Inom avverkningsindustrin finns en del orsaker till varför dagens skogsbruksplaner inte alltid stämmer överens med verkligheten. Faktorer som avsaknad av opartiskhet från planeraren eller minsta försumlighet kan få förödande konsekvenser för resultatet. Osäkerheten är så pass stor att man bör kalkylera med att differensen kan vara tjugo procent. I siffror gör det en skillnad på 500 tusen i värde på en normalstor mellansvensk gård.
Skördare, som är namnet på de maskiner som avverkar skog, skapar mer data än ett JAS-plan. All denna data är allt för mycket för oss människor att kunna nyttja, däremot kan man föreställa sig vilka möjligheter denna data kan ge en AI.
Syfte
Sveaskog, Sveriges största skogsägare, gör skogsinventeringar med statistikmetoder och genomför varje år avverkningsåtgärder såsom gallringar och föryngringsavverkningar på drygt 40 000 hektar. Innan de avverkar ett visst område krävs ett gediget förarbete.
En planerare tar sig ut till det anvisade området i skogen med ett relaskop för att bland annat mäta och uppskatta den ungefärliga träd-densiteten, vilka olika trädslag som finns samt höjden och tjockleken på träden i genomsnitt.
Traditionellt så finns några statistiska formler som man brukar använda sig utav och applicera ovanpå den här informationen för att få en uppfattning om hur mycket stockar man kommer få ut av att avverka ett visst område. Sveaskog tog hjälp av Tenfifty för att identifiera om det med hjälp av historisk data och prediktion var möjligt att få bättre förutsägelser av faktiskt utfall från avverkad skog.
I det här projektet hjälpte Tenfiftys AI-experter Sveaskog att modulera hur skogen ser ut. Baserat på planerarens mätpunkter applicerade vi våra algoritmer på ytterligare information som:
- hur högt över havet befinner sig denna skog?
- hur har vi behövt justera närliggande områden?
- vem är det som har mätt i skogen då varje person har olika mycket feluppskattningar?
- var i Sverige befinner sig skogen?
- hur bra växer det?
- vilken typ av mark är det?
Sänkt medelfel: 2,6 till 2,0 = 23% förbättring. Minskad varians och färre bristfälliga uppskattningar
Datakällor
Historiska data från mänskliga skogsobservationer via relaskop. Topologisk laserdata. Skogsmaskiner. Etc.
Teknologier
Probabilistic programming, categorical gradient boosted trees.
Resultat
Tenfifty skapade algoritmer som mer exakt förutser hur mycket skog Sveaskog får ut vid en skogsavverkning. Det möjliggjorde i snitt 20 procent bättre uppskattningar på bland annat hur många stammar de kan få ut efter en avverkning och volymen från varje träslag. Dessutom förbättrades osäkerhetsuppskattningarna samtidigt som “partiskhet” från mänskliga uppskattningar eliminerades. Sveaskog kan nu med mycket högre säkerhet planera inför framtida avverkningssområden och hålla löften gentemot sågverk och kunder.
