NIBIO tester for tiden bruk av kunstig intelligens for oppdatering av arealressurskart. – I en testfase fikk vi en nøyaktighet på rundt 90 prosent, forteller forsker Jonathan Rizzi i NIBIO.
Artikkelen er opprinnelig publisert av NIBIO. Kontaktperson er Jonathan Rizzi, forsker ved NIBIO.
Arealressurskartet AR5 er det mest detaljerte kartet vi har over arealressursene i Norge. Likevel må det jevnlig oppdateres.
– I dag oppdateres AR5 på to måter, forteller overingeniør Åsmund Ertshus Mathisen i NIBIO. Kommunene oppdaterer datasettet rutinemessig gjennom sin behandling av jordlov, konsesjonslov og plan- og byggesaker, mens endringer som kommunene ikke oppdager periodisk ajourføres av NIBIO.
– I det periodiske ajourholdet bruker vi flyfoto med høy oppløsning (10-25 cm), der fagfolk manuelt sjekker hele kommunen for endringer. Dette er en tidkrevende jobb, og periodisk oppdatering for en kommune skjer derfor med intervall på hvert fjerde til syvende år.
– Med dagens teknologi kan ikke oppdateringene av AR5 skje automatisk, men ved hjelp av maskinlæring kan det manuelle arbeidet reduseres og kvaliteten forbedres, forteller Mathisen.
– NIBIO tester for tiden maskinlæring som kan redusere det manuelle arbeidet, ved at avanserte dataprogrammer finner arealer der det sannsynligvis har skjedd en endring. Årsakene kan være nydyrking eller nedbygging av jordbruksareal. Den som står for ajourholdet kan da konsentrere seg om disse arealene og slipper å sjekke hele kommunen manuelt.
– Vi har allerede oppnådd gode resultater med maskinlæring. Nå videreutvikler vi metoden med sikte på å sette den i produksjon. Målet er å benytte maskinlæring for å gi landbruket gode kartprodukter og bedre kvalitet til lavere kostnader. Slik bidrar NIBIO også til å modernisere og effektivisere offentlig sektor, sier Jonathan Rizzi.
Digitaliseringen øker og ny teknologi tas i bruk i NIBIO, blant annet gjennom forskning på bruk av kunstig intelligens i håndteringen av geodata. I NIBIO er det etablert egne forskningssentra for presisjonsjordbruk og presisjonsskogbruk. Instituttet har også iverksatt en rekke tiltak for å forbedre kartleggingsaktiviteter ved bruke av maskinlæring til analyse av bilder fra satellitter, fly eller droner.
– I vårt arbeid med maskinlæring bruker vi programvarebiblioteker med åpen kildekode som vi så videreutvikler. I testfasen fikk vi som sagt en nøyaktighet på 90 prosent i identifisering av områder som krever oppdatering. Nå tester vi programmene i et produksjonsmiljø, men vi har foreløpig ikke fått endelige resultater på nøyaktigheten, fremholder Rizzi.
Kunstig intelligens og stordata krever kraftig datakapasitet, og ikke minst lagringsplass.
– I den første testen trengte vi datalagring på noen titalls gigabyte (GB), mens lagringsbehovet i den noe mer avanserte testingen dreide seg om flere hundre GB, og etter hvert noen terabyte (TB). Når vi skalerer opp, øker behovet for mer plass. Disse dataene inkluderer også polygoner på AR5-kartet, og for hele landet er det omtrent 10 millioner polygoner, forteller Rizzi.
Det finnes flere kilder til data for fjernmåling, inkludert satellitter, fly og droner. Disse plattformene kan ha flere typer sensorer (RGB-kameraer, hyperspektrale kamera, radar (for eksempel LiDAR)) som kan benyttes alene eller i kombinasjon. Plattformene gir data med jevn, høy oppløsning, og ved å bruke kunstig intelligens-algoritmer, for eksempel maskinlæring, sammen med data som allerede eies av NIBIO, er det mulig å trene disse modellene slik at de blir mer effektive.
– Den første testen starter med bruk av RGB-bilder som allerede er tilgjengelig for hele Norge med en veldig høy oppløsning (opptil 10 cm.). Her bruker vi en såkalt «Convolutional Neural Network-modell». Dette er en type algoritme som prøver å simulere hjernens funksjon. Den ble først brukt til å gjenkjenne objekter i bilder automatisk, for eksempel bilder med katter. I vår tilnærming identifiserer vi jordbruk, skog eller urbane områder i stedet for å identifisere objekt. Dette er mye mer komplekst, siden det finnes forstyrrende elementer som kan gjøre klassifiseringen vanskeligere. Slike elementer kan for eksempel være skygger og trær som dekker veier og hogstfelt i skogen.
– Hvis denne testen gir de forventede resultatene, er det fremdeles mange forbedringer som kan gjøres for å øke automatiseringen av prosessen ytterligere, noe som også kan være gunstig for mange andre typer kart som NIBIO for tiden håndterer, avslutter Rizzi.
