Waldstörungen, Risiken, Katastrophenschutz

Obecnie identyfikowanie uszkodzeń wywołanych przez kornikowate opiera się w dużej mierze na fizycznych oględzinach drzewostanu. Tego rodzaju monitoring umożliwia stosunkowo łatwe wykrywanie uszkodzeń, kiedy są już one zaawansowane, natomiast trudniej jest wykryć ataki na wczesnym ich etapie.  W związku z tym podejmowano próby identyfikacji ataków kornika za pomocą satelitarnych map radarowych, które są dobrym wskaźnikiem potencjalnych uszkodzeń i można je traktować jako uzupełnienie precyzyjnej analizy oferowanej przez Arboair. Arboair Forest Mapper to usługa, która umożliwia analizę zdjęć za pomocą sztucznej inteligencji. Opracowany algorytm był trenowany przy wykorzystaniu próby ponad 200 000 drzew i sprawdzony przez leśników pod kątem merytorycznym.

Monitoruj swój las pod katem zagrożenia przez korniki w trzech prostych krokach:

1. Zbieranie danych: możesz samodzielnie obsługiwać drona lub zwróć się do nas - skontaktujemy Cię z naszymi partnerami, którzy posiadają specjalistyczne kompetencje i uprawnienia w zakresie obsługi dronów lub dostarczają wysokiej jakosci zdjęcia satelitarne.
2. Analiza: wykrywanie ataków kornika, identyfikacja i liczenie drzew, oznaczanie gatunków drzew, wykrywanie powalonych drzew.
3. Wyniki: przeglądaj na portalu Arboair, prześlij wyniki na własną platformę, pobierz do wykorzystania w QGIS, ArcGIS, Google Earth lub innym oprogramowaniu obsługującym dane GIS.

C.A.F.E. to narzędzie pozwalające na optymalizację gospodarki leśnej w kontekście zarządzania kilkoma produktami, towarami i usługami ekosystemowymi, które są symulowane równolegle w przestrzeni i czasie dla wybranego przez użytkownika rozwiązania.

Główne zalety:

• Zmiana podejścia z ukierunkowanego na jeden cel na zestaw dóbr i usług ekosystemowych. 
• Poprawa wyników ekonomicznych na obszarach o niskiej produktywności poprzez oszacowanie i wycenę innych zasobów, które mogą dostarczać korzyści ze względu na ich wartość środowiskową. 
• Optymalne zarządzanie portfolio towarów i usług wytwarzanych w gospodarce leśnej. 
• Dostosowanie do konkretnych warunków poszczególnych lokalizacji. 
• Wyniki na różnych poziomach (działka, działka leśna, zlewnia etc.). 

C.A.F.E. jest narzędziem łączącym dynamiczne modelowanie ekohydrologiczne z optymalizacją wielokryterialną, dzięki czemu użytkownik może prowadzić gospodarkę leśną na podstawie kilku produktów jednocześnie i określać wagę każdego z tych celów/produktów. Oprogramowanie może być wykorzystywane w różnych regionach klimatycznych po wcześniejszej kalibracji modelowania ekohydrologicznego. Ponadto pozwala na zmianę skali przestrzennej analizy (przykładowo, z działki na zlewnię) poprzez integrację  modułu biofizycznego. Możliwa jest również symulacja różnych scenariuszy klimatycznych. Efektem jest zestaw możliwych rozwiązań, spośród których zarządca lasu może wybrać optymalne do zastosowania.

W ramach projektu Cross-Forest powstaje wspólna platforma dla otwartych danych o lasach i transgraniczny model danych (ontologia) dla Portugalii i Hiszpanii, której celem jest udostępnianie danych z inwentaryzacji lasów, map i innych informacji o lasach w formacie wzajemnie powiązanych, otwartych danych (LOD). Rezultatem projektu jest publiczne repozytorium (punkt końcowy), w którym publikowane będą dane o lasach zgodnie z opracowanym modelem, tak aby zapewnić ich ciagłą dostepnosć i aktualność. Ułatwi to korzystanie z danych dotyczących lasów wszystkim zainteresowanym podmiotom zajmującym się leśnictwem i badaniami naukowymi. 

Opracowywane są także dwa przykłady specyficznego zastosowania powstającego repozytorium:

• CAMBRIC - modelowanie ewolucji lasu i jakości drewna w różnych scenariuszach prowadzenia gospodarki leśnej. 
• FRAME - prognozowanie zachowania i rozprzestrzeniania się pożarów lasów na podstawie dokładnych informacji o materiałach palnych, mapach lasów i modelach rozprzestrzeniania się ognia. 

Przy rozwijaniu przykładowych zastosowań wykorzystywane są wysokowydajne technologie obliczeniowe (HPC) ze względu na ilość generowanych danych podlegających przetwarzaniu, a także złożoność zastosowanych modeli. Z kolei format wzajemnie powiązanych, otwartych danych (LOD) został wybrany ze względu na to, że pozwala on użytkownikom na swobodny dostęp do aktualnych danych i zarządzanie nimi w celu opracowania narzędzi dostosowanych do ich potrzeb i celów. Publikacja danych w formacie LOD umożliwia także władzom publicznym łatwe spełnienie wymogów przejrzystości i jawności, optymalizację wykorzystania zasobów i prowadzenie kontroli statystycznej nad wykorzystaniem publicznie dostępnych danych.

Теперішня технологія виявлення нападів короїда в лісі значною мірою базується на ручній праці, а саме на візуальному огляді лісових ділянок. При застосуванні такого підходу раннє ураження майже неможливо побачити, легше виявити лише давніші напади. Були зроблені спроби ідентифікувати напади короїда за допомогою супутникових радіолокаційних карт, які непогано вказують на потенційне ураження і можуть розглядатися як доповнення до нашого прецизійного аналізу. Arboair Forest Mapper — це сервіс, де ви аналізуєте свої зображення за допомогою нашого штучного інтелекту. Наша модель випробувана на понад 200 000 деревах і перевірена лісовпорядниками.

1. Збір даних
Самостійно літайте дроном
Зверніться до наших партнерів у сфері дронових технологій
Зверніться до наших партнерів у сфері супутникових технологій, щоб отримати зображення з високою роздільною здатністю

2. Аналіз
Виявлення нападів короїда
Визначення порід дерев
Ідентифікація та підрахунок дерев
Виявлення повалених вітром дерев

3. Отримання результатів
Перегляньте на порталі Arboair
Надішліть результати на власну платформу
Завантажте для використання в QGIS, ArcGIS, Google Earth або іншій GIS

Cross-Forest розробляє спільну платформу для відкритих даних про ліси і транскордонну модель даних (онтологію) для Португалії та Іспанії для публікації даних інвентаризації лісів, карт та інших баз даних про ліси у форматі пов’язаних відкритих даних (LOD). Cross-Forest створить публічний репозиторій (кінцеву точку) для публікації лісових даних відповідно до розробленої моделі. Основна мета полягає в тому, щоб інформація про ліси завжди була доступна й актуальна, що сприятиме її використанню усіма зацікавленими сторонами, дотичними до ведення лісового господарства і наукових досліджень.
Розробляються два варіанти застосування:
CAMBRIC – моделювання еволюції лісів і якості деревини за різних сценаріїв лісоуправління.
FRAME – прогнозування поведінки та поширення лісових пожеж на основі точної інформації про горючі матеріали, карт лісів і моделей поширення.
Ресурси високопродуктивних обчислень (HPC) використовуються через об’єм даних, які генеруються і потребують опрацювання, а також через складність моделей.
Отримані наразі результати свідчать про корисність та універсальність технології LOD, оскільки вона дозволяє користувачам вільно отримувати доступ до оновлених даних і керувати ними для розробки інструментів, адаптованих до їхніх потреб і цілей. Публікація даних у форматі LOD дозволяє державним адміністраціям з легкістю виконувати вимоги щодо прозорості і публічності, оптимізувати ресурси і здійснювати статистичний контроль за використанням загальнодоступних даних. 

Mobile app Ukrainian Forest Protection for smartphones based on Android OS.

The app uses mobile devices for collection of data about pests and diseases. It has several levels of use:

• at first forestry specialists collect data about discovered cases
• this data is synchronized at all mobile devices of the enterprise and enters the database of "Forests of Ukraine" Geoportal
• furthermore, other forest specialists can review the information about the pest and disease cases, discovered in the forest enterprise
• if needed, the damaged area can be found in the field using the built-in GPS receiver, then verified or deleted. 

For the diagnostics of the damaged area, the built-in digital handbook can be used, which includes information about all pests and diseases found in the forests of Ukraine, structured with the visual materials, data on diagnostic features and protection/management measures.

After introduction of any of changes in the app, all the information become accessible at the "Forests of Ukraine" Geoportal, which allows to:

• print out reports for the enterprise level and regional level,
• review of identified and verified cases on the map,
• see the dynamics by pest and disease types, by the time,
• define and identify the location, distribution features and development of pathological processes in the forests of Ukraine.

Мобільний додаток Лісозахист для смартфонів на базі операційної системи Android.

Даний додаток передбачає використання мобільних пристроїв для збору інформації в лісі про появу шкідників або хвороб та має декілька рівнів можливостей: на першому етапі майстри лісу збирають дані про виявлені явища, ця інформація синхронізуються на всіх мобільних пристроях підприємства та потрапляє в базу Геопорталу "Ліси України". Далі фахівці підприємства (помічники лісничих, лісничі, інженери) мають змогу переглядати інформацію про виявлені осередки в усьому лісгоспі. За необхідності, можна знайти осередок на місцевості за допомогою вбудованого у смартфон GPS-приймача, підтвердити його або видалити.

Для діагностики осередку можна скористатися вбудованим електронним визначником, де зібрана інформація про всі хвороби та шкідники, притаманні лісам України. Визначник структурований, складається з наочних матеріалів і даних про діагностичні ознаки та заходи боротьби.

Після виконання будь-яких змін в додатку, вся інформація буде доступна на Геопорталі «Ліси України», де було розроблено декілька сторінок націлених на роботу з електронною базою осередків, а саме:

• друк звітності підприємств та ОУЛМГ,
• перегляд виявлених та підтверджених осередків на карті,
• відображення динаміки осередків в розрізі видів шкідників та хвороб, місяців,
• виявлення та визначення локації осередків, закономірностей поширення та розвитку патологічних процесів у лісах України.

Mit Aja hat das Start-up-Unternehmen foldAI eine Lösung für das Monitoring des Waldzustands entwickelt, die eine konkrete Entscheidungsunterstützung für die Durchführung forstlicher Maßnahmen liefert und gleichzeitig ein umfassendes Verständnis der Waldökosysteme ermöglicht. Durch den Einsatz von modernstem maschinellem Lernen auf der Grundlage präziser Sensordaten in Echtzeit erlaubt Aja nicht nur, Waldbedrohungen sehr früh zu erkennen, sondern ihre Entstehung vorherzusagen und den weiteren Verlauf zu prognostizieren. Aja verbessert die Gesundheit, die Widerstandsfähigkeit und die bioökonomische Leistung der Wälder, indem es schlanke Prozesse für ein Ökosystemmanagement auf breiter Basis ermöglicht. Waldbewirtschaftung wird durch eine vollautomatische, hochauflösende und erschwingliche Lösung für mehr als 30 Millionen Waldbesitzer in Europa, Russland und Nordamerika unterstützt.  Aja basiert auf eingebettetem maschinellem Lernen und biochemischer und ökologischer Signalverarbeitung auf hochdimensionalen Daten. Anwendungsszenarien sind etwa die Bewertung von Umweltauswirkungen, die eine genauere Abschätzung der Umweltfolgen einer Strategie oder Politik ermöglicht, aber auch die Risikobewertung und Warnung vor akuten Bedrohungen. Darüber hinaus erlaubt die Lösung auch die Messung der biologischen Vielfalt und des Zustands von Ökosystemen. Die signifikante Auswirkung von Aja auf die Kohlenstoffreduzierung wurde von unabhängiger Seite durch The Climate Impact Forecast zertifiziert.

The startup foldAI has developed sensors to screen health status of forests providing forest managers with a rich understanding of their forest ecosystems, and a decision toolbox to deploy immediate mitigating actions. The team’s solution, Aja, used in the sensors is  a framework for ecosystem management based on deep technology. By harnessing state-of-art Machine Learning on precise, real-time sensor data, Aja can not only detect forest threats as they happen, but even predict their arising and forecast their unfolding. Aja improves forest health, resilience and bioeconomical performance by introducing lean processes to a broad ecosystem management community. It helps reducing greenhouse emissions by scaling high resolution forest management through a fully automated and affordable solution for more than 30 Million forest owners in Europe, Russia and North America. The solution builds on embedded Machine Learning, and biochemical and environmental signal processing on high-dimensional data. Use cases comprise the assessment of environmental impacts enabling greater accuracy in the evaluation of the environmental consequences of a strategy or policy, risks assessment including alerts to threats, biodiversity quantification and ecosystem health tracking. Aja’s significant carbon reduction impact has been independently certified by The Climate Impact Forecast.

The main objective of SISREP is to make use of the information obtained during inspections in the framework of aid for afforestation and the creation of forest areas in Castilla y León in order to:

• Use of the information obtained in the field for the management of the controlled files.
• Creation of a centralised and geo-referenced database with information on the state of plantations.
• To be able to predict, by means of artificial intelligence techniques, the success of future plantations.
• With the knowledge extracted, review and improve the planning of future actions, allowing the implementation of the most appropriate technical conditions for the new environmental circumstances.

To this end, an infrastructure has been designed and implemented that allows the digitalisation of the entire workflow, from data collection in the field to the use of these data in advanced statistical analysis tools.

The data collected in the field are for example species, altitude, density, slope, method, orientation, age, lithography, with or without sowing, or area.