Opetustekniikat metsän kasvuston autonomiselle hyperspektraalille droonikaukokartoitukselle

Hankkeen kesto

1.9.2023 - 31.8.2027

Tutkimuksen painoala

Luonnon perusilmiöt ja matemaattinen ajattelu

Tutkimusalue

Spektrikuvantamisen laboratorio

Rahoitus

Suomen Akatemia

Hankekuvaus

Ilmastonmuutos aiheuttaa suuren uhan boreaalisille metsille. Ehdotamme menetelmää metsien terveyden tehokkaaseen ja tarkkaan monitorointiin, joka yhdistää uusimmat innovaatiot droonien, hyperspektraalisen kuvantamisen ja koneoppimisen alalla. Koneoppimismenetelmien vaatimien laajojen koulutusdatasettien luomista varten ehdotamme uutta lähestymistapaa, jossa metsistä tuotetaan simuloituja hyperspektraalisia kuva-aineistoja ja näitä käytetään kasvillisuuden terveyttä määrittävien koneoppimismallien kouluttamiseen. Menetelmän avulla optimoimme droonien mittausproseduurit metsien terveysanalyysissä, käytämme simuloitua dataa siirto-oppimisessa ja validoimme tulokset käyttämällä olemassa olevia ja uusia in-situ-aineistoja, jotka on kerätty metsien yläpuolelta ja sisältä käyttäen FGI:n huippuluokan droonikaukokartoitusjärjestelmiä. Uskomme, että ehdotettu lähestymistapa johtaa läpimurtoon koneoppimismenetelmien käytettävyydessä drone-pohjaisessa metsien terveys- ja häiriöanalyysissä.

Hanketiimi

Hankkeen vetäjät

Jäsenet

Kimmo Riihiaho

Tutkijatohtori

Ulkoiset jäsenet

Eija Honkavaara

professor

National Land Survay of Finland / Finnish Geodetic Institute