AI för arealövervakning - en förstudie
| Diarienummer | |
| Koordinator | Statens Jordbruksverk |
| Bidrag från Vinnova | 500 000 kronor |
| Projektets löptid | december 2020 - augusti 2021 |
| Status | Avslutat |
| Utlysning | AI - Kompetens, förmåga och tillämpning |
| Ansökningsomgång | Starta er AI-resa för offentliga organisationer - hösten 2020 |
Viktiga resultat som projektet gav
Syftet med projektet var att öka kompetensen hos Jordbruksverket (SJV) inom AI samt att sprida kompetensen internt inom SJV och externt. Målet var att utveckla AI-algoritmer som i satellitbilder över ett begränsat område automatiskt kan detektera specifika aktiviteter på vall och betesmark under året. Detta har uppfyllts väl genom att: - utveckla metodik som bidrar till att automatisera detektionen av förändringar i vall. - kunskapsutbyte skett mellan RISE och SJV samt delning av AI kod - att information om projektet har spridits nationellt och internationellt.
Långsiktiga effekter som förväntas
Då projektet hade begränsade storlek var det inte möjligt att utveckla en fullt fungerande AI metod, men kunskapsutbytet mellan SJV och RISE under projektets gång genererade viktiga resultat och kunskap för AI-utveckling av framtida data i form av: - Återanvändbara NetCDF datasets - Modell baserad på oövervakad maskininlärning utvecklad - Jupyter notebooks för kunskapsöverföring skapade - Ökad prestanda hos Rymddatalabbet att plocka fram det bildmaterial SJV efterfrågar - Framtaget testmaterial av hög kvalitet samt förslag på AI modeller för fortsatt arbete efter projektet.
Upplägg och genomförande
Dataset som anger plats och brukning av 11.700 jordbruksfält under 2020, samt satellitbilder över samma område från Sentinel-2, har sammanställts. Oövervakad maskininlärning användes för att automatiskt gruppera betesmarker baserat på deras användning, genom att analysera satellitdata och sedan generera tidsserier baserat på NDVI (Normalized Difference Vegetation Index) beräknade med Gaussisk Process Regression. Klusteranalys (Dynamic Time Warping och Hierarchical clustering) visade på en korrelation mellan NDVI tidsserier och användning av betesmarker.