AI for Arktis

European Space Agency (ESA) arbeider med å hente ut potensialet med bruk av analysemetoder basert på «kunstig intelligens», spesielt dyp læring, på anvendelser av satellittbilder.

I dette prosjektet, som utføres i samarbeid med danske, svenske og norske partnere, utvikler og utprøver vi metoder for dyp læring for snøkartlegging og haviskartlegging. NR leder prosjektet og har hovedansvaret for metoder for snøkartlegging. Den skandinaviske halvøya er valgt ut som testområde. Algoritmer for dyp læring er tilpasset og trent opp ved hjelp av eksempelkart som i utgangspunktet er basert på høyoppløselige bilder tatt med Sentinel-2. For disse bildene er det brukt klassiske, fysikkbaserte algoritmer der resultatene er kontrollert og sortert manuelt. Disse kartene brukes så til å trene opp dyp-lærings-algoritmer. Vi har testet dette ut for snødekningsgrad (fractional snow cover, FSC), kornstørrelse (snow grain size, SGS) og snøfuktighet (snow surface wetness, SSW) på satellittbilder fra Sentinel-3 som er av moderat oppløsning, men tas opp hver dag. Resultatene viser at for spesielt snødekningsgrad og kornstørrelse overgår dyp læring nøyaktigheten i forhold til klassiske metoder. Resultatene gjøres tilgjengelig for brukermiljøer slik at disse kan teste ut forbedringspotensialet i sine anvendelser.