Nu har vi lanserat vår uppgraderade AI-modell för automatiserad beståndsavfattning. Vi har modifierat instanssegmenterings-modellen från Meta AI:s Detectron2-bibliotek. Genom att anpassa de ursprungliga rutinerna för tolkning av 3-kanaliga (RGB) bilder har vi gjort det möjligt att införliva ett obegränsat antal informationskanaler/band i modellen.
I denna specifika modell har vi inkluderat informationskanaler som NIR, rött och grönt från flygbilder, laseruppmätta trädhöjder, Sentinel-2 VNIR (1 och 2) och röda bilder, NDVI från Sentinel-2, laseruppmätt terränglutning, lasergenererat raster för vattenackumulering samt svartvita flygfotografier från 1960 för att träna och använda modellen. Träningsprocessen använde cirka 800 000 manuellt avgränsade skogsbestånd från hela Sverige.
De 11 informationskanalerna valdes noggrant för att så mycket som möjligt efterlikna mänskliga förmågan att avfatta skog. Vi människor lyckas ta hänsyn till en mängd olika biologiska, ekonomiska, skogliga, miljömässiga och estetiska faktorer när vi gör beståndsavfattningen. Med hjälp av dessa 11 noggrant utvalda informationskanaler kan vår AI-modell på ett bra sätt approximera den mänskliga avgränsningen.
Förutom data som används av segmenteringsmodellen införlivar vi också geografiska data om jordbruksmark, våtmarker, miljöaspekter, vägar, sjöar och vattendrag, vilket ytterligare förbättrar kvaliteten på vår avgränsning.
Vår AI-modell har implementerats för användning i en C++-binär och kan fungera både i CPU- och GPU-miljöer. Den resulterande avgränsningen av avdelningar används för våra helt automatiserade framtagning av skogsbruksplaner, vilket är tillgängligt via vårt kommersiella REST-API Skogskartor.
Stort tack till Sveaskog och Södra Skogsägarna för att ni bidragit med avgörande data och insikter under utvecklingsfasen.
