D-arvomittari nurmikasvustossa sekä mittausarvoja

Lähi-infrapunan mahdollisuudet ja haasteet

Lähi-infrapuna, englanniksi Near InfraRed (NIR) on näkyvän valon ja lämpösäteilyn välimaastoon (n. 750–2500 nm) sijoittuva ”ääripunainen” värialue, jota ihmisen silmä ei enää kykene näkemään. NIR kuuluu siis infrapuna-alueeseen, jonka iho aistii toisessa ääripäässään jo lämpösäteilynä. Toisin kun näköalueen toisen laidan UV, NIR ei ole millään tavalla haitallista. Itse asiassa se väikkyy ympärillämme luonnossa meille näkymättömänä mutta silti tuhansissa eri sävyissä, joita jotkut eläimet pystyvät aistimaan.

Jo kauan on tiedetty, että hiilihydraatit, vesi, alkoholit ja aminohapot sävyttävät juuri tuon alueen värejä. Siksi NIR-alue on erityisen hyödyllinen lääketieteen diagnostiikan, ravinneanalyysien ja oikeastaan kaikkeen eläviin organismeihin liittyvän tiedon hankinnassa. Perinteisesti ajatellaan, että näkyvän valon tässä punaisessa reunassa on helpompi mitata ”kevyempiä” biomassan ainesosia, kuten sokereita, kuituja, rasvoja, proteiineja, vettä jne. Näkyvän valon toisen reunan takana UV-alueesta aina röntgeniin asti taas reagoivat ”raskaammat” aineet kuten erilaiset metallit ja mineraalit, joita vaikkapa maanäytteistä tutkitaan.

Viime vuosien kehitystyö on tuonut markkinoille pienempiä ja edullisempia sensoreita, joiden avulla tutkimus voidaan ulottaa laboratorioista pellon pientareille, tullilaboratorioihin ja lääkärin vastaanotolle. Samaan aikaan datan analysointiin on löydetty uusia, tehokkaita keinoja.

Tekniikka

NIR-aluetta varten on myynnissä laitteita, jotka tunnistavat juuri tämän alueen sävyjä. Itse asiassa aivan normaalit digikameratkin näkisivät jo pitkälle NIR-alueelle, mutta se vääristäisi kuvien värisävyä. Siksi kennoissa on IR-suodattimet, joita näppärimmät kuvaajat ovat poistaneet. Sillä tavalla saa kyllä karvalakkimallin NIR-kameran, jolla pääsee jo aihetta kokeilemaan.

NIR-analyysin suurin haaste liittyy itse spektrin tulkintaan. Aineilla on usein tunnistettava NIR-värisävynsä aivan kuten porkkanan karoteeneilla tai marjojen antosyaaneilla näkyvän valon alueella. Monien yhdisteiden ”jalanjälki” onkin helppo tunnistaa puhtaana. Haasteet alkavat siitä, kun luonnossa yhdisteet muodostavat hankalasti tulkittavan kudoksen. Siksi toimivimmaksi analysointitavaksi on osoittautunut tilastollinen menetelmä. Siinä tietokoneohjelma vertailee monien näytteiden spektrejä niistä tehtyjen laboratoriotestien perusteella. Tätä kautta algoritmi tai tekoäly pystyy luomaan mallin, jolla vaikkapa nurmelle voidaan määrittää luotettavasti D-arvo.

Tämä prosessi vaatii mieluiten satojen näytteiden spektrejä ja laboratoriotuloksia. Tarkkaan ottaen esimerkiksi joka nurmikasvilajikkeella on hiukan erilainen spektrivasteensa, joten jokainen niistä saattaa tarvita oman datasettinsä. Sian liete poikkeaa spektriltään naudan lietteestä, joten typpiarvot on laskettava omilla malleillaan. Näin pelkän mittalaitteen kehittäminen onkin vasta puoli ruokaa. Mittausdatojen käsittely edellyttää aivan omaa osaamistaan ja jopa uusia liiketoimintamalleja. Datalle muodostuu arvo ja hinta, sitä voidaan ostaa, myydä ja vuokrata. Tätä kautta NIR-teknologialle kehittyy aivan omanlaisensa arvoketjut. Tähän kaikkeen menee vain aikaa.

Maatalouden NIR-laitteet

Ensimmäiset maatalouden NIR-laitteet olivat yleiskäyttöisiä ja siksi kalliita. Hiljalleen niiden rinnalle on tullut joukko spesifejä mittalaitteita, jossa datasetin hallinta ja tulosten tulkinta on helpompaa. Maatilatason käyttöön on kehitetty NIR-analyysilaitteita muun muassa viljan ja rehujen laadun analysointiin (Kuiva-ainemittarit ruokinnan seurantaan) sekä lietteen ravinnepitoisuuksien mittaamiseen. Maaperäskannauksessa lähi-infrapunaa käytetään maan orgaanisen aineen ja ravinteiden mittaamisessa. Käsikäyttöisiä laitteita on tulossa myös hedelmien ja vihannesten laadun seurantaan. Centria ammattikorkeakoulussa kehitettiin AFarCloud-projektissa nurmen D-arvomittari, joka näkyy otsikkokuvassa.

Hyödyt

  • Mahdollistaa reaaliaikaisen ravinnemäärityksen
  • Vähentää hitaan laboratoriotestauksen käyttöä
  • Tätä kautta ravinnemäärityksestä voi tulla osa jokapäiväistä optimointia vaikkapa ruokinnassa
  • Viljojen ravinne- ja kosteusmääritys tukee myyntiprosesseja

Huomioitavaa

  • Verrokkidata on erillinen osansa. Sitä voidaan päivittää ja ostaa lisää eri lajikkeita.
  • Mittalaitteen data on hyvin käyttökelpoista muissa ohjelmissa, esim. ruokinnan suunnittelu.
  • Itse mittaus ei tarvitse mitään erityistä asiantuntemusta, kunhan tietyt asiat osaa huomioida
  • Usein laitteen käyttöliittymä on toteutettu mobiilipuhelimella ja bluetooth-yhteydellä

Hintahaarukka

  • Halvimmat laitteet maksavat joitakin tuhansia, tyypillisesti kuitenkin vielä 5 000–10 000 euroa
  • Yleiskäyttöiset moniin eri mittauksiin soveltuvat laitteet maksavat kymmeniä tuhansia.

Tuotteita

 

Lisätietoa

Videoilla esimerkkejä NIR-tekniikan hyödyntämisestä:

AFarCloud-projekti: Rehuskanneri

Tomaatin laadun mittaus NIR-sensorilla, Tom Lillhonga, Novia

Kirjoittaja: Mikko Himanka, projektipäällikkö, Centria ammattikorkeakoulu