Jordobservasjon

NR har vært ledende på jordobservasjon siden Norge begynte å fokusere på satellitt- og fjernmåling på 1980-tallet.

Hovedfokuset har siden den gang vært å lage metodikk og algoritmer for analyse av fjernmålte data fra satellitter, fly og droner. Vår visjon er å utføre forskning og utvikling som fører til nye og bedre metoder for fjernmåling innenfor miljø- og klimaovervåking, og kartlegging og overvåkning av naturressurser for anvendelser hos offentlige myndigheter og private organisasjoner.  

Satellitter for jordobservasjon har gitt oss unike muligheter til rask og gjentakende kartlegging og overvåkning av hele verden. Gjennom flere tiår har satellitter gitt informasjon om land, hav og atmosfære, samt menneskelig aktivitet, på daglig basis. Først i grov oppløsning, men nå nærmer vi oss et stadium hvor man kartlegger hele kloden hver dag med rundt én meters oppløsning. Med flybårne instrumenter oppnår man bildeoppløsning ned til noen centimeter. Med droner kan man observere spesifikke områder og objekter med oppløsning på millimeter. 

NR har lang erfaring med bestemmelse av geofysiske og biologiske variabler med algoritmer som analyserer optiske data, data fra mikrobølgesensorer og gjennom fusjon av data fra flere typer sensorer. I løpet av de siste ti årene har kunstig intelligens, og da spesielt dyp læring, økt potensialet for fjernmåling i stadig flere anvendelser. NR tok tidlig en ledende posisjon innenfor dette feltet. 

Hovedområder

Aktuelle prosjekter

Metode

Vårt mål å være ledende på metoder og samtidig ha bred kunnskap innenfor hele vårt fagområde, slik at vi kan velge ut beste tilnærmingsmåte for den enkelte problemstilling. Vår faglige ekspertise inkluderer:

Metoder for multisensor, multitemporal og multiskala analyse:

For over 15 år siden startet vi med å utvikle et metodiske rammeverk for problemstillinger med observasjoner fra forskjellige typer sensorer av vidt forskjellig oppløsning. I dag bidrar vi tungt på bl.a. klima og miljøovervåkning med analyse av tidsserier som gir konsistente resultater med mål på usikkerhet. En av våre tilnærmingsmåter i flere anvendelser bygger på bruk av skjulte markovmodeller (hidden Markov model, HMM) for samtidig sensorfusjon, håndtering av multiskala- og tidsserieanalyse.

Deteksjon av objekter i bilder:

Satellitter i jordbane leverer bilder med oppløsning ned til 30 cm og utgjør viktige observasjonsplattformer sammen med digitale foto fra fly og droner. Hovedtilnærmingsmåten er deteksjon (segmentering) etterfulgt av klassifikasjon, der vi finner interessante objekter for brukerne; kulturminner, sel på isflak i Arktis og enkelttrær i bilder basert på laserskanner. Tilsvarende tilnærminger brukes på objekter som ikke er fullt så små, men kanskje desto vanskeligere å gjenkjenne; marint oljesøl observert med radar, snøskred med optisk og radar, og flomarealer med radar. Der det er mulig å frembringe gode treningsdata, har metoder for dyp læring i stor grad overtatt.

Dyp læring:

En av våre viktigste metodiske tilnærminger for å analysere fjernmålingsbilder er dyp læring (deep learning). NRs forskning på dyp læring fokuserer blant annet på å lære fra begrensede datasett, utnytte kontekst og avhengigheter, kvantifisere usikkerhet, utnytte ikke-standard og heterogene bildedata og utvikle operasjonelle tjenester. De siste ti årene har dyp læring revolusjonert bildeanalyse. For mange problemstillinger oppnår dyp læring betydeligere høyere ytelse enn tidligere ledende teknikker. 

Jordobservasjon brukes i disse bransjene