GeoAI gør størst forskel i de kedelige opgaver, og det kræver stadig et menneske til at godkende

Luftfoto set lodret oppefra af tage, haver og veje i et villakvarter

GeoAI i ArcGIS fra Esri kan i dag genkende objekter i luftfoto, digitalisere og finde fejl i data. Værdien opstår først, når en fagperson kontrollerer resultatet, før det går ind i registret.

Kort fortalt
  • GeoAI gør i dag mest gavn i gentagne opgaver som objektgenkendelse i luftfoto, digitalisering og fund af fejl i data.
  • ArcGIS Pro har værktøjer til objektdetektion, segmentering og ændringsdetektion.
  • Klimadatastyrelsen fotograferer hele Danmark hvert forår, og ortofotoene er frie data.
  • En fagperson skal godkende modellens resultat, før det går ind i registret.

GeoAI er mindre spektakulært end trendlisterne lover

Trendlister om GeoAI handler ofte om selvstændige analyser og digitale tvillinger, der forudsiger alt. I drift hos forsyninger, industri og kommuner ser GeoAI anderledes ud. Det er typisk en model, der gennemgår tusindvis af luftfoto og markerer objekter, som en medarbejder ellers skulle tegne ind manuelt.

GeoAI er en samlebetegnelse for maskinlæring og deep learning anvendt på geografiske data. Esri beskriver i dokumentationen til ArcGIS Pro deep learning som en gren af maskinlæring, der bruger flere lag af neurale netværk. Et eksempel i dokumentationen er at genkende bygninger og veje i billeder.

De jordnære opgaver er der, hvor teknologien i dag gør størst forskel. De er gentagne, de har mange eksempler at lære af, og en fejl kan fanges af en fagperson, før den gør skade.

Kravene før et GeoAI-projekt går i drift

Et GeoAI-projekt er klar til drift, når fem krav er opfyldt. Kravene gælder uanset platform og leverandør, og de afgør, om en model bliver et arbejdsredskab eller forbliver et eksperiment:

  • Opgaven er gentagen og har mange eksempler at træne eller teste på
  • Datakilden er kendt (fx danske luftfoto, ortofoto fra Dataforsyningen)
  • Der er en kontrol, hvor en fagperson godkender resultatet
  • Resultatet kan spores tilbage til model og data
  • Organisationen ved, hvad en fejl koster

Kravet om gentagelse udelukker mange idéer. En opgave, der kun opstår et par gange om året, har ikke eksempler nok til at træne eller teste en model, og den løses ofte hurtigere i hånden. Kravet om fejlomkostning bliver oftest glemt, selv om det afgør, hvor meget kontrol der er nødvendig.

Danske luftfoto opfylder kravet om en kendt datakilde. Klimadatastyrelsen fotograferer hele Danmark hvert forår gennem GeoDanmark-samarbejdet med kommunerne, og ortofotoene udstilles som frie data via Datafordeleren og Dataforsyningen. Styrelsen har desuden produceret sommerortofotos siden 2008 og har en fotosamling, der går tilbage til 1945.

Tre opgaver der allerede kan automatiseres

Tre typer opgaver kan i dag automatiseres med GeoAI: genkendelse af objekter i luftfoto, digitalisering af objekter og fund af ændringer eller fejl i data. ArcGIS Pro har ifølge Esris dokumentation værktøjer til billedklassifikation, objektdetektion, semantisk segmentering, instanssegmentering og ændringsdetektion.

Objektdetektion finder og markerer objekter, for eksempel tagflader eller køretøjer, i et ortofoto. Instanssegmentering går et skridt videre og tegner omridset af hvert objekt, så det kan lægges ind som en flade i et register. Ændringsdetektion sammenligner to årgange og markerer, hvor noget er nyt eller forsvundet, og kan dermed pege på registreringer, der ikke længere passer.

Esri tilbyder prætrænede modeller i ArcGIS Living Atlas, blandt andet til at udtrække bygningsomrids, og modellerne kan hentes direkte i ArcGIS Pro. Med GeoAI-funktionerne i ArcGIS, som Geoinfo distribuerer i Danmark, kan en forsyning eller kommune teste en model på danske ortofoto, før der investeres i egen træning.

Esri beskriver også, hvordan en prætrænet model kan forbedres med transfer learning, hvor modellen trænes videre på egne eksempler. Den metode er ofte nødvendig, når modellen oprindeligt er trænet på billeder fra et andet land.

Sprogmodeller gør det lettere at finde data, ikke at forstå dem

Sprogmodeller som dem bag generative AI-assistenter gør det lettere at finde data i store kataloger. En medarbejder kan spørge i almindeligt sprog efter et lag med fredede fortidsminder og få et forslag til datasæt eller forespørgsel. Det sparer tid i organisationer med hundredvis af lag.

En sprogmodel ved til gengæld ikke, om et datasæt er opdateret, hvilken præcision det har, eller hvorfor to lag med samme navn findes. Den viden ligger hos de fagfolk, der vedligeholder data. Et svar fra en sprogmodel er derfor et forslag, der skal kontrolleres, og ikke en kilde.

Forskellen betyder meget i forsyninger og kommuner. Her bruges geodata i myndighedsudøvelse og ledningsoplysning, og et forkert lag kan føre til en forkert afgørelse eller et gravearbejde det forkerte sted.

Menneskelig kontrol er en del af løsningen

Menneskelig kontrol er ikke en bremse på GeoAI, men en del af selve arbejdsgangen. Modellen foreslår, fagpersonen godkender eller afviser, og først derefter går resultatet ind i registret. Den rækkefølge gør det muligt at bruge en model, der ikke er perfekt.

Kontrollen kan tilrettelægges efter risiko. Fund med høj sikkerhed kan godkendes i stikprøver, mens usikre fund gennemgås ét for ét. Afviste forslag gemmes og kan bruges som nye træningseksempler, så modellen bliver bedre over tid.

Sporbarhed hører med til kontrollen. Hvert objekt, der stammer fra en model, bør kunne føres tilbage til modelversion, billedårgang og den person, der godkendte det. Når en registrering senere bliver anfægtet, kan organisationen så dokumentere, hvordan den er opstået.

Hvor GeoAI ikke hører hjemme endnu

GeoAI erstatter ikke fagligt skøn. En model kan finde et tag, men den kan ikke afgøre, om en tilbygning kræver byggetilladelse, eller om en ledning er i drift. Den slags vurderinger hører stadig hjemme hos fagfolk.

Modeller trænet på udenlandske data rammer heller ikke altid danske forhold. Esris prætrænede modeller til bygningsomrids findes i regionale udgaver for blandt andet USA, Afrika og Australien, og danske tagtyper og billedforhold kan se anderledes ud. Små datasæt egner sig ofte bedre til klassiske metoder, hvor reglerne kan skrives op og efterprøves.

For forsyninger, industri og kommuner er GeoAI i ArcGIS mest værdifuldt, hvor opgaven er kedelig, gentagen og let at kontrollere. Geoinfo distribuerer funktionerne i Danmark, men værdien afhænger af den kontrol, organisationen selv bygger ind, før en model får lov at skrive i registret.

Ofte stillede spørgsmål

Hvad kan GeoAI bruges til i en kommune eller forsyning?

GeoAI kan i en kommune eller forsyning bruges til at finde objekter som tagflader i ortofoto, tegne deres omrids og markere ændringer mellem to årgange. Resultatet er et forslag, som en fagperson godkender, før det registreres.

Virker Esris prætrænede modeller på danske luftfoto?

Esris prætrænede modeller til bygningsomrids findes i regionale udgaver for blandt andet USA, Afrika og Australien. Danske tagtyper og billedforhold kan afvige, så en model bør testes på danske ortofoto og eventuelt trænes videre med transfer learning.

Hvorfor skal et menneske godkende GeoAI-resultater?

Menneskelig godkendelse sikrer, at fejl fra en GeoAI-model ikke ender i et register, der bruges til myndighedsudøvelse eller ledningsoplysning. Hvert objekt bør kunne spores til modelversion, billedårgang og den fagperson, der godkendte det.

Senest revideret 12. november 2026.

Categories:

Leave a Reply

Your email address will not be published. Required fields are marked *