Udvikling af et nationalt befæstelseskort

Session

Befæstelseskortlægning

Abstract

For at gøre Danmark klar til fremtidens klima er der brug for data og viden om, hvor vand kan sive ned i jorden afhængig af, om overfladen er befæstet med fx grus eller asfalt. Maskinlæring er i rivende udvikling og giver nye muligheder for at kortlægge overflader automatisk, som ellers vil være for omkostningstungt at gøre manuelt.

I dette oplæg vil vi præsentere arbejdet med at udvikle et nationalt befæstelseskort, som bliver et af de første af SDFIs produkter, der bliver produceret af en selvlært algoritme. Et nationalt befæstelseskort kan bl.a. bidrage til bedre klimatilpasning og risikovurderinger for oversvømmelse, idet kortet giver bedre muligheder for at vurdere nedsivning i jord. Dertil kommer bedre grundlag til at planlægge og budgettere, når der i fremtiden skal ske nedgravning af infrastruktur (el, vand, varme, tele).

Målgruppe

Målgruppen for indlægget er forsyningsmedarbejdere, graveaktører, kommunale klimamedarbejdere og private rådgivere.

Yderligere uddybning af abstract

Detaljerede data og viden om befæstelsestyper er værdifuld som grundlag for hydrologiske analyser, planlægning og vedligeholdelse af nedgravet infrastruktur. Hvert år optages Danmark i højtopløselige flyfoto og punktskyer fra laserscanning, som derefter manuelt bliver set igennem for at optegne forskellige objekter og overflader. Maskinlæringsalgoritmer og herunder især forskellige former for dybe neurale netværk kan gøre dette arbejde meget hurtigere og billigere.

Ved brug af maskinlæring har vi igangsat et projekt, der skal udvikle et nationalt befæstelsestypekort. Befæstelsestypekortlægningen vil hjælpe til bedre klimatilpasning og vurdering af risiko for oversvømmelse med bedre mulighed for at vurdere nedsivning i jord. Der er udviklet en prototype af befæstelseskortet, som i dag er tilgængelig på SDFI Labs. Prototypen er skabt på baggrund af bl.a. GeoDanmarks ortofotos og forskellige GeoDanmark vektorlag (fx søer og bygninger), og den udpeger typerne: ”befæstet”, ”ubefæstet”, ”bygning” og ”sø”. Maskinlæring er i rivende udvikling, og det vurderes derfor, at der er store forbedringspotentialer, så kortet i fremtiden kan vise flere typer fx asfalt, grus og fliser.

Udvikling af et nationalt befæstelseskort
Theresa Kjærside
Styrelsen for Dataforsyning og Infrastruktur