Helsingin yliopiston ja Aalto-yliopiston tutkijoiden kehittämä Deep FRST-optimointimenetelmän auttaa metsänomistajaa sovittamaan yhteen metsänomistuksen eri näkökohdat pitkän aikavälin tavoitteiden mukaisesti.

”DeepFRST on ainoa menetelmä, joka huomioi sekä avohakkuut että metsän hoitamisen jatkuvapeitteisenä. Se ei ota kantaa kummankaan vaihtoehdon puolesta vaan laskee puhtaasti tieteeseen pohjautuen metsänomistajan tavoitteisiin parhaiten sopivan vaihtoehdon”, kertoo taloudellis-ekologisen optimoinnin tutkimusryhmää vetävä professori Olli Tahvonen Helsingin yliopistosta.

Menetelmää kehitettäessä tutkijat hyödynsivät metsäinventaarioihin pohjautuvia, eri puulajien kasvunopeuksia kuvaavia metsämalleja sekä yksityiskohtaista kuvausta metsänhoidon pitkän aikavälin tulonmuodostuksesta. Niistä rakennettiin harjoitteluympäristö, jossa algoritmi voi opetella, miten metsän kasvu toteutuu ja miten metsänhoidon toimenpiteet kannattaa suunnitella.

”Aikaisemmilla menetelmillä pystyttiin ratkaisemaan vain yksinkertaistettuja malleja ja niidenkin laskenta oli käytännön sovelluksien kannalta liian hidasta. Mahdollisuus ratkaista hyvin yksityiskohtaisia taloudellis-ekologisia malleja suhteellisen vähällä laskentateholla avaa jännittäviä mahdollisuuksia niin tieteen kuin liiketoiminnan kannalta”, kertoo työkalun teknisestä suunnittelusta ja toteutuksesta sekä laskennasta vastaava Aalto-yliopiston tohtorikoulutettava Antti Suominen.

DeepFRST-menetelmää on kehitetty Business Finlandin rahoittamassa Tutkimuksesta liiketoimintaa -hankkeessa. Menetelmä on patentoitu. Tulevana kesänä tiimi perustaa yrityksen ja alkaa jalostaa sovelluksia eri käyttäjäryhmien tarpeisiin.

Lisää aiheesta: Uusi tutkimus tuo koneoppimisen metsänhoitoon, tulokset yllättivät tutkijat

Jos ajankohtaiset metsäasiat kiinnostavat, tilaa Metsälehti tästä.