Tekoälypohjaiset kasvustoanalyysit dronekuvista

Uudet koneoppimismenetelmät mahdollistavat kasvuston piirteiden automaattisen tunnistamisen dronekuvista kattavasti koko peltolohkon alueelta. Menetelmät soveltuvat monenlaisiin kasvustoanalyyseihin. Tällä sivulla esitellään esimerkkinä puna-apilan kukinnan arviointi siementuotannon tueksi.

Kasvustojen ominaisuuksia, kuten kukintaa, kasvustotiheyttä, lajikoostumusta tai tuholaisten esiintymistä, arvioidaan perinteisesti silmämääräisesti tai pieniltä näytealoilta. Tämä on työlästä eikä riitä kattamaan lohkojen sisäistä vaihtelua.

Dronekuvien ja koneoppimisen yhdistelmä mahdollistaa koko lohkon kattavan automaattisen analyysin. Menetelmä on yleiskäyttöinen: koulutusaineistoa vaihtamalla se voidaan sovittaa eri kasvilajeihin ja tunnistettaviin piirteisiin.

Tällä sivulla esiteltävä sovelluskohde on puna-apilan kukinnan arviointi. Puna-apila on keskeinen typensitojakasvi, joka vähentää tarvetta mineraalityppilannoitukselle. Sen laajemman viljelyn yhtenä haasteena on siementuotannon rajallisuus, sillä pohjoisiin oloihin sopeutuneista lajikkeista ei tuoteta riittävästi siementä kotimaassa.

Siemensato riippuu kukinnan onnistumisesta. Kukinnan voimakkuus vaihtelee lohkon sisällä merkittävästi, mutta perinteisin menetelmin vaihtelua on vaikea arvioida kattavasti. Kun kukinnan määrä ja alueellinen vaihtelu tunnetaan, voidaan sadon epäonnistuessa arvioida, johtuiko heikko tulos vähäisestä kukinnasta vai muista tekijöistä, kuten puutteellisesta pölytyksestä, ja kohdistaa tarvittavat toimenpiteet oikein.

Menetelmä koostuu kolmesta vaiheesta: dronekuvauksesta, tekoälypohjaisesta kuva-analyysistä ja tuloskartan tuottamisesta.

Dronekuvaus. Lohko kuvataan RGB-kameralla suoraan alaspäin niin, että yhden pikselin koko maastossa on 1–2 mm. Suositeltava kuvaustiheys on vähintään noin 30 kuvaa hehtaarilta. Lentoajaksi muodostuu noin 3 min/ha. Erikoiskameraa ei tarvita, vaan tavallinen kaupallisen dronen kamera riittää.

Kuva-analyysi. Kuvat syötetään koneoppimismalliin, joka tunnistaa kohdekasvin piirteet. Puna-apilasovelluksessa malli tunnistaa kukat ja tuottaa jokaisesta kuvasta kukintojen lukumäärän ja peittävyyden prosentteina.

Puna-apilan kukintaan liittyvässä esimerkissämme mallin koulutuksessa hyödynnettiin RootPainter-ohjelmistoa, jossa käyttäjä ja tekoäly työskentelevät vuorovaikutteisesti: käyttäjä merkitsee esimerkkejä ja malli oppii niistä iteratiivisesti. Tunnistettavista kohteista ja tarkkuusvaatimuksista riippuen voidaan hyödyntää myös yleiskäyttöisiä tunnistusmalleja, kuten YOLO-World, jotka eivät vaadi erillistä koulutusaineiston keräämistä vaan tunnistavat kohteita tekstikuvauksen perusteella.

Tuloskartta. Yksittäiset dronekuvat eivät kata koko lohkon pinta-alaa, vaan toimivat näytteinä tietyistä pisteistä. Tämä on tietoinen valinta: kuvaamalla tasaisesti jakautuneita näytepisteitä koko lohkon kattava lennätys ja analyysi pysyy nopeana.

Koska kuvat sisältävät paikkatiedon, jokaisen näytepisteen analyysitulos voidaan sijoittaa kartalle. Näytepisteiden välille lasketaan arvot interpoloimalla, jolloin syntyy koko lohkon kattava kartta tunnistetun piirteen alueellisesta vaihtelusta. Kartan tueksi lasketaan tunnuslukuja kuten keskiarvo ja vaihteluväli.

Esimerkissä kuvattiin yli 3 hehtaarin puna-apilalohko heinäkuussa 2024 DJI H20T -kameralla 60 metrin korkeudelta. Yhteensä 110 kuvaa kerättiin 11 minuutin lennon aikana.

Tekoälymalli segmentoi kukat automaattisesti. Kukkien tiheys vaihteli lohkolla välillä 20–85 kukkaa per neliömetri. Kukinta oli voimakkainta kaakkoiskulmassa ja heikointa luoteiskulmassa.

Tämänkaltainen lohkon sisäinen vaihtelu jäisi perinteisessä silmämääräisessä arvioinnissa helposti havaitsematta.

Siementuottajille ja tutkijoille menetelmä tarjoaa objektiivisen työkalun kukinnan seurantaan ja sadon onnistumista selittävien tekijöiden arviointiin. Jalostukselle menetelmällä voidaan tuottaa kvantitatiivista aineistoa lajikkeiden kukintaeroista. Dronekuvauksilla koko lohkon vaihtelu saadaan tallennettua kustannustehokkaasti.

Menetelmää laajennetaan ja sovelletaan useille kohteille:

• Kukintatunnistuksen laajentaminen muihin kasveihin (esim. mailaset)
• Kasvilajikoostumuksen arviointi (kasvilajien tunnistus ja osuuksien arviointi)
• Mallin keventäminen maastokäyttöön
• Kukintatiedon yhdistäminen muuhun havaintodataan, kuten biomassaan ja typpipitoisuuteen sekä pölyttäjähavaintoihin.

Menetelmä on kehitetty ”Fiksu typpikierto karjatalouden kustannustehokkuuden, kilpailukyvyn ja toimintaedellytysten vahvistajana” (N-Fiksu) -hankkeessa ja sitä jatkokehitetään ”Nautakarjatalouden huoltovarmuuden, resilienssin ja ilmastoviisauden vahvistaminen” (Nero) -hankkeessa yhteistyössä Maanmittauslaitoksen Paikkatietokeskuksen FGI:n, Luonnonvarakeskus Luken ja Savonian kanssa.

Roope Näsi (vanhempi tutkija, MML Paikkatietokeskus, 029 531 4860, roope.nasi@maanmittauslaitos.fi)