Tekoäly oppii tunnistamaan puulajit ilmasta lähes yhtä tarkasti kuin ihminen
Suomalaistutkijat ovat kehittäneet tekoälymenetelmän, joka tunnistaa puulajeja ilmasta kerätystä laserkeilausdatasta jopa 92 prosentin tarkkuudella – lähes yhtä hyvin kuin perinteinen ilmakuvaus. Läpimurto voi jatkossa vähentää kalliiden ilmakuvien tarvetta metsien inventoinnissa ja tehostaa luonnon monimuotoisuuden seurantaa.
Teksti: Martti Asikainen, 14.8.2026 | Kuva: Adobe Stock Photos
Suomalaistutkijat ovat kehittäneet menetelmän, joka tunnistaa puulajeja ilmakuvien sijaan pelkän laserkeilausdatan avulla. Menetelmä saavuttaa parhaimmillaan 92 prosentin tarkkuuden. Läpimurto voi tulevaisuudessa vähentää kalliiden ilmakuvausten tarvetta metsien inventoinnissa.
Metsien puulajeja on toistaiseksi kartoitettu yhdistelemällä laserkeilausta, ilmakuvausta ja maastokäyntejä. Ilmakuvat ovat olleet lajintunnistuksessa ylivoimaisia, koska ne tallentavat värejä ja lähi-infrapunavaloa – tavallinen laserkeilaus taas on tarjonnut lähinnä tietoa muodoista ja korkeuksista.
Paikkatietokeskus FGI:n tutkijat ratkaisivat ongelman yhdistämällä nämä kaksi: uusi monikanavainen laserkeilain mittaa useita eri aallonpituuksia samalla tavalla kuin kamera, mutta tuottaa silti tarkan 3D-pistepilven.
Helsingin yliopiston geoinformatiikan professori Markus Holopainen kertoo, että pelkällä laserkeilauksella päästään nyt lähelle ilmakuvauksen tarkkuutta. Dataa kerättiin helikopterista Espoonlahden koealueella, ja tuloksia täydennettiin kaupallisella laserjärjestelmällä kerätyllä aineistolla.
Mänty ja kuusi helppoja, harvinaiset lehtipuut hankalampia
Tutkijat rakensivat yli 6 000 puun vertailuaineiston yhdeksästä lajista ja testasivat useita koneoppimis- ja syväoppimismalleja. Voittajaksi selvisi niin sanottu point transformer -malli, joka käsittelee dataa suoraan 3D-pistepilvenä. Se löi sekä perinteiset menetelmät että kuvapohjaiset syväoppimismallit selvästi.
Tunnistettuja lajeja olivat mänty, koivu, kuusi, haapa, pihlaja, leppä, tammi, lehmus ja vaahtera. Yleisimmät suomalaislajit, kuten mänty, kuusi sekä raudus- ja hieskoivu, tunnistettiin erittäin luotettavasti.
Harvinaisemmat lehtipuut olivat vaikeampia, mutta syväoppiminen paransi tulosta niidenkin kohdalla merkittävästi verrattuna vanhoihin menetelmiin.
Latvuksista puunkorjuusuunnitelmiin
Tutkijoiden mukaan tunnistustarkkuus heikkenee, kun alueella on paljon erilaisia puulajeja. Holopainen toteaa, että Pohjoismaissa tämä ei ole ongelma, koska täällä lajivalikoima on suppea. Sen sijaan Keski-Euroopan metsissä, joissa lajeja on enemmän, tunnistaminen vaikeutuu nopeasti.
Myös metsän rakenne vaikuttaa tunnistustarkkuuteen. Tiheät ja monikerroksiset metsät, joissa latvusto on sekava ja limittäinen, ovat vaikeampia tunnistaa. Menetelmä toimiikin parhaiten juuri varttuneissa, harvennetuissa talousmetsissä, joissa rakenne on selkeämpi ja yhdenmukaisempi.
Tarkka lajitieto helpottaa puukaupan ja hakkuiden suunnittelua. Se auttaa myös seuraamaan monimuotoisuuden kannalta tärkeitä lajeja, kuten haapaa. Lisäksi menetelmä voi tehostaa kuolleiden puiden ja metsätuhojen, esimerkiksi kaarnakuoriaistuhojen, havaitsemista. Näin dronella tai maastossa tehtävät tarkastukset voidaan kohdentaa juuri oikeisiin paikkoihin.
Miksi maastokäynnit ovat yhä tärkeitä
Vaikka tekoäly helpottaa työtä, se ei korvaa metsässä käymistä.
Puulaji on vain yksi noin sadasta mittauksesta, joita Suomen metsäkeskus kerää metsävaratietojen inventoinneissa – suurin osa muista vaatii yhä ihmisen läsnäoloa maastossa. Lisäksi mallien kouluttaminen vaatii runsaasti käsin luokiteltua aineistoa, jonka tuottaminen on edelleen hidasta ja työlästä.
Tutkimus julkaistiin ISPRS Journal of Photogrammetry and Remote Sensing -lehdessä yhteistyössä useiden yliopistojen kanssa.
