Stormen met hoge intensiteit veroorzaken jaarlijks miljarden ponden schade, en klimaatverandering zal dit in de toekomst nog erger maken. We lijken nu al vaker en heviger stormen te zien. Ex-orkaan Ophelia en storm Eleanor hebben beide in de winter grote schade aangericht op de Britse eilanden. inclusief blessures, stroomstoringen en ernstige reisvertragingen.

Niet alleen forenzen en huishoudens worden getroffen. Elk jaar in heel Europa, het aantal bomen dat commerciële bossen door stormen verliezen, is gelijk aan de jaarlijkse hoeveelheid hout die in Polen wordt gekapt.

Bosschade is een bijzonder probleem in Noord- en West-Europa, maar steeds vaker ook plaatsen als de Baltische staten en Wit-Rusland. Dankzij klimaatverandering, de schade zou in de loop van deze eeuw kunnen verdubbelen.

Onderzoekers gebruiken verschillende modelleringstechnieken om bosbeheerders te helpen voorspellen welke bomen risico lopen op schade, maar geen enkele is voldoende nauwkeurig. Kunstmatige intelligentie heeft het potentieel om een ​​groot verschil te maken, echter. We hebben een systeem gebouwd dat volgens ons de weg wijst naar een betere bescherming van de bosbouwsector in de toekomst.

Hout en messing

Bosbouw levert een belangrijke bijdrage aan de Britse economie, met een jaarlijkse bruto toegevoegde waarde van ongeveer £ 2 miljard – iets meer dan 0,1% van de totale economie. Er is ongeveer 31, 000 vierkante kilometer bos, ongeveer 13% van het totale landoppervlak van Groot-Brittannië.

Dit gebied wordt steeds groter, zowel om aan de stijgende vraag naar hout te voldoen als om milieuredenen:in Engeland, het onlangs aangekondigde Northern Forest tussen Hull in het oosten en Liverpool in het westen zal helpen bij het voorkomen van overstromingen, bodemverlies en dieren in het wild. In Schotland, een groot deel van de aanplant van bomen wordt gedreven door de noodzaak om meer koolstofdioxide uit de lucht te halen via koolstofvastlegging.

Bosschade houdt dit tegen, echter. Minstens vijf keer in het VK in de afgelopen 50 jaar, enorme stormen hebben hout beschadigd met een volume van meer dan 1 m kubieke meter.

De bosbouwindustrie probeert op verschillende manieren het risico op windschade te verkleinen, inclusief het op jongere leeftijd kappen van bomen, en het eerder uitdunnen van bossen om de stabiliteit van de bomen op lange termijn te vergroten.

Bosbouwers in het Verenigd Koninkrijk gebruiken gewoonlijk een softwaresysteem genaamd ForestGALES om de kans op windschade aan groepen bomen te helpen inschatten – stands zoals ze in de industrie worden genoemd. Er bestaan ​​ook modelleringstechnieken om stormschade aan individuele bomen te voorspellen, op basis van zaken als hun lengte, breedte en meer algemene boskenmerken zoals bodemtype.

Al deze systemen hebben te lijden onder het feit dat hun voorspellingen verwijzen naar databases met informatie die niet veel gegevens bevatten. Helaas kost het veel tijd om de relevante informatie te verzamelen en is deze voor sommige gebieden niet beschikbaar, dus het is niet altijd praktisch om dit te verbeteren. Het helpt ook niet dat het aandeel beschadigde bomen in een bepaald bos vrij laag is, ongeveer 15% van het totaal.

Bostoekomst

Wij en verschillende andere collega's hebben samengewerkt om een ​​andere weg vooruit te vinden, onze expertise op het gebied van informatica en bosbeheer combineren. We hebben kunnen laten zien dat computers met machine learning een model kunnen bedenken dat schade aan individuele bomen zeer nauwkeurig kan voorspellen.

Het is gebaseerd op een soort kunstmatige evolutie die genetische programmering (GP) wordt genoemd, die de evolutie in de natuurlijke wereld nabootst om met volledig nieuwe kenmerken te komen die in een classificatiesysteem kunnen worden ingevoerd om het gemakkelijker te maken onderscheid te maken tussen verschillende bomen. Deze functies passen niet in een nette menselijke categorisering, dus het is moeilijk om voorbeelden te geven; elke nieuwe functie is een complexe wiskundige functie die enkele van de oorspronkelijke variabelen zoals boomdichtheid en stamomtrek op nieuwe manieren combineert.

Toen we het model testten met behulp van gegevens verzameld uit twee door de storm beschadigde bossen in het zuidwesten van Frankrijk, het was 90% nauwkeurig in het ene bos en 79% nauwkeurig in het andere. In procentpunten, de verbetering ten opzichte van andere modelleringssystemen zat in de dubbele cijfers.

De nieuwe aanpak biedt ook nieuwe inzichten voor bosbeheerders, bijvoorbeeld door de factoren te benadrukken die de vatbaarheid voor schade het meest beïnvloeden, zoals de boomdichtheid, wat hen helpt om betere plannen voor bosbeheer voor de toekomst te ontwikkelen. En de modellen werken voldoende snel om de impact van deze beheerplannen realtime in kaart te brengen, wat zeer nuttig is voor bosplanning en het aangaan van contacten met belanghebbenden.

Het is een goed voorbeeld van hoe kunstmatige intelligentie ons vermogen verbetert om met de wereld om ons heen om te gaan. We kennen niemand anders die machine learning probeert toe te passen op bosrisicobeheer, maar er zijn parallellen op tal van gebieden – de diagnose van borstkanker, om één voorbeeld te geven. De tijd zal leren of we de klimaatverandering aankunnen:maar als er in de toekomst meer stormen komen, we zouden in ieder geval beter vooraf de zwakke plekken in bossen moeten kunnen identificeren.

Dit artikel is oorspronkelijk gepubliceerd op The Conversation. Lees het originele artikel.