Neuroverkoilla voidaan ennustaa tarkasti viljan satomääriä kasvukauden aikana (Väitös: DI Petteri Ranta)

Tampereen yliopiston tiedote

Ilmastonmuutoksen ja Euroopan kiristyneen turvallisuusympäristön vuoksi ruoan alkutuotannon tehostaminen on entistä tärkeämpää huoltovarmuuden takaamiseksi. Koneoppimista ja automaatiota hyödyntävät dataan perustuvat päätöksenteon tukijärjestelmät ovat siinä keskeisessä asemassa. DI Petteri Ranta selvitti väitöskirjatutkimuksessaan, että nykyaikaiset kaukokartoituslaitteistot, kuten droonit ja satelliitit sekä viimeisimmät syväoppimismenetelmät avaavat viljelijöille uusia mahdollisuuksia tehdä dataan perustuvia päätöksiä jo kasvukauden alkuvaiheilla.

Koneoppiminen ja tekoälymenetelmät ovat olleet muotitermejä jo joitakin vuosia esimerkiksi kuvien tunnistuksessa. Neuroverkkoihin pohjaavien nykyaikaisten menetelmien hyödyntäminen maataloudessa on kuitenkin antanut odottaa itseään aivan viime vuosiin asti, yleensä datan heikon saatavuuden ja vaihtelevan laadun vuoksi.

– Nyt kuka tahansa voi ostaa laadukkaan droonin, mallinnusmenetelmät ovat kehittyneet ja laskentakapasiteetti halventunut. Siten riittävän tarkat kuvat ovat avanneet tien kasvukauden aikana tehtävälle satotasojen ennustamiselle, Petteri Ranta kertoo.

Satoennustemalleja on toki tehty jo vuosikymmeniä, mutta useimmiten nämä mallit ovat tuottaneet peltokohtaisesti vain yksittäisiä lukuja.

– Väitöstutkimuksessani tutkittujen kuvapohjaisten neuroverkkojen ja tarkkojen droonikuvien ansiosta satotasoa on mahdollista ennustaa paljon tarkemmin, pellon sisäinen vaihtelu huomioiden. Kuvadataan voidaan myös liittää muuta tietoa, kuten maaperäkarttoja, korkeuskäyriä ja säämittauksia, Ranta selvittää.

Tutkimuksessa hyödynnettiin pääsääntöisesti vuosien 2017 ja 2018 aikana kerättyä drooni- ja satokarttadataa valikoiduista satakuntalaisista pelloista (MIKÄ DATA -hanke). Aineistoja rikastettiin myös muista datalähteistä kerätyillä tiedoilla, kuten Sentinel 2 -satelliittikuvilla, maaperäkartoilla, paikallisilla säätiedoilla ja korkeuskartoilla. Parhaimmillaan saavutettiin keskimäärin 0,2 tn/ha virhemarginaali satokarttaennusteessa, kun kerätty aineisto ajoittui aikaan ennen juhannusta. Tutkimuksessa tuotetun satokarttaennusteen tarkkuus oli Sentinel 2 -satelliittiaineiston käytön vuoksi yksi ennustettu arvo per aari. Toisin sanoen, mikäli todellinen kerätty sato jollain aarin kokoisella alueella olisi 5 tn/ha, mallin ennuste olisi keskimäärin 4,8–5,2 tn/ha kyseiselle kohdalle.

– Tutkitun kaltaiset koneoppimismallit pääsevät parhaiten oikeuksiinsa, kun ne liitetään osaksi kokonaisvaltaista päätöksenteon tukijärjestelmää. Tavoitteena on, että yksittäisen maanviljelijän on mahdollista saada käyttöönsä ajantasaista tilannekuvaa tuottavia työkaluja sekä entistä kestävämmälle että tehokkaammalle ruoan alkutuotannolle, Ranta toteaa.

Diplomi-insinööri Petteri Rannan tieto- ja sähkötekniikan alaan kuuluva väitöskirja Feasibility of Remote Sensing Based Deep Learning in Crop Yield Prediction tarkastetaan julkisesti Tampereen yliopiston informaatioteknologian ja viestinnän tiedekunnassa perjantaina 01.04.2022 kello 12:00 auditoriossa 125, Porin Yliopistokeskus, Pohjoisranta 11 A, Pori. Vastaväittäjänä toimii tohtori Roope Näsi, Maanmittauslaitos. Kustoksena toimii professori Tarmo Lipping.

Väitöskirjaan voi tutustua verkossa >>