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