Abonnementsartikel

Maskinlæringsteknikken deep learning er et alsidigt og værdifuldt værktøj, som de seneste par år har revolutioneret billedanalyse og talegenkendelse. Inden for jordobservation har vi kun set begyndelsen på brugen af det her værktøj, og det kommer til at vende op og ned på vores opfattelse af, hvad der er praktisk muligt.

Sådan lyder nogle af erfaringerne fra et samarbejde mellem Alexandra Instituttet og Aarhus-virksomheden FieldSense A/S, hvor man i et projekt har arbejdet med deep learning til analysering af jordobservationsdata. Teknikken gør det muligt at optræne et neuralt netværk, der kan automatisere arbejdsopgaver i forbindelse med kortlægning.

Vi har her samlet nogle eksempler på, hvordan man kan udvinde komplekse informationer fra satellit- og flyfotos via kunstig intelligens, når store mængder af data ? og lige så vigtigt den nødvendige ?ground truth?-data ? er tilgængelig.

Artiklen fortsætter efter annoncen

Identificering af markgrænser

FieldSense A/S leverer beslutningsstøtteværktøjer til landmænd og har bl.a. udviklet FieldSense-platformen. Systemet henter sine data fra satellitbilleder (bl.a. fra EU's Copernicus-satellitprogram) og lokale vejrstationer og gør det muligt for brugerne at overvåge udviklingen af afgrøder og monitorere vejrforholdene helt lokalt. Det gør det muligt for landmændene at analysere og tage beslutninger og optimeringer for deres marker helt ned på en opløsning på få meter.

Størstedelen af dataene er knyttet til specifikke marker, og det er derfor essentielt for FieldSense, at de ved, hvor hver enkelt mark befinder sig.

Netop den information om de enkelte marker er i Danmark tilgængelig via offentlige data fra Landbrugsstyrelsen. Man kalder dem markskelsdata, og netop de data er ikke på samme måde tilgængelig i andre lande, og derfor ønsker man at anvende kunstig intelligens til at detektere markskel. Ved hjælp af satellitbilleder fra Sentinel-2 har man trænet et neuralt netværk, der kan generere et billede af, hvor markgrænserne går.

Resultatet er, at det neurale netværk fuldt ud automatisk kan detektere de enkelte marker i et billede. Der er dog risiko for fejl, og for at afhjælpe det har man trænet yderligere et netværk, der kigger på hver enkelt af de detekterede marker en ad gangen og samtidig retter små fejl i grænserne.

Finder frem til bygninger

Et andet eksempel er en opgave, som Alexandra Instituttet har løst for Styrelsen for Dataforsyning og Effektivisering (SDFE). På baggrund af erfaringerne fra projektet med marksegmentering har man udforsket brugen af teknologien på segmentering af bygninger fra flyfotos. Den tænkte anvendelse er at kunne udpege, hvor der er opført eller nedrevet en bygning i et givent tidsrum. Her har SDFE's GeoDanmark-database over bygninger udgjort ground truth-datasættet.

Artiklen fortsætter efter annoncen

Generelt så genkender netværket langt de fleste bygninger. Der er dog forskel på, hvor pænt segmenteringen følger bygningernes footprint. Og derfor arbejder man på at inkludere flere lag i det neurale netværk, så man kan opnå en forfining i stil med det, man har opnået i marksegmenteringen.

Søg efter 1000 hverdagsobjekter

Teknologien kan også bruges til at søge efter objekter i meget store raster-dataset. Det har den amerikanske virksomhed, Descartes Labs, givet et bud på med deres løsning ?geovisual search?.

Hvis man fx klikker på en vindmølle, så finder en algoritme frem til andre vindmøller i datasættet. For at kunne udforske mulighederne med teknologien har man fra Alexandra Instituttets side udviklet en variant, der arbejder med et dansk datasæt. Ligesom det amerikanske forbillede gør man brug af deep learning-teknikker, og systemet er baseret på et netværk, der kan skelne mellem billeder af 1000 forskellige typer af hverdagsobjekter som fx hunde, katte, biler, cykler og så videre.

Det smarte er, at man kan sammenligne to billeder og få et mål for, hvor ens de to billeder er i den forstand, om de indeholder samme type objekt ? og dette virker også på andre objekter end de oprindelige 1000.