Kartlegging og kartrevisjon

Vi forsker på og utvikler algoritmer for kartlegging og kartrevisjon. Med data fra satellitter, fly og droner utvikler vi metoder som kan tilpasses ulike behov innen infrastruktur, klimaarbeid og arkeologi.

Kart over Afrika. Fruktbare områder er market i grønt, mens andre er gule.
Kartlegging av vegetasjonshøyde i Afrika med Sentinel-2 data og dyp læring. Illustrasjon: NR.

Hvorfor oppdaterte kart er viktige

Et kart er en visuell framstilling som viser sammenhenger mellom romlige elementer som objekter, områder, terreng og temaer. Kart forenkler informasjon om verden og spiller en sentral rolle i å formidle data på ulike nivåer, som nasjonale oversikter til detaljer om bygninger, veier og andre lokale strukturer.

Kart er avgjørende for et lands sikkerhet, samfunnsutvikling og bærekraft. Nasjonale kart omfatter blant annet topografiske kart, matrikkel- og eiendomskart samt ulike temakart, som arealdekke, befolkningstetthet og klima.

Byer og tettsteder er i stadig endring og hyppig kartrevisjon er nødvendig for å sikre effektiv byforvaltning. Oppdaterte kart gir beslutningsgrunnlag innen byplanlegging, utbygging av infrastruktur, beredskap, eiendomsforvaltning og overvåking av grøntområder og miljøutfordringer i tettbygde strøk.

I Norge utføres kartlegging og kartrevisjon i samarbeid mellom Kartverket og kommunene, med bidrag fra både offentlige og private aktører.

Bred erfaring med kartleggingsmetoder

På NR har vi utviklet metoder for kartlegging i mer enn 40 år.

Arbeidet startet på 1980-tallet med tematiske kart basert på Landsat- og SPOT-satellitter. På 1990-tallet tok vi i bruk digitaliserte flybilder for å oppnå høyoppløselig skogkartlegging.

Vi brukte også data fra Den europeiske romorganisasjonen (ESA) til å teste flybårne hyperspektrale sensorer, også kalt bildespektrometre, samt syntetiske aperturradarer (SAR).

I dag er digitale flybilder standard, mens hyperspektrale sensorer brukes mer spesifikt der det er behov.

Til storskala kartlegging finnes det ulike typer satellittsensorkategorier. De spenner fra kommersielle satellitter med svært høy oppløsning, til høytoppløselige sensorer som multispectral imaging (MSI) ombord Sentinel-2. I tillegg finnes sensorer med moderat oppløsning, som Sentinel-3 og tilsvarende satellitter, som brukes til daglig, global kartlegging.

Kystområde sett fra satelitt. forslag til Utbygging av vindturbiner markert i rødt.
Et kart basert på Sentinel-2-data viser et forslag til kartendringer i et villmarksområde der det planlegges utbygging av vindturbiner. Illustrasjon: NR.

Automatiserte metoder for kartlegging og kartleggingsrevisjon

Vi utvikler automatiserte metoder for kartlegging og kartrevisjon i flere av våre prosjekter.

Dette omfatter blant annet kartlegging av vegetasjonshøyde i Afrika, identifisering av nye bilveier, påvisning av kulturminner, klassifisering av treslag, registrering av bygningsendringer og estimering av bjørkepollenspredning.

Automatiserte metoder for kartlegging bygger på kunstig intelligens. Dette kan oppnås ved å trene dype nevrale nettverk med store mengder merkede treningsdata, eller ved å bruke mer konvensjonelle metoder der etablerte tilnærminger allerede finnes. Eksempler på dette er vurderinger av arealdekke og overflatetemperatur.

Valg av fjernmålingsdata bestemmes av fire faktorer:

  • Størrelsen eller skalaen på objektene eller fenomenene, som avgjør hvilken romlig oppløsning eller pikselstørrelse som kreves
  • Arealets utstrekning
  • Hvor synlige objektene eller fenomenene er i bildene
  • Budsjett for datainnsamling

Som regel må det gjøres avveininger mellom disse faktorene. Kartlegging av store områder ofte kreve satellittbilder med grovere oppløsning, mens det i andre tilfeller kan være nødvendig å kombinere flere bilder for å dekke området med tilstrekkelig detaljeringsgrad.

Tre bilder som sammenligner flyfoto, laserskanning med vegetasjon og laserskanning uten vegetasjon fra et område i Larvik. Gravhauger blir synlige når vegetasjonen fjernes
Tre bilder av samme område i Larvik viser hvordan bruk av flybåren laserskanning kan avdekke tidligere ukjente gravhauger. Til venstre: flyfoto av skogområde. I midten: laserskanningsdata med skog og vegetasjon. Til høyre: laserskanningsdata der vegetasjonen er fjernet, slik at flere gravhauger blir synlige. Gravhaugene ble oppdaget av NR i samarbeid med lokale arkeologer ved hjelp av dyp læring. Illustrasjon: NR.

Vil du vite mer om arbeidet vårt innen kartlegging og kartrevisjon?

Ta kontakt:

Partnere og kunder

  • Bærum kommune
  • Den europeiske romorganisasjon (ESA)
  • Direktoratet for romvirksomhet
  • Field group
  • Kartverket
  • NILU
  • Norges astma- og allergiforbund
  • Norges miljø- og biovitenskapelige universitet (NMBU)
  • Norges forskningsråd
  • Norsk institutt for bioøkonomi (NIBIO)
  • Riksantikvaren

Publikasjoner

Jensen, A.C. (2024). Beyond output-mask comparison: A self-supervised inspired object scoring system for building change detection. Proceedings of the 5th Northern Lights Deep Learning Conference (NLDL), Proceedings of Machine Learning Research, 233, 97-103. https://proceedings.mlr.press/v233/jensen24a.html

Trier, Ø. D., Cowley, D. C., & Waldeland, A. U. (2018). Using deep neural networks on airborne laser scanning data: Results from a case study of semi-automatic mapping of archaeological topography on Arran, Scotland. Archaeological Prospection, 26(2), 165-175.

Trier, Ø. D., Reksten, J. H., & Løseth, K. (2021). Automated mapping of cultural heritage in Norway from airborne lidar data using faster R-CNN. International Journal of Applied Earth Observations and Geoinformation, 95, Article 102241. https://doi.org/10.1016/j.jag.2020.102241

Trier, Ø. D., Salberg, A.-B., Larsen, R., & Nyvoll, O. T. (2022). Detection of forest roads in Sentinel-2 images using U-Net. Proceedings of the Northern Lights Deep Learning Conference 2022, 3https://doi.org/10.7557/18.6246

Waldeland, A. U., Trier, Ø. D., & Salberg, A.-B. (2022). Forest mapping and monitoring in Africa using Sentinel-2 data and deep learning. International Journal of Applied Earth Observation and Geoinformation, 111, Article 102840. https://doi.org/10.1016/j.jag.2022.102840

Aktuelle prosjekter