Lærer KI å se hvert enkelt tre i skogen

Å ikke se skogen for bare trær betyr noe sånt som at man er så opptatt av detaljer at man ikke ser helheten; at man ikke ser det som ligger like for nesen på en. Men, når dataprogrammer skal lære å se både trærne og skogen, er det kolossale mengder detaljer de skal få med seg.

Utviklingen av kunstig intelligens har gjort det mulig for oss alle å få hjelp til alt fra oversettelser og bedre formuleringer når vi sender epost fra mobiltelefonen, til selvkjørende biler som benytter lidar (Light Detection and Ranging) til å skanne omgivelsene med laser og fastslå hva som er fortau, fotgjengere og andre kjøretøy.

De samme metodene og dataprogrammene kan også trenes opp til å kjenne igjen trærne i skogen – det er bare det at natur er så mye mer komplisert å kjenne igjen. For mens et dataprogram kan øves opp til å lese tekst satt sammen av 28 bokstaver, eller å skille en sykkel fra et hus, er variasjonen i skogens natur nærmest uendelig. Det er ingen triviell jobb å lære et dataprogram å skille tre nabotrær fra hverandre og fastslå hva som er bjørk, furu eller gran.

Så hvordan foregår egentlig dette opptreningsarbeidet?

Fra urbane høyhus i Sveits til skogholt i Norge

Vi besøkte NIBIOs høyteknologiske avdeling for Driftsteknikk og digitalisering på Ås. I kontorene jobber skogforskere tett sammen med matematikere, programmerere, elektronikkingeniører og eksperter på fjernmåling – altså fotografering fra satellitter, fly og droner.

En av dem vi møter i gangene er Binbin Xiang, nylig ansatt som postdoktor ved NIBIO. Xiang kommer fra ETH-universitet i Zürich i Sveits. Hennes spesialitet er behandling og prosessering av tredimensjonale punktskyer. I Sveits jobbet hun for det meste med bygninger og strukturer i urbane miljøer. Nå er oppmerksomheten rettet mot granskogen.

Til opplæringen av datamodellene benytter Xiang maskinlæring og laserskanningsdata hentet i de norske skoger.

En laserskanner sender ut pulser av infrarødt lys til omgivelsene og lyspunktene reflekteres tilbake til skanneren. Til sammen dannes det en såkalt punktsky som beskriver overflaten av bakken og vegetasjonen, slik som trærne i skogen. Denne informasjonen kan så benyttes til å beskrive hva slags skog vi har, hvilke treslag skogen består av og hvilke skogskjøtselstiltak som eventuelt bør igangsettes.

Jobben til Binbin Xiang er å få dataprogrammet, den kunstige intelligensen, til raskere å klassifisere de mange fargede prikkene, som utgjør «bildet» eller punktskyen, som fremstiller et skogholt. Hun forklarer at prinsippene i grunnen er de samme som når punktskyer fra laserskanning av en by skal deles opp eller segmenteres i veier, bygninger, biler og så videre.

− Problemet eller konseptet er likt. Vi skal lære opp dataprogrammet til å kjenne igjen de ulike delene. Det er bare det at det er så mye mer komplisert og sammensatt i en skog. Trærne har for eksempel overlappende trekroner som gjør det vanskelig å skille dem fra hverandre, sier Xiang.

− Det er enkelt for oss mennesker å se forskjell, men for en maskin er det veldig, veldig vanskelig.

Millioner av datapunkter for å beskrive et enkelt tre

Litt lenger ned i gangen sitter forsker og KI-ekspert Maciej Wielgosz. Han deltar i det fascinerende arbeidet med å identifisere trærne og skille dem fra hverandre. Wielgosz forklarer at hvert enkelt punkt i den tredimensjonale punktskyen får lagt til ekstra informasjon (i tillegg til plasseringen i rommet; x,y,z). Informasjonen forteller KI-programmet at «Dette punktet er i trekronen», «dette punktet er i stammen». Man kan også legge til annen type informasjon om punktet, for eksempel hvilket tre i skogen det tilhører eller hva slags bonitet det er der treet vokser. Bonitet sier noe om hvor gode vokseforholdene er i skogen.

Bare for ett tre kan det være snakk om millioner av punkter som blir beskrevet, og det kan ta årevis å gjøre klar datasettet som så skal benyttes til å trene opp KI-datamodellene.

− Mye av utfordringen med mange av KI-modellene er at de er ment for menneskeskapte strukturer – som en stol, et bord eller en bil. Når vi studerer natur, biologi, ting som har vanvittig varierte former – blir det straks mye mer krevende, sier Wielgosz.

− Når du bruker mobiltelefonen til å transkribere tekst benytter den en språkmodell som er trent opp til å kjenne igjen ord. Men da er det et begrenset antall bokstaver og et fast vokabular. Det blir som et avgrenset område. Ute i naturen vet vi jo ikke hvor stor variasjonen er. Det gjør det så vanskelig å opprette et vokabular for trærne og skogen.

Høyteknologisk drevet skifte fra bestandsskogbruk til forvaltning på enkelttrenivå

I dag lagres og analyseres mye av den innsamlede informasjonen i ForestSens – en skyløsning utviklet av NIBIO, basert på Oracle Cloud Infrastructure. På sikt er målet at mye av analysen også kan gjøres i skogen – i sanntid – med sensorer montert på hogstmaskinen eller lassbæreren. En lassbærer frakter tømmeret ut fra hogstfeltet til en velteplass for videre transport med tømmerbil.

NIBIO-forskerne samarbeider med aktører i både norsk og europeisk skogindustri og skogforskning. Det skjer i prosjektet SmartForest, finansiert som et senter for forskningsdrevet innovasjon (SFI) av Norges forskningsråd, og i EU-prosjektet SingleTree.

Målet er intet mindre enn å gå fra det tradisjonelle bestandsskogbruket til forvaltning av skogen på enkelttrenivå.

− Vi ser for oss at vi ved hjelp av høyoppløselig lidar laserskanning, og KI som gjenkjenner enkelttrær, kan innføre ideen om å følge ett enkelt tre gjennom hele skogbrukets verdikjede, sier NIBIO-forsker Stefano Puliti.

− For eksempel i forbindelse med lukkede hogster vil enkelttreforvaltning kunne bistå hogstmaskinene når de skal velge ut hvilke trær som skal høstes. Deretter kan hver enkelt tømmerstokk følges frem til videre foredling i industrien.