Viljelykasvien tunnistaminen Sentinel-kuvilta Suomessa

Teksti: Joona Laine

Maataloustukia valvotaan tulevaisuudessa automaattisesti satelliittikuvien avulla. Se säästää vaivaa myös viljelijöiltä.

Kuvituskuvassa ruohikkoa.

EU:n jäsenmaiden on valvottava yhteisen maatalouspolitiikan mukaisten maataloustukien hakemuksia, ja sitä on tähän mennessä suoritettu viiden prosentin otantatarkastuksilla. Tämä on kallista ja huomattava hallinnollinen taakka, joka myös hidastaa tukien maksamista.

Euroopan komissio onkin esittänyt, että jatkossa esimerkiksi viljelykasvit voitaisiin tunnistaa kaukokartoitus- tai ortokuvien avulla. Euroopan avaruusjärjestön Copernicus-satelliittiohjelman Sentinel-satelliittien avulla jäsenmailla olisi ilmaiseksi käytössä ajallisesti tiheää kaukokartoitusaineistoa, josta tehtävä automaattinen viljelykasvien tunnistaminen vähentäisi valvonnan kustannuksia huomattavasti. Myös viljelijöiden taakka kevenisi, kun valvontakäyntejä tehtäisiin nykyistä vähemmän.

Touko-syyskuun kuvat parhaita

Diplomityössäni “Crop identifcation with Sentinel-2 satellite imagery in Finland” tutkin mahdollisuutta viljelykasvien tunnistamiseen Suomen pilvisellä vuoden 2017 kasvukaudella. Tunnistamiseen käytin peltolohkojen paikkatietoa, Sentinel-2 -satelliittikuvia ja koneoppimista hyödyntäviä luokittelualgoritmeja. Diplomityö liittyi projektiin, joka toteutettiin yhteistyössä Spatineon ja Ruokaviraston, silloisen Maaseutuviraston, kanssa.

Lähtöaineistoksi Ruokavirasto tarjosi maataloustukien valvontaan käytetyn LPIS-järjestelmän paikkatietoaineistoa, joka sisälsi viljelijöiden ilmoittamien peltolohkojen geometriat ja ilmoitetun kasvin koko Suomen alueelta, sekä valvottujen peltolohkojen tarkistetut geometriat ja tunnistetun kasvin. Valvottuja lohkoja käytettiin pääasiassa luokittelumallien opettamiseen ja menetelmien hiomiseen, kun taas viljelijöiden ilmoittamia lohkoja käytettiin mallien testaamiseen. Tutkimukseen valittiin 10 kasviryhmää karsimalla ja yhdistelemällä eri viljelykasveja ryhmiin.

Eri viljelykasvien tunnistamistarkkuuden parantamiseksi luokittelussa käytettiin kuvia koko kasvukauden ajalta. Pilvisen kasvukauden vuoksi yhtä lohkoa kohti ei välttämättä ollut saatavilla kovin montaa pilvetöntä tai lähes pilvetöntä kuvaa. Osalle lohkoista pilvettömiä kuvia ei ollut lainkaan. Tämän vuoksi tutkimuksessa päädyttiin käyttämään mahdollisimman paljon kuvia ja suodattamaan mahdollisimman monesta kuvasta selkeitä pikseleitä lohkojen alueilta pilvi-, lumi- ja pilvivarjomaskeja hyödyntäen.

Koko toukokuusta lokakuun loppuun kestäneen termisen kasvukauden sijaan tutkimuksessa havaittiin optimaalisimmaksi aikaväliksi toukokuun ja syyskuun alun välinen aika. Tuolla aikavälillä eri kasviryhmien kesken oli eniten tunnistusta helpottavia eroavaisuuksia. Koska jokaiselle lohkolle oli oma määränsä sopivia kuvia, interpoloitiin jokaisen lohkon kuvien reflektanssiarvot vastaamaan 16:a tasavälin otettua kuvaa. Lopulta lohkojen geometrioiden ja kuvien selkeiden pikseleiden avulla luokittelualgoritmeille muodostettiin sopivia lähtöaineistoja useiden esikäsittelyvaiheiden jälkeen.

Tutkimuksessa käytettiin lukuisia eri luokittelualgoritmeja. Parhaiten tunnistusprosessista selvisivät neuroverkkoja hyödyntävät Multilayer Perceptron (MLP) ja Convolutional Recurrent Neural Network (ConvRNN) sekä lukuisissa kaukokartoitussovelluksissakin hyvin pärjännyt perinteisempi Support Vector Machine (SVM). Kaikista menetelmän testaamisessa mukana olleista lohkoista MLP ja SVM onnistuivat tunnistamaan 89 prosenttia viljelijöiden ilmoitusten mukaisiksi.

Kuvituskuva tunnistusprosessista.
Yksinkertaistettu versio diplomityössä kehitetystä tunnistusprosessista. Kuva: Joona Laine.
Kuvituskuva tutkimusalueesta.
Tutkimuksessa käytettiin kaikkia Suomen peltoja. Vasemmanpuoleisessa kuvassa näkyvät Sentinel-2 -tiilien rajat. Keskimmäinen ja oikeanpuoleinen kuva kuvaavat ConvRNN-algoritmin kuvatiilen jakamista opetus- ja testausaineistoiksi. Kuva: Joona Laine.

 

Ruohot ja viljat dominoivat

Diplomityön jälkeisen jatkokehityksen aikana vuoden 2018 aineiston avulla päästiin kahden mallin yhdistelmällä jopa 93 prosentin luokittelutarkkuuteen. Tarkkuudet eivät kuitenkaan olleet tasaisia kasviryhmien välillä. Kaksi suurinta ryhmää (ruohot ja viljat) luokittuivat muita paremmin. Eri kasviryhmien määrällinen epätasapaino havaittiinkin yhdeksi suurimmista haasteista luokittelumallien optimoimisessa ja viljelykasvien tunnistamisessa.

Tutkimuksen perusteella viljelykasveja on mahdollista tunnistaa satelliittikuvien ja koneoppimisen avulla. Euroopan komission mukaan automaattisen tunnistusmenetelmän tarkkuuden olisi oltava yli 95 prosenttia, jotta automaattinen valvonta olisi tehokas vaihtoehto nykyään tehtäville otantaan perustuville tarkastuksille. Diplomityössä tunnistamisissa ei käytetty kaikkia kasvilajeja ja aivan komission asettamaan tarkkuuteen ei vielä päästy, mutta jatkokehityksellä raja on mahdollista saavuttaa.

Miten erottaa ruokaperuna tärkkelysperunasta?

Valvontaprosessin automatisoiminen vaatii muutoksia myös tukikasvien ryhmittelyissä, sillä tarkinkaan automaattinen tunnistusmenetelmä ei todennäköisesti osaa erottaa keskenään biologisesti samanlaisia mutta nykyisellä järjestelmällä eri tukiryhmiin kuuluvia kasveja, kuten ruokaperuna ja tärkkelysperuna. Jatkossa yksittäisten kasvien tunnistamisesta pitäisi luopua.  

Ruokaviraston ja Spatineon projekti viljelykasvien tunnistamisesta jatkui kaudelta 2018, ja Ruokavirasto hyödyntää sen kokemuksia seuraavissa projekteissa.

Viljelykasvien tunnistaminen on vain yksi osa-alue maataloustukien valvontaprosessista, joten koko prosessin automatisointiin on vielä matkaa. Kaukokartoitusaineistoilla ja koneoppimisella voi olla suuri rooli muidenkin osa-alueiden, kuten pinta-alan tarkastamisen ja viljelytoimenpiteiden tunnistamisen, parissa.

 

Joona Laine työskentelee Spatineo Oy:ssä GIS-konsulttina. Spatineo auttaa organisaatioita optimoimaan paikkatietoinfrastruktuuriin kohdistuvat investoinnit ja osoittamaan paikkatietojen ja paikkatietopalveluiden arvon. Sähköposti: etunimi.sukunimi@spatineo.com.

 

Artikkelin pdf-versio >>

Positio 1/2019 sisällysluettelo >>