Deteksjon i 100-metersbeltet ved bruk av kunstig intelligens

Abstract

Norges strandsone, eller det såkalte 100-metersbeltet, er ifølge Norges lover i utgangspunktet et område med byggeforbud. Dette fører til at mye uregistrert bebyggelse settes opp, som igjen vanskeliggjør kartleggingen av området. For flere avdelinger i Sjøforsvaret er 100-metersbeltet et spesielt interessant område ettersom det muliggjør åpning av nye landfronter. For å kunne planlegge landsettingsoperasjoner må en ha kontroll på blant annet bebyggelsen på land, men med manglende data blir dette vanskelig. Med denne motivasjonen for oppgaven har gruppen kommet frem til følgende problemstilling:

Kan en ved bruk av kunstige nevrale nettverk detektere uregistrert bebyggelse i ortofoto, i 100-metersbeltet?

For å svare på problemstillingen blir teknologivitenskapelig metode anvendt. Denne metoden går ut på at det først identifiseres et artefaktbehov, for deretter å lage en nyskapning som dekker dette behovet. I denne oppgaven er det forsøkt med hovedsakelig tre ulike nyskapninger for å løse artefaktbehovet, og dermed svare på problemstillingen.

Nyskapningene er ulike former for objektdeteksjon i ArcGIS. Først anvendes en ferdigtrent modell fra ESRI. Deretter er det forsøkt å modifisere denne. Den siste nyskapningen går ut på å trene en helt ny modell. Alle tre modellene gjør deteksjoner i ortofoto, men i ulik grad. Oppgaven tar for seg hvordan disse modellene, anvendt i ulike dyplæringsverktøy i ArcGIS, best mulig kan svare på oppgavens artefaktbehov.

Av de tre nyskapningene så konkluderes det med at den egentrente modellen er den som gir best resultater. På deteksjonene som gjøres klarer modellen å detektere en andel hus, naust og brygger, inkludert uregistrert bebyggelse. Til tross for dette er det områder der modellen ikke gir tilfredsstillende resultat. Dette er trolig grunnet for lite treningsdata. Dermed kan det konkluderes med at en ved bruk av kunstige nevrale nettverk kan detektere uregistrert bebyggelse i ortofoto, i 100-metersbeltet. Det vil likevel kreve større mengder treningsdata for at resultatet skal bli tilfredsstillende langs hele Norges kystlinje.

In Norway it is difficult to get a building permit in the 100-meter zone, which is a zone stretching 100 meters in from the seashore. This leads to many illegal buildings, which makes it difficult to map these structures. To the Navy it is critical to know the location of these structures, as the coast is used for landing operations. Planning and executing landing operations can be difficult if the data of structures on land, and in close proximity to land, is missing. This issue is used as motivation for this extended essay and our research question is:

Is it possible to use artificial neural networks to detect unregistered structures in an orthophoto, in the 100-meter zone?

Technological science method is used to answer this question. This method is based on firstly identifying the artifact need, then coming up with an innovation that answers the need identified. In this project, three different innovations have been used to answer the artifact need, and thus solve the problem.

The innovations are three different models of object detection in ArcGIS. The first model is a pre-trained deep learning model, made by ESRI. The second model is a modified version of the pre-trained model, and the last one is a self-trained model without any pre-training. All three models do detect objects, but in different degrees. This extended essay describes how one can use the models in the deep learning tools in ArcGIS to most accurately answer the artifact need.

The essay concludes that the self-trained model, which was not pre-trained, was the best one to solve the artifact need. In the evaluation-experiment the self-trained model manages to detect a proportion of structures, including unregistered buildings. On the other hand, the evaluation reveals that the amount of training data is too small to give a satisfactory result along Norway's entire coastline. Thus, it can be concluded that when using artificial neural networks, one can detect unregistered buildings in an orthophoto, in the 100-meter zone, but this will require relatively large amounts of training data.