Paikkatietojen hyödyntämismahdollisuudet ja kehitysnäkymät Eija Honkavaara
•
1 like•264 views
MMM Luonnonvara- ja biotalouspäivät 2017
Recommended
More Related Content
Similar to Paikkatietojen hyödyntämismahdollisuudet ja kehitysnäkymät Eija Honkavaara
Similar to Paikkatietojen hyödyntämismahdollisuudet ja kehitysnäkymät Eija Honkavaara (6)
More from Maa- ja metsätalousministeriö
More from Maa- ja metsätalousministeriö (20)
Paikkatietojen hyödyntämismahdollisuudet ja kehitysnäkymät Eija Honkavaara
- 1. Paikkatietojen hyödyntämismahdollisuudet ja kehitysnäkymät Eija Honkavaara, Paikkatietokeskus, Kaukokartoituksen ja fotogrammetrian osasto MMM Luonnonvara- ja biotalouspäivät 16. - 17.10.2017 Nilsiällä
- 2. Sisällys • Paikkatietokeskus • Kaukokartoitusteknologiat, kehitysnäkymät • Dronekaukokartotoitustutkimus Paikkatietokeskuksessa • Maanmittaus/kartoitus • Maatalous • Metsätalous • Avointen Sentinel 2 satelliittikuva-aineistojen käytettävyys maataloudessa • Johtopäätelmät
- 3. Finnish Geospatial Research Institute (FGI) • Research institute in National Land Survey of Finland (since 1. Jan 2015) • About 150 Staff • Budget roughly 10 MEU (mostly outside financed) • Highly academic institute (nearly 50% staff has PhD and 20% are foreigners) • Publish around 80 ISI Web of Science peer reviewed articles (150 peer reviewed scientific publications) • Three joint professorships with universities • FGI is coordinating Center of Excellence by Academy of Finland
- 4. Organization 2015 DeputyDirector General Prof. J. Koskinen Geodesy and geodynamics Prof. M. Poutanen Geoinformatics and cartography Prof. T. Sarjakoski Fotogrammetry and remote sensing Prof. J. Hyyppä Navigation and positioning Prof. H. Kuusniemi SDI services Mr. J. Reini
- 5. Dept. of Remote Sensing and Photogrammetry • Director, Prof. Juha Hyyppä • 6 research groups • ~50 researchers • ~35 outside funded projects • Academy of Finland, EU, TEKES, ESA, and others • Prof. Juha Hyyppä, PI Center of Excellence in Laser Scanning Research
- 6. Airborne Laser Scanning Multispectral ALS (Optech TITAN, …) FGI/RS&P DigitalGlobe, WorldView DroneFinland.fi pointcloud.fi EU Sentinels Dense point clouds (airborne and terrestrial) Satellite images Drones Automation and robotics
- 8. Space based observations Ground based observations Airborne observations Earth remote sensing platforms
- 10. UAS Satellite Airborne Terrestrial Large Small HighLow Coverage Flexibility Remote sensing application potential
- 12. www.dronefinland.fi • Starting in 2008 • Drone photogrammetry, laser scanning, hyperspectral imaging, thermal imaging • New sensors technologies • Efficient and intelligent processing algorithms -> Automation, robotics • Test fields, calibration and validation • Application know-how, collaboration • Success stories dronefinland.fi DroneFinland - smarter aerial remote sensing – is a drone remote sensing technology research and innovation center at Finnish Geospatial Research Institute @dronefinland
- 13. FGI fleet 2017 13 FGI Hexacopter UAV, Payload 3 kg, Flight time: 20 min FGI Quadcopter UAV, Payload 2 kg, Flight time: 30 min FGI built drones DJI Phantom 4, Payload: 200 g, Total weight: 1.4 kg, Flight time: 20 min Avartek ARX-30 octocopter, payload 10 kg, Total weight: 25 kg, Flight time: 30 min Commer- cial drones
- 14. Keruu Prosessoint i Analysointi Toiminta DroneKnowlege Tekes Challenge Finland voittajaprojekti Reaaliaikainen prosessointi
- 15. 1. Droonit taajama-alueiden karttojen tuotannossa • KMTK-hanke Kuntientuotantoproessit–Dronet • Kaksivuotinen projekti: 1.1.2016-31.12.2017 • Projektipäällikkö: Olli Nevalainen • Päätavoitteet 1. Selvitys erilaisista mobiilikartoitus- ja RPAS-menetelmistä ja niiden soveltaminen 3D ja 2.5D-aineiston tuotantoprosessiin taajama-alueilla. 2. Selvitys kuntien nykyisistä tuotantoprosesseista 3. Kustannustehokkuusanalyysi nykyisistä ja mahdollisista uusista tuotantomenetelmistä ja aineistoista 4. Testiaineiston tuottaminen yhteistyökunnista 5. Ohjeistus kunnille mahdollisen mobiilikartoitukseen tai RPAS-menetelmiin perustuvien tuotantoprosessien käyttöönotolle omassa tuotannossaan. Projektin aktiivikuntajäsenet:
- 16. Case a: Nummela center • Nummela center 21.9.2016 • Three flights • FGI Hexacopter, Samsung NX500, f=16mm • Size of area: 0.83 km2 • GSD 2.93cm • 1334 images Point cloud
- 17. Kuvia aineistostaKuvat: Tomi Rosnell & Olli Nevalainen
- 18. RPAS-aineiston automaattinen luokittelu ja vektorointi • rakennukset • maanpinta Kuvat: Tomi Rosnell TerraScan
- 19. Case b: UAV-aineiston hankinta kaupalliselta toimijalta • Kilpailutus Laukaan kirkonkylän alueelle • Alue n. 1 km2 • Tarkkuusvaatimus < 3 cm GSD • Tarjouksia saatiin 14 kpl • Hinnat 1280 – 8750 € • Laitteistossa paljon vaihtelua
- 21. 21 • Objective: Biomass and yield estimates, Opimizing nitrogen fertilization, weed and disease identification, field trial automation, future agriculture • In co-operation: FGI, VTT, Natural Resources Center Finland, University of Jyväskylä, companies • Tekes UASI, HSI-Stereo, Academy of Finland, Tekes DroneKnwoledge, EU ICT/Agri GrassQ, EU Life+ Opal Hyperspectral mosaic Fertilization task 1000 * 1000 *35.5 442.0 Biomass Nitrogen Biomass NNEED 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, 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. 2. Hyperspectral UAV for precision agriculture
- 22. Grass quality and quantity estimation, before 1st cut 22 06.06. 15.06. 19.06. 28.06. Luke’s test plots in Jokioinen Co-op: VTT, Luke, JY, Valio, Yara, Borealis, Suonentieto
- 24. UAV Laser Scanning • Laserkeilaustutkimusta • Laserkeilauksen huippuyksikkö (Johtaja Prof. Juha Hyyppä) • Strategisen tutkimuksen neuvottelukunnan hanke COMBAT (Prof. Harri Kaartinen) 24 Jaakkola et al. 2017, Forest Field Reference Collection by UAV Laser, Remote Sensing COMBAT Pointcloud.fi
- 25. Remote sensing platforms for laser scanning TLS Terrestrial Laser Scanning MLS Mobile Laser ScanningALS Airborne Laser Scanning
- 27. UAV-LS for River Corridors
- 29. Bark beetle damage • Näsi et al. Using UAV-Based Photogrammetry and Hyperspectral Imaging for Mapping Bark Beetle Damage at Tree-Level. Remote Sens. 2015, 7, 15467-15493. • Collaboration with Forest Health Group, University of Helsinki (Päivi Lyytikäinen-Saarenmaa) 29
- 30. Identification of bark beetle infestation in forest using FPI hyper-spectral camera • Serious death in spruce forests due to bark beetle in Southern Finland • Objective: Early detection of infection using hyperspectral images from manned and unmanned aircrafts 30 © Metla© Luke Näsi, R. et al. Using UAV-Based Photogrammetry and Hyperspectral Imaging for Mapping Bark Beetle Damage at Tree-Level. Remote Sens. 2015, 7, 15467-15493.
- 31. • Symptoms visible in UAV images 31http://www.climatecentral.org/ Green: healthy Grey: dead Red: almost dead Yellow: Ill
- 32. Classification results UAV Point cloud from aircraft • Classification based on color • Classes: dead, infected, healthy; Kappa 0.60 • Dead 85% • Infected 33% • Healthy 72% • Classes dead, healthy; Kappa 0.85 • Dead 89% • Healthy 96% FPI RGB Spectra Näsi et al. Using UAV-based photogrammetry and hyperspectral imaging for mapping bark beetle damage at tree-level. Submitted manuscript. Tree health map
- 33. Taimikoiden tiedonkeruun kehittäminen • TaimikkoTieto 2020, MMM-kärkihanke, PI Prof. Timo Tokola, UEF • WP2: Vesakon peittävyyden arviointi erittäin tarkoilta kaukokartoitusaineistoilta, HY, FGI • Taski: Dronet taimikkojen hoidon tukena • Koealat 2016: • 5 kehitysluokkaan T1 (r = 8m) • 10 kehitysluokkaan T2 (r = 10m). • Harvennus ennalta määritettyihin tiheyksiin • 800-2400 runkoa/hehtaari • Koealoja, joilla on täydennysistutustarve ja koealoja, joilla on taimikonharvennustarve. • Mittaukset: jokaisesta puusta läpimitta ja puulaji; Pituus joka viidennestä puusta • Datankeruu dronesta: kevät, kesä 33 Yhteistyö: Prof Markus Holopainen, Dr. Mikko Vastaranta, University of Helsinki
- 34. 34 Figures: Mohammad Imangholiloo, University of Helsinki
- 35. Ilmaisten satelliittikuva- aineistojen hyödyntäminen maataloudessa • BoostSat — Novel enabling IT technologies boosting efficient utilization of open satellite data in precision agriculture • Euroopan avaruusjärjestön (ESA) projekti jossa tutkittiin satelliittikuvien hyödyntämistä maataloudessa • Aineistot • lmaisia Sentinel-2 satelliittikuvia n. 4 päivän välein • Lentokoneesta ja dronesta kerätyt väri- ja hyperspektrikuvat • Tavoitteet • Automaattinen prosessointiketju • Erilaisten aineistojen vertailu • Dronedatojen hyödyntäminen satelliittikuvatulkinnassa • Tulokset • Monipuoliset hyödyntämismahdollisuudet: Viljalajit, satoarviot, maataloustukien valvonta, tuhot, … • Yhteistyö: Luke 35
- 36. June – Sentinel 2 15
- 37. Johtopäätelmät • Ympäristötiedonkeruun vallankumous • Avoimet ja ilmaiset aineistot • MML:n laserkeilaus ja ilmakuvat (päivitysväli 5-10 v) • Satelliitit: Sentinel, Landsat (2-3 kertaa viikossa) • Pienoissensorit (kamerat, laserkeilaimet, hyper- ja multispektrikamerat) ketterät platformit (dronet, selkäreput) • Tekoäly • Dronet • Tehokkaampaa, turvallisempaa • Skaalautuvuus, Reaaliaikaisuus • Automaatio, robotiikka • Kartoituksesta kohti monitorointia ja aktiivisia sovelluksia, esim. täsmämaa- ja - metsätalous • Haasteíta • Satelliittikuva-aineistot: pilvisyys, spatiaalinen resoluutio • Dronet: Lainsäädäntö, Lentoluvat