Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit Heikki Jyväskylän yliopisto 8.3.2011
Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit 1 Johdanto ja motivointi Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit 2 Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot 3 Spektrikuvamosaiikin käsittely Kohdeattribuuttien suhde piirteisiin Rajapinnat ja ohjelmointi Hyperspektrikuvien luokittelu Yhteenveto metsäsovelluksen osalta 4 n tilanne Lähteitä
Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit Lannoituksen optimointi ja pulmat: Kuinka maksimoida lannoitus rehevöittämättä vesistöjä? Kuinka maksimoida kasvin typpipitoisuus turvottamatta kasvia liiaksi?
Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit Metsän inventointi: Inventointi ilmakuvasta vaatii vähintään helikopterin, lentokoneen tai satelliitin. Inventointi laserkeilaamalla on hidasta käsityötä, jonka suorittaa ammattilainen.
Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit Lisää kiinnostuksen kohteita: Rikkakasvit - kuten juolavehnä - lannoittuvat pelloilla myös. Kasvitaudit metsässä ja pelloilla todettava silmin ja käsin.
Maatalouden tarpeet Metsätalouden tarpeet Kasvitaudit ja rikkataudit On siis tarvetta: Spektrikuville kasvitaudit ja lajin erottaminen vaativat tiettyjä aallonpituuksia Korkeustiedolle/3D-mallille maastosta biomassan ja puumäärän laskeminen edellyttää muutakin kuin värejä
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Maavoimien esikunta, Puolutusvoimien teknillinen tutkimuslaitos, Tornator Oy, Millog Oy, Suonentieto Oy, Metsähallitus, Pieneering Ltd, Tmi Jouko Kleemola, Optec factory, Jyväskylän Yliopisto, VTT, Metla, MTT, JAMK, HÄMK
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Maanomistaja tilaa tietoja maastosta: biomassan jakautuminen pellolla, automaattinen lannoitussuunnitelma metsän inventointi
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Kevytlentokoneoperaattori ilmakuvaa maaston VTT:n kevyellä spektrikameralla: VTT:n laitteistolla useita 5 Mpix RGB + matalan resoluution spektrikanavakuvia samasta paikasta Korkeustiedon saamiseksi kukin kohta kuvattava ainakin kahdesta suunnasta Halutun spektrikanavamäärän saaminen voi edellyttää monia peräkkäisiä kuvia lentokone liikkuu ja heiluu koko ajan
Johdanto ja motivointi Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Spektrikuvien yhdistäminen kuvamosaiikiksi, korkeusarvojen laskeminen Lentokorkeudesta ja kameran asetuksista riippuen ilmakuvista voi laskea korkeusmallin 5-25 cm tarkkuudella
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Haluttujen arvojen laskeminen spekrikuvamosaiikista ja korkeusdatasta, useita eri menetelmiä käyttäen Vanhoja ja uusia menetelmiä implementaatiot joko löydyttävä tai kehitettävä Opetusaineistojen hyödyntäminen luokittelussa Oleellista Metlan, MTT ja Tmi Jouko Kleemolan asiantuntemus tarvittavista menetelmistä Sovelluskehitysalusta: Linux / Haskell & C
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Suonentieto Kartta-alueiden ja prosessoidun yhdistäminen, tulosten koostaminen asiakkaan päätteelle nähtäväksi Karttapistekohtaista tulostietoa useaa: korkeus, kasvityypppi, biomassa/puumäärä, juolavehnä,... Kysyttyyn kysymykseen vastaaminen luokittelun pohjalta, esim. biomassa (kg) valitulla alueella Lannoitussuunnitelman esittäminen MTT:n algoritmeilla
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Oltava tunnettu pelto, jotta menetelmän tarkkuutta osataan arvioida ja parantaa MTT:n pelto n. 20 ha Vihdissä Edustava otos viljalyhteitä poimitaan ja punnitaan käsin: biomassa, typpipitoisuus Myöhemmin tieto mahdollisista kasvitaudeista Ilmakuvataan kesällä 2011
Hankkeen jäsenet UAV-ilmakuvaus Datan käsittely Tulosten esittäminen Opetusaineistot Oltava tunnettu metsä, jotta menetelmän tarkkuutta osataan arvioida ja parantaa Hämeen ammattikorkeakoulun opetusmetsä EVOlla: kattava otos suomalaista metsää Ilmakuvataan 600 hehtaaria, jotka kartoitettu jo aiemmin laserkeilaamalla Ilmakuvataan kesällä 2011 600 ha maaresoluutiolla 25cm ja usealla spektrikanavalla: datamäärä valtava
Spektrikuvamosaiikin käsittely Kohdeattribuuttien suhde piirteisiin Rajapinnat ja ohjelmointi Hyperspektrikuvien luokittelu Yhteenveto metsäsovelluksen osalta Piirteiden laskeminen kuvamosaiikista ja korkeusdatasta (engl. feature extraction) Erilaiset tekstuurin piirteet (esim. Haralick) Korkeusmallin ominaisuuden jne.
Spektrikuvamosaiikin käsittely Kohdeattribuuttien suhde piirteisiin Rajapinnat ja ohjelmointi Hyperspektrikuvien luokittelu Yhteenveto metsäsovelluksen osalta Piirteiden korrelaation kohdeattribuutteihin laskeminen piirretietokannan muodostus Selvitettävä, mistä piirteistä ja miten kohdeattribuutit riippuvat Tutkittava ja valittava menetelmät
Spektrikuvamosaiikin käsittely Kohdeattribuuttien suhde piirteisiin Rajapinnat ja ohjelmointi Hyperspektrikuvien luokittelu Yhteenveto metsäsovelluksen osalta Haasteet ohjelmoinnissa: Käytössä rasterimuotoinen spektrikuva- ja korkeusdata (ENVI) Käytössä vektorimuotoinen kohdeformaatti lasketuille arvoille (ESRI Shapele) Suuri datamäärä kompromisseja ja optimointia kehittäessä
Spektrikuvamosaiikin käsittely Kohdeattribuuttien suhde piirteisiin Rajapinnat ja ohjelmointi Hyperspektrikuvien luokittelu Yhteenveto metsäsovelluksen osalta Klorofyllin määrien tunnistaminen spektridatasta Kasvitautien tunnistaminen spektristä
Spektrikuvamosaiikin käsittely Kohdeattribuuttien suhde piirteisiin Rajapinnat ja ohjelmointi Hyperspektrikuvien luokittelu Yhteenveto metsäsovelluksen osalta
n tilanne Lähteitä Työnimi: uasi-hankkeesta Tutkimuskysymys vielä auki selvitettävänä ensin mm. valmiit komponentit menetelmät Kaikkea ei voine(?) kuvata gradussa. Tavoitteena on tehdä kevyenä virastotyönä implementaatio ja yhdistelmä olemassaolevista menetelmistä. Koska näin ei varmasti käy, lähtökohtana on tehdä gradu siitä, missä tulee vastaan eniten kehitettävää, kenties yhdistettynä jotenkin funktio-ohjelmointiin.
n tilanne Lähteitä V. Heikkinen, T. Tokola, J. Parkkinen, I. Korpela, T. Jaaskelainen, Simulated Multispectral Imagery for Tree Species Classication Using Support Vector Machines. IEEE Transactions on Geoscience and Remote Sensing 48 (3) p. 1355-1364, 2010. D. G. Stavrakoudis, J. B. Theocharis, G. C. Zalidis, A multistage genetic fuzzy classier for land cover classication from satellite imagery. Soft Computing p. 1-20-20 2010. B. Jähne, H. Hauÿecker, Computer vision and applications. Academic Press, 2000. J. C. Burges, A Tutorial on Support Vector Machines for Pattern Recognition. 1998. S. B. Kotsiantis, I. D. Zaharakis, P. E. Pintelas, Machine learning: a review of classication and combining techniques. Articial Intelligence Review 26 (3) p. 159-190, 2007. M.A. Lee, S. Prasad, L.M. Bruce, T.R. West, D. Reynolds, T. Irby, H. Kalluri, Sensitivity of hyperspectral classication algorithms to training sample size. IEEE p. 1-4, 2009.