Kartlegging av vår kulturarv
- Avdeling BAMJO
- Involverte fagområder Jordobservasjon, Kartlegging og overvåking
- Involverte bransjer Samfunn, Klima og miljø
Dagens oversikt over kulturminner i skog og utmark er mangelfull og unøyaktig, noe som kan føre til tap eller skade av verdifull kulturarv ved utbyggingsprosjekter. I samarbeid med Riksantikvaren og utvalgte fylkeskommuner har NR utviklet automatiserte metoder for å identifisere funnsteder ved hjelp av laserskanning og dyp læring. Flybåren laserskanning gjør det mulig å vurdere terrengnivåer og forenkler kartleggingsprosessen.
I Norge er det Riksantikvaren i samarbeid med fylkeskommunene som er ansvarlige for registrering og kartlegging av kulturminner i landet. Ved planlegging av arealbruksendinger, som utbygging av veier, vindmølleparker og hyttefelt, er det viktig å vite nøyaktig hvor det fins kulturminner slik at disse ikke blir skadet. Dessverre er kulturminnekartleggingen i Norge mangelfull. Noen områder er kartlagt godt, mens de fleste områder bare har tilfeldige funn, ofte med unøyaktige posisjoner.
I dette prosjektet har vi utviklet automatiserte metoder for å oppdage og stedfeste visse typer kulturminner som ofte forekommer i utmarksområder: Gravhauger fra jernalderen, fangstgroper fra jernalder og middelalder, samt kullmiler fra 1600- og 1700-tallet. Metodene baserer seg på dype nevrale nettverk som er trent opp til å kjenne igjen disse kulturminnene i laserskanningsdata fra fly. Slike data har blitt samlet inn for hele Norge i løpet av de siste årene.
Deteksjon av kulturminner med dyp læring
Vi testet ulike tilnærminger i prosjektperioden, inkludert malmatching og et konvolusjonelt nevralt nettverk (CNN), før vi landet på vår nåværende metode, som utnytter kraften i det dype nevrale nettverket, Faster R-CNN. Nettverket ble trent med én million bilder av naturlige omgivelser med merkede objekter som kjøretøy, dyr og mennesker. Denne opplæringen la grunnlaget for nettverkets evne til å gjenkjenne objekter og ble deretter finjustert med 3 000 laserskanningsbilder av ulike kulturminner. Metoden ble deretter brukt til å forutsi plasseringen av funnsteder, selv når disse ikke var del av det opprinnelige datasettet.
Automatisert kartlegging av kullmiler, gravhauger og områder for jernutvinning
Den virkelige verdien av automatiserte prediksjoner ligger i evnen til å kunne oppdage ukjente lokasjoner. Vi ønsket derfor å teste metoden vår i et område med ufullstendig kartlegging. Testområdet ble Øvre Eiker kommune i Buskerud, som på det tidspunktet hadde rundt ti kjente kullmilesteder. Øvre Eiker ligger nær Kongbergs sølvgruver, som brukte trekull på 1600-tallet, og vi mistenkte derfor at fantes langt flere kullmiler enn tidligere oppdaget. Metoden vår dekket hele kommunen og predikerte til slutt 1 130 steder. Ved manuell kontroll ble 578 av disse bekreftet, og vi fant i tillegg 66 kullmiler som den automatiserte metoden hadde oversett.
I løpet av prosjektperioden gjorde vi flere spennende oppdagelser. Blant annet identifiserte vi områder for jernutvinning og fangstgroper for hjort i Øystre Slidre, og vi oppdaget seksten gravhauger i Vestfold og Telemark.
Vil du vite mer om dette prosjektet? Ta kontakt:
Prosjekt: CultSearcher
Partnere: Riksantikvaren, Norsk institutt for kulturminneforskning (NIKU), Kulturhistorisk museum, Vestfold fylkeskommune, Innlandet fylkeskommune (tidligere Oppland), Trøndelag fylkeskommune (tidligere Sør-Trøndelag), Buskerud fylkeskommune, Telemark fylkeskommune
Periode: 2003-2016
Publikasjoner på engelsk:
Trier, Ø.D., Pilø, L.H., 2012. Automatic detection of pit structures in airborne laser scanning data. Archaeological Prospection 19 (2), 103–121. https://doi.org/10.1002/arp.1421.
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, paper No. 102241. https://doi.org/10.1016/j.jag.2020.102241.
Trier, Ø.D., Salberg, A.-B., Pilø, L.H., 2016. Semi-automatic mapping of charcoal kilns from airborne laser scanning data using deep learning. In: Proceedings of the 44th Conference on Computer Applications and Quantitative Methods in Archaeology, Oslo, Norway, 30 March-3 April 2016, pp. 219-231. Read the chapter via Google Books.