Kuva: Forest big data:n tarkan metsätiedon odotetaan tukevan resurssitehokasta metsänhoitoa ja teollisuutta sekä ympäristötavoitteiden saavuttamista.
Hakkuukoneen kuljettajaa avustava järjestelmä mahdollistaa kustannustehokkaamman sekä monimuotoisuuden ja hiilensidonnan huomioivan metsänhoidon. Teknologiset ratkaisut vaativat kuitenkin paljon tietoa metsistä, ja tavoitteena onkin mitata kaikki tarvittava – luoda tarkka tietokanta tai big data metsistä.
Laaja-alainen ja tarkka tieto sekä siihen pohjautuvat teknologiset ratkaisut, työkalut, mahdollistavat esimerkiksi paremman hakkuutuloksen, kun metsäkoneen kuljettajaa opastavien järjestelmien avulla voidaan välttää liikaharvennusta tai saada aikaan kapeammat hakkuu-urat tai vähäisemmät ajourapainaumat.
Työkaluja ja järjestelmiä on kehitetty paljon tutkimuksen ja käytännön yhteistyönä. Käytössä on jo metsäkoneen kuljettajaa avustava järjestelmä, joka tunnistaa ympärillä olevat puut ja voi ohjata kuljettajaa työssään. Kaadettavien puiden lisäksi on tärkeää tunnistaa, mitä metsään jätetään.
Haasteita on kuitenkin vielä esimerkiksi yksittäisten puiden paikannustarkkuudessa, sillä latvusto häiritsee satelliittiyhteyttä ja hankaloittaa paikannusta. Matalassa metsässä päästään parhaimmillaan alle 10 cm:n tarkkuuteen mutta korkeassa metsässä tarkkuus putoaa 30-40 senttimetriin. Tällä hetkellä tällaisiin tarkkuuksiin päästään vain melko kalliilla satelliittipaikannuslaitteilla, jotka hyödyntävät reaaliaikaista korjausdataa, jonka saatavuudessa voi olla ongelmia mobiilidatayhteyden katvealueilla. Siksi satelliittipaikannuksen tueksi tarvitaan muita, esimerkiksi metsäkoneen keräämään ympäristötietoon perustuvia paikannusmenetelmiä.
Tutkimustyön tavoitteena on kerätä korkeatasoista tietoa metsistä joukkoistamisen ja erilaisten etäratkaisujen kautta, jotta jokaista asiaa ei tarvitse mitata paikan päällä. Datan käsittelyä, algoritmeja puiden ominaisuuksien tunnistamiseen sekä paikannustarkkuutta eri metsäolosuhteissa kehitetään.
Avustavat järjestelmät ovat tervetulleita
Työpajakeskusteluissa todettiin avustavien järjestelmien olevan tervetulleita metsäalalle. Erityisesti ne voivat auttaa aloittavia kuljettajia, mutta pelillistämällä työtä, esimerkiksi asettamalla tavoitteita ja ohjaamalla ratkaisuja, ne voivat lisätä työn mielekkyyttä laajemminkin. Opastusjärjestelmä lisää myös työn laatua ohjaamalla kaatamaan juuri oikean määrän puita – puunkorjuukohteiden tarkastuksissa on todettu, että usein puuryhmästä kaadetaan ”yksi puu enemmän kuin leimattu”. Jos tätä tehdään jokaisessa hakkuussa, on tuloksena liikaharvennus.
Pelillistäminen puolestaan voi lisätä työssä viihtymistä. Pelillistämisen ja robotiikan tuomista mahdollisuuksista käytiin työpajassa rohkeaakin keskustelua. Voisiko mukana kulkeva robottikoira leimata kaadettavat puut? Voisiko tekoälyä hyödyntävä ”robottikaveri” poimia yleisestä aineistoista omaan metsään liittyviä asioita ja viestiä niitä? Näin oman metsän tilan seuraaminen ja siihen liittyvä päätöksenteko voisi olla mielekkäämpää.
Tekoälyä hyödyntävä keskustelurobotti, “chatbot”, voisi olla tukena ja apuna laadukkaan ja opastavan sisällön kera. Chatbot voisi hyödyntää yleistä tietoa ja vastata metsänomistajaa askarruttaviin kysymyksiin tuoden esille kerättyyn dataan ja uusimpaan tutkimustietoon pohjautuvia suosituksia tai muiden metsänomistajien kokemuksia. Pelillistäminen ei välttämättä ole aina leikkisää, vaan se voi olla myös hyvin informatiivista.
Menetelmien luotettavuutta kehitetään
Datan keräämisessä ja teknologisten ratkaisujen käyttöönotossa on vielä haasteita. Datan prosessointi ja reaaliaikaisen tiedon hyödyntäminen käytännössä vaatii tehokkaita algoritmeja toimiakseen. Tavoitteena on kehittää laskentatehollisesti edullisia ratkaisuja ja parantaa käytössä olevia algoritmeja.
Joukkoistaminen eli useiden tahojen osallistuminen tietojen tallennukseen sekä erilaiset etäratkaisut auttavat tiedon keräämisessä. Käytännön toteutuksissa on kuitenkin osattava tunnistaa riittävä tiedon määrä ja poistaa kyseessä olevan toiminnon kannalta tarpeeton tieto. Datan määrää voidaan vähentää myös normaalijakaumakäsittelyllä, jolloin prosessointi nopeutuu.
Tutkimustyötä jatketaan erilaisissa metsissä eri vuodenaikoina. Lisää tietoa tarvitaan esimerkiksi puiden ominaisuuksista ja erityyppisistä metsistä eli yhden puulajin tai usean puulajin metsistä. Lisäksi tutkimusta tehdään ympäri vuoden ja eri vuorokaudenaikoina, jotta vaihtelevat olosuhteet tulevat huomioiduksi. Menetelmien luotettavuutta ja kattavuutta kehitetään kerätyn tutkimustiedon perusteella.
Linkit työpajaesityksiin (pdf)
Harvesterin paikannus
Harri Kaartinen, Antero Kukko (Paikkatietokeskus FGI) Kari Väätäinen, Lauri Sikanen (Luonnonvarakeskus)
Harvesterin keilaintekniikan ja paikannustekniikan kehitys
Mikko Lager, Tamas Faitli, Heikki Hyyti (Paikkatietokeskus FGI)
Harvesteripistepilvien analysointi
Juha Hyyppä, Eric Hyyppä (Paikkatietokeskus FGI)
Uuden teknologian hyötyjä
Johannes Pohjala, Kalle Kärhä (Itä-Suomen yliopisto)