Maskininlärning ger effektivare flygbildstolkning

Lantmäteriet har sedan något år testat maskininlärning som ett sätt att hitta byggnader i flygbilder. Nu har tekniken använts i produktionen för första gången.

Maskininlärningsmodellen tränas i 2–3 dagar på att känna igen byggnader och används sedan på nya flygbilder. Ur detta skapas ett nytt underlag där alla byggnaderna som maskininlärningsmodellen hittat är markerade. Detta underlag bearbetas lite, höjdsätts och används sedan för att effektivisera flygbildstolkningen.

– De flesta av byggnaderna hittas av maskininlärningsmodellen. Däremot har den ännu svårt för att följa byggnadernas exakta geometri och linjerna blir därför lite avrundade. Det går dock att använda modellen för att enbart hitta byggnader. Metoden kontrollerar också vilka byggnader som redan finns registrerade i databasen så att det endast är nya byggnader som dyker upp i bilden, berättar Adam Hedkvist, verksamhetsutvecklare på Lantmäteriet.

Stora fördelar men också förbättringspotential

Underlaget hjälper till att hitta byggnader som kan missas i den manuella tolkningen och som därför saknas i de färdiga flygbildsprodukterna. Ibland blir det dock felträffar, till exempel stenar, berghällar och vattenytor som blivit tolkade som byggnader av maskininlärningsmodellen.

– Men vi jobbar med att minimera antalet felaktiga träffar. Målbilden är att maskininlärningsmodellen själv ska hitta byggnadsförändringar, i stället för att leta efter dem manuellt. Detta skulle resultera i ett mycket mer tidseffektivt arbete, säger Andreas Berglund, produktionsledare på Lantmäteriet.

Det har också påbörjats ett arbete med nya objekttyper. Förra året startades till exempel ett uppdrag för vägar, vilket ska vara klart till juni 2024.

– Trafikverket har visat intresse för det arbete som har gjorts och kommer hjälpa till att göra det bättre.

Lantmäteriets arbete med att utveckla sin geografiska information står inför stora utmaningar. En stor del av informationen, ofta i 2D, behöver struktureras om och anpassas för samhällets digitalisering och 3D. Metoder för insamling och samverkan behöver också utvecklas för att hålla informationen uppdaterad, och mer detaljerad. Samtidigt måste informationen enkelt kunna integreras i användarnas system.

För att lyckas med dessa utmaningar måste vi utnyttja framstegen i tekniken. Vi tror maskininlärning kan hjälpa oss spara tid och pengar. Samtidigt flyger vi, flygfotograferar och förvaltar geodata från en tredjedel av hela Sveriges yta varje år.