Maskinlæring til national kortlægning af befæstede områder

Session

Nørderi

Abstract

Oversvømmelser og regnbetingede udløb, der belaster vandmiljøet er et stigende problem. Befæstede arealer bidrager til øget afstrømning på terræn og er dermed en vigtig brik i forståelsen af udfordringerne.

At kunne beskrive befæstelsesgraden simpelt og korrekt er derfor vigtigt, men også en stor udfordring. Vi har i samarbejde med Aarhus Universitet udviklet en nyskabende metode, hvor maskinlæring anvendes på højdedata og luftfoto til at lave en nøjagtig kortlægning af befæstede områder i hele Danmark. Kortet giver kommuner, forsyninger og rådgivende ingeniører et kvalificeret input til deres modelarbejde.

Perspektivet er, at kortet kan opdateres årligt, når nye luftfotos frigives. Derved sikres en forståelse for den tidslige udvikling i befæstelsen. Dette vil være en forståelse, der kan medvirke til at reducere både oversvømmelsesrisici og belastningen af vores vandmiljø.

Målgruppe

Oplægget henvender sig til alle deltagere, der arbejder med klimatilpasning og skybrudssikring. Det henvender sig desuden til deltagere, der er interesserede i, hvordan maskinlæring kan øge potentialet for anvendelsen af vores geodata.

Yderligere uddybning af abstract

Befæstede arealer bidrager til øget afstrømning på terræn. Yderligere befæstelse af vores urbane områder vil sammen med forventede klimaændringer overbelaste vores afløbssystem og skabe oversvømmelser og flere regnbetingede udløb, der igen belaster vandmiljøet. Befæstelsesgraden er derfor et vigtigt input til at forstå og løse nogle af de udfordringer, vi som samfund står overfor.

Der er mange tilgange til at bestemme befæstelsesgraden - fra helt simple opslag i spildevandsplaner, over spektralanalyser, til ressourcekrævende manuelle optegnelser. Alle disse eksisterende metoder er enten ikke særlig nøjagtige, eller også kræver de enorme mængder manuelt arbejde. Vi har derfor udviklet en ny algoritme, som automatisk kan producere og vedligeholde en national kortlægning af befæstede områder med høj nøjagtighed. Denne kortlægning kan understøtte både kommuners, rådgiveres og forsyningers arbejde med at sikre både vandmiljø og klimatilpassede urbane områder. 

Algoritmen er baseret på maskinlæring og udviklet i et samarbejde mellem Aarhus Universitet og SCALGO med værdifuldt input fra Skanderborg Forsyning. Skanderborg Forsyning har over en 2-årig periode lavet manuelle og meget nøjagtige optegnelser over alle befæstede flader i kommunen baseret på luftfoto. Disse data har vi brugt til at træne vores algoritme til at genkende befæstede områder i hele landet ud fra landsdækkende luftfoto og højdedata. 

Vores validering af algoritmen op imod de manuelt producerede data fra Skanderborg Forsyning viser, at algoritmen udpeger cirka 92% af de befæstede områder i valideringsdata, mens cirka 88% af de befæstede områder, som algoritmen udpeger, også findes i valideringsdata. En manuel gennemgang af resultaterne viser, at flere af forskellene mellem valideringsdata og algoritmens udpegning skyldes unøjagtigheder i de manuelt producerede valideringsdata, fx fordi et område er blevet befæstet, siden valideringsdata blev produceret. Det er meget lovende resultater, der med høj opløsning og stor nøjagtighed ikke tidligere er set - slet ikke på national skala.

Da vores algoritme baserer sig på løbende opdaterede data som højdemodel og luftfoto, er der mulighed for at producere årligt opdaterede kortlægninger af befæstede områder. Således undgår man gamle kortlægninger, som ikke bliver opdateret, fordi det er for tidskrævende. Man sikrer ligeledes et løbende ajourført datagrundlag i det daglige arbejde i forsyninger og kommuner.

Med denne nye tilgang vil det også være muligt at visualisere og monitorere, hvordan graden af befæstelse udvikler sig over tid i forskellige områder af en by. Det vil hjælpe med at skabe opmærksomhed på de problemer, som en øget befæstelse skaber i urbane områder.

Maskinlæring til national kortlægning af befæstede områder
Morten Revsbæk
SCALGO