Fra luft til jord: Kortlægning af skjulte markdræn med GeoAI
Session
Studerende har ordet
Abstract
Kan vi finde nedgravede markdræn ved hjælp af GeoAI? I dette indlæg præsenterer vi vores speciale om, hvordan ortofotos eller afledte ortofotos kan bruges til at kortlægge underjordiske markdræn. Derudover undersøger vi, om det er muligt at benytte højdedata og afledte højdedata til at kortlægge markdræn i de tilfælde, hvor markdræn ikke er synlige på jordoverfladen.
Vi arbejder komparativt for at identificere den bedste metode til at kortlægge underjordiske markdræn, og vi benytter evalueringsmetrikker til at vurdere hvilke metoder, der fungerer bedst. Indlægget vil vise både mulighederne og udfordringerne ved at integrere Deep Learning i en praktisk GIS-arbejdsgang, herunder datakvalitet, annotering, input og valg af metode - og hvordan disse valg påvirker resultatet.
Målgruppe
Indlægget henvender sig til deltagere ved Kortdage 2026, der er interesserede i GeoAI, og hvordan Deep Learning kan implementeres i deres arbejdsgange, og til deltagere, der vil udforske mulighederne for automatiseret kortlægning af underjordiske strukturer.
Yderligere uddybning af abstract
Markdræn er en vigtig del af det danske landbrug, men deres placering er ofte dårligt dokumenteret eller vanskelig at kortlægge. Det skaber udfordringer for omlægning af landbrugsjorde i Den Grønne Trepart, men også i forbindelse med vandhåndtering, klimatilpasning, miljøplanlægning og praktisk arealforvaltning. Derfor giver det mening at undersøge alternative muligheder for at kortlægge underjordiske drænsystemer.
I vores speciale arbejder vi med en GIS-baseret komparativ analyse af, hvordan forskellige input i en Deep Learning-model kan anvendes til at identificere mulige markdræn. Vi undersøger, hvordan ortofotos og afledte rasterlag (farvetone, mætning, lysstyrke og anomalier) samt højdedata og afledte rasterlag (slope, flow accumulation og flow direction) kan indgå som input i workflowet.
En central del af arbejdet omfatter annotering og databehandling. Dræn er ikke nødvendigvis tydelige objekter i ortofotos eller terrændata, og derfor er det en metodisk udfordring at definere, hvad en Deep Learning-model egentlig skal lære.
Indlægget vil give deltagerne et konkret indblik i, hvordan en Deep Learning-arbejdsgang kan opbygges i ArcGIS Pro, og hvilke input og metoder, der faktisk giver mening i et komplekst landskab.
Medforfatter: Maria Degn Jensen, AAU
