Nya insikter för AI-baserad skattning av röjningsbehov.

Röjning i ungskog är en viktig åtgärd för att forma framtidens skogar. Samtidigt är det svårt att på ett resurseffektivt sätt bedöma var röjningsbehovet är som störst i planeringen och prioriteringen av åtgärder. Idag baseras planeringen ofta på manuella inventeringar och visuella bedömningar, exempelvis från helikopter, vilket både är tidskrävande, kostsamt och inte heller särskilt exakt.

Skogforsk har därför sedan 2020 bedrivit projektet RöjSAT med målet att ta fram ett beslutsstöd för skattning och beskrivning av röjningsbehov med fjärranalys. I projektets första del, finansierad av Vinnova, utvecklades en AI-modell för prediktion av röjningstid utifrån öppna satellitdata (läs mer i Skattning av röjningsbehov med digitala verktyg). Den utvecklade modellen kunde fånga mönster av korta och långa röjningstider även om skillnaderna mellan predikterad och uppmätt röjningstid fortfarande var betydande. 

Det här fortsättningsprojektet, genomfört som en del av forskningsprogrammet Mistra Digital Forest, har fokuserat på att analysera datakvaliteten, testa olika strategier för förbearbetning och jämföra olika typer av modeller. Resultaten visar att modellernas prestanda i första hand begränsas av datamaterialets egenskaper snarare än av modellernas utformning eller komplexitet. Mer avancerade AI-modeller gav inte bättre resultat än enklare modeller när de tränades på samma dataunderlag. 

En viktig insikt från projektet är att tidsåtgången för röjning påverkas av fler faktorer än själva röjningsbehovet. När röjningsdata från olika företag kombinerades blev det tydligt att skillnader i arbetsmetodik hos de olika röjningslagen påverkade röjningstiden. Figur 1 visar hur enskilda röjare rört sig inom ett objekt för två olika röjlag, där det ena röjlaget tydligare har delat upp objektet mellan sig och det andra har rört sig mer överlappande. Det visar att röjningstid är ett mer komplext mått än vad det först kan verka och att arbetsmetodiken behöver beaktas när röjningstid används som underlag för modellutveckling. Detta ledde också till insikter om vikten av att tydligt definiera vad man vill att en modell faktiskt ska beskriva, exempelvis det skötselmässiga röjningsbehovet eller tidsåtgången för röjningsarbetet.

Figur 1. Registrerade punkter under röjning med olika färg för enskilda röjare inom varje röjlag. Den vänstra bilden visar en tydlig uppdelning inom objektet, medan den högra bilden visar att röjarna rört sig mer spritt inom objektet.

Projektet har också lett till flera metodförbättringar för konstruktion av modellen. Genom att filtrera bort osäkra observationer och säkerställa att data från samma röjningsobjekt inte används för både träning och utvärdering har vi skapat en mer realistisk bild av modellernas förmåga att fungera i nya områden. 

En central slutsats är att mer data av samma typ som använts hittills, det vill säga position- och tidsloggar från röjare som samlats in i samband med utfört röjningsarbete, sannolikt inte räcker för att förbättra träffsäkerheten. För att ta nästa steg behövs referensdata med bättre informationsinnehåll, exempelvis information om stamtäthet, trädhöjd, eller data som bättre skiljer aktivt röjningsarbete från annan vistelse i beståndet. Samtidigt visar resultaten att modellen fortfarande lyckas fånga relevanta variationer inom röjningsobjekt, vilket visas i figur 2. Detta tyder på att metoden har potential att utvecklas vidare. Insikterna från studien tas nu vidare i en ny projektfas som finansieras av Skogssällskapet under 2026–2029.

Figur 2. Jämförelse mellan uppmätt röjningstid (referensdata) och predikterad röjningstid för ett exempelobjekt, där prediktioner från ett neuralt nätverk och en linjär modell visas. Röjtiden illustreras i en skala för tiden från mörkblått (lägst) till ljust (högst).