Forskningskonsortiet ASPECT bildat av Geodatacentralen och Jyväskylä universitet och finansierat av Finlands Akademi har utvecklat en drönarbaserad mätmetod som bygger på autonomt skannande spektroskopi och artificiell intelligens för att analysera trädens hälsa.
Autonoma obemannade modellplan, det vill säga drönare, blir snabbt vanligare överallt i världen. Installerade kameror och sensorer i kombination med artificiell intelligens gör drönaren till en smart mätapparat. Smarta robotdrönare kan samla in information om miljön på ett effektivt och säkert sätt.
Vid sidan av många ekonomiska och sociala effekter spelar skogarna en viktig roll i kampen mot klimatförändringen. Å andra sidan ökar klimatförändringen riskerna i skogarna.
Klimatet fortsätter att värmas upp, vilket leder till spridning av skadeinsekter och sjukdomar som är beroende av temperaturen. Den ökade torkan försämrar trädbeståndet. Stormar och skogsbränder förstör och försvagar skogarna.
Att känna till skogens skick utgör grunden för bättre skogsvård och hantering av skador. Med hjälp av drönare kan skogens skick mätas med ett enskilt träds noggrannhet. Med hjälp av exakta mätdata kan man bland annat identifiera tidiga störningar och fastställa vårdbehovet.
Att mäta trädets skick med drönare
ASPECT-projektet fokuserade särskilt på den grandödande granbarkborren, som för närvarande är en av de största riskerna för boreala skogar. Granbarkborren har orsakat omfattande skogsskador sedan år 2015 i Mellaneuropa och i södra Sverige sedan år 2018.
De omfattande skadorna av granbarkborren i Finland framskred år 2022 och orsakade betydande död i trädbeståndet särskilt i södra och sydöstra Finland. Detta är bara början, eftersom klimatet fortsätter att bli varmare under de kommande hundra åren.
I Finland leder även en liten uppvärmning till att granbarkborrens andra generation kan födas samma år, vilket skulle orsaka en explosiv tillväxt av populationen.
På grund av granbarkborrens angrepp ändrar färgen på granens barr från grönt till gult, rött och till sist grått, vilket en drönare som flyger ovanför skogen kan upptäcka.
I projektet mättes trädens skick med olika kameror. De mest exakta mätningarna gjordes med hyperspektrala kameror som producerade centimeterexakta hyperspektrala bilder av trädens toppar.
Resultaten från ASPECT-projektet visade att de nya AI-metoderna för djupinlärning kan identifiera trädslag och hitta träd som är friska eller döda och träd med en avvikande färg, även från vanliga färgbilder.
Dessutom visade projektet att de exakta hyperspektrala kamerorna i ett tidigt skede upptäckte små förändringar i barrens spektrala respons och producerade på så sätt tidig information om förändringar i granens hälsotillstånd.
De utvecklade metoderna gör det möjligt att mäta trädens skick på ett förmånligt sätt samt att upptäcka andra störningar som inte granbarkborren orsakat. Inom ASPECT-projektet har man också undersökt identifiering av gödselbehov samt utvecklat metoder för att identifiera ospecificerade avvikelser.
Forskningsprojektet har fått finansiering från Finlands Akademis ICT 2023-program, ett tioårigt program som syftar till en bred nationell och internationell användning av IKT. Programmet för ihop universitet, forskningsinstitut, företag och finansiärer.