Stormskader på skove koster milliarder - her er hvordan kunstig intelligens kan hjælpe

Storme med høj intensitet forårsager skader for milliarder af pund hvert år, og klimaforandringerne vil gøre dette værre i fremtiden. Vi ser allerede nu ud til at se hyppigere og mere intense storme. Eks-orkanen Ophelia og Storm Eleanor skabte begge kaos på de britiske øer i løbet af vinteren, herunder skader, strømafbrydelser og store rejseforsinkelser.

Det er ikke kun pendlere og husstande, der bliver ramt. Hvert år i hele Europa, antallet af træer, som kommercielle skove mister til storme, svarer til den årlige mængde tømmer, der fældes i Polen.

Skovskader er et særligt problem i Nord- og Vesteuropa, men i stigende grad også steder som Baltikum og Hviderusland. Takket være klimaforandringerne, skaden kunne fordobles i løbet af dette århundrede.

Forskere bruger forskellige modelleringsteknikker til at hjælpe skovforvaltere med at forudsige, hvilke træer der risikerer at blive beskadiget, men ingen er tilstrækkelig nøjagtige. Kunstig intelligens har potentialet til at gøre en stor forskel, imidlertid. Vi har bygget et system, som vi mener viser vejen til at beskytte skovbrugsindustrien mere effektivt i fremtiden.

Træ og messing

Skovbrug er en vigtig bidragyder til den britiske økonomi, med en årlig bruttoværditilvækst på omkring 2 milliarder pund – lidt over 0,1 % af den samlede økonomi. Der er omkring 31, 000 kvadratkilometer skov, omkring 13% af Storbritanniens samlede landoverflade.

Dette område vokser hele tiden, både for at imødekomme den stigende efterspørgsel efter tømmer og af miljøhensyn:i England, den nyligt annoncerede Northern Forest mellem Hull i øst og Liverpool i vest vil hjælpe med forebyggelse af oversvømmelser, jordtab og dyreliv. I Skotland, en stor del af træplantningen er drevet af behovet for mere kuldioxid, der skal fjernes fra luften via kulstofbinding.

Skovskader holder dette tilbage, imidlertid. Mindst fem gange i Storbritannien inden for de seneste 50 år, enorme storme har beskadiget tømmer med et volumen på mere end 1m kubikmeter.

Skovbrugsindustrien forsøger på forskellige måder at mindske risikoen for vindskader, bl. herunder høst af træer i en yngre alder, og udtynding af skove tidligere for at øge træernes langsigtede stabilitet.

Skovbrugere i Storbritannien bruger normalt et softwaresystem kaldet ForestGALES til at estimere sandsynligheden for vindskader på grupper af træer - står som de kaldes i branchen. Der findes også modelleringsteknikker til at forudsige stormskader på individuelle træer, baseret på ting som deres højde, bredde og mere generelle skovkarakteristika som jordtype.

Alle disse systemer lider under, at deres forudsigelser refererer til databaser med information, som ikke indeholder meget data. Desværre er det meget tidskrævende at indsamle den relevante information, og den er ikke tilgængelig for nogle områder, så det er ikke altid praktisk at forbedre dette. Det hjælper heller ikke, at andelen af ​​beskadigede træer i en given skov er ret lav, omkring 15 % af det samlede beløb.

Skov fremtid

Vi og flere andre kolleger har samarbejdet om at finde en anden vej frem, kombinerer vores ekspertise inden for datalogi og skovforvaltning. Vi har kunnet vise, at computere kan bruge maskinlæring til at udtænke en model, der kan forudsige skader på enkelte træer meget præcist.

Den er afhængig af en type kunstig evolution kaldet genetisk programmering (GP), som efterligner evolutionen i den naturlige verden for at komme med helt nye funktioner, der kan fodres ind i et klassifikationssystem for at gøre det lettere at skelne mellem forskellige træer. Disse funktioner passer ikke ind i nogen pæn menneskelig kategorisering, så det er svært at give eksempler; hver ny funktion er en kompleks matematisk funktion, der kombinerer nogle af de originale variabler såsom trætæthed og stammeomkreds på nye måder.

Da vi testede modellen ved hjælp af data indsamlet fra to stormskadede skove i det sydvestlige Frankrig, den var 90 % nøjagtig i den ene skov og 79 % nøjagtig i den anden. I procentpoint, forbedringen af ​​andre modelleringssystemer var i dobbeltcifre.

Den nye tilgang giver også ny indsigt til skovbrugsledere, for eksempel at fremhæve de faktorer, der har størst indflydelse på modtageligheden for skader – såsom trætæthed – hvilket igen hjælper dem med at udvikle bedre skovforvaltningsplaner for fremtiden. Og modellerne arbejder så hurtigt, at virkningen af ​​disse forvaltningsplaner kan kortlægges i realtid, hvilket er yderst nyttigt for skovplanlægning og engageret med interessenter.

Det er et godt eksempel på, hvordan kunstig intelligens forbedrer vores evne til at klare verden omkring os. Vi kender ikke nogen andre, der forsøger at anvende maskinlæring til skovrisikostyring, men der er paralleller på mange områder – brystkræftdiagnose, for at give et eksempel. Tiden vil vise, om vi kan få styr på klimaforandringerne:men hvis der kommer flere storme i fremtiden, vi burde i hvert fald være bedre til at identificere de svage punkter i skovene på forhånd.

Denne artikel blev oprindeligt publiceret på The Conversation. Læs den originale artikel.