Selvitys laaja-alaisen luonnonvesien monitoroinnin pilottisensoriverkon toteuttamiseksi

Transkriptio

1 Selvitys laaja-alaisen luonnonvesien monitoroinnin pilottisensoriverkon toteuttamiseksi Luonnonvesien monitorointijärjestelmän teknologiaesiselvitys -hanke Tomi Pitkäaho, Jouni Tervonen, Mikko Niemelä: Oulun yliopisto, Oulun Eteläisen instituutti, RFMedia-laboratorio

2 Sisältö 1 Kartoitus nykyisen teknologian kypsyydestä reaaliaikaiselle luonnonvesien monitorointijärjestelmälle Johdanto D-holografisensori Selvitys luonnonvesien seurannan ja mittauksen kannalta keskeisistä suureista ja mittauksien automatisointimahdollisuuksista Johdanto Fysikaaliset suureet Kemialliset suureet Biologisten suureiden mittauksia Uimavesien mittauksista Kartoitus olemassa olevista reaaliaikaisista luonnonvesien monitorointijärjestelmistä Johdanto Esimerkkejä reaaliaikaisista luonnonvesien monitorointijärjestelmistä Suomessa Turvetuotantoon liittyviä reaaliaikaisia mittauksia Vesijärven reaaliaikainen mittausjärjestelmä [7] Reaaliaikaisen luonnonvesien monitorointijärjestelmän tekninen toteutettavuus Olemassa olevat kaupalliset järjestelmät Libelium Selvitys optisen mittaamisen kannalta eliöstön oleellisista morfologisista piirteistä ja tunnistamisen automatisointimahdollisuuksista Johdanto Yleistä tunnistamisen automatisoinnista Kasviplankton Tunnistamisen automatisointimahdollisuudet Piilevät Tunnistamisen automatisointimahdollisuudet Pohjaeläimet Tunnistamisen automatisointimahdollisuudet Yhteenveto Selvitys optiseen mittaamiseen liittyen digitaalisen 3D holografian soveltuvuudesta luonnonvesien kuvantamisessa

3 5.1 Digitaalisen holografian soveltaminen Panssarilevä [29] Plankton [30] Leväitiöt [31] Piilevä [32] Viherlevä [33] [34] Mikro-organismit (ei erittelyä) [35] Tohvelieläin, ripsieläin, Didinium, rataseläin [36] Lukuisia merieliöstöön kuuluvia lajeja (mm. meduusa, piilevä, hankajalkainen, katkarapu) [3] Kaupalliset holografiamittalaitteet Deep inwater imaging Sequoia Scientific Yhteenveto Raportti hankkeessa toteutetusta ensimmäisestä reaaliaikaisesta luonnonvesien holografisesta demonstraatioversiosta Johdanto In-line Mach-Zehnder -interferometri Off-axis Mach-Zehnder -interferometri In-line Gabor -interferometri Testaustulokset demonstraatiolaitteiston mittauskyvystä ja toimivuudesta sekä datan prosessointi- ja analysointimahdollisuuksista Johdanto Mittauskyky In-line Mach-Zehnder -interferometri Off-axis Mach-Zehnder -interferometri In-line Gabor -interferometri Toimivuus In-line Mach Zehnder -interferometri Off-axis Mach Zehnder- interferometri In-line Gabor -interferometri Prosessointi ja analysointi Referenssivähennys

4 7.4.2 Pohjaeläinhologrammin prosessointi ja analysointi D DHM hankkeessa kehitetyn algoritmin soveltamisen tulos Partikkelinäytteistä kvantitatiivisen datan erottaminen Käyttäjä- ja järjestelmävaatimusmäärittelyt laaja-alaiselle reaaliaikaiselle luonnonvesien monitorointijärjestelmälle Johdanto Tarkoitus Projektin kohde Yleiset järjestelmävaatimukset Järjestelmän tärkeimmät ominaisuudet Rajoitteet Rajapinnat Käyttäjät Koulutusvaatimukset Kapasiteettivaatimukset Alustava järjestelmäarkkitehtuuri Mittauspisteet Tietokanta Prosessointi ja analysointiyksikkö Järjestelmähyväksyntä Käyttäjävaatimukset Alustava työsuunnitelma luonnonvesien tilaa reaaliaikaisesti seuraavan pilottisensoriverkoston toteuttamisesta Johdanto Kilpailutus mittauspisteiden komponentit (sensoriverkko) optisen holografisensorin komponentit Tietokanta Suunnittelu Toteutus Prosessointi ja analysointialgoritmit hologrammien esiprosessointi ja pakkausalgoritmit

5 9.3.2 hologrammien prosessointi datan suodatusalgoritmit analysointialgoritmit Sulautettu ohjelmointi Testaaminen Tietokannan testaaminen prosessointi- ja analysointialgoritmien testaaminen sulatetun ohjelmiston testaaminen käyttäjärajapinnan testaaminen järjestelmätestaus Holografisensori Suunnittelu Integrointi Käyttäjärajapinta Suunnittelu Toteutus Järjestelmän asentaminen Lähteet

6 1 Kartoitus nykyisen teknologian kypsyydestä reaaliaikaiselle luonnonvesien monitorointijärjestelmälle 1.1 Johdanto Automatiikan lisäämistä vesistöjen seurantaan on suositeltu jo vuonna 2009 [1]. Seurannan automatisoinnissa on sensoriverkkoteknologialla keskeinen rooli. Langattoman tiedonsiirron radioratkaisun sisällyttäminen osaksi sensoriverkkoa mahdollistaa kiinteää kaapelointia edullisemman tavan toteuttaa reaaliaikainen mittaus sekä lisäksi mittalaitteen helpon siirrettävyyden. Kuva 1 esittää yksinkertaistetun kuvauksen mahdollisesta järjestelmästä. Mitattu tieto välitetään tietoverkon yli edelleen tiedostopalvelimelle, josta tieto prosessoidaan. Prosessoitu tieto analysoidaan ja ladataan verkkopalvelimelle, josta analysointitulos on nähtävissä tavallisella verkkoselaimella. Kuva 1 Sensoriverkon rakenne. Sensori koostuu useasta vedenlaatua mittaavasta sensorista ja radiolähettimestä (T). Kerätty tieto lähetetään tietoverkon yli tiedostopalvelimelle, josta se haetaan analysointiyksikölle, joka huolehtii datan analysoinnista ja prosessoinnista. Analysoitu data siirretään www-palvelimelle loppuhyödyntäjien (asiakkaiden) tarkasteltavaksi. Tässä esiselvityshankkeessa käsiteltiin laaja-alaista pintavesien monitorointijärjestelmää, joka mahdollistaisi vedenlaadun reaaliaikaisen seurannan jatkuvatoimisena. Kun tavoitteena on laaja-alainen mittausverkko (Kuva 78), myös käytettävällä radioratkaisulla tarvitsee olla saavutettavissa laaja peittoalue. Joten koko laaja mittausverkko on käytännöllisintä toteuttaa hyödyntäen GSM-matkapuhelinverkkoa. Maantieteellisesti laajalle levittyneen mittausverkoston lisäksi sensoriverkko voi lisäksi sisältää paikallisen tiheämmän mittauspisteiden verkon esim. järvien tai jokien sivuhaarojen yhtymäkohtien lähellä. Siinä tapauksessa paikallisen osuuden toteutus voisi pääosin perustua varsinaisiin langattomiin sensoriverkkoteknologioihin, joilla tyypillisesti on lyhyehkö kantama kymmenistä satoihin metreihin. Paikallisverkossa yhdessä solmussa olisi GSM-radiolähetin mittaustietojen välittämiseen palvelimelle ja muut mittaussolmut välittävät sille tietonsa langattoman 6

7 sensoriverkkoteknologian radioyhteydellä, joissa ei ole operaattorimaksuja. Langattoman sensoriverkkoratkaisun automatisoinnin ja huollontarpeen minimoinnin osalta tärkeänä tutkimuskohteena on myös energian kulutuksen optimointi sekä yhtenä potentiaalisena teknologiana myös tehon-generointi ympäristöstä esim. valosta tai liikkeestä. Fysikaalis-kemiallisten suureiden mittaamiseen on saatavilla reaaliaikaisia antureita, joten näiden suureiden mittausten automatisoinnissa kyseessä on lähinnä tiedonkeruujärjestelmän ja siihen liittyvän tiedonsiirron toteutus. Luvussa 3 esitellään joitakin Suomessa toteutettuja automaatiomonitorointijärjestelmiä, joissa oli käytössä osa potentiaalisista fysikaalis-kemiallisista suureista. Lisäksi muiden suureiden mittausten automatisointi on melko suoraviivaista toteuttaa hyödyntäen ja yhdistäen matkapuhelinverkkoja ja kaupallisia monitoroinnin järjestelmiä ja komponentteja. RFMedia-laboratorion tutkimusryhmillä on runsaasti kokemusta vastaavien sulautettujen järjestelmien pilottitoteutusten rakentamisesta D-holografisensori Perinteinen kuvantaminen ja mikroskopia mahdollistavat kohteiden tallentamisen tietyllä syvyysterävyydellä, jolloin tietyt kohdat tallennetusta kohteesta ovat tarkkoja. Tästä poiketen digitaalinen holografia mahdollistaa suurien volyymien tallentamisen yhdellä otoksella ja tarkentamisen mihin tahansa tallennetun volyymin osaan jälkiprosessoinnilla. Digitaalisessa holografiassa ei näin ollen ole perinteisen kuvantamisen syvyysterävyyden suhteen rajoitteita (optisessa mikroskopiassa tyypillisesti joitain mikrometrejä). Digitaalisessa holografiassa jälkitarkentamisen mahdollistaa tietokonealgoritmilla mallinnettu valon eteneminen. Digitaalisen holografiamikroskoopin rakenne on yksinkertainen mahdollistaen pienikokoisen edullisen optisen sensorin, jolla on mahdollista kuvantaa reaaliaikaisesti liikkuvia mikroskooppisia ja makroskooppisia kohteita (Kuva 2). Kuva 2 Esimerkki digitaalisen linjaholografiamikroskoopin rakenteesta. C=kamera, Mo=mikroskooppiobjektiivi, S=näyte, L=linssi, Ld=valonlähde. 3D-holografisensorin teknologisesta kypsyydestä luonnonvesien monitorointiin käyvät esimerkkinä kahden pohjoisamerikkalaisen tutkimusryhmän merivesien eliöstöjen digitaalisella holografialla suoritetut eliöstön kuvantamiset [2] ja [3]. 7

8 2 Selvitys luonnonvesien seurannan ja mittauksen kannalta keskeisistä suureista ja mittauksien automatisointimahdollisuuksista 2.1 Johdanto Luonnonvesien ekologisen tilan kannalta keskeiset suureet voidaan luokitella fyysisiin, kemiallisiin ja biologisiin suureisiin. Fysikaalis-kemiallisten suureiden mittaamiseen on saatavilla reaaliaikaisia antureita, joten näiden suureiden mittausten automatisoinnissa kyseessä lähinnä tiedonkeruujärjestelmän ja siihen liittyvän tiedonsiirron toteutus. Luvussa 3 esitellään joitakin Suomessa toteutettuja automaatiomonitorointijärjestelmiä, joissa oli käytössä osa potentiaalisista fysikaalis-kemiallisista suureista. Lisäksi muiden suureiden mittausten automatisointi on melko suoraviivaista toteuttaa hyödyntäen ja yhdistäen matkapuhelinverkkoja ja luvussa 3 kuvattuja kaupallisia monitoroinnin järjestelmiä ja komponentteja. Biologisissa mittauksissa sen sijaan toteutetaan tyypillisesti kahdessa vaiheessa: keräämällä näytteitä ja analysoimalla näytteet laboratoriossa. Osassa mittauksissa on kyseessä eläin- tai kasvinäytteiden suvun ja lajin mukainen tunnistus. Tämän tyyppisissä mittauksissa on kuvantavilla tekniikoilla kuten digitaalisella holografialla mahdollisuuksia vähintäänkin lisätä automaatioastetta. Osiin mittaukseen soveltuvia ja digitaalisen holografian käyttöä biologisten suureiden kuvantamisessa käsitellään tarkemmin luvuissa 4 ja Fysikaaliset suureet Keskeisiä fysikaalisia suureita ovat: lämpötila tiheys paine näkösyvyys virtaama veden pinnan korkeus 2.3 Kemialliset suureet Keskeisiä kemiallisia suureita ovat: ph alkaliteetti: vastustaa ph muutosta, alkalinity kokonaisfosfori (P) o fosfaattifosfori (PO 4 -P) kokonaistyppi (N) o nitraatti o nitraatti-nitriittityppi (NO 2 +NO 3 -N) o ammoniumtyppi (NH 4 -N) väriluku, sähkönjohtavuus, electrical conductivity sameus, turbidity happi o liuennut happi, dissolved oxygen (DO) 8

9 o hapen kyllästysaste, dissolved oxygen saturation percentage Pelkistymispotentiaali, Oxidation-Reduction Potential, (ORP) kiintoaine, total dissolved solids (TDS) Liuenneet yhdisteet o Na + o Ca + o F - o Cl - o Br - o I - o Cu 2+ o K + o Mg 2+ o NO 3 - orgaanisen hiilen kokonaismäärä, total organic carbon (TOC) o liuennut orgaaninen hiili, dissolved organic carbon (DOC) o kemiallisesti hapettuvan aineen määrä, chemical oxygen demand (COD) o kemiallisesti hapettuvan biologisen orgaanisen aineen määrä, biochemical oxygen demand (BOD) suolaisuus, salinity 2.4 Biologisten suureiden mittauksia Keskeisiä biologisten suureiden mittauksia ovat mm. eläin- ja kasviplanktonin biomassan mittaus o a-klorofylli on epäsuora kasviplanktonin biomassa mittaus sinileväpitoisuus kasviplanktonin lajimääritys eläinplanktonin lajimääritys pohjaeläimistö, tuorebiomassan punnitusta, lajitason määritys. pohjaeläinten lajiston koostumuksen ja runsaussuhteiden suhteellista mallinkaltaisuutta kuvaava PMAindeksi [4] ekologisen tilan arviointi, pohjanlaatuindeksi: BQI (Benthic Quality Index) [4] hygieeniset indikaattoribakteerit o Escherichia coli o Suolistoperäiset enterokokit o Koliformiset bakteerit 2.5 Uimavesien mittauksista Kiinnostava vesien tilan seurannan eritysikohde on uimavedet. Myös uimavesien tilaa arvioidaan veden fysikaalisten, kemiallisten ja biologisten ominaisuuksien perusteella. Uimavesien tilan arviointia uimaprofiilien avulla löytyy esitys esim. Kuopion kaupungin web-sivuilta Uimavesien laadun valvonta noudattaa sosiaali- ja terveysministeriön asetuksia 9

10 177/2008 ja 354/2008, joiden pohjana on EU:n uimavesidirektiivi. Uimaveden laadun arviointi ja luokitus perustuu kahden suolistoperäistä saastumista kuvaavan mikrobiologisen muuttujan, suolistoperäiset enterokokit ja Escherichia coli (E. coli) bakteeri, valvontatutkimustuloksiin. Myös syanobakteereita eli sinileviä seurataan aistinvaraisesti. 10

11 3 Kartoitus olemassa olevista reaaliaikaisista luonnonvesien monitorointijärjestelmistä 3.1 Johdanto Tässä luvussa tarkastellaan olemassa olevien reaaliaikaisten luonnonvesien monitorointijärjestelmiä kahdesta näkökulmasta. Luvussa 3.2 esitellään lyhyesti Suomessa toteutettuja esimerkkejä reaaliaikaisista automatisoiduista luonnon vesien mittausjärjestelmiä. Luvun 3.3 lähtökohtana on kartoittaa reaaliaikaisien luonnonvesien monitorointijärjestelmän tekninen toteutettavuus hyödyntäen olemassa olevia kaupallisia laitteista ja järjestelmiä huomioiden luvussa esitellyt vaatimukset, joista tärkeimpänä on omien antureiden lisäämismahdollisuus (optinen anturi eli 3D-holografisensori). 3.2 Esimerkkejä reaaliaikaisista luonnonvesien monitorointijärjestelmistä Suomessa Turvetuotantoon liittyviä reaaliaikaisia mittauksia Luode Consulting toteuttamia reaaliaikaisia mittauksia [5] Perinteinen vesinäytteiden ottoon ja laboratorioanalyyseihin perustuva velvoitetarkkailu onnistuu parhaimmillaankin vain toteamaan tapahtuneet ilmiöt päivien tai viikkojen viiveellä. Velvoitetarkkailua pidetäänkin yleisesti rasitteena, joka pyritään hoitamaan minimikustannuksilla ympäristöluvan tai vesiluvan saamiseksi. Luode on tuonut uuden näkemyksen velvoitetarkkailuohjelmien laadintaan ja toteutukseen. Läpinäkyvyys ja mittaustiedon reaaliaikainen välitys mahdollistavat työmaan tai prosessin ohjaamisen niin että sen ympäristövaikutukset pystytään minimoimaan. Reaaliaikaisella velvoitetarkkailulla pystytään myös suojaamaan vesilaitosten ja teollisuuden raakavedenottoa. Luode vastaa tarvittaessa koko mittausketjusta ja toimitamme kalibroidun ja laadunvarmennetun tiedon reaaliaikaisesti suojattujen www-sivujen kautta. Luoteen päivystys valvoo mittausten laatua myös viikonloppuisin ja juhlapyhinä. Luode valmistaa vedenlaadun, virtaaman, pinnankorkeuden, aallonkorkeuden ja jäänpaksuuden mittausasemia, joissa käytetään vain parhaita saatavilla olevia mitta-antureita. Mittausasemat perustuvat erityisesti pohjoisiin olosuhteisiin kehitettyyn ja perusteellisesti testattuun Luoteen omaan dataloggeriin. Kaikkien asemiin asennettavien dataloggereiden tulee läpäistä -40 C pakkastesti. Luoteen dataloggerilla toteutettuja mittausasemia on Suomessa käytössä yli 500 kappaletta. Sekä dataloggeri että tiedonsiirtoyksikkö on koteloitu roiskevesitiiviiseen ja iskunkestävään metallikoteloon. Mittausasemien tiedot siirretään langattomasti 24 h valvottuun Luoteen Datapalveluun. Kuva 3 esittää kartalla Luoteen datapalveluun kuuluvien mittausasemien sijainnit. Esimerkit reaaliaikaisen mittauksen raakadatoista ovat saatavilla ilman kirjautumista Turun seudun alueelta: Aura- Eura- ja Loimi- ja Yläneenjoista. Esimerkeissä automaattimittausasemien suureina ovat: Lämpötila [ C], Pinta [m], Sameus [FTU], Kiintoaine [mg/l], Kokonaisfosfori [µg/l], Nitraattityppi [mg/l], Kokonaistyppi [mg/l], Virtaama [m3/s]. 11

12 Kuva 3 Kartta Luode Consulting Oy:n reaaliaikaisista mittausasemista. Lähde: Metso Automation ja Vapo Oy:n yhteistyönä toteuttamia reaaliaikaisia mittauksia [6] Kuka tahansa pääsee nyt muutamalla klikkauksella internetin kautta katsomaan, millaista ja miten paljon vettä Vapon turvesoilta virtaa ympäristöön. Metson tuottama jatkuvatoiminen vedenlaadun mittauspalvelu lisää avoimuutta ja läpinäkyvyyttä turvetuotannon vesistövaikutusten seurannassa. Ensimmäiset viisi mittaria asennettiin ja kalibroitiin kesällä 2013 Alajärvellä, Ähtärissä, Kiteellä, Taipalsaaressa ja Tammelassa sijaitseville tuotantoalueille. Syksyn 2013 aikana on asennettu mittarit kahteen metsäojitettuun kohteeseen, joissa turvetuotantoa ei ole vielä aloitettu. Niistä kerätään tällä hetkellä vertailutietoa turvetuotantoalueiden mittaustiedoille. Kaikki 30 jatkuva toimista mittausasemaa ovat käytössä kesällä Jatkuvatoimiset mittausasemat sijaitsevat eri puolilla Suomea, eri-ikäisillä ja erityyppisillä turvetuotantoalueilla, jotta mittaustuloksista saadaan mahdollisimman kattavaa ja läpinäkyvää reaaliaikaista vertailutietoa nykyiselle tarkkailutiedolle. Ne tuottavat virtaaman lisäksi tietoa vedessä olevan kiintoaineen sekä liuenneen orgaanisen (DOC), kemiallisesti hapettuvan orgaanisen (COD, humus) ja kokonaisorgaanisen hiilen (TOC) pitoisuuksista ja kuormituksesta. Metso julkaisee vedenlaadun seurantaraportit internetissä osoitteessa: Vuorokausiyhteenvetotiedot julkaistaan seuraavan vuorokauden kuluessa ja kuukausiyhteenvetotiedot kuukauden vaihtuessa osana vuosiraporttia. 12

13 3.2.2 Vesijärven reaaliaikainen mittausjärjestelmä [7] Vesijärvi kuuluu Kymijoen vesistöön ja laskee Etelä-Päijänteeseen Vääksynjokea ja kanavaa pitkin. Muodoltaan järvi on epäsäännöllinen ja jakautuu useaan salmien ja matalikkojen erottamaan altaaseen, joista suurimmat ovat Enon-, Kajaan-, Komon-, ja Laitialanselkä. Velvoitetarkkailu muodostaa perustan Vesijärven vedenlaadun seurannalle. Velvoitetarkkailusta vastaavat Lahti Aqua Oy ja Lahti Energia Oy. Vesijärven Enonselällä on seitsemän tarkkailupistettä ja Kajaanselällä on yksi. Komonselällä on tarkkailupiste Pirttiniemen kohdalla. Myös Vaaniansalmessa on yksi tarkkailupiste. Näytteitä otetaan eri havaintopaikoilta vuosittain 4-12 kertaa. Velvoitetarkkailuun kuuluvat veden happipitoisuuden, sameuden, ph:n, johtokyvyn sekä typpi-, fosfori, rauta-, mangaani- ja kloridipitoisuuksien määritykset. Lisäksi näytteistä määritetään kemiallinen hapenkulutus, kiintoaine ja a-klorofyllipitoisuus. Velvoitetarkkailuun kuuluu myös kasviplanktonnäytteenotto sekä vuosittain Riista- ja kalatalouden tutkimuslaitoksen Enon- ja Kajaanselällä tekemä kalataloudellinen tarkkailu. Avovesikaudella Vesijärvellä on kuusi automaattista mittauslauttaa, jotka mittaavat tunnin välein veden lämpötilaa, happipitoisuutta ja a-klorofyllin fluoresenssia. Enonselällä mittauslauttoja on kaikkiaan viidessä pisteessä: Lankiluoto, Enonsaaren syvänne, Ruoriniemi, Myllysaari ja Paimelanlahti. Kajaanselällä on yksi asema, joka mittaa myös sameutta ja veden pinnalle tulevan valaistuksen voimakkuutta. Ruoriniemen mittausasemalla on lisäksi sinileville ominaisen fykosyaniini-pigmentin fluoresenssia mittaava anturi. 3.3 Reaaliaikaisen luonnonvesien monitorointijärjestelmän tekninen toteutettavuus Monitorointijärjestelmät koostuvat tyypillisesti eri suureita mittaavista sensoreista ja tiedon keräämisyksiköstä dataloggerista. Tämä esiselvitys kohdistuu reaaliaikaiseen luonnonvesien seurantajärjestelmään, jonka mukaisesti tiedonkeräämisyksikön tulee mahdollistaa tiedon siirtämisen tietoverkon (internetin) välityksellä erilliselle palvelimelle. Myös tiedonkeräämisyksikkö itsessään voi toimia palvelimena. Ratkaisusta riippumatta mitatun datan varastoivalle palvelimelle on voitava muodostaa yhteys internetin välityksellä ja tieto on voitava hakea palvelimelta jatkoprosessointia ja analysointia varten. Eri ratkaisuvaihtoehdot on esitetty alla olevissa kuvissa. Kuva 4 Yhteen dataloggeriin/prosessointiyksikköön (DL) on kytketty useita eri antureita(s1-sn). DL:n keräämä tieto lähetetään matkapuhelinverkkoa hyödyntäen langattomasti tietokantaan (TK), josta tieto on edelleen analysoitavissa ja prosessoitavissa. 13

14 Kuva 5 Yhteen palvelimena toimivaan dataloggeriin/prosessointiyksikköön (DL/TK) on kytketty useita eri antureita(s1-sn). Kerätty tieto on haettavissa palvelimelta jatkoanalysointia/-prosessointia varten. Dataloggeri on varustettu matkapuhelinverkkoa hyödyntävällä langattomalla internetyhteydellä. Kuva 6 Yhteen dataloggeriin (DL) on kytketty useita langattomia antureita tai monianturilaitteita (S1-Sn), jotka välittävät mitatun tiedon likiverkon (PAN, Personal Area Network) välityksellä DL:lle. Tieto lähetetään edelleen langattomasti internetin välityksellä tietokantaan jatkoanalysointia/-prosessointia varten. PAN toteutuksen tukiessa mesh-rakennetta sensorit voivat välittää mittaamansa tiedon PAN verkossa olevien muiden sensoreiden kautta DL:lle. 14

15 Kuva 7 Jokainen anturi- tai monianturilaitteisto (S1-Sn) on varustettu matkapuhelinverkkoa hyödyntävällä internetyhteydellä ja lähettävät mittaamansa tiedon suoraan tietokantaan (TK) jatkoprosessointia/-analysointia varten. Järjestelmän toteutuksen ollessa laaja-alainen, usean palvelimena toimivan dataloggerin käyttö ei ole tarpeenmukaista ja kustannustehokasta. Sen sijaan sensoreiden tuottama tieto on järkevää keskittää yhdelle palvelimelle, josta tietoa voidaan edelleen prosessoida ja analysoida. Jokaisesta mittauspisteestä on tarkoitus mitata useita eri suureita, joka muodostaa omat vaatimuksensa järjestelmälle Olemassa olevat kaupalliset järjestelmät Mittausyksikön (dataloggeri, prosessointiyksikkö tai sondi) on täytettävä seuraavat vaatimukset: Tunniste Vaatimus T1 Usean eri suuretta mittaavan sensorin liittämismahdollisuus T2 Säänkestävyys Toiminta myös pakkasella Vedenkestävyys T3 Langaton internetyhteys matkapuhelinverkon välityksellä T4 Omien antureiden lisäämismahdollisuus (optinen anturi) T5 Dataliikennöinti kahteen suuntaan (mahdollistaen mm. etäyhteyden yli suoritettavat ohjelmistomuutokset/-päivitykset) T6 Energianlouhintaa hyödyntävän ulkoisen virtalähteen kytkentä ja akusto T7 Ohjelmistorajapinnan avoimuus (esim. omien antureiden lisääminen ja ohjelmistoajureiden toteuttaminen) T8 Huoltovapaus Alla olevassa taulukossa on esitetty eri laitteistovalmistajien ratkaisuja. 15

16 Valmistaja Tuote Mitattavat suureet Vaatimusten täyttyminen (vihreä täyttyy täysin, keltainen täyttyy osittain, punainen ei täyty, valkoinen ei sovellettavissa) Liqum Oy LEW-100 mittaussondi Elektrokemiallinen mittaus T1 T2 T3 Ionien ja yhdisteiden T4 T5 T6 mittaaminen T7 T8 EHP-Tekniikka Oy Dataloggereita, joihin yhdistettävissä erilaisia antureita. Aurinkokennot/akut loggereissa. Käyttölämpötila tyypillisesti >-40. Riippuen anturoinnista, jälleenmyy mm. Triosin sensoreita T1 T2 T3 T4 T5 T6 T7 T8 Ysi Inc Useita eri sensoreita yhdistettäessä eri sondiratkaisuihin, esimerkkejä ( detail.php?surface-water-5): EXO1 Water Quality Sonde (4 sensoripaikkaa) EXO2 Water Quality Sonde (6 sensoripaikkaa) 6600V V2 Esimerkkisensoreita: Conductivity and Temperature Dissolved Oxygen (optical) fdom (Fluorescent Dissolved Organic Matter, surrogate for CDOM) ph or ph / ORP Depth (integral) Total Algae (Dual-channel Chlorophyll and Blue-green Algae) Turbidity T1 T2 T3 T4 T5 T6 T7 T8 Metso Automation Oy? Vapo tillanut laitteistot ( ewsdocuments.nsf/web3newsdo c/e f5c5aaec2257b CE?OpenDocument&ch=Ch MetsoWebFin&id=E F5C 5AAEC2257B CE&#.Uzvc j1euoum) Virtaama Kiintoaines Lämpötila DOC COD TOC T1 T2 T3 T4 T5 T6 T7 T8 16

17 Isodaq Technology Hach Hydromet Dataloggereita ja sensoreiden jälleenmyynti Sondeja: Hydrolab o MS5 o DS5 o DS5X o Quanta Virtaus Pinnankorkeus Lukuisia, eri sondeihin kytkettäviä erilaisia sensoreita MS5/DS5/DS5X DO Conductivity ph Sameus Syvyys Chlorophyll a Blue-Green Algae Ionit (ammonium, nitrate or chloride) ORP Total Dissolved Gas Rhodamine WT PAR Lämpötila DO Conductancy/Salinity Vented Level T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8 S::can Sensoreita Optisia Spektrometrisiä Elektrokemiallisia Terminaalit Monitorointiasemat NO3-N COD BOD TOC DOC UV254 NO2-N BTX AOC. T1 T2 T3 T4 T5 T6 T7 T8 17

18 Campbell scientific Trios Sequioa Scientific HobiLabs Luode Consulting Oy Dataloggereita ja sensoreita Myös 2.4 GHz:n (CR216X) radiolla olevia dataloggereita sensoriverkkoratkaisuna! Optisia sensoreita, ja online ratkaisuja Erilaisia partikkelimittalaitteita esim. LISST-Holo Optisia sensoreita: spektrometria, sironta, fluoresenssi, dataloggerit Laitteistojen jälleenmyynti/vuokraus Esimerkiksi: Turbidity ph ORP DO Conductivity Lukuisia, esim. Oil-in-water SAC254 UV COD BOD nitrate, nitrite, humic acids, oils or other chemicals hyperspectral ph ORP Sameus Conductivity Fluoescence T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8 Waterlog Dataloggereita mm. webbikäyttöliittymällä. Myös 900 MHz:n taajuudella toimiva tiedonsiirtoyksikkö. T1 T2 T3 T4 T5 T6 T7 T8 18

19 Unidata Dataloggereita, sensort vedenpinnan, virtaaman ja lämpötilan mittaamiseen. Satelliitti-, 2G-, 3G, ethernet-, WiFi-liikennöinti. Vedenpinnan korkeus Virtaama Lämpötila Johtavuus Liuennut happi ph Solar energy Algal growth T1 T2 T3 T4 T5 T6 T7 T8 Ponsel Sensoreita, online-järjestelmiä, monisensori-probeja Lukuisia T1 T2 T3 T4 T5 T6 T7 T8 In-situ Inc. Telemetriamonisensorilaitteistot ja dataloggerit Banner Engineering MultiHop Data Radios Troll Link Telemetry Systems T1 T2 T3 T4 T5 T6 Probet esim. Aqua Troll 400 Actual conductivity specific conductivity dissolved oxygen ph ORP temperature water level/depth/ water pressure (absolute) Salinity total dissolved solids resistivity density T7 T8 19

20 A-Lab Oy Vaisala Oy Measurement Specialties ORI Abwassertechnik GmbH & Co. KG ome.html INW Erilaisia langattomia onlinemittausratkaisuja ph T1 T2 T3 (käyttäen A- johtokyky, Labin mittauspalvelimia) pinnankorkeus T4 T5 T6 a-water 100 sameus wbuoy 100 ravinteet T7 T8 aws-100 ympäristömyrkyt wsensor SR, radioanturi virtaus wsensor LR, radioanturi Dataloggerit T1 T2 T3 T4 T5 T6 T7 T8 Multiprobet ja Eureka 2, 14 sensoria kytkettävissä, telemetriajärjestelmät valittavaissa 22 sensorista, esim. temperature optical dissolved oxygen conductance salinity total dissolved solids (TDS) ph ORP depth stage (vented level) Eureka TS2 telemetry systems Sensorit ja dataloggerit Mlog - Multitool logger with GPS (2 digitaalista ja 1 analoginen sensori), tiedonsiirto GPRS Sensorit, dataloggerit, myös 900 MHz:n telemetrialaitteistot 20 Paine Conductivity Salinity TDS ph ORP Dissolved Oxygen Temperature T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8 T1 T2 T3 T4 T5 T6 T7 T8

21 Libelium Comunicaciones Distribuidas S.L. Sensoriverkkoratkaisuja useilla eri sensoreilla (mm , 6LoWPAN, Zigbee) Plug and Sense tai OEMratkaisuna Smart Water T1 T2 T3 T4 T5 T6 T7 T8 21

22 3.3.2 Libelium Yllä olevien vaatimuksien täyttymisen perusteella alla esitellään tarkemmin Libeliumin ratkaisu. Libeliumin modulaarinen sensoriyksikkö koostuu kontrolleripiirilevystä ja siihen erikseen kytkettävistä erityyppisistä sensorilevyistä. Libelium myy tuotettaan OEM-mallina (Waspmote) ja koteloituna valmiina ratkaisuna (Plug & Sense!). Lisäksi tuotteena on Meshlium, joka toimii porttikäytävänä (Gateway) sensoriverkkoon. (a) (b) (c) Kuva 8 Libelium sensoriverkkoratkaisu. (a) kontrolleripiirilevy [8], (b) Smart Water sensorilevy [8], (c) Meshlium [9] Usean eri suuretta mittaavan sensorin liittämismahdollisuus Libeliumin valmiista sovelluskohteista yksi on vesi ja siihen suunnattu Smart Water -alusta, joka mahdollistaa kuuden eri veden laatua mittaavan sensorin kytkemisen yhteen lähetinyksikköön (Kuva 6). 22

23 Kuva 9 Libelium Plug & Sense! Smart Water [10]. Kalajoen vesistötarkkailussa määritetään ja mitataan seuraavia suureita [11]: happi hapen kyllästysaste ph alkaliniteetti (ei meri) sähkönjohtavuus sameus väri kokonaisfosfori fosfaattifosfori (PO 4 -P) kokonaistyppi nitraatti-nitriittityppi (NO 2 +NO 3 -N) ammoniumtyppi (NH 4 -N) a-klorofylli (järvi- ja meripisteet, kesä-elokuu) suolistoperäiset enterokokit (kesä-alokuu) Laajassa tarkkailussa lisäksi näkösyvyys ja lämpötila Tärkeää on, että automatisoiduille mittaustuloksille on olemassa vertailukelpoista dataa, joten automatisoitujen mittausten kohdistuminen samoihin suureisiin on tärkeää. Näistä suureista fosforia ei voida mitata automatisoidusti. Libeliumin Smart Water laitteistoon kaupallisesti saatavilla ja kytkettävissä olevat sensorit ovat: ph ORP (Oxidation-Reduction Potential) Liuenneet yhdisteet o Na + o Ca + o F - o Cl - o Br - o I - o Cu 2+ o K + o Mg 2+ o NO 3 - Lämpötila Liennut happi Sähkönjohtavuus 23

24 Säänkestävyys Laitteistojen toimintalämpötila on -10 o C 50 o C (Smart Water -20 o C - 65 o C), tiiviys IP65 (täydellisesti pölytiivis, kestää vesiruiskun joka suunnasta) ja iskunkestoluokitus IK08 (isku 5 joulea) Langaton internetyhteys matkapuhelinverkon välityksellä Jokainen sensoriverkon yksikkö sisältää vähintään yhden radion. Tuetut radiotekniikat ovat: XBee Pro XBee-ZB-Pro XBee-868 XBee-900 WiFi GPRS 3G/GPRS Bluetooth Low Energy Meshlium voi sisältää kokonaisuudessaan viisi radiota (WiFi 2.4GHz, WiFi 5GHz, 3G/GPRS, Bluetooth ja ZigBee). Tiedonsiirtotavat ja verkkotopologiat ovat riippuvaisia käytettävistä radioista. Yksi esimerkki on esitetty alla olevassa kuvassa. 24

25 Kuva 10 Meshlium ja Waspmote. Waspmote-yksiköt voivat siirtää sensoritiedon PAN-verkon välityksellä Meshliumille, josta data voidaan lähettää toiselle Meshlium-laitteelle tai Meshlium-laitteessa voi olla 3G/GPRS-radio, jonka välityksellä sensoritieto lähetetään esimerkiksi tiedostopalvelimelle. Kuva kopioitu lähteestä [12]. Meshlium-laitteisto on tarpeellinen esimerkiksi tilanteissa, joissa halutaan monitoroida vesistön tilaa useasta eri pisteestä esimerkiksi sivu-uoman laskupaikan ylä- ja alapuolelta. Jos mittauspaikalla on tarve vain yhdelle mittauspisteelle (sisältäen yhden tai useamman anturin) voidaan laitteisto (Waspmote tai Plug&Sense) varustaa pelkästään GPRS tai 3G/GPRS radiolla ja mitattu data voidaan lähettää suoraan tiedostopalvelimelle esimerkiksi TCP/IP-, UDP/IP- tai FTP/FTPS protokollaa hyödyntäen Omien antureiden lisäämismahdollisuus (optinen anturi) Laitteisto mahdollistaa oman holografiasensorin liittämisen järjestelmään. Holografiasensorin liittäminen on mahdollista esimerkiksi Libeliumin Prototyping Sensor koekytkentälevyn avulla (Kuva 8). Koekytkentälevyn kautta on mahdollista käyttää esimerkiksi SPI (Serial Peripheral Interface) väylään kytkettyjä laitteita. 25

26 Kuva 11 Libelium Prototyping Sensor koekytkentälevy, [13] Holografiasensorin olennaisin komponentti on digitaalinen kamerasensori, joka voidaan kytkeä koekytkentälevyn kautta kontrolleripiirilevyllä, olettaen, että kamerasensorilla on toteutettuna SPI-väylä. Aikaisemmissa tutkimushankkeissa on käytetty IDS Imaging Development Systems GmbH:n valmistamaa kameraa UI-1242LE, jossa käytetään e2v technologies Ltd:n valmistamaa EV76C560 CMOS-sensoria. Esimerkiksi tällä sensorilla on toteutettuna SPI-väylä ja kameran on todettu toimivan erinomaisesti digitaalisen holografian sovelluksissa Dataliikennöinti kahteen suuntaan (mahdollistaen mm. etäyhteyden yli suoritettavat ohjelmistomuutokset/-päivitykset) Laitteistot tukevat liikennöintiä kahteen suuntaan kaikilla radiotekniikoilla. Matkapuhelinverkkoyhteydellä varustetut laitteet voivat toimia myös palvelimena. Laitteistot ja ohjelmistot tukevat etäyhteyden ylitse tapahtuvan ohjelmistopäivityksen (Over the air programming OTA), joka on erittäin hyödyllinen laitteistojen sijaitessa oikeassa mittausympäristössä. Käytettäessä GPRS-, 3G- tai WiFi-liikennöintiä ohjelmistot on mahdollista päivittää myös FTP-protokollan kautta Energianlouhintaa hyödyntävän ulkoisen virtalähteen kytkentä ja akusto Koska mittaaminen tapahtuu ulkoilmassa, verkkovirtaa ei ole välttämättä saatavilla. Tämän vuoksi on tärkeää, että laitteistoon on mahdollista kytkeä energianlouhintayksikkö. Libeliumin eri laitteistot on varustettu aurinkokennoliitännöillä. Valmistaja toimittaa laitteistojen mukana (optiona) aurinkokennon tarvikkeineen. Aurinkokennon lisäksi laitteistoissa (Waspmote ja Plug & Sense!) on 6600 mah:n akut. 26

27 Kuva 12 Libelium Waspmote Plug&Sense! Varustettuna aurinkokennolla [14]. Meshlium on mahdollista varustaa suuremmalla kapasiteetilla olevalla akulla, joka vaatii omat laitteistovalmistajan oheiskomponentit 27

28 Kuva 13 Meshlium aurinkokenno-akkuyhdistelmä, joka koostuu Meshlium-laitteesta, POE-yksiköstä (Power Over Ethernet), invertteristä 12VDC-220VAC, latausregulaattorista, aurinkokennosta ja tarvittavasta kaapeloinnista [9] Ohjelmistorajapinnan avoimuus (esim. omien antureiden lisääminen ja ohjelmistoajureiden toteuttaminen) Libeliumin laitteiston valintaa puoltaa myös hankkeen tutkimuksellisuus tämän laitteiston mahdollistaessa ohjelmistojen muuttamisen täysin omien tarpeiden mukaiseksi. Laitteistotoimittaja tarjoaa avoimesti käyttöön ohjelmistorajapinnan (Application Programming Interface, API) ja kehitysympäristön (Software Development Kit) Huoltovapaus Laitteistotoimittajalta on saatavilla eri sensoreiden kalibroimista varten erilaisia nesteitä. Uudelleenkalibrointi on valmistajan mukaan sovelluskohtainen. Suosituksena on sensoreiden vaihtaminen 6 12 kk:n välein. 28

29 4 Selvitys optisen mittaamisen kannalta eliöstön oleellisista morfologisista piirteistä ja tunnistamisen automatisointimahdollisuuksista 4.1 Johdanto Vesistöjen ekologista tilaa arvioidaan veden fysikaalisten ja kemiallisten suureiden mittausten lisäksi erilaisten biologisten laatutekijöiden avulla (kasviplankton, piilevät, vesikasvit, pohjaeläimet ja kalat). Biologiset veden laadun indikaattorit kuvaavat vesistön laatua ja siinä pitkälläkin aikavälillä tapahtuneita muutoksia luotettavammin kuin yksittäiset veden laadun fysikaalis-kemialliset mittaukset [15]. Erityisesti virtavesissä, joissa veden laadussa tapahtuvat muutokset ovat nopeita ja yllätyksellisiä, biologinen veden laadun seuranta on osoittautunut käyttökelpoiseksi [15]. 4.2 Yleistä tunnistamisen automatisoinnista Tunnistamisen perustuessa kuvantamiseen, lähtökohtana on mahdollisimman hyvälaatuinen kuvamateriaali. Digitaalisen holografian soveltaminen mikroskopiaan ei poikkea muusta kuvantamisesta tässä mielessä - digitaalinen holografia tuottaa kuvan kuvannettavasta kohteesta. Rekonstruoitu intensiteetti sisältää saman tiedon kuin muutkin valomikroskopiatekniikat. Erityispiirteenä digitaalisessa holografiassa rekonstruktio voidaan laskea mille tahansa kuvannetun volyymin tasolle. Erityisominaisuutena intensiteettitiedon (amplituudi 2 ) lisäksi digitaalisen hologrammin rekonstruktio mahdollistaa kvantitatiivisen vaihetiedon hyödyntämisen. Riippuen tallennuskokoonpanosta (in-line/off-axis) vaihetieto on helposti hyödynnettävissä pienellä prosessoinnilla, on hyödynnettävissä suuren prosessoinnin seurauksena tai ei ole lainkaan hyödynnettävissä. Vastaavasti off-axis tallennuskokoonpano, jossa referenssi- ja objektisäteet saapuvat kamerasensorille eri kulmissa, mahdollistaa vaihetiedon helpon hyödyntämisen, mutta on toteutukseltaan huomattavasti monimutkaisempi kuin yksinkertainen linjaholografiamikroskooppi esimerkiksi Gaborinterferometrilla toteutettuna. Jos automatisoitu tunnistaminen perustuu intensiteettitietoon, voidaan tunnistamisessa käyttää mitä tahansa konenäköä soveltavia algoritmeja ja menetelmiä. Esimerkiksi piilevien kohdalla on raportoitu konenäköä hyödyntävien kuvankäsittely/- analysointialgoritmien ja tekniikoiden olevan soveltuvia yhdessä valomikroskopian kanssa [16] [17] [18] [19]. Piilevien automatisoituun tunnistamiseen keskittyviä tutkimushankkeita on toteutettu Euroopassa useita: Automatic Diatom Identification And Classification (ADIAC) [20] Diatom and Desmid Identification by Shape and Texture (DIADIST) [21] Automated microscopy, image analysis, morphometrics [22] Suomessa on toteutettu pohjaeläinten automatisoituun tunnistamiseen hanke Pohjaeläinmittausten uudet ICTsovellukset kemikaalien riskinarvioinnissa (ZOOBENTHOS-ICT) [23]. Raportoidut automatisointimenetelmät ja -tavat eivät pyri tunnistamaan biologisia suureita reaaliaikaisesti ja jatkuvatoimisesti in-situ. Sen sijaan näytteet on kerätty perinteiseen tapaan, preparoitu ja varsinainen analysointivaihe on pyritty automatisoimaan. Jatkuvatoimiseen levien mittaamiseen on olemassa kaupallisesti saatavilla fluoresenssiin perustuvia mittalaitteita. Fluoresenssiin perustuvalla mittaamisella ei kuitenkaan voida 29

30 yksilöidä leviä ja tehdä automaattista tunnistamista. Sen sijaan nämä mittalaitteet antavat tietoa kokonaislevämäärästä. Mielenkiintoinen tutkimuskohde on kvantitatiivisen vaihetiedon hyödyntäminen. Esimerkiksi piilevät ovat erittäin soveltuvia kuvantamiskohteita holografiamikroskopialle, koska ne läpäisevät valoa hyvin. Potentiaalisesti vaihetietoa voidaan hyödyntää tehokkaasti yhdessä intensiteettitiedon kanssa automatisoidussa tunnistamisessa. Edelleen ongelmana on varsinaisen näytteen saaminen mikroskoopille/kuvantamislaitteistolle. 4.3 Kasviplankton Kasviplankton on yhteyttämiskykyinen planktoneliö, johon kuuluu mm. piileviä, syanobakteereja ja panssarileviä [24]. Kasviplanktonin biomassan määrä on riippuvainen vesistön rehevyystasosta. Kasviplanktonnäytteet otetaan tyypillisesti kokoomanäytteenä. Tulokset ilmoitetaan taksonimääränä ja biomassana 100 ml:ssa näytettä. Tyypillisesti kasviplanktonnäytteet otetaan järvistä ja meristä Tunnistamisen automatisointimahdollisuudet Potentiaalisesti holografiaa voidaan hyödyntää kasviplanktonin analysoinnissa. Riittävästi laimennetusta näytteestä voidaan tallentaa digitaalisia hologrammeja, joiden numeerisista rekonstruktioista pyritään tunnistamaan kasviplankton konenäköalgoritmeja hyödyntäen. Koska kyseessä ei ole jokien vedenlaadunmittari, tätä ei käsitellä tässä raportissa tarkemmin. 4.4 Piilevät Piilevät ovat yksisoluisia, mikroskooppisia leviä ja ne kasvavat joko yksittäin, ketjuina tai erilaisina kolonioina. Niiden kuori muodostuu piidioksidista. Kuori muistuttaa rakenteeltaan rasiaa, jonka kansi ja pohja menevät sisäkkäin (Kuva 14). [15] Kuva 14 Piileväkuoren rakenne [15]. 30

31 Piilevälajeja esiintyy makeissa vesissä n lajia, mikä aiheuttaa omat vaikeutensa/haasteensa lajien tunnistamiseen [25]. Piilevien koko vaihtelee 2 mikrometristä 200 mikrometriin. Piilevien luokittelu (taksonomia) perustuu kuoren symmetriasuhteisiin, muotoon, kokoon sekä piikuoressa oleviin erilaisiin rakenteisiin (paksunnoksiin ja huokosiin), jotka ovat lajille ja suvulle ominaisia. Piilevien luokka voidaan jakaa kahteen lahkoon. Kiekkomaiset, päältä katsoen säteittäissymmetriset lajit kuuluvat Centrales-lahkoon ja pitkittäis- tai poikittaissymmetriset lajit Pennaleslahkoon (Kuva 15). [15] (a) Kuva 15 Säteettäissymmetrinen Centrales-lahkon piilevä (a) sekä Pennales-lahkon poikittaissymmetrinen piilevä (b). [15] (b) Piilevät voivat olla alustaansa kiinnittyneitä, aktiivisesti liikkuvia tai vapaassa vedessä leijuvia. Kivien pinnoille kiinnittyneiden piilevien käyttöä veden laadun tutkimuksessa puoltaa se, että kivet eivät luovuta leville ravinteita vaan levät ottavat ravinteensa ohivirtaavasta vedestä [15]. Standardissa SFS-EN on ohjeistettu piilevänäytteenottoa. Ympäristöhallinnon perusseurannassa kivet piilevänäytteitä varten kerätään m pitkältä koskijaksolta (havaintoalue), jolta myös pohjaeläinnäytteet otetaan. Koskijaksolta valitaan näytteenottoon sopiva kivikkopohja, jolta löytyy noin cm kokoisia kiviä. Virtausnopeuden tulisi olla kohtalainen tai nopeahko (0,2 0,5 m s-1) ja kerättävien kivien yläpinnaltaan mahdollisimman paljaita, vailla tiheää sammal- tai rihmaleväpeitettä. Niiden on myös tullut olla veden alla vähintään 6 viikkoa. [26] Näytteet harjataan hammasharjalla kivien yläpinnan puoliskolta käyttäen pesuastiaa, jossa on jokivettä. Hammasharjaa huuhdellaan välillä pesuastiassa, jolloin piilevät siirtyvät astiaan värjäten veden ruskeaksi tai sameaksi [15]. Varsinaista näytteenottoa seuraa näytteen säilöminen (suositus etanoli), preparaatin valmistaminen ja näytteen analysointi mikroskopoiden. Lajitunnistuksessa tarvitaan faasikontrastilla varustettu valomikroskooppi [15]. 31

32 4.4.1 Tunnistamisen automatisointimahdollisuudet Koska suositus on kerätä näytteet kivien pinnoilta, piilevien tunnistaminen automatisoidusti in-situ digitaalista holografiaa käyttäen on erittäin haasteellista. Perinteisesti piilevien kerääminen analysointia varten vaatii näytteiden manuaalisen keräämisen kivien pinnoilta hammasharjaa käyttäen. Jos piilevät halutaan kuvantaa optisesti (holografisesti), tämä toimenpide on vaikea/mahdoton automatisoida. Sen sijaan kyseeseen voisi tulla kivien pintojen kuvantaminen käyttäen heijastaville kohteille soveltuvaa optista kokoonpanoa. Todennäköisesti tästäkin aiheutuu omat ongelmansa. Esimerkiksi käytettäessä mikroskooppiobjektiivia suurennokseen on objektiivin oltava erittäin lähellä kuvannettavaa kohdetta. Yhtenä mahdollisuutena voisi olla kivipintojen skannaaminen holografisesti, joka puolestaan on erittäin haasteellinen ja monimutkainen toteuttaa. Kuvannettavat kivet voivat olla joko luonnonkiviä tai keinoalustoja (esim. kelluva kivikori, joka on kehitetty Biologisten tarkkailumenetelmien kehittäminen turvemaiden käytön vaikutusten arviointiin (BioTar) hankkeessa [27]). Yksi potentiaalinen mahdollisuus on käyttää holografiamikroskopiaa näytteenoton jälkeen, jolloin näyte voitaisiin analysoida kentällä. Tällä tavalla toimien, näyte kerättäisiin perinteisesti hammasharjalla harjaten. Kerättyä näytettä laimennetaan riittävästi ja näyteneste piilevineen ajetaan holografiamikroskoopin lävitse. Näytenesteen kierrätyksessä voidaan hyödyntää pienivirtauksista pumppua (todennäköisesti soveltuva kokoonpano ja laitteisto on kehitetty aikaisemmassa Kolmiulotteinen digitaalinen holografinen mikroskopia - hankkeessa). Tarkempi piilevänäytteiden määrittäminen, tulkinta ja laskeminen on määritelty standardissa SFS-EN 14407: Veden laatu. Jokien ja järvien pohjan piilevien tunnistus ja laskenta. Tätä standardia voidaan käyttää automatisoidun tunnistamisen ja mahdollisesti toteutettavien tunnistamisalgoritmien lähtökohtana. Lisäksi Jyväskylän yliopiston Kasviplanktonopasta voidaan hyödyntää automatisoinnin toteuttamisessa [25]. 4.5 Pohjaeläimet Pohjaeläimet ovat selkärangattomia eläimiä, jotka ainakin jossakin elinvaiheessaan ovat riippuvaisia vedenalaisesta alustastaan [28]. Tähän ryhmään Suomen sisävesissä kuuluvat mm. harvasukasmadot, kotilot, simpukat, äyriäiset, juotikkaat, punkit, koskikorennot, päivänkorennot, vesiperhoset ja kovakuoriaiset [28]. Pohjaeläinlajisto on runsas ja morfologialtaan monimuotoinen. Kehitysasteesta riippuen pohjaeläimen morfologia on hyvin erilainen. Suomen ympäristökeskuksen ohjeistuksessa jokien pohjaeläinten osalta on määritelty yhteensä 27 jaksoa ja n. 250 lajia pohjaeläinten vähimmäismääritystarkkuudeksi [26]. Alla on listattuna muutamia Suomen ympäristökeskuksen ohjeistuksessa olevia pohjaeläimiä. 32

33 Lahkon tieteellinen Lahkon Esimerkkikuva Koko nimi suomenkielinen nimi PORIFERA Sienieläimet Riippuen lajista Kuva 16 Spongilla lacustris (Kuva kopioitu osoitteesta: CNIDARIA Polttiaiseläimet Riippuen lajista 5 mm 75 m Kuva 17 Craspedacusta sowerbii (Kuva kopioitu osoitteesta: PLATYHELMINTHES Laakamadot Riippuen lajista 3-12 mm Kuva 18 Dugesia subtentaculata (Kuva kopioitu osoitteesta: 33

34 NEMATOMORPHA Jouhimadot Riippuen lajista pituus jopa yli 25 cm Kuva 19 Gordius aquaticus (Kuva kopioitu osoitteesta: NEMATODA Sukkulamadot Riippuen lajista 0,3 mm 8 m Kuva 20 Sukkulamato (Kuva kopioitu osoitteesta; ANNELIDA Nivelmadot Riippuen lajista <1mm 3 m Kuva 21 Lumbricus terrestris (Kuva kopioitu osoitteesta: 34

35 CRUSTACEA Äyriäiset Riippuen lajista Kuva 22 Ostracoda (Kuva kopioitu osoitteesta: GASTROPODA Kotilot Riippuen lajista <1mm suuriin Kuva 23 Bithynia tentaculata (Kuva kopioitu osoitteesta: BIVALVIA Simpukat Riippuen lajista <1mm - >1m Kuva 24 Sphaerium corneum (Kuva kopioitu osoitteesta: 35

36 ARACHNIDA Hämähäkkieläimet <20 mm (Argyroneta aquatic) Kuva 25 Argyroneta aquatic (Kuva kopioitu osoitteesta: ACARINA Punkit Pituus < 5 mm Kuva 26 Hydracarina (Kuva kopioitu osoitteesta; EPHEMEROPTERA Päivänkorennot Riippuen kehitysasteesta ja lajista 1-30 mm Kuva 27 Baetidae (Kuva kopioitu osoitteesta; 36

37 PLECOPTERA Koskikorennot Riippuen kehitysasteesta ja lajista 4-60 mm Kuva 28 Perlodidae (Kuva kopioitu osoitteesta; HETEROPTERA Luteet <1 mm - > 10 cm Kuva 29 Hebridae (Kuva kopioitu osoitteesta: MEGALOPTERA Kaislakorennot Larvojen (Sialis sp.) pituus ~17 mm Kuva 30 Sialis sp. (Kuva kopioitu osoitteesta; aspx) NEUROPTERA Verkkosiipiset Pituus <10 mm Kuva 31 Sisyra sp. (Kuva kopioitus osoitteesta; 37

38 TRICHOPTERA Vesiperhoset Larvojen (Ecnomidae) pituus 5 10 mm Kuva 32 Ecnomidae (Kuva kopioitu osoitteesta; ODONATA Sudenkorennot Larvojen pituus riippuen lajista >20mm 50 mm Kuva 33 Calopterygidae (Kuva kopioitu osoitteesta: LEPIDOPTERA Perhoset Larvojen pituus joitain senttimetrejä Kuva 34 Pyralidae sp. (Kuva kopioitu osoitteesta; 38

39 COLEOPTERA Kovakuoriaiset Heimosta lajista millimetreistä senttimetreihin Kuva 35 Gyrinus sp. (Kuva kopioitu osoitteesta; DIPTERA Kaksisiipiset Lajista ja kehitysasteesta riippuen millimetreistä senttimetreihin Listaus 1 Pohjaeläimistö. Kuva 36 Prinocera sp. (Kuva kopioitu osoitteesta: 39

40 Pohjaeläinten näytteenotto määritellään standardissa FS 5077, jossa menetelmänä on ns. potkuhaavinta. Suomen ympäristökeskus on laatinut ohjeistuksen pohjaeläinten näytteistämiseen [26]. Lyhyesti potkuhaavintaa seuraa näytteen seulominen 0.5 mm:n seulalla ja säilöminen etanolilla. Varsinainen analysointi ja laskeminen tapahtuvat myöhemmin laboratorio-olosuhteissa Tunnistamisen automatisointimahdollisuudet Kuten yllä olevasta listasta (Listaus 1) nähdään pohjaeläimistö on todella monimuotoinen, mikä asettaa omat haasteensa eläimistön automatisoidulle tunnistamiselle. Lajikirjo tarkoittaa erittäin laajaa kirjastoa morfologisista piirteistä. Tämä voi olla toteutettavissa, mutta vaatii paljon työtä ja suurta pohjaeläinasiantuntijuutta. Osa pohjaeläimistä on lisäksi valoa läpäiseviä ja osa pääosin heijastavia, joka asettaa omat haasteensa optiselle tunnistamiselle. Optimaalinen kuvantaminen vaati erilaisen optisen kokoonpanon valoa läpäiseville ja heijastaville kohteille. Lisäksi ongelmana on (kuten myös muiden pohjaeläinten kanssa) näytteistäminen. Koska näytteistäminen tapahtuu perinteisestikin potkuhaavinnalla, miten saadaan näyte optista kuvantamista varten? 4.6 Yhteenveto Pohjaeläinten automaattinen tunnistaminen morfologiansa perusteella on mahdollista, mutta on erittäin suuritöinen. Automaattisten tunnistamisalgoritmien toteuttaminen vaatii suurta pohjaeläinasiantuntijuutta, jotta voidaan muodostaa kullekin lajille omat erityismorfologian tunnistamisalgoritmit. Suomen oloihin automaattisen tunnistamisen voi olettaa olevan helpohko toteuttaa, verrattuna monimuotoisempien eliöstöjen vesistöihin. Yllä luetelluista pohjaeläimistä digitaalinen holografia lienee soveltuvin piilevien tunnistamiseen. Tässäkin on ongelmana näytteistäminen, kuten yllä on sanottu. Potentiaalisin sovelluskohde on näytteen keräämisen jälkeen tapahtuva automatisoitu analysointi, joka voidaan toteuttaa konenäköalgoritmeja käyttäen. Jos digitaalista holografiaa halutaan soveltaa vedenlaadun tutkimukseen, yksi potentiaalinen reaaliaikainen sovellus on partikkelien tunnistaminen. Perinteisesti partikkelimittarit olettavat kaikkien partikkeleiden olevan säännöllisen muotoisia ja ne laskevat partikkeleiden kokonaismäärää tämän perusteella. Digitaalinen holografia mahdollistaa partikkeleiden lukumäärän lisäksi muotoanalyysin, joka on hyödyllinen erilaisten kompleksisten partikkeliflokkien ja -kolloidien analysoinnissa. 40

41 5 Selvitys optiseen mittaamiseen liittyen digitaalisen 3D holografian soveltuvuudesta luonnonvesien kuvantamisessa 5.1 Digitaalisen holografian soveltaminen Digitaalisen holografian soveltamista vesieliöstön kuvantamisessa on raportoitu monissa tieteellisissä julkaisuissa. Julkaisut ovat pääsääntöisesti keskittyneet merivesien eliöstön kuvantamiseen. Tässä on koottuna raportoituja digitaalisen holografian käyttökohteita vesieliöstön kuvantamisessa Panssarilevä [29] Kuva 37 Digitaalisten hologrammien intensiteettirekonstruktioita panssarilevistä [29] Plankton [30] Kuva 38 Digitaalisten hologrammien intensiteettirekonstruktioita hankajalkaisesta [30] 41

42 5.1.3 Leväitiöt [31] Kuva 39 (a) hologrammi leväitiöistä, (b) intenstiteettirekonstruktio, jossa leväitiöt tarkennettuina [31] Piilevä [32] Kuva 40 Piilevä kuvannettuna (A) DIC-mikroskoopilla, (B) konfokaalimikroskoopilla, (C) Laserskannauskonfokaalimikroskoopilla, (E) ja (F) linjaholografimikroskoopilla [32] 42

43 5.1.5 Viherlevä [33] [34] Kuva 41 (A) Koostehologrammi (50 hologrammia yhdistettynä), (B) intensiteettirekonstruktio 1,3 mm neulanreiästä, (C) intensiteettirekonstruktio 1,83 mm neulanreiästä [34] 43

44 5.1.6 Mikro-organismit (ei erittelyä) [35] Kuva 42 Itiöiden liikkuminen volyymissa [35] Tohvelieläin, ripsieläin, Didinium, rataseläin [36] Kuva 43 intensiteettirekonstruktioita (A) tohvelieläin, (B), (C) ripsieläin, (D) rataseläin [36] 44

45 5.1.8 Lukuisia merieliöstöön kuuluvia lajeja (mm. meduusa, piilevä, hankajalkainen, katkarapu) [3] Kuva 44 Rekonstruktio pyrstökkäästä [3] 5.2 Kaupalliset holografiamittalaitteet Deep inwater imaging Kanadalainen yritys 4Deep inwater imaging Inc (entiseltä nimeltään Resolution Optics). myy digitaalista linjaholografimikroskooppia, joka on suunniteltu erityisesti vedenalaiseen kuvantamiseen. Esimerkkeinä monista tunnistamistaan sovellusalueista on mainittuina merentutkimus ja levien kuvantaminen. Kuva 45 4Deep inwater imaging Inc:n vedenalainen linjaholografiamikroskooppi [37] 45

46 Kuva 46 Intensiteettirekonstruktio piilevähologrammista [38] Sequoia Scientific Veden partikkeleiden ja biologisten kohteiden kuvantamiseen on kaupallisena tuotteena olemassa Amerikkalaisen Sequoia Scientific Inc:n valmistama LISST-Holo mittalaite, jolla voidaan mitata μm:n kokoisia kohteita. Kuva 47 Sequoia Scientific Inc:n LISST-Holo mittalaite. (Kuva kopioitu osoitteesta: 46

47 Kuva 48 Esimerkkidataa:n LISST-Holo mittalaitteelta. (Kuva kopioitu osoitteesta: Yhteenveto Tämä selvitys osoittaa, että digitaalista holografiaa on sovellettu ja se on edelleen sovellettavissa vesistöjen eliöstön kuvantamisessa ja todentamisessa. Aikaisemmat raportoidut tulokset ovat keskittyneet merivesien ja niiden eliöstöjen kuvantamiseen, mutta teknologia on sovellettavissa myös virtaavien vesistöjen kuten jokien eliöstöjen kuvantamiseen. Ongelmana eliöstön kuvantamisessa todennäköisesti on näytteistäminen erityisesti jos eliöstöä ja mahdollisesti sen lukumäärää käytetään jokiveden laadun mittaamisessa. 47

48 6 Raportti hankkeessa toteutetusta ensimmäisestä reaaliaikaisesta luonnonvesien holografisesta demonstraatioversiosta 6.1 Johdanto Hankkeessa toteutettiin ja testattiin arkkitehtuuriltaan kolmea erilaista digitaalisten hologrammien tallennusjärjestelmää. Tässä raportissa kuvataan näiden kokoonpanojen komponentit ja rakenne. Lisäksi esitetään eri kokoonpanoilla tehtyjä tallenteita. Aikaisemmassa 3D DHM hankkeessa kehitettyä laitteistoa ei testattu, koska saatavilla ei ollut soveltuvia läpivirtauskanavia. Saatavilla olleet 100 mikrometrin läpimittaiset läpivirtauskanavat olisivat olleet liian pieniä useiden millimetrien kokoisten kohteiden kuvantamiseen. Ko. kokoonpano, varustettuna läpimitaltaan riittävän suurella läpivirtauskanavalla ja riittävän pienisuurennoksisella objektiivilla (tai ilman objektiivia), on kuitenkin soveltuva myös luonnonvesien kuvantamiseen. Ilman objektiivia vastaavanlaisen kokoonpanon käyttöä on raportoitu useissa julkaisuissa erityisesti partikkelivolyymien kuvantamisessa/mittaamisessa. 6.2 In-line Mach-Zehnder -interferometri Järjestelmäarkkitehtuuri on esitetty alla (Kuva 49). Laserina käytettiin punaista (670 nm:n) diodilaseria ja kamerana Allied Vision Technologies GmbH:n valmistamaa CCD-kameraa Prosilica GX Kuva 49 In-line Mach-Zehnder -interferometri. Laser (670 nm), NDF = Neutral density Filter, λ/2 half waveplate, C=kollimaattori, (sisältäen mikroskooppiobjektiivin, neulanreiän ja kollimoivan linssin), PBS=Polarising Beam Splitter, M=Mirror, O=Object, BS=Beam Splitter, CCD=Charge-Coupled Device. Arkkitehtuuri on linjassa (in-line), jolloin Objektisäde (O) ja referenssisäde (R) saapuvat kameralle samassa kulmassa. Hologrammin rekonstruktiossa tämä tarkoittaa, että eri termit (virtual image, real image, dc) ovat päällekkäin. 48

49 Lineaarisesti polarisoidun laserin intensiteettiä voidaan säätää NDF:n avulla. Referenssi- ja objektipolkujen valonvoimakkuuksia säädetään laseria seuraavan aaltolevyn (wave plate) ja polarisoivan säteenjakajan avulla. Ensimmäisellä aaltolevyllä säädetään objektipolun valonvoimakkuus sopivaksi kameran suljinajan puitteissa. Toinen aaltolevy säteenjakajan jälkeen on tarpeellinen valon polarisaation muuttamiseksi samaksi kuin objektipolussa. Tämä on sen vuoksi, että vain samassa polarisaatiossa olevat valon voivat interferoida keskenään. Alla olevassa kuvassa on esitetty kuva varsinaisesta toteutetusta järjestelmästä. Järjestelmä toteutettiin siten, että objektipolulle voidaan asettaa petrimalja tai läpivirtausputki tarpeen mukaan. Kuva 50 Mach-Zehnder -interferometrin toteutus. Järjestelmää testattiin Katajaojasta otetulla vesinäytteellä, jossa sattui olemaan muutamia pohjaeläimiä (Kuva 51). Näyte asetettiin petrimaljaan, joten tätä järjestelmää ei testattu virtaavalla vedellä. Toteutetun järjestelmän suurennoskerroin on 1, mutta suurennosmuutos voidaan toteuttaa tarvittaessa linsseillä. Järjestelmässä testattiin onnistuneesti linssejä hyödyntäen alle yhden suurennoksia, jolloin voidaan tallentaa suurempia kuin kamerakennon kokoisia kohteita. (a) Kuva 51 (a) pohjaeläinhologrammi, (b) intensiteettirekonstruktio, jossa pohjaeläin on tarkennettuna 6.3 Off-axis Mach-Zehnder -interferometri Erona edelliseen kokoonpanoon on referenssi- ja objektivalojen saapuminen kameralle eri kulmassa, mikä mahdollistaa hologrammien laskennallisesti kevyen prosessoinnin. Prosessoinnissa voidaan yksinkertaisella algoritmilla poistaa dc- ja virtuaalitermit hologrammista. Tämä mahdollistaa mm. vaihetiedon yksinkertaisen hyödyntämisen. (b) 49

50 Kuva 52 Off-axis Mach-Zehnder -interferometri. Laser (640 nm), NDF = Neutral density Filter, λ/2 half waveplate, C=kollimaattori, PBS=Polarising Beam Splitter, M=Mirror, O=Object, BS=Beam Splitter, CCD=Charge-Coupled Device. Arkkitehtuurissa objektisäde (O) ja referenssisäde (R) saapuvat kameralle eri kulmassa (θ). Hologrammin rekonstruktiossa tämä tarkoittaa, että eri termit (virtual image, real image, dc) ovat spatiaalisesti erotettuina. Etuna kokoonpanossa on vaihedatan helpompi hyödyntäminen. 50

51 Alla olevassa kuvassa (Kuva 53) on esitetty off-axis -arkkitehtuurin vaikutus hologrammeille. VIRTUAL DC REAL (a) (b) VIRTUAL DC REAL (c) Kuva 53 Resoluutiotestiobjekti tallennettuna off-axis Mach-Zehnder -kokoonpanolla (a) tallennettu digitaalinen hologrammi, (b) intensiteettirekonstruktio 257 mm:ssä prosessoimattomasta hologrammista, jossa on nähtävissä kolmen termin erottuminen toisistaan spatiaalisesti, (c) b:n Fourier-muunnoksen amplitudi, jossa kolme termiä on selkeästi erotettavissa spatiaalisesti, (d) prosessoidun hologrammin intensiteettirekonstruktio, jossa vain yksi termeistä on jäljellä (d) 6.4 In-line Gabor -interferometri Gabor-interferometrissä käytettiin vihreän (532 nm) aallonpituuden diodilaseria, 60X mikroskooppiobjektiivia ja 1 μm:n neulanreikää, kamerana käytettiin IDS Imaging Development Systems GmbH:n valmistamaa CMOSkameraa UI-1242LE. Periaatekuva (Kuva 54) ja kuva toteutuksesta (Kuva 55) on esitetty alla. 51

52 Kuva 54 In-line Gabor -interferometri. Laser (532 nm), C = kollimaattori sisältäen mikroskooppiobjektiivin (63X) ja neulanreiän (1 μm), O=objekti (sisähalkaisijaltaan 6 mm:n läpimittainen alumiiniputki kuvantamisikkunoineen). Laserilta lähtenyt tasoaalto (plane wave) muuttuu palloaalloksi (spherical wave) läpäistessään neulanreiän sisältäen luonnollisen suurennoksen etäisyyden funktiona. Kohteesta siroava valo (objektisäde) interferoi muuttumattomana edenneen (referessisäde) kanssa muodostaen interferogrammin (hologrammin) tallennusmedialle. Kuva 55 In-line Gabor -interferometrin toteutus. 52

53 7 Testaustulokset demonstraatiolaitteiston mittauskyvystä ja toimivuudesta sekä datan prosessointi- ja analysointimahdollisuuksista 7.1 Johdanto Tässä raportissa on esitettynä mittaustuloksia, jotka on toteutettu käyttäen LUMO-hankkeessa rakennettuja digitaalisten hologrammien tallentamisen demonstraatiolaitteistoja. Demonstraatiolaitteistojen toteutus on esitelty tarkemmin luvussa Mittauskyky Alla on esitetty eri laitteistoarkkitehtuureilla toteutettujen demonstraatiokokoonpanojen mittaustuloksia In-line Mach-Zehnder -interferometri Kuten luvussa 6 on selvitetty, linjakokoonpanossa (in-line) hologrammissa olevat kolme termiä (dc, virtuaali- ja reaalikuva) ovat spatiaalisesti päällekkäin, mikä vaikeuttaa vaihedatan hyötykäyttöä. Koska kokoonpanossa ei käytetä suurennosta, on kuvantamisresoluutio suurimmaksi osaksi riippuvainen käytetyn pikselin koosta. Demonstraatiokokoonpanon kameran pikselien koko oli 5,5μm x 5,5μm. Kuvantamisresoluutio on Nyquistin teoreeman mukaisesti kaksi kertaa pikselin koko eli käytetyn kameran tapauksessa 11 μm USAF resoluutiotestikuvien kohdalla tämä tarkoittaa, että nähtävissä pitäisi olla ryhmän 5 elementti 4. Toteutetussa kokoonpanossa alla olevan kuvan (Kuva 56) mukaisesti nähtävissä on ryhmän 4 elementti 1, jossa viivanleveys on 31,25 μm. Käytännössä Nyquistin teoreema ei olekaan sellaisenaan soveltuva kuvantamiseen, koska teoreema on tehty kaksiulotteisille (yksiulotteisille + aika) signaaleille kuten äänelle. Lisäksi kuvantamisresoluutioon vaikuttaa kamerakennon kohina, kuvannettavan objektin muoto ja sijoittuminen suhteessa kamerakennon pikseleihin. Mahdollisesti resoluutiota voidaan parantaa poistamalla ympäristöstä aiheutuvat tärinät ja varmistamalla erityisen tarkasti valon yhdensuuntaisuus. (a) Kuva 56 In-line Mach-Zehnder -interferometrin tuloksia. (a) hologrammi, (b) intensiteettirekonstruktio mm (b) 53

54 7.2.2 Off-axis Mach-Zehnder -interferometri Kuten Raportti hankkeessa toteutetusta ensimmäisestä reaaliaikaisesta luonnonvesien holografisesta demonstraatioversiosta - dokumentissa on selvitetty, off-axis kokoonpanossa referenssi- ja objektivalo saapuvat kameralle eri kulmissa, mikä mahdollistaa eri termien (dc, virtuaali- ja reaalikuva) erottamisen spatiaalisesti. Alla olevassa kuvassa eri termejä ei ole erotettu ja ne sijaitsevat intensiteettirekonstruktiossa spatiaalisesti päällekkäin, mikä heikentää kuvan laatua (Kuva 57). Tämä näkyy kuvassa rakeisuutena ja yksityiskohtien peittymisenä. (a) (b) Kuva 57 Off-axis Mach-Zehnder -interferometrin tuloksia 1. (a) hologrammi, (b) intensiteettirekonstruktio mm Alla olevassa kuvassa (Kuva 58) on esitetty off-axis hologrammin prosessoinnin vaikutus kuvanlaatuun. Tallennetun hologrammin taajuustasossa (Kuva 58a) eri termien taajuudet ovat spatiaalisesti erotettuina. Leikkaamalla virtuaali- tai reaalikuvan taajuudet (riippuen siitä kumpi näistä termeistä säilytetään rekonstruktioetäisuus on positiivinen tai negatiivinen), siirtämällä leikatut taajuudet taajuustason keskelle (vastaa hologrammin kertomista digitaalisella referenssivalolla) ja ottamalla käänteinen Fourier-muunnos takaisin signaalitasoon saadaan helposti ja kevyellä prosessoinnilla poistettua halutut termit rekonstruktiosta. 54

55 (a) (b) (c) Kuva 58 Off-axis Mach-Zehnder -interferometrin tuloksia 2. (a) 2D Fourier muunnoksen intensiteetti, jossa eri termit ovat spatiaalisesti erotettuina, (b) prosessoitu hologrammi, jossa on säilytetty vain yhden termin (real) taajuudet, (c) intensiteettirekonstruktio käyttäen hologrammia (Kuva 57a); rekonstruktioalgoritmina diskreetti Fresnel integraali, jossa on nähtävissä eri termien spatiaalinen erottuminen; keskellä dc-termi ja diagonaalisesti sen vieressä virtuaali- ja reaalikuvat, joista toinen on tarkennettuna, (d) intensiteettirekonsruktio käyttäen (b):tä; rekonstruktioalgoritmina ns. spectral method. (d) Alla olevissa kuvissa on esitetty kuvantamistuloksia resoluutiotestiobjektilla, jossa resoluutiokuviot (vaaka- ja pystyjuovat) läpäisevät valoa, muualta valon eteneminen on estetty (Kuva 59 ja Kuva 60). 55

56 (a) (b) (c) Kuva 59 Off-axis Mach-Zehnder interferometrin tuloksia 3. Kuvannettavana kohteena negatiivinen USAF 1951 resoluutiotestiobjekti. (a) hologrammi, (b) hologrammin taajuustason intensiteetti, (c) prosessoitu hologrammi, (d) intensiteettirekonstruktio 301 mm käyttäen (c):tä. Tästä kuvasta mitatun ryhmän 3 elementtien 2 yhteenlaskettu leveys on 280,5 μm:ä, ilmoitettu leveys ko. elementeille on 278,4 μm. Tämän mukaisesti virhe on alle 1 %:a, mikä osoittaa valon olevan erittäin yhdensuuntainen; kohteen koko on suoraan laskettavissa pikseleiden lukumäärän perusteella. (d) 56

57 (a) Intensiteetti (b) Pikseli (x/y) Kuva 60 Resoluutio. (a) suurennettu intensiteettirekonstuktio (Kuva 59d) ryhmistä 4 ja 5, (b) intensiteettiprofiilit ryhmän 4 elementin 4 vaaka- ja pystyelementeistä, joka on pienin erotettavissa oleva kohde. Viivanleveys ko. elementeillä on 22,10 μm. Sinisellä värillä on esitetty vaakajuovien ja punaisella pystyjuovien intensiteettiprofiilit. 57

58 Suomen ympäristökeskukselta saatuja piilevänäytteitä kuvannettiin kaupallisella holografimikrokoopilla, joka perustuu off-axis Mach-Zehnder -arkkitehtuuriin. Esimerkkitulos yhdellä hologrammilta on esitetty alla olevassa kuvassa (Kuva 68). Tallennuksessa olisi todennäköisesti hyödyllisempää käyttää 40X mikroskooppiobjektiivia, mutta käytetyssä mikroskoopissa ei tällaista ollut asennettuna. (a) (b) (c) Kuva 61 Esimerkkitallenne. Hologrammi on tallennettu kaupallisella Lyncee Tec SA:n valmistamalla holografimikrokoopilla käyttäen 20X mikroskooppiobjektiivia (a) intensiteettirekponstruktio, (b) vaiherekonstruktio, (c) 3D-esitys perustuen vaihetietoon. 58

59 7.2.3 In-line Gabor -interferometri In-line Gabor -interferometrissä referenssi- ja objektivalo saapuvat kamerakennolle samaa polkua pitkin eikä referenssivaloa ole mahdollista erottaa. Kuvanlaadun parantamiseksi voidaan tallentaa referenssivalo erikseen, joka vähennetään varsinaisesta hologrammista (Kuva 62). Tämä parantaa hologrammin laatua poistaen taustan ja näin ollen staattiset kohteet kuten pölyn ja lian hologrammista. (a) (b) (c) (d) Kuva 62 In-line Gabor -interferometrin tuloksia 1. (a) referenssivalo, (b) hologrammi, (c) hologrammi referenssi, (d) intensiteettirekonstruktio 4.5 mm. Suurennoskerroin Erityisominaisuutena kokoonpanossa suurennos muuttuu objektin ja kameran etäisyyden funktiona; mitä kauempana kamerakennolta kohde sijaitsee, sitä suurempi on suurennos. Mitä lähemmäs neulanreikää objekti voidaan sijoittaa, sitä suurempi on erottelutarkkuus. Koska kyseessä on vesivolyymin tallentaminen eli kolmiulotteinen kohde vesivolyymin eri kohdissa sijaitsevilla kohteilla on eri suurennos, mikä täytyy ottaa 59

60 huomioon kvantitatiivista tietoa hyödynnettäessä. Suurennoksen muuttuminen objektin eri etäisyyksillä on esitetty kuvissa (Kuva 62 ja Kuva 63). (a) (b) (c) (d) Kuva 63 In-line Gabor -interferometrin tuloksia 1. (a) hologrammi, (b) hologrammi referenssi, (c) intensiteettirekonstruktio 15.5 mm käyttäen (b):tä, (d) intensiteettirekonstruktio 15.5 mm käyttäen (a):ta. Suurennoskerroin Toteutetun kokoonpanon rekonstruktioetäisyyden ja suurennoksen suhde on esitetty alla olevassa kuvassa (Kuva 64). 60

61 2 1.9 y = *x Suurennoskerroin Rekonstruktioetäisyys (mm) Kuva 64 Suurennoskertoimen ja rekonstruktioetäisyyden suhde toteutetussa Gabor kokoonpanossa. Kuvantamisresoluutio toteutetulla kokoonpanolla on muutaman mikrometrin luokkaa. Johtuen resoluutiotestiobjektin ja kiinnitysjärjestelmän koosta ko. objektia ei voitu sijoittaa erittäin lähelle neulanreikää, jonka vuoksi pienin tunnistettavissa oleva kohde testiobjektissa on n. 4 mikrometriä (Kuva 65). 61

62 (a) (b) (c) Kuva 65 Resoluutiorajat Gabor-interferometrissä ja referenssin vähentämisen vaikutus. (a) ja (b) suurennettu Kuva 63c ja Kuva 63d. Ryhmän 6 elementin 6 viivanleveys on 4.39 mikrometriä. Kuvissa (c) ja (d) on esitettynä ryhmän 6 elementin 6 vaaka- ja pystyelementtien intensiteettiprofiili. Sinisellä värillä on esitetty vaakajuovien ja punaisella pystyjuovien intensiteettiprofiilit. Verrattaessa kuvia (c) ja (d) on havaittavissa, että intensiteettirekonstruktio hologrammista ilman referenssivähennystä mahdollistaa tässä tapauksessa paremman resoluution; kaikki elementit ovat erotettavissa kuvassa (d). Referenssivähennystä käyttäen (jos referenssi ei vastaa täysin hologrammin tallennushetken referenssiä) voidaan menettää kuvainformaatiota. (d) 7.3 Toimivuus Liikkuvien kohteiden kuvantaminen on edellisiä staattisia kohteita huomattavasti haasteellisempi. Teorian mukaisesti kuvannettava kohde ei saa liikkua yli 10 % läpimitastaan kameran suljinajan puitteissa. Tätä nopeammin (enemmän) liikkuvat kohteet eivät mahdollista hologrammin muodostumista ja tallentamista kamerakennolle. Yhtenä ratkaisuna erittäin nopeasti liikkuvien kohteiden tallentamiseen on pulssitettu laser, joka synkronoidaan kameran sulkimen kanssa. Demonstraatiolaitteistoissa käytettiin jatkuvatoimisia (continous wave) lasereita. In-line ja off-axis Mach Zehnder -interferometreissä ei testattu virtaavassa vedessä olevia nopeasti liikkuvia kohteita. Sen sijaan näillä kokoonpanoilla testatut objektit sijoitettiin lasipohjaiseen petrimaljaan. Kohteina testattiin kiintoaine- ja pohjaeläimiä. In-line Gabor -interferometrissä testattiin kiintoaineen ja luonnonvesien mittaamista. Kiintoainenäytteet saatiin tutkimusryhmän käyttöön Oulun yliopiston Vesi- ja ympäristötekniikan laboratoriolta, jossa näytteet oli kerätty turvesoiden laskuojista TIMS-keräimillä (Time Integrated Mass Flux Sampler). 62

63 7.3.1 In-line Mach Zehnder -interferometri Ylivieskan Katajaojasta otetussa vesinäytteessä oli muutamia pohjaeläimiä, joita kuvannettiin ko. laitteistolla. Pohjaeläimet poimittiin manuaalisesti vesinäytteestä ja asetettiin petrimaljaan n. 8 mm:n korkuiseen vesivolyymiin. Pohjaeläimiä kuvannettiin muutamien minuuttien ajan niiden liikkuessa vapaasti. Pohjaeläinten suhteellisen suuri koko (senttimetrejä) aiheutti omat haasteensa kuvantamiselle. Suuren koon vuoksi testattiin kohteesta muodostuneen hologrammin pienentämistä linssien avulla. Linssien lisääminen järjestelmään lisäisi järjestelmän monimutkaisuutta, jonka vuoksi ne poistettiin kokoonpanosta. (a) Kuva 66 Pohjaeläin. (a) tallennettu hologrammi, (b) intensiteettirekonstruktio 160 mm Off-axis Mach Zehnder- interferometri Oulun yliopiston Vesi- ja ympäristötekniikan laboratorio toimitti tutkimusryhmän käyttöön kiintoainenäytteitä järjestelmän konseptitestausta varten. Näyte laimennettiin vesijohtovedellä, johtuen erittäin suuresta partikkelitiheydestä. Laimennuksessa käytettiin laimennussuhdetta 1/100. Laimennettua näytettä annosteltiin n. 6 ml:a petrimaljalle, jossa sekoitusta seurasi näytteen kuvantaminen. Kuvantamishetkellä partikkelit olivat siis liikkeessä. Esimerkkitallenne ja prosessoitu tulos on esitetty alla olevassa kuvassa (Kuva 67). (b) 63

64 (a) (b) (d) Kuva 67 (a) prosessoimaton partikkelihologrammi, (b) prosessoitu partikkelihologrammi, (c) intensiteettirekonstruktio 275 mm kamerakennolta (d) prosessoitu rekonstruktio, jossa tunnistetuilla partikkeleilla on oma värinsä. Tunnistettuja partikkeleita on yhteensä 254 kpl. (e) In-line Gabor -interferometri Järjestelmää testattiin Oulun yliopiston vesi- ja ympäristötekniikan laboratorion keräämillä kiintoainenäytteillä. Näyte laimennettiin vesijohtovedellä erittäin suuren partikkelitiheyden vuoksi suhteessa 1/500. Näytettä kierrätettiin pumpulla läpimitaltaan 6 mm näyteputken läpi. Esimerkkitulos yhdellä hologrammilta on esitetty alla olevassa kuvassa (Kuva 68). 64

65 (a) (b) (c) Kuva 68 Esimerkkitallenne. (a) hologrammi, (b) kahden peräkkäisen hologrammin vähennystulos, jonka tarkoituksena on poistaa staattiset kohteet kuten lika ja pöly näyteputken kuvantamisikkunoista, (c) intensiteettirekonstruktio 14 mm:ä hologrammista, (d) semiautomaattisesti tunnistetut kohteet (semiautomatisoinnissa raja-arvo objektien tunnistamiseksi intensiteetin perusteella on valittu manuaalisesti). (d) Samalla kuvantamisjärjestelmällä kuvannettiin Katajaojasta otettua vesinäytettä. Tämän ajateltiin olevan todenmukaisempi kuvantamistapa jos kuvantaminen toteutetaan virtaavasta vedestä näytteistämällä. 65

66 (a) (b) (c) (d) Kuva 69 Esimerkkitallenne Katajaojan näytteestä, (a) hologrammi, (b) kahden peräkkäisen hologrammin vähennystulos, (c) intensiteettirekonstruktio 11 mm, (d) semiautomaattisesti tunnistetut kohteet, jossa jokaisella tunnistetulla partikkelilla on oma värinsä 7.4 Prosessointi ja analysointi Referenssivähennys Kuten edellä on esitetty, referenssikuvan (ilman objektia olevan hologrammin) vähentäminen hologrammista tai kahden peräkkäisen hologrammin vähentäminen toisistaan poistaa staattiset kohteet kuten kamerakennolla ja/tai kuvantamisikkunoissa olevan lian. Referenssivähennys on erityisen hyödyllinen jos kuvannettavassa volyymissa on vain muutamia kohteita, koska referenssivähennys nostaa intensiteettirekonstruktion taustan ja kohteen välistä kontrastia merkittäväsi. Tämä puolestaan helpottaa jatkoprosessointia ja datan erottamista. 66

67 7.4.2 Pohjaeläinhologrammin prosessointi ja analysointi Alla olevassa kuvassa on esitettynä Katajaojan näytteessä olleesta pohjaeläimestä tallennetun hologrammin intensiteettirekonstruktio ja prosessoitu kuva (Kuva 70). Prosessoinnissa intensiteettirekonstruktio on automaattisesti kynnystetty manuaalisesti valitulla raja-arvolla. Tavoitteena oli säilyttää pohjaeläimen ääriviivat, joiden perusteella tämän tyyppinen pohjaeläin voisi olla tunnistettavissa. Koska kokoonpanossa ei ollut mahdollista tallentaa erillistä referenssikuvaa, sisältävät rekonstruktiot kohinaa ja muita artefaktoja, jotka vaikeuttavat prosessointia. Referenssikuvan tallentaminen ko. kokoonpanossa ei ollut mahdollista johtuen kuvausalustana käytetystä petrimaljasta. Ko. alustan vuoksi nestepinta ja sen pintajännitys toimivat linssin omaisesti aiheuttaen vääristymiä, ja esimerkiksi petrimaljassa olevien staattisten kohteiden liikkumisen kamerakennolla. Käyttämällä läpivirtatausputkea tästä ongelmasta on mahdollista päästä eroon. Kuva 70c on tehty manuaalisesti intensiteettirekonstruktion perusteella. Tästä erotettu kvantitatiivinen data on esitetty alla olevassa taulukossa (Taulukko 1). 67

68 (a) (b) (c) Kuva 70 Pohjaeläin. (a) intensiteettirekonstruktio -162 mm, (b) kynnystetty rekonstruktiokuva, jossa on pyritty säilyttämään pelkästään pohjaeläimen ääriviivat, (c) manuaalisesti tehty maski, jonka perusteella kohteesta on erotettu kvantitatiivista tietoa Suure Arvo Pinta-ala (pikseliä) Pituus (pikseliä) 525,62 Pituus (mm) 2,89 Leveys (pikseliä) 123,79 Leveys (mm) 0,68 Orientaatio (astetta, ) -25,92 Taulukko 1 Pohjaeläimestä erotettu data 68

69 D DHM hankkeessa kehitetyn algoritmin soveltamisen tulos Aikaisemmassa holografiahankkeessa kehitettyä algoritmia (Applied Optics, 53, 15, pp , 2014) testattiin Katajaojan vesinäytteellä. Algoritmin tulos yhdelle hologrammille on esitetty alla olevissa kuvissa (Kuva 71 ja Kuva 72). (a) 1 (b) (c) 0 Kuva 71 Algoritmin tulos. (a) hologrammi, (b) kahden peräkkäisen hologrammin vähennystulos, (c) tamura-kertoimet koko volyymille käyttäen raja-arvoa 0.4, (d) volyymin syvyyskartta, jossa eri värit merkitsevät partikkelin sijaintia. (d) 0 69

70 Kuva 72 Algoritmin tuloksen pistepilviesitys. Värit merkitsevät objektin sijaintia eri kerroksessa Partikkelinäytteistä kvantitatiivisen datan erottaminen Katajaojasta otetun näytteen analysoinnissa hologrammit käsiteltiin em. algoritmilla käyttäen rekonstruktiovälinä 4-16 mm:ä 1 mm:n rekonstruktiovälillä. Jokaiselle hologrammille lasketusta tuloksesta kynnystettiin Tamura-arvot, jotka ylittivät ennalta määritellyn raja-arvon (0.4). Kynnystetyistä volyymikuvista muodostettiin binäärikuvavolyymi, josta erotettiin yhtenäisten alueiden sisältämien pikseleiden lukumäärä. Sadan ensimmäisen hologrammin tulokset on esitetty alla olevassa taulukossa (Taulukko 2) ja siitä muodostetussa kuvaajassa (Kuva 73). Pikseliä Lukumäärä Yhteensä 3592 Taulukko 2 Partikkeleiden tilavuudet (pikseliä) luokiteltuna. Analysoinnissa ei ole otettu huomioon muuttuvaa suurennoskerrointa. 70

71 Kuva 73 Partikkeleiden tilavuudet luokiteltuna. Maksimipikselivolyymi koko datajoukossa (500 hologrammia, pikselin volyymi (1280x1024x13)) oli pikseliä ja pienin 16 pikseliä. Koko aineiston laatikko-janakuvio on esitetty alla olevassa kuvassa (Kuva 74). Kuva 74 Laatikko-janakuvio. 71

72 8 Käyttäjä- ja järjestelmävaatimusmäärittelyt laaja-alaiselle reaaliaikaiselle luonnonvesien monitorointijärjestelmälle 8.1 Johdanto Tarkoitus Oulun Eteläisen instituutin RFMedia-laboratorion langattoman tiedonsiirron ja digitaalisen holografian tutkimusryhmät ovat toteuttaneet Luonnonvesien monitorointijärjestelmän teknologiaesiselvitys hankkeessa esiselvitystä laaja-alaisesta reaaliaikaisesta luonnonvesien monitorointijärjestelmästä, jossa yhtenä tuloksena on tämä järjestelmävaatimusdokumentti. Tässä luvussa määritelty monitorointijärjestelmä LUMO-R toteutetaan lähitulevaisuudessa Oulun yliopiston Oulun Eteläisen instituutin tutkimushankkeessa. Tämän dokumentin tarkoituksena on määritellä järjestelmän varsinaiseen toteutukseen liittyen: 1. Mitä järjestelmä tekee 2. Miten järjestelmä toimii 3. Käyttäjät rooleineen Dokumentti on tarkoitettu järjestelmän kehittäjille ja käyttäjille Projektin kohde Järjestelmän avulla on tarkoitus monitoroida vesistön tilaa ja toimia reaaliaikaisena ympärivuorokautisesti sulien vesien aikaan. Järjestelmän pilotointivesistönä käytetään Kalajokea, mutta järjestelmä on siirrettävissä mihin tahansa vesistöön. Tyypillisesti vesistöjen tilaa seurataan tarkkailuvelvoitteiden perusteella. Tarkkailuvelvollisia toimijoita ovat omalla toiminnallaan vesistöä kuormittavat toimijat kuten vesilaitokset. Vedenlaaduntarkkailussa vesialueelta otetaan näytteitä ennalta määritetyistä näytepisteistä tietyn aikataulutuksen perusteella 2-12 kertaa vuodessa vesistöstä ja tarpeesta riippuen. Näytteenotoissa noudatetaan Vesi- ja ympäristöhallinnon antamia ohjeita ja näytteistä määritetään: happi kokonaisfosfori hapen kyllästysaste fosfaattifosfori ph kokonaistyppi alkaliniteetti nitraatti-nitriittityppi sähkönjohtavuus ammoniumtyppi sameus a-klorofylli (järvet ja meret) väri suolistoperäiset enterokokit Taulukko 3 Vesinäytteistä määritettävät suureet. Lisäksi vesistöistä määritetään 1-6 vuoden välein biologisia ominaisuuksia. Tyypillisesti näytteet otetaan samoista osista vesistöä vertailukelpoisuuden varmistamiseksi. Ongelmana ajoittaisessa näytteiden keräämisessä on veden laadun mahdollinen suuri vaihtelu näytteiden ottamisen välisenä aikana. Tätä muutosta ei vallitsevalla mittaustavalla voida havainnoida. Lisäksi yksittäiset pistemittaukset eivät anna tarkkaa tietoa laaja-alaisen vesistön tilasta. 72

73 8.2 Yleiset järjestelmävaatimukset Järjestelmän tärkeimmät ominaisuudet LUMO-R: V-1 tuottaa tietoa vesistön eri kohdissa olevien eri mittauspisteissä olevan veden laadusta V-1.1 jatkuvatoimisesti (24/7), V-1.2 reaaliaikaisesti, V-1.3 luotettavasti (kalibrointi!) V-2 on verkossa toimiva (on-line) järjestelmä, joka on käyttäjien käytettävissä verkkoselaimella Monitorointijärjestelmä koostuu sensoriverkosta, jossa yksittäiset mittauspisteet sisältävät antureita usean eri suureen mittaamiseen (esim. lämpötila, happamuus, virtausnopeus ja typpi) ja radiolähettimestä. Mitattu tieto välitetään tietoverkon yli edelleen tiedostopalvelimelle, josta tieto prosessoidaan. Prosessoitu tieto analysoidaan ja ladataan verkkopalvelimelle, josta analysointitulos on nähtävissä verkkoselaimella. Järjestelmä koostuu seuraavista komponenteista: 1. mittauspisteet 1.1. sensoritiedon lukeminen 1.2. datan kevyt prosessointi 1.3. mittadatan välittäminen puhelin-/dataverkon välityksellä 1.4. kaksisuuntainen liikennöinti 2. tiedostopalvelin 2.1. raaka- ja analysointidatan tallentaminen 2.2. yhteydessä prosessointi- ja analysointiyksikköön, mittausasemiin sekä www-palvelimeen 3. prosessointi- ja analysointiyksikkö 3.1. raakadatan lataaminen 3.2. raakadatan prosessointi 3.3. raakadatan analysointi 3.4. analysoidun datan puhurointi tiedostopalvelimelle 4. www-palvelin 4.1. analysointidatan esittäminen käyttäjän valintojen perusteella varten 5. käyttäjät 5.1. tiedonsaanti 5.2. tiedon etsiminen 5.3. tiedon jatkoanalysointi 5.4. tiedon visualisointi 5.5. raportointi 5.6. seuraaminen 73

74 Mittauspisteiden tuottama raakadata on riippuvainen käytetyistä sensoreista. Mittauspisteet puhuroivat raakadatan tiedostopalvelimelle, josta data ladataan prosessointi ja analysointiyksikölle. Prosessointi- ja analysointiyksikkö on suuritehoinen tietokone, jolla suoritetaan datan prosessointi ja alustava analysointi. Alustava prosessoitu analysointitulos ladataan tiedostopalvelimelle, josta se on luettavissa www-palvelimelle käyttäjien valintojen mukaisesti. Katso alla oleva kuva järjestelmän yleisrakenteesta (Kuva 75). Kuva 75 LUMO-R pääkomponentit Rajoitteet Käyttäjärajapinnan on oltava mahdollisimman alustariippumaton. Tämän vuoksi suuri osa toiminnallisuudesta on pyrittävä sisällyttämään palvelinpään ohjelmistoon. Myös testauksessa otetaan huomioon eri alustat ja järjestelmää on testattava eri laitteisto- ja alustakokoonpanoilla. 74

75 R-1 Siirrettävyys: pilotointivaiheessa toteutettu ratkaisu ei välttämättä ole yhteensopiva toisilla alustoilla R-1 Tietokantasuunnittelu: Tietokanta pyritään suunnittelemaan mahdollisimman kattavaksi, mutta myöhemmässä vaiheessa toteutettavien muutoksien pitää olla mahdollisia. R-3 Tietokannaksi voidaan valita toteuttajien asiantuntijuuden ja saatavilla olevien alustojen mukaisesti sopivin tietokanta (esim. MySQL tai MS SQL Server) R-4 Suunnitteluvaiheessa huomioidaan erityisesti järjestelmä- ja käyttäjätestaus Rajapinnat Järjestelmä sisältää tietoliikennerajapinnat eri arkkitehtuureilla eri komponenttien välillä alla olevan kuvan mukaisesti. Kuva 76 Järjestelmän tietoliikennerajapinnat Käyttäjät Järjestelmän tunnistettuja käyttäjiä ja käyttäjätyyppejä ovat 75