Maatalouden kaukokartoitus

Anne Nieminen
40201U
SISÄLLYSLUETTELO
  1. JOHDANTO
  2. KAUKOKARTOITUKSEN AVULLA SAATAVAA TIETOA
    2.1 Viljelykasvit
    2.2 Pinta-alat
    2.3 Sato
  3. SATELLIITIT JA SATELLIITTIKUVAT
    3.1 SPOT JA LANDSAT
    3.2 NOAA
    3.3 METEOSAT
    3.4 ERS-1, ERS-2
  4. KASVUMALLIT
  5. EU:N TUTKIMUSTYÖ
    5.1 MARS-projekti
    5.2 Satoarvioprojekti
  6. YHTEENVETO
  7. LÄHDELUETTELO

1. JOHDANTO

Kaukokartoitus on tehokas apuväline maataloustuotannon seurannassa, koska sen avulla voidaan seurata laajoja alueita ja kuvia saadaan suhteellisen usein ja tasaisin väliajoin. Taloudellisesti on tärkeää tietää miten suuri sato on odotettavissa ja kun samalla on mahdollisuus saada nopeasti tietoa vallitsevista kasvuoloista, voidaan varautua esimerkiksi kuivuuden aiheuttamiin katoihin. Kun ajoissa tiedetään, kuinka suuri sato on odotettavissa, markkinointi voidaan suunnitella etukäteen ennen varastojen täyttymistä ja ylituotanto-ongelmien hoitaminen kenties helpottuu. Juuri kaukokartoitusta käyttävien menetelmien nopeus, kattavuus ja tietojen objektiivisuus - olettaen, että kuvia ei manipuloida - tarjoaa merkittäviä etuja aikaisemmin käytettyihin ainostaan kasvukauden jälkeiseen tilastointiin perustuviin menetelmiin verrattuna. Tällä hetkellä mm. Euroopan Unioni tutkii voimakkaasti maatalouden kaukokartoitussovelluksia ja se on laajentanut tutkimustoimintaansa myös unionin ulkopuolelle. Monista Itä-Euroopan maista puuttuu samantasoinen tilastointijärjestelmä kuin esim. Suomessa on ja kuitenkin oikean tiedon tarve suunnittelun pohjaksi on valtava. Tällaisissa tilanteissa kaukokartoituksen operatiivinen käyttö voi tarjota ratkaisun tietojen saamiseksi.

2. KAUKOKARTOITUKSEN AVULLA SAATAVAA TIETOA

Ennen kuin satelliittikuvia voidaan luotettavasti käyttää, ne on korjattava niin, että niissä ei ole ilmakehästä eikä muistakaan tekijöistä aiheutuvia virheitä. Kun satelliitit ja sensorit vaihtuvat, täytyy erilaiset kuvat korjata vastaamaan toisiaan. esim. eri NOAA-satelliittien kuvat.

2.1 Viljelykasvit

Eri kasvien erottaminen toisistaan satelliittikuvilta perustuu kasvien erilaiseen ominaissäteilyyn. Ominaissäteily vaihtelee eri kasvien välillä ja samalla kasvilla eri kasvuvaiheissa. Myös kasvin pintakuviointi vaikuttaa tulkintaan. Kuvilta voidaan näiden erojen perusteella seurata kasvien kasvuvaiheita ja sen avulla ennustaa sadon valmistumista.

Kasvillisuuden kartoituksessa käytetään yleensä punaisen ja infrapuna-alueen aallonpituutta. Kullakin kasvilajilla on sille tyypillinen ominaissäteily ja näitä vertailemalla lajit voidaan erottaa toisistaan. (Kts kuvat 2-1 ja 2-2) Erilaisten kuvien ja erilaisten kanavakombinaatioiden käyttö lisää luokittelun tarkkuutta.

Kuva 2-1

Kuva 2-1 Puuvillan ominaissäteily /Loudjani 1995/

Kuva 2-2

Kuva 2-2 Vehnän ominaissäteily kasvukauden eri vaiheissa /Loudjani 1995/

2.2 Pinta-alat

Kun tiedetään viljelyyn käytettävä pinta-ala, voidaan keskimääräisten satojen avulla karkeasti arvioida tuotannon määrää. Suomessa viljelylohkot ovat yleensä niin pieniä, että niiden pinta-alojen tarkka määrittäminen satelliittikuvilta ei onnistu. Pinta-alat on kerättävä muuta kautta, esim. ilmakuvien avulla. Alueilla, jossa lohkot ovat suurempia, pinta-alojen määritykseen voidaan käyttää SPOT-kuvia. Niiden erotuskyky on tarpeeksi tarkka ja eri viljelylohkojen rajat erottuvat toisistaan.

2.3 Sato

Sadon määrää ja laatua ei voida aina suoraan nähdä satelliittikuvilta, mutta erilaisia kasvuun ja sadon kehittymiseen vaikuttavia tekijöitä voidaan havaita. Esimerkiksi kasvitaudeista ja erilaisista stressitekijöistä kärsivät kasvit heijastavat säteilyä eri tavalla; kuivuudesta kärsivä kasvi ei pysty haihduttamaan tarpeeksi ja sen lämpötila alkaa nousta. Kuivuusstressi saadaan siten selville termisen alueen kanavan avulla.

Satelliittikuvilta mitataan ns. kasvillisuusindeksejä ja indeksit voidaan määritellä eri tavoin erilaisille säteilyalueille. Yleisesti käytettyjä indeksejä ovat mm SR, Simple Ratio, joka on lähi-infran ja punaisen valon alueelta tulleen säteilyn suhde, SR = NIR/R ja NDVI, Normalized Difference Vegetation Index. Sen määritelmä on NDVI = (NIR-R)/(NIR+R). Eri kanavien suhteen käyttämisen tarkoituksena on parantaa pikseleiden välistä kontrastia kuvalla. Punaisen ja lähi-infra-alueen kanavien avulla saadaan paremmin esille erot kasvillisuuden ja maaperän välillä sekä erot, jotka aiheutuvat kasvuston tiheydestä ja biomassan määrästä eri lohkoilla. Näiden erojen avulla saaadaan tietoa myös kasvilajeista.

Indeksien määrittämistä vaikeuttaa kuitenkin se tosiseikka, että yhden maastoelementin alueelle tuleva säteily on yhdistelmä monen kohteen ominaisuuksista. Ongelma korostuu NOAA-kuvilta tehtävissä NDVI-mittauksissa. Ainakin tulkintamenetelmien kehittämisen ja biomassan määrityksen alkuvaiheessa vaaditaan paljon kenttämittauksia kalibrointia varten. Säteilystä on poistettava kohina ja muiden kuin viljelykasvien vaikutus. /Loudjani 1995, Rijks 1995/

Kenttämittauksilla selvitetään koealueilla mm. kasvin biomassa, lehtiala ja edelleen lehtialaindeksi (LAI, Leaf Area Index), kasvien korkeus, tiheys ja sato. Näiden tietojen ja määriteltyjen indeksien avulla voidaan esimerkiksi määrittää yhteys kuvalla näkyvän säteilyarvon ja biomassan välillä (kuva 2-3). Muodostuva sato lasketaan mallilta esim. LAIn tai biomassan kautta. Sadon määrityksen tarkkuus riippuu kaikista ketjun osista: kuvien tulkinnasta, indeksien määrityksestä, kalibroinnista ja kasvumallista.

Kuva 2-3

Kuva 2-3 Kasvillisuusindeksin ja biomassan välinen yhteys /Loudjani 1995/

3. SATELLIITIT JA SATELLIITTIKUVAT

Yleisimmin maatalouden sovelluksissa käytettävät satelliitit ja kuvat ovat NOAA-sääsatelliitin kuvat sekä SPOT- ja LANDSAT-kuvat. Myös tutkakuvia on alettu käyttää yhä enemmän. Seuraavassa lyhyt kuvaus satelliittien ominaisuuksista ja soveltumisesta maatalouden kartoitukseen. /Loudjani 1995/

3.1 SPOT ja Landsat

SPOT (Satellite Pour l'Observation de la Terre) LANDSAT SPOT- ja LANDSAT-kuvien etuna on suuri erotuskyky. Ne ovat kuitenkin verraten kalliita ja esim. Suomen oloissa usein vaikeita hyödyntää runsaan pilvisyyden takia.

3.2 NOAA

NOAA (National Oceanographic and Atmospheric Administration) NOAA-kuvat ovat paljon halvempia kuin SPOT- ja LANDSAT-kuvat mutta samalla ne ovat paljon epätarkempia. Suuri pikselikoko kuitenkin aiheuttaa sen, että yhden pikselin alueella yleensä esiintyy useita viljelykasveja ja maankäyttöluokkia. Kohteesta tuleva säteily on siis yhdistelmä useiden lähteiden säteilystä ja se aiheuttaa virheitä määrityksiin. NOAA-kuvien etuna on, että kuvilta saadaan kasvumalleja varten tärkeää informaatiota, kuten sadanta, maan pintalämpötila ja albedo.

3.3 METEOSAT

METEOSAT METEOSATin tuottamia kuvia on käytetty tutkittaessa kasvuoloja kuivilla alueilla, jolloin tietoa sateista saadaan hyvin nopeassa tahdissa.

3.4 ERS-1, ERS-2

SAR (Synthetic Aperture Radar) lähettää maahan mikroaaltoja ja mittaa takaisin sironneen paluusignaalin. ERS-1 ja ERS-2 satelliiteista saadaan kuvia mistä päin maailmaa tahansa vähintään 17 vrk välein. Tutkakuvissa ei ole haittaa pilvisyydestä ja hyviä kuvia on mahdollisuus saada vuodenajasta riippumatta. Optisen alueen kuvista ovat usein keväällä otetut kuvat parhaimpia, mutta myös syksyllä ja talvella otettuja kuvia tarvitaan. SAR-tutkakuvat ovat herkkiä kosteuden ja maan ja kasvillisuuden tekstuurin vaihteluille. Eri aallonpituudella lähetetty säteily tunkeutuu kohteeseen eri tavalla. Yleensä mitä pidempi on säteilyn aallonpituus, sitä syvemmälle se tunkeutuu kohteeseen. Käyttämällä eri aallonpituuksia voidaan siis erotella rakenteeltaan ja kasvutavaltaan erilaisia kasveja toisistaan. Maan kosteuden vaihtelu vaikuttaa maan rakenteeseen ja silloin säteily tunkeutuu siihen eri tavalla. Aallonpituuden lisäksi säteilyn käyttäytymiseen kohteessa vaikuttaa säteilyn polarisointitapa ja tulokulma. Esimerkiksi pystysuoraan polarisoitu säteily saa aikaan suuremman vasteen pystysuorista kasvien varsista kuin vaakasuoraan polarisoitu säteily. Myös sään vaikutuksia voidaan nähdä tutkakuvilla. Esimerkiksi tuulet vaikuttavat kasvuston tekstuuriin. Koska tutkan lähettämä signaali on herkkä kosteuden vaihteluille, sateet vaikuttavat kuviin ja samalla kasvilla on erilainen säteilykäyrä kuivalla ja sateisella ilmalla. /Satellite Radar 1995/

Parhaimmat erottelutulokset eri kasvilajien välillä saadaan, jos yhdistetään SAR-kuvia esim SPOT/XS-kuvien kanssa. Tällöin esimerkiksi voidaan paremmin erottaa toisistaan rakennetut ja kasvillisuuden peittämät alueet. Tutkakuvien pääasiallinen käyttö on perusteltua trooppisilla alueilla ja esim Pohjois-Euroopassa, missä on paljon pilvisyyttä. Alueilla, missä on selkeämmät sääolot, voidaan käyttää pääasiassa optisen alueen kuvia. Tutkakuvia lähettäviä satelliitteja ovat ERS-1/2:n lisäksi mm. japanilainen JERS, kanadalainen Radarsat ja ASAR (laukaisu 1998). Kuvien saatavuus on siis turvattu myös tulevaisuudessa. /Satellite Radar 1995/

4. KASVUMALLIT

Satoa ennustettaessa ns. kasvumallit ovat oleellinen osa prosessia. Malleille annetaan lähtötiedoiksi kasvuparametreja, tietoja maaperästä, säästä ja kasvien kasvuvaiheista. Mallin avulla sadon määrää lasketaan tietyin väliajoin, esim kerran päivässä tai viikossa ja satoennuste paranee kasvukauden kuluessa. Satelliittikuvilta saatavien kasvillisuusindeksien oletetaan korreloivan biomassan kanssa ja biomassan olevan verrannollinen kehittyvään satoon.

Mallit voidaan karkeasti jakaa stokastisiin ja deterministisiin malleihin. Deterministiset mallit antavat tiettyjen lähtötietojen perusteella yhden tuloksen, kun taas stokastiset mallit antavat lähtötietojen perusteella tietyn todennäköisyyden. Stokastiset mallit ovat käyttökelpoisia silloin, kun lähtöarvoissa on paljon epävarmuutta ja muuttuvia parametreja on paljon. Vaikka kasvun mallintaminen on mitä suuremmassa määrin stokastinen prosessi, deterministiset mallit ovat yleisemmin käytössä. Niiden toimintaa voidaan parantaa lisäämällä muuttujia ja ottamalla huomioon ajan ja paikan vaihtelut. Deterministiset mallit voidaan jakaa tilastollisiin, mekaanisiin ja toiminnallisiin malleihin. /Loudjani 1995/

Tilastolliset mallit ovat kasvumallien suurin ryhmä. Ne ovat verraten yksinkertaisia ja vaativat vähän lähtötietoja toimiakseen. Mallin runkona on yleensä lineaarinen regressio sadon ja alueella käytettävien parametrien välillä. Ongelmana kuitenkin on, että mallit ovat käyttökelpoisia vain sillä alueella ja niille parametreille mille ne on testattu ja kalibroitu eikä mallin luotettava käyttö uusilla lähtöaineistoilla ja eri alueilla ole mahdollista.

Mekaaniset mallit pyrkivät mallintamaan kasvin kehittymistä ja sadon valmistumista ja esittämään perustoimintoja, kuten fotosynteesi ja kasvin hengitys, yhtälöiden avulla. Useat malleista jakautuvat pienempiin osiin esim. kasvi-ilmakehä tai maaperä-kasvi-ilmakehä. Mekaanisia malleja voidaan käyttää myös ilmaston ja kasvuolosuhteiden muutosten testaukseen ja mallintamiseen. Kuitenkin parhaan tuloksen saamiseksi kaikki vakiot ja muuttujat on parametrisoitava, esim. WOFOST-mallissa on 170 parametria, jotka täytyy kalibroida erikseen jokaiselle kasvilajille. Mekaanisten mallien ongelmana onkin suuri lähtöaineiston määrä ja usein kaikkia tarvittavia tietoja ei ole saatavilla. Tyypillinen laskentaväli mekaanisilla malleilla on 15min - 1vrk. /Loudjani 1995/

Kuva 4-1

Kuva 4-1 WOFOST-mallin taustalla oleva kasvuprosessi

Toiminnalliset mallit kuvaavat samoja prosesseja kuin mekaaniset mallit, mutta vain yksinkertaisemmin. Osa yksityiskohtaisista kaavoista on korvattu kokeellisilla tuloksilla. Laskentaväli on usein 1 - 10vrk ja lähtöaineistoja tarvitaan paljon vähemmän kuin mekaanisilla malleilla. /Loudjani 1995/

5. EU:N TUTKIMUSTYÖ

Euroopan Unionin (EU) budjetista käytetään vuosittain miljoonia ecuja maatalouspolitiikan hoitamiseen, suunnitteluun ja erilaisten tukien maksamiseen. Jotta esimerkiksi tukien maksamista voitaisiin kontrolloida, täytyy olla jonkinlainen järjestelmä, jonka avulla voidaan laajalta alueelta luotettavasti selvittää mitä kasveja viljellään ja kuinka paljon. Aikaisemmin Euroopan Unionin alueen maataloustuotannon määrää ja laatua selvitettiin kunkin jäsenmaan omien tilastojen avulla. Tilastointimenetelmät eri maissa ovat kuitenkin erilaisia ja tilastot valmistuvat usein vasta paljon korjuuajan jälkeen. Tällöin niistä ei ole juurikaan hyötyä esim. markkinoinnin suunnittelussa. Toinen tapa arvioida satokauden tuotantoa on ekstrapoloida edellisten vuosien tilastojen perusteella. Menetelmä on kuitenkin sellaisenaan hyvin epäluotettava eikä sovellu viralliseen käyttöön. /Burrill 1994/

5.1 MARS-projekti

Edellä mainittujen ongelmien ratkaisemiseksi käynnistettiin vuonna 1988 Euroopan Komission ns. MARS-projekti - Monitoring of Agriculture with Remote Sensing. Sitä johtaa "Agricultural Information Systems Unit of the Joint Research Centre". MARS-projekti jakaantuu useaan pienempään projektiin. Näitä ovat mm. MARS-PAC (Politique Agricole Commune), joka keskittyy kehittämään Euroopan Unionin yhteisen maatalouspolitiikan (Common Agricultural Policy, CAP) hoitamiseen tarvittavia menetelmiä käyttäen apuna kaukokartoitusta ja sitä sivuavia tekniikoita. Ylituotannon vähentäminen on oleellinen osa EUn maatalouspolitiikkaa ja siihen pyritään maksamalla viljelijälle tukea viljeltävän alan eikä tuotannon perusteella. Tämä puolestaan vaatii Euroopan laajuisen tarkastusmenettelyn, missä viljelijöiden hakemuksissaan ilmoittamia viljelykasveja ja lohkojen pinta-aloja verrataan satelliittikuvilta saatavaan informaatioon. Eniten käytettäviä kuvia ovat SPOT-, TM- ja SAR-kuvat. /Annual report 94 1995/

Enemmän tilastointiin keskittyvä MARS-projektin osa on nimeltään MARS-STAT. Sen yhtenä osaprojektina on ns. "The Advanced Agricultural Information System". Siinä yhdistetään tarkoilta satelliittikuvilta saadut viljelykasvien pinta-alatiedot, säätiedot, NOAA-kuvilta saadut kasvillisuusindeksit ja maanpinnan lämpötila sekä kasvumalli ja kootaan Crop Growth Monitoring System (CGMS) -niminen paikkatietojärjestelmä. CGMS perustuu WOFOST-kasvumalliin, joka käyttää maaperä- ja säätietoja kasvien kasvua simuloitaessa. Malli laskee satoennusteen 50km*50km ruuduittain ja laskenta tehdään 10vrk välein. Varsinaisen satoennusteen lisäksi CGMS tuottaa tietoa mahdollisista epänormaaleista ja kasvun kannalta hälyttävistä sääoloista, viljelykasvien kehitysvaiheista ja tilaa kuvaavista indikaattoreista esim. biomassa ja maaperän kosteusindeksi. Tulokset esitetään kartoilla tai taulukoina. /Annual report 94 1995/

5.2 SATOARVIOPROJEKTI

Maatalouden kaukokartoituksen eri osa-alueisiin liittyvä Satoarvioprojekti-niminen tutkimustyö on Suomessa jaettu usealle laitokselle. Mukana ovat Geodeettinen laitos, Suomen Ympäristökeskus, Ilmatieteen laitos, Maa- ja metsätalousministeriön tietopalvelukeskus, Valtion Teknillinen Tutkimuskeskus (Avaruustekniikan laboratorio) ja Teknillinen korkeakoulu (Vesitalouden laboratorio). /Kuittinen 1996/

Projektin tarkoituksena on kehittää kaukokartoitusta, paikkatietojärjestelmiä ja erilaisia kasvumalleja käyttävä kokonaisuus, jonka avulla voitaisiin selvittää sekä valtakunnallisella että maaseutukeskus- ja kuntatasolla sadon määrää, laatua ja viljelyaloja. Koealueiksi on valittu kolme maatalouskeskusta: Nylands svenska landsbygdscentral (25 kuntaa), Hämeen maaseutukeskus (21 kuntaa) ja Etelä-Pohjanmaan maaseutukeskus (30 kuntaa). Kussakin maaseutukeskuksessa on yhdestä kunnasta valittu viljelylohkoja tarkempaa kalibrointia ja kenttämittauksia varten. Nämä kunnat ovat Kirkkonummi, Jokioinen ja Lapua.

Projekti koostuu seuraavista osista:

  1. Tietojen kerääminen: Viljelijöille lähetettyjen lomakkeiden ja kenttämittausten avulla selvitetään koealueilla vijelykasvi, biomassa, LAI ja sato. Viljelijöitä on mukana n. 60 ja lohkoja n. 400.
  2. Satelliittikuvien korjaukset: NOAA/AVHRR, Landsat/TM ja SPOT/XS kuville tehdään geometriset ja radiometriset korjaukset. Samalla vertaillaan eri ohjelmistoja ja NOAA-14 kuvat kalibroidaan muiden NOAA-kuvien kanssa.
  3. Kasvillisuusindeksien laskeminen: Kehitetään LAI-arvojen määritystä AVHRR-kuvilta. Saatujen arvojen yhdistäminen kasvumalliin ja CGMS:ään.
  4. LAIn määritys XS- ja TM-kuvilta: Kehitetään menetelmää, jossa LAI voidaan määrittää biomassan kasvua kuvaavan käyrän avulla. Vertaillaan eri algoritmeja. LAI pyritään määrittämään kasvumallia varten kahden viikon välein.
  5. Säähavaintojen interpolointi: Kehitettävää järjestelmää varten tarvitaan säähavaintoja sekä sääasemittain että 10km*10km ja 50km*50km ruutuihin interpoloituna. Lisäksi käytetään säähavaintoja 30 vuoden ajalta taaksepäin.
  6. Kasvumallit: Projektissa käytetään kahta mallia - WOFOST 6.0 ja CROPWATN 3.0. Mallit tulee kalibroida kerättyjen tietojen perusteella ja niiden antamia tuloksia vertaillaan.
  7. CGMS: Kerättävät tiedot yhdistetään paikkatietojärjestelmäksi, jota käytetään satoennusteen laatimisessa. Järjestelmän osia ovat:

Kuva 5-1

Kuva 5-1 Suomeen laadittavan satoarviojärjestelmän rakenne /Kuittinen 1996/

Erilaiset kasvuolot ja erilaiset lähtöaineistot estävät EUn kehittämän järjestelmän käyttöönottamisen Suomessa sellaisenaan. Merkittävänä erona Suomeen rakennettavan järjestelmän ja Euroopan Unionin kehittämän CGMSn välillä on se, että suomalaiseen järjestelmään liitetään mukaan enemmän satelliittikuvien perusteella saatavaa tietoa. Tämä tarkoittaa lähinnä lehtialaindeksin määrittämistä suoraan satelliittikuvilta. Tarkoituksena on myös saada tarkempi systeemi kuin Euroopan Unionilla on. Tämä pitää sisällään tiheämmän perusruudukon määrittelemisen, pienemmän hallinnollisen jaon ja pienten peltolohkojen käsittelyn.

Järjestelmän käyttöä ajatellen tavoitteena on pystyä hyödyntämään niin paljon kuin mahdollista heikomman erotuskyvyn NOAA-kuvia, jotka ovat huomattavasti halvempia kuin tarkat SPOT-kuvat. Systeemin rakentaminen esim. pelkästään SPOT-kuvien varaan ei ole taloudellisesti kannattavaa ja SPOT-kuvien määrä pyritäänkin rajoittamaan pariin kolmeen pilvettömään kuvaan kasvukauden aikana.

6. YHTEENVETO

Pelkkien satelliittikuvien avulla ei saada kerättyä tarpeeksi tietoja satojen luotettavaa ennustamista varten mutta muihin tietolähteisiin yhdistettynä satelliittikuvilta saatava informaatio on erinomainen lisä ja tekee menetelmistä huomattavasti tehokkaampia. Maatalouden kaukokartoitussovellukset ovat varmasti tulevaisuudessa yhä tärkeämpiä. Tuotannon epätasainen jakautuminen, markkina-alueiden laajentuminen ja ympäristön, ilmaston ja samalla kasvuolosuhteiden muuttuminen aiheuttavat sen, että on tärkeää tietää, kuinka paljon ruokavaroja on ja missä ne sijaitsevat. Näin on helpompaa varautua häiriöihin ja epänormaalien olosuhteiden aikaisen havaitsemisen takia voidaan ehkä välttää suurimpia tuhoja.

Lisää tutkimusta vaativia osa-alueita ovat mm. tutkakuvien runsaampi hyödyntäminen, joko yksin tai yhdessä optisen alueen kuvien kanssa. Lisäksi tavoitteena on saada yhä enemmän tietoa suoraan satelliittikuvilta ja pystyä vähentämään kenttätöiden määrää. Tähän liittyy läheisesti mallien kehittäminen joustavammiksi niin, että ne eivät olisi niin paljon sidoksissa alkuperäisen kalibroinnin paikkaan, aikaan ja kasvilajeihin. Kun nämä kaikki edellä mainitut osat halutaan yhdistää käyttöönotettavaksi järjestelmäksi, täytyy pitää mielessä, miten järjestelmän antamien tulosten tarkkuutta voidaan arvioida. Myös systeemin käyttäjäystävällisyys on tärkeä tekijä suunniteltaessa operatiiviseen käyttöön tulevaa järjestelmää.

7. LÄHDELUETTELO