Simon Berg
Forsker
Biografi
Det meste av arbeidet mitt ved NIBIO har dreid seg om å håndtere og analysere store datamengder. Dette arbeidet kan deles inn i tre hovedområder: analyse av StandForD-filer fra skogsmaskiner, simuleringer av skogsmaskiner, og studier av CANBUS-data fra tømmerbiler. I tillegg til dette arbeidet har jeg deltatt i mer tradisjonell skogdriftsforskning, som tidsstudier og målinger av arbeidskvalitet.
Tidligere erfarenhet
Min akademiske reise begynte ved Sveriges lantbruksuniversitet (SLU), der jeg tok en mastergrad i skogbruk (Jägmästare). Studiene mine fokuserte på råvareforsyning og produksjonsplanlegging. Jeg fortsatte sedan ved SLU med doktorgradsstudier i skogsteknologi, med prosjektet "Technology and Systems for Stump Harvesting with Low Ground Disturbance ". Etter doktorgraden tilbrakte jeg et år som postdoktor ved Universitetet i Tokyo. Der jobbet jeg med små lastbærere i bratt terreng. Deretter returnerte jeg til SLU for å jobbe med logistikk rundt terminaler og overføring av GIS-kunnskap.
Mitt doktorgradsprosjekt, i mer detalj, inkluderte måling av markforstyrrelser, simulering av produktiviteten til forskjellige stubbrytningssystemer, kostnadsanalyser, utvikling av en eksperimentell rigg for stubbvridning, og tidsstudier. Doktorgradsprosjektet var en del av forskerskolen FIRST, som førte til at jeg tilbrakte et år på andre forskningsstudier. Disse studiene omfattet måling av temperatur og gassutslipp under lagring av torv og sagflis, utførelse av produktivitetsstudier, og undersøkelse av variasjonen i fuktighetsprosent i skogsbrensel flis for å estimere det nødvendige antall prøver for forskjellige målepresisjoner. Som postdoktor inkluderte arbeidet mitt produktivitetsstudier og kostnadsanalyser av japanske lastbærere og separate lastere i bratt terreng. Jeg medvirkede også i en studie om hogging av skogsbrensel. Under min andre periode ved SLU, jobbet jeg med potensielle fordeler ved åpne terminaler og utførte en økonomisk vurdering av forskjellige terminallokasjoner, med tanke på høgst, transport og kapitalkostnader.
Sammendrag
Time and motion studies in forest operations benefit from video-based analysis, but manual annotation is time consuming. This pilot study aims to reduce analysis time by developing a deep-learning framework that classifies dashcam video into four work elements: crane out, cutting and processing, driving, and processing. Using a 3D ResNet-50 (PyTorchVideo) trained on manually annotated clips, the model achieved validation F1 = 0.88 and precision = 0.90, showing that spatiotemporal CNNs can capture rele-vant motion and appearance cues in forest environments. Overfitting indicates that more diverse data and better class balance are needed, but the approach shows clear potential to scale automated work-element monitoring and efficiency analysis.
Sammendrag
Soil disturbance following forestry operations is influenced by multiple factors. Reducing disturbance requires placing strip and base roads in locations with minimal risk of disturbance. However, identifying these areas is a complex task. To address this, we have begun developing a forwarding risk index ranging from 1 to 100 that integrates several geographical information sources in the area around Oslo. This forwarding index seems to provide good estimates of areas with a higher risk of ground disturbance during forwarding operations at the sites used for development. With further development of geographical inputs, their combination into a risk index, and later on nationwide validation, the forwarding risk raster combined with a terrain map could improve the identification of suitable areas for forwarding trails. The risk raster was tested for path planning and performed well in areas with a low to moderate frequency of high-risk pixels but was less effective in areas with a high concentration of high-risk pixels. In these areas, an assessment of the potential ecological impact (erosion, sedimentation of streams, mobilisation of mercury, soil carbon impact, changes in hydrology, soil compaction) of ground disturbance is needed alongside the risk index to determine the least unsuitable trail locations.
Sammendrag
Det er ikke registrert sammendrag