Kan maskinlæring og
geografiske data gi bedre
innsikt i en verden i endring?
Inge Anundskås
Geodata AS
Kilde: NRK
Kilde: Dagsavisen
Rieperbreen på Svalbard, kilde NRK
Vit hvor du er
Vit hvor du skal
Arealressurskartlegging
CORINE Land Cover FKB Arealressurskart
1:5000 (AR5)
Arealressurskartlegging
CORINE Land Cover FKB Arealressurskart
1:5000 (AR5)
Arealressurskartlegging
CORINE Land Cover FKB Arealressurskart
1:5000 (AR5)
Kan Deep Learning
effektivisere produksjon av
arealressurskart?
Deep Learning brukes overalt
Autonome
kjøretøy
Chatbots og talegjenkjenningMobilkamera
Prediktivt vedlikeholdNetthandel og personlig
markedsføring
Meningsanalyser
Prediksjon av
kriminalitet
Aksjehandel
Ansiktsgjenkjenning
Medisinsk bildebehandling
Go
Bildeanalyser med satellitt- og flyfoto
Sikkerhet og beredskap
Deep Learning: Bruksområder for Computer Vision
Bildeklassifikasjon Objektdeteksjon Instans segmenteringSemantisk segmentering
Kilde: Stanford University -
http://cs231n.stanford.edu/slides/2017/cs231n_2017_lecture11.pdf
Skog
Myr
1
2
3
Lage treningsdata
Trene og verifisere modell
Kjøre modell
Kilde: ESA
1
Sentinel 2
• Siden 2015
• 5 dager
gjentaksintervall
• 13 spektrale
bånd
• 10, 20 og 60m
oppløsning
Bounding Boxes
Labelled Pixels+
GIS featureklasser / klassifisert raster Bildedata
1
Github Tensorflow Models -
https://github.com/tensorflow/models
DeepLabv3+ – Open Source arkitektur
fra Google2
Trening av modellen
Trening på Amazon Instance (p2.xlarge)
- 1 dedikert GPU med 12 GB minne
- 4 CPUs og 61 GB minne
Trening på lokal maskin
- Dedikert GPU med 4 GB minne (Nvidia Quadro P2000)
- Intel Xeon CPU med 6 kjerner og 32GB minne
Kan følge «loss» med Tensorboard
- tensorboard --logdir=path/to/log-directory
training_number_of_steps = 30000
base_learning_rate = 0.001
batch_size = 4
…….
Anbefaler Git Bash for
Windows miljøer
2
• Export Training Data For Deep Learning (Enhanced)
• Lager bildefliser (chips) og metadata som er kompatible med flere
populære maskinlæringsrammeverk
• Detect Objects Using Deep Learning
• Classify Pixels Using Deep Learning
• Non Maximum Suppression
• Verktøy for å filtrere dupliserte deteksjoner basert på en
nøyaktighetsterksel
• Mulighet til å benytte datamaskinens GPU til prosessering og
analyse.
Nye geoprosesseringsverktøy for Deep Learning3
DEMO
Ca 87% nøyaktig gjengivelse av AR5 med Deep
Learning
Deep
LearningAR 5
Dårlig treff på kategorien samferdsel grunnet dårlig
oppløsning på Sentinel 2 data (10m)
Deep
LearningAR 5
Deep learning på flyfoto fra Norge i Bilder gir gode
resultater for samferdsel
Deep
LearningAR 5
Kategorien åpen fastmark inkluderer mange ulike
typer arealbruk
Deep
LearningAR 5
Eksempelet viser at både et grustak og en golfbane
kategoriseres som åpen fastmark i AR5.
Norge i
BilderAR 5
I dette eksemplet kan det se ut som Deep Learning
gjør en feil, sammenliknet med AR5
Deep
LearningAR 5
Men her tar AR5 feil og viser hvorfor hyppig
oppdatering av arealressurskartet er viktig
Norge i
BilderAR 5
• Ca 90% nøyaktighet om samferdsel
og bebyggelse slås sammen
• Sentinel 2 passerer samme område
hvert 5. døgn og har dermed et stort
potensiale for endringsdeteksjon
• Nye metoder åpner for nye
bruksområder og ny innsikt
Oppsummering
Andre eksempler av Deep Learning-
integrasjon med GIS
Gjenkjenning (og kvantifisering) av folkemengder fra
webkamera i avgangshallen på OSL
Fordeling av reisende i terminalbygget basert på
Deep Learning av webkamerabilder
Alternative plasseringer av hjertestartere i terminalen
Gangnettverk for terminalen
Optimal utplassering av hjertestartere basert på
tetthet av reisende og gangnettverk
Visualisering av passasjertetthet over tid
Identifikasjon av kjøretøy i veikamera fra Statens
Vegvesen
Gjenkjenning av sprekker i veidekket (Video)
Visualisering av data om sprekker i veidekket
Gjenkjenning av biler i dronefoto (video)
Klassifisering av ‘Gravbarhet’ i
havbunn ut fra dybdedata med
Deep Learning.
Input
ML modell i ArcGIS Pro
Output featureklasse
Klassifiseres i
kategoriene:
1: «myk»
2: hard (fjell)
High Resolution Land CoverUsing Deep Learning to achieve 1-meter resolution land cover at scale
manually created a high-resolution land cover map for precision conservation of the Chesapeake watershed
100kmi2Area of watershed to map
2TBFile size of imagery to classify
18monthsTime to create map
By the time the land cover map was completed in December 2016, it was already out of date, and an update would be time-intensive and costly.
Land Classification Model
Convolutional
Network
Architecture
23 layer U-Net
Test ImagesLabeled
Training
Images
Chesapeake
Conservancy
Dataset
Land
Classification
Model
Land Cover Map
Working Platform: GeoAI Virtual Machine
Dataset: 120k mi2 of imagery at 1-meter resolution,
split in half geographically into train and test sets
Algorithm Results
91%Average land
classification accuracy
16xFaster than Chesapeake
Conservancy’s previous
methods
High Resolution Land Classification
using CNTK Convolutional Neural Networks
3D Reconstruction from LIDARDetect Buildings, Roof Type, Height, and More!
Complex Roof Types
Export Training Data for Deep Learning (18,200 Samples)
https://medium.com/geoai/reconstructing-3d-buildings-from-aerial-lidar-with-ai-details-6a81cb3079c0
Takk for meg!
Inge Anundskås
Geodata AS
Nyttige lenker og ressurser!
• Jeremy Jordan – Data Science Blog - https://www.jeremyjordan.me/data-science/
• Machine Learning is Fun! Intro blog - https://medium.com/@ageitgey/machine-learning-is-fun-
80ea3ec3c471
• MIT Deep Learning Courses - https://deeplearning.mit.edu/
• Stanford Machine Learning Courses - https://see.stanford.edu/course/cs229
• Google Machine Learning Crash-course - https://developers.google.com/machine-
learning/crash-course/ml-intro
• TensorFlow Resources - https://www.tensorflow.org/resources/models-datasets
Nyttige lenker og ressurser!
• Esri GeoAI Blog- https://medium.com/geoai -- High Resolution Land Cover post er et godt
utgangspunkt for å komme i gang!
• Deep Learning with ArcGIS StoryMap- https://www.esri.com/arcgis-blog/products/arcgis-
pro/imagery/deep-learning-in-arcgis-story-map/
• Deep Learning i ArcGIS Pro- https://pro.arcgis.com/en/pro-app/help/analysis/image-analyst/deep-
learning-in-arcgis-pro.htm
• Deep Learning Module Python API for ArcGIS- https://esri.github.io/arcgis-python-
api/apidoc/html/arcgis.learn.html
• Foredrag om GeoAI fra DevSummit 2018- https://www.youtube.com/watch?v=Of6goqNXKo4
• Esri Deep Learning Raster Functions GitHub- https://github.com/Esri/raster-deep-learning
• Esri Object Detection eksempel GitHub - https://github.com/Qberto/ML_ObjectDetection_CAFO