Koneoppimisen avulla uutta realismia metsävarojen monitieteiseen optimointiin
Helsingin yliopiston ja Aalto-yliopiston yhteistutkimuksessa osoitetaan, että aikaisemmin liian vaikeina pidettyjä metsänhoidon optimoinnin kysymyksiä voidaan ratkaista uusilla vahvistusoppimisen menetelmillä.

Vahvistusoppiminen on ohjaamattoman ja ohjatun oppimisen ohella yksi keskeinen koneoppimisen kategoria, jossa päätöksentekoympäristön palaute ohjaa optimaalisiin ratkaisuihin ennalta asetetun tavoitteen saavuttamiseksi. Uusimmat ihmisen shakissa ja Go -pelissä voittavat ohjelmistot perustuvat vahvistusoppimiseen, samoin kuin monet robotiikan, luonnollisen kielen käsittelyssä ja terveydenhuollossa sovelletut tekoälyalgoritmit.

Suomen Akatemian ja Business Finlandin rahoittamassa projektissa Aalto-yliopiston professori Pekka Malon tekoälysovelluksia kehittävän tutkimusryhmän ja Helsingin yliopiston taloudellis-ekologinen optimointi –tutkimusryhmän yhteistyö on tuottanut vahvistusoppimisen sovelluksen läpimurron luonnonvarojen tutkimukseen, jossa menetelmää on toistaiseksi käytetty vielä vähän.

― Metsänhoidon optimoinnissa yhdistetään ekologian, taloustieteen ja metsänhoidon malleja yhdeksi systeemiseksi kokonaisuudeksi, jonka moniulotteisuus on aikaisemmin pakottanut tutkijat moniin yksinkertaistuksiin. Vahvistusoppimisessa voidaan neuroverkkojen ja oppimisalgoritmien avulla lisätä monitieteisyyteen liittyvää realismia ja muuttujien määrää tinkimättä mallien talousteoreettisesti perustellusta rakenteesta, kuvaa professori Olli Tahvonen Helsingin yliopiston maatalous-metsätieteellisestä tiedekunnasta.

― Tällä on suuri merkitys erityisesti, kun otetaan huomioon mahdollisuus hoitaa metsää jatkuvapeitteisenä ja luontaisen uudistumisen seurauksena metsä on monilajinen ja heterogeeninen.

Valinta metsänhoidon vaihtoehtojen välillä tapauskohtaista

Tulosten mukaan boreaalisissa metsissä kannattavin valinta jaksollisena tai jatkuvapeitteisenä hoidettavan metsän välillä määräytyy tapauskohtaisesti kasvuolosuhteiden, puulajin ja taloudellisten tekijöiden kuten keinollisen uudistamisen kustannusten ja koron seurauksena.

Lisäksi aluksi suoritettu avohakkuu voi olla kannattavin vaihtoehto rakenteeltaan yksinkertaisessa metsässä, vaikka pidemmällä aikavälillä olisi edullisinta hoitaa metsää jatkuvapeitteisenä ja monimuotoisempana.

Realistinen malli parantaa varautumista riskeihin

― Vahvistusoppimisen merkitys korostuu, kun huomioidaan metsän kasvuun, luonnontuhoihin ja ilmastonmuutokseen sisältyvät riskit, Tahvonen toteaa.

Tutkimuksen mukaan suuri ennakoimaton vaihtelu luontaisesti syntyvien taimien määrässä ei alenna jatkuvapeitteisen vaihtoehdon kannattavuutta eikä johda merkittävään vaihteluun hakkuumäärissä.

Aikaisemmassa tutkimuksessa metsien luonnontuhoriskien seurauksena metsät suositeltiin päätehakkaamaan nuorempina.

― Nyt kehitetyn realistisemman mallin mukaan kannattavin tapa varautua luonnontuhoihin on tiettyjen edellytysten vallitessa siirtyä hoitamaan metsiä jatkuvapeitteisinä. Tämä löydös oli melkoinen yllätys, Olli Tahvonen kertoo.

Tutkimuksen tuloksilla on merkitystä arvioitaessa EU:n metsäpoliittisten linjausten vaikutuksia pohjoismaiden metsätaloudelle.    

 

Alkuperäinen artikkeli:

Malo, P., Tahvonen, O., Suominen, A., Back, P., & Viitasaari, L. (2021). Reinforcement learning in optimizing forest management. Canadian Journal of Forest Research, https://doi.org/10.1139/cjfr-2020-0447.