Riihiaho kertoo, että oikeassa maailmassa spektrikameroita voidaan hyödyntää esimerkiksi metsien ja kasvillisuuden terveydentilan tarkkailussa. Haasteeksi kuitenkin usein tulee valtava datamäärä ja sen analysointi. ”Spektrikamera on laite, joka pystyy mittaamaan kohteesta heijastuvaa tai sen läpi kulkevaa valoa erittäin kapeilla aallonpituuskaistoilla. Sen spektrinen erottelukyky on paljon normaalia kameraa parempi ja spektrikuvista voidaan päätellä paljon erilaisia asioita kuvattavan materiaalin ominaisuuksista”, Riihiaho kertoo. Valtavan datamäärän analysointi ihmisvoimin on kuitenkin mahdotonta ja siksi siihen käytetään erilaisia koneoppimismenetelmiä.
”Koneoppimismenetelmät eivät osaa automaattisesti analysoida spektrikuvista kasvin hyvinvointia, vaan ne pitää ensin kouluttaa. Etenkin neuroverkkojen kouluttaminen vaatii valtavan määrän koulutusdataa, ennen kuin ne voivat toimia luotettavasti. Tarvittavan datamäärän kerääminen luonnosta vie paljon aikaa ja siksi koulutusmateriaalia tekoälylle kannattaa luoda simulaattorien avulla”, Riihiaho kuvailee. Droonien yleistyminen ja kohtuullinen hinta yhdessä keveämpien spektrikameroiden kanssa on kasvattanut kiinnostusta droonien hyödyntämiseen metsien kasvillisuuden biofysikaalisen ja biokemiallisen tilan tarkastelussa.
Tälläkin hetkellä simuloitua spektridataa hyödynnetään erilaisten tekoälymenetelmien kouluttamisessa, mutta olemassa olevat simulaattorit keskittyvät pääasiassa avaruus- ja lentokonepohjaisen datan simulointiin. Riihiahon kehittämä HyperBlend sen sijaan keskittyy erityisesti matalalla lennätettyjen kuvantimien kuvadatan simulointiin. ”Simulaattorissa käyttäjä valitsee kasvien lehtien parametrit, kuten vesimäärän ja klorofyllipitoisuuden sekä määrittelee maaperän koostumuksen ja metsän geometrian, eli muun muassa puiden muodon, määrän ja sijainnin”, Riihiaho kuvailee simulaattorin toimintaa. Samankaltaisia virtuaalisia metsiä voidaan luoda simulaattorilla automaattisesti miten paljon tahansa. Lopuksi tuotetaan varsinaiset simuloidut spektrikuvat, joita voidaan hyödyntää tekoälyn kouluttamisessa.
”Tähän mennessä HyperBlendiä on käytetty metsien ja fotobioreaktoreiden simulointiin. Tulevaisuudessa HyperBlend ja sen kaltaiset simulaattorit ovat apuna, kun tekoälytyökaluja koulutetaan automaattisesti tarkkailemaan esimerkiksi tuotantokasvien ja peltojen hyvinvointia tai tunnistamaan automaattisesti metsissä piileviä tuholaisia”, Riihiaho summaa.
Lähde: Jyväskylän yliopisto
The post Väitös: Tietokonesimuloidut metsät apuna kasvillisuuden hyvinvointia seuraavan tekoälyn kouluttamisessa appeared first on Vastuullisuusuutiset.fi.