Artificiell Intelligens, AI, har länge varit en integrerad del av ArcGIS. I takt med den allt snabbare teknikutvecklingen har möjligheterna att förfina samverkan mellan AI och ArcGIS bara ökat. Inom fem områden är utvecklingen extra välkommen.

Maskiner och datorer lär sig se och tolka bilder i stor utsträckning på egen hand, inom den utvecklingsdel inom AI som kallas deep learning. Det här är särskilt intressant för alla som arbetar med GIS när vi pratar om satellitbilder, ortofoton och drönarbilder. Alla dessa slags bilder kan idag produceras i en högre hastighet än vi har förmåga att hinna analysera på manuellt vis.

Kan vi dra nytta av maskiner som själva korrekt tolkar bilderna kan olika processer snabbas på mångfalt.

Fem värdefulla användningsområden där GIS möter AI som jag ska gå igenom här är:

  1. Image classification
  2. Object detection
  3. Semantic segmentation
  4. Instance segmentation
  5. Mapping

1. Image classification

Den enklaste typen av deep learning rör image classification: bildklassificering. Datorn klassar då olika objekt i bilden och kallar dem saker som ”katt” eller ”hund”, om det är vad bilden visar. Det här är användbart för att kunna kategorisera händelser i geotaggade foton.

Image classification med ArcGIS

Det övre vänstra fotot har klassificerats som en ”tät folksamling” i samband med ett event. Genom att övervaka hur människorna rör sig går det att bättre styra om antingen folkmassan eller trafiken om det behövs. Det ökar säkerheten för alla inblandade.

2. Object detection

Med metoden object detection – objektigenkänning – behöver datorn hitta ett eller flera olika slags objekt och var i bilden de befinner sig.

Att lokalisera valda objekt är såklart en lika grundläggande som viktig del av ett GIS: att utifrån en satellitbild, ett ortofoto eller en drönarbild, kunna identifiera objekt och placera ut dem korrekt på en karta. Metoden är användbar inom till exempel infrastruktur som för att kunna identifiera avvikelser.

Object detection av pooler med ArcGIS

Här låter man datorn själv identifiera och peka ut var på bilden det finns pooler. Den här typen av information kan in nästa steg vara användbart när städer och samhällen behöver planera för vatten och avlopp, till exempel.

3. Semantic segmentation

Med semantic segmentation, klassificering av pixlar, låter man datorn identifiera och klassificera varje enskild pixel i en bild, för att sedan klustra alla pixlar som har samma värde.

Metoden kan nyttja till exempel för att räkna ut storleken på en viss typ av yta eller mark eller för att extrahera vägar i ett satellitfoto.

Semantic segmentation med ArcGIS

Olika marktyper klassificeras och klustras med hjälp av deep learning.

4. Instance segmentation

Instance segmentation är en mer detaljerad, exakt metod för att klassificera objekt. Här identifieras inte bara en objekttyp utan även objektets form. Det gör metoden till ett utmärkt val för att till exempel förbättra bakgrundskartor, och återge ett objekts exakta form.

Instance segmentation med ArcGIS

Byggnaden till vänster har återskapats manuellt. Samma byggnad till höger är skapad maskinellt.

5. Mapping

Det skulle såklart vara en stor fördel att kunna automatisera skapandet av nya kartor, korrekt med vägar och byggnader, direkt från satellitbilder. Vi har kommit en god bit på vägen.

Vägar kan skapas relativt korrekt idag men byggnader blir ofta lite svängiga i kanter och hörn, utan de skarpa vinklar man önskar. Dock finns verktyget Regularize Building Footprint i ArcGIS Pro som avhjälper problemet.

Mapping av vägar med ArcGIS

Vägarna upptäcks maskinellt tack vare deep learning, och konverteras sedan till linjer utan behov av mänsklig inblandning.

Mapping av städer med ArcGIS

Byggnader identifieras och extraheras ur ett satellitfoto och förfinas med verktyget Regularize Building Footprint tool i ArcGIS Pro.