Näin rakensimme ShroomCastin

Näin valitsimme koneoppimismallin, joka pyörittää ennustettasi. Katsaus kulissien taakse: yli 15 mallia, 4 000 kantarellihavaintoa Mayon kreivikunnasta ja vuoden 2025 reilu koe.

Vuonna 2021 kantarellisato huipentui Irlannissa syyskuussa. Vuonna 2025 huippu osui heinäkuuhun. Kaksi kuukautta eroa, sama laji, sama maa. Kalenteri ei pidä paikkaansa joka vuosi, sää heittelee kaudesta toiseen, eikä viime vuoden päiväkirja toistu sellaisenaan. Mayon kreivikunnassa tiimimme on kerännyt kuuden vuoden aikana yli 4 000 varmennettua kantarellihavaintoa, ja vuonna 2025 otimme tuon aineiston ja panimme 15 eri koneoppimismallia reiluun kokeeseen. Tässä jutussa kerromme, miten vertailimme niitä, kuka voitti ja miksi käytät nyt ShroomCastissa juuri tätä mallia.

Metsä ei ole kalenteri. Katso Irlannin kantarellihavainnot seitsemältä viime kaudelta yhdessä kuvaajassa:

Vuonna 2021 olisit ajanut metsään heinäkuussa ja löytänyt pelkkää sammalta. Vuonna 2025 olisit odottanut syyskuuhun ja myöhästynyt huipusta kuusi viikkoa. Kyse ei ole yksittäisestä poikkeamasta, vaan normaalista: lämpötila, sademäärä, maaperän kosteus, metsätyyppi ja kuun kierto siirtävät kukin sienisadon ajoitusta päivillä ja viikoilla, ja yhdessä ne pystyvät raahaamaan kauden huipun heinäkuusta syyskuuhun ja takaisin.

Niinpä sienestäjät ovat vuosisatoja luottaneet ”mutuun” ja huonosti muotoiltuihin merkkeihin, kuten ”ukkosen jälkeen, neljän päivän päästä, suuntaa tammilehtoon”. Joissakin metsissä ja joinakin kausina se toimii. Koko maan ja kokonaisen vuoden mittakaavassa se on arpapeliä.

Datan avulla ongelma muuttuu ratkaistavaksi. Kun yhdeltä alueelta on tuhansia aidosti kirjattuja sienisatoja ja niihin kytketty kyseisten päivien sää, aineistosta voi löytää säännönmukaisuuksia ja ennustaa seuraavan sadon. Juuri tämän ongelman ratkaisemiseksi ShroomCast on olemassa.

Tämän julkaisun hetkellä:

• Yli 1 000 000 varmennettua sienihavaintoa vuodesta 2019.
• Yli 230 aluetta eri puolilla Eurooppaa mallin piirissä.
• Yli seitsemän vuoden säädata jokaiselta näistä alueista.
• 14 lajia mallinnettuna erikseen (kantarelli, herkkutatti, huhtasieni, männynleppärousku, ruskotatti, mesisieni ja muita).

Keräämme lähteet aina samalla tavalla: julkiset havaintotietokannat sekä oman tiimimme maastomuistiinpanot ja luotettavat kumppanit, joiden kanssa teemme suoraan yhteistyötä. Jokainen merkintä ei ole pelkkä ”löytyi tänä päivänä”, vaan kolmikko (alue, laji, päivämäärä) sekä täydet sää- ja maaperätiedot kyseisen päivän ympäriltä.

Jokainen laji mallinnetaan jokaisella alueella erikseen. Kantarellilla on omat laukaisijansa, huhtasienellä omansa, herkkutatilla omansa. Yhden mallin sisällä katsomme viittä muuttujaryhmää:

1. Sää: ilman lämpötila, sademäärä, kosteus, ilmanpaine, pilvisyys.
2. Maaperä: maan lämpötila, maan kosteus, koostumus.
3. Metsä: tyyppi (havu-, lehti- tai sekametsä), korkeus merenpinnasta, paikallinen pienilmasto.
4. Luonnon syklit: kuun vaiheet, kausivaihtelu, lajikohtaiset satoikkunat.
5. Historian kehitys: mitä tällä alueella tapahtui tämän lajin kanssa aiempina vuosina vastaavissa oloissa.

Otetaan yksi alue ja yksi laji, niin näet miten mallin valinta käytännössä tapahtuu. Mayo on ihanteellinen koekenttä monesta syystä: havaintoja on kertynyt vuosien varrella runsaasti (pelkästään kantarellista yli 4 000), ja lisäksi täydensimme aineistoa koko Irlannin kantarellidatalla taustaksi.

Vuodet 2019-2024 olivat opetusjakso. Mallit ”oppivat” noista kuudesta kaudesta, mitkä sään ja maaperän yhdistelmät edelsivät todellisia sienisatoja ja mitkä eivät. Vuoden 2025 jätimme koskematta. Se on tulevaisuus, jota yksikään malli ei ollut nähnyt opetuksen aikana.

Jokainen yllä olevan kuvaajan piste on joko tiimimme oma löytö tai varmennettu havainto luotettavilta kumppaneiltamme. Ei päätellyä dataa. Vain se, minkä ihminen on oikeasti nähnyt ja kirjannut.

Tämä on se osa, jota käyttäjä ei koskaan näe: mallien kilpailutus.

Ajoimme läpi yli 15 erilaista koneoppimisarkkitehtuuria. Niiden nimiä tärkeämpää on itse lähestymistapa: jokainen malli sai eteensä saman datan, ja sen piti oppia ennustamaan kantarellisadon todennäköisyys Mayossa jokaiselle vuoden 2025 viikolle. Jokaisesta arkkitehtuurista kokeilimme kymmeniä muunnelmia: erilaisia muuttujien aikaikkunoita, erilaisia regularisointitapoja ja erilaisia tapoja koodata kausivaihtelu.

Tärkein valintasääntö: mallia ei arvosteltu sen mukaan, miten hyvin se muisti vanhan datan (siihen pystyy mikä tahansa ylisovitettu viritelmä), vaan sen mukaan, miten tarkasti se ennusti vuoden 2025, jota se ei ollut nähnyt opetuksessa. Siinä se reilu koe.

Yllä olevassa kuvaajassa on sama joukko todellisia vuoden 2025 havaintoja, ja päälle on piirretty kahden finaaliin päässeen mallin ennusteet. Sininen viiva (koneoppimismalli 1) seuraa todellisia satoja siististi: se osuu kauden alkuun, ei ohita elokuun huippua ja laskee oikein läpi lokakuun. Toinen vaihtoehto joko laahaa perässä tai yliarvioi voimakkuutta ”hiljaisina” viikkoina.

Ero näyttää silmällä pieneltä, mutta käytännössä se on valtava. Yksi ylimääräinen ”Erinomainen”-ennuste sienettömälle viikolle maksaa sinulle hukatun päivän ja tankillisen bensaa. Ohi mennyt huippu maksaa koko kauden. Voittajaksi valikoitui siis se malli, joka johti käyttäjää keskimäärin vähiten harhaan vuonna 2025.

Sama menettely ajettiin jokaiselle lajille ja jokaiselle yli 230 alueelle. Sama arkkitehtuuri ei voittanut kaikkialla. Alueilla, joilla havaintoja on ohuemmin, voittivat varovaisemmat mallit, ja tiheän aineiston alueilla kärkeen nousivat herkemmät muunnelmat. Lopullinen tuotantoputki on koottu näistä paikallisesti parhaista valinnoista.

Voittajamallit pyörivät tuotannossa ja laskevat nyt 14 päivän ennusteen jokaiselle lajille omalla alueellasi. Neljä kertaa vuorokaudessa putki hakee tuoreen sään, päivittää muuttujat, ajaa mallin ja julkaisee tuloksen. Sinulle se näkyy väriasteikkona:

• 0-20 % Erittäin matala (violetti, ei tänään)
• 20-40 % Matala (sininen, käytännössä ei mahdollisuuksia)
• 40-60 % Kohtalainen (vihreä, kannattaa käydä katsomassa omat vakiopaikat)
• 60-80 % Korkea (keltainen, olosuhteet ovat hyvät)
• 80-100 % Erinomainen (oranssi, ota kori mukaan)

Näin tuhansien tuntien mallinnustyö tiivistyy viideksi väriksi ja yhdeksi luvuksi päivää kohti. Juuri niin sen kuuluukin olla. Monimutkainen malli, yksinkertainen vastaus.

Läpinäkyvyys on osa tuotetta. Kaikilla alueilla data ei ole yhtä tiheää, emmekä salaile sitä.

Vahvimmillaan: Iso-Britannia ja Irlanti. Täällä havaintotiheys on suurin ja lajikohtaiset aikasarjat pisimmät. Yllä oleva Mayo on kuva siitä, miltä hyvin kattava alue näyttää.

Vakaana: Ruotsin eteläpuolisko (Götaland ja suurin osa Svealandista). Laajensimme kattavuutta tänne hiljattain, ja signaali on jo tasaista.

Heikoimmillaan: Pohjois-Ruotsi (Norrland), erityisesti subarktinen Norrbotten. Satoikkunat ovat lyhyempiä ja havaintoja on vähemmän. Malli toimii sielläkin, mutta epävarmuusväli on leveämpi. Kerromme tämän sovelluksessa rehellisesti: siellä missä dataa on ohuesti, ennuste on varovaisempi.

Tämä ei ole vika, vaan ongelman luonne. Mitä enemmän dataa, sitä terävämpi vastaus. Joka kaudella lisäämme uusia havaintoja ja kalibroimme mallit uudelleen.

Yksi tekninen kysymys nousee esiin jatkuvasti. ShroomCast ei tarkoituksella näytä ennustetta yksittäisissä kartan pisteissä. Vain alueittain (kymmeniä neliökilometrejä kerrallaan).

Syy ei ole tekninen. Jos sovellus sanoisi ”tuolla aukiolla, 50 metriä tästä käännöksestä pohjoiseen, kantarellin todennäköisyys on tänään 92 %”, viikon päästä sitä aukiota ei enää olisi. Metsä ei kestä koordinaateilla ohjattuja rynnäköitä. Siksi työskentelemme aluetasolla ja jätämme omat apajat sienestäjille itselleen.

ShroomCast ei tallenna sijaintejasi. Ei muista, missä olet kulkenut. Ei rakenna sinusta henkilökohtaista karttaa. Näin on tehty tarkoituksella, ei vahingossa.

Tällä hetkellä kattavuus on Irlanti, Iso-Britannia, Ruotsi, Ranska ja Saksa. Seuraavaksi mukaan tulevat Alankomaat, Belgia ja Sveitsi. Uusia lajeja lisätään sitä mukaa kun havaintopohja kasvaa riittäväksi (vähintään pari tuhatta varmennettua havaintoa aluetta kohti, muuten malli on merkityksetön).

Joka kausi ajamme uudelleen saman kokeen kuin Mayossa: opetus menneillä vuosilla, testi kuluvalla, voittajat käyttöön. Kyse ei ole kertaluonteisesta mallin julkaisusta, vaan jatkuvasta uudelleenkalibroinnista.

Sieniennuste ei ole taikuutta eikä arvailua. Se on yritys nähdä metsä paremmin kuin kalenteri ja intuitio yhdessä, ja kertoa käyttäjälle rehellisesti, missä malli on varma ja missä ei.

Teemme tätä siksi, että olemme itsekin sienestäjiä. Jokainen tiimissämme on hukannut vähintään yhden päivän kaudessa tyhjässä metsässä, ja tämä tuote sai alkunsa halusta lopettaa noiden päivien haaskaaminen. Jos tuo tunne on sinulle tuttu, kokeile oman alueesi ennustetta.