Jakten på den perfekta satellitbilden för vegetationsanalys är ofta en kamp mot moln, regn och kyla. Trots att Sentinel-2 levererar en konstant ström av data över Sverige, visar sig en stor del av materialet vara oanvändbart först efter att det laddats ned och processats.
Genom att kombinera satellitdata med meteorologiska parametrar har Rymddatalabbet utvecklat ett metafilter, ett verktyg som rensar bort dåliga dagar redan i söksteget. Resultatet (observerat inom ramen för pilotstudien) är mer träffsäkert urval av satellitbilder och en analyskedja som blir både snabbare och mer resurseffektiv.
För att förstå utmaningens omfattning genomfördes ett test över Stockholmsregionen under augusti 2024. Resultatet visade att 19 av 31 dagar var oanvändbara främst på grund av molnighet. Utan förhandsfiltrering innebär varje sådan dag onödig nedladdning och tidsödande processering som i slutändan inte ger något värde.
Detta skapar ineffektiva dataflöden för myndigheter, forskare och företag som är beroende av regelbunden övervakning, oavsett om det gäller skogsinventering, jordbruksuppföljning eller klimatrelaterade analyser. Behoven av att rensa i dataflödet är med andra ord stort.
Ett meteorologiskt förhandsfilter
Inom ramen för Rymddatalabbet har RISE, CGI, Naturvårdsverket, Skogsstyrelsen och Stockholms universitet, utvecklat en metod som gallrar data innan den ens laddas ner.
Filtret bygger på daglig väderdata från klimatmodellen ERA5‑Land och körs som ett första steg i sökprocessen men filtret är flexibelt och kan anpassas för att använda vilken metadata som helst. I pilotstudien tillämpades två kriterier för att identifiera gynnsamma förhållanden för vegetationsanalys:
- dygnsmedeltemperatur över 15 °C
- nederbörd under 1 mm per dygn
Dagar som inte uppfyller båda villkoren sorteras automatiskt bort, vilket lämnar kvar ett urval av dagar med högsta möjliga potential.
87 procents minskning av kandidatdagar
Effekten av metafilteringen är omfattande. I testet reducerades antalet dagar som behövde granskas från 31 till endast 4 – en minskning av datamängden med hela 87 procent. Trots det kraftiga urvalet fanns den dag som uppmätte månadens högsta NDVI-värde (Normalized Difference Vegetation Index) kvar bland de utvalda dagarna.
Det är dock viktigt att förstå filtrets specifika roll, det är ett verktyg för att snabbt och kostnadseffektivt identifiera de absolut bästa dagarna för att bygga tidsserier av högsta kvalitet, utan att slösa resurser på oanvändbara bilder.
Resultaten från pilotstudien visar att meteorologisk metadata har stor potential att effektivisera satellitdatabaserade arbetsflöden i flera sammanhang, från miljöövervakning till forskning och utbildning.
”Det här är ett viktigt steg mot AI-drivna och automatiserade arbetsflöden inom jordobservation. När meteorologisk metadata används redan vid sökningen kan vi minska datamängden vi analyserar och användarna får fram bättre material snabbare”, säger Erik Källman, forskare på RISE och projektledare för Rymddatalabbet.
Nytta för forskning, offentlig sektor och industri
Metoden är skalbar och tillämpbar för alla aktörer som arbetar med regelbunden miljöövervakning. Inom forskning och utbildning skapar lösningen bättre förutsättningar för att arbeta med högkvalitativ rymddata. Pilotstudien har redan visat ett tydligt intresse i akademiska sammanhang, med planerade examensarbeten vid Stockholms universitet. För offentlig sektor och industri innebär det i förlängningen snabbare beslutsunderlag och en mer hållbar användning av beräkningskraft.
Nationell validering
Utvecklingen lägger grunden för en bredare tillämpning. Nästa steg är att validera filtret för olika årstider och geografiska zoner för att säkerställa precisionen över hela Sverige. Genom att rensa bort bruset redan i söksteget frigörs tid från manuell granskning till faktiskt beslutsfattande, en förutsättning för att kunna hantera framtidens enorma datamängder.
Pilotstudien är ett samarbete mellan RISE, CGI, Naturvårdsverket, Skogsstyrelsen och Stockholms universitet inom Rymddatalabbet.
Kom igång med metafilter
Studieresultat, kod, dokumentation finns öppet tillgängliga i GitHub, för vidare användning och anpassning.