Metsä

Tulevaisuuden kone osaisi opastaa kuskia ja auttaa itseään – kattava metsätieto ja älykkäät koneet tekevät Suomesta uniikin alustan kehittää koneoppimista

Tietojen avulla voitaisiin kouluttaa metsäkoneen kuljettajia toimimaan yhä optimaalisemmin erilaisissa kohteissa.
Kimmo Haimi
Metsässä kone voisi helpottaa vaikkapa kuljettajan reittivalintoja, näyttö varottaisi esimerkiksi aiemmalla ajokerralla havaitusta upottavasta kohdasta. Samoin tietokone voisi ehdottaa asetusten säätämisestä, jotta polttoainetta kuluisi vähemmän.

Jos jossain niin Suomessa pitäisi hyödyntää metsäkoneiden avulla saatavaa tietoa metsästä ja puunkorjuusta. Tätä mieltä on metsätalouden koneoppimisesta keväällä väitellyt konenäön asiantuntija Lari Melander.

Suomessa metsävaratiedot ovat maailman huippua ja metsäkoneet kuin pyörillä kulkevia tietokoneita. Metsävaratieto on pilkottu aina 16x16 metrin ruutuihin saakka, mikä tarjoaa paljon mahdollisuuksia puunkorjuun kehittämiselle.

Metsävaratietoa voidaan viedä metsäkoneiden tietokoneille, ja hyödyntää sitä siellä. Samoin toisin päin; metsäkoneella kerättävillä tiedoilla voitaisiin päivittää valtakunnallisia tietoja ja yhdistää tietoaineistoja konedatan kanssa.

Siten koneita ja kuljettajia voitaisiin opettaa toimimaan metsässä yhä tehokkaammin ja huomioimaan ympäristöä entistä paremmin.

”Ideaali olisi, että voitaisiin tuottaa Suomen mittakaavassa yhdistettyä tietovarantoa, mitä voitaisiin käyttää hyödyksi koneen ja koko korjuun kehittämisessä”, Melander sanoo.

Hänen väitöstutkimuksensa mukaan tulevaisuuden metsäkone osaa ottaa huomioon metsäympäristön vaikutuksen ja toimia tavalla, joka muun muassa minimoi syntyviä metsävaurioita.

Melanderin mukaan metsävara- ja maastotietojen sekä koneen tuottamien tuotos- ja vaikkapa polttoaineenkulutustietojen yhdistelmästä voitaisiin verrata kuljettajien työskentelyn tehokkuutta.

Tietojen avulla voitaisiin kouluttaa metsäkoneen kuljettajia toimimaan yhä optimaalisemmin erilaisissa kohteissa.

Nykyisin koneen tai kuljettajien toimintaa erilaisilla kohteilla on vaikea verrata, koska puusto ja maasto vaikuttavat paljon työn tekemiseen. Koneoppimisen hyödyntämisellä valtavasta tietomäärästä voidaan tekoälyn avulla seuloa tietoa, jota ihminen ei löytäisi.

Ristiin hyödynnetyn datan ja sen avulla tehtävän koulutuksen avulla voitaisiin vaikuttaa esimerkiksi koneiden optimaalisiin säätöihin, polttoaineen kulutukseen ja sopivan konetyypin valintaan kullekin hakkuukohteella.

Kimmo Haimi
Metsää koskevien tietojen yhä tarkemmalla hyödyntämisellä voitaisiin entistä paremmin suunnitella hakkuita ja minimoida syntyviä vaurioita metsässä.

Tutkimuksessa mitattiin myös maaperän upottavuutta ja kivisyyttä. Jos maastoista saataisiin laajasti kantavuustietoja, auttaisi se hakkuiden ajoituksen suunnittelussa.

Näin tarkentuisi tieto, millaisilla keleillä eri maastokohteissa maa kantaa raskaita koneita. Toisaalta tietoa voitaisiin siirtää suoraan korjuun yhteydessä korjuuketjun sisällä.

”Metsässä kuljettaja vaikuttaa ajoreitteihin. Ruudulle voisi tulla vaikka ilmoitus, että tuosta ei kannata ajaa, sillä edellisellä kerralla kohde oli upottava”, Melander selittää.

Tietoa voisi kerätä muukin kuin metsäkone ja vuosia ennen kuin metsä on harvennusvaiheessa. Maaperän kivisyyttä tutkittiin mätästystä tekevän kaivinkoneen puomiin kytketyllä laitteistolla. Tähän asti maaperän kivisyyttä on tutkittu käsityönä.

Jo aiemmin on havaittu, ettei silmämääräinen kivisyys ole verrannollinen kivisyyteen 30 sentin syvyydellä. Mittauksien ja maaperäkarttojen yhdistelmästä voisikin olla laajempaa hyötyä.

”Jos saataisiin joku kohta Suomesta mitattua, sen perusteella tehdyillä ­mallinnuksilla voisi ehkä ennustaa muunkin Suomen maaperän kivisyyttä.”

Kivisyystieto voisi puolestaan auttaa mietittäessä metsän uudistuskohteiden maankäsittelyä, uudistamismenetelmiä ja jopa puulajin valintaa. Mätästystäkin on erilaista, eikä sitä kannata kaikissa kohteissa tehdä.

Koneoppimisen mahdollisuuksista väitellyt Lari Melander työskentelee Carcotecissa johtavana konenäköasiantuntijana. Metsää hän pitää yhtenä vaikeimmista toimintaympäristöistä, sillä mallinnettavia muuttujia on hurjan paljon.

Melanderin väitöskirja koski konenäön mahdollisuuksia metsäympäristössä, mutta itse hän työskentelee lastinkäsittelylaitteistoja valmistavassa Cargotecissa johtavana konenäköasiantuntijana. Hän on myös kehittänyt Suomen ensimmäisen tekoälyoluen.

”Metsä on ehkä haastavin ympäristö, jonka voin kuvitella. Oletusten tekeminen on paljon vaikeampaa kuin vaikkapa tehdasympäristöissä, sillä muuttujia on niin paljon.”

Datan hyödyntämisessä isoin rajoittava ongelma on Melanderin mielestä se, ettei Suomessa ainakaan toistaiseksi ole yhteistä alustaa, jonne tietoa voisi tallentaa. Dataa on paljon saatavilla, mutta tieto on hajallaan lukuisissa paikoissa.

Koneoppimisessa on Melanderin mukaan paljon ylimääräistä hehkutusta mukana, mutta olemassa oleva data luo silti paljon potentiaalia, jota voisi hyödyntää nykyistä paremmin.

Kimmo Haimi
Metsäkoneisiin kytketyt mittalaitteet voisivat erilaisia tietoja yhdistelemällä tuottaa aineistoa maaperän kantavuudesta. Suomesta voitaisiin tuottaa ja jalostaa tekoälyn avulla myös kivisyyskarttoja, joista voisi olla hyötyä muun muassa metsää uudistettaessa.

Katso uusin video: Kannattaako pienpuut katkoa kuiduksi vai kasata kaikki energiapinoon?
Lue lisää

Suomen metsien satavuotias mittaushistoria on kultaakin arvokkaampi aarre: "Faktoja kannattaisi tuoda rohkeammin esiin, että ohut puoskarointi malleja käytettäessä voitaisiin kumota"

Metsä on Suomen kivijalka

Taimikkoja hoidettiin aiempaa reippaammin viime vuonna

”Metsien kiertoaikoja voitaisiin pidentää 10–20 vuodella”, sanoo Syken pääjohtaja Leif Schulman Aarteen haastattelussa