Predikering av råte i granskog med hyperspektrale flybilder og maskinlæring

Abstract

Råte i granskog (picea abies) fører i Norge til store økonomiske tap for skogbruket. Årlig går verdier på rundt 100 millioner tapt. Det er tidligere gjort studier på bruk av maskinlæring for predikering av råte i granskog, men få av disse har fokusert på forbehandling. I denne oppgaven har det derfor blitt undersøkt hvor stor påvirkning valg av forbehandling har på resultatet.

Et annet aspekt som ble undersøkt, var om bærbare datamaskiner kunne brukes til trening av dype nevrale nettverk for predikering av råte. Dette henger sammen med de siste årenes raske utvikling av teknikker for maskinlæring og kapasitet på grafikkort.

For å undersøke påvirkningen fra forbehandling før det nevrale nettverket, ble det laget to ulike metoder med ulike innfallsvinkler som deretter ble trent på et U-nett. Det ble testet med flere ulike hyperparametere.

Resultatene viser at forbehandling kan ha stor påvirkning på resultatet, da det var svært stor forskjell på resultatet fra de to metodene. Metoden med et lite manuelt korrigert datasett kunne avdekke 76 % av piksler merket med råte over 1 m, mens den andre metoden med et vesentlig større automatisert datasett klarte kun 13 %. Årsaken til det svært ulike resultatet er usikkert, men trolig handler det om en rekke feilkilder som hver og en påfører støy i forbehandlingen.

Resultatene viser og at man kan trene dype nevrale nettverk for predikering av råte på en bærbar datamaskin. For en av metodene ble det oppnådd en vektet F1-score på 0,8, noe som var betydelig bedre enn grunnlinjen.

Rot in spruce forests (picea abies) in Norway causes huge losses for forestry. Every year, values of around 100 million NOK are lost. Earlier studies have examined the use of machine learning to predict rot in spruce forests, but few has focused on pre-processing. This thesis has therefore examined how selection of pre-processing contributes to the result. Another examined aspect was if laptops could be used to train deep neural networks for prediction of rot. This is linked to the rapid development of machine learning techniques and graphics cards.