AI-basert risikomodell for vegetasjon langs kraftlinjer

I løpet av 2022 har prosjektet: - Ferdigutviklet v2 av AI modell for bildegjenkjenning av treslagsbestemmelse. - Ferdigutviklet punktskyanalyser for utledning av innsikt av enkelttrærne og deres omgivelser. -Ferdigstilt kaliberingsdatasettet for sannsynlighetsmodellen for trefall. Kaliberingsdatasettet endte opp med totalt 162 trefall. -Utviklet økonomisk konsekvensmodell og innarbeidet denne i datamodelleringen. - Datamodelleringen og arkitekturen ble først designet ferdig, deretter implementert i en prototypebackendløsning som støttet de heterogene datakildene som har blitt benyttet i prosjektet, inkludert tredjeparts datakilder. -Validert modellene som ble utviklet av NIBIO opp mot bakkesannhet via kaliberingsdatasettet. Modellene oppnådde en kalkulert nøyaktighet på 54-57% (avhengig av hvilke sannsynlighetsterskelverdier som ble valgt). En av de begrensende faktorene var tilgangen på data om trefall. Som en følge av denne læringen besluttet man i prosjektets siste fase å inkludere en funksjon for strukturert registrering av trefall i prototypen. - Fullført UX designarbeid i arbeidspakke H6. - Basert på UX designet som ble tatt frem, utviklet prototypeprogramvare for visualisering og beslutningsstøtte. - Satt sammen og testet ende til ende prosess for dataanalyser basert på tre ulike datasett. - Testet prototypen på tre ulike områder der nødvendige data var samlet inn. - Presentert visualiseringsløsningen i arbeidsmøter med prosjektdeltakerne og tatt imot tilbakemeldinger på denne. Visualiseringsløsningen ga brukerne mulighet til selv å definere opp dynamiske beslutnings- og analysedashboards over de områdene man hadde samlet inn data på. Brukerne kunne vri og vende på relevante data som; master og linjer, identifiserte enkelttrær (inkludert kronestørrelse), forbruksdata, dynamiske utfallsscenarier, kritisk vindstyrke (per enkelttre), værdata (forventet vindstyrke), undervegetasjon, parametere for å vise kun vegetasjon nærmere kraftlinjen enn angitt terskelverdi og andre tredjeparts datakilder som Topologisk eksponering, jordsmonnsinformasjon og terrengdata m.fl. - Forbedret visualiseringsløsningen basert på innspillene, inkludert funksjon for strukturert registrering av trefall og forberedt å gjøre denne tilgjengelig for kundespesifikk testing. - Kundespesifikk testing av løsningen er ikke gjennomført. eSmart vil avtale test av løsningen med den enkelte prosjektdeltaker i 2023.

I løpet av prosjektets varighet har teknologi, marked og miljø utviklet seg raskt: Utviklingen innenfor sensorikk og droner har gått fremover med stormskritt, markedet - både på leverandør- og kundesiden, har modnet. Det er langt flere aktører i datafangstmarkedet enn tidligere, og grunntjenestene de tilbyr blir stadig bedre. Kundene har kommet lengre med sin digitaliseringsstrategi, flere er ute og etterspør tjenester. Og eSmart Systems har selv utvidet sin kundekrets dramatisk, med aktive inspeksjons- og digitaliseringsprosjekter med mange store kunder både i Europa og USA. Vegetasjonsrelatert problematikk har, som en konsekvens av miljøendringene, blitt enda mer aktuelt enn før prosjektets oppstart. Resultatene vi har oppnådd i prosjektet, med våre prosjektpartnere, gir flere potensielle virkninger i dette totalbildet: - Kundene vi allerede er i aktive prosjekter med, etterspør i større grad enn tidligere totale inspeksjonstjenester der vegetasjon inngår (i tillegg til befaring av selve infrastrukturen). Ved å kunne demonstrere de lovende prosjektresultatene, ser vi en økt interesse for å skape mer digital innsikt ut av de grunnleggende dataene som blir samlet inn. - Partnere, både eksisterende og potensielle, gis innblikk i hvilke tilleggsfunksjoner de må tilby for å kunne tilfredsstille datakravene vi har til de analysene som har blitt tatt frem. Vi har også opplevd noen oppnådde resultater: - Prosjektet har hatt et forholdsvis bredt tema, og vi har – spesielt i prosjektets siste faser - fått nyttig læring mtp hvilke områder vi bør satse videre på selv, og innen hvilke områder vi bør søke spesialistpartnere.

Avbrudd i strømforsyningen har store samfunnsmessige konsekvenser og kostnader, og vegetasjon er den største enkeltårsaken til strømbrudd. Med klimaendringer forventes forekomsten av strømbrudd grunnet vegetasjon å øke. Hovedmålet med prosjektet er derfor 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. Ved å hensynta egenskaper ved enkelttrær og voksestedets egenskaper, kan risikotrær identifiseres, fremfor å gjennomføre tradisjonell og ressurskrevende breddehogst. Kombineres dette med avstand til kraftlinjene, nettspesifikk informasjon og ulike værscenarioer, vil nettselskapene få et bedre beslutningsgrunnlag for å planlegge vedlikehold av kraftlinjegatene. Løsningen vil bidra til effektivisering av nettdrift og sikrere strømleveranser. Prosjektet bidrar dermed til FNs bærekraftsmål nummer ni – å bygge robust infrastruktur. FoU utfordringene i prosjektet er tredelt: 1. Å utvikle metoder for å bestemme viktige egenskaper ved trær (tretype, høyde, diameter mm) langs kraftlinjer, basert på data innsamlet med droner og kunstig intelligens. Dette innebærer å utvikle nye metoder for å bestemme stabilitets-egenskaper i stående trær, egenskaper som i liten grad har vært i fokus i tidligere modeller. Prosjektet vil utforske bruk av dyp læring for å bestemme trevariabler. 2. Å utvikle en risikomodell for trefall hvor man sammenstiller kunnskap fra ulike fagområder (som kunstig intelligens, datavitenskap, skogbruksfag og statistikk), og kombinerer ulike datakilder (som lokale tresikkerhetsdata, terrengdata, løsmassedata, klima- og værdata og nettspesifikke NIS data). Sannsynlighet for trefall skal knyttes til konsekvens slik at resultatet blir en risikomodell. 3. Å utvikle arkitektur og datamodeller for håndtering av mange og heterogene datakilder til bruk i en prototype programvare.