Hoppa till huvudinnehåll
RISE logo
Så kan nya AI-metoder förvandla satellitdata till verktyg för att nå de globala hållbarhetsmålen

Så kan nya AI-metoder förvandla satellitdata till verktyg för att nå de globala hållbarhetsmålen

24 november 2021, 21:18

Dygnet runt följs allt som händer på jorden av satelliter. Data som samlas in används för att övervaka och kontrollera såväl grundvatten som strandskydd och betesmarker. Nu utvecklar Nationella Rymddatalabbet nya AI-metoder för att automatiskt förvandla satellitdata till verktyg för en mer hållbar utveckling.  

Europeiska satelliter arbetar oupphörligen med att samla in data om jorden. Varje dygn tas miljontals satellitbilder som ger oss en unik bild av både globala såväl som lokala förändringar av jordens yta. Copernicus är EU:s handlingsprogram för jordobservation och här samlas data in för jämförelser och analys. Men Copernicus bibliotek av rymddata växer med cirka 20 terabyte varje dag och för att göra effektiva analyser av den mängden data behövs nya AI-metoder. Hos Nationella Rymddatalabbet undersöks just nu sådana metoder bland annat djup maskininlärning och djupa neurala nätverk för att till exempel kunna automatiskt sålla ut information och visa förändringar av landskapet över tid. Labbet drivs i samarbete mellan Rymdstyrelsen, AI Sweden, RISE och Luleå tekniska universitet.  

Viktigt för Agenda 2030 

Förenta nationerna (FN), European Space Agency (ESA) och Europeiska unionen (EU) har konstaterat att rymdbaserade sensorer och kommunikationslösningar är en förutsättning för att nå hållbarhetsmålen i Agenda 2030. För att ge den bästa nyttan av observationerna behövs en väl fungerande kedja från datainsamling till goda beslutsunderlag. Här har Nationella Rymddatalabbet en viktig uppgift i Sveriges klimatomställning.  

Nationella Rymddatalabbet driver sedan 2019 en beräknings- och lagringsinfrastruktur för rymdapplikationer på en plattform som utvecklas vid ICE Datacenter hos RISE i Luleå. Där finns tillgång till öppen data från Copernicus samt verktyg för att göra data sökbar som till exempel, Open Data CubeOpenEO och STAC. Att utvecklingsplattformen baseras på öppen källkod är viktigt för att underlätta användningen av data från rymden inom fler myndigheter och företag.  

Under de första två åren har labbet arbetat tillsammans med bland andra Skogsstyrelsen, Jordbruksverket, Havs- och vattenmyndigheten, Naturvårdsverket, SMHI och flera länsstyrelser. Samverkan ökar användningsgraden av rymddata hos myndigheterna, och underlättas av att insamling, verktyg och kunskap finns samlad på ett ställe.  

I dag är Nationella Rymddatalabbet en kunskapsnod för lagring, hantering och analys av stora mängder rymddata hela vägen från enkel statistik till AI. Tre projekt som visat goda resultat är Torka i Mälardalen, AI & Kustzoner/grunda vatten och AI & jordbruk. 

Klimatpåverkan syns i satellitbilder 

Det första projektet som genomförts vid labbet var Torka i Mälardalen, ett samarbete mellan SMHI och Länsstyrelsen Västmanland.  

Här jämfördes data från år 2018 med år 2019 för att hitta skillnader i växtligheten i ett utvalt område. Jämförelserna byggde på det så kallade spektralindex som gör det möjligt att skilja vegetation från bland annat vatten, jord eller byggnader, allt beroende av hur mycket ljus som reflekteras.  

Projektet visar vägen till en ny AI-baserad metod för att använda satellitdata för att bättre förstå klimatförändringens påverkan på växtligheten.  

Två spektralindex valdes ut: NDVI (Normalized Difference Vegetation Index, se bild 1) som är en bra indikator på grön vegetation och MSI (Moisture Stress Index, se bild 2) som mäter fukthalten. Sju platser i närheten av Västerås valdes ut för studien. Först sammanställdes en tidsserie för jämförelsen som sedan processades med hjälp av Gaussisk Process Regression (GPR). GPR-metoden gör det möjligt att inkludera tillfällen då det saknas data eftersom den använder maskininlärning för att förutsäga rimliga värden även för de tidpunkterna. 

Projektet visar vägen till en ny AI-baserad metod för att använda satellitdata för att bättre förstå klimatförändringens påverkan på växtligheten.  

AI ser förändringar av kustlinjen  

Inom projektet AI & Kustzoner/grunda vatten utvecklades nya AI-metoder för att identifiera fysiska förändringar längs den svenska kusten. I den del av projektet som genomfördes inom ramen för RISE låg fokus på att identifiera förändringar av själva kustlinjen. 

Data användes från satelliten Copernicus Sentinel-2 som analyserades vid ICE Datacenter med hjälp av programbibliotek från Phyton. Tre olika AI-modeller utvecklades utifrån satellitbilderna.  Modellerna klassificerar enskilda pixlar i bilderna som vatten, vegetation eller icke-vegetation för att upptäcka fysiska förändringar. Den första modellen jämförde bilder tagna med några dagars mellanrum för att hitta förändringar i geografin, medan de övriga använde partikelfilter baserat på så kallade ”Hidden Markov”-metoder vilka bättre kan avgöra om förändringarna som syntes var permanenta eller inte.  

I förlängningen kan metoden användas som ett verktyg för automatisk övervakning av strandskyddet i hela landet. Unikt är att den utvecklade AI-metoden kan använda lågupplösta satellitbilder.  

Fältbesök från rymden 

Det sista exemplet handlar om övervakning av betesmarker. Varje år genomför Jordbruksverket tillsammans med länsstyrelserna tusentals fältbesök för att ta reda på vilka marker som används för jordbruk. Såväl EU som Jordbruksverket hoppas att kunna ersätta fältbesöken med analyser av satellitbilder. Redan i dag arbetar myndigheten med manuella analyser av bilderna, men även detta är ett tidskrävande arbete.   

Inom projektet AI & jordbruk har oövervakad maskininlärning använts för att analysera satellitbilderna, vilket innebär att inputdata inte är kategoriserad och att det inte finns ett känt eller förväntat resultat av dataanalysen. Satellitdata från Copernicus Sentinel-2 har använts för att generera tidsserier baserade på NDVI, som ger en indikation på om observerat område är vatten, barmark eller växtlighet, och som sedan även här har analyserats med hjälp av Gaussisk Processregression.  

Med hjälp av klassisk klusteranalys, som till exempel Hierarkisk klustring, kunde projektet visa en korrelation mellan tidsserierna och användning av betesmarkerna. 

Resultatet öppnar för möjligheten att utveckla mer avancerade AI-modeller för att automatiskt övervaka all jordbruksmark i landet. Bland annat kan djup maskinlärning öppna för möjligheten att hitta bättre representationer av betesmarker som ett komplement till statistiska mått baserade på NDVI.  

Fortsatt utveckling på uppdrag av regeringen 

Rymdstyrelsen har under hösten 2021 fått regeringens uppdrag att fortsätta utreda hur det Nationella rymddatalabbets förmåga kan stärkas. Detta så att Sverige, EU och internationella samarbetspartners kan öka användningen av data från satelliter för en mer hållbar samhällsutveckling. Ett utvecklat nationellt rymddatalabb har betydelse för genomförandet av den europeiska datastrategin och den kommande nationella datastrategin. Regeringsbeslutet fastställer att vid genomförandet av uppdraget ska Rymdstyrelsen inhämta information genom dialog med aktuella intressenter, däribland RISE. Rymdstyrelsen kommer även att medverka när det Europeiska rymdorganet ESA:s råd på ministernivå samlas nästa år för att besluta om inriktningen av ESA:s långsiktiga rymdpolitik och framtida program. 

NDVI

Bild 1. Normalized Difference Vegetation Index

MSI Torka i Mälardalen

Bild 2. Moisture Stress Index

Johan Kristiansson

Johan Kristiansson

Senior Forskare

+46 10 228 42 58

Läs mer om Johan

Kontakta Johan
CAPTCHA

* Obligatoriskt Genom att skicka in formuläret behandlar RISE dina personuppgifter.

2024-03-10

2024-01-30

2024-01-17

2024-01-14

2024-01-03

2023-12-22

2023-12-20

2023-12-18

2023-12-12

2023-12-09

2023-11-30

2023-11-28

2023-11-20

2023-11-17

2023-11-12

2023-11-05

2023-10-29

2023-10-24

2023-10-22

2023-10-10

2023-10-08

2023-10-06

2023-09-22

2023-09-20

2023-09-13

2023-08-29

2023-08-28

2023-08-16

2023-08-07

2023-07-19

2023-06-30

2023-06-26

2023-06-23

2023-06-05

2023-06-02

2023-05-16

2023-05-05

2023-04-26

2023-04-26

2023-04-24

2023-04-22

2023-04-22

2023-04-12

2023-04-03

2023-03-31

2023-03-24

2023-03-08

2023-02-28

2023-02-27

2023-01-29

2023-01-25

2023-01-18

2023-01-16

2022-12-22

2022-12-20

2022-12-14

2022-11-18

2022-10-21

2022-10-12

2022-10-10

2022-10-07

2022-10-05

2022-10-01

2022-09-26

2022-09-20

2022-09-15

2022-09-15

2022-09-15

2022-09-14

2022-09-12

2022-09-09

2022-09-06

2022-08-31

2022-06-30

2022-06-05

2022-06-01

2022-05-31

2022-05-29

2022-05-22

2022-05-17

2022-05-13

2022-05-04

2022-04-26

2022-04-13

2022-04-08

2022-04-07

2022-04-06

2022-04-05

2022-03-28

2022-03-25

2022-03-15

2022-02-26

2022-02-26

2022-02-25

2022-02-18

2022-02-16

2022-02-15

2022-02-10

2022-01-28

2022-01-18

2022-01-13

2022-01-05

2022-01-03

2021-12-30

2021-12-29

2021-12-23

2021-12-21

2021-12-18

2021-12-15

2021-12-14

2021-12-09

2021-12-02

2021-11-24

2021-11-19

2021-11-18

2021-11-16

2021-11-10

2021-11-08

2021-11-04

2021-11-03

2021-10-19

2021-10-16

2021-10-15

2021-10-13

2021-10-10

2021-10-10

2021-10-08

2021-10-07

2021-10-06

2021-09-14

2021-08-23

2021-08-19

2021-07-10

2021-07-08

2021-07-07

2021-07-06

2021-07-05

2021-06-30

2021-06-28

2021-06-23

2021-06-13

2021-06-07

2021-06-07

2021-06-05

2021-06-02

2021-05-30

2021-05-06

2021-04-20

2021-03-27

2021-03-21

2021-03-10

2021-03-10

2021-02-11

2021-01-15

2021-01-14

2021-01-08

2021-01-07

2021-01-04

2020-12-30

2020-12-30

2020-12-28

2020-12-11

2020-12-11

2020-11-28

2020-11-26

2020-11-25

2020-11-20

2020-11-20

2020-11-16

2020-11-12

2020-11-10

2020-11-05

2020-11-04

2020-10-22

2020-10-21

2020-10-08

2020-10-05

2020-10-02

2020-09-30

2020-09-24

2020-09-17

2020-09-11

2020-08-31

2020-08-10

2020-07-07

2020-07-06

2020-07-05

2020-07-05

2020-07-03

2020-07-01

2020-06-30

2020-06-29

2020-05-29

2020-05-11

2020-04-20

2020-04-13

2020-03-28

2020-02-10

2020-01-29

2020-01-17

2019-12-20

2019-12-20

2019-12-17

2019-12-06

2019-11-26

2019-11-18

2019-10-25

2019-10-11

2019-09-11

2019-09-04

2019-08-27

2019-08-22

2019-08-13

2019-08-01

2019-07-29

2019-07-26

2019-07-26

2019-06-27

2019-06-26

2019-06-05

2019-06-05

2019-05-24

2019-05-09

2019-05-08

2019-05-08

2019-04-10