Opal-Life Maatalouden uudet kaukokartoitus- ja satelliittiteknologiat ja niiden hyödyntäminen kasvintuotannon tutkimuksessa New Remote Sensing Technologies for Agriculture Precision Farming and Crop Production Heikki Laurila, Lauri Jauhiainen (Luke) Tampere viljelijätapaaminen 2016-12-12 1 Teppo Tutkija 15.12.2016
Sisältö - Contents 1. Johdanto Intro 2. Maatalouden täsmäviljely uudet kaukokartoitus aineistolähteet 3. EU/ESA Sentinel Constellation 4. OPAL-Life tilat 5. NDVI kasvillisuusindeksi laskenta satelliitti datasta Kevätvehnän satokuilu laskennan tuloksia 2015 Etelä- Suomessa 5. UAV/Drone lennokit integrointi satelliittidatan kanssa 6. Pilvipalvelu demo (ArcGIS Online) Cloud Service Demo 2 Teppo Tutkija 15.12.2016
1. Johdanto Intro Uudet korkearesoluutioiset satelliittijärjestelmät (mm. uusi EU/ESA Copernicus ohjelman Sentinel (1-2) sekä optiset että SAR/mikroaalto-taajuus) tarjoavat uuden data lähteen kasvukauden aikana lähes viikoittaisilla kuvauksilla myös uusien maatalouden täsmäviljely- sovellusten (precision farming) toteuttamiseksi Suomessa ja Pohjoismaisssa sekä Baltiassa. Uudet UAV/lennokki pohjaiset mittaus-järjestelmien videokuva ja multispeketraali-kameroiden data integroituna laajojen alueiden satelliittikuvien tarjoamiin aineistoihin luo uusia mahdollisuuksia GIS paikkatietojen analysoinnissa yhdistettynä perinteisiin meteorologisiin ja maaperämittaustietoihin maatalouden sadontuotannon ja sadon laatutekijöiden estimoinnissa kasvukauden aikana. 3 Teppo Tutkija 15.12.2016
MAVI Peltolohkorekisteri (EU IACS CAP järjestelmä) www.mavi.fi http://www.paikkatietoikkuna.fi/web/fi/peltolohkorekisteri Esim. Jokioinen, Forssa peltolohkot 4 15.12.2016
Remote sensing application potential (MML/NLS) Coverage Smal l UAS Terrestrial Low Airborne Hig h Flexibility Satellite Larg e
EO/satellite data comparison, resolution vs. price (Landsat 8, Sentinel 1-2 free data, MML/NLS)
Resolution comparison between commercial operators (MML/NLS) Landsat-8 WorldView-2 RapidEye Aerial image (GSD=50cm) Satellite data: Landsat (c) USGS/NASA, Rapideye (c) Blackbridge, WorldView (c) DigitalGlobe. Aerial image (c) NLS Finland
Analysis based on spectral data (MML) Measured yield Poor Good Good Poor In co-operation: FGI, Luke 8
Lannoituksen optimointi (NLS/MML) Objective: Opimizing nitrogen fertilization, weed and disease identification, future agriculture UAS hyperspectral camera In co-operation: VTT, Natural Resources Center Finland, University of Jyväskylä, companies Wheat crops in agricultural test area in Southern Finland Hyperspectral mosaic Fertilization task N NEED 5.35* Biomass 1000 0.442 Biomass Nitrogen * 1000 Kaivosoja, J., et. al., 2013. A case study of a precision fertilizer application task generation for wheat based on classified hyperspectral data from UAV combined with farm history data. SPIE Remote Sensing, 23-26 September 2013, Dresden, Germany. Honkavaara, E.; Saari, H.; Kaivosoja, J.; Pölönen, I.; Hakala, T.; Litkey, P.; Mäkynen, J.; Pesonen, L. Processing and Assessment of Spectrometric, Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture. Remote Sens. 2013, 5, 5006-5039. 9
Satellite data and UAV data layer integration (MML/NLS) Satellite data: Landsat (c) USGS/NASA
Landsat 8 satelliittikuvaesimerkki Pohjanmaa Siikajoki river ja Ruukki Uljua allas 11
NDVI kasvillisuusindeksi laskenta https://fi.wikipedia.org/wiki/ndvi https://en.wikipedia.org/wiki/normalized_difference_vegetation_index 12 15.12.2016
Opal Life tilat (Opal Life alueet 1 Jokioinen 2 Rannikko 3 Ruukki 4 P-Savo) 13 15.12.2016
Opal Life Inkoo alueen (ELY=01, KNRO= 710, Opal Life alue=2 Rannikko) tilat 14 15.12.2016
15
6. Pilvipalvelu demo (ArcGIS Online) Cloud Service Demo UAV/Drone lennokit Vihti 2016 ArcGIS Online (ESRI) demo URL : http://bit.ly/oqdipz account: hlaurila, pw: cgidemo1 Please use Chrome or Mozilla Firefox browser 16 Teppo Tutkija 15.12.2016
Kiitokset Thank you Presentation available from Slideshare link: http://www.slideshare.net/heikkilaurila1/luke-satagri-presentation- 20160524 http://www.slideshare.net/heikkilaurila1/documents Heikki Laurila Heikki.Laurila@luke.fi Heikki Laurila, (PhD., D.Sc.) Specialist in Satellite, Remote Sensing, GIS and Datawarehouse Systems E (private2): heikki.laurila@pp2.inet.fi Slideshare for CV and other docs: http://www.slideshare.net/heikkilaurila1/documents LinkedIn : https://www.linkedin.com/pub/heikki-laurila/26/799/413 17 Teppo Tutkija 15.12.2016
18 Teppo Tutkija 15.12.2016
Sisältö - Contents 1. Johdanto Intro 2. Maatalouden täsmäviljely Agricultural Precision Farming 3. EU/ESA Sentinel Constellation 4. Satomallinnus Crop production (yield and above ground modelling) with optical and SAR satellite data 5. UAV/Drone lennokit integrointi satelliittidatan kanssa 6. Pilvipalvelu demo (ArcGIS Online) Cloud Service Demo 19 Teppo Tutkija 15.12.2016
Satelliittikaukokartoituksen uudet mahdollisuudet maataloudessa New technologies and trends for Agricultural Remote Sensing *Enemmän satelliitteja, tiheämmin ja varmemmin dataa Ilmaiset, avoimet datat: ESA Sentinel (1-2), NASA Landsat 8 -> ilmaista dataa muutaman päivän välein, jos ei pilviä (teoriassa luvattu 1 x / viikko globaalisti) * Uudet satelliittianalyysiä tukevat insitumenetelmät, esim. UAS/miehitetyt lentokoneet kuvaus (multispektraali-kamerat), sensoriverkot Paremmat algoritmit ja menetelmät, Pilvipalvelut Uudet informaatiopalvelut, esim. * EU/MARS (Monitoring Agriculture by Remote Sensing) EU laajuinen sadontuotannon estimointi ohjelma, * Ruotsalaisten CropSAT-palvelu tuottaa multitempo-raalisia biomassakarttoja, sekä lohkokohtaisia lannoituskarttoja koneluettavassa muodossa * Digitalisaatio Mm. ennusteet, määrä/biomassa, typpitase, terveys, rikkakasvit, kosteus, tuhohyönteiset
1120 Kevätvehnä (Vuosi 2015) Opal Life alue (1 Jokioinen 2 Rannikko 3 Ruukki 4 P-Savo, Kuva 1. ja 2.) kg/ha (keskiarvo 15 % kost.) Korjuuala* (1 000 ha) Sato (milj. kg) 1. Luke viralliset keskisatotilastot 2015 (http://statdb.luke.fi) Koko maa keskiarvo 3930.0 199.4 783.3 2. Non-potentiaalisen satotason arviointi OPAL-Life alueiden viljelyolosuhteissa, kasvuolosuhteet rajoittavat satotasoa 2.1 NDVI kasvillisuusindeksi laskenta (Landsat satelliittikuvat 2015, Laurila et al. 2016) Non-potentiaalinen NDVI laskettu keski-sato peruslohkoilla 2015 (Opal Life alueet (1-4 ), Landsat 8 data 1 Jokioinen 2 Rannikko 3 Ruukki 4 Pohjois-Savo 3258.4 Non-potentiaalinen NDVI laskettu keski-sato peruslohkoilla Inkoo 2015, Landsat 8 data 2 Rannikko, Inkoo (Kuva 2) 3490.4 Maanpäällinen estimoitu biomassa-sato (ml. Olkisato, käytetty HI-arvo 0.401, Peltonen-Sainio et al. 2007) 1 Jokioinen 2 Rannikko 3 Ruukki 4 Pohjois-Savo 8125.6 2.2 Tilastomatemaattinen malli 1 (Jauhiainen, 2016) Luke alueellinen non-potentiaalinen keskisato 2015 1 Jokioinen 2 Rannikko 3 Ruukki 4 Pohjois-Savo 3423.0 2 Rannikko, Inkoo 3780.0 3. Potentiaalinen maksimaalinen 95 % sato-taso, optimaaliset kasvu-olosuhteet (kg/ha) Tilastomatemaattinen malli 1 (Jauhiainen 2016) Luke 95 % alueellinen potentiaalinen keskisato 2015 1 Jokioinen 2 Rannikko 3 Ruukki 4 Pohjois-Savo 5590.7 2 Rannikko, Inkoo 5727.6 4. Satokuilun (Yield gap) estimointi (Potentiaalinen sato - Non-potentiaalienen sato, kg/ha, Peltonen-Sainio et al. 2016) 1 Jokioinen 2 Ranniko 3 Ruukki 4 Pohjois-Savo (Kuva 1) 2332.3 2 Rannikko, Inkoo (Kuva 2) 2237.2 21 15.12.2016
22 15.12.2016
23 15.12.2016
Rationale of new Remote Sensing Technologies 1. Rationale - ESA (European Space Agency, e.g. new Sentinel satellite constellation) and NASA (e.g. Landsat 8) are releasing their optical and SAR/Microwave satellite data for free commercial and research use, opening new research opportunities also for agricultural research and crop monitoring 2. Integration of GIS Location Intelligence & Analytics with optical and SAR microwave satellite and UAV/drone data and 3. SatNav (Satellite Navigation, e.g. GPS, EU/Galileo, BeiDou/China, GLONAS/Russia ) application development with global coverage. 24 Teppo Tutkija 15.12.2016
2. Maatalouden täsmäviljelyn globaalit trendit Trends in Global Agricultural Precision Farming Currently Annual Yield Estimatesf for global production crops (USA/USDA, Canada, EU/MARS program) using satellite data and crop modeling Major crops: Wheat, Soybean, Maize, Canola & oil crops Commercial operators (Reuters & Lanworth) are competing with USDA for the accuracy of annual crop production estimates using satellite and remote sensing technologies Yield estimates affect on US agricultural commodity stock market prices and global trade 25 Teppo Tutkija 15.12.2016
Precision Agriculture concepts (National Geography July 2014, USDA) www.natgeofood.com www.nationalgeographic.com/foodbynumbers
Precision Agriculture concepts (National Geography July 2014, USDA)
Remote sensing application potential (MML/NLS) Coverage Smal l UAS Terrestrial Low Airborne Hig h Flexibility Satellite Larg e
EO/satellite data comparison, resolution vs. price (Landsat 8, Sentinel 1-2 free data, MML/NLS)
Resolution comparison between commercial operators (MML/NLS) Landsat-8 WorldView-2 RapidEye Aerial image (GSD=50cm) Satellite data: Landsat (c) USGS/NASA, Rapideye (c) Blackbridge, WorldView (c) DigitalGlobe. Aerial image (c) NLS Finland
Optisten satelliittidatojen hintoja (2015, MML/NLS) Prices, Sentinel 1-2 (ESA) and Landsat 8 (Nasa) free
3. EU/ESA Sentinel Constellation Overview Sentinel 1-6 Sentinel 1 SAR microwave satellite Sentinel 2 optical satellite Free data Finnish FinHub data center in Sodankylä Observatory (FMI/IL) 32 Teppo Tutkija 15.12.2016
Sentinel constellation http://www.esa.int/our_activities/observing_the_earth/copernicus/overview4 33 15.12.2016
MAVI Peltolohkorekisteri (EU IACS CAP järjestelmä) www.mavi.fi http://www.paikkatietoikkuna.fi/web/fi/peltolohkorekisteri Esim. Jokioinen, Forssa peltolohkot 34 15.12.2016
Suomen Sentinel data keskus (FinHub) New Sentinel data center in Sodankylä Observatory (Lync 877022@video.sonera.fi (ISDN) 358206376522,PIN-koodi 168791#) Ilmatieteen laitos: Sodankylän observatorio, kansallinen Sentinel datan jakelija FinHub Sentinel-satelliittidatat kansalliseen käyttöön helposti, nopeasti ja luotettavasti seminaar (SYKE IL) Sodankylän Observatorio (IL), Sentinel datan jakelukeskus OHJELMA Sentinel-satelliittidatat kansalliseen käyttöön helposti, nopeasti ja luotettavasti - seminaari (National Satellite Data Centre s services in Finland -seminar) 24.5.2016 12:00 16:00 Location: Finnish Environment Institute, Mechelininkatu 34a, Helsinki 12.00 14.00 SESSION 1 (Chair Yrjö Sucksdorff, SYKE) Copernicus programme, possibilities for research and operative actions in Finland, Erja Ämmälahti, Tekes Copernicus Sentinel (+TPM) services by European Space Agency, Gordon Campbell, ESA Sentinel Collaborative Ground Segment of Finland, Jyri Heilimo, FMI National Satellite Data Centre (NSDC) and it s services now and in the future, Timo Ryyppö, FMI Calvalus processing at NSDC (CalFin), Mikko Kervinen, SYKE 14.20 15.20 SESSION 2 (Chair Saku Anttila, SYKE) Examples on Sentinel data applications in Finland, possibilities, plans and how NSDC will be utilized 15.20 16.00 SESSIO 3, in Finnish (Pj. Timo Ryyppö, IL) Kansallisen satelliittidatakeskuksen hyödyntäminen FinHub, GRAND OPENING
4 Satomallinnus Crop production modeling (yield and above ground modelling) with optical and SAR satellite data Integroidut datalähteet: MAVI peltolohkorekisteri (EU/IACS tukijärjestelmä), Satelliitti- ja UAV data Maanpäällinen biomassasato Non-potentiaalinen satotaso Sadon laatutekijät 36 Teppo Tutkija 15.12.2016
Data lähteiden integrointi Data source integration MAVI peltolohkorekisteri MAVI Peltolohkorekisteri (perus- ja kasvulohkot): n. 1.2 milj. digitoitua peruslohkoa. Informaatiossa myös lohkojen viljelykierto sekä kasvilaji, tällöin ei tarvita perinteistä peltolohkojen ohjattua tai ohjaamatonta luokitusta (supervised/unsupervised classification) ja kasvilajien identifiointia. Satelliittidata (ilmainen) Sentinel ESA/EU Copernicus ohjelma http://www.esa.int/our_activities/observing_the_earth/copernicus/overview4 Sentinel 1 (SAR, kuvaus myös pilvisellä säällä)ja 2 optinen data, Muut Landsat 8, Modis (Nasa), Proba/Spot sekä vastaavat kaupalliset, maksulliset datat Satelliittidatan käyttömahdollisuudet maataloustuotannossa Satelliittidatan integrointi UAV lennokeilla saatavaan videokuva ja multispektraali dataan, esim. erillisinä GIS layereinä samasta kohteesta peltolohkolla. Eri tuotantokasvien Spektraaliset profiilit (optinen reflektanssi ja SAR Backscattering signal) eri fenoloogisissa kehitysvaiheissa vegetatiivisessa ja generatiivisessa kehitysvaiheissa. Kasvillisuusindeksien hyödyntäminen (NDVI, GEMI, FaPAR) Satelliittidatan kasvillisuusindeksien (mm. Vegetation idices,ndvi GEMI FaPAR ) hyödyntäminen biomassa ja satotasojen estimoinnissa.
Sato-estimointi ja mallinnus (viljat,nurmet, öljykasvit ja muut tuotantokasvit) hyödyntäen satelliitti data integrointia - Yield prediction on large areas and on field parcel level Maanpäällinen biomassasato (nurmi, säilörehu 1-3 leikkuukerrat) HI Harvest Index Non-potentiaalinen sato (kg/ha, kasvukauden aikaiset stressitekijät mukana) Ohjattu ja ohjaamaton luokittelu Phenolooginen luokittelu satelliitti-datalle kasvukauden aikana Integraatio Peltolohkorekisteri (MAVI) kanssa (perus- ja kasvulohkot) Sadon laatutekijät (yhdistettynä kenttä- ja laboratorio mittauksiiin) Laatutekijät (klorofylli, lehtivihreä, N-pitoisuus, lannoitustarve, muut laatutekijät, kasvitautien toteaminen ja ruiskutukset) Viljojen laatutekijät Öljykasvit Nurmet Syys- ja kevätviljat Päämaalajien huomioiminen (savet, hiekat, orgaaniset maat) SAR Sentinel 1 Kastelutarpeen ja kuivuus stressin arvioiminen Kastelutarpeen huomioiminen kasvukauden aikana (kylvö sadonkorjuu)
Satomallinnus esimerkkejä Crop production (yield and above ground modelling) with optical and SAR satellite data Estimoitu non-potentiaalinen (rajoitettu, kuivuus, kasvitaudit, lannoitus) satotaso Yield gap - satokuilu estimointi (non-potentiaalinen sato vs. potentiaalinen alueellinen satotaso, 95 % satotaso maksimista kullakin vuositasolla), EU OPAL Life ohjelma. Mallinnus esimerkkejä Satelliittidatan integrointi dynaamisiin kasvumalleihin LAI:n kehittymisen kautta (LAI-bridge, LAI estimoidaan satelliitti-datasta) NDVI (lähi-infra ja punakanava suhde) ja FAPAR (PAR alue 400-700 nm) estimoinnin käyttö https://en.wikipedia.org/wiki/normalized_difference_vegetation_index Kasvukauden aikainen fenologinen luokittelu satelliitti datalle hyödyntäen BBCH, Feekes ja Zadoks numeerista luokittelua eri tuotantokasveille https://en.wikipedia.org/wiki/cereal_growth_staging_scales#zadoks_scale 39 15.12.2016
Example of Integration of Landsat 8 image and Peltolohkorekisteri in Ruukki Area (Luke) Bothnia (Pohjanmaa) in 2014 40 15.12.2016
5. UAV/Drone lennokit integrointi satelliittidatan kanssa Integration of UAV and satellite data Esimerkit MML/NLS & Luke/Vakola 41 Teppo Tutkija 15.12.2016
Satelliittidatan ja insitu datan yhdistäminen Vihti 2014 (MML, NLS) UAS kuvankeruu 16.4.2014 Landsat kuva 20.4.2014 Satellite data: Landsat (c) USGS/NASA n. 60 ha
Satellite data and UAV data layer integration (MML/NLS) Satellite data: Landsat (c) USGS/NASA
Analysis based on spectral data (MML) Measured yield Poor Good Good Poor In co-operation: FGI, Luke 44
Lannoituksen optimointi (NLS/MML) Objective: Opimizing nitrogen fertilization, weed and disease identification, future agriculture UAS hyperspectral camera In co-operation: VTT, Natural Resources Center Finland, University of Jyväskylä, companies Wheat crops in agricultural test area in Southern Finland Hyperspectral mosaic Fertilization task N NEED 5.35* Biomass 1000 0.442 Biomass Nitrogen * 1000 Kaivosoja, J., et. al., 2013. A case study of a precision fertilizer application task generation for wheat based on classified hyperspectral data from UAV combined with farm history data. SPIE Remote Sensing, 23-26 September 2013, Dresden, Germany. Honkavaara, E.; Saari, H.; Kaivosoja, J.; Pölönen, I.; Hakala, T.; Litkey, P.; Mäkynen, J.; Pesonen, L. Processing and Assessment of Spectrometric, Stereoscopic Imagery Collected Using a Lightweight UAV Spectral Camera for Precision Agriculture. Remote Sens. 2013, 5, 5006-5039. 45
Satellite data and UAV data layer integration (MML/NLS) Satellite data: Landsat (c) USGS/NASA
6. Pilvipalvelu demo (ArcGIS Online) Cloud Service Demo ArcGIS Online (ESRI) demo URL : http://bit.ly/oqdipz account: hlaurila, pw: cgidemo1 Please use Chrome or Mozilla Firefox browser 47 Teppo Tutkija 15.12.2016
Demo Siikajoki river valley and catchment area (Bothnia) Pilvipalvelun proto Esimerkissä yksi Siikajokilaakson tila (Ruukki) peruslohkoineen, arvioitu lohkojen kevätviljojen satotasoa (yb, kg/ha) yhdistettynä Landsat 8 NDVI ja reflektanssi dataan. Pilot and Prototype Demo using ArcGIS Online cloud service is available at http://bit.ly/oqdipz, account: hlaurila password: cgidemo1
5. Pilvipalvelu demo (ArcGIS Online) Cloud Service Demo - Yleiskuva Pohjois-Pohjanmaa
Landsat 8 image overlayed in Bothnia 2013 (Example Siikajoki river catchment area and Ruukki flooding area & Uljua reservoir) 50
Siikajoki valuma-alue lähellä jokisuuta ja Pohjanlahtea
Siikajoki river basin and catchment area near Ruukki with frequent flooding with Vuolunoja creek estuary (2-10 m) and inlet (1) and Vuolunoja creek waterways (2-3), soil mixture silt and fine sand (2, Hs+Hht, Eutric Regosol) near Ruukki town in Northern Bothnia (Pohjois- Pohjanmaa ELY-keskus)
Siikajoki - Example on field parcel level with heavy yield loss due to drought in 2013 in Bothnia (Aerial photoimage, Siikajoki river, hikeviä hietamaita) Grandfather s farm 53 Our summer cottage
Tila Ruukki Siikajokilaakso - Lohkotaso tilalla (peruslohko), Lohkotason viljan laskennallinen satoestimaatti (yb, kg/ha), Landsat data
55 15.12.2016
Kiitokset Thank you Presentation available from Slideshare link: http://www.slideshare.net/heikkilaurila1/luke-satagri-presentation-20160524 http://www.slideshare.net/heikkilaurila1/documents Heikki Laurila Heikki.Laurila@luke.fi Heikki Laurila, (PhD., D.Sc.) Specialist in Satellite, Remote Sensing, GIS and Datawarehouse Systems E (private2): heikki.laurila@pp2.inet.fi Slideshare for CV and other docs: http://www.slideshare.net/heikkilaurila1/documents LinkedIn : https://www.linkedin.com/pub/heikki-laurila/26/799/413 56 Teppo Tutkija 15.12.2016