Foto: Valdres Energinett AS

Det tverrfaglige prosjektet SkogRiskAI-prosjektet bruker kunstig intelligens for å anslå risikoen for trefall langs kraftlinjene slik at nettselskapene kan spare KILE-kostnader.

  • Fagartikkel

Fagartikkel skrevet av Davide Roverso, chief analytics officer hos eSmart Systems,  og Svein Solberg, seniorforsker ved Norsk institutt for bioøkonomi (NIBIO), divisjon for skog og utmark.

Nesten 38 prosent av Norges landareal er dekket av skog, en skog som vokser som aldri før, med en årlig tilvekst som er mer enn dobbelt så høy i dag som for hundre år siden. Skog og vegetasjon generelt har stor betydning for leveringspåliteligheten i det norske distribusjonsnettet. Dette strekker seg over 130.000 km i form av luftlinjer, og er blant de mest kritiske infrastrukturer som finnes i Norge.  Vegetasjon har i mange år vært den største enkeltårsaken til strømbrudd i Norge, med assosierte årlige KILE-kostnader på flere hundre millioner kroner, og nesten like store kostnader forbundet med forebyggende skogrydding i kraftgatene.

eSmart Systems AS, NIBIO og fem nettselskaper samarbeider i forskningsprosjektet SkogRiskAI som har som mål å utvikle en operasjonell løsning for lokal risikovurdering av tresikkerhet som nettselskaper kan bruke til prioritering og effektivisering av skogrydding langs kraftlinjer og planlegging av beredskap.

Tradisjonelt har nettselskapene benyttet avstand mellom trær og kraftlinjen som mål for risiko for trefall og gjennomført såkalt breddehogst for å sikre kraftlinjene mot trær. Det foreligger retningslinjer for skjøtsel av kraftlinjevegetasjon for å redusere risiko for trefall, men per i dag finnes det ikke en operasjonell løsning som innhenter og sammenstiller alle relevante data for prediksjon av sannsynlighet og risiko for trefall.

Risiko ved trefall

Omfattende forskning både i Norge og i utlandet har vist at treslag, tretilstand, treform, trestørrelse, trediameter, terreng, jordtype, klimatiske forhold, hogstflater i nærheten og andre forhold styrer sannsynligheten for at trær brekker, velter eller bøyer seg på grunn av vind og snø («trefall»).

Risikoen ved trefall på kraftledninger utgjøres av to faktorer, det vil si sannsynlighet for trefall og konsekvens av trefall.

Sannsynligheten for trefall er styrt delvis av egenskaper for det enkelte tre og for skogen i området, og delvis av egenskaper ved stedet. Stabilitet hos trær mot snø og vind er et uttrykk for hvor stor belastning et tre tåler før det brekker eller velter overende med hele rotsystemet (rotvelt). Stabiliteten kan angis som kritisk vindstyrke, som er den maksimale vindstyrken et tre kan tåle uten å brekke eller velte. Kritisk vindstyrke angis med eller uten snø i krona.

Krefter fra vind og snø danner et dreiemoment på treet, og når treet bøyer seg og svaier, vil gravitasjonen øke dreiemomentet ved vekta av treet og snøen i trekrona. Motkreftene, som hindrer et tre fra å brekke eller velte, er styrke i veden og rotsystemets forankring i bakken. Generelt tåler trær med lav høyde, stor diameter, stort rotsystem, symmetrisk krone og en god helsetilstand mye vind og snø. Disse egenskapene utgjør det vi kaller enkelttrestabilitet. Med dette mener vi treets stabilitet dersom det sto alene uten trær rundt.

Sosial stabilitet

Stabiliteten avhenger imidlertid også av trærne rundt. Trærne danner sammen et stabiliserende kollektiv. Trærne både skjermer og støtter hverandre. Hvis alle trærne i et område er noenlunde jevnhøye og står ganske tett, vil vinden stryke over trekronene og ikke få særlig tak i et enkelt tre. Dessuten vil trærne støtte seg på nabotrærne når de svaier. Dette kaller vi sosial stabilitet. I en gammel skog som har stått tett hele livet, vil mye av stabiliteten dannes av den sosiale stabiliteten. Hvis vi tynner i en slik skog, reduserer vi stabiliteten mye.

Egenskaper ved stedet hvor trærne står, har også stor påvirkning på stabiliteten. Det vil være en fordel om det er djup og god jord, slik at rotsystemet har mulighet for god forankring. Jord som er grunn eller har høytstående grunnvannsspeil, vil forhindre en solid forankring. Når det gjelder topografien, kommer det an på hvor utsatt treet er topografisk. Står det på en kolle eller en åsrygg, er det mer utsatt for vind enn om det står i en mer skjermet lokalitet.

Beregner kritisk vindstyrke

SkogRiskAI-prosjektet har valgt å sette søkelys på risikomodelleringsutfordringer, valg av optimale datakilder og -innsamlingsmetoder, bruk av kunstig intelligens for bestemmelse av lokale trespesifikke egenskaper og hvordan disse datakildene skal kombineres i en programvare.

Prosjektet skal dels bruke en mekanistisk modell hvor alle kreftene og dreiemomenter på et tre er estimert sammen med treets motstandskraft. Dette er en data- og prosesseringskrevende tilnærming, og vi vil supplere dette med en forenklet statistisk modell. Modellene estimerer kritisk vindstyrke for hvert tre, og sammenholder dette med frekvensfordeling av vindstyrke på stedet. Ut fra dette får vi en sannsynlighet for at hvert enkelt tre rammes av vindfall eller snøbrekk. Input-variabler er dels skoglige, topografiske og jordbunnmessige forhold.

Datainnsamling og 3D-modellering

Prosjektet besluttet å benytte RGB-sensorer (vanlige kameraer) til innsamling av 3D- og 2D-data, og har sommeren 2020 samlet inn data fra over 150 km kraftlinjenett med tilstøtende vegetasjon ved bruk av drone. RGB-bildene prosesseres med fotogrammetri-metoder for å bygge 3D-modeller av området langs linjene. 3D-modellene analyseres for å identifisere toppene av hver enkelte tre og estimere skoglige egenskaper som høyde og kronestørrelse.

Figur 1 – 3D-modell fra droneflyvning med RGB-kamera

Bildene som er tatt med drone, brukes også til å generere et ortofoto for området, det vil si et sammensatt flybilde med de samme geometriske egenskapene som et kart. Vi har utviklet metoder for å automatisk finne og segmentere trær i ortofotoene, og vi bruker disse for å estimere kronestørrelse og kronesymmetri. Dette er også viktige parametere for å estimere sårbarheten for vind og snølast. Fra ortofotoet kan vi også måle andre parametere som er vesentlig for å kunne vurdere den sosiale stabiliteten av hver enkelt tre.

Figur 2 – Identifisering av trær og segmentering av trekrone fra ortofoto langs en kraftgate.

Kunstig intelligens gjenkjenner treslag og tilstand

Analysen av 3D-modellene gir oss nøyaktig posisjon av hvert enkelt tre samt størrelse og symmetri av hver trekrone. Informasjon derivert i 3D kan også mappes tilbake i 2D til bildene tatt med drone. Dette bildematerialet danner grunnlaget for trening og tilpassing av kunstig intelligens-modeller for å klassifisere treslag og tretilstand for hver enkelt tre.

Kunstig intelligens-modellene som brukes i prosjektet, er basert på «dype konvolusjonsnett» (Convolutional Neural Networks) av type EfficientNet. Slike konvolusjonsnett gir ikke bare bedre nøyaktighet, men forbedrer også effektiviteten til modellene ved å redusere antall parametere og beregningskompleksiteten i sammenligning med andre etablerte metoder.

Figur 3 – EfficientNet, kunstig intelligens gjenkjenner treslag og tilstand av alle identifiserte trær.

Beslutningsstøtteverktøy

For å realisere innovasjonen, utvikler prosjektet et nytt beslutningsstøtteverktøy basert på sammenstilt kunnskap fra de ulike fagområdene kunstig intelligens, datavitenskap, skogbruksfag og statistikk. Prosjektet kombinerer ulike datakilder som skogfaglige data, terrengdata, løsmassedata, klima- og værdata og nettspesifikke NIS-data til et innsiktsbasert verktøy som kan estimere og visualisere risiko for trefall langs kraftlinjene for nettselskapene.

Forventingen er at ved å ta i bruk verktøyet, kan nettselskapene redusere risikoen for utfall og påløpte KILE-kostnader og samtidig betydelig redusere kostnadene knyttet til skogrydding.

 

Om SkogRiskAI-prosjektet:
Varighet: 2020-2022
Type prosjekt: Innovasjonsprosjekt i næringslivet (ENERGIX). Støttet av NFR
Prosjekteier: eSmart Systems AS
Prosjektleder: eSmart Systems AS
Deltakere: NIBIO, Norgesnett AS, Valdres Energi Nett AS, Enida AS, Ringerikskraft Nett AS, Vevig AS