Multispektrianalyysi muuttaa kasvien seurannan maanviljelyssä

Tavallinen kamera tallentaa kuvia punaisen, vihreän ja sinisen (RGB) sävyissä jäljitellen sitä, mitä ihmissilmä näkee. Ymmärrettävästi myös maanviljelys hakeutuu kohti teknologioita, jotka havaitsevat ympäristöstä enemmän kuin ihmissilmä.

Multispektrikamerat ovat avainasemassa, sillä ne laajentavat havainnoinnin silmälle näkymättömiin spektreihin. Nämä kamerat tallentavat tiettyjä valon aallonpituuksia, erityisesti lähi–infrapunaa (NIR) ja ”Red-Edge”-aluetta, jotka sijaitsevat juuri meille näkyvän punaisen valon tuolla puolen. Tämä mahdollisuus nähdä näkymätöntä avaa valtavan määrän tietoa kasvien terveydestä, stressistä ja elinvoimaisuudesta. Multispektrikuvat ovat useimmiten joko satelliitilla tai dronella otettuja.

Kun data on kerätty, se voidaan käsitellä muun muassa kasvillisuusindeksien (Vegetation Indices) avulla. Nämä ovat pohjimmiltaan kaavoja, jotka yhdistävät eri valon aallonpituuskaistoja tuottaakseen näkymän, joka kertoo kasvin tilasta. Alan yleisimpiä indeksejä ovat:

NDVI (Normalized Difference Vegetation Index): Tunnetuin indeksi, joka soveltuu erinomaisesti kasvin yleisen elinvoimaisuuden ja vihreyden arviointiin.

NDRE (Normalized Difference Red Edge Index): Herkempi lehtivihreäpitoisuudelle, mikä tekee siitä ihanteellisen ravinnevajauksien ja kasvin stressin havaitsemiseen varhaisessa vaiheessa.

SAVI (Soil-Adjusted Vegetation Index): Erityisen hyödyllinen varhaisissa kasvuvaiheissa tai alueilla, joissa kasvien välissä on paljon paljasta maata näkyvissä.

OSAVI (Optimized Soil-Adjusted Vegetation Index): SAVI-indeksin muunnelma, joka toimii paremmin tiheän kasvillisuuden alueilla.

Kasvillisuusindeksien voidaan sanoa olevan täsmäviljelyn perusta. Niiden avulla viljelijät voivat seurata sadon terveyttä uskomattoman tarkasti, optimoida lannoitteiden ja veden käyttöä ja lopulta lisätä satoja kestävällä tavalla.

Viljelijät voivat käyttää multispektrikuvausta tärkeimpien viljelykasvien, kuten ohran ja kauran seurantaan. Kasvillisuusindeksit mahdollistavat resurssien ja kasvun tarkan hallinnan, mikä varmistaa sadon terveyden ja tuottavuuden. (Reddy, Sahoo, Kondraju, Rejith, Ranjan, Bhandari, Moursy, Tripathi & Kumar 2025.) Tämä tarve tehokkuuteen ja sen tuoma hyöty korostuvat varsinkin Suomen kaltaisessa maassa, jossa kasvukausi on lyhyt.

Suomessa muun muassa Yaran Atfarm-palvelu tarjoaa maanviljelijälle NDVI-kartan lisäksi typen seurantaan liittyvän kartan.

Yleisen sadon terveyden seurannan lisäksi tämä teknologia on tehokas työkalu tiettyjen haitallisten kasvien tunnistamiseen. Jokaisella kasvilajilla on oma erityinen tapa, jolla se heijastaa ja imee valon eri aallonpituuksia. Haasteena on eristää tämä ns. sormenjälki haittakasvia ympäröivistä kasveista (Rana, Gerbino & Carillo 2024).

Käyttämällä ortokuvien käsittelyyn erikoistuneita työkaluja voidaan käsitellä multispektrikuvia ja soveltaa niihin asiaankuuluvia kasvillisuusindeksejä. Prosessi sisältää seuraavat vaiheet:

1. Laskenta: Rasterilaskimen (Raster Calculator) avulla suoritetaan matemaattisia operaatioita (kuvakaistojen jakamista, kertomista, yhteenlaskua, ja muita matemaattisia operaatioita) kasvillisuusindeksikartan luomiseksi.

2. Suodatus: Tuloksena syntyvästä harmaasävyisestä indeksikartasta (jossa arvot voivat vaihdella esimerkiksi 0:sta 1:een) voidaan suodattaa pois epäolennainen data eristämällä tietty arvoalue, joka vastaa kohdekasvin sormenjälkeä. Tämä prosessi voidaan toistaa ja tulokset yhdistävät useista eri indeksikartoista tarkkuuden parantamiseksi.

Tämä teknologia ei ole ihmelääke, vaan siihen liittyy useita haasteita. Laitteissa tapahtuva kehitys kuitenkin vähentää ja poistaa alla mainittuja haasteita:

Spektrinen päällekkäisyys: Joskus toisella kasvilla voi olla hyvin samankaltainen spektrinen sormenjälki kuin etsimälläsi kasvilla, mikä vaikeuttaa tunnistamista.

Fyysiset rajoitukset: Teknologia ei näe tiheän kasviston läpi.

Kuvan laatu: Multispektrikameran resoluutio on paljon heikompi kuin tavallisten kameroiden. Tämän takia löydöksiin kuuluu aluksi suhtautua skeptisesti ja varmentaa ne mahdollisimman monella tavalla.

Maastotarkastuksen tarve: Kaikkea ei pysty varmentamaan RGB-kuvasta, joten maastotarkastus on tarpeen. Ihmisen on varmistettava omin silmin, mitä data näyttää. Teknologian ja ihmisen asiantuntemuksen yhdistelmä on tarkkuuden kannalta välttämätön.

Toisto uudella materiaalilla, joka on otettu eri aikana tai eri paikasta: Skaalautuvuus on tärkeää, joten lisämateriaalilla pystymme tarkistamaan, toimiiko sama prosessi toisella alueella, tai toimiiko se eri ajankohtana. Tiettyinä ajankohtina tietyn kasvin löytäminen voi muuttua mahdottomaksi, tai vaihtoehtoisesti helpottua huomattavasti.

Valepositiiviset ja negatiiviset: Useinkaan ei voi luoda täysin varmaa järjestelmää, joka virheittä löytäisi kaiken. Tässä kohtaa on tärkeää määrittää raja sille, kuinka paljon vääriä löydöksiä saa olla ja kumpi on parempi: se, että niitä on liikaa, vai se, että niitä on liian vähän.

Mihin tämä kaikki vie?
Multispektrikameroiden lisäksi kuluttajakäyttöön tuloaan tekevät hyperspektrikamerat, jotka mahdollistavat entistä laajemman aaltopituuksien tarkastelun. Käyttökohteet lisääntyvät, ja sitä myötä kiinnostus tarkalla tiedolla tehtyyn päätöksentekoon kasvaa. Tämä mahdollistaa myös laajempaa automaatiota, sillä tietyt päätökset eivät vaadi ihmistä väliin päätöksentekoon. (Ram, Oduor, Igathinathane, Howatt & Sun 2024.; Klymkovych 2024.)

Uuden tekniikan korkea hinta ja käyttöönoton opettelu hankaloittavat käyttöönoton yleistymistä, joten palvelut, kuten Yaran Atfarm ovat tärkeä askel tämänlaisen tekniikan laajemmassa käyttöönotossa. Lähivuosina datan laatu paranee, ja aikaväli datankeruuhetkestä sen käyttöön lyhenee.

Multispektrikameran kokeiluja on tehty Euroopan aluekehitysrahaston osarahoittamassa ÄlyPilot-hankkeessa.