Fjernmåling av jordfuktighet ved bruk av mikrosatellitter
Høsten 2022 startet seks nyutdannede teknologer hos oss i Bredvid. To av dem, Mads Engja Rindal og Vegard Haneberg, leverte masteroppgave ved NTNU i 2022 med tittelen “Remote Sensing of Soil Moisture using GNSS-Reflectometry”. For deres arbeid har de blitt invitert som foredragsholdere på Geodesi- og Hydrografidagene 2022 i Stavanger og Geomatikkdagene 2023 i Trondheim. Ved sistnevnte konferanse ble de også tildelt prisen for beste masteroppgave 2022 innenfor fagfeltet Geomatikk i en kåring holdt av GeoForum.
Forsterkende klimaendringer framhever behovet for overvåkning av jordens vannsyklus over land, spesielt sett i sammenheng med økningen i naturkatastrofer som flom og tørke. Slike hendelser kan få store humanitære og økonomiske konsekvenser, og det forskes stadig på hvordan man best mulig kan forutse og gjennomføre skadeforebyggende tiltak. Forskning har vist at jordfuktighet er blant de viktigste parameterne i dette arbeidet.
Jordfuktighet er andelen vann i jordens overflate. Tidligere metoder for å innhente data om jordfuktighet baserte seg på lokale in-situ målinger med svært begrenset tidsmessig og romlig dekningsgrad. In-situ målinger refererer til målinger der det er direkte berøring mellom måleinstrumentet og materialet som undersøkes. Dette har gjort det utfordrende å samle inn data til bruk i overvåkning og katastrofevarsling over større områder. I nyere tid har blant annet NASA benyttet fjernmåling ved å utstyre en satellitt med en transmitter av radiosignaler, for deretter å måle signalstyrken på disse etter at de har reflektert av jordoverflaten. Til tross for at slike oppdrag er svært dyre har de vist at fjernmåling av jordfuktighet er mulig.
GNSS-Reflektometri og CYGNSS
I sin masteroppgave viste Rindal og Haneberg til en ny fjernmålingsteknologi som benytter mikrosatellitter og allerede transmitterte GPS-signaler. Teknologien baserer seg på konseptet Global Navigation Satellite System-Reflectometry (GNSS-R), og innebærer å analysere variasjoner i signalstyrke etter refleksjon fra jordoverflaten. Bruken av denne teknologien til fjernmåling av jordfuktighet basert på dataanalyse og maskinlæring var en problemstilling Rindal og Haneberg valgte å utforske nærmere i sin masteroppgave.
- Vi ble gjort oppmerksomme på at NASA nylig hadde tatt i bruk GNSS-R i et forsøk på å samle informasjon om vannoverflaten i forbindelse med dannelsen av tropiske sykloner, og hvordan orkanvarsling kan forbedres på bakgrunn av dette. Det var derfor spennende å forske videre på hvordan den samme dataen potensielt kunne utnyttes til å produsere nyttig informasjon over land, sier Haneberg.
Cyclone GNSS (CYGNSS) er et romoppdrag lansert av NASA i 2016, der 8 mikrosatellitter fungerer utelukkende som mottakere av reflekterte GPS-signaler transmittert fra allerede operative satellitter. Dette fører til at CYGNSS tilgjengeliggjør målinger på reflektert signalstyrke til en mye lavere kostnad enn tidligere oppdrag, og det med forbedret dekningsgrad. Rådata fra CYGNSS, kombinert med andre datasett med målinger av jordfuktighet for valideringsformål, var hovedressursene i all analyse de to utviklerne gjennomførte.
- Fordi CYGNSS opprinnelig var ment til å fungere over havet, lå fokuset i starten først og fremst på filtrering og prosessering av data, slik at den var best mulig egnet til å brukes i analyse over land. På denne måten kunne vi sørge for at observerte variasjoner i målt signalstyrke hovedsakelig skyldes endringer i bakkens vanninnhold, forteller Rindal.
Tidsserieanalyse og maskinlæring
Med den prosesserte dataen gjennomførte de to en tidsserieanalyse i Sistan- og Balutsjistan-provinsen i Iran, et område kjent for å være spesielt utsatt for flom. Med utgangspunkt i to kjente flomhendelser i 2020 og 2021 viste analysen signifikante økninger i overflaterefleksjon i rammede områder. I tillegg ble CYGNSS-dataen sammenlignet med MODIS satellittbilder som visualiserte at områder med økt overflaterefleksjon sammenfalt med flomområdene. Resultatene underbygget at CYGNSS-baserte målinger var kapable til å fange opp lokale variasjoner i jordfuktighet med høyere oppløsning enn tidligere metoder.
- Da vi så de lovende resultatene fra tidsserien, bestemte vi oss for å ta analysen et skritt videre. Den naturlige fortsettelsen ble da å se på hvordan vi også kunne gå fra CYGNSS-baserte målinger av overflaterefleksjon til faktiske estimater på jordfuktighet, starter Rindal.
- Det er jo sistnevnte parameter som er høyaktuell i sektorer som jordbruk og meteorologi, men det å produsere estimater av høy nok kvalitet er den store utfordringen. Det er her bruk av maskinlæring kan komme til nytte, fortsetter Haneberg.
Maskinlæring ble tatt i bruk for å lage en geofysisk modellfunksjon som skulle utnytte en kombinasjon av CYGNSS-data og andre faktorer relatert til klima og geografi som vegetasjonstetthet, overflaterøffhet og innfallsvinkel på det reflekterte GPS-signalet. Det ble benyttet automatisk maskinlæring, som er en prosess for å automatisere ulike oppgaver i maskinlærings-pipelinen som blant annet innebærer valg av maskinlæringsalgoritme, data-prosessering og finjustering av hyperparametere.
Etter å ha utnyttet nesten 3 år med CYGNSS-data fra de 8 mikrosatellittene mellom 2019 og 2021, kunne de vise til geofysiske modellfunksjoner som produserte estimater med state-of-the-art presisjon.
- Til tross for at det eksisterer begrenset forskning på å produsere jordfuktighetsestimater basert på fjernmåling ved bruk av mikrosatellitter, er det kult å se at metoden ser ut til å fungere så bra som den faktisk gjør. Det blir også spennende å følge med videre på hvordan muligheten for å produsere målinger på jordfuktighet av høyere oppløsning til en mye billigere penge kan åpne nye dører for forskning innen agrikultur, meteorologi, og naturkatastrofer, avslutter Rindal.
I begrunnelsen til juryen fra GeoForum ble det blant annet trukket frem hvordan de to evnet å presentere en tung materie på en forståelig, lettlest og interessant måte. Prisen for beste masteroppgave ble videre begrunnet med solid akademisk arbeid, i tillegg til deres evne til å tenke nytt rundt kjente problemstillinger. Vi i Bredvid gratulerer både Mads Rindal og Vegard Haneberg med prisen, og ser frem til å jobbe sammen på nye spennende prosjekter i årene som kommer.
