Älykäs kartoitus tukee käytöstä poistuvien maa-alueiden uusiokäyttöä

Soveltuvien alueiden alkuvaiheen kartoittamiseen voidaan hyödyntää esimerkiksi QGIS-ohjelmistoa ja suomalaista avointa dataa. Analyyttisen ja sijaintiin perustuvan tiedon avulla voidaan tunnistaa käyttötarkoitukseen sopivia alueita. Soveltuvien alueiden tunnistaminen tapahtuu useiden kriteerien perusteella. Näin ohjelmisto suodattaa alueet, jotka voisivat kriteerien perusteella soveltua aurinkovoimalan perustamiseen ja energian tuotantoon.

Kartoitusprosessi sisältää useita vaiheita, joista ensimmäisessä kerätään saatavilla olevaa aineistoa. Siihen sisältyy lopputuloksen kannalta keskeisten karttatasojen integrointi karttaohjelmistoon. Näitä ovat esimerkiksi maanpeitteen paksuus, maaperätyypit, valtakunnallisesti arvokkaat maisema-alueet ja auringon säteily sekä sähköverkon sijainti. Seuraavaksi suodatetaan kohteet, jolloin ohjelmisto poistaa alueet, jotka eivät sovellu käyttöön. Soveltumattomia alueita voivat esimerkiksi olla kansallisesti suojellut maisema-alueet tai toimintaa rajoittavat kaavoitusalueet.

Kartalla voidaan hyödyntää monenlaisia työkaluja, joilla voidaan nopeasti tunnistaa ja mitata etäisyyksiä tärkeisiin kohteisiin. Esimerkiksi aurinkovoimalan sijoituspaikan sopivuus riippuu suuresti etäisyydestä lähimpään sähköasemaan tai voimajohtoon, jotta verkkoon liittämiskustannukset voidaan minimoida.

Viimeinen vaihe on maantieteellisen ja teknisen arvioinnin laatiminen. Esimerkiksi Geologian tutkimuskeskus (GTK) tarjoaa hyödyllistä tietoa maaston soveltuvuudesta aurinkopaneelijärjestelmien perustusten rakentamiseen. Alueet, joilla on paksu moreeni tai vakaa kallioperä, ovat suositeltavia pehmeän saven tai turpeen sijaan.

ATSOL-hankkeessa on tehty seulontamenetelmätestausta QGIS 3.44 (LTR edition) -ohjelmistolla, joka on avoimen lähdekoodin alusta tietojen integrointiin ja paikkatietojen analysointiin. Lisäksi ohjelmistoon asennettiin QuickOSM-laajennus, jota käytettiin hakemaan energiainfrastruktuuritietoja suoraan Overpass-sovellusliittymästä QGIS:ään mukautettujen komentosarjojen avulla. Seulontamenetelmätestaus nojasi analyysissään vahvasti tietolähteisiin, joita ovat muun muassa:

– Auringon säteilyn tiedot: Satelliiteista johdetut tietokannat, kuten PVGIS-SARAHs-2, tarjoavat pitkän aikavälin keskiarvoja aurinkopotentiaalista. PVGIS-SARAHs käyttää METEOSAT-geostationaaristen satelliittien kuvia, jotka kattavat Euroopan, Afrikan ja Aasian (±65° pituuspiiri ja ±65° leveyspiiri). (European Commission Joint Research Centre).

– Geologiset tiedot: GTK (Suomi) tarjoaa tärkeää tietoa maaperätyypeistä, maapeitteen paksuudesta ja geologisista muodostelmista. Hankkeessa käytetään Maa-aines-, Maanpeite paksuus- ja Maalajit-tietokantoja.

– Kaavoitus- ja ympäristötiedot: SYKE (Suomen ympäristökeskus) ja Maanmittauslaitos (NLS) tarjoavat tietoja arvokkaista maisemista, niiden kaavoitusmääräyksistä ja nykyisestä maankäytöstä.

– Infrastruktuuritiedot: OpenStreetMap (OSM) toimii ensisijaisena lähteenä esimerkiksi voimajohtojen, pylväiden ja sähköasemien sijainneille.

Alustavien maastokartoitusten ja esiselvityksien jälkeen voidaan siirtyä maa-alueiden tarkempiin kartoituksiin ja mittauksiin. On olemassa keveitä ja kustannustehokkaita ratkaisuja, joilla voidaan saada lisätietoa ennen raskaampien kairausten ja porausten toteuttamista. Yksi tällainen menetelmä on maatutkaus, jonka avulla voidaan muodostaa kattava kuva maanpinnan alapuolisista rakenteista nopeasti ja ilman maaperään kohdistuvia toimenpiteitä.

Maatutkaluotaus on rakenteita rikkomaton geofysikaalinen tutkimusmenetelmä, jossa maaperän ja muiden materiaalien sisäisiä rakenteita tutkitaan sähkömagneettisten aaltojen avulla. Menetelmää hyödynnetään muun muassa infrarakenteiden, kuten putkistojen ja tierakenteiden kartoituksessa sekä maa-ainesalueiden, turvesoiden, vesistöjen, arkeologisten kohteiden ja kallioperän rakenteellisten ominaisuuksien tutkimisessa (Traficom 2019).

Maatutkalaitteessa on lähetin- ja vastaanotinantennit, joiden avulla järjestelmä kerää tietoa maaperän ominaisuuksista. Lähetinantenni lähettää lyhytkestoisen sähkömagneettisen pulssin maaperään, josta osa heijastuu takaisin sen kohdatessa maalajirajapinnan tai muun eri tavalla johtavan aineen, kuten muovin tai metallin. Takaisin heijastuneista pulsseista mitataan vastaanotinantennilla maaperässä etenemiseen kulunut aika ja paluupulssin voimakkuus. Näiden perusteella voidaan jälkikäsittelyssä määritellä maaperän rakennetta ja maalajeja. Maatutkauksen soveltuvuuteen erilaisissa käyttöympäristöissä vaikuttaa antennin tekniset ominaisuudet, maaperän maalaji- ja kosteusolosuhteet sekä ilmastolliset olosuhteet. Käytettävän mittalaitteen toimintataajuus määrittää, kuinka tarkasti ja syvältä maaperästä tietoa voidaan optimaalisissa olosuhteissa saada. Matalataajuiset antennit saavuttavat suuremman läpäisysyvyyden, mutta niiden mittatarkkuus ei ole yhtä hyvä kuin korkeataajuisilla laitteilla. (Radarteam Sweden AB 2015, 8.)

Mittalaiteen tekninen toimintaperiaate on yksinkertainen. Varsinainen hyöty ja lisäarvo mittausaineistosta saadaan tulkinnan avulla. Laite ei siis tuota suoraan ymmärrettävää ja käyttökelpoista tietoaineistoa, vaan se vaatii käsittelyä jälkikäsittelyohjelmistolla, jossa on erilaisia suodatus- ja jälkikäsittelytyökaluja. Jälkikäsittelyssä aineistosta pyritään erottamaan ja vahvistamaan tulosten kannalta hyödylliset signaalit sekä poistamaan tai vaimentamaan kohina ja häiriöt. Jälkikäsittelyn lopputuloksena syntyy selkeä ja tulkittavissa oleva yhtenäinen profiilikuva mitatusta alueesta analysointia varten.

Perinteisesti maatutkamittauksia tehdään vetämällä antennia maanpintaa pitkin esimerkiksi jalan tai ajoneuvon avulla. Mittaustulokset kuitenkin riippuvat siitä, kuinka hyvin mittaaja kykenee kulkemaan maastossa. Teknologian kehittyessä uusia mahdollisuuksia on kuitenkin avautunut myös miehittämättömien järjestelmien, eli lentävien droonien ja maassaliikkuvien autonomisten ajoneuvojen (Unmanned Ground Vehicle, UGV) hyödyntämiseen mittausalustoina. Droonit voivat kantaa erilaisia hyötykuormia mittalaitteina, kuten laserkeilaimia tai kameroita, joiden avulla voidaan kerätä dataa nopeasti ja saada kattavaa kuvaa ilmasta käsin laajoilta alueilta. UGV puolestaan liikkuu maan pinnalla, mutta siihen saadaan myös hyötykuormia kiinni tarpeen mukaan. UGV:n perään voidaan esimerkiksi laittaa maatutka, jolloin mittaus saadaan autonomisemmaksi (kuva 2).

Maatutkaukseen liittyen Centrialla on tutkittu UGV:n hyödyntämistä maatutkausmittauksissa. UGV:tä on käytetty maatutkalaitteiston liikuttamiseen mittausalueella sekä mittausaineiston keräämiseen erilaisissa maasto-olosuhteissa. Hankkeen aikana on kokeiltu ennalta määritettävien ajoreittien hyödyntämistä osana mittauksia. Työn edetessä on tunnistettu jatkokehitystarpeita erityisesti ajoreittien suunnitteluun ja mittauskohteiden tunnistamiseen liittyen.

Autonomisten laitteiden hyödyntäminen parantaa mittausten toistettavuutta, mittausreitit saadaan suunniteltua tarkkaan ja mittausnopeudet voidaan määritellä tarkemmin. Kun mittausreitit suunnitellaan etukäteen ja suoritetaan automaattisesti, voidaan sama alue mitata useita kertoja täsmälleen samoja reittejä pitkin. Tämä parantaa datan vertailukelpoisuutta ja helpottaa esimerkiksi muutosten seurantaa. Maatutkausmittausten tukena voidaan hyödyntää myös ilmasta tehtävää kuvausta, mikä mahdollistaa laajojen alueiden systemaattisen kartoituksen nopeammin kuin perinteiset menetelmät.

Näiden ratkaisujen kehittämistä ja testaamista tukee Centria Drone Lab -kehitysympäristö, jonka kalusto kattaa miehittämättömät ilma-, maa- ja vesijärjestelmät. Monipuolinen laitekokonaisuus mahdollistaa uusien mittausmenetelmien, autonomisten toimintojen sekä eri sensoriteknologioiden kokeilun ja yhdistämisen erilaisissa tutkimus- ja kehityshankkeissa.

Mittausjärjestelmien automatisoituminen ja sensoriteknologioiden kehittyminen mahdollistavat entistä laajempien aineistojen keräämisen. Samalla myös kerättävän datan määrä kasvaa, mikä lisää tarvetta tehokkaille analysointimenetelmille. Tekoäly ja koneoppiminen voivat tuoda helpotusta maatutkausaineistojen käsittelyyn ja tulkintaan.

Maatutkateknologiassa on viime vuosina ryhdytty hyödyntämään yhä enemmän koneoppimisen ja tekoälyn tarjoamia mahdollisuuksia. Muutos on kuitenkin asteittainen: tekoäly ei korvaa perinteisiä menetelmiä, vaan täydentää niitä tilanteissa, joissa datan määrä ja toistettavuus tekevät automaatiosta tarkoituksenmukaista.

Nykyiset GPR-ohjelmistot sisältävät kehittyneitä signaalinkäsittelymenetelmiä, ja niiden käyttö vaatii edelleen vahvaa asiantuntemusta. Mallipohjaisia ratkaisuja voidaan hyödyntää esimerkiksi kohteiden luokittelussa tai poikkeamien tunnistamisessa, mutta täysin räätälöityjen mallien kouluttaminen vaatii huomattavia määriä merkattua dataa, jota ei monissa käyttökohteissa ole helposti saatavilla.

Tekoälypohjaisten mallien käyttöönotto korostaa datan laadun ja keruun merkitystä. Avoimesti saatavilla oleva GPR-data on hajanaista ja kattavuudeltaan rajallista, minkä vuoksi synteettinen eli keinotekoinen data toimii tärkeänä täydentävänä lähteenä erityisesti mallien alkuvaiheen koulutuksessa. Synteettinen aineisto ei kuitenkaan täysin vastaa todellisten mittausolosuhteiden monimuotoisuutta, joten sen rinnalle tarvitaan aina riittävä määrä todellista, tarkistettua dataa.

Tekoälyn tuomat hyödyt näkyvät erityisesti työnkulun tehokkuudessa. Perinteinen prosessi sisältää useita käsityövaiheita: mittaus, datan tallennus, siirto asiantuntijalle, kontekstitietojen tarkastelu, signaalin tulkinta ja raportointi. Tekoäly voi automatisoida tästä prosessista osia, kuten alustavan kohteiden luokittelun tai epätyypillisten signaalien nostamisen esiin. Reaaliaikainen tulkinta on teknisesti mahdollista, mutta sen luotettavuus riippuu voimakkaasti siitä, missä, milloin, miten ja millä maatutkaa ollaan käyttämässä.

Datan vähyys on edelleen merkittävä haaste, eikä tilanteen odoteta korjaantuvan nopeasti ilman systemaattista datankeruuta, tulkintaa, tarkastamista ja jakamiskulttuuria. Tästä syystä asiantuntijoiden rooli ei ole katoamassa, vaan muuttumassa. Manuaalisen tulkinnan rinnalle nousevat tekoälyavusteisten ad hoc -työkalujen teko, mallien tuottamien tulosten kriittinen arviointi, laadunvarmistus ja datan merkityksen ymmärtäminen osana laajempaa analyysiprosessia.

Avoimien paikkatietoaineistojen, maatutkauksen ja autonomisten järjestelmien yhdistäminen tarjoaa uusia mahdollisuuksia maa-alueiden kartoitukseen ja analysointiin. Alustavaa alueiden tarkastelua voidaan tehdä avoimen datan avulla, minkä jälkeen tarkempaa tietoa voidaan kerätä maatutkauksen ja miehittämättömien järjestelmien avulla monenlaisissa käyttöympäristöissä.

Autonomisten mittausalustojen hyödyntäminen mahdollistaa mittausten paremman toistettavuuden ja tasalaatuisemman aineistonkeruun. Samalla ilmasta tuotettu kuva-aineisto tukee mittausten suunnittelua ja kohteiden havainnointia. Tekoälyn ja koneoppimisen hyödyntäminen puolestaan tarjoaa uusia työkaluja erityisesti aineiston käsittelyyn, kohteiden tunnistamiseen ja datan analysoinnin tehostamiseen. Käytännön sovelluksissa asiantuntijan rooli säilyy kuitenkin edelleen tärkeänä erityisesti tulosten arvioinnissa ja laadunvarmistuksessa.

Artikkelissa käsiteltyjä menetelmiä ja teknologioita on tutkittu, testattu ja pilotoitu Euroopan unionin osarahoittamissa hankkeissa ATSOL ja ÄlyPilot.