Metoder för att hitta felaktigheter i skogliga databaser

Bild: iStockphoto

Tillgången till skogliga data ökar tack vare digitaliseringen. Men mer data ökar riskerna för felaktigheter i databaser. En ny studie sammanfattar olika tekniker som kan kvalitetssäkra databaserna.

Skogsbruket var tidigt ute att digitalisera data som beskriver skogen och infrastrukturen. Datamaterialet är stort och detaljerat men när skogen växer och avverkas uppkommer fel i databaserna. Det kan till exempel handla om avverkningar eller vindfällen som inte korrekt uppdateras i registren, skogsskador som förändrar sammansättningen av trädslagen eller bristande ajourhållning av förändringar i vägnätet. Det finns ett antal metoder för att hitta fel i skogliga databaser. Skogforsk gjort en sammanställning över olika metoder inom ramen för forskningsprogrammet Mistra Digital Forest.

I takt med den ökande användningen av skogliga databaser (beståndsregistren eller skogsbruksplanerna) i olika modeller, exempelvis med hjälp av artificiell analys (AI), och mer avancerade tillämpningar blir det tydligt att kvaliteten på indata är viktig. Fel i databaserna kan upptäckas under fältplanering inför avverkningar eller genom andra manuella kontroller. På grund av att de skogliga databaserna nu enklare kan kombineras med många olika datakällor blir det svårare att upptäcka felaktigheter vilket kan leda till uteblivna möjligheter att ta fram mer avancerade tillämpningar på grund av brister i datakvalitet.

Läs fördjupning

Skogforsk har sammanställt flera metoder som kan användas för att hitta felaktigheter som sedan kan åtgärdas på olika sätt beroende av datakälla. Här blir det tydligt att nya data och metoder ger bättre möjligheter att höja kvaliteten. Ett tydligt exempel är en effektiv användning av skogsbrukets produktionsdata och skördardata för ajourhållning efter åtgärder. I skördardata kan en mer korrekt avgränsning göras i de skogliga databaserna när data sammanställs efter gallring eller slutavverkning. Studier visar även på hur hänsyn kan registreras i skördardata och användas för uppdatering av lämnad hänsyn både i register och till senare skogliga åtgärder.

Olika optimeringsmodeller är vanliga i den skogliga logistiken, men börjar även komma till nytta i den skogliga planeringen. När de skogliga databaserna används tillsammans med andra databaser, som till exempel skogliga laserskattningar, kan felaktigheter identifieras både genom orimliga resultat av optimeringarna och genom direkta jämförelser databaser emellan.

Nya teknologier i skogsbruket som dataassimilering och artificiell intelligens erbjuder nya möjligheter att hitta felaktigheter. Det finns speciella metoder för att hitta grova fel i stora databaser som jämför och hittar orimliga samband mellan olika variabler såsom trädhöjd och virkesvolym. Tack vare dessa metoder, i kombination med bilddata kan även felaktiga trädslagsblandningar upptäckas.

I rapporten görs en fallstudie som jämför ajourhållna skogliga skattningar med skördardata. Resultat visar på möjligheten att enklare jämföra olika dataset, men konstaterar även att det finns utmaningar. En svårighet är att korrekt fånga virkesvolym i skogliga skattningar för små eller långsmala skogsavdelningar.

Nya tillämpningar som använder stora datamängder kan ofta hantera felaktigheter till viss del, men det kan också orsaka felaktiga resultat som är svåra att upptäcka. I takt med fler tillämpningar som ställer krav på hög datakvalitet kommer de skogliga databaserna behöva kvalitetssäkras och det finns flera olika möjligheter att åstadkomma detta vilka sammanfattas i rapporten.

Nr 1-2021 Publicerad 2021-01-18 09:16

Programvaror