Hopp ned til navigasjon Hopp ned til innhold
Jordas vegetasjonsdekke og når på året det når maksimal grønnfarge, sett av Sentinel-2. Rødt er på våren, grønt er på sommeren, blått er på høsten og lilla er på vinteren. Grafikk: Copernicus Sentinel data (2016–18) processed by GeoVille
Copernicus Sentinel data (2016–18) processed by GeoVille

Når er det grønnest på jorda?

Miljøsatellitt har sett hele verdens plantedekke i 10 meters oppløsning.

Det er vår og plantene spirer på den nordlige halvkule. Men når på året er plantene mest produktive og vegetasjonsdekket grønnest på ulike steder i verden?

Det har de europeiske miljøsatellittene Sentinel-2 funnet ut. Disse to satellittene ser i alle fargene som finnes i synlig lys, samt på flere infrarøde bølgelengder.

Derfor ser Sentinel-2-satellittene all vegetasjon godt, fra forskjellige typer skog og utmark til ulike sorter avlinger og dyrkete planter.

Også elver, innsjøer, myrer og tjern, og plantevekst og tilgroing i disse synes godt på bildene til Sentinel-2. Det samme gjelder kystlinjer, algevekst til havs, og til og med korallrev på grunt vann.

Dette er viktige miljødata som kan brukes i forskjellige sammenhenger. Derfor er det mange ulike offentlige etater, forskningsinstitusjoner, organisasjoner og bedrifter over hele Europa som bruker dataene fra Sentinel-2, i kommersielle og ikke-kommersielle sammenhenger.

Det gjør også norske etater og organisasjoner som NIBIO, NIVA og andre. Dataene fra Sentinel-2 er fritt tilgjengelige på Satellittdata.no.

Milliarder av bildepunkter

- Det nye vegetasjonskartet danner basis for å kunne utvikle nye tjenester til landbruket, for eksempel til bønder som dyrker poteter eller andre typer avlinger, sier Eva Haas, leder for landbruksavdelingen i det østerrikske firmaet GeoVille, til den europeiske romorganisasjonen ESA.

Også eksperter som jobber med å klassifisere vegetasjonsdekket og endringene i det, samt andre som arbeider innen landbruk, skogbruk eller ressursforvaltning, vil ha nytte av det nye satellittkartet.

<?xml version="1.0" encoding="UTF-8"?>
<section xmlns="http://docbook.org/ns/docbook" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:ezxhtml="http://ez.no/xmlns/ezpublish/docbook/xhtml" xmlns:ezcustom="http://ez.no/xmlns/ezpublish/docbook/custom" version="5.0-variant ezpublish-1.0"><para>Avlinger av poteter (rødt), grønnsaker og blomster (oransje), korn (gult) og gress (blått) sett i Nederland av Sentinel-2 i juni 2018. Foto: Copernicus/GeoVille/ESA</para></section>

Avlinger av poteter (rødt), grønnsaker og blomster (oransje), korn (gult) og gress (blått) sett i Nederland av Sentinel-2 i juni 2018. Foto: Copernicus/GeoVille/ESA

For å lage kartet over vegetasjonen i verden gjennom årstidene, brukte GeoVille milliarder av bildepunkter.

Disse dataene ble tatt av Sentinel-2 fra 2015 til 2018. Bildet som er vist øverst i artikkelen har en oppløsning ned til 20 meter. Det vil si at hvert bildepunkt dekker en avstand på 20 meter på bakken.

GeoVille har også laget et vegetasjonskart med en oppløsning helt ned til 10 meter. Dette kartet er tilgjengelig på forespørsel.

Analysert med kunstig intelligens

GeoVille er eksperter på å analysere satellittdata. For å lage vegetasjonskartet fra Sentinel-2, utviklet den østerrikske bedriften en spesiell dataprosesseringsmotor kalt LandMonitoring.Earth.

Denne prosesseringsmotoren er helautomatisk og bruker data fra Sentinel-1- og Sentinel-2-satellittene i det europeiske miljøprogrammet Copernicus, samt andre satellitter som ESA samarbeider med, som den amerikanske satellitten Landsat.

<?xml version="1.0" encoding="UTF-8"?>
<section xmlns="http://docbook.org/ns/docbook" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:ezxhtml="http://ez.no/xmlns/ezpublish/docbook/xhtml" xmlns:ezcustom="http://ez.no/xmlns/ezpublish/docbook/custom" version="5.0-variant ezpublish-1.0"><para>Sentinel-2 er en optisk satellitt som ser i farger og infrarødt for å holde øye med vegetasjonsdekke, skogmasse, jordbruk, plantevekst, elver, innsjøer, og kystlinjer. Grafikk: ESA</para></section>

Sentinel-2 er en optisk satellitt som ser i farger og infrarødt for å holde øye med vegetasjonsdekke, skogmasse, jordbruk, plantevekst, elver, innsjøer, og kystlinjer. Grafikk: ESA

- Vi prosesserte hele bildearkivet til Sentinel-2 ved hjelp av LandMonitoring.Earth, kunstig intelligens, maskinlæring og analysemetoder for store mengder data, sier Michael Riffler, leder for forskning og utvikling ved GeoVille.

- Det er de datatette tidsseriene fra Sentinel-2 som gjør at dynamikken i jordas vegetasjonsdekke nå kan presenteres for aller første gang, sier Riffler.

Utviklingen av LandMonitoring.Earth ble gjort gjennom ESAs innovasjonsnettverk for jordobservasjon, kalt Φ-Lab, og brukt av GeoVille og dets nederlandske datterselskap GEO4A.

Marked med enormt potensial

 - Det nye kartet danner et godt grunnlag for flere og mer spesialiserte kart over ulike typer vegetasjonsdekke. Utviklingen og bruken av slike kart kan akselereres ved hjelp av maskinlæring og kunstig intelligens, sier Iarla Kilbane-Dawe, leder for Φ-Lab i Italia.

Dataprosesseringsmotoren LandMonitoring.Earth er laget for å kunne behandle svært store mengder data, som for eksempel fra det europeiske Copernicus-programmet.

<?xml version="1.0" encoding="UTF-8"?>
<section xmlns="http://docbook.org/ns/docbook" xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:ezxhtml="http://ez.no/xmlns/ezpublish/docbook/xhtml" xmlns:ezcustom="http://ez.no/xmlns/ezpublish/docbook/custom" version="5.0-variant ezpublish-1.0"><para>Første offentliggjorte bilde av bergensområdet tatt fra Copernicus-satellitten Sentinel-2A. Foto: Copernicus Sentinel data 2015. </para></section>

Første offentliggjorte bilde av bergensområdet tatt fra Copernicus-satellitten Sentinel-2A. Foto: Copernicus Sentinel data 2015. 

Satellitter som Sentinel-2 danner så enorme mengder data at kunstig intelligens og maskinlæring trengs for å analysere dataene og gjøre dem om til kommersielle produkter og tjenester. Men potensialet for dette markedet er enormt.

Den norske bedriften Science [&] Technology AS har utviklet et satellittkamera som analyserer bildene sine selv, ved hjelp av kunstig intelligens og maskinlæring.