Erfaringer med deep learning og jordobservationsdata

Både hos Alexandra Instituttet og hos FieldSense har vi i løbet af de seneste år arbejdet med brug af maskinlæringsteknikken deep learning til at analysere jordobservationsdata. I denne artikel vil vi gerne dele ud af vores erfaringer med at kombinere rasterlag og polygonlag med deep learning-teknikker, hvorved man kan optræne neurale netværk der kan automatisere arbejdsopgaver i forbindelse med kortlægning og ændringsudpegning. Vi vil give eksempler på, hvordan komplekse informationer kan udvindes fra satellit- eller flyfotos via kunstig intelligens, når store mængder af data, og lige så vigtigt den nødvendige ground truth data, er tilgængelig. I samarbejde med Alexandra Insituttet har FieldSense f.eks. udviklet kunstig intelligens til at identificere markgrænser og generere matrikeldata ud fra satellitdata. Desuden vil vi fortælle om en metode til visuel søgning efter objekter i meget store rasterbilleder.