Sverige, ett land där skogar täcker över 70% av landskapet, står inför en betydande förändring. Historiskt sett har skogsinventering utförts manuellt, en metod som varit både tidskrävande och mindre exakt. I takt med klimatomställningen har behovet av att noggrant övervaka och förstå våra skogar blivit allt viktigare. Det är här Erik Roos, 3D-Artist på Arboair, tillsammans med ny teknik inom datorbildseende och bildanalys, kommer in i bilden.
Projektet “En syntetisk digital tvilling för precisionsskogsbruk”, finansierat av Vinnova och i samarbete med AI Sweden, markerar en vändpunkt för den historiska skogsindustrin. Projektet har bland annat kunnat använda AI Swedens testbädd i Göteborg för att utveckla sin lösning: En syntetisk digital tvilling av skogen. Under ett lunchseminarium i mars fick Arboair möjligheten att presentera arbetet med syntetisk data dels för partners i AI Sweden och andra bolag som ville lära sig mer om tekniken.
Hjärtat i innovationen är användningen av convolutional neural networks/konvolutionellt neuralt nätverk (CNN), vilket är en metod som är vanligt förekommande inom datorbildseende. Denna metod kräver omfattande mängder verklig träningsdata och hand-annoterade segmenteringsmasker vilka används som facit i AI-träning. Mänsklig kunskap inom skogsområdet spelar en avgörande roll och det är här den syntetiska digitala tvillingen visar sin styrka. Genom att automatiskt skapa segmenteringsmasker baserade på modellerade skogar, effektiviseras processen betydligt. Detta innebär inte bara en tidsbesparing, utan också ett unikt sätt att noggrant identifiera trädtyper.
Fördelarna med syntetisk data är många, däribland möjligheten att framhäva sällsynta arter, justera kameraperspektiv för optimal bildtagning och uppnå precision. Metoden är dessutom ekonomiskt hållbar på lång sikt, fri från problematiken kring personlig integritet som kan uppstå vid fotografering i verkliga skogsmiljöer.
Visst finns det utmaningar, såsom behovet av högkvalitativa data och utmaningen med att uppnå tillräcklig mångfald och artrikedom i de simulerade miljöerna. Startkostnaderna kan vara höga, särskilt när nya regioner utforskas och en grundmodell behöver utvecklas från början.
Arbetsflödet i projeket är iterativt och kräver noggrann justering och testning. Genom den här processen har man kunnat ta sig an den inneboende komplexiteten i skogsmiljöer, som varierar beroende på tid på dygnet, väder, flyghöjd och mycket mer.
Resultaten talar för sig själva. AI-modellen har visat sig vara särskilt effektiv i vissa miljöer, med en imponerande träffsäkerhet på 90-95% i vissa fall, och Erik berättar att det har varit en fantastisk resa att utveckla detta.
Projektet är inte bara ett bevis på teknologins kraft att förändra traditionella industrier, utan också ett gott exempel på hur Sverige kan leda vägen i skapandet av hållbara och effektiva lösningar för skogsbruket.
Missade du lunchseminariet?
Mer om syntetisk data:
Arboair: Modernizing the Swedish forest industry with synthetic data
