Tekoälyhavaintojen luotettavuus ja hyödynnettävyys osana taimikonhoitoa
Korhonen, Paavo (2025)
Korhonen, Paavo
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025060520941
https://urn.fi/URN:NBN:fi:amk-2025060520941
Tiivistelmä
Metsänhoitotyöt ja niiden oikea-aikainen ajoitus on merkittävä osa metsäomaisuuden hoitoa. Hoitotöiden viivästyminen voi aiheuttaa metsänomistajalle merkittävää taloudellista tappiota ja siten heikentää metsätalouden kannattavuutta. Metsien pitäminen elinvoimaisena parantaa lisäksi niiden kykyä sietää voimistuvia sään ääri-ilmiöitä ja tuhoja kohtaan.
Opinnäytetyön tarkoituksena oli selvittää tekoälyn ja sen tekemien havaintojen luotettavuutta ja hyödynnettävyyttä taimikonhoitotarpeen tunnistamisessa. Tutkimusta varten toteutettiin maastotiedonkeruu kesällä 2024, jonka jälkeen tulokset analysoitiin talvella 2025. Tutkittavista kuvioista suurimmalla osalla oli tekoälyhavainto. Lisäksi kohteiden taimikonhoito oli usein myöhässäAineiston analysointi suoritettiin logistisen regressioanalyysin avulla.
Tuloksista oli havaittavissa, että taimikoiden lehtipuuston pituus aiheuttaa suurimman vedonlyöntisuhteen eli riskin oikealle havainnolle. Tekoälyn tekemät havainnot soveltuvat parhaiten jo varttuneiden taimikoiden hoitotöiden kartoittamiseen. Samalla se hyödyntää myös muuta käytössä olevaa metsävara- ja kaukokartoitusaineistoa
Opinnäytetyön tarkoituksena oli selvittää tekoälyn ja sen tekemien havaintojen luotettavuutta ja hyödynnettävyyttä taimikonhoitotarpeen tunnistamisessa. Tutkimusta varten toteutettiin maastotiedonkeruu kesällä 2024, jonka jälkeen tulokset analysoitiin talvella 2025. Tutkittavista kuvioista suurimmalla osalla oli tekoälyhavainto. Lisäksi kohteiden taimikonhoito oli usein myöhässäAineiston analysointi suoritettiin logistisen regressioanalyysin avulla.
Tuloksista oli havaittavissa, että taimikoiden lehtipuuston pituus aiheuttaa suurimman vedonlyöntisuhteen eli riskin oikealle havainnolle. Tekoälyn tekemät havainnot soveltuvat parhaiten jo varttuneiden taimikoiden hoitotöiden kartoittamiseen. Samalla se hyödyntää myös muuta käytössä olevaa metsävara- ja kaukokartoitusaineistoa
