai atjaunošanas cirtēs.

Risu uzmērīšanas sistēmas RM1 precizitāte atkarīga no tā, vai tehnoloģiskajā brauktuvē ir ieklātas mežizstrādes atliekas. Iekārta pielietojama tādās platībās, kur mežizstrādes atliekas nav klātas ceļos.

Risu mērīšanas sistēma RM2 pilot izmēģinājumos 1 cirsmā uzrādīja vismaz tikpat lielu precizitāti kā RM1 sistēma optimālos apstākļos, salīdzinot ar manuāliem uzmērījumiem taču sistēma pagaidām pārbaudīta tikai vienā cirsmā. Saskaņā ar sākotnējiem datiem šī sistēma piemērojama objektos, kuros veikta tehnoloģiskās brauktuves nostiprināšana un šīs sistēmas precizitāti neietekmē sniega segas esamība un augsnes mitrums.

2.1.3. Priekšlikumi pētījuma īstenošanai 2023. gadā

Ņemot vērā iekārtas priekšrocības, to nepieciešams aprobēt ražošanas apstākļos dažādos cirtes veidos. 2023. gadā jāveic RM2 sistēmas pielietošanas monitorings ražošanas apstākļos, novērojot sistēmas veiktspēju dažādos apstākļos un reģionos. Paralēli veicami mērījumi kopšanas un atjaunošanas cirtēs, lai iegūtu priekšstatu par šīs sistēmas pielietošanas iespējām dažādiem mērķiem.

Lai sasniegtu pētījuma mērķi, 2023. gadā nepieciešams pārbaudīt RM2 sistēmu ražošanas apstākļos un, balstoties uz izstrādāto "R" kodu, izveidot programmu risu uzskaitei. Turpinot izmēģinājumus, 2024. gadā nepieciešams pilnveidot RM2 sistēma, sniedzot iespēju forvardera operatoram tiešsaistē sekot līdzi risu veidošanās procesam, tādējādi minimizējot forvardera pārvietošanās laikā radītos augsnes bojājumus.

2023. gada uzdevums ir RM2 sistēmas uzstādīšana, funkcionalitātes pārbaude un monitoringa sistēmas izveide. Veicamie lauku darbi ietver:

• pētījumā iesaistīto forvarderu operatoru apmācības;

• divu RM2 prototipu sistēmu uzstādīšana kopšanas un atjaunošanas cirtēs strādājošiem forvarderiem;

• RM2 prototipu testēšana ražošanas apstākļos;

• risu dziļuma kontrolmērījumu veikšana, izmantojot tradicionālo metodi (kontrolmērījumi jāveic ne mazāk kā 10 ha kopšanas un atjaunošanas cirtēs).

Kamerālie darbi ietver:

• vienas papildus RM2 prototipa sistēmas izstrādāšanu;

• brauktuvju raksturojošo rādītāju analizēšanu; programmas prototipa izveidi automātiskai datu analizēšanai (balstoties uz izstrādāto "R" kodu).

2.2. Forvarderu datorprogrammu pielietojuma izpēte

Pētījuma uzdevums ir sagatavot priekšlikumus forvardera datorprogrammu izmantošanai pievešanas darbu plānošanā, izpildē, pievestās produkcijas uzskaitē un nosūtīšanā darbu pasūtītājam. 2022. gada darba uzdevums ir uzsākt pētījuma metodikas izstrādāšanu un forvarderu sistēmas

gatavības novērtēšanu. Pētījumā, balstoties uz literatūras datiem un praktiskiem piemēriem, gatavojam priekšlikumus forvardera IT sistēmu izmantošanai pievešanas darbu plānošanā, tajā skaitā darba uzdevuma izveidošanai, izmantojot harvestera IT sistēmu pārskatus ar veikto darbību un harvestera telemetrisko datu telpisko piesaisti; pievešanas darbu izpildes monitoringā un operatora atbalsta risinājumu pielietošanā; pievestās produkcijas uzskaitē un kvalitātes kontrolē; pārskatu sagatavošanā un datu nosūtīšanā darbu pasūtītājam; meža atjaunošanai un citām mežsaimnieciskām darbībām būtisku parametru (grunts nestspēja, cirsmas pielūžņojums, mikroreljefs u.c.) ieguvē, izmantojot forvardera IT sistēmas, telemetrijas datus un vides sensoru mērījumus.

2.2.1. Tehniskās dokumentācijas apskats

Mašinizētai mežsaimniecisko darbu izpildei aizvien aktuālāks kļūst jautājums par automātisku datu ievākšanu un to tālāko apstrādi. Līdz šim lielākā uzmanība pievērsta harvesteru uzskaites sistēmu dati, bet pētījumu par forvarderu uzskaites sistēmu datiem un to izmantošanu ir maz (Manner, Berg, and Ersson 2019). Tas var būt skaidrojams ar būtiski mazāku forvardera automātiski uzkrājamo datu apjomu, salīdzinājumā ar harvesteru. Līdzšinējie pētījumi parāda, ka joprojām forvarderu ražīguma un pievestā materiāla uzskaitei galvenokārt izmanto manuālas metodes (Bjorheden 2011; Cadei et al. 2020; Holzfeind, Stampfer, and Holzleitner 2018). Lai uzskaites procesu un datu apstrādi padarītu efektīvāku, nepieciešams izveidot sistēmu datu uzkrāšanai un apstrādei. Šādu iespēju nodrošina StanForD2010 standarta izmantošana datu ievākšanā un uzkrāšanā (Arlinger et al. 2012).

StanForD pielietošana meža mašīnās uzsākās ap 1990. gadu. Sākumā standarts paredzēja galvenokārt kontroles rādītāju uzskaitē, vēlāk arī saražotās produkcijas uzskaitē. Būtiskas izmaiņas standartā vērojamas, sākot ar 2010. gadu, kad, pieaugot mežizstrādes tehnikas iespējām un datu izmantošanas prasībām, standartu pilnveidoja. Pilnveides process nodrošināja uzkrāto datu izmantošanas iespējas, neatkarīgi no tehnikas izlaiduma gada vai programmas versijas. Galvenās atšķirības starp veco un jauno standartu atbilstoši Xxxxxxxx et al. (2012) un ir:

• mainīts datu formāts (no ASCII uz XML);

• ietverta plašāka informācija par saražoto produkciju (sortimentu veids, tā atrašanās vieta u.c. parametri);

• ietverta iespēja grupēt sortimentus pēc to telpiskā izvietojuma;

• ietverta iespēja uzkrāt pievestā apjoma svērumu datus.

Zviedrijā mežizstrādes datu plūsmas kontrolei un uzraudzībai izmanto “PapiNet” standartu, kurš ietver datu plūsmas uzraudzību visā kokmateriālu piegādes ķēdē. Mežizstrādes mašīnām atbalstīts StanForD2010 standarts (harvesteram - *.hpr un *.hqc, forvarderam - *.prl formātā) un lai šos datus iekļautu “papiNet” sistēmā, ir izstrādāts datu apmaiņas apraksts (PapiNet 2022).

Pastāv vairākas alternatīvas sistēmas, ar kuru palīdzību var optimizēt mežizstrādes darbus. Katram no lielākajiem tehnikas ražotājam ir izstrādāta sava sistēma, piemēram, Komatsu – MaxiFleet, Xxxx Xxxxx – TimberMatic. Minētajām sistēmām ir atšķirīgas iespējas, ko sistemātiski pilnveido, bet šīs sistēmas nav savietojuma, tajā skaitā darbību datu apmaiņas līmenī. Galvenās kopīgās iezīmes visām izmantotajām sistēmām (2.5. tabula):

• saražotās produkcijas apjoma uzskaite sadalījumā pa piegādātājiem un/vai sortimentiem,

• sagatavotā sortimenta atrašanās vietas atspoguļošana,

• degvielas patēriņa uzskaite,

• tehnikas efektivitātes rādītāju uzskaite,

• vidējo rādītāju salīdzināšana starp dažādām mašīnām (pieejams atsevišķiem ražotājiem),

• tehnikas atrašanās vietas atspoguļošana.

Tabula 2.5. Kopīgās iezīmes tehniskajām sistēmām

Programmas nosaukums	Datu sinhronizācija	Harvestera saražotais apjoms mežizstrādes procesā (G15, m3h-1, stumbri, L m-3 utt.)	Forvardera saražotais apjoms mežizstrādes procesā	Sortimentu reģistrēšanas iespējas			Rekomendējamie forvardera datorsistēma	Karšu sistēma
				pēc tehnoloģiskās brauktuves pievešanas	pēc sortimentu atlases datorsistēmā	pievešanas procesā, reģistrējot greifera apjomu
TimberManager	X	X	-	-	-	-	Nav specifiskas prasības forvarderam4	-
TimberMatic Maps	X	-	X	X	X	X	HPS15	X
MaxiVision	X	-	X	-	-	-	Nav specifiskas prasības forvarderam5	X
MaxiFleet	X	-	X	X	X	X	Nav specifiskas prasības forvarderam6	X

4 Prasības jaunākajai programmas versijai – operētājsistēma – Windows 7 vai jaunāka, procesors – Intel Core i5 vai jaunāks, RAM – vismaz 4 GB, vieta uz diska – vismaz 500 GB, videokarte –atsevišķa videokarte ar vismaz 1 GB VRAM, ekrāna izšķirtspēja – 1920 x 1080 vai lielāka, interneta pieslēgums.

5 Prasības jaunākajai programmas versijai – operētājsistēma – Windows 7 vai jaunāka, procesors – Intel Core i5 vai jaunāks, RAM – vismaz 4 GB, vieta uz diska – vismaz 500 GB, videokarte –atsevišķa videokarte ar vismaz 1 GB VRAM, ekrāna izšķirtspēja – 1920 x 1080 vai lielāka, interneta pieslēgums.

6 Prasības jaunākajai programmas versijai – operētājsistēma – Windows 10 vai jaunāka, procesors – Intel Core i5 vai jaunāks, RAM – vismaz 8 GB, vieta uz diska – vismaz 128 GB, videokarte – Nvidia GeForce GTX 1050 vai ekvivalenta, ekrāna izšķirtspēja – 1920 x 1080 vai lielāka, interneta pieslēgums.

Jonh Deere piedāvātais risinājums datu apmaiņai izmanto “mākoņpakalpojumu”, kas galvenokārt tiek īstenots starp divām sistēmā - TimberManager un TimberMatic Maps (2.4. attēls).

Attēls 2.8. Datu apmaiņa Xxxx Xxxxx sistēmā7.

TimberManager tiešsaistes režīmā sniedz datus galvenokārt par sagatavoto apjomu un apaļo kokmateriālu izvietojumu sadalījumā pa sortimentu veidiem. TimberManager var sagatavot pārskatus par galvenajiem tehnikas rādītājiem, kas saistīti ar mašīnu darbību un veiktspēju. Atskaitē iekļaujamā informācija (2.5. attēls):

1. darbības stundas;

2. sagatavotais kopējais apjoms;

3. vidējā nozāģētā stumbra parametri;

4. nozāģēto stumbru skaits;

5. ražīgums (m3 h-1; stumbri h-1);

6. vidējais degvielas patēriņš (L h-1; L m3);

7. kopējais degvielas patēriņš (tikai forvarderam);

8. dzinēja tukšgaitas laiks (xxx.xxxxx.xx).

7 Avots – xxxxx://xxxxxx.xxxxxxxxx.xxx/

Attēls 2.9. Izklājlapas paraugs8.

TimberMatic Maps darbojas tiešsaistes režīmā, nodrošinot datu apmaiņu ar TimberManager. Tas nepieciešams, lai forvardera operatoram būtu pieejama aktuālā informācija par:

• harvestera sagatavoto apjomu;

• sagatavotā materiāla ģeogrāfisko novietojumu;

• dabas vērtību ģeogrāfisko novietojumu (ja tas tiek atspoguļots).

Pievestos apaļos kokmateriālus forvarders var reģistrēt trīs atšķirīgos veidos:

1. pēc tehnoloģiskās brauktuves pievešanas, iezīmējot TimberMatic Maps pievesto brauktuvi, sistēma automātiski apaļos kokmateriālus ieskaita forvardera sistēmā;

2. atlasot TimberMatic Maps nepieciešamo sortimentu veidu (2.6. attēls), forvardera sistēma atspoguļo to novietojums un uzrāda harvestera sagatavoto apjomu. Pēc izvēlētā sortimenta pievešanas, forvardera sistēma automātiski reģistrē pievesto apjomu;

3. pievešanas procesā, reģistrējot iekrautā sortimenta veidu manuāli, var identificēt pievestā materiāla sadalījumu pa kravām (2.7. attēls), šo funkciju iespējams apvienot ar svēršanu.

Attēls 2.10. TimberMatic Maps tehnoloģiskās brauktuves ar sagatavoto sortimentu apjomu9.

Attēls 2.11. Uzkrautā apjoma atspoguļošana10.

Lai forvarders varētu izmantot mākoņpakalpojumu, nepieciešams nodrošināt interneta pieslēgumu un datoru – HPS15 (XL4) vai ekvivalentu.

Datu apmaiņā starp harvesteru un forvarderu Komatsu meža mašīnās arī izmanto mākoņpakalpojumus11. Komatsu izmantotā datorprogramma “MaxiVision” satur galvenokārt

9 Avots – xxx.xxxxx.xxx.

10 Avots – xxx.xxxxx.xx.

11 Avots – xxx.xxxxxxxxxxxxx.xxx

kartogrāfisko materiālu, kurš pieejams operatoriem darba procesā. Mākoņpakalpojumā balstīta ģeogrāfiskās informācijas sistēma ar karšu slāņiem sniedz iespējas izmantot:

• fona kartes – satelītkarte, ortofoto un hibrīdkarte;

• mitruma karšu atbalstu, objekta piekļuves kartes;

• klienta karšu importu.

“MaxiFleet” ražotāja izstrādāta atbalsta sistēma, kura nodrošina piekļuvi:

• darba zonas pārvaldība – darba uzdevumu sagatavošana meža mašīnām, pamatinformācijas pieeja operatoriem pirms darbu uzsākšanas. Piekļuves nodrošinājums tiešsaistes datiem uz dažādām ierīcēm. Iespējams identificēt operatorus, produktus, darba apgabalu kartes un citu ar ĢIS saistītu informāciju;

• tehnikas parka informācija – apkopojums pa īpašniekam piederošām Komatsu tehnikas vienībām. Iespējams redzēt tehnikas noslodzi, izmantošanu, darbības statusu un atrašanās vietu. Iespējams analizēt degvielas patēriņu, veidot dažādus pārskatus;

• piekļuve mežizstrādes tehnikai – attālināties pieslēgšanās iespējas, lai iegūtu papildus informāciju par akumulatora stāvokli, komforta līmeni kabīnē vai ieslēgtu autonomo salona apsildi, kā arī apmācības procesa nodrošināšanai. Papildu paredzēt iespēja veikt dažādus sistēmas parametru izmaiņas (mehāniķiem);

• datu apmaiņa starp sistēmām – datu apmaiņa starp “MaxiFleet” un “MaxiVision”. Harvesters veic plānošanu un cirsmas izstrādi, veic dažādas piezīmes par apgrūtinājumiem, forvardera operatoram ir tiešsaistes piekļuve šiem datiem. Forvardera operators var veikt dažādas atzīmes par pievestajām darba zonām un citu informāciju;

• informācija par objektu – dažādu ĢIS kartogrāfiskā materiāla saņemšana, sagatavotā materiāla vizuāla atspoguļošana. Šāda operatīvā informācija samazina nepieciešamo laiku sortimentu pievešanas plānošanai, tādējādi uzlabojot ražīgumu12.

2.2.2. Forvardera IT sistēmu gatavības novērtēšanas metodika

Pētījuma ietvaros turpināts IT sistēmu novērtēšanas darbs, apzinot forvardera produkcijas failā iegūstamo informāciju, tās precizitāti un tālākās analīzes iespējas. Metodika sastāv no četrām daļām:

1. IT sistēmas gatavības novērtējums;

2. pētījuma objektu atlases kritēriji (cirsmām un tehnikas vienībām);

3. forvardera sistēmas uzskaites precizitātes novērtējums;

4. datu analīze, izmantojot programmēšanas vidi “R”.

IT sistēmas gatavības novērtējumam:

1. Tehniskās dokumentācijas apskats, sistēmu iespēju analīze;

2. Tehnikas izplatītāju aptauja, saistībā ar sistēmu praktiskajām iespējām;

12 Avots – xxx.xxxxxxxxxxxxx.xxx.

Aptauja ietver tehnikas izplatītāju intervijas par tehniskajām iespējam un neieciešamajām darbībām sistēmu ieviešanai Latvijā. Diskusiju sākumā plānots padziļināti iepazīties ar forvarderu IT sistēmu iespējām, balstoties uz tehnikās dokumentācijas apskatu. Apskatāmie jautājumi:

• forvarderu pamataprīkojums un papildus aprīkojums (saistībā ar IT);

• mākoņpakalpojumu serviss, piekļuves iespējas un datu eksports;

• mākoņpakalpojumu savstarpējā savienojamība starp dažādiem tehnikas ražotājiem;

• forvarderu programmnodrošinājums, tā attīstība un iespējas.

3. Forvarderu produkcijas failu analīze (dažādas markas un modeļi), izmantojot ražošanas datus. Iegūto datu salīdzināšana atbilstoši StanForD2010 standartam; iegūstāmas informācijas apskats; trūkumu identificēšana atbilstoši atspoguļojamai informācijai. Gadījumos, ja no kādas mežizstrādes tehnikas vienības produkcijas faili nav pieejami, aprakstītas teorētiskās iespējas failu izveidei ar rekomendācijām failu uzkrāšanai.

Pētījuma objektu atlases kritēriji:

1. sakaru kvalitāte – objektu atlase, kur pieejams stabils interneta nodrošinājums (4G);

2. cirtes veids – atjaunošanas cirte (mazināti riski par datu apmaiņu/saņemšanu tai skaitā GNSS);

3. viena ražotāja tehnikas komplekts, kurš atbalsta ražotāja izstrādāto tiešsaistes dokumentu apriti:

a) Cirsmas sagatavošana, darba uzdevuma izveidošana harvesteram atbilstoši pasūtītāja norādījumiem (ražošanas apstākļi), iekļaujot informāciju:

i. par objektu un meža īpašnieku:

• Organizācija – pakalpojuma pasūtītājs;

• Reģions – cirsmas atrašanās reģions;

• Cirsmas kods – “GEO ID”;

• Cirsmas identifikācija – cirsmas ID Nr.

ii. par pakalpojuma sniedzēju:

• Uzņēmuma nosaukums – pakalpojuma sniedzējs;

• Kontaktinformācija – kontaktpersona, e-pasts utt.;

• Mašīnas numurs – valsts numurzīme;

• Forvardera identifikācija – unikālais ID kods;

• Līguma numurs – sadarbības līguma Nr.;

• Operatori – operatora ID kods.

b) Harvestera sagatavotā materiāla produkcijas fails (*.hpr);

c) Darba uzdevuma, datu uzskaite forvarderam atbilstoši ražotāja izstrādātajām rekomendācijām (manuāli pieejami tehnikas ražotājiem un izplatītājiem, apmācības jāiesaista tehnikas pārstāvju instruktori). Ņemot vērā, ka datu uzskaite izmantojot,

forvardera sistēmas Latvijā nav izplatīta, forvarderu informācijas tehnoloģiju novērtēšanā, kā arī sistēmas regulēšanā, jāiesaista tehnikas pārstāvju instruktori;

d) Datu saglabāšana (*.prl un *.mom) atbilstoši StanForD2010 datu struktūrai un ražotāju izstrādātajām rekomendācijām.

Forvardera sistēmas uzskaites precizitātes novērtējumu veic, par pamatu ņemot pievešanas procesā automātiski sagatavotos sistēmas failus. Vienlaicīgi veicot lauku darbus, iegūst datus, ko izmanto forvardera sagatavoto failu precizitātes novērtējumam ražošanas apstākļos.

Forvarderam jābūt aprīkotam ar greifera satvērēju, kurš paredzēts apaļo kokmateriālu iekraušanai un izkraušanai. Apaļo kokmateriālu pievešanā līdz augšgala krautuvei, veicot darba laika uzskaiti, nepieciešams izdalīt 11 darba elementus (2.6. tabula).

Tabula 2.6. Apaļo kokmateriālu pievešanas darba laika sadalījums darba elementos

Nr.	Darba laika elements	Paskaidrojums
1.	Pārvietošanās	Pārvietošanās pa cirsmu kravas veidošanas procesā.
2.	Manipulators	Darbs apaļo kokmateriālu iekraušanas procesā, kustinot manipulatoru.
3.	Satveršana	Apaļo kokmateriālu vai tā daļas satveršana uz zemes līdz brīdim, kad uzsāk iekraušanu.
4.	Iekraušana	Apaļo kokmateriālu pārvietošana uz kravas tilpni.
5.	Izkraušana	Apaļo kokmateriālu izkraušana AGK.
6.	Kārtošana	Apaļo kokmateriālu kārtošana kravas tilpnē.
7.	Citas operācijas	Citas ar darbu saistītas operācijas.
8.	Pārējās darbības	Citas ar darbu nesaistītas darbības.
9.	Iebraukšana	Iebraukšana cirsmā, uzsākot darbu vai pēc izkraušanās AGK.
10.	Izbraukšana	Izbraukšana no cirsmas ar kravu vai bez tās.
11.	GPS	Apaļo kokmateriālu ģeogrāfisko koordinātu atzīmēšana

Par darba cikla noslēgumu uzskata apaļo kokmateriālu iekraušanu kravas tilpnē, savukārt par vienu kravas ciklu uzskata forvardera plānoto maršrutu, kurš sākas un beidzas AGK.

Ievāktās datu kopas kvalitātes izvērtēšanai nepieciešami dati par 5-10 cirsmām (pievedamais kokmateriālu apjoms no cirsmas >100 m3).

Datu analīze, izmantojot programmēšanas vidi “R”.

Ņemot vērā tehnikas ražotāja piedāvāto risinājumu ierobežotās iespējas detalizētai datu atspoguļošanai, kā arī dažādu ražotāju risinājumu nesavietojamību, praktiskiem datu analīzes testiem pētījuma ietvaros izstrādāta universāla datu analīzes sistēma. Šāda sistēma ir vieglāk integrēja arī uzņēmuma IT sistēmās un pielāgojama dažādu tehnikas ražotāju produkcijas failiem. Izmantojot atvērtā programmēšanas vidē “R” izpildāmas kodu rindas, no produkcijas faila var iegūt informāciju par forvardera ražīgumu, degvielas patēriņu, nobraukto attālumu un kravu skaitu. Iegūstamo informāciju var papildus analizēt dienas, mēneša vai gada griezumā, atkarībā no cirsmas, operatora vai maiņu grafika.

Forvardera failu datu analīzes sistēmu veido (2.8. attēls):

1. pētījuma ietvaros LVMI SILAVA izveidota programma “StanfordConvertXML”, kas paredzēta forvardera failu atvēršana un importēšanai;

2. atvērta pirmkoda vidē “PostgresSQL” izveidota datubāze, kas paredzēta forvardera failos esošās informācijas uzglabāšanai;

3. Datu analīzei izmantota programmēšanas vide “R” (R Core Team 2022).

Attēls 2.12. Forvardera uzskaites datu analīzes shēma.

Forvardera sistēmas sagatavotus failus (*.prl un *.mom) analizē atbilstoši datu plūsmas shēmai (2.9. attēls), importējot “PostgresSQL” datubāzē, izmantojot LVMI SILAVA izveidoto programmu “StanfordConvertXML”.

Attēls 2.13. Forvardera datu plūsmas shēma.

Datu eksportēšanai “StanfordConvertXML” “db.conf” (failu atver ar teksta redaktoru) failā nepieciešams norādīt šādu informāciju:

• Servera IP adresi;

• Piekļuves portu;

• Lietotājvārdu;

• Paroli;

• Datubāzi;

• Programmas nosaukumu (pēc noklusējuma – StanfordConvertXML);

• Kodēšanas sistēmu (pēc noklusējuma – UTF8).

Pēc izmaiņu veikšanas “db.conf” datu failā, atver “StanfordConvertXML” programmas failu “StanfordConvertXML.exe”, lai, izmantojot izvēlni “OpenXML”, veiktu datu importēšanu. Forvardera failu atvēršana un importēšanai programma “StanfordConvertXML” paredz automātisku failu apvienošanu pie nosacījuma, ka failu shēmas versijas ir vienādas. Eksportējot informāciju “PostgresSQL” datubāzē, programma izveido trīs datubāzes shēmas.

Pirmā shēma paredz saglabāt importētā faila pamatdatus, veidojot četras kolonnas:

1. ID – identifikācijas numurs (sasaiste ar citām shēmām);

2. Schemaname – papildshēmas nosaukums;

3. Filename – forvardera faila nosaukums;

4. Added – pievienošanas datums.

Otrā shēma (.*prl) paredz atsevišķi izveidot datubāzi, kurā apvienoti faili ar vienādu StanFroD2010 shēmas versijas numuru. Importējot datus datubāzē, visa apkopotā informācija grupējas 33 informatīvās tabulās.

Trešā shēma (*.mom) paredz izveidot datubāzi, kurā apvienoti faili ar vienādu StanFroD2010 shēmas versijas numuru. Importējot informāciju datubāzē, visi apkopotie dati grupējas 21 informatīvā tabulā.

Datu analīzei izmantojot “R” videi izstrādāto programmu, no pieejamo bibliotēku klāsta jāatlasa atkārtojamības nodrošināšanai nepieciešamās bibliotēkas (1. pielikums, programmas kods – 1). Šāda atlase nodrošina “R” darbību un datu analīzes iespējas. Pētījuma ietvaros izstrādātais kods nodrošina datu apvienošanu cirsmu griezumā sadalījumā pa kravām vai meža mašīnu operatoriem. Mainoties izvirzītajam mērķim, saistībā ar iegūstamās informācijas novērtēšanu no forvarderu failiem, tālākā aprakstā atspoguļoti rādītāji, kurus iespējams aprēķināt atbilstoši izstrādātiem kodiem. Lai ar “R” pieslēgtos PostgresSQL datubāzei, nepieciešams izveidot savienojumu (1. pielikums, kods

– 2). Pēc veiksmīgas pieslēgšanās var uzsākt datu atlasi un aprēķinus.

PRL fails. Lai analizētu ražošanas datus, kuri iegūti no forvardera, nepieciešams veikt to atlasi un filtrēšanu (1. pielikums, kods – 3). Datu apstrādes procesam izveidotas trīs apkopojošās tabulas:

1. “cirsmas_apr” – apkopota informācija cirsmas līmenī;

2. “kravas_kopa” – aprēķināti vidējie rādītāji cirsmā;

3. “kravas_apr” – apkopoti raksturojošie rādītāji, sadalījumā pa kravām.

Pievešanas procesā ievāktiem datiem var veikt datu analīzi, vadoties no uzstādījumiem:

• uzņēmuma līmenī;

• reģiona līmenī;

• cirsmas līmenī;

• operatoru līmenī.

Apstrādājot datu kopu uzņēmuma līmenī, var izstrādāt prognozēšanas modeļus pievešanas darbu veikšanai, kas sniedz atbalstu plānošanas procesā.

Apstrādājot datu kopu reģiona līmenī, var efektīvāk plānot pievešanas un izvešanas procesu.

Regulāra datu iegūšana nodrošinātu izvešanas plānošanas efektivitāti.

Apstrādājot datu kopu cirsmu līmenī, var gūt informāciju par pievesto apjomu, kopējo nobraukto attālumu, patērēto laiku un ražīguma rādītājiem. Ar pētījumā iegūtiem datiem, analizējot forvardera produkcijas failu, var noteikt vidējos rādītājus cirsmā.

Forvardera vidējo nobraukto attālumu var aprēķināt ar 1. pielikumā iekļauto programmas kodu – 4. Pievešanas efektivitātes novērtēšanai datu kopu var sadalīt pa kravām (1. pielikums, kods

– 5).

Pievešanas procesā katru kravu uzskaita atsevišķi, kas cirsmas robežās ļauj identificēt kopējo kravu skaitu (1. pielikums, kods – 6). Lai veiktu cirsmas robežās pievesto kravu analīzi, nepieciešami GNSS dati no uzkraušanās vietas, bet izpētes brīdī šāda informācija nebija pieejama.

Cirsmā var noteikt gan kopējo pievesto apjomu (1. pielikums, kods – 7), gan aprēķināt vidējo kravu (1. pielikums, kods – 8). Rādītājs, kas raksturo vidējo pievesto kravu, ļauj salīdzināt dažādus pakalpojumu sniedzējus.

Izstrādātā datu analīzes aprobācijai iegūtā datu kopa (*.prl fails) ir nepietiekoša pievestā apjoma detalizētākai analīzei sadalījumā pa apaļo kokmateriālu veidiem vai piegādātājiem. Turpmākos pētījumos nepieciešams iegūt lielāku datu kopu, kā arī veikt operatoru instruktāžu, lai mazinātu neuzmanības kļūdu varbūtību. Iegūtā datu kopa izmantojama operatora darba laika un sistēmas uzskaites precizitātes novērtēšanai sadalījumā pa apaļo kokmateriālu veidiem, cirsmām un citos griezumos. Darbietilpības noteikšanai, kā arī uzskaites sistēmas precizitātes novērtējumam nepieciešams paralēli veikt lauku darbu hronometrāžu. Šāda datu ievākšanas metode dos iespēju novērtēt forvardera darba uzskaites sistēmas precizitāti un apzināt iegūstamo datu struktūru un detalizācijas iespējas.

Ražīguma aprēķināšana cirsmas vai objekta robežās balstās uz kopējo patērēto darba laiku un pievesto apjomu (1. pielikums, kods – 9). Šobrīd aprēķiniem izmanto forvardera produkcijas failu (*.prl), bet, lai aprēķinu rezultāts būtu precīzāks, papildus nepieciešams izmantot forvardera monitoringa failu (*.mom), kurā iekļauta informācija par nostrādātajām motorstundām.

Apkopotos datus par forvardera operatoru darbu (ražīgums, vidējā nobrauktā distance, vidējā krava) var atspoguļot arī infografikās, sniedzot iespēju meža mašīnu operatoriem viegli uztveramā veidā izvērtēt savu darba efektivitāti.

*.mom fails. Pētījuma ietvaros izstrādātā programma paredz nepieciešamo datu apvienošanu sadalījumā pa kravām, meža mašīnu operatoriem un citām nozīmīgām pozīcijām. Lai apzinātu pakalpojuma sniedzēja tehnikas vecumu (1. pielikums, kods – 10), izveidota apkopojošā tabula “forv_vecums”. Darba laika analīzei operatoru un maiņas ilguma griezumā (1. pielikums, kods – 11) izveidota tabula “forv_mainas”. Savukārt, ražību raksturojošo parametru atspoguļošanai (1. pielikums, kods – 12), piemēram, veiktajai distancei, patērētam degvielas daudzumam un citiem rādītājiem, izveidota apkopojošā tabula “forv_mom_kopa”.

Katrs ražotājs nosaka forvarderam plānotās apkopes. Mašīnu tehnisko gatavību un stāvokli vērtē atbilstoši nostrādāto motorstundu skaitam. Kopējais tehnikas resurss atkarīgs gan no ekspluatācijas apstākļiem, gan meža mašīnu operatora, gan attieksmes pret tehniku, gan apkopju un remontu regularitātes. Ražošanas izmaksas aprēķinos atmaksāšanās tiek minēta līdz 20000 motorstundām (Ackerman et al. 2014; Xxxxxx, Xxxxxx, and Xxxxx 2018; Xxxxxxxx et al. 2011, 2019). Zinot kopējo plānoto motorstundu skaitu, var prognozēt tehnikas noslodzi (1. pielikums, kods – 12).

Analizējot *.mom failu, var precīzāk novērtēt ražīgumu, nobraukto distanci un patērēto degvielu. Šo rādītājus uzkrāšana un analīze dod iespēju optimizēt pievešanas procesu, tādējādi samazinot pievešanas darbu izmaksas un patērētās degvielas daudzumu, kā arī samazināt CO2

emisijas mežizstrādē. Ražīguma un vidējā pievešanas attāluma aprēķināšanai nepieciešami dati no

*.prl faila, aprēķiniem izmantojams 1. pielikuma kods – 13.

Tehnikas noslodzi diennakts griezumā aprēķina ar 1. pielikuma kodu – 14.

Pēc izstrādātās programmatūras (R vidē izpildāmais kods) aprobācija ražošanas apstākļos, nepieciešamības gadījumā veiksim tās pilnveidošanu.

2.2.3. Sākotnējie secinājumi un rekomendācijas

Datu ievākšanai pievešanas procesā lietderīgi izmantot tehnikas ražotāju piedāvātos risinājumus. Tas dod iespēju iegūtu augstas detalizācijas pakāpes datu failus, kas raksturo pievešanas procesu (ražīgumu, pievesto apjomu, kopējo nobraukumu, degvielas patēriņu u.c. parametrus). Neskatoties uz datu aprites harmonizācijas procesu, piemēram, ieviešot StanForD2010 standartu, dažādu tehnikas ražotāju produkcijas datnes nav pilnībā savietojamas.

Ir jāveic praktiski izmēģinājumi lauka apstākļos ar dažādu ražotāju tehniku un IT sistēmām, lai raksturotu papildus darba apjomu, uzskaites precizitāti, ražotājiem specifiskas problēmas vai priekšrocības, kā arī datu savietojamību un iespēju ģenerēt pārskatus dažādos (telpiskā un statistiskā, cirsmas, nogabala, koridora, maiņas) griezumos.

2.2.4. Priekšlikumi pētījuma īstenošanai 2023. gadā

Turpmākajos pētījuma etapos jāizvērtē dažādu tehnikas ražotāju forvardera produkcijas failos atspoguļoto informāciju, dažādu sistēmu integrācijas un harmonizācijas iespējas, nosakot iegūtās informācijas tālākās analīzes un praktiskas pielietošanas iespējas, tajā skaitā vērtējot dažādu pievesto kokmateriālu uzskaites metožu ietekmi uz ražīgumu un uzskaites precizitāti.

Lai sasniegtu pētījuma mērķi, neieciešams veikt tehnikas izplatītāju un / vai ražotāju aptauju par sistēmas sniegtajām iespējām un to izmantošanu ražošanā, iegūstot aktualizētu informāciju par forvarderu IT sistēmām un to attīstības plāniem. Tāpat nepieciešams iegūt forvardera produkcijas failus, lai veiktu forvardera IT sistēmas novērtējumu. 2023. gada darba uzdevums ir forvarderu sistēmas gatavības novērtējums, balstoties uz produkcijas failiem un produkcijas failu precizitātes un darbietilpības novērtējumu. Lauku darbi ietver:

• darba laika uzskaiti lauku apstākļos;

• operatoru instruktāžu un darba metožu aprobēšanu;

• AGK pievestā apjoma uzmērīšanu. Kamerālie darbi ietver:

• tehnikās literatūras analīzi;

• pētījuma metodikas papildināšanu;

• forvarderu IT sistēmu gatavības novērtēšanu;

• datu izmantošanas iespēju analīzi;

• datu ieguves, uzkrāšanas un matemātiskās analīzes procedūru aprakstīšanu;

3. AUTOMATIZĒTAS SISTĒMAS IZVEIDE MEŽA TAKSĀCIJAS RĀDĪTĀJU NOTEIKŠANAI UN

KOPŠANAS CIRŠU KVALITĀTES NOVĒRTĒŠANAI

Šī pētījuma ietvaros risināts viens uzdevums “Algoritmu pilnveidošana kopšanas ciršu attālinātai kontrolei”. Pētījuma mērķis ir novērtēt automatizētas meža taksācijas risinājumu izmantošanas iespējas Meža valsts reģistra aktualizēšanai, kā arī mežizstrādes mašīnu operatoru atbalstam, nosakot atstājamo koku šķērslaukuma atbilstību darba uzdevumā noteiktajām robežvērtībām. 2022. gada darbu uzdevums ir veikt sakarību analīzi koku caurmēra un skaita atšķirību noteikšanai pēc kopšanas, kā arī sagatavot priekšlikumus programmas pilnveidošanai taksācijas rādītāju noteikšanas precizitātes palielināšanai. Metodika darba uzdevuma īstenošanai sagatavota 2021. gadā un iekļauta pētījuma 1. etapa pārskatā. 2022. gada starpziņojumā iekļautā metodika papildināta, lai uzlabotu ar zemes lāzerskenera datu apstrādes iespējas un raksturotu aužu viendabīgumu.

3.1.1. 2022. gada izpētes rezultāti

Ar hprGallring un alternatīvām metodēm iegūtu meža taksācijas datu salīdzinājums

Pētījumā izmantoti harvestera sistēmas uzskaites dati no 632 audzēm. Dati no 3% audžu atzīti par neizmantojamiem, jo šajās platībās periodiski vai pastāvīgi nedarbojās GNSS uztvērējs un nozāģētie koki koncentrējušies vienā vai vairākos punktos. Audžu taksācijas rādītāji (D, H, G) analizēti, izmantojot programmu hprGallring, un iegūtie rezultāti salīdzināti ar Meža valsts reģistra datiem, kas pēc kopšanas cirtes iegūti manuāli. 537 audzēs kopšanas cirte veikta ar Komatsu harvesteru (aprīkots ar pagrieziena leņķa sensoru), 55 audzes izstrādātas ar Xxxx Xxxxx harvesteru (bez pagrieziena leņķa sensora) un 40 audzēs kopšanas cirte veikta ar Valmet harvesteru (aprīkots ar pagrieziena leņķa sensoru).

Kopumā 15% no vētījumā ietvertajām audzēm vērojama hprGallring prognozēto datu atbilstība ar Meža valsts reģistra datiem galvenajiem taksācijas rādītājiem (D, H, G) visos parametros (3.1. tabula). Precīzākie rezultāti iegūti audzēs, kur izstrāde veikta ar Valmet (23% jeb 9 audzes no 40) un Komatsu (16% jeb 84 audzes no 537) harvesteriem, bet mazāku precizitāti uzrāda ar Xxxx Xxxxx izstrādātajās audzēs (4% jeb 2 audzes no 55). Būtiska atšķirība var būt saistīta ar to, ka šis harvesters nebija aprīkots ar pagrieziena leņķa sensoru, attiecīgi, programma izmantoja Zviedrijas apstākļos izstrādāto algoritmu uz tehnoloģiskā koridora nozāģēto koku nodalīšanai.

Lielāka precizitāte novērota, salīdzinot datus par mežaudzes vidējo augstumu un šķērslaukumu; savukārt, caurmēra noteikšanas precizitāte ir salīdzinoši maza, taču šī parametra noteikšana vairs nav tik būtiska, jo saskaņā ar 09.08.2022 MK noteikumu Nr. 384. “Meža inventarizācijas un Meža valsts reģistra informācijas aprites noteikumi” grozījumiem, audzes vidējā caurmēra noteikšanas precizitāte vairs nav noteikta.

Tabula 3.1. Iegūto audzes taksācijas rādītāju salīdzinājums

Taksācijas rādītājs	Harvestera marka	Atbilstība inventarizācijas datiem
Augstums	Xxxx Xxxxx	54%
	Komatsu	61%
	Valmet	75%

Taksācijas rādītājs	Harvestera marka	Atbilstība inventarizācijas datiem
Šķērslaukums	Xxxx Xxxxx	58%
	Komatsu	50%
	Valmet	70%
Caurmērs	Xxxx Xxxxx	12%
	Komatsu	29%
	Valmet	35%

Taksācijas rādītāju aktualizēšanā pēc kopšanas ciršu veikšanas, par pamatu ņemot harvesteru datus, lielāka sakritība vērojama Ia un I bonitātes skuju koku audzēs mētrājs (52%, n=31), lāns (42%, n=90), damaksnis (33%, n=165), vēris (39%, n=112), slapjais mētrājs (42%, n=12), slapjais damaksnis (34%, n=29) un mētru ārenis (50%, n=16). Vidējais audžu vecums 47 gadi.

Nogabalu platību salīdzinājumā, izmantojot Meža valsts reģistra datus un hprGallring aprēķinus, vērojamas būtiskas atšķirības (p=0,00; 3.1. attēls). Saskaņā ar Meža valsts reģistra datiem vidējā platība ir 1,57 ± 1,23 ha, bet, hprGallring aprēķinātā vidējā nogabala platība ir 0,99 ±0,28 ha. Atšķirības var būt skaidrojamas ar platības noteikšanas metodi, proti, izmantojot hprGallring, platība aprēķināta, vadoties no informācijas, kas iegūta, harvesteram pārvietojoties, un var neietvert nogabalu stūrus, nelielas lauces un neizkoptas platības, kur harvesters nevarēja iebraukt, neradot būtiskus augsnes bojājumus.

Attēls 3.1. Meža platības salīdzinājums.

Manuālo mērījumu salīdzinājums ar hprGallring prognozi

Lai precizētu faktiskos taksācijas rādītājus (D, G, H) pirms un pēc kopšanas cirtes, 13 izmēģinājuma objektos veikti kontrolmērījumi. Taksācijas rādītāji vispirms aprēķināti, izmantojot hprGallring versiju 4.0.0, bet 2023. gada sākumā iznākot programmas versijai 4.1.5, datu pārrēķins veikts audzēm, kurās pirms tam konstatētas būtiskas caurmēra un šķērslaukuma atšķirības.

Divos izmēģinājumu objektos (000-000-00 un 102-271-4), salīdzinot hprGallring 4.0.0 programmas aprēķinātos rādītājus un kontrolmērījumus, kas veikti ar parauglaukumu metodi, novērotas būtiskas nesakritības (novirze > 10%) koku augstuma datos. Arī veicot aprēķinu ar hprGallring 4.1.5., šajos objektos augstuma precizitātes prognoze neuzlabojas. Nolūkā iegūt precīzāku informāciju un novērst iespējamo parauglaukumu izvietojuma ietekmi uz vidējā koku augstuma aprēķinu rezultātiem, izmēģinājuma objektos izmantota fotogrammetrijas metode koku augstuma noteikšanai. Rezultāti, kas iegūti, izmantojot fotogrammetrijas metodi, un veicot kontrolmērījumus, parāda augstuma atšķirības, kas ir pieļaujamā robežā ±10% (3.2. tabula). Izņēmums ir viens objekts (102-259-17), kur novirze starp abiem mērījumiem ir standartkļūdas robežās, bet salīdzinot ar hprGallring, vērojama būtiska atšķirība, ko var skaidrot ar nozāģēto un paliekošo koku augstuma atšķirībā. Saskaņā ar programmas hprGallring aprēķiniem, augstums ir robežā no 20 līdz 26 m (Attēls 3.2).

Attēls 3.2. Augstuma atšķirības piemērs objektā (102-259-17).

Četros izmēģinājuma objektos (000-000-00, 000-000-00, 000-000-00, 411-329-1), salīdzinot hprGallring 4.0.0 programmas aprēķinātos rādītājus un kontrolmērījumus, kas iegūti ar parauglaukumu metodi, novērotas būtiskas nesakritības (novirze pārsniedz 2 m2 ha-1) šķērslaukuma mērījumos, kas par 1 vienību pārsniedz MK noteikumos Nr. 384. “Meža inventarizācijas un Meža valsts reģistra informācijas aprites noteikumi” maksimāli pieļaujamo novirzi. Veicot aprēķinus ar hprGallring 4.1.5. versiju, šķērslaukuma atšķirības audzēs, kurās iepriekš novērotas būtiska nesakritība, vairs nav novērotas, attiecīgi, programmā ir veikti uzlabojumi, kas būtiski uzlabo šķērslaukuma prognozi.

Tabula 3.2. Izmēģinājuma objektos iegūto datu kopsavilkums

Nogabala atslēga	Platība, ha	Kontrolmērījumi			hprGallring modelētie taksācijas rādītāji (versija 4.0.0)				Koku augst- ums fotog- rammetriski,
		D, cm	H, m	G, m2 ha-1	D, cm	H, m	G, m2 ha-1	platība, m ha
000-000-00	0,79	18	16	19	21	19	24	1,06	18
000-000-00	1,18	15	16	16	18	16	18	0,83	15
000-000-00	0,6	22	23	22	23	24	23	0,83	23
000-000-0	0,97	20	19	20	21	21	21	0,83	20
000-000-00	2,69	14	16	18	-	-	-	-	15
000-000-00	1,53	14	15	16	-	-	-	-	15
000-000-00	1,54	14	16	18	-	-	-	-	16
102-305- 11,17	2,07	17	18	19	20	18	19	1,31	17
000-000-00		16	14	18	16	15	21	1,33	15
000-000-00	1,47	22	20	24	23	21	21	0,82	19
000-000-0	4,63	20	15	16	17	14	17		19
000-000-0	2,52	17	15	16	17	15	19	2,25	16
000-000-0	1,74	17	14	16	21	15	18	1,03	14
000-000-0	0,96	20	16	19	21	16	19	1,03	16
000-000-00	0,97	28	23	26	-	-	-	0,63	24
000-000-00	1,21	17	15	18	17	16	17	1,15	16
000-00-00	0,00	00	00	00	00	00	18	0,56	16

Telpiskā novietojuma izvērtējums

Lai labāk izprastu sakarības starp prognozētajiem un faktiskajiem taksācijas rādītājiem (D, H, G), pētījumā analizēts koku izvietojums pirms un pēc kopšanas cirtes. Atrastās sakarības korelācijas koeficients norāda uz nebūtisku sakarību. Iespējams, ka tas skaidrojams ar analizējamo datu slāņu (DSM un DTM) nepietiekošu izšķirtspēju. Koku izvietojums un taksācijas rādītāju sakarību vērtēšanas darbu turpināsim 2023. gadā pētījumā iekļautajās cirsmās, lai identificētu iespējamās problemātiskās teritorijas, kur un kāpēc hprGallring prognozētie un mērītie vai aprēķinātie taksācijas rādītāji būtiski atšķiras.

Veicot taksācijas rādītāju aprēķināšanu ar hprGallring nogabala līmenī, lietderīgi pilnveidot hprGallring programmu, lai, ievadot papildus nogabala datu slāni (*.shp), taksācijas rādītājus varētu nolasīt no programmas. Šobrīd šo rādītāju atlase un datu apstrāde veicama ĢIS programmā, izmantojot datu slāni (*.shp), kas eksportēts no hprGallring (Attēls 3.3).

Attēls 3.3. Datu slāņa pievienošana hprGallring programmai (105-89-8,9).

Caurmēra prognozes precizitātes novērtējums

Taksācijas rādītāju aprēķināšana, par pamatu ņemot harvestera sistēmas uzskaites datus, iespējama pie nosacījuma, ja stumbra caurmēra mērījumi ir pareizi. Tas nozīmē, ka tālākai datu apstrādei izmantojami tikai tie dati, kas satur informāciju par visām stumbra daļām. Šobrīd harvestera operatoram ir iespēja pirmo nozāģēto nelikvīdu nereģistrēt sistēmā, tādējādi uzskaites sistēma nespēj precīzi noteikt stumbra caurmēru 1,2 m augstumā no pirmās zāģējuma vietas un stumbra tilpuma. Pētījumā nav paredzēts apskatīt tilpuma izmaiņu novērtējumu, bet gan caurmēra novērtējumu. Caurmēra precizitātes novērtējums balstīts uz manuālajiem mērījumiem, salīdzinot tos ar iegūtiem datiem no harvestera sistēmā reģistrētā.

Izmantojot no Xxxx Xxxxx un Ponsse harvesteriem iegūtos datus, konstatēts, ka pirmajā metodē, kas paredz stumbra sagarumošanu automātiskā režīmā, prognozētā un ar parauglaukumu metodi noteiktā vidējā koka caurmēra atšķirības saistāmas ar nelikvīda zāģēšanu, tādējādi ietekmējot caurmēra precizitāti (3.3. attēls). Otrajā metodē, kas paredz nozāģēt nelikvīdu (>50 cm), neatzīmējot to sistēmā, caurmēra atšķirība ir vidēji 0,7 cm. Izmantojot trešo metodi, kas paredz sagatavot nelikvīdu, kas nav īsāks par 50 cm, un fiksēt to harvestera sistēmā, veidojas nebūtiska atšķirība (- 0,08 cm). Salīdzinot ar Xxxx Xxxxx un Ponsse harvesteriem iegūtos datus, abām mašīnām konstatēta statistiski būtiska (p<0,05) atšķirība starp otro un trešo metodi.

Strādājot ar Malwa harvesteru ar otro un trešo metodi, atšķirības caurmēra nobīdē 1,3 m augstumā, salīdzinot ar parauglaukumu metodi iegūtos datus un hprGallring prognozi, atšķirības nav būtiskas. To var skaidrot ar mazākiem rukuma rādītājiem, zāģējot tievākus kokus.

Attēls 3.4. Koku caurmēra nobīdes.

3.1.2. Sākotnējie secinājumi un rekomendācijas

Taksācijas rādītāju aprēķināšanā, izmantojot harvestera produkcijas failos uzkrātos datus par nozāģēto koku izvietojumu un hprGallring programmu, labākus rezultātus var iegūt vidēja vecuma skuju koku audzēs.

Lai uzlabotu caurmēra noteikšanu harvestera sagatavotajos failos, kokmateriālu sagatavošanas procesā nepieciešams uzskaitīt visus sagatavotos stumbra nogriežņus.

Izmantojot 2021. un 2022. gadā īstenoto pieeju, vērtējot mērījumu precizitāti priedes tīraudzēs, aprēķinu nenoteiktības mazināšanai un hprGallring algoritmu uzlabošanai datu kopā jāiekļauj lapu koku tīraudzes un mistraudzes, ierīkojot tajās parauglaukumus pēc kopšanas cirtes izpildes, paralēli iegūstot harvestera uzskaites datus un veicot fotogrammetrisku cirsmu uzmērīšanu pirms un pēc kopšanas cirtes. Tāpat jāturpina programmā hprGallring izmantojamo pārrēķinu koeficientu (uz un ārpus tehnoloģisko koridoru nozāģēto koku pārrēķiniem uz cirsmas taksācijas rādītājiem) pilnveidošanas darbs uzlabojot taksācijas rādītāju aprēķinus.

Gadījumos, kad kopšanas cirte ir veikta vairākos nogabalos, bet taksācijas radītāju nepieciešams identificēt nogabala robežās, nepieciešams pilnveidot hprGallring, pievienojot iespēju importēt nogabala robežu telpiskos datus un atbilstoši tiem agregējot hprGallring automātiski izdalītās mikroaudzes.

Ņemot vērā programmas hprGallring aprēķinātos rādītājus, nepieciešams izvērtēt, vai nebūtu lietderīgi precizēt nogabalu un apakšnogabalu robežas atbilstoši vidējā koku augstumam un valdošajai sugai.

Papildus risks, izmantojot hprGallring mežaudžu taksācijas rādītāju modelēšanai, ir pastāvīgi vai periodiski GNSS uztvērēja darbības traucējumi. Atbilstoši pētījumā par nederīgiem atzītu datu kopu īpatsvaram, šādu cirsmu varētu būt līdz 3%. No šīs problēmas var daļēji izvairīties, pirms darba uzsākšanas pārliecinoties, ka harvestera sistēmā funkcionē GNSS uztvērējs.

3.1.3. Priekšlikumi pētījuma īstenošanai 2023. gadā

Lai sasniegtu pētījuma mērķi, jāturpina harvestera datu ievākšanu lapu koku un mistrotās audzēs, kur veikta kopšana cirte, kā arī jāvērtē prognozēto koku skaita atšķirību iemesli pirms un pēc kopšanas cirtes. 2023. gada darba uzdevums ir salīdzināt ar hprGallring ģenerētos un ar manuāliem mērījumiem iegūtos datus no lapu koku audzēm. Tāpat nepieciešams salīdzināt hprGallring ģenerētos un Meža valsts reģistrā pieejamos datus. Uzdevuma izpildei paredzētie lauku darbi ietver:

• lapu koku audžu vienlaidus dastošanu pēc kopšanas cirtes (vismaz 10 ha platībā);

• audžu uzmērīšanu, izmantojot bezpilota lidaparātu. Kamerālie darbi ietver:

• koku caurmēra atšķirību analīzi, salīdzinot mērījumu datus un hprGallring prognozi;

• rekomendāciju sagatavošanu hprGallring programmas un taksācijas rādītāju noteikšanas precizitātes palielināšanai;

• hprGallring programmas precizitātes novērtēšanu un priekšlikumu izstrādāšanu programmas ieviešanai ražošanā.

LITERATŪRA

Xxxxxxxx, Xxxxxx, Xxxxxx Xxxxx, Xxxx Xxxxxxxx, Xxxx xx Xxxx, Xxxxx Xxxxxxx, and Xxxx Xxxxx.

2014. “The COST Model for Calculation of Forest Operations Costs.” Xxxx://Xx.Xxx.Xxx/00.0000/00000000.0000.000000 25(1):75–81. doi: 10.1080/14942119.2014.903711.

Xxxxxxxx, X., X. Xxxxxx, X. X. Xxxxx, and T. Räsänen. 2012. Introduction to StanForD2010. Structural Descriptions and Implementation Recommendations.

Xxxxxxxx, X., X. Xxxxxx, X. X. Xxxxx, and Xxxxxxx T. 2019. Introduction to StanForD 2010.

Xxxxxxxxx, Xxxx. 2011. Swedish R&D Programme Efficient Forest Fuel Supply Systems - Stepping up the Pace! Helsinki University.

Xxxxx, Xxxxxxx, Xxxx Xxxxxxx, Xxxxxxx Xxxxx, Xxxxxxxx Xxxxxxx, and Xxxxxxx Xxxxxxxxx. 2020. “Forwarder Productivity in Salvage Logging Operations in Difficult Terrain.” Forests 2020, Vol. 11, Page 341 11(3):341. doi: 10.3390/F11030341.

Xxxxxx, X., X. Xxxxx, X. Xxxxx, and X. Xxxxxx. 2021. “Fuel Quality Changes in Full Tree Logging Residue during Storage in Roadside Slash Piles in Northwestern Ontario.” Biomass and

Bioenergy 42(0):43–50. doi: xxxxx://xxx.xxx/00.0000/x.xxxxxxxx.0000.00.000.

Xxxxxxxxx, Xxxxxx, Xxxx Xxxxxxxx, and Xxxxx Xxxxxxxxxxx. 2018. “Productivity, Setup Time and Costs of a Winch-Assisted Forwarder.” Journal of Forest Research 23(4):196–203. doi: 10.1080/13416979.2018.1483131.

XXXXX. 2019. Bioenergy from Boreal Forests: Swedish Approach to Sustainable Wood Use. Xxxxxx, S., G. Xxxxxx, and J. Stola. 2018. “Productivity and Cost of Logbear F4000 Forwarder in

Thinning Depending on Driving Conditions.” Engineering for Rural Development 1458–63. doi: xxxxx://xxx.xxx/00.00000/XXXxx0000.00.X000.

Xxxxxxx, X. 2021. Tehnoloģijas Meža Apsaimniekošanas Procesu Efektivitātes Paaugstināšanai.

Salaspils.

Xxxxxx, Xxxxx, Xxxxx Xxxx, and Back Xxxxx Xxxxxx. 2019. “Forwarding during Final Felling: Work Element-Specific Distributions of Driving Distances at the Stand Level.” Xxxxx://Xxx.Xxx/00.0000/00000000.0000.0000000 31(1):51–69. doi: 10.1080/14942119.2019.1657058.

Xxxxx, X. 1999. “The Storage of Logging Residue for Fuel.” Biomass and Bioenergy 17(1):41–47. doi: xxxxx://xxx.xxx/00.0000/X0000-0000(00)00000-0.

PapiNet. 2022. Forest Wood Supply and Bioproducts Use Case 05 Harvesting and Forwarding of Logs in the Forest.

Xxxxxxx, R., X. Xxxx, S. O. Xxxxxxxxx, and X. Xxxxxxxx. 2020. “Influence of Tree Species, Harvesting Method and Storage on Energy Demand and Wood Chip Quality When Chipping Poplar, Willow and Black Locust.” Agriculture 10(4):116. doi: xxxxx://xxx.xxx/00.0000/xxxxxxxxxxx00000000.

R Core Team. 2022. “R: A Language and Environment for Statistical Computing.”

Xxxxxxxx, X., X. Xxxxxxxxxx, X. Sperandio, P. Cielo, S. Xxxxxx, and R. Zanuttini. 2011. “Cost and Productivity of Harvesting High-Value Hybrid Poplar Plantations in Italy.” Forest Products Journal 61(1):64–70. doi: xxxxx://xxx.xxx/00.00000/0000-0000-00.0.00.

Xxxxxxxx, X., X. Xxxxxx, X. Björheden, and X. Xxxxx. 2019. “Recovering Energy Biomass in Conventional Forest Operations: A Review of Integrated Harvesting Systems.” Current Forestry Reports 5(2):90–100. doi: xxxxx://xxx.xxx/00/xx00xx.

1. Pielikums Forvardera datu analīzes

programmas kods

Atsauce tekstā	kods
kods - 1	library(DBI) library(getPass) library(odbc) library(tidyr) library(stringr) library(dplyr) library(ggplot2) library(ggblanket) library(units)
kods - 2	con <- DBI::dbConnect(odbc::odbc(), Driver = "PostgreSQL Unicode", Database = "LVM_for", UserName = "postgres", Password = getPass("Enter Password:"), Servername = "localhost", Port = 5432)
kods - 3	kravas <- dbSendQuery(con, "SELECT object_user_id, object_name, contract_number, machine_owner_id, machine_base_model, distance_from_last_unloading, unloading_time,forward_start_date, forward_end_date, load_number, load_volume_text FROM fpr_v31.object_definition INNER JOIN fpr_v31.machine ON fpr_v31.object_definition.files_id = fpr_v31.machine.files_id INNER JOIN fpr_v31.load ON fpr_v31.object_definition.files_id = fpr_v31.load.files_id INNER JOIN fpr_v31.forwarding_status ON fpr_v31.object_definition.files_id = fpr_v31.forwarding_status.files_id INNER JOIN fpr_v31.load_volume ON fpr_v31.object_definition.files_id = fpr_v31.load_volume.files_id AND fpr_v31.load.load_number = fpr_v31.load_volume.partial_load_id WHERE fpr_v31.load_volume.load_volume_category = 'Volume, m3sob'") kravas_apr <- dbFetch(kravas) cirsma <- dbSendQuery(con, "SELECT object_user_id, object_name, contract_number, forward_start_date, forward_end_date FROM fpr_v31.object_definition INNER JOIN fpr_v31.forwarding_status ON fpr_v31.object_definition.files_id = fpr_v31.forwarding_status.files_id") cirsma_apr <- dbFetch(cirsma) apkopo_kravas <- kravas_apr %>% group_by(object_name) %>% summarise(nobraukums=sum(distance_from_last_unloading),kravas=max(load_number), sum_kravas=sum(load_volume_text)) cirsma_apr["laiks"] <- round(as.numeric(cirsma_apr$forward_end_date - cirsma_apr$forward_start_date), digits = 1) cirsma_apr <- left_join(cirsma_apr, apkopo_kravas, by = c('object_name' = 'object_name')) kravas_kopa <- kravas_apr %>% group_by(object_name) %>% summarise(nobraukums = mean(distance_from_last_unloading),nobraukums_sum = sum(distance_from_last_unloading),nobraukums_sd = sd(distance_from_last_unloading),kravas = max(load_number), apjoms_sum = sum(load_volume_text), apjoms_vid = mean(load_volume_text), apjoms_sd = sd(load_volume_text)) cirsma_apr <- cirsma_apr %>% full_join(kods, by = c('object_name' = 'object_name')) kravas_kopa <- kravas_kopa %>% full_join(kods, by = c('object_name' = 'object_name')) kravas_apr <- kravas_apr %>% full_join(kods, by = c('object_name' = 'object_name'))
kods - 4	a <- ggplot(data = kravas_kopa, aes(x=object_name, y=nobraukums)) + geom_bar(stat = "identity", color = "black", position = position_dodge()) + geom_errorbar(aes(ymin= nobraukums-nobraukums_sd, ymax=nobraukums+nobraukums_sd), width = .2, position = position_dodge(.9)) + xlab("Objekta ID") + ylab("Nobraukums, km") print(a)
kods - 5	kravas_apr %>% filter(object_name == "22HR018") %>% ggplot(aes(load_number, distance_from_last_unloading)) + geom_bar(stat="identity", width=.5, fill="tomato3", color = "black") + geom_line(aes(load_number, sort(distance_from_last_unloading, decreasing = TRUE))) + scale_x_continuous(breaks = seq(1, 12, 1), limits=c(0, 13)) + labs(x= "ravas numurs", y = "Nobraukums, km")
kods - 6	cirsma_apr %>% group_by(object_name) %>% summarise(kravas = max(kravas)) %>% ggplot() + geom_col(aes(x= kravas, y = object_name)) + ylab("Objekta ID") + xlab("Kravu skaits")

Atsauce tekstā	kods
kods - 7	ggplot(kravas_kopa,aes(x=object_name,y=apjoms_sum)) + geom_bar(stat="identity",color = "black", width=.5) + xlab("Objekta ID") + ylab(expression(paste("Pievestais apjoms, m"^"3")))
kods - 8	ggplot(kravas_kopa, aes(x=object_name, y=apjoms_vid)) + geom_bar(stat = "identity", color = "black", position = position_dodge()) + geom_errorbar(aes(ymin= apjoms_vid-apjoms_sd, ymax=apjoms_vid+apjoms_sd), width = .2, position = position_dodge(.9)) + xlab("Objekta ID") + ylab(expression(paste("Videja krava, m"^"3")))
kods - 9	cirsma_apr %>% group_by(object_name) %>% summarise(razigums = mean(sum_kravas/laiks)) %>% ggplot() + geom_col(aes(x= razigums, y = object_name)) + ylab ("Objekta ID") + xlab(expression(paste("Aprekinatais razigums, m"^"3" * "h"^"-1")))
kods - 10	forv_vecums <- dbSendQuery(con,"SELECT mom_v31.object_definition.files_id, mom_v31.object_definition.object_name, mom_v31.machine.machine_owner_id, mom_v31.machine.machine_engine_time, mom_v31.machine.machine_driven_distance, mom_v31.machine.machine_base_model FROM mom_v31.object_definition JOIN mom_v31.machine ON mom_v31.object_definition.files_id = mom_v31.machine.files_id") forv_vecums <- dbFetch(forv_vecums)
kods - 11	forv_mainas <- dbSendQuery(con,"SELECT mom_v31.object_definition.files_id, mom_v31.object_definition.object_name, mom_v31.operator_work_time.operator_key, mom_v31.operator_work_time.shif_key, mom_v31.operator_work_time.monitoring_time_length, mom_v31.operator_work_time.operator_work_time_category, mom_v31.operator_shift_definition.shift_category, mom_v31.operator_shift_definition.shift_start_time, mom_v31.operator_shift_definition.shift_end_time, mom_v31.operator_definition.operator_definition_id, mom_x00.xxxxxxx_xxxxxxxxxxx.xxxxxxxx_id FROM mom_v31.object_definition JOIN mom_v31.operator_work_time ON mom_v31.object_definition.files_id = mom_v31.operator_work_time.files_id JOIN mom_v31.operator_shift_definition ON mom_v31.operator_work_time.files_id = mom_v31.operator_shift_definition.files_id AND mom_v31.operator_work_time.shif_key = mom_v31.operator_shift_definition.shif_key JOIN mom_v31.operator_definition on mom_v31.operator_shift_definition.files_id = mom_v31.operator_definition.files_id AND mom_v31.operator_shift_definition.operator_key = mom_v31.operator_definition.operator_key JOIN mom_x00.xxxxxxx_information ON mom_v31.operator_definition.files_id = mom_x00.xxxxxxx_xxxxxxxxxxx.xxxxx_id AND mom_v31.operator_definition.operator_definition_id = mom_x00.xxxxxxx_xxxxxxxxxxx.xxxxxxxx_definition_id") forv_mainas <- dbFetch(forv_mainas)
kods - 12	forv_vecums$G <- as.numeric(forv_vecums$machine_engine_time / 60) forv_vecums$L <- as.numeric(forv_vecums$machine_driven_distance / 1000)
kods - 13	forv_mom_kopa_1 <- forv_mom_kopa %>% group_by(object_name) %>% summarise(laiks = sum(monitoring_time_length/60/60), mot_t = sum(engine_time /60/60), L_km = sum(driven_distance/1000), L_l = sum(fuel_consumption)) forv_mom_kopa_1 <- forv_mom_kopa_1 %>% full_join(apkopo_kravas, by = c("object_name" = "object_name")) forv_mom_kopa_1$R <- as.numeric(round(forv_mom_kopa_1$sum_kravas / forv_mom_kopa_1$mot_t, digits = 1)) forv_mom_kopa_1$D_vid <- as.numeric(round(forv_mom_kopa_1$L_l / forv_mom_kopa_1$mot_t, digits = 1)) forv_mom_kopa_1$L_vid <- as.numeric(round(forv_mom_kopa_1$L_km / forv_mom_kopa_1$kravas, digits = 1))
kods - 14	forv_mainas_1 <- forv_mainas %>% group_by(object_name,operator_key , shift_category) %>% summarise(T_sec = sum(monitoring_time_length), T_h = sum(round(monitoring_time_length)/60/60, digits = 1))

2. Pielikums Forvardera atstāto risu

mērīšanas iekārtas darbības kods

#include <Wire.h>

#include <TFLI2C.h> // TFLuna-I2C Library v.0.1.1

#include <SparkFun_I2C_Mux_Arduino_Library.h> //Click here to get the library: xxxx://xxxxxxxxxxxxxx/Xxx#XxxxxXxx_X0X_Xxx

#include <SparkFun_u-blox_GNSS_Arduino_Library.h> //xxxx://xxxxxxxxxxxxxx/Xxx#XxxxxXxx_x-xxxx_XXXX QWIICMUX myMux;

TFLI2C tflI2C;

int16_t tfDist;

int16_t tfAddr = TFL_DEF_ADR; #define NUMBER_OF_SENSORS 3 SFE_UBLOX_GNSS myGNSS;

long lastTime = 0; //Simple local timer. Limits amount if I2C traffic to u-blox module. #include "SparkFun_Qwiic_OpenLog_Arduino_Library.h"

OpenLog myLog; //Create instance float L ;

float C ; float R ; float tilt;

//float pan;

#include <Adafruit_Sensor.h> #include <Adafruit_BNO055.h> #include <utility/imumaths.h>

Adafruit_BNO055 bno = Adafruit_BNO055(-1, 0x28); void setup()

{

Serial.begin(115200); Wire.setClock(400000); Wire.begin();

//myGNSS.setI2COutput(COM_TYPE_UBX); //Set the I2C port to output UBX only (turn off NMEA noise)

//myGNSS.setNavigationFrequency(20); //Set output to 20 times a second myLog.begin();

myGNSS.begin(Wire) == false;

for (int x = 0; x < NUMBER_OF_SENSORS; x++) if (myMux.begin() == false)

{

//Serial.println("Mux not detected. Freezing..."); while (1);

}

myMux.setPort(5); if(!bno.begin())

{

/* There was a problem detecting the BNO055 ... check your connections */

//Serial.print("BN"); while(1);

}

bno.setExtCrystalUse(true);

//Serial.println();

//Serial.println("L,C,R,Roll,Pitch,LAT,LON,AMSL,Hacc,Vacc,Date,Time");

/* int32_t latitude = myGNSS.getHighResLatitude(); int8_t latitudeHp = myGNSS.getHighResLatitudeHp(); int32_t longitude = myGNSS.getHighResLongitude(); int8_t longitudeHp = myGNSS.getHighResLongitudeHp(); int32_t msl = myGNSS.getMeanSeaLevel();

uint32_t Haccuracy = myGNSS.getHorizontalAccuracy(); uint32_t Vaccuracy = myGNSS.getVerticalAccuracy(); int32_t day = myGNSS.getDay();

int32_t month = myGNSS.getMonth(); int32_t year = myGNSS.getYear(); int32_t hour = myGNSS.getHour(); int32_t minute = myGNSS.getMinute(); int32_t second = myGNSS.getSecond();

*/

}

void loop()

{

if (millis() - lastTime > 100)

{

lastTime = millis(); //Update the timer

for (byte x = 0; x < NUMBER_OF_SENSORS; x++)

{

myMux.setPort(x);

if( tflI2C.getData( tfDist, tfAddr)) // If read okay...

{

//Serial.print(tfDist);//debug

//Serial.print(",");//debug

if(x == 0){ L = tfDist;

}

if(x == 1){ C = tfDist;

}

if(x == 2){ R = tfDist;

}

}

else tflI2C.printStatus(); // else, print error.

}

myMux.setPort(3);

//LAT

//Serial.print(myGNSS.getHighResLatitude() / 10000000.0, 9); int32_t latitude = myGNSS.getHighResLatitude();

// Serial.print(",");

//LAT HP

//Serial.print(myGNSS.getHighResLatitudeHp() / 10000000.0, 9); int32_t latitudeHp = myGNSS.getHighResLatitudeHp();

// Serial.print(",");

//LON

// Serial.print(myGNSS.getHighResLongitude() / 10000000.0, 9); int32_t longitude = myGNSS.getHighResLongitude() ;

//Serial.print(",");

//LON HP

// Serial.print(myGNSS.getHighResLongitudeHp() / 10000000.0, 9); int32_t longitudeHp = myGNSS.getHighResLongitudeHp() ;

//Serial.print(",");

int32_t lat_int; // Integer part of the latitude in degrees int32_t lat_frac; // Fractional part of the latitude

int32_t lon_int; // Integer part of the longitude in degrees int32_t lon_frac; // Fractional part of the longitude

lat_int = latitude / 10000000; // Convert latitude from degrees * 10^-7 to Degrees lat_frac = latitude - (lat_int * 10000000); // Calculate the fractional part of the latitude lat_frac = (lat_frac * 100) + latitudeHp; // Now add the high resolution component

if (lat_frac < 0) // If the fractional part is negative, remove the minus sign

{

lat_frac = 0 - lat_frac;

}

lon_int = longitude / 10000000; // Convert latitude from degrees * 10^-7 to Degrees lon_frac = longitude - (lon_int * 10000000); // Calculate the fractional part of the longitude lon_frac = (lon_frac * 100) + longitudeHp; // Now add the high resolution component

if (lon_frac < 0) // If the fractional part is negative, remove the minus sign

{

lon_frac = 0 - lon_frac;

}

//AMSL

//Serial.print(myGNSS.getMeanSeaLevel()/ 1000.0); int32_t msl = myGNSS.getMeanSeaLevel();

//Serial.print(",");

//Hacc

//Serial.print(myGNSS.getHorizontalAccuracy() / 10000.0, 3); uint32_t Haccuracy = myGNSS.getHorizontalAccuracy();

//Serial.print(",");

//Vacc

//Serial.print(myGNSS.getVerticalAccuracy()/ 10000.0, 3); uint32_t Vaccuracy = myGNSS.getVerticalAccuracy();

//Serial.print(",");

//Date

//Serial.print(myGNSS.getDay()); int32_t day = myGNSS.getDay();

//Serial.print("-");

//Serial.print(myGNSS.getMonth()); int32_t month = myGNSS.getMonth();

//Serial.print("-");

//Serial.print(myGNSS.getYear());

//int32_t year = myGNSS.getYear();

//Serial.print(",");

//Time

//Serial.print(myGNSS.getHour()); int32_t hour = myGNSS.getHour();

//Serial.print(":");

//Serial.print(myGNSS.getMinute()); int32_t minute = myGNSS.getMinute();

//Serial.print(":");

//Serial.print(myGNSS.getSecond()); int32_t second = myGNSS.getSecond();

myMux.setPort(5);

imu::Vector<3> euler = bno.getVector(Adafruit_BNO055::VECTOR_EULER);

//Serial.print(" Y: "); //debug

//Serial.print(euler.y()); //debug

//Serial.print(" Z: "); //debug

//Serial.print(euler.z()); //debug tilt = euler.y();

//pan = euler.z(); myMux.setPort(4);

//Distance myLog.print(L,0); myLog.print(","); myLog.print(C,0); myLog.print(","); myLog.print(R,0); myLog.print(","); myLog.print(tilt,2); myLog.print(",");

//myLog.print(pan,2);

//myLog.print(",");

//GNSS myLog.print(lat_int); printFractional(lat_frac, 9); myLog.print(","); myLog.print(lon_int); printFractional(lon_frac, 9); myLog.print(","); myLog.print(msl / 1000.0); myLog.print(",");

myLog.print(Haccuracy / 10000.0, 3); myLog.print(","); myLog.print(Vaccuracy / 10000.0, 3); myLog.print(",");

//Date myLog.print(day);

myLog.print("/"); myLog.print(month);

//myLog.print("/");

//myLog.print(year); myLog.print(",");

//Time myLog.print(hour);

//Serial.print(hour); myLog.print(":");

//Serial.print(":"); myLog.print(minute);

//Serial.print(minute); myLog.print(":");

//Serial.print(":"); myLog.println(second);

//Serial.print(second); myLog.syncFile();

//delay(50);

//Serial.println(second); // debug

//Serial.println("done"); //retour a la ligne

}

//digitalWrite(ledPin, HIGH);

// delay(10); //Wait for next reading

//digitalWrite(ledPin, LOW);

}

void printFractional(int32_t fractional, uint8_t places)

{

if (places > 1)

{

for (uint8_t place = places - 1; place > 0; place--)

{

if (fractional < pow(10, place))

{

myLog.print("0");

}

}

}

myLog.print(fractional);

}

3. Pielikums Risu analīzes programmas

kods, izmantojot LiDAR sensoru un GPS lokācijas informāciju (RM1)

Risu analīzes programmas kods, izmantojot LiDAR sensoru un GPS lokācijas informāciju (RM1)Xxxxx Xxxxxxx (XXXX Xxxxxx)

2023-01-06

Izstrādātais kods paredzēts risu, kuru dziļums pārsniedz 20 cm, automātiskai kartēšanai, kā arī to lokācijas un kopējā garuma noteikšanai. Risu noteikšanai izmantoti LiDAR sensori un GPS lokācijas informācija.

Izmantojamās R bibliotēkas:

library(dplyr) library(tidyverse) library(rgdal) library(sf) library(ggplot2) library(RColorBrewer) library(raster) library(deldir) library(rgeos) library(maptools) library(sp) library(leaflet) library(plyr) library(data.table) library(purrr) library(tidyr) library(raster)

Norāda datu atrašanās direktoriju

setwd("H:/2022/Forvardera_rises/20220823/data/23") getwd()

## [1] "H:/2022/Forvardera_rises/20220823/data/23"

Apvieno visus darba direktorijā esošos *.csv failus

dataset <- ldply(list.files(), read.csv, header=TRUE)

Datu rindas sakārto pēc laika zīmoga

dataset <- dataset[order(dataset$Seq),]

Datu rindām piešķir unikālu ID

dataset$ID <- xxx.xxx(nrow(dataset))

Pārprojicē koordinātu sistēmu no WGS84 uz LKS92

dataset <- dataset %>% drop_na(LAT)

data_sf <-st_as_sf(dataset, coords=c("LON", "LAT"), crs = 4326) new_coords = st_crs(3059)

data_3059 <- st_transform(data_sf, new_coords) LKS <- data_3059 %>%

mutate(long = unlist(map(data_3059$geometry,1)), lat = unlist(map(data_3059$geometry,2)))

Aprēķina distanci starp secīgiem punktiem

LKS_df <- LKS %>% st_drop_geometry()

tab_2 <- LKS_df %>% dplyr::select(ID, long, lat) %>% mutate(NR = case_when(ID>=0 ~ ID+1)) LKS_apvienots <- full_join(LKS_df, tab_2, by = c("ID" = "NR"))

LKS_apvienots$dist <- sqrt(abs(LKS_apvienots$long.x - LKS_apvienots$long.y)^2+abs(LKS_apvienots$lat.x - LKS_apvienots$lat.y)^2)

Noņem datu punktus, kuros forvarders stāvējis uz vietas

LKS_dist_filter <- filter(LKS_apvienots,dist > 0.05)

Datu rindām piešķir jaunu unikālu ID

LKS_dist_filter$ID_2 <- xxx.xxx(nrow(LKS_dist_filter))

Aprēķina azimutu starp secīgiem punktiem

LKS_dist_filter$bearring <- (atan(( LKS_dist_filter$long.y - LKS_dist_filter$long.x )/ ( LKS_dist_filter$lat.y - LKS_dist_filter$lat.x )))*180/3.14159 + (180*((( LKS_dist_filter$lat.y - LKS_dist_filter$lat.x )<0)+

((( LKS_dist_filter$long.y - LKS_dist_filter$long.x )<0 & ( LKS_dist_filter$lat.y - LKS_dist_filter$lat.x )>0)*2)))

Izskaitļo forvardera virziena maiņas punktus

tab_3 <- LKS_dist_filter %>% dplyr::select(ID_2, bearring) %>% mutate(NR = case_when(ID_2>=0 ~ ID_2+1)) LKS_apvienots_2 <- full_join(LKS_dist_filter, tab_3, by = c("ID_2" = "NR"))

LKS_apvienots_2$turn <- if_else((abs( LKS_apvienots_2$bearring.x - LKS_apvienots_2$bearring.y ))>120 & (abs( LKS_apvienots_2$bearring.x - LKS_apvienots_2$bearring.y ))<240, 1, 0)

Noņem datu punktus ar tukšiem ierakstiem

LKS_apvienots_2 <- LKS_apvienots_2[complete.cases(LKS_apvienots_2$turn),]

Katru forvardera kustības virziena maiņu grupē secīgos pārbraucienos

LKS_apvienots_2$group<-cumsum(LKS_apvienots_2$turn==1)

Aprēķina attālumu starp katru no punktiem un tuvāko augstākas klases (grupas) punktu

LKS_apvienots_2$ID <- LKS_apvienots_2$group LKS_apvienots_2$X <- LKS_apvienots_2$long.x LKS_apvienots_2$Y <- LKS_apvienots_2$lat.x LKS_apvienots_2$uid <- LKS_apvienots_2$ID_2.y setDT(LKS_apvienots_2)

dist <- function(x,y,d) {

d[, nn_dist:=sqrt((X-x)^2 + (Y-y)^2)][order(nn_dist)][1]}

LKS_apvienots_2[, c("nnX", "nnY", "nn", "nn_dist"):=dist(X,Y, LKS_apvienots_2[ID>.BY$ID,.(X,Y,uid)]),by=.(ID,uid)]

Nofiltrē trokšņa punktus

LKS_apvienots_2$noise <- abs(LKS_apvienots_2$L-LKS_apvienots_2$R) LKS_noise_filter <- filter(LKS_apvienots_2, noise < 20)

FIltrē pēc risas dziļuma

LKS_noise_filter$rut_depth <- (199.8 - LKS_noise_filter$C) LKS_rut_depth_filter <- filter(LKS_noise_filter, rut_depth > 20) ggplot() +

geom_point(data = LKS_rut_depth_filter, aes(x = long.x, y = lat.x), alpha = .05)

dev.off()

## null device ## 1

Atstāj tikai pēdējā pārbrauciena punktus

LKS_group_filter <- filter(LKS_rut_depth_filter, (nn_dist > 5 | xx.xx(nn_dist))) ggplot() +

geom_point(data = LKS_group_filter, aes(x = long.x, y = lat.x), alpha = .05)

dev.off()

## null device ## 1

Pievieno jaunu ID lauku

LKS_group_filter$ID_3 <- xxx.xxx(nrow(LKS_group_filter))

Aprēķina distanci starp risās esošajiem punktiem

tab_4 <- LKS_group_filter %>% dplyr::select(ID_3, long.x, lat.x) %>% mutate(NR = case_when(ID_3>=0 ~ ID_3+1)) LKS_apvienots_3 <- full_join(LKS_group_filter, tab_4, by = c("ID_3" = "NR"))

LKS_apvienots_3$dist_ruts <- sqrt(abs(LKS_apvienots_3$long.x.x - LKS_apvienots_3$long.x.y)^2+abs(LKS_apvienots_3$lat.x.x - LKS_apvienots_3$lat.x.y)^2) LKS_apvienots_3 <- LKS_apvienots_3[complete.cases(LKS_apvienots_3$lat.x.y),]

Sagrupē risās esošos punktus pa individuālām risēm

LKS_apvienots_3$rut_group <- if_else(LKS_apvienots_3$dist_ruts>2,1,0) LKS_apvienots_3$rut_group_ID <- cumsum(LKS_apvienots_3$rut_group==1) LKS_apvienots_3 <- LKS_apvienots_3 %>% drop_na(long.x.x)

Ģenerē līnijveida risu objektus

points_to_line <- function(data, long, lat, id_field = NULL, sort_field = NULL) { coordinates(data) <- c(long, lat)

if (!is.null(sort_field)) {

if (!is.null(id_field)) {

data <- data[order(data[[id_field]], data[[sort_field]]), ]

} else {

data <- data[order(data[[sort_field]]), ]

}

}

if (is.null(id_field)) {

lines <- SpatialLines(list(Lines(list(Line(data)), "id"))) return(lines)

} else if (!is.null(id_field)) {

paths <- sp::split(data, data[[id_field]])

sp_lines <- SpatialLines(list(Lines(list(Line(paths[[1]])), "line0")))

for (p in 2:length(paths)) {

id <- paste0("line", as.character(p))

l <- SpatialLines(list(Lines(list(Line(paths[[p]])), id))) sp_lines <- spRbind(sp_lines, l)

}

return(sp_lines)

}

}

Atfiltrē individuāli stāvošus punktus

tab_5 <- LKS_apvienots_3 %>% dplyr::select(ID_3, rut_group) %>% mutate(NR = case_when(ID_3>=0 ~ ID_3-1)) LKS_apvienots_4 <- full_join(LKS_apvienots_3, tab_5, by = c("ID_3" = "NR"))

LKS_apvienots_4$lone_rut <- if_else(LKS_apvienots_4$rut_group.x+LKS_apvienots_4$rut_group.y==2,1,0) LKS_apvienots_lone_rut_filter <- filter(LKS_apvienots_4, lone_rut<1)

LKS_apvienots_lone_rut_filter <- LKS_apvienots_lone_rut_filter %>% drop_na(nn_dist)

Ģenerē līnijas

v_lines <- points_to_line(data = LKS_apvienots_lone_rut_filter, long = "long.x.x",

lat = "lat.x.x",

id_field = "rut_group_ID", sort_field = "ID_3.y")

Aprēķina un izprintē kopā nobraukto distanci un kopējo risu garumu

Travel_distance<- sum(LKS_apvienots_2$dist) rut_length <- rgeos::gLength(v_lines)

print(paste("Kopējā nobrauktā distance -", round(Travel_distance, digits = 0), "m")) ## [1] " Kopējā nobrauktā distance - 4020 m"

print(paste("Kopējais risu garums -", round(rut_length), "m"))

## [1] " Kopējais risu garums - 437 m"

Sagatavo ģeotelpisku risu slāni (.shp) un .csv failu

IDS <- data.frame()

for (i in (1:length(v_lines))) {

id <- data.frame(v_lines@lines[[i]]@ID) IDS <- rbind(IDS, id)

}

colnames(IDS)[1] <- "linkid"

ruts_full <- join(IDS, LKS_apvienots_3) ## Joining by:

rut_df <- SpatialLinesDataFrame(v_lines,

data.frame(ruts_full, row.names = ruts_full[,1]))

writeOGR(rut_df, dsn="H:/2022/Forvardera_rises" ,layer="Risas_final",driver="ESRI Shapefile")

write.csv (LKS_apvienots_lone_rut_filter, "H:/2022/Forvardera_rises/Ruts_final.csv", row.names = FALSE)

4. Pielikums Risu analīzes programmas

kods, izmantojot GNSS (AMSL) lokācijas informāciju (RM2)

Risu analīzes programmas kods, izmantojot GNSS (AMSL) lokācijas informāciju (RM2)Xxxxx Xxxxxxx (XXXX Xxxxxx)

2023-01-03

Izstrādātais kods paredzēts risu, kuru dziļums pārsniedz 20cm dziļumu, automātiskai kartēšanai, kā arī to lokācijas un kopējā garuma noteikšanai. Risu noteikšanai izmantoti augstuma mērījumi no GNSS antenas.

Izmantojamās R bibliotēkas:

library(sf) library(dplyr) library(purrr) library(gstat) library(data.table) library(ggplot2) library(tidyr) library(maptools) library(plyr) library(rgdal) library(raster) library(sp)

Norāda darba direktoriju un ielasa iepriekš sagatavotus *.csv failus. Failus iespējams ielasīt pa vienam, vai arī vairākus (visu mapi).

### Norāda darba direktoriju

setwd("H:/2022/Forvardera_rises/20220823")

### Ielasa failu

data<-read.csv("20-7-2022_15h6.csv", stringsAsFactors=F, header = TRUE, dec = ".", sep = ",")

### Ielasa vairākus (visus) failus no mapes.

dataset <- ldply(list.files(), read.csv, header=TRUE)

## Warning in read.table(file = file, header = header, sep = sep, quote = quote, : ## line 1 appears to contain embedded nulls

## Warning in read.table(file = file, header = header, sep = sep,

## quote = quote, : incomplete final line found by readTableHeader on ## 'Forwardera_risas_markdown.docx'

Sakārto datu rindas pēd laika zīmoga (seq) un datu rindām piešķir unikālu ID numuru

dataset <- dataset[order(dataset$Seq),] # Ielasot visu mapi data <- data[order(data$Seq),] # Ielasot vienu failu data$ID <- xxx.xxx(nrow(data))

Veic koordinātu sistēmas pāreju no WGS84 uz LKS92 un vizualizē visus uzmērītos punktus

data_sf <-st_as_sf(data, #Maina uz 'dataset', izmantojot vairākus failus

coords=c("LON", "LAT"), crs = 4326)

new_coords = st_crs(3059)

data_3059 <- st_transform(data_sf, new_coords) LKS <- data_3059 %>%

mutate(long = unlist(map(data_3059$geometry,1)), lat = unlist(map(data_3059$geometry,2)))

ggplot() +

geom_point(data = LKS, aes(x = long, y = lat), alpha = .5)

dev.off()

## null device ## 1

Mērījumu veikšanas teritorijai izveido šūnu tīklu ar izšķirtspēju 1m

area_fishnet_grid = st_make_grid(LKS, c(1, 1), what = "polygons", square = TRUE) fishnet_grid_sf = st_sf(area_fishnet_grid) %>%

mutate(grid_id = 1:length(lengths(area_fishnet_grid)))

Katrai no šūnām piešķir augstuma vērtību, kas iegūta no augstākā konkrētajā šūnā iekrītošā mērījumu punkta

Test_points_grid_id <- st_join(LKS, left = FALSE, fishnet_grid_sf["grid_id"]) Points_no_geometry <- Test_points_grid_id st_geometry(Points_no_geometry) <- NULL

Filter_top_points <- Points_no_geometry %>% group_by(grid_id) %>% slice(which.max(AMSL))

No katras šūnas maksimālā augstuma izveido Zemes virsmas augstuma modeli, tādējādi iegūstot oriģinālo forvardera pārvietošanās ceļa augstumu

test_temp <- Filter_top_points test_temp$x <- test_temp$long test_temp$y <- test_temp$lat test_temp<-na.omit(test_temp)

coordinates(test_temp) = ~x + y

x.range <- as.numeric(c(min(test_temp$long), max(test_temp$long))) y.range <- as.numeric(c(min(test_temp$lat), max(test_temp$lat))) grd <- expand.grid(x = seq(from = x.range[1], to = x.range[2], by = 1),

y = seq(from = y.range[1], to = y.range[2], by = 1)) coordinates(grd) <- ~x + y

gridded(grd) <- TRUE

idw <- idw(formula = AMSL ~ 1, locations = test_temp, newdata = grd) # Pielietots IDW

interpolācijas modelis

## [inverse distance weighted interpolation]

idw.output = as.data.frame(idw) names(idw.output)[1:3] <- c("long", "lat", "var1.pred") dfr <- rasterFromXYZ(idw.output)

plot(dfr$var1.pred,

legend.args=list(text='Augstums (m, vjl)', side=4, font=2, line=2.5, cex=0.8)) crs(dfr) <- CRS('+init=EPSG:3059')

points(test_temp, pch = 1, col = "red", cex = 0.1)

Aprēķina attālumu starp sekojošiem punktiem

LKS_df <- LKS %>% st_drop_geometry()

tab_2 <- LKS_df %>% dplyr::select(ID, long, lat) %>% mutate(NR = case_when(ID>=0 ~ ID+1)) LKS_apvienots <- full_join(LKS_df, tab_2, by = c("ID" = "NR"))

LKS_apvienots$dist <- sqrt(abs(LKS_apvienots$long.x - LKS_apvienots$long.y)^2+abs(LKS_apvienots$lat.x - LKS_apvienots$lat.y)^2)

Noņem punktus, kuri ir tuvu viens pie otra (forvarders nekustas)

LKS_dist_filter <- filter(LKS_apvienots,dist > 0.05)

Aprēķina jaunu unikālu ID un aprēķina azimutu starp sekojošiem punktiem

LKS_dist_filter$ID_2 <- xxx.xxx(nrow(LKS_dist_filter))

LKS_dist_filter$bearring <- (atan(( LKS_dist_filter$long.y - LKS_dist_filter$long.x )/

( LKS_dist_filter$lat.y - LKS_dist_filter$lat.x )))*180/3.14159 +(180*((( LKS_dist_filter$lat.y - LKS_dist_filter$lat.x )<0)+((( LKS_dist_filter$long.y - LKS_dist_filter$long.x )<0 & ( LKS_dist_filter$lat.y - LKS_dist_filter$lat.x )>0)*2)))

Nosaka forvardera kustības virziena maiņu

tab_3 <- LKS_dist_filter %>% dplyr::select(ID_2, bearring) %>% mutate(NR = case_when(ID_2>=0 ~ ID_2+1)) LKS_apvienots_2 <- full_join(LKS_dist_filter, tab_3, by = c("ID_2" = "NR"))

LKS_apvienots_2$turn <- if_else((abs( LKS_apvienots_2$bearring.x - LKS_apvienots_2$bearring.y ))>120 & (abs( LKS_apvienots_2$bearring.x - LKS_apvienots_2$bearring.y ))<240, 1, 0)

Katru forvardera kustības virziena maiņu grupē secīgos pārbraucienos

LKS_apvienots_2 <- LKS_apvienots_2[complete.cases(LKS_apvienots_2$turn),] LKS_apvienots_2$group<-cumsum(LKS_apvienots_2$turn==1)

Aprēķina attālumu starp katru no punktiem un tuvāko augstākas klases (grupas) punktu

LKS_apvienots_2$ID <- LKS_apvienots_2$group LKS_apvienots_2$X <- LKS_apvienots_2$long.x LKS_apvienots_2$Y <- LKS_apvienots_2$lat.x LKS_apvienots_2$uid <- LKS_apvienots_2$ID_2.y setDT(LKS_apvienots_2)

dist <- function(x,y,d) {

d[, nn_dist:=sqrt((X-x)^2 + (Y-y)^2)][order(nn_dist)][1]}

LKS_apvienots_2[, c("nnX", "nnY", "nn", "nn_dist"):=dist(X,Y, LKS_apvienots_2[ID>.BY$ID,.(X,Y,uid)]),by=.(ID,uid)]

Atfiltrē tālu esošus individuālus punktus (troksni)

LKS_apvienots_2$noise <- abs(LKS_apvienots_2$L-LKS_apvienots_2$R) LKS_noise_filter <- filter(LKS_apvienots_2, noise < 20)

Mērījumu punktiem pievieno augstumu vērtības no iepriekš izveidotā Zeems virsmas augstuma modeļa

New_data <- dplyr::select(LKS_noise_filter, c('ID_2','long.x','lat.x')) coords <- cbind(LKS_noise_filter$long.x, LKS_noise_filter$lat.x) spdf <- SpatialPointsDataFrame(coords, LKS_noise_filter)

values <- raster::extract(dfr$var1.pred,spdf) spdf$elev <- values

Mērījumu punktus atfiltrē pēc nepieciešanās risas dziļuma vērtības

spdf$rut_depth <- (spdf$elev - spdf$AMSL) DF <- as.data.frame(spdf)

LKS_rut_depth_filter <- filter(DF, rut_depth > 0.2) ### Ievieto vēlamo risas dziļuma vērtību

ggplot() +

geom_point(data = LKS_rut_depth_filter, aes(x = long.x, y = lat.x), alpha = .5)

dev.off()

## null device ## 1

Atlasa austākās grupas punktus (Katra ceļa pēcējais pārbrauciens)

LKS_group_filter <- filter(LKS_rut_depth_filter, (nn_dist > 5 | xx.xx(nn_dist))) ggplot() +

geom_point(data = LKS_group_filter, aes(x = long.x, y = lat.x), alpha = .5)

dev.off()

## null device ## 1

Aprēķina attālumu starp sekojošiem risās esošajiem punktiem

LKS_group_filter$ID_3 <- xxx.xxx(nrow(LKS_group_filter))

tab_4 <- LKS_group_filter %>% dplyr::select(ID_3, long.x, lat.x) %>% mutate(NR = case_when(ID_3>=0 ~ ID_3+1)) LKS_apvienots_3 <- full_join(LKS_group_filter, tab_4, by = c("ID_3" = "NR"))

LKS_apvienots_3$dist_ruts <- sqrt(abs(LKS_apvienots_3$long.x.x - LKS_apvienots_3$long.x.y)^2+abs(LKS_apvienots_3$lat.x.x - LKS_apvienots_3$lat.x.y)^2) LKS_apvienots_3 <- LKS_apvienots_3[complete.cases(LKS_apvienots_3$lat.x.y),]

Grupē risās esošos punktus pa atsevišķās risām

LKS_apvienots_3$rut_group <- if_else(LKS_apvienots_3$dist_ruts>2,1,0) LKS_apvienots_3$rut_group_ID <- cumsum(LKS_apvienots_3$rut_group==1) LKS_apvienots_3 <- LKS_apvienots_3 %>% drop_na(long.x.x)

Izveido līnijas, kuras reprezentē risas

points_to_line <- function(data, long, lat, id_field = NULL, sort_field = NULL) { coordinates(data) <- c(long, lat)

if (!is.null(sort_field)) {

if (!is.null(id_field)) {

data <- data[order(data[[id_field]], data[[sort_field]]), ]

} else {

data <- data[order(data[[sort_field]]), ]

}

}

if (is.null(id_field)) {

lines <- SpatialLines(list(Lines(list(Line(data)), "id"))) return(lines)

} else if (!is.null(id_field)) {

paths <- sp::split(data, data[[id_field]])

sp_lines <- SpatialLines(list(Lines(list(Line(paths[[1]])), "line0")))

for (p in 2:length(paths)) {

id <- paste0("line", as.character(p))

l <- SpatialLines(list(Lines(list(Line(paths[[p]])), id))) sp_lines <- spRbind(sp_lines, l)

}

return(sp_lines)

}

}

Atfiltrē vientuļos punktus

tab_5 <- LKS_apvienots_3 %>% dplyr::select(ID_3, rut_group) %>% mutate(NR = case_when(ID_3>=0 ~ ID_3-1)) LKS_apvienots_4 <- full_join(LKS_apvienots_3, tab_5, by = c("ID_3" = "NR"))

LKS_apvienots_4$lone_rut <- if_else(LKS_apvienots_4$rut_group.x+LKS_apvienots_4$rut_group.y==2,1,0) LKS_apvienots_lone_rut_filter <- filter(LKS_apvienots_4, lone_rut<1)

LKS_apvienots_lone_rut_filter <- LKS_apvienots_lone_rut_filter %>% drop_na(nn_dist) v_lines <- points_to_line(data = LKS_apvienots_lone_rut_filter,

long = "long.x.x",

lat = "lat.x.x",

id_field = "rut_group_ID",

sort_field = "ID_3.y")

Aprēķina kopējo forvardera veikto attālumu un kopējo tā atstāro risu garumu

Travel_distance<- sum(LKS_apvienots_2$dist) rut_length <- rgeos::gLength(v_lines)

print(paste("Kopējais veiktais attālums -", round(Travel_distance, digits = 0), "m"))

## [1] "Kopējais veiktais attālums - 524 m" print(paste("Kopējais risu garums -", round(rut_length), "m")) ## [1] "Kopējais risu garums - 53 m"

Izveido .shp un .csv failus

IDS <- data.frame()

for (i in (1:length(v_lines))) {

id <- data.frame(v_lines@lines[[i]]@ID) IDS <- rbind(IDS, id)

}

colnames(IDS)[1] <- "linkid"

ruts_full <- join(IDS, LKS_apvienots_3) ## Joining by:

rut_df <- SpatialLinesDataFrame(v_lines,

data.frame(ruts_full, row.names = ruts_full[,1]))

writeOGR(rut_df, dsn="H:/2022/Forvardera_rises" ,layer="Results",driver="ESRI Shapefile") write.csv (LKS_rut_depth_filter, "H:/2022/Forvardera_rises/Results.csv", row.names = FALSE)