Peltomalli 2.0 on digitaalinen kaksonen (digital twin, DT), joka tarjoaa UNS:n avulla SSOT-automaatiolle pellon sensoritietojen ja avoimen datan analyysin.

UNS (Unified Namespace) on Peltomallin perusta. UNS tarjoaa digitaaliselle kaksoselle yhden totuuden lähteen (Single Source of True, SSOT), joka on digitaaliselle kaksoselle paikka, josta voi lukea ja johon voi myös kirjoittaa.
Kun Peltomalli kirjoittaa takaisin UNS:iin, sen tuottama tieto on käytettävissä:
automaatiossa, visualisoinnissa, raportoinnissa, tekoälyn hyödytämisessä ja päätöksenteossa. UNS ajattelutavan ansiosta digitaalisen kaksonen on yhtä luonnollinen osa SSOT-automaatiota kuin järjestelmän omat sensorit.

Mitä hyötyä digitaalisesta kaksosesta on pellolla?

Digitaalinen kaksonen ei ole taikuutta, eikä se ratkaise kaikkea. Mutta kun se rakennetaan UNS:n päälle, se auttaa ymmärtämään pellon dynamiikkaa ja parantaa ennustettavuutta ja helpottaa päätöksentekoa. Mutta ennen kaikkea se tarjoaa tekoälyn käyttöön hyvin soveltuvaa tietoa pellon dynamiikasta.

Peltomallin kehitystyö

Tein loppuvuodesta 2025 salaojasuunnittelun avuksi peltomallin, joka haki peruslohkon ja korkeusmallin sekä tuotti .geojson tiedostoja QGIS-ohjelmalle. (https://github.com/raisiope/peltomalli). Ajatuksena oli kolmioverkkojen ja avoimen datan avulla muodostaa ”pellon malli” suunnittelun pohjaksi.

Peltomallin toiminta ei vastannut digitaalisen kaksosen ajattelutapaa. Se ei ollut fyysinen ohjausjärjestelmä, vaan tietojen havainnollistamiseen liittyvä malli. Pintavalunnan ja notkojen havainnollistaminen onnistui vain välttävästi. Tekoäly ei ymmärtänyt peltomallin kolmioverkojen käytöstä ”yhtään mitään”.

Kolmioverkkojen hidas geoprosessointi QGIS ohjelmistolla teki Peltomallista vain testeihin soveltuvan, mutta antoi samalla idean parempaan ratkaisuun.

Digitaalinen kaksonen, Peltomalli 2.0

Peltomalli 2.0:n kehitystyö alkoi tutustuttuani DuckDB-tietokannan ominaisuuksiin. DuckDB:n Spatial-laajennus tuo tietokantaan kattavat paikkatieto- ja GIS-ominaisuudet. Se muuttaa DuckDB:n tehokkaaksi paikkatietokannaksi, jonka laskentamalli pystyy käsittelemään maantieteellistä dataa salamannopeasti suoraan SQL-kyselyillä.

Mikä on digitaalisen kaksosen laskentamalli?

Laskentamalli on matemaattinen tai sääntöpohjainen kuvaus siitä, miten järjestelmä käyttäytyy ajan suhteen. Laskentamallin ei tarvitse olla täydellinen. Sen tehtävä on olla hyödyllinen ja kuvata päätöksentekoon liittyviä asioita.

Laskentamalli ei ole simulaattori. Simulaattori elää omassa maailmassaan ja vastaa kysymykseen “Mitä voisi tapahtua, jos maailma olisi tällainen?” Digitaalinen kaksonen elää sensoridatan mukana ja vastaa kysymykseen: “Mitä tapahtuu seuraavaksi, kun maailma on tällainen?”

Paras on hyvän vihollinen

Pellon täydellinen laskentamalli olisi raskas ja vaatisi paljon parametreja. Pellon täydellisen mallin ylläpito olisi vaikeaa, joten täydellisyyteen ei tule pyrkiä vaan käytettävyyteen. Digitaalisen kaksosen laskentamallin tulee olla kevyt, päivitettävä, riittävän tarkka ja reaaliaikainen. Hyvä, mutta ei paras.

Laskentamalli + tekoäly

Tekoäly ei korvaa laskentamallia. Tekoäly selittää laskentamallin tuloksia.Tekoäly ei keksi vastauksia — se käyttää UNS:n ja DuckDB:n tietoja

Laskentamalli on digitaalisen kaksosen sydän

Digitaalinen kaksonen ei ole tekoäly, mutta tekoäly auttaa löytämään riippuvuudet lohkokohtaisesti. Tekoälyn merkittävin hyöty tulee mallin tukinnasta, joka on lohtokohtaisesti haastavaa ja erittäin työlästä.

Peltomalli 2.0 on reaaliaikainen laskentamalli, joka lukee UNS:ia, käyttää DuckDB kantaan talletetua historiatietoja ja lyhyen aikavälin ennusteita sekä kirjoittaa laskennan tulokset takaisin UNS:iin tekoälyn tulkittavaksi.

Peltomalli 2.0 toteutus DuckDB-tietokannalla

DuckDB + spatiaalinen analyysi on “maaperän muisti”. DuckDB ei ole vain tietokanta. Se on analyyttinen moottori, joka pystyy yhdistelemään tietoja ja laskemaan viiveitä, korrelaatioita ja riippuvuuksia tekemään aikajonoanalyysiä.

Kun UNS syöttää DuckDB:lle: maaperän kosteudet, pohjaveden vaihtelut, säätökastelun toimenpiteet ja sääennusteey sateet, lämpötilat, säteilyt sekä kasvuston, ravinteet, viljelytoimenpiteet ja luonnollisesti myös dronella tehdyt kuvaukset kasvuston kasvukunnosta… DuckDB pystyy muodostamaan kuvan pellon käyttäytymisestä. Tämä on laskentamallin perusajatus.

Yleiskuvaus Peltomalli 2.0:n DuckDB:n tietokannan perusrakenteesta

Esimerkki, mittausten vaikutukset ruutuihin

DuckDB tietokannan toiminta

Kun DuckDB on laskenut jokaiselle aarin ruudulle oman tuloksen, laskee DuckDB lohkotason. Tekoäly ei ymmärrä satojen aarin pistepilviä, mutta se ymmärtää erittäin hyvin lohkon sisäistä vaihtelua tunnuslukujen avulla.

DuckDB:n laskentateho

Pystyykö DuckDB laskemaan reaaliajassa satojen hehtaarien peltomallin?

Testasin DuckDB laskentatehoa peruslohkoilla, joita on vajaa miljoona. Laskennassa käytettiin Ryzen AI 7 prosessoria ja 24 Gt muistia.

Avasin DuckDB ohjelman: duckdb .\LC.LandCoverSurfaces.LPIS.gpkg

Käyttäjä saa tuloksen sekunnissa. Laskentaan ja tiedoston lukemiseen ym. menee yhteensä noin 3.5 sekunttia, mutta nämä tehtävät tehdään rinnakkain usealla prosessorin ytimellä.

Jos pinta-alojen laskenta jätetään pois ja vertaillaa vain tiedoston valmiiksi laskettuja pinta-aloja saadaan tulos noin 0.5 s ja laskentaan menee vain 0.2 s.

Mitä DuckDB:n laskentateho tarkoittaa Peltomallin 2.0 käyttäjälle?

Digitaalinen kaksonen 200 ha peltoalasta muodostaa 20 000 kpl aarin ruutuja, joita laskentamalli hyödyntää laskennassa. Jos ruudulla on 50 parametriarvoa menee kaikkien lohkojen laskentaan noin 0.2 sekunttia ja ruutujen laskentaan uusilla antureiden lähtöarvoilla ehkä yksi silmäräpäys (0.1 – 0.4 sekunttia)