Drone-based spectral and 3D remote sensing applications for forestry and agriculture

Kestävän maa- ja metsätalouden harjoittaminen vaatii tietoa metsien ja viljelykasvien tilasta päätöksenteon tueksi. Täsmämaataloudessa viljelykasveja havainnoidaan, jotta viljelytoimenpiteet voidaan kohdistaa oikeaan paikkaan ja oikea-aikaisesti säästäen sekä tuotantokustannuksia että ympäristöä. Metsissä tieto metsien terveydentilasta on tärkeää, jotta voidaan hillitä metsätuhojen leviämistä. Erityisesti hyönteistuhot ovat lisääntyneet voimakkaasti ilmastonmuutoksen vauhdittamana, mutta taloudellisia ja ekologisia tappiota voidaan vähentää oikeilla toimenpiteillä, jos on olemassa ajantasaisesta tietoa metsien terveydentilasta. Dronet ja niihin asennettavat kamerat ovat kehittyneet viime vuosina joustavaksi tavaksi kerätä kaukokartoitusaineistoa paikallisesti. Spektrikameroilla saadaan tarkkaa tietoa kohteen heijastusominaisuuksista, ja fotogrammetriset menetelmät mahdollistavat myös kustannustehokkaan tavan kerätä kohteesta kolmiulotteista (3D) tietoa. Tämän työn tavoitteena oli kehittää näihin aineistoihin nojautuen kaukokartoitusmenetelmiä yksittäisten puiden terveydentilan luokitteluun sekä viljelykasvien biomassan, erilaisten biokemiallisten parametrien, kuten typpipitoisuuden sekä nurmen ruokintalaadun, kuten D-arvon estimointiin. Työssä kehitettiin prosessointiketju, jossa kaukokartoitusaineistoista irrotettiin spektri- ja 3D-piirteitä, yhdistettiin ne kasveista kerättyihin havaintoihin ja mittauksiin sekä muodostettiin koneoppimismalleja puiden luokittelua ja viljelykasveihin liittyvien parametrien estimointia varten. Työssä verrattiin useiden aineistonkeräykseen ja -prosessointiin liittyvien tekijöiden vaikutuksia luokittelu- ja estimointitulosten tarkkuuteen optimaalisten menetelmien löytämiseksi. Esimerkiksi spektri- ja 3D-piirteiden hyödyntäminen yhdessä sekä radiometriset korjaukset paransivat yleisesti luokittelu- ja estimointitarkkuuksia. Optimaaliset sensorit sekä aineistonkeräys- ja käsittelytavat riippuvat kuitenkin eri sovelluksista ja niiden tarkkuusvaatimuksista. Työssä osoitettiin ensimmäistä kertaa dronesta kerätyn hyperspektrisen aineiston kyvykkyys metsän terveydentilan havainnoinnissa luokittelemalla kuuset kolmeen luokkaan kirjanpainajan aiheuttaman tuhon perusteella. Työn tulokset myös osoittivat drone-pohjaisen kartoituksen kyvyn estimoida erilaisia viljelykasvien parametreja, joita voidaan edelleen soveltaa suunniteltaessa esimerkiksi lisälannoitusta tai säilörehun optimaalista korjuuaikaa.