Jordobservasjon med ubemannede luftfarkoster

The Terradrone project has been developing novel research-based technologies for advanced earth observation. Achieving this goal involves developing new payloads for drones, in parallel with development of analytical technology to utilize the increasing amounts of data from these sensors. Data collection with advanced sensors including hyperspectral imagers, gravimeter and precision magnetometer with very high resolution are utilized in the drone payloads. The data collection use the advantage of drones to make it efficient and with high quality. Drones can fly lower than manned aircraft without risk to the crew or other people, hence increasing the quality of the collected data. Drones are also suitable for missions that are repetitive and monotonous, since they do not get tired as humans. One challenge with such large amounts of sensor data that has been collected is to find the relevant information and retrieve it. Idletechs has been developing big data analysis of the data in order to ensure that data sets are utilized efficiently, which is of great social and commercial impact. To illustrate the value of the technologies in this project, a field campaign at Bjørnøya was done in 2017 by Maritime Robotics and NGU. This demonstrated drone based data collection for surveillance and knowledge about nature and the geological composition of the earth. During 2019, a series of long duration drone flights were done with an experimental gravimetry payload by NTNU and Maritime Robotics, measuring small changes in the Earth gravitational field. Such sensors have previously been large in size, and the experiements aim to reduce the size using modernt technologies in new ways.

- Maritime Robotics har opparbeidet kunnskap og erfaring med bruk av et spekter av sensorer for integrasjon i RPAS. Dette muliggjør skreddersydde pakker etter kundens behov for kartlegging og jordovervåking. Selskapet har på bakgrunn i denne kunnskapen allerede levert skreddersydde løsninger for jordovervåking og gjennomført kartleggingsoppdrag. Mye av dette har også overlappet inn i forretningsområdet for ubemannede overflatefartøy på sjø, hvor kunnskapen har blitt gjenbrukt. - Algoritmer for analyse av stordata er i prosjektet utviklet av Idletechs, og tilgjengelig for et spekter av anvendelser. Dette er allerede benyttet kommersielt i analyse av satellittdata og de har fått flere nye prosjektet som følge av dette. - Utnyttelse av allerede innsamlede data på nye og tidligere ikke forutsette måter er ikke realisert foreløpig. NGU, som deltok i dette prosjektet, er godt forberedt på dette og har allerede data samlet inn med forskjellige sensorer og metoder.

Å jevnlig samle data av jordoverflaten fra lufta for å kunne få statistiske tidsserier gir nye mulighet for å se sammenhenger i naturen. Jo nærmere en kan fly jordoverflaten, jo bedre detaljgrad og kvalitet på datainnsamlingen. Flyging i svært lav høyde er sjelden i tråd med de sikkerhetskrav definert av både luftfartsmyndigheter og mannskapet om bord, og i tillegg har bemannet lufttrafikk en relativt høy personellkostnad, samt et betydelig negativt miljøavtrykk. Ubemannede luftfarkoster, droner eller det mest korrekte betegnelsen Remotely Piloted Aircraft Systems (RPAS) er nå den desidert raskest aktiviteten innen internasjonalt aerospace marked. Vi erfarer at de meste egnede og konkurransedyktige applikasjonene for et robotsystem er oppgaver som vi mennesker finner risikofylte, repeterbare og/eller kjedelige/langtekkelige. Jordobservasjon har alle disse stikkordene. For best mulig datakvalitet skal vi fly så lavt som mulig, ofte i i tøffe klimatiske eller topografiske forhold. Datainnsamlingene skjer ofte ved at flyr i lange rette 'striper' eller plenklipper-mønster i så lang flytid som teknisk mulig, og dette kan bli både repeterbart og kjedelig for de fleste piloter. RPAS har både utholdenhet, et lavt kostnadsnivå i operasjon og er nær sagt risikofri for mennesket. En RPAS som måler med flere målesensorer på samme tid har da en mulighet til å samle enorme datamengder som kan arkiveres med tanke på framtidig mulig bruk. Ut fra disse datasettene kan analyse av store datamengder og forskjellige målevariable i tidsserier gjøres. Dette konseptet kalles i dag big-data analyse, og RPAS er ideelle for datainnsamling for slike analyser. Uten å ha en metode/verktøy for å omforme disse enorme datamengdene til meningsfylte analyser og prediksjoner, vil datamengden til slutt gjøre det umulig å foreta seg fornuftige handlinger.