Tekoäly varoittaa kuljettajaa upottamasta metsäkonetta – kertoo edullisimman reitin metsässä

Tutkijat kehittävät koneoppimismenetelmiä, jotta metsäkone kulkisi kevyemmin, kuluttaisi vähemmän polttoainetta ja jättäisi metsään pienemmät ajourat.

Helsingin yliopiston tutkijat kehittävät koneoppimismenetelmiä, jotta metsäkone auttaisi kuljettajaa valitsemaan optimaalisen reitin metsässä sekä puunkorjuun että luonnon kannalta. Kone ennustaisi maaston kulkukelpoisuuden jo ennen puunkorjuuta.

”Tieto auttaa reitin optimoinnissa ja avustaa kuljettajaa kertomalla esimerkiksi, missä maasto upottaa liikaa”, sanoo Suomen Akatemian tutkimushanketta johtava professori Jukka Heikkonen.

”Puunkorjuu tulee suunnitella niin, että (ajo)urien syntyminen pysyy maltillisena. Mitä pehmeämpi maasto, sen isompi on kulkuvastus ja sitä todennäköisempiä maaperävauriot ovat”, Heikkonen toteaa.

Koneen jättämät ajourat haittaavat metsän kasvua, lisäävät tautiriskejä ja ovat rumia. Syvässä kulkeminen myös lisää metsäkoneen polttoaineen kulutusta ja kustannuksia vierintävastuksen ollessa korkea.

”Mitä pehmeämpi maasto, sitä todennäköisempiä ovat maaperävauriot. Tutkimuksessa käytetään fysikaalisena suureena metsäkoneen vierintävastuskerrointa kuvaamaan kulkukelpoisuutta”, Heikkonen kertoo.

Suomen metsälain mukaan hakkuukohteelle syntyvän uran pituudesta enintään viidennes saa olla yli kymmenen senttiä syvää. Turvemailla lukema on kaksikymmentä senttiä.

Lue lisää: Usko tai älä – kymmenen yllättävää faktaa konekorjuusta

Kartta näyttää kulkukelpoisuuden

Kulkukelpoisuuden ja hakkuukoneen vierintävastuksen avulla voidaan tuottaa kulkukelpoisuuskartta hakkuu-urille. Karttaa voidaan hyödyntää kuormatraktorin reitin optimoinnissa sekä työn ajoittamisessa.

Kun uravauriomittaukset yhdistetään avoimeen maastodataan ja metsäkonedataan, pystytään puunkorjuusta syntyviä uravaurioita ennustamaan etukäreen.

Ennustaminen ja mallinnus tapahtuvat yhdistämällä koneoppimisen keinoin avoimia tietomassoja, metsäkoneista saatua sensorimittausdataa ja maaperän fysikaalisia malleja.

Kun uravauriomittaukset yhdistetään avoimeen maastodataan ja metsäkonedataan, pystytään vaurioita ennustamaan jo ennen korjuuta.

Kosteus kasvattaa vastusta

Tutkimuksen mukaan metsäkoneen kulkuvastus on suuri notkoissa ja hienojakoisilla mailla. Maaperän kosteus kasvattaa vastusta. Kosteuteen vaikuttavat puolestaan sääolot sekä lumen sulaminen, sade ja haihtuminen.

Tutkimusta varten on kerätty tietoa tosimaailman metsäoperaatioissa eteläisessä Suomessa. Kosteutta ja maalajia kuvaavat paikkatietotunnukset selittävät maaston kulkukelpoisuutta.

Maaperän kosteuden ja metsäkoneen kulkuvastuksen avulla voidaan tehdä metsähydrologinen malli kaikkialle Suomeen. Metsäkoneen keräämää maastotietoa käytetään yleistämään tietoa vastaavista maastoista soveltamalla muun muassa metsävaratietoa.

”Maaperän kosteuden ja metsäkoneen kulkuvastuksen avulla voidaan tehdä metsähydrologinen malli kaikkialle Suomeen. Metsäkoneen keräämää maastotietoa käytetään yleistämään tietoa vastaavista maastoista soveltamalla muun muassa metsävaratietoa”, Heikkonen sanoo.

Tavoitteena on, että puunkorjuussa tiedettäisiin, ”minne mennä ja milloin”. Tieto auttaisi sekä hakkuukohteen suunnittelijaa että metsäkoneenkuljettajaa metsässä. Tavoitteena on automaattinen reittisuunnittelu, joka pohjustaa metsäkoneen autonomista toimintakykyä.

Maaston kulkukelpoisuuteen vaikuttavat muun muassa maaperän kantavuus, maaston jyrkkyys sekä alueet, joihin ei koneella saa mennä. Kulkukelpoisuuden kannalta merkitseviä tekijöitä ovat myös maastotyyppi, kasvillisuus, ilmasto, sää, maanpinnan kosteus sekä puunkorjuussa käytetyt koneet.

Heikkonen muistuttaa, että metsään on mentävä, vaikka sataisi, olisi pakkanen, lunta, sumua ja kivikko.

”Metsä on metsäkoneelle haasteellinen ympäristö”, Heikkonen kertoo.

Lue lisää: Näin tekoäly uudistaa metsäalaa – katso kuusi valaisevaa kuvaa

Lue lisää: Droonit keräävät puustosta tietoa, josta on aiemmin vain haaveiltu