Presise arealdata for landbruk og forvaltning

Problemet: Utdatert og unøyaktig arealinformasjon

I landbruket er det viktig å vite hva som faktisk dyrkes hvor. Såkorn er én innsatsfaktor, mens bruk av gjødsel har stor betydning for både avlingsnivå og miljøpåvirkning. Overgjødsling kan føre til redusert produksjon og forurensning av grunnvann, innsjøer og elver. Samtidig er mange støtteordninger basert på registrert areal.

I flere land innebærer dette fysiske kontroller der myndigheter må reise ut og måle opp jorder manuelt, ofte med redusert nøyaktighet fordi det er for tidkrevende å måle alle feltgrenser presist. Slike prosesser er ressurskrevende og kostbare, og kan føre til avvik mellom registrerte data og faktisk bruk. Dette kan igjen føre til mistillit og bøter dersom det er søkt om mer tilskudd enn det unøyaktige datagrunnlaget tilsier.

Det finnes et betydelig potensial for å øke kornproduksjonen globalt gjennom bedre utnyttelse av eksisterende arealer, anslått til rundt 20 prosent.

Løsningen: Satellittdata analysert med kunstig intelligens

DigiFarm bruker satellittbilder og kunstig intelligens for å analysere store landbruksarealer. Løsningen gjør det mulig å identifisere feltgrenser og følge endringer i arealbruk over tid, basert på satellittbilder som tas langt hyppigere enn flyfoto.

Sentinel 2 satellittdata har en oppløsning på 10 meter, noe som i mange tilfeller gir et relativt grovt bilde av arealene. Ved hjelp av metoder som utnytter all tilgjengelig informasjon i satellittbildene, inkludert både synlig og usynlig lys, som infrarødt og nær infrarødt lys, kan detaljnivået forbedres betydelig.

Denne informasjonen mates gjennom en KI modell på superdatamaskinen LUMI, ved hjelp av kapasitet tilgjengelig gjennom Sigma2. Dette gjør modellen i stand til å gjenskape flere detaljer enn det som er synlig for det blotte øyet. KI modellen er trent på svært store mengder manuelt produserte treningsdata, utviklet av en stor gruppe GIS ingeniører. Datamengden var så omfattende at modellen kun kunne trenes på en superdatamaskin av samme skala som LUMI.

DigiFarm benytter flere typer satellittbaserte bildedata for å forbedre datakvaliteten og gjøre informasjonen mer detaljert og anvendbar. Det forbedrede datagrunnlaget kan også brukes i andre sammenhenger enn DigiFarms egne tjenester.

Bruk i offentlig forvaltning

Myndigheter i flere land bruker DigiFarms tjenester i forbindelse med arealkontroll og forvaltning av subsidier. Ved å basere kontrollene på satellittdata kan behovet for fysiske befaringer reduseres betydelig. Dette gir lavere kostnader knyttet til oppmåling og kontroll, mer lik praksis på tvers av områder og bedre samsvar mellom registrerte data og faktisk arealbruk.

Overvåking av natur og inngrep

Satellittbilder kan hentes inn flere ganger daglig og til ulike tider gjennom året, for å ta hensyn til skygger og sesongvariasjoner. Dette gjør det mulig å overvåke avskoging og vurdere hvor raskt endringer skjer.

Løsningen kan også brukes til å sammenligne faktisk utbygging med godkjente byggetillatelser, samt dokumentere at utbygging skjer i tråd med godkjent arealbruk. Erfaring viser at det som bygges ikke alltid samsvarer med det som er godkjent.

Datakvalitet og tillit

DigiFarm benytter blokkjedeteknologi for å dokumentere dataene sine. Dette gjør datagrunnlaget mer etterprøvbart og egnet for videre bruk. Sertifiserte data kan blant annet brukes i dialog med banker. For bønder kan dette gi bedre grunnlag for finansiering og mer forutsigbare lånevilkår.

Samfunnsnytte

Ved å kombinere satellittdata og kunstig intelligens bidrar DigiFarm til bedre utnyttelse av landbruksarealer, redusert miljøbelastning, lavere kostnader i offentlig forvaltning og økt tillit til datagrunnlaget som brukes i beslutningsprosesser. Casen viser hvordan datadrevne løsninger kan tas i bruk i praksis og gi konkret samfunnsnytte for både landbruk og forvaltning.