Säilörehunurmen sadon määrän kaukokartoitus

Transkriptio

1 Säilörehunurmen sadon määrän kaukokartoitus Jere Kaivosoja, LUKE

2 LYHYESTI Kaukokartoitusta droneilla ja satelliiteilla Dronet: +Tarkka resoluutio +Absoluuttiset arvot mahdollisia +Tarkemmat laatutiedot +Monipuolisemmat sovelluskohteet - Kallis hinta, ylläpito - Ylimääräinen työtehtävä - Prosessoinnin haasteet Satelliitit: +Usein ilmaista +Eri lohkojen vertailu +Aikasarjat vaivatta +10m resoluutio helposti riittävää Tarvitaan pilvettömyys - Tarvitaan manuaalista tarkistusta - Ei absoluuttista tietoa

3 LYHYESTI Teknologiat, mitä tänä päivänä: Satelliitit: Ilmaisia palveluita, joilla saadaan suhteellisia biomassakarttoja; mahdollisuus myös tuottaa työtehtäviä Cropsat.se, Cropsat.dk, MyYara & Cropsat Sentinel-hub;

4

5 Satellittikuvat, satojen eri nurmilohkojen vertailu, satelliittikuvat ja NDVI-indeksit koko kasvukaudelta. FGI, BoostSat -hanke

6

7 Dronet tänä päivänä 1000 kuluttajatason kustannustehokkaat dronet Tavallinen kamera, 50-80ha kartoituksia yhdellä lennolla k järjestelmät, joissa erikoiskamera/lidar tms. Todistetut hyödyt vähäisiä Paremmat korkeusmallit, kehitystyö kesken 10k-100k tutkimuskalustot, hyperspektrikamerat, lidarit jne. Paljon potentiaalia, vähän todistettua Kaupallisissa läpilyönneissä hinnat krt. alas

8 Maataloustutkimusta vuodesta 2010->

9 Avartek ARX30, VTT:n kameraproto 2018 Hanko-Haapsalu testilennot BVLOS Phantom 4 Parrot Disco Carboncore

10

11 Perusprosessointi mosaikoinnin jälkeen

12 Sovelluskehitys dronekuvista eteenpäin; Agremo

13 Automaattinen terveysluokitus ja nurmilajikkeet: Tässä tapauksessa lajike sotkee tulkinnan

14 Huonoja esimerkkejä ja mittauksen haasteita

15 DroneKnowledge Kohti tietämysperusteista RPAS kaukokartoitusta Tekes Challenge Finland, Keskeiset teemat 3D-mallinnus, aikasarjat Hyperspektrikamerateknologiakehitys Laserkeilaus Reaaliaikalaskenta Käyttökelpoisen tiedon tuottaminen (DSS) Sovelluskohteet Metsät Viljapellot, nurmet Vesistöt jne

16 RESEARCH CO-OPERATION, 2009-> VTT Technical Research Center Finland, Optics team Sensor development FGI Finnish Geospatial Research Institute Data production, integration JYU University of Jyväskylä, Department of Mathematical Information Technology Information development LUKE, Green technology unit Knowledge and decision support systems VALIO, Boreal, Yara Farmers

17 3D hyperspektrikartoitus

18 VTT:n prototyyppi & Avartekin drone

19 Tavoite Nurmen määrä ja määrän vaihtelu Nurmen laatu: sulavuus Satelliittikuvaopetus Haasteet Passiivisen kuvauksen virhelähteet Eri nurmilajikkeet ja seosten suhteet

20 3 koealuetta

21 RGB-kamera ja koeruudut, tuloksia

22 Borealin koeruudut 22 Boreal

23 Kuiva nurmi Nurmi RGB Multispektri Hyperspektri Sentinel

24 Wavelength L1 L2 L3 L4 L5 L1 L3 L2 L4 L5 tie kg/ha

25 Korkeusmallista (stereokamera, stereokuvaus tai laser-tutkaus) saadaan nurmikasvuston absoluuttinen korkeus ja korkeus korreloi voimakkaasti biomassan kanssa. tarvitaan kuitenkin maanpinnan korkeus

26

27

28 Nurmi-DSS Nurmen päätöksentekotukijärjestelmät: Täydennyskylvö keväällä: talvehtimisarviointi Ruiskusuunnitelma: rikkakasvipainehavainnointi Lannoitus: Apila/heinä/palkokasvi suhteen arviointi Tulevan kauden suunnittelu: määrä ja typpipitoisuus Optimaalinen niittoajankohta: D-arvo ja satomäärä Osalohkokorjuu: lohkon luokittelu ja haluttu määrä Lohkojärjestyksen optimointi: erot lohkojen välillä

29 Kiitos!