Satelliittikuvista tunnistetaan vesikasvit

Tampereen teknillisessä yliopistossa tietotekniikkaa opiskellut Juho Uusi-Luomalahti teki diplomi-insinöörityönsä vesikasvillisuuden tunnistamisesta SAR-satelliittikuvista. Diplomityö on osa Olkiluodon ydinvoimalaitoksen käytetyn polttoaineen loppusijoituksesta vastaavan Posiva Oy:n biosfäärin mallinnusprojektia.

– Tutkin yleisesti käytössä olevien hahmontunnistusmenetelmien soveltuvuutta vesikasvillisuuden ja maan pinnan luokitteluun SAR-satelliittitutkakuvista. Testiaineistona käytin Satakunnassa sijaitsevalta Poosjärveltä otettua SAR-satelliittitutkakuvaa, Uusi-Luomalahti sanoo.

Poosjärven kasvillisuus koostuu pääosin saraheinistä, järvikortteesta, järviruo’osta sekä vita- ja lummekasveista. Metsikkö on sekametsää. Luokittelussa käytettiin seitsemää eri luokkaa: järviruoko, järviruoko vedessä, järvikorte, vesi, puusto, saraheinä sekä ulpukka.

Tarkkaa analysointia

Tutkimus tarkoitti satelliittikuvien analysointia pikseli pikseliltä.

– Laskin kustakin satelliittitutkakuvasta sen dataa kuvaavia ominaisuuksia eli piirteitä, jotka voivat olla esimerkiksi tilastollisia tunnuslukuja. Luokittelussa käytetyt piirteet ovat peräisin kuvankäsittelymenetelmiä ja kaukokartoitusaineiston luokittelua käsittelevästä kirjallisuudesta. Piirteet syötettiin hahmontunnistusalgoritmiin kuvan luokittelemiseksi ja siten saatiin tietoa siitä, mitä kasveja missäkin kohdassa kasvaa, hän kertoo.

Diplomityö sisälsi monia erilaisia vaiheita työpöydän ääressä sekä kenttäkäyntejä Poosjärvellä hahmontunnistualgoritmin opetusdatan keräämiseksi valituilta alueilta.

- Tutkakuvien automaattinen luokittelu mahdollistaa tehokkaan ja nopean maanpinnan ja kasvillisuuden kartoituksen. SAR-tutkatekniikan avulla alueen monitorointi on mahdollista riippumatta kellonajasta tai pilvisyydestä toisin kuin käytettäessä näkyvän valon aallonpituusalueella toimivia passiivisia sensoreita, Uusi-Luomalahti kertoo.

Onnistunut luokittelu

Diplomityössä tutkittiin neljän erityyppisen luokittimen soveltuvuutta tehtävään: Random Forest, Support Vector Machine, Multilayer Perceptron ensemble ja K-Nearest Neighbor.  Diplomityön lopputuloksena Juho Uusi-Luomalahti havaitsi, että testatut luokittelumenetelmät osoittautuivat käyttökelpoisiksi.

- Paras tulos saavutettiin Multilayer Perceptron ensemble –luokittimella, hyvin suoriutuivat myös Random Forest ja Support Vector Machine –luokittelijat. Vesikasvillisuuden luokittelun onnistumiseen vaikuttivat erityisesti tekstuuripohjaiset piirteet, hän kertoo.

Tampereen teknillisen yliopiston Porin laitokselta kesäkuussa 2017 valmistunut Uusi-Luomalahti työskentelee diplomityöhönsä liittyvässä aihepiirissä edelleen. Hän kehittää Prefor Oy:ssä metsänomistajille tarkoitettua Silvere-palvelua, jossa analysoidaan metsiä laserkeilausdatan perusteella.