Machine Learning testas för skogliga skattningar

Artikeln är en sammanfattning av Arbetsrapport 997-2018.

Behovet av geografiska data för den svenska skogen ökar ständigt. Med ett bra dataunderlag blir det lättare för skogsägare att planera och följa upp skogsbruksåtgärder, ur både ett miljö- och produktionsperspektiv.

År 2009–2014 genomförde Lantmäteriet en nationell flygburen laserskanning. Dessa laserdata har Skogsstyrelsen och Sveriges lantbruksuniversitet sambearbetat med referensdata från Riksskogstaxeringen till digitala kartor som detaljerat beskriver skogstillståndet. Karttjänsten, som kallas Skogliga grunddata, utnyttjas av hela skogssektorn för att förbättra den skogliga planeringen och fungerar som beslutsunderlag för en mängd olika tillämpningar som inte tidigare funnits. Men eftersom det kommer ta flera år innan Skogliga grunddata blir uppdaterat söks efter andra datakällor för att uppdatera databasen.

En alternativ ersättning för flygburen laserskanning är stereomatchning av flygbilder, som i likhet med laserskanning levererar tredimensionella (3D) data över trädskiktet, men med något lägre kvalitet.

Skördardata har sedan tidigare visat sig vara en mycket bra källa för referensinformation om skogen och är, i kombination med data från flygburen laserskanning, även operativt användbar för att prediktera utfallet av planerade avverkningar. Skördardata fungerar i detta fall som en ersättning av referensdata i form av inventerade provytor. Denna metod bör vara mycket kostnadseffektiv för att producera uppdaterade, heltäckande rasterskattningar av skogstillståndet, eftersom dyra inventeringar då kan ersättas av provytor.

Det här projektet har fokuserat på metoder för att producera rasterskattningar av skogstillståndet med hjälp av skördardata i kombination med stereomatchade flygbilder. Projektet har använt Lantmäteriets nya standardprodukt ”Ytmodeller från flygbilder” (3D-data från stereomatchning av flygbilder), tillsammans med skördardata från Sveaskog och Södra i ett studieområde öster om Växjö. Två olika skattningsmetoder har utvecklats och utvärderats. Den ena är den befintliga och beprövade imputeringsmetoden som idag används för laserskanningsdata och den andra är en första tillämpning av en ny metod, Deep Learning, från forskningsfältet Artificiell Intelligens/Machine Learning. Den senare metoden förväntas vara mycket väl lämpad för storskalig kartering med fjärranalys och skördardata, eftersom den är designad för att utnyttja enorma datamängder för automatiska, komplexa skattningar.

Projektet visar goda resultat. Kombinationen av skördardata och stereomatchade flygbilder producerade bara något sämre resultat än laserskanningsdata. Deep Learning levererade också rimliga resultat, men klart sämre än den etablerade imputeringsmetoden. Dock finns en mycket stor förbättringspotential för Deep Learning-modellen som utvärderades här. Det beror dels på att projektets datamaterial sannolikt är för litet för en effektiv beräkning och dels på att en betydligt större utvecklingsinsats behövs för att hitta en Deep Learning-modell som fungerar bra för just denna tillämpning.

Läs rapporten i sin helhet nedan.