Annonse
Annonse
Annonse
Annonse

Bedre kart med ny teknologi

Bruk av kart på smarttelefon og pc er blitt viktige hjelpemiddel som mange bruker daglig, også innenfor jord- og skogbruk.

Ingen sinke: Norge er blant de ledende landene innen innføring av digital teknologi. Landbrukssektoren er ingen sinke i denne sammenhengen, skriver kronikkforfatterne. Foto: Mostphotos
Ingen sinke: Norge er blant de ledende landene innen innføring av digital teknologi. Landbrukssektoren er ingen sinke i denne sammenhengen, skriver kronikkforfatterne. Foto: Mostphotos

Kartet som vises på skjermen er imidlertid ferskvare. Det er avhengig av kontinuerlig oppdatering, noe som er svært arbeidskrevende. Ny teknologi kan nå forbedre og effektivisere oppdateringsarbeidet.

Et godt eksempel hvor det er spesielt viktig med korrekte kart er tjenesten Gårdskart på internett, som benyttes daglig av mange bønder og ansatte i landbruksforvaltningen og landbruksrådgivingen. Gårdskart viser kart og statistikk over arealene for en valgt landbrukseiendom.

Tjenesten benytter data fra flere kilder, inkludert gårds- og bruksnummer for landbrukseiendommer, eiendomsgrense, arealressurskart og flyfoto. For at gårdskartet skal være et nyttig verktøy for bonden og landbruksforvaltninga, må både eiendomsinformasjon og arealinformasjon være korrekt.

"Målet er å benytte maskinlæring for å gi landbruket gode kartprodukter og bedre kvalitet til lavere kostnader."

Arealressurskartet er en av flere datakilder som Gårdskart bygger på. Dette er et detaljert, nasjonalt datasett med informasjon om arealenes beskaffenhet. Arealressurskartet opplyser om en rekke forhold som har betydning i landbruket, som arealtype, skogbonitet, treslag og grunnforhold.

Kartet har også mange andre bruksområder innen arealplanlegging og forvaltning. Det benyttes blant annet også til kontroll av utbetalingen av arealbaserte tilskudd i jordbruket, som utgjør omlag 3,5 milliarder kroner årlig. Denne bruken stiller strenge krav til kvaliteten på datasettet og ikke minst at det er oppdatert. Jordbruksarealet i dette kartet må være korrekt kartlagt.

Annonse

I dag ajourføres arealressurskartet gjennom den daglige saksbehandlingen i kommunene. Endringer som kommunene ikke oppdager ajourføres av Nibio med noen års mellomrom. Nibio benytter detaljerte flyfoto som sjekkes manuelt. Dette er en tidkrevende jobb. Med ny teknologi kan vi kanskje effektivisere dette arbeidet.

Norge er blant de ledende landene innen innføring av digital teknologi. Denne digitaliseringen skjer raskt innenfor offentlig sektor. Arbeidet er forankret i stortingsmeldingen “Digital agenda for Norge: IKT for en enklere hverdag (2016)”, regjeringens geodatastrategi “Alt skjer et sted (2018)” og “Nasjonal strategi for kunstig intelligens (2020)”.

Landbrukssektoren er ingen sinke i denne sammenhengen, men tar raskt i bruk ny teknologi. I Nibio er det etablert egne forskningssentra for presisjonsjordbruk og presisjonsskogbruk, og instituttet bruker blant annet maskinlæring til analyse av bilder fra satellitter, fly og droner.

Maskinlæring er diffust begrep. Maskiner kan ikke lære, men de kan programmeres til å finne mønstre, lagre disse mønstrene og bruke dette til å gjenkjenne de samme mønstrene i nye datasett. Målet med maskinlæring er å få maskiner til å lære å gjenkjenne elementer i store datamengder. Et eksempel er linjemønsteret i en åker med grønnsaker.

Vi kan fôre maskinen med flybilder av ulike jordbruksareal med og uten grønnsaker. Maskinen teller og måler bildene på alle tenkelige måter. Det som er felles for bildene av jorder med grønnsaker, men sjelden finnes på andre jorder, er linjestrukturen som oppstår fordi grønnsakene plantes i rader.

Maskinen lagrer denne opplysningen. Når maskinen senere skal brukes til å analysere nye flybilder vil den gjenkjenne linjestrukturen og kan derfor plukke ut de jordene der det er stor sannsynlighet for at det dyrkes grønnsaker.

Nibio benytter denne typen maskinlæring for å skille mellom jordbruksareal og annet areal i flybilder. Dagens teknologi er ikke god nok til en helt automatisk oppdatering av arealressurskartet men maskinlæring kan redusere behovet for manuelt arbeid og samtidig bidra til å forbedre kvaliteten på kartet.

Nibio tester for tiden bruk av maskinlæring for å finne arealer der det sannsynligvis har skjedd en bruksendring, enten fra eller til jordbruksareal. Det gjelder for eksempel ved nydyrking eller nedbygging. Hvis dette lykkes kan den som står for ajourholdet konsentrere seg om de områdene der det er stor sannsynlighet for at det har skjedd endringer.

Det er allerede oppnådd gode resultater med maskinlæring. Metoden videreutvikles med sikte på å sette den i produksjon. Målet er å benytte maskinlæring for å gi landbruket gode kartprodukter og bedre kvalitet til lavere kostnader. Slik bidrar Nibio også til å modernisere og effektivisere offentlig sektor.

Har du noe på hjertet?

Neste artikkel

Bondeopprør