– I en testfase fikk vi en nøyaktighet på rundt 90 prosent, forteller forsker Jonathan Rizzi i NIBIO. Han er en av flere som tester om maskinlæring kan gjøre jobben med å oppdatere det viktige kartet med navnet AR5.
Dette arealressurskartet er det mest detaljerte kartet vi har over arealressursene i Norge. Likevel må det jevnlig oppdateres.
Kartet AR5 (navnet kommer fra Areal-Ressursene-målestokk 1:5000) viser arealressursene med vekt på produksjonsgrunnlaget for jord- og skogbruk.
Dette er et detaljert, nasjonalt heldekkende datasett der landområder er delt inn etter arealtype, produksjonsevne for skog, treslag og grunnforhold.
Tidkrevende jobb
I dag oppdateres AR5 på to måter: Kommunene oppdaterer rutinemessig gjennom sin behandling av jordlov, konsesjonslov og plan- og byggesaker, mens fagfolk ved NIBIO ajourfører endringer som kommunene ikke oppdager periodisk.
– I det periodiske ajourholdet bruker vi flyfoto med høy oppløsning, 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, forklarer overingeniør Åsmund Ertshus Mathisen i NIBIO.
Skjermdump fra Kilden, avanserte digitale kart hos NIBIO som samler nasjonale kartdata. Kartet er åpent for alle og viser også kart og flyfoto i tre dimensjoner(Illustrasjon: NIBIO)
Dataprogram finner arealer med endring
– 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.
Avanserte dataprogram finner arealer der det sannsynligvis har skjedd en endring, som for eksempel 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, sier forsker Jonathan Rizzi ved NIBIO.
Kunstig intelligens og maskinlæring
Kunstig intelligens (AI) etterligner menneskelig intelligens, altså måten vi tenker på.
Maskinlæring er en type AI hvor en maskin er programmert til å gjenkjenne eller skille signaler gjennom erfaring. Dyp læring er maskinlæring som bruker kunstige nevrale nettverk på en måte som minner om nettverket av nevroner som finnes i hjernen vår. Med denne typen kunstig intelligens henter maskinen selv informasjon som er nødvendig for å identifisere det den leter etter.
Teknologisk utvikling
Digitaliseringen øker og ny teknologi tas i bruk i NIBIO, blant annet gjennom forskning på bruk av kunstig intelligens i håndteringen av geodata.
NIBIO har egne forskningssentra for presisjonsjordbruk og presisjonsskogbruk. Forskerne bruker blant annet maskinlæring til analyse av bilder fra satellitter, fly eller droner.
– For maskinlæring bruker vi programvarebibliotek med åpen kildekode som vi så videreutvikler. I testfasen fikk vi 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, sier Rizzi.
Kunstig intelligens og stordata krever kraftig datakapasitet, og ikke minst lagringsplass.
Annonse
– I den første testen trengte vi datalagring på noen titalls gigabyte, mens lagringsbehovet i den noe mer avanserte testingen dreide seg om flere hundre gigabyte, og etter hvert noen terabyte.
– 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.
Kunstig intelligens og stordata krever kraftig datakapasitet, og ikke minst lagringsplass.(Illustrasjon: Foto: Gordon Johnson / Pixabay)
Modell av nevralt nettverk
Satellitter, fly og droner er kilder til data for fjernmåling. Ulike sensorer fra disse, som radar eller spesialkamera, sender data med jevn, høy oppløsning.
Forskere kombinerer kunstig intelligens-algoritmer eller maskinlæring, og data som allerede eies av NIBIO. Slik kan de trene disse modellene til å bli mer effektive.
De bruker bilder som allerede er tilgjengelig for hele Norge. Bildene har en veldig høy oppløsning, ned til opptil 10 centimeter. Forskerne bruker en type algoritme som simulerer hjernens funksjon. Den ble først brukt til å gjenkjenne objekter i bilder automatisk, som for eksempel bilder med katter.
– Vi bruker den til å identifisere jordbruk, skog eller urbane områder. Dette er mye mer komplekst, siden det finnes forstyrrende elementer som kan gjøre klassifiseringen vanskeligere, som trær, skygger og hogstfelt i skogen, forklarer Jonathan Rizzi .
Gir testen de forventede resultatene, så er det fremdeles mange andre forbedringer som kan gjøres for å øke automatiseringen av prosessen ytterligere.
– Dette kan være gunstig for mange andre typer kart som NIBIO håndterer, sier forskeren.
Her kan du se arealressursene i Norge
AR5 står for arealressurskart i målestokk 1:5000. Kartet er den beste kilden til informasjon om landets arealressurser.
