RöjSAT – Artificiell intelligens och Internet of things i röjning
![](/Small/cd_20200427153202/contentassets/b798024e2c5f4307bfc3a034e315b0df/hard-tallrojning-ger-bast-ekonomi.jpg)
Röjning ger positiv effekt på lönsamheten redan i förstagallringen. Enligt Riksskogstaxeringens fältinventeringar finns det i Sverige ett röjningsbehov på mer än 1 miljon hektar/år. Behovet ökar årligen i takt med att röjning genomförs i för låg omfattning. Skogsföretagen känner till behovet och röjer i sina egna skogar, men det röjs betydligt mindre i privata skogsägares innehav.
Bättre beslutsstöd
Projektidén är att använda avancerade metoder inom maskininlärning och AI och med hjälp av multispektrala satellitdata och fältdata från olika tidpunkter under året kartera behovet av röjning. Resultatet ska bli ett detaljerat karteringsunderlag för röjningsbehov i ungskogar. Resultatet kan sedan användas som beslutsstöd av skogsvårdsentreprenörerna som utför arbetet, men även av skogsföretagen i planeringen av insatserna.
Genom användning av GPS-utrustning, samlas fältdata in i samarbete med skogsföretagen. Denna data används för att träna maskininlärning och AI. Med hjälp av GPS-koordinaterna registreras var i ungskogen som röjning utförs samt hur lång tid den tar. I framtiden kommer data att kunna registreras direkt från röjsågarna som används, tack vare att flera tillverkare planerar att utrusta dem med sändare som bland annat kommer kunna visa varvtal, nyttjandegrad och position. Röjarens sträckor och tidsåtgång används som träningsdata för graden av röjningsbehov. Om röjningen tar lång tid indikerar det ett stort röjningsbehov.
Algoritmer och AI-metoder visar lovande resultat
Maskininlärningsalgoritmer i kombination med olika AI-metoder tränas med dessa fältdata samt multispektrala satellitdata från olika tidpunkter och kan sedan tillämpas över hela området som satellitscenen täcker. Senaste toppmoderna algoritmer för maskininlärning har visat lovande resultat på multispektrala satellitbilder och kommer att användas initialt för jämförelse. Även algoritmer för domänanpassning kommer testas. Andra metoder inom AI såsom kunskapsrepresentation och resonemang kommer att användas för att skapa ett semantiskt lager som integreras med maskininlärningsalgoritmen. Detta förbättrar klassificeringsresultaten men möjliggör också samarbetet människa–maskin genom förfrågan, kunskapsextraktion och ökad transparens av modellen för att bättre kunna tolka resultaten.
Det finns en stor potential till att lösa uppgiften vilket inte minst visas genom det stora intresset från skogsföretagen som är användaren av slutresultaten. Det kan erbjudas av tjänsteleverantörer eller produceras av skogsföretagen själva.
Tidigare studier för röjningskartering med satellitdata från en specifik tidpunkt men utan fältdata visar en potential. Men när fältdata läggs till satellitdatat från flera tidpunkter ökar potentialen väsentligt. Eftersom mycket av denna datafångst sker oftast via öppna data (satellitdata) samt data som samlats in automatiskt i samband med skogsvårdsåtgärder, så finns det stora möjligheter till en attraktiv tjänst för återkommande behov.
Medverkanden
Projektet, som finansieras av Vinnova, löper mellan 2019–2022 och sker i samarbete mellan Skogforsk, Örebro universitet, Foran Sverige, Mellanskog, Sveaskog och Södra.
Rapporter/skrifter
RojSat, report, Örebro universitet
Digital transformation through collaboration, examensarbete, Umeå universitet
![](/Static/gfx/Placeholder/PersonPage.png)