Tekoäly tunnistaa puut ilmasta käsin yhtä tarkasti kuin ihmissilmä – monimuotoisuus ja metsätalous hyötyvät
Uudella kaukokartoitusmenetelmällä yksittäiset puulajit tunnistetaan jopa yli 90 prosentin tarkkuudella. Yksityiskohtaisempi puulajitieto tehostaa metsätaloutta ja edistää monimuotoisuuden seurantaa.
Tuoreen puulajitulkinnan tutkimuksen ansiosta puulajeja pystytään tunnistamaan kaukaa ilmasta käsin aiempaa kattavammin ja nopeammin. Uudessa menetelmässä multispektriseen ilmalaserkeilaukseen yhdistetään kone- ja syväoppimismenetelmiä eli käytännössä tekoälyä.
Tutkimusta ovat tehneet Maanmittauslaitoksen Paikkatietokeskuksen FGI:n tutkijat yhdessä useiden yliopistojen tutkijoiden kanssa.
Viimeisten 15 vuoden aikana metsän rakennetta ja puustoa kuvaavaa metsävaratietoa on tuotettu pääasiassa laserkeilaukseen, ilmakuviin ja maastomittauksiin perustuvalla menetelmällä.
“Näistä näkyvän valon ja lähi-infrapunan aallonpituuksia yhdistelevät ilmakuvat ovat tuottaneet puulajitietoa, jota perinteinen, pelkästään yhtä aallonpituutta käyttävä laserkeilaus ei ole pystynyt tarjoamaan. Siksi ilmakuvien rooli on ollut merkittävä”, sanoo metsätieteiden geoinformatiikan professori Markus Holopainen Helsingin yliopistosta.
Kehittyneempi multispektrinen laserkeilausmenetelmä mittaa useita aallonpituuksia samaan tapaan kuin ilmakuvat. Laserkeilauksestakin saadaan siis jo täsmällisempää tietoa.
“Multispektrisessä laserkeilauksessa puulajitulkinnan tarkkuus on nyt hyvin lähellä ilmakuvien tarkkuutta. Metsien inventoinnissa ei välttämättä enää tulevaisuudessa tarvita sekä laserkeilausta että ilmakuvia, vaan yksi mittaus voi tuottaa molemmat tiedot”, Holopainen sanoo.
Kansainvälisestikin laaja puulajitulkinnan tutkimus
Maanmittauslaitoksen ja yliopistojen kehittämässä uudessa menetelmässä multispektriseen laserkeilaukseen yhdistetään lisäksi kone- ja syväoppimista, mikä parantaa menetelmän tarkkuutta entisestään.
Syväoppiminen pystyy nopeasti ja tehokkaasti yhdistelemään monimutkaista tietoa, esimerkiksi puun muotoa ja geometriaa sekä puun eri aallonpituuksien heijastuseroja.
“Kaukokartoituksessa tekoälymenetelmät kykenevät tuottamaan samankaltaista tietoa kuin ihmissilmä. Syväoppiminen pystyy ihmisen tavoin tunnistamaan saman puulajin, vaikka sen sävyarvot vaihtelisivatkin eri kohdissa kuvaa tai aineistoa.”
Kyseessä on Holopaisen mukaan yksi laajimmista kansainvälisistä puulajitulkintatutkimuksista, jonka keskiössä ovat multispektrinen laserkeilaus ja syväoppimismenetelmien kehittäminen.
Myös harvinaiset lajit tunnistetaan entistä paremmin
Uudella kaukokartoitusmenetelmällä puulajit tunnistettiin parhaiten erittäin tiheästä eli paljon mittauspisteitä sisältävästä 3D-laserkeilausaineistosta, josta syväoppiminen auttoi tunnistamaan yhdeksän puulajia: mänty, koivu, kuusi, haapa, pihlaja, leppä, tammi, lehmus ja vaahtera. Nämä puut tunnistettiin keskimäärin 92 prosentin tarkkuudella. Tunnistustarkkuus parani myös harvemmassa aineistossa.
Yleisimmät puulajit, kuten mänty, kuusi ja koivu, tunnistettiin erittäin tarkasti, kun taas harvinaisempien lehtipuiden tunnistus oli vaikeampaa.
Silti syväoppimismallit paransivat olennaisesti myös harvinaisten puulajien tunnistamista verrattuna perinteisiin menetelmiin.
Haasteena on Holopaisen mukaan se, että jos puulajeja on useita, menetelmän tarkkuus heikkenee.
“Suomen ja Pohjoismaiden metsät ovat puulajistoltaan suhteellisen yksinkertaisia, mutta kun siirrytään Keski-Eurooppaan tai muihin monilajisiin metsiin, tehtävä vaikeutuu nopeasti.”
Kaukokartoitus muuttuu hankalammaksi myös, jos puut peittävät toisiaan tai metsässä on paljon kerroksellisuutta.
“Mitä tiheämpää puusto on, sitä haastavampaa on sen tulkinta. Parhaiten menetelmä toimii varttuneissa, harvennetuissa kasvatusmetsissä”, Holopainen toteaa.
Metsätalous ja monimuotoisuuden suojelu hyötyvät
Puulajien tunnistus on tärkeää niin metsätalouden kuin monimuotoisuuden kannalta. Tarkka puulajitieto parantaa esimerkiksi puunkorjuun, leimikoiden ja puukaupan suunnittelua ja siten metsätalouden tuottavuutta.
Uuden tekoälypohjaisen menetelmän avulla metsästä pystytään myös aiempaa paremmin tunnistamaan biodiversiteetin kannalta keskeiset lajit, kuten haapa, ja seuraamaan tarkemmin eri puulajisuhteiden kehittymistä.
“Tutkimuksessa hyödynnetyt koneoppimismenetelmät vaativat toimiakseen paljon opetusaineistoa, kun taas syväoppimismenetelmät eivät tarvitse yhtä paljon. Molemmat menetelmät ovat sitä tehokkaampia, mitä laajemmille alueille niitä pystytään käyttämään”, Holopainen sanoo.
Esimerkiksi kuolleita puita ja metsätuhoalueita pystytään tunnistamaan hyvällä tarkkuudella ilma- ja satelliittikuvilla, mutta myös niiden havaitsemista syväoppiminen parantaa.
“Kun tuhoalueiden seurannasta tulee tehokkaampaa, alueille on mahdollista tehdä nopeammin myös tarkempia drooni- tai maastomittauksia ja havaita esimerkiksi kirjanpainajatuhot.”
Maastomittauksiakin tarvitaan
Kun puulajien tunnistus ja kaukokartoitus alkaa olla teknisesti näin tarkkaa ja automatisoitua, tarvitseeko metsään mennä enää ollenkaan itse?
“Syväoppimismenetelmät vähentävät maastotyön tarvetta, mutta eivät välttämättä vielä poista sitä. Metsäkeskuksen tuottamassa metsävarainventoinnissa puulaji on vain yksi noin sadasta eri tunnuksesta. Näistä useimpien tuottamiseen tarvitaan edelleen käytännön maastomittauksia”, Holopainen sanoo.
Toisaalta jos tavoitteena on selvittää vain harvinaiset, monimuotoisuuden kannalta mielenkiintoiset puulajit tai kuolleet puut, sen voi Holopaisen mukaan tehdä kehitetyllä uudella menetelmällä.
“Syväoppimismallit tarvitsevat kuitenkin opetusaineistoa. Sen tuottaminen puolestaan on suhteellisen hidasta, koska visuaaliseen puutulkintaan tarvitaan toistaiseksi edelleen ihmistä.“