AI- och datorseendemetoder i förbättring av regional klassificering av marktäckning
Städerna behöver information om var det finns ytor som är genomträngliga och ogenomträngliga för vatten för planering, översvämningsriskanalyser och simuleringar i området. Vi strävar efter att utveckla HRM:s regionala metoder för klassificering av marktäckning baserat på AI och datorseende för klassificering av marktäckning i fjärranalysmaterial. Särskild uppmärksamhet ägnas åt att via flygfoton automatiskt identifiera och kartlägga ytor (asfalt, sand) som är väsentliga för hantering av dagvatten/vattenpermeablitet.
Resultat
- Förväntningarna uppfylldes inte, eftersom det testade utgångsmaterialet inte räckte till för automatisk klassificering.
- Man fick erfarenhet av att använda det Mask-RCNN-baserade neuronätet och Tensorflow till ett nytt tema.
- En uppfattning om betydelsen av tillräckligt utgångsmaterial och noggrann klassificering och mängden undervisningsmaterial.
- En förståelse av utmaningarna inom AI/NN-processerna och att hålla resultatförväntningarna på en realistisk nivå.
Effekter
- Försöket gav inga omedelbara effekter.
- Om metoden hade lyckats hade den kunnat användas i stor utsträckning i finländska kommuner och även internationellt.
- En ökning och specificering av utgångsmaterialet skulle ha en betydande inverkan på automatklassificeringen. Metoden i sig är funktionell men kräver bättre utgångsdata.
I samarbete med
- Pointscene Oy
- Helsingforsregionens
- Miljötjänster HRM
- Miljöministeriet
