7 minute read
Beste Geomatikkoppgaver 2024
from Posisjon 2025-2
by GeoForum
Målet er klart: å løfte fram smarte hoder og vise fram alt det spennende som skjer i faget.
Tekst: studentene selv. Foto: Even Stangebye og privat
Prisen for beste geomatikkoppgaver deles ut årlig på Geomatikkdagene, og hedrer fremragende studentarbeid innen fagfeltet. Prisen er delt i to kategorier – én for bachelor og én for master – og er et samarbeid mellom GeoForum, Kartverket og Geomatikkbedriftene gjennom rekrutterings- og profileringsprosjektet.
En fagjury vurderer de innsendte oppgavene fra utdanningsinstitusjonene, og kårer vinnerne i hver kategori. De siste årene har juryen bestått av Floris Groesz fra Field Geospatial og Einar Jensen fra Kartverket.
Fakta
Vinner av Beste Geomatikkoppgave, kategori Bachelor er: “Presentasjon og Optimalisering av Romlig Informasjonsstrøm for Bergen brannvesen”
Av: Kristine Bellen Wear, Frida Landro Johansen, Olav Markus Stiegler Folgerø Bacheloroppgave i landmåling og eiendomsdesign. Fakultet for teknologi, miljø- og samfunnsvitskap/ Institutt for byggfag/ Høgskulen på Vestlandet.
I vår bacheloroppgave har vi utviklet et GIS-basert dashbord for Bergen brannvesen, med mål om å forbedre håndtering og visualisering av romlige data i nødsituasjoner. Arbeidet springer ut fra et behov brannvesenet presenterte på Eiendomskonferansen i 2022, hvor de etterlyste bedre løsninger for effektiv bruk av kartdata i operativt arbeid.
Gjennom prosjektet har vi fokusert på bruk av open source-programvare som QGIS, PostgreSQL og R, samtidig som vi har sammenlignet muligheter og begrensninger mot proprietære løsninger som ArcGIS. Vi har utviklet en prototype på et dashbord som samler flere funksjoner i én plattform, og gir brannvesenet rask tilgang til viktige data via et brukervennlig grensesnitt. Arbeidet inkluderte etablering av en romlig database, utvikling av funksjoner som adressesøk, bufferanalyser, nettverksanalyser og innhenting av sanntidsinformasjon som værdata og veimeldinger. En viktig suksess var bufferanalysen, hvor vi kunne identifisere berørte adresser i et risikoområde – en funksjon med høy nytteverdi ved for eksempel røykutvikling eller utslipp av farlig gods.
Innføring av romlig indeksering i databasen bidro til raskere søk og forbedret ytelse. Vi erfarte samtidig utfordringer, blant annet med dynamisk tilpasning av buffersoner etter sanntids værforhold, integrering av trafikkmeldinger i kart, og korrekt håndtering av kjørefelter i nettverksanalyser. Vi testet løsningen gjennom en realistisk case, der en innringer meldte røykutvikling fra et spesifikt bygg i Bergen. Casen demonstrerte hvordan dashbordet kunne gi oversikt over evakueringsbehov, værforhold og tilgjengelige rømningsveier.
Selv om vi har fått til mye, ser vi også rom for forbedringer. Blant annet kunne buffersonene ha vært tilpasset vindretning automatisk, basert på sanntids værdata. Vi prøvde også å koble inn trafikkmeldinger fra Statens vegvesen, men klarte foreløpig bare å vise disse som punkter, og ikke direkte på kartet med symboler.
Oppgaven konkluderer med at open source GIS-teknologi gir store muligheter for brannvesenet, spesielt som en kostnadseffektiv og skalerbar løsning. Videre arbeid kan fokusere på integrasjonen av sanntidsdata, forbedre nettverksanalyse og utvide dashbordets funksjonalitet ytterligere.
Prosjektet har gitt oss verdifull erfaring med GIS-systemer, håndtering av romlig data og utvikling av brukervennlige verktøy for samfunnskritiske tjenester. Vi håper at vårt arbeid kan være et steg på veien mot enda bedre beredskap i Bergen – og kanskje også inspirere andre nødetater til å utforske mulighetene innen geografiske informasjonssystemer. Det er en stor stat å motta pris fra Geoforum for oppgaven. Det betyr mye for oss å få en slik anerkjennelse. Tusen takk.
Fakta
Vinner av Beste Geomatikkoppgave, kategori Master er:
“A Transformer-Driven Approach for Associating AIS Tracks with Sentinel-2 Ship Detections. Using an end-to-end learnable association framework utilizing the Sinkhorn algorithm”,
Av: Erik Galler
Veileder: Hongchao Fan
Institutt for bygg- og miljøteknikk, Fakultet for ingeniørvitenskap, NTNU
Hver dag krysser tusenvis av skip verdenshavene, og nesten alle er pålagt å sende sanntidsposisjoner via Automatic Identification System (AIS). Men hva skjer når et fartøy som har skumle hensikter, slår av senderen? Da forsvinner fartøyet fra skjermbildet og går over i såkalt «dark vessel»-modus – helt uten identitet på radaren. Konsekvensene spenner fra ulovlig fiske og smugling, til sabotasje av kritisk infrastruktur, slik Nord Stream-hendelsen minnet oss om. I masteroppgaven samarbeidet jeg med VAKE – et norsk selskap som bruker maskinlæring til maritim overvåking – for å løse dette, ved å løfte deres kjernealgoritme til et nytt nivå. Resultatet er A-TrajFormer, en dyplæringsmodell som smelter sammen AIS- spor og Sentinel-2-satellittbilder. Denne fusjonen gir langt rikere kontekst og betydelig høyere presisjon, slik at fartøy enkelt kan gjenidentifiseres selv når AIS-signalene plutselig forsvinner. Fordelen med å slå sammen disse to datakildene ligger i at de komplementere hverandre sine stryker og svakheter. AIS er kooperativt: det gir identitet, men bare så lenge senderen er aktiv. Sentinel-2 er derimot rent optisk: bildene viser posisjonen til nesten alle fartøyene, uavhengig av deres samarbeid, men de mangler navn og identifikasjonsnummer. Målet blir derfor å matche hver satellittdeteksjon med riktig AIS-spor – og samtidig flagge de deteksjonene som ikke passer til noen kjent rute. Tradisjonelle metoder angriper dette i to separate steg: De estimerer først hvor et AIS-spor burde befinne seg og kobler så til nærmeste bilde-deteksjon. Denne oppdelingen mister kontekst, krever jevne tidsstempler og gir ingen interpreterbar usikkerhet.
En helhetlig oversikt
A-TrajFormer løser oppgaven i én eneste ende-til-ende og full lærerbar kjede. For hvert mulig par av AIS-spor og satellittdeteksjoner slår modellen dataene sammen til en hypotetisk fartøysbane, som deretter mates inn i en skreddersydd Transformer modell. Ved å analysere alle par samtidig – og med en differensierbar optimal-transportmodul som leter etter den samlede sannsynlighetsmaksimerende koblingsplanen – beholder systemet full oversikt over helheten. Resultatet er en probabilistisk matrise som både identifiserer fartøy, kvantifiserer usikkerheten og avslører “mørke” skip uten AIS.
Behov for treningsdata
For at modellen skal kunne lære seg en slik sammensmeltning av data, trenger den dessverre en stor mengde merkede treningsdata som ikke eksisterer. Derfor utviklet jeg i oppgaven også en syntetisk datagenerator som bruker rå AIS-spor alene til å lage fullverdige treningseksempler. Ideen er enkel: Når modellen skal evaluerer de forskjellige hypotetiske fartøysbanene, så vil vi at den skal lære seg forskjellen på en naturlig bane, og en baner som har blitt feilaktig smeltet sammen, og derfor ser unaturlig ut. AIS-dataene gir oss et rikt utvalg av slike naturlige fartøysbaner, men de mangler tilhørende satellittdeteksjoner.
For å fylle tomrommet plukker vi derfor ut tilfeldige AIS-punkter og lar dem fungere som «kunstige» satellittdeteksjoner. Deretter tilfører vi målrettede augmentasjoner – små tidsforskyvninger, støy og posisjonsavvik – slik at hvert eksempel kan merkes som en korrekt eller feilaktig kobling. Resultatet er et stort, balansert og fullstendig merket treningssett som kan genereres uten manuell annotering av satellittbilder.
Konklusjon
De endelige resultatene av denne metoden viser et kvantesprang i nøyaktighet. I et tett og krevende testscenario der alle fartøysbaner og bildedeteksjoner ble presset sammen i tid og rom, leverte VAKEs tidligere to-stegs-metode en F1score på 0,35. A-TrajFormer oppnådde 0,92 på første forsøk og steg til perfekte 1,00 etter at den ble trent på vanskeligere og augmentert data. I tillegg til at denne modellen også presenterer interpreterbare svar, så kan metoden overføres til luft- og land-trafikk eller til andre sensorkombinasjoner, noe som gjør arbeidet til et generelt bidrag innen geodata, overvåkning og kunstig intelligens.
