Medlemsblad for Geoforum Danmark, der er en ideel forening, som på landsplan arbejder for at fremme den samfundsmæssige nytte af geografisk information.
Geoforum Danmark
Kalvebod Brygge 31 1560 København V Tlf. 38 86 10 75
ISSN 1602-4435
Redaktør og grafiker
Mette Borg mbo@geoforum.dk geoforum@geoforum.dk https://geoforum.dk
Trykkeri
KLS PurePrint A/S
Oplag: 1.250
Forsideillustration
Temanummer om Geo AI
Kommende numre
Deadline
Nr. 261 15. januar 2025
Nr. 262 5. februar 2025
Nr. 263 10. marts 2025
Nr. 264 11. april 2025
Nr. 265 15. maj 2025
Annoncer i bladet
Se annoncepriser på https://.geoforum.dk/annonce
INDHOLD
beslutningsstøtte
AKTIVITETER I GEOFORUM
AKTIVITETER I GEOFORUM I DEN KOMMENDE PERIODE
2.1. GEOFORUM nr. 260 udkommer – Tema: Geo AI
8.1 Test af nyt webinarsystem i Geoforum – Kompetenceudvalget
9.1 Online møde i Kompetenceudvalget
9.1 Møde i redaktionen for Geoforum Perspektiv, København
10.1 Online møde i Geoforums forretningsudvalg
14.1 Virtuel nytårskur – Kompetenceudvalget
15.1 Ekstern deadline til GEOFORUM nr. 261
16.1 Nytårskur i Øst: ”Vandet kommer” – København –Arrangementsudvalg Øst
23.1 Bestyrelsesmøde i Geoforum, København og virtuelt
23.1 Nytårskur i Syd: Særrundvisning på Anarkist – Odense – Arrangementsudvalg Syd
24.1 Online dialogmøde med GeoForum Norge
24.1 Kontaktmøde mellem Klimadatastyrelsen og Geoforum, København
28.1 Kursus: Introduktion til Python – Del 1 – Odense – Kompetenceudvalget
29.1 Online møde i Geoforums Forsyningsnetværk
30.1 1. møde i Kortdagsudvalget 2025
31.1 Temaudgivelse af Geoforum Perspektiv om Kortdage udkommer
LEDER
Fokus på Geo AI
AF MADS SCHONDEL-ANDERSEN, BESTYRELSESMEDLEM I GEOFORUM
For et par år siden startede mange festtaler med:
”Jeg har lige spurgt ChatGPT om det ene eller det andet”. Resultatet blev mere eller mindre fantasifulde lejlighedstaler. Heldigvis har brugen af kunstig intelligens udviklet sig meget siden.
Vi taler om forskellige former for kunstig intelligens: deep learning, machine learning, generativ kunstig intelligens, osv. Vi er sågar begyndt at tale om Geo AI som en særlig disciplin med stedet som omdrejningspunkt og AI Assistant, hvor vi kan få hjælp til at designe arbejdsgange og analyser.
Dette nummer af GEOFORUM har fokus på Geo AI. I udgivelsen er der seks spændende og yderst relevante artikler, som spænder over komplekse analyser af ulykkesstatistik, input til den grønne trepart og det altid relevante fokus på kvaliteten af data. Artiklerne beskriver bredden i Geo AI’s anvendelse, og selvom emnerne er forskellige, fremhæver de hver især emner, der går igen og er universelle.
Kvaliteten af de data, vi anvender, er afgørende for kvaliteten af de resultater, vi kan forvente, men det er også vigtigt, at vi kan finde de rette data, og at de rette data har en ensartet kvalitet. Altså er metadata stadig relevante og måske endnu mere relevante end tidligere. Det er i hvert fald en
Temanummer
Årets første temanummer af GEOFORUM har vi kaldt: ”Geo AI”. Kunstig intelligens spiller i stigende grad en rolle – også inden for GIS og geodata. Til inspiration for, hvordan man kan tage teknologien til sig, bringer vi her en række artikler med eksempler fra Geodatabranchen på anvendelse af og overvejelser om Geo AI.
nødvendighed, hvis vi skal bruge AI til at fremsøge og udvælge data.
Det er væsentligt at forholde sig til balancen mellem hvad, der er teknisk muligt, og hvad, der reelt er et behov for. Bruger vi AI fordi, vi kan, eller fordi, vi har brug for det? Tilføres værdi eller forvirring?
Det betyder også, at der er behov for en kritisk tilgang til metoden og tolkning af resultatet. Det er der sådan set ikke noget nyt i, for det har vi altid skullet forholde os til, men i takt med, at data og værktøj er mere tilgængeligt, er der en øget risiko for forkerte eller mangelfulde konklusioner.
Som med alt anden udvikling skal vi forholde os til de nye muligheder, vurdere fordele og ulemper og beslutte en balanceret vej frem. Artiklerne i dette nummer af GEOFORUM giver et interessant indblik i aktuel brug af Geo AI.
Jeg håber, at du vil læse artiklerne med stor interesse og bruge dem i dit daglige arbejde med kunstig intelligens, som helt sikkert kommer til at fylde mere og mere i fremtiden.
God læselyst!
Næste temanummer bliver til februar med fokus på forsyning. Hvis du har lyst til at bidrage med artikler til GEOFORUM i 2025, så skriv til redaktør, Mette Borg, mbo@geoforum.dk.
Evighedskemikalier i fokus
-
Hvordan machine learning kan hjælpe
Op imod 15.000 lokaliteter i Danmark kan være forurenet med PFAS. Hvordan kan myndighederne prioritere ressourcerne til undersøgelsesaktiviteter bedst? Machine learning kan hjælpe i dette dilemma.
AF
BASTIAN GERMUNDSSON, COWI
PFAS (per- og polyfluoralkylstoffer) består af en stor gruppe syntetisk fremstillede fluorstoffer, der har været brugt siden begyndelsen af 1950’erne. Stofferne er stabile, svært nedbrydelige, og derudover er de meget vandopløselige. I daglig tale er disse kemikalier blevet kendt som evighedskemikalier grundet disse egenskaber, og vi har alle hørt om de konsekvenser, anvendelsen har medført – fra forurenet drikkevand på Fanø til giftige køer i Korsør.
Problemets omfang
P.t. viser estimater, at op imod 15.000 lokaliteter har haft en aktivitet, der kan have resulteret i forurening med PFAS, og som kan have påvirket miljøet. Dette stiller bl.a. Danmarks fem regioner i et dilemma, for hvordan prioriteres ressourcerne til undersøgelsesaktiviteter bedst, hvilke aktiviteter udgør den største risiko, og er der nogle lokaliteter, der kan frasorteres alene på baggrund af deres geografiske placering?
Ligeledes udfordrer disse evighedskemikalier de danske vandforsyninger, hvis fornemste opgave er at producere og levere rent drikkevand til de danske forbrugere.
Offentligt tilgængelig data og kunstig intelligens
Heldigvis har Danmark længe været et foregangsland inden for offentligt tilgængelig data, og
sammen med kunstig intelligens udgør vores gule førertrøje potentielt et columbusæg til løsning af denne komplekse prioriteringsudfordring på jord- og grundvandsforureningsområdet.
Vi har gennemført et projekt, der er baseret på data fra GEUS’ boringsdatabase, Jupiter, samt på den nationale hydrologiske model (DK-modellen). DK-modellen indeholder vigtige informationer centreret om det hydrologiske og geologiske system i Danmark, mens Jupiter-databasen bl.a. indeholder kemiske analyser af PFAS i den danske undergrund, se figur 1. Projektet har også benyttet sig af litteratur fra forskningsverdenen for at supplere data. Der er blandt andet anvendt litteratur om arealanvendelse, makroporestrømning, humusindhold og dybde til redoxgrænsen
Kvalificerede gæt på tilstedeværelsen af PFAS Ved anvendelse af kunstig intelligens – helt konkret machine learning – er det muligt at samle alle disse informationer i et komplekst netværk, hvor interne korrelationer mellem data kan belyse vigtige afhængigheder. Det kan svare på spørgsmål om, hvorvidt forskellige arealanvendelser er afgørende i forhold til, om der findes PFAS, eller hvorvidt infiltrationen eller geologiske lags tykkelser er af størst betydning. På baggrund heraf trænes en model til at forudsige risikoen for PFAS-forurening i områder og dybder, hvor der ikke er foretaget målinger af
4
markeringer viser de boringsindtag, som ved analyser af grundvandet er påvist påvirket af PFAS, mens de blå repræsenterer upåvirkede indtag. Det resulterende danmarkskort (th.) for kalkmagasinet viser risikoen for at påvise PFAS i grundvandet. Risikoen er størst, hvor kalken ligger nærmest overfalden, fx i København og i Nordjylland.
PFAS, men hvor alle de andre oplysninger haves. Derved bliver forudsigelserne til kvalificerede gæt på tilstedeværelsen af PFAS, se figur 1.
Fake news eller troværdig medhjælper? Det er selvfølgelig af største vigtighed at forholde sig skeptisk til disse nye teknologier, men styrken ved machine learning er, at det er muligt at måle, hvor troværdigt de kvalificerede gæt faktisk er. Ved at tage ¼ af data for målte PFAS-indhold og anvende det til validering af modellen, er det muligt at sammenligne computerens gæt med virkeligheden. Med andre ord kan vi i et givent punkt sammenligne gættet med den målte værdi. Derved kan vi give et mål for, hvor præcist modellen gætter.
For projektets PFAS-model vil 83 % af gættene være korrekte, hvilket inden for machine learning er ret godt. Modellen evner ligeledes i høj grad at genfinde de steder, hvor der faktisk er påvist PFAS, og derfor gætter modellen både nøjagtigt og præcist, hvilket giver troværdige resultater.
En dynamisk tilgang og dataudstilling I takt med, at der bliver analyseret flere og flere vandprøver for PFAS, vil en statisk model på kort tid blive forældet. Derfor er der for projektet tilstræbt en dynamisk tilgang, hvor modellen med enkelte tiltag kan gentræne sig selv. Det betyder, at modellen automatisk trækker på nye tilgængelige data direkte i Jupiter-databasen. Herved vil værktøjet til prioritering af evighedskemikalierne være eviggrønt.
Da modellen er baseret på offentligt tilgængelig data, har projektet sigtet mod at resultaterne herfra ligeledes skulle følge denne danske tilgang. Derfor er resultaterne ved at blive integreret i Danmarks Miljøportal, hvor der er søgt udstilling direkte i arealinformation for at opnå bred adgang og nem anvendelse for forskellige interessenter. Implementeringen hos Miljøportalen sikrer, at værktøjet kan bruges af regioner, forsyninger, kommuner og private. Håbet er, at modellen kan være et værdifuldt værktøj til vurdering af PFASsårbarhed, og at det kan støtte beslutningsprocesser inden for miljøbeskyttelse og grundvandsindvinding.
Et fremtidsperspektiv
Dette projekt er et eksempel på innovativ anvendelse af offentligt tilgængelig data til at løse komplekse miljøproblemer. Med den fortsatte udvikling og bredere anvendelse af machine learning og kunstig intelligens ser vi store muligheder for at anvende disse teknologier til at passe endnu bedre på vores grundvand og miljøet som helhed.
Ved at kombinere de gode offentlige danske data med kunstig intelligens og desuden fortsætte samarbejdet mellem private virksomheder, forskningsverdenen og myndighederne kan Danmark bibeholde den gule førertrøje inden for deling af offentlig data, innovation, miljøbeskyttelse og bæredygtig udvikling.
Figur 1. Inputdata til modellen (tv.). De orange
GeoAIkom nemt i gang i ArcGIS
Kombinér geospatiale data med AI for at skabe præcise analyser, forudsige mønstre og træffe smartere beslutninger – hurtigt og effektivt.
Hvorfor vælge ArcGIS
Pretrænede
AI-modeller:
Start uden træningsdata og brug modeller til klassificering, detektion og dataudtræk.
Effektivitet:
Automatisér manuelle processer og spar tid med spatiale AI-værktøjer.
Præcision:
Få præcise analyser ved at identificere mønstre og forudsige ændringer med machine learning.
Skalérbarhed:
Anvend på alt fra satellitbilleder til punktskyer og video.
Så nemt er det at komme igang med GeoAI i ArcGIS
Start her
Brug pretrænede deep learning-modeller i ArcGIS og begynd at klassificere, detektere og løse problemer med din data.
Finjustér dine behov
Justér DL-modeller og MLalgoritmer, så de passer til dine parametre og den ønskede nøjagtighed.
Kombinér ArcGIS’ værktøjer med populære open source modeller og forbind nemt til R og Python.
Se vores GeoAI-webinar
Se med på dette webinar, hvor vi viser, hvor nemt det er at komme i gang med værktøjerne i ArcGIS.
Succesen med AI afgøres af, om vi samarbejder
Et godt opgavestyringssystem forholder sig til virkeligheden.
Fx gælder det i driften af en dansk kommune, ligesom en god digitaliseringsløsning til ledninger forholder sig til kravene i LER. Vi skal undgå at tilpasse os til teknologien og i stedet lade teknologien arbejde for os.
AF ASTRID ALLER, IT34
Vi står midt i en AI-revolution. Teknologier som machine learning og avancerede sprogmodeller giver nye muligheder til alle os, der arbejder med geodata og IT. Med adgangen til deep learning og de store sprogmodeller er der kommet en hastighed på udviklingen, der betyder, at de danske virksomheder skal være vågne, hvis kvaliteten af vores produkter skal følge med de internationale aktører (Dansk Industri, 2024)1. Det er en fordel, at vi selv kan udvikle så mange geodata- og IT-løsninger, for gode løsninger kræver ikke kun teknologisk forståelse, men også en nær domæneviden om det, løsningen skal håndtere.
AI-udviklingen stiller krav
Historisk er Danmark blevet sat på verdenskortet, når vi samarbejder på tværs af sektorer og deler viden. I 2024 fik det stærke samarbejde mellem virksomheder, myndigheder og vidensinstitutioner Danmark kåret til bedste EU-land inden for innovation (Uddannelses- og Forskningsministeriet, 2024)2. Men hastigheden af AI-udviklingen stiller krav til vores tilgang, og vi skal turde vidensdele hurtigt og tidligt i udviklingen.
For os begyndte brugen af AI med geodata. Det har siden udviklet sig til, at vi integrerer sprogmodeller i vores interne IT-systemer. I håb om, at andre vil tænke videre sammen med os, ønsker vi her at dele vores viden, og her følger et udsnit af vores erfaringer med AI.
Træk vejret dybt og balancer kreativitet med kundebehov
Kreativitet skal balanceres af kundernes konkre -
te behov. Det er den første erfaring, vi har gjort os med AI. Med løsningen PointView® kan vi ved hjælp af machine learning omsætte en video af et udgravningshul til en komplet punktsky opdelt i gravekasse, terræn og ledninger, som bliver digitaliseret som vektorer. Grebet af en AI-ild er det nemt at bruge tid på at bygge mere komplicerede modeller, fordi teknologien gør det muligt. Udfordringen består i relevans. Hvis en algoritme kan svare 80% korrekt, men et lovkrav foreskriver 100% sikkerhed, så kan brugeren bruge det til 0%. Det er vigtigt, at teknologien følger lovkrav og behov.
Kan sænke startomkostningerne, men kræver kvalitetssikring Vores løsning til vejtilsyn understreger, at AI kan sænke startomkostningerne, men kræver kvalitetssikring. Her monterer brugeren en smartphone i forruden på sin bil, og så dokumenterer appen automatisk skader på vejen. Hvis modellen skal kunne identificere slaghuller, kræver det, at den får en masse eksempler, hvor hullerne allerede er udpeget. Det bliver traditionelt gjort manuelt, og det har taget 11 medarbejdere et års tid at klassificere tilstrækkeligt mange billeder til at gøre det kvalificeret. Ved at bruge sprogmodeller til at klassificere træningsdata, ville vi have sparet arbejdstimer. Til gengæld stiller det andre krav til kvalitetssikring af den data, der bliver AI-klassificeret.
Kan effektivisere hverdagen, men kræver tilgængelighed
Om man er driftschef, landinspektør eller projektleder, så kommer vi ikke udenom opgavestyring af
egen eller andres tid. Hvis de systemer, vi bruger lige fra mødekalender til projektplanlægning og driftsstyringsværktøjer, får indbygget AI, der kan foreslå handlinger og understøtte planlægning, er der et stort potentiale for en mere effektiv arbejdsdag. Dansk Erhverv har talt med 58 kommunaldirektører, og 90% af disse svarer, at kunstig intelligens kan hjælpe deres administration (Dansk Erhverv, 2024)3. Værktøjer bygget ind i et opgavestyringssystem stiller imidlertid særlige krav til kommunikation og sømløs integration af AI-understøttelsen, hvis de skal skabe reel værdi for brugeren.
De næste spørgsmål Et af de vigtigste spørgsmål, vi har stillet os selv, er, om vi er forbrugere eller medskabere af AI-løsninger. Vi mener, at AI skal understøtte virkelighedens behov – ikke omvendt. Det kræver, at vi aktivt tager del i udviklingen af teknologien, så den bliver et redskab i vores arbejde. AI kan finde mønstre i data og støtte beslutningstagning på måder, som tidligere ikke var muligt. Det er afgørende at minimere fejl og maksimere kvalitet, så løsningerne bliver værdiskabende og ikke blot teknologiske eksperimenter. Bare fordi vi kan, betyder det ikke, at vi skal anvende AI. Effektiviteten skal altid afvejes mod den reelle værdi for brugeren.
Hvordan forholder vi os til energiforbruget af generativ AI? Selv hvis de trækker på grøn energi,
belaster det stadig energisystemerne og kræver øget produktion af energi. Hvordan kvalificerer vi de resultater, vi får fra generativ AI? Vi kan bygge mindre modeller, som tester resultaternes kvalitet.
Men hvordan, vi bedst løser dette, er en diskussion værd i sig selv. Hvordan tilpasser vi kreativitetsgraden til kvalitetsbehovet? Det kan have juridiske konsekvenser, hvis AI tager fejl. Nogle gange vil vi hellere undgå at få svar, end at få et forkert svar. Andre gange vil vi hellere have et svar med stor usikkerhed end intet svar.
Hvilke roller skaber danske virksomheder værdi med?
Konsulenthuset McKinsey inddeler brugen af generativ AI i tre kategorier: Modtageren, som køber og anvender et færdigt, AI-understøttet software fra tredjepart. Formgiveren, der integrerer AI-sprogmodeller i egne systemer. Skaberen, der træner en AI-model fra bunden (Baig et al, 2024)4. De peger på, at flest virksomheder vil få værdi af at være modtager eller formgiver, men at den største værdi er at finde, hvis man er skaberen.
I de kommende år bliver det afgjort hvilke roller, danske virksomheder skaber værdi med. Vores bud er, at det bliver afgjort af, om vi lykkes med at agere hurtigt og samarbejde tilstrækkeligt tæt på tværs. Så hvordan sørger vi for, at danske virksomheder får mest muligt ud af AI-mulighederne?
- Når kunstig intelligens møder offentlig beslutningsstøtte
Beslutningsprocesserne i offentlig forvaltning bliver stadig mere komplekse, ikke mindst pga. samspillet mellem forskellige globale kriser som klimaforandringer og tab af biodiversitet i kombination med pressede offentlige budgetter. Hertil kan satellitdata i kombination med kunstig intelligens være en støtte.
AF MIKKEL HØEGH BOJESEN OG MADS CHRISTENSEN, DHI A/S
De kriser, vi står overfor, påvirker det omgivende miljø grundlæggende. Derved bliver også de beslutningsvalg, vi som samfund står overfor, påvirkede. Det gælder anvendelse af kystzonen, eksisterende landbrugspraksis og indretning af vores bymiljøer. I denne kontekst øges behovet for kontinuerligt at kunne transformere de store mængder geografisk data, vi omgiver os med, til handlingsrettet information for derved meningsfuldt at understøtte beslutningstagning.
Satellitdata og kunstig intelligens (AI) tilbyder løsninger til at navigere i og forstå de komplekse interaktioner mellem de mange aktuelle kriser. Men er lykken dermed gjort? Hvilke begrænsninger har disse nye teknologier? Og hvad er konsekvenserne ved at anvende disse?
Satellitdata som beslutningsstøtte Satellitdata, både frie og kommercielle, giver detaljeret information om planetens tilstand i både tid og rum. Data kan bruges til at overvåge ændringer i kystzonen – herunder havdybder, som vist i figur 1, samt marine habitater, vandressourcer, landbrugsproduktion og urban biodiversitet.
For offentlige beslutningstagere kan disse satellitdata levere de nær-realtidsdata, der er kritiske for at forstå omfanget af fx klimaforandringer og deres indvirkning på både biodiversitet og bebyggede områder. I kystzonen kan myndigheder fx bruge satellitdata til at kortlægge og monitorere ændringer over tid, herunder erosion og aflejring, og som en del af planlægningen af klimatilpasning, herunder bosætning samt fremme og beskyttelse af kystnære habitater og naturtyper.
AI’s rolle i databehandlingen Kunstig intelligens åbner døre for avanceret dataanalyse, hvilket gør det muligt at forudsige fremtidige scenarier baseret på eksisterende data.
1: En dybdemodel leverer et højopløseligt og kontinuerligt opdateret datagrundlag til at træffe beslutninger om kystforvaltning. Kilde: DHI (https://bathymetry.satlas.dk).
AI kan analysere store mængder satellitdata for at identificere mønstre og tendenser, som mennesker nemt overser. Dette kan være afgørende i offentlige forvaltninger, hvor beslutninger om politiske tiltag kræver en dybdegående forståelse af komplekse datasæt.
Fx kan en AI-drevet satellitdataanalyse informere biologiske modeller, som derved kan hjælpe med at forudsige den miljømæssige udvikling i lavbundsområder, der er taget ud af landbrugsproduktion som en del af den grønne trepart, og dermed informere til politisk beslutning. Sådan et analytisk setup kræver bl.a., at alle data er analyseklar, hvilket AI også kan hjælpe til med, se figur 2.
Deltagelse gennem teknologi
Satellitdata og AI kan også fungere som kommunikationsværktøjer, der engagerer offentligheden og
Figur
Figur 2: En data-cube sikrer, at alle pixels for samme område ligger lige oven i hinanden på tværs af alle tidsskridt. Med organiserede data gøres AI-analyser nemmere og resultaterne optimeres.
forskellige interessenter i beslutningstagning. Når data præsenteres visuelt, bliver det mere tilgængeligt og forståeligt for borgere. Dog er der også en iboende risiko for, at rent datadrevne modeller kan fremstå som en black box, hvilket kan have den modsatte effekt, altså fremmedgørende, og dermed vil det modvirke den participatoriske deltagelse blandt borgere. For at modvirke dette kan hybridformer som human-in-the-loop-metoder anvendes, se figur 3.
I disse metoder trænes en generel AI-model, som derefter tilpasses lokalt på baggrund af lokale datasæt og lokal viden. Den lokale viden kan være fra erfarne kommunale planlæggere og fagfolk, eller det kan være viden tilvejebragt gennem citizen-science-initiativer. Fordelene ved at anvende sådanne hybridformer er en forbedret datanøjagtighed gennem at kombinere menneskelig ekspertise med AI-algoritmer. Desuden sikres skræddersyede løsninger samt kontinuerlig læring og tilpasning af data.
Erfaringerne ved at anvende human-in-the-loopkonceptet er, at det giver gode muligheder for øget interessentengagement gennem inddragelse af lokale interessenter i dataindsamlings- og analyseprocessen. Dette fremmer ejerskabet og øger dermed sandsynligheden for, at data bliver brugt effektivt i beslutningstagningen.
Balancen mellem tekniske muligheder og behov Det er imidlertid vigtigt at finde en balance mellem de tekniske muligheder, som satellitdata og AI tilbyder, og de reelle beslutnings- og informationsmæssige behov i offentlig forvaltning. Teknologi kan kun være effektiv, hvis beslutningstagere forstår både dens muligheder og begrænsninger. Derudover kræver det, at modtagerne af de producerede kort er i stand til at tolke data korrekt og anvende dem i en politisk kontekst, hvilket ofte kræver tværfagligt samarbejde mellem fagfolk for at forbinde tekniske indsigter med politiske beslutninger.
Et dilemma opstår, hvis der skabes en overafhængighed af AI-baserede beslutninger, hvori man ikke forholder sig kritisk til hvilke data, der anvendes i specifikke analyser, samt hvordan disse data anvendes. Uden en kritisk stillingtagen til de sociale og miljømæssige sammenhænge kan AI-drevne beslutninger være misledende, og spørgsmålet om hvem, der skal stå til ansvar for beslutningerne, opstår.
Fremskridt i beslutningsprocessen I takt med, at kompleksiteten i offentlig forvaltning vokser, bør beslutningstagere udnytte de teknologiske fremskridt, som satellitdata og AI tilbyder. Disse værktøjer kan være nøglen til en mere datadrevet og participatorisk tilgang i beslutningsprocessen, især set i lyset af de globale kriser, der påvirker samfundet. At navigere i det landskab kræver dog en kritisk tilgang til både teknologiens kapaciteter og til de menneskelige behov, der driver beslutningstagningen.
Figur 3: En Human-in-the-loop-baseret tilgang til AI-modeller muliggør inkludering af lokal viden, og sikrer dermed større lokal udsagnskraft af de genererede data. Denne proces muliggør derved større lokalt ejerskab for de skabte data.
Kunstig intelligens til komplekse geo- og miljødata
I en kombination af data med ekspertviden kan kunstig intelligens forventeligt gøre det langt lettere for myndigheder, borgere og virksomheder at få adgang til miljødata.
AF RASMUS LØBNER CHRISTENSEN, DANMARKS MILJØPORTAL
Hvordan skaber vi den bedste adgang til miljødata for både myndigheder, virksomheder og borgere?
Det er den problemstilling, som vi har arbejdet med, siden vi blev dannet i 2007. Selvom vi med over 200.000 direkte brugere og over 100 systemintegrationer til de over 1000 kortlag, 55 mio. artsobservationer og 70 millioner vandmiljøobservationer er kommet langt, så er vi langt fra i mål endnu.
Vores erfaringer med kunstig intelligens viser, at denne teknologi har potentialet til at demokratisere miljødata. Ved at kombinere data med ekspertviden kan kunstig intelligens gøre det langt lettere for myndigheder, borgere og virksomheder at få adgang til miljødata. Det har enorme potentialer for, at viden om miljøet bliver inddraget tidligt, når der træffes beslutninger. Eksempelvis i forbindelse med Grøn Trepart, klimatilpasning, sikring af rent drikkevand, biodiversitet, havnaturfond og nye investeringer i infrastruktur, grøn energi, produktionsvirksomheder og byudvikling. Det økonomiske potentiale ved at demokratisere miljødata vil være flere hundrede millioner kroner om året oveni at fremme en bæredygtig udvikling.
Behov for miljødata til mange behov
To centrale opgaver for os har altid været standardisering af data og indsamling af data via fællesoffentlige inddateringsapplikationer. Behovet for at distribuere data tilbage til anvendere følger med en stigende mængde af indsamlet data. Vores fokus har derfor i en del år været at konsolidere de mange datatilbud, vi udstiller i samlede løsninger, således at anvendere havde ét sted at gå hen for at finde informationer om miljøet.
Et stigende behov for at arbejde ensartet med klima- og miljøbegrebet på tværs af fagdomæner medfører, at vi bliver nødt til at gå skridtet videre. Jeg vil fx gerne som bruger kunne fremfinde ét datasæt, som beskriver hvilke søer i Danmark, hvor der ikke er fundet miljøfremmede farlige stoffer samtidig med, at de har en højbiodiversitet. Der skal desuden være brugbare løberuter inden for fem km afstand. Output skal i sagens natur
komme på baggrund af én søgning, der er formuleret, som var det daglig tale. Mere samfundskritiske problemstillinger – det kunne fx være en IT-understøttelse af Grøn Trepart – bør måske melde sig, før jeg får serveret naturskønne løberuter, men de underliggende problemstillinger er langt hen ad vejen de samme.
Datamodelleringsopgaven bliver nødt til at være mere tværgående hen over fagdomæner, så vi rent konceptuelt kan arbejde med data på en mere ensartet facon. En del af løsningen findes i de fællesoffentlige dataindsamlingsprocesser og ved at sikre, at datamodellerings-standardisering (fortsat) sker.
Stabile og sikre forbedringer med AI Omdrejningspunktet for denne artikel er kunstig intelligens (AI). Kunne netop AI-teknologier så ikke bare løse hele datamodelleringsopgaven for os? AI-teknologier bliver i hvert fald portrætteret som værende løsningen på alle komplekse problemer i disse tider, men det er min klare overbevisning, at en sådan kompleks datamodelleringsopgave i første omgang løses uden brug af AI-teknologi. Det betyder omvendt ikke, at vi ikke allerede nu skal afsøge mulighederne og indhente erfaringer med brug af AI-teknologi. Det mener jeg faktisk, vi i høj grad skal, men det ville være bedst at tilgå en sådan opgave trinvist – starte med simple problemstillinger, og så stille og roligt skrue op for kompleksiteten sideløbende med, at vores fælles kompetenceniveau ifht. AI-teknologi gradvist øges.
Overordnet set har vores mål været standardisering af data. Desuden er vores erfaringer i brugen af AI-teknologi relativt til en problemstilling, som, vi kunne se, ville skabe værdi at løse. Vi har derfor valgt i første omgang at kigge på måden, hvorpå vores anvendere kan fremfinde relevante datasæt. I samarbejde med Digitaliseringsstyrelsen har vi udarbejdet én fælles datamodel for metadata påsat samtlige datasæt, som samlet kan tilgås via ét API.
Vi har erfaret, at en del brugere oplever udfordringer ved at fremsøge lige præcist dét datasæt, de efter-
spørger. Det skyldes både, at mængden af datasæt er steget markant, og at diversiteten i vores brugertyper også øges løbende. Umiddelbart er datamodelleringsopgaven løst i denne kontekst, hvorfor det er oplagt at skele til AI-teknologier for at skabe bedre søgemuligheder for brugerne.
Forbedrede fritekstsøgninger efter data
Vores tilgang til den problemstilling går i alt sin simpelhed ud på, at vi benytter vores eksisterende metadata som grundlag for en prompt imod en sprogmodel (vi benytter GPT 4.0). Baseret på prompten genereres en ny omgang metadata – altså syntetisk metadata. Denne information kan vi lagre som tekstbidder i et såkaldt multidimensionelt vektorrum, netop fordi vi har en sprogmodel, der kan forstå semantisk sammenhæng. Altså lagres en masse små tekststrenge som vektorer, og disse ligger relativt til hinanden ifht. semantisk betydning.
Herfra kan vi nu tilbyde brugerne muligheden for at bruge fritekstsøgninger efter data. Der er endda også plads til stavefejl. Resultatet af disse søgninger giver en række datasæt, som er rangeret efter sandsynlighed ifht. hvad, det er, vores AI-assisterede søgning vurderer er mest korrekt. Næste skridt ville være at gøre brug af eksterne vidensbanker (knowledge bases), således at vi kan lære vores fremtidige model, at fx ordet udløb ikke har noget med datoer at gøre, men i højere grad udløb af vand. Et eksempel kunne være vejledninger fra Miljøtilsynsbekendtgørelsen.
Løsningen har været relativt simpel at udvikle, fordi vores fundament ifht. metadata var på plads i forvejen. Opgaven med at optimere vores søgninger er anderledes kompleks, og der er mange forskellige løsningsmuligheder, som ville kunne bidrage i den henseende.
Dynamisk arbejde på tværs af fagdomæner Basalt set har vi gjort vores søgning efter data langt stærkere ved brug af AI-teknologi. Desuden indhenter vi løbende erfaringer ifht. at optimere søgningen, bl.a. via feedback fra vores brugere. Samfundskritiske problemstillinger, såsom
IT-understøttelse af Grøn Trepart, en bedre proces for miljøvurderinger eller en generel bedre
IT-understøttelse ifht. arealanvendelsesopgaven – vil i høj grad kræve, at vi også kan søge ned i data. Vi skal altså kunne arbejde med data dynamisk på tværs af fagdomæner. Jeg vil fx gerne vide, hvor det ville give bedst mening at placere en vindmølle baseret på en række parametre. For at svare på det spørgsmål har jeg behov for at arbejde med data på tværs af fagdomæner.
Vi arbejder ud fra begrebet domænemodeller. Et eksempel kunne være vores domænemodel for kemi. Inddatering af data for overflade-, grund- og spildevand handler strengt taget altid om spørgsmålet om, hvorvidt der er fundet kemiske stoffer i diverse undersøgelser og målinger. Altså er et domæne en logisk afgrænsning af et vidensområde.
For at komplementere vores kemiske domæne og for at sikre, at vores konceptuelle objektmodel rent faktisk har anvendelse, er det lige så vigtigt, at vi benytter en standardiseret og autoritativ stofkodeliste over kemiske stoffer. Det ville være problematisk, hvis de forskellige inddateringsløsninger, der leverer data til det kemiske domæne, hver især selv beslutter, hvordan ét specifikt stof navngives eller måles – er det fx i mikrogram pr. liter, og hvornår mener vi endvidere, at grænseværdien for stoffet er nået (eksempelvis ifht. drikkevandskvalitetsmålinger)?
Vi har derfor udviklet én løsning, som bruges på tværs af de løsninger, der leverer til det kemiske domæne, således at registreringen af data sker ensartet. Det omhandler både en autoritativ liste af kemiske stoffer, men i lige så høj grad regelsæt for, hvordan de forskellige stoffer måles. Typisk vil en undersøgelse af fx grundvandet også kræve, at et laboratorium involveres netop for at undersøge, hvorvidt der er fundet kemiske stoffer i en given prøve. Udvekslingen af data mellem de forskellige laboratorier og fagsystemerne sker derfor via et standardiseret API, som vi ligeledes har udviklet for at komplementere en ensartet lagring af information imod det kemiske domæne.
Fortsat arbejde med standardisering Der kræves altså en relativ stor mængde af elementer, udover selve objektmodellen, før ét domæne opnår anvendelse. Der kræves mange elementer, før et fagdomæne opnår anvendelse, og desuden skal der også tænkes i data-interoperabilitet mellem de forskellige domæner, før vi for alvor kan løse de mange tværfaglige problemstillinger. Her er vi så heldige, at klima- og miljødata ofte er georefereret, så et fornuftigt udgangspunkt vil være lokationen eller stedet
Det har i sit udgangspunkt intet med AI-teknologi at gøre, men vores vurdering er, at inden vi begynder at udvikle avancerede AI-løsninger, som kan løse tværfaglige problemstillinger, så skal vi fortsat arbejde med standardisering af klima- og miljøbegrebet på tværs af fagdomæner. Herfra kan vi tilføje AI-baserede elementer i vores systemer langt mere effektivt og anvendeligt.
AI til proaktiv vejvedligeholdelse og data til GIS
Vejmiljøet er i konstant forandring pga. gravninger, anlægsprojekter og slid fra trafik og vejr. Kunstig intelligens åbner nu for nye muligheder for en proaktiv vejvedligeholdelse.
TECHNOLOGIES
Historisk har det ikke været økonomisk muligt at holde et opdateret overblik over de tusinder af vejskader, inventar, og vejstriber med manuelle registreringsmetoder. Kunstig intelligens – eller mere specifikt billedanalyse – åbner for nye muligheder fra reaktiv til proaktiv vedligeholdelse, digital optælling af inventar, og mulighed for løbende automatisk dataindsamling, så beslutningsgrundlaget holdes opdateret.
Sammen med det Europæiske Rumagentur (ESA) har vi arbejdet på at indfri netop dette potentiale.
Tæt samarbejde med kommuner
Vi har siden 2019 arbejdet med tilstandsregistrering af vejnettet med billedanalyse. Dette er lykkedes gennem et tæt samarbejde med kommuner, som har givet værdifuld feedback og en udviklingskadence med løbende softwarereleases. Fra at være bare en AI-motor har vi i dag et system til driftsstyring og håndtering af slidlagsprojekter med en database, et kortsystem med vejbilleder, samt med dataformidling igennem GeoServer.
Dataindsamling fra vejnettet med en mobil
Dataindsamling af vejnettet foregår med blot en smartphone, som monteres i forruden af et køretøj. Igennem en app indsamles fotos hver 5. meter med tidsstempel og geolokation.
Algoritmerne behandler billederne og finder automatisk inventar og skader med størrelse og akutgrad.
Hvorfor en smartphone tænker du måske? Industrien har jo tidligere været defineret af specialudstyr til målinger. Selvom smartphones er generiske, har topmodellerne i dag avancerede sensorer (kamera, gyroskop), en grænseflade, som alle kender til, og kraftfulde chips. Den smartphone, som du har i lommen, kan beregne 120 millioner gange hurtigere end det navigationsssytem, som blev anvendt til Apollo 10. Fremfor at udvikle special-hardware, som er dyrt at holde opdateret, valgte vi derfor at anvende smartphones.
GDPR og persondataloven
For at sikre overholdelse af GDPR og persondataloven bliver alle billeder anonymiseret direkte i appen. På telefonerne er der installeret specialsoftware, som gør, at man ikke kan få adgang til den underliggende data. Det betyder både, at brugere ikke kan tilgå rådata, og at ingen billeder forlader telefonen uden anonymisering.
En AI i løbende udvikling
Da vi startede, var det primært et værktøj til at måle beskaffenhed af vejenes slidlag (revner, stentab og krakeleringer) også kendt som til-
AF JOHAN BENDER, PLUTO
standsregistrering. Tilstandsregistreringen kræver 18 kategoriseringer for at kunne følge historiske danske standarder.
For at kunne anvende AI-skadesregisteringen til beregning af den tilbageværende vejkapital er det nødvendigt at måle skadernes størrelse i absolut skala (hhv. cm og meter) og deres lokation, således at man ikke dobbeltæller skader, som identificeres på flere sammenhængende billeder. Dette er et vigtigt skridt for at opnå resultater, som har en nøjagtighed, der gør det brugbart til politisk præsentation, se figur 1.
Projekt med ESA
I 2023 indgik vi i et samarbejde med Det Europæiske Rumagentur (ESA) om optimering af lokationsdata til proaktiv vejvedligeholdelse. Udgangspunktet for Smart City-projektet var, at teknologien havde bevist sin værdi inden for periodevise –typisk årlige – målinger af vejtilstanden og beregning af vejkapitalen. Nu skulle det udvides til også at understøtte den løbende drift.
Understøttelse af driften sætter højere krav til algoritmen, databehandling, datakvalitet og understøttelse af arbejdsprocesser. Når antallet af optagelser øges, er det afgørende, at uddateret information automatisk sorteres fra, og at systemet automatisk sørger for ikke at gemme mere data, end der er behov for.
Derudover er det også afgørende, at systemet kan identificere flere nuancer, således at det bidrager til prioriteringen. Ved udgangen af projektet
registreres over 65 typer af vejobjekter herunder vejskader og vejmarkeringer, inventar som kantpæle, riste og skilte.
Et godt eksempel på, hvordan systemet sikrer, at der ikke gemmes for meget data, er ved kun at gemme én optagelse fra samme vej inden for samme dag. Det betyder, at selvom man har optaget samme indkørsel flere gange samme dag, gemmes der kun et billede af vejen. Dette tidsinterval er justerbart således, at udstyret også kan installeres på fx renovationsvogne med personale, som ikke kender til tilsynsfrekvensen. På den måde kan det hele klares automatisk af systemet.
Vi har endvidere arbejdet med at komprimere algoritmerne, så analysen kan foretages på selve telefonen fremfor på servere med stort energiforbrug.
Figur 1: Systemet håndterer projektering af registreringer fra vejbilledet og sikrer, at skader ikke tælles dobbelt, selvom de registreres på flere billeder. Det kan fx være en lang sammenhængende revne.
Syv års ulykkesstatistik
- Kan kombinationen af AI og geoanalyse-magi
hjælpe os?
Trafikulykker udgør en betydelig udfordring med både personlige og samfundsøkonomiske konsekvenser. For at skabe en dybere forståelse af årsagerne til ulykker og derved kunne identificere mulige forbedringstiltag til at øge trafiksikkerheden, har vi anvendt en innovativ tilgang, der kombinerer den traditionelle statistiske analyse med geospatiale data samt machine learningteknikker. Målet er at opnå en mere nuanceret forståelse af de faktorer, der fører til ulykker.
Figur 1: Studiet søger ved kombination af statistisk analyse, geospatial analyse og machine learning at give en dybere indsigt i og en større grad af årsagsforklaring på trafikulykker.
AF ERIK R. NIELSEN, CAROLINE BROUGHTON OG ANGUS SPENCE, SYSTRA
Ved at integrere geospatiale analyser med machine learning-teknikker kan vi komme nær mere en kortlægning og dybere analyse af de geografiske mønstre, der er forbundet med trafikulykker. I et nyligt studie analyserede vi syv års trafikuheldsstatistikker fra Storbritannien vha. disse metoder, hvilket gav os mulighed for at identificere de mest udbredte årsagsfaktorer og geografiske faktorer, som fører til dødsfald og alvorlige kvæstelser. I studiet fokuserede vi på, hvordan disse teknologier supplerer hinanden for at give en dybere indsigt og en større grad af årsagsforklaring, end hvad der kan opnås med traditionelle statistiske metoder, se figur 1.
Statistisk analyse
Omstændighederne og årsagssammenhængene ved en kollision kan ændre sig drastisk på tværs af forskellige kategorier af kollisioner, geografier og tidsperioder. For at kunne sammenligne data på tværs af geografi og tid blev data normaliseret. For yderligere at identificere datamønstre blev der anvendt klyngeopdeling. Herved opdeles datasættene i klynger af kollisioner med lignende karakteristika, som derefter kan vurderes uafhængigt.
Geospatial analyse
Formålet med den geospatiale analyse var at skabe en visuel repræsentation af kollisioners geografiske placering og anvende analytiske teknikker til at afsløre rumlige mønstre. Mens statistisk analyse typisk besvarer spørgsmålet: ”Hvorfor?”, så fokuserer geospatial analyse på: ”Hvor?”, se figur 2.
Det er afgørende at have et solidt fundament i form af et konsistent og præcist datasæt. Stedsangivelser for specifikke kollisioner kan være upræcise og i konflikt med andre datafelter, hvilket krævede udviklingen af en metode til at forbedre disse data.
Vi benyttede tidsversioneret kortmateriale for at matche datoen for kollisionen til det daværende vejmiljø. Kronologisk data er let tilgængeligt fra Open Street Map, og det er lige blevet frigivet fra Ordnance Survey (OS) på eksperimentel basis. Basiskort med historik er en vigtig brik for fremtidige GeoAI-applikationer.
Normalisering bliver typisk udført ved at vægte trafikarbejdet (kilometer kørt pr. år pr. vejtype). Da denne størrelse kan være svær at indhente/ bestemme for alle vejtyper og regioner, baserede
vi vægtningen af kollisioner på længden af klassificerede veje inden for et netværk af hexagoner (standard H3-celler). Hot spot/cold spot-analyser blev anvendt til at identificere områder, hvor kollisionsfrekvensen statistisk afveg fra naboceller, se figur 3. Ved at fokusere på kollisionsdata i disse celler alene gav en regressionsanalyse en dybere forståelse af årsagssammenhænge.
Analysen afslørede, at celler med højere kollisionsrate havde en række visuelle indikatorer: Motorcykler af uoplyst motorstørrelse, fodgængere skjult af parkerede eller stationære køretøjer, indflettende køretøjer, vejarbejder ramt, samt kollision ved patruljeret krydsning (fx skolepatruljer).
For celler med lavere kollisionsrate, men værre skader, var de visuelle indikatorer følgende: Pågående vejarbejde, køretøjer med nedsat fart eller stationære i kørebanen, kollisioner på laveste regionale vejklasse (C), venstresving ind på ny vej, samt køretøj forlader kørebanen.
Magien af AI/machine learning Miljøfaktorer spiller en væsentlig rolle i både hyppigheden og alvoren af trafikkollisioner. For at opnå en dybere indsigt i denne indflydelse var der behov for detaljerede oplysninger om det fysiske miljø på ulykkesstederne. Ved at integrere kunstig4
Figur 2: Kollisionsstedfæstelse. To forskellige metoder er her illustreret.
Figur 3: Oversigt over kollisions-hotspots i Storbritannien.
intelligens med geodata fra kilder som Ordnance Survey, Master Map og Open Street Map blev det muligt at analysere de komplekse sammenhænge.
Kunstig intelligens blev anvendt til at udvikle en mekanisme, der kunne klassificere det fysiske miljø. Med andre ord var det en AI-model, der kunne opnå en forståelse af ligheder og forskelle i det fysiske miljø ved forskellige trafikulykker, se figur 5.
Denne klassificering gjorde det muligt at identificere hvilke specifikke træk ved vejnettet og dets omgivelser, der kunne påvirke typen og sværhedsgraden af kollisioner. Resultaterne af denne metode er illustreret i figur 4, hvor tre ud af syv identificerede grupperinger og deres karakteristika er beskrevet.
Skjulte mønstre og sammenhænge
Ved at integrere geospatial analyse med machine learning og statistiske metoder som klyngedannelse og flerdimensional binær regression, kan vi effektivt identificere skjulte mønstre og sammenhænge i store ulykkesstatistik-datasæt.
Den primære fordel ligger i, at vi ved at berige kollisionsdata med relevante og komplekse datasæt gennem machine learning kan opnå ny indsigt i meget omfattende datasæt. Dette forbedrer vores evne til at gruppere data og identificere signifikante årsagssammenhænge og tendenser, der hurtigt og effektivt kan pege på de mest alvorlige uheld og nøglefaktorer i disse.
Figur 5: Visualisering af det fysiske miljø fra ML-modellens resultater, reduceret til 3 dimensioner ved brug af t-SNE.
Klassificeringen af det omgivende miljø tilfører ny systematisk viden uden behov for en forudgående hypotese.
Figur 4: Sammenhænge mellem fysisk miljø og karakteristika af kritiske trafikuheld. 1 er bymæssig, 2 og 3 er landdistr ikter.
Hvad er din civile status?
Jeg er lykkeligt gift med Michala og er far til vores to drenge på hhv. 9 og 11 år.
Hvad er din baggrund?
Jeg er uddannet forstkandidat med speciale i participatorisk og bæredygtig skovplanlægning. Efter studietiden blev jeg på universitetet og arbejdede med rumlige økonomiske analyser af naturressourcer. Dette førte over i en ph.d. inden for naturressourceøkonomi med fokus på multikriteriemetoder og rumlige analyser til placering af bioenergianlæg. Efter ph.d. og post doc tog jeg med familien til Grønland, hvor jeg begyndte at arbejde med satellitdata, hvilket jeg har gjort lige siden.
Hvorfor valgte du i sin tid denne uddannelse/branche?
Jeg har siden barns ben haft en forkærlighed for træ, udendørsliv og kort. At studere kort og derigennem udforske verden samt at være i naturen har fyldt en hel del i min opvækst, bl.a. som spejder (og gør det i øvrigt stadig). Samtidig har koblingen mellem det boglige og det praktiske også altid appelleret til mig. Det var derfor i sin tid oplagt at søge ind på forststudiet, hvor kombinationen af solid teoretisk viden og praksisnære anvendelser er en naturlig tilgang til verden.
Fortæl om dine arbejdsopgaver
I dag arbejder jeg i DHI som forretningsudvikler og projektleder med hovedfokus på anvendelser af jordobservationsdata. Min rolle er at være oversætter mellem eksterne og interne aktørers videns- og udviklingsbehov inkl. analyse af løsningsmuligheder. At oversætte mellem en data scientist, en politiker og en lokal embedsmand, så alle parter forstår hvorfor og hvordan, jordobservationsdata kan understøtte sikker sejlads i Grønland eller en klimavenlig forvaltning af lavbundsjorde i Danmark, er ikke altid så lige til. Sprog kan nemlig være en svær(d)fisk.
Hvad er vigtigt for dig i dit arbejdsliv?
For mig giver det stor tilfredsstillelse at arbejde et sted, hvor jeg bidrager til at løse store samfundsmæssige udfordringer gennem kombinationen af forskning, innovation og forretning, og at samarbejde tæt med mange forskellige fagligheder. At kunne omsætte forskningsresultater og skabe reel forandring var noget af det, jeg drømte om at kunne opnå, da jeg indledte mit ph.d.-forløb i sin tid.
Hvor i branchen kan du se, at der er noget, som rykker? AI-bølgen er kommet for at blive og inden for både
Navn
Mikkel Høegh Bojesen
Alder
45 år
Stillingsbetegnelse
Forretningsudvikler
Hvor i landet bor du?
Nordsjælland
Hvor i landet arbejder du?
Hørsholm
Geo AI og generativ AI er jeg ikke i tvivl om, at vi kun har set begyndelsen af en række muligheder, som vil have stor betydning for Geodatabranchen. Det store spørgsmål for mig at se er, hvordan vi som branche og samfund evner at bruge disse teknologier til at understøtte en bæredygtig udvikling, herunder fortsat at sikre menneskelig interaktion.
Hvordan ser du en direkte nytte af det, du laver?
Jeg ser en direkte nytte af mit arbejde gennem de forsknings- og udviklingsprojekter, jeg bidrager i. Det store arbejde, jeg og gode kolleger laver med at kortlægge kystzonen i Grønland til gavn for alle, der færdes der, skaber reel samfundsmæssig værdi. På samme vis ser jeg også en direkte nytte af både mit og mine kollegers arbejde verden over, hvor vi bringer domænespecifik viden og jordobservationsdata i spil.
Kan du se nogle udfordringer i fremtiden?
Fremtiden har altid været udfordrende, måske endog skræmmende. Vi befinder os midt i en række udfordringer ift. biodiversitet, klima, sikkerhed og sociale mediers skadelige effekter på børn og unge. Men jeg er stor fan af Pippi Langstrømpe og har derfor også en tro på, at det klarer vi helt sikkert.
Arrangementer
Virtuel nytårskur 2025 14. januar 2025
Nytårskur i Øst: Vandet kommer. Rundvisning i DAC (Dansk Arkitektur Center)
16. januar 2025
København
Teknisk webinar om vektor tiles skærmkort
23. januar 2025
Nytårskur i Syd: Ølsmagning og netværksaktivitet
23. januar 2025
Odense
Kursus: Grundlæggende programmering i Python
28. januar - 7. marts 2025
Odense
Hvordan satellitdata anvendes i den offentlige forvaltning
23. marts 2025
Hørsholm
Kortdage 2025
12. -14. november 2025
Aalborg
Læs mere om arrangementerne på geoforum.dk/kalender
Virtuel nytårskur
Tirsdag, den 14. januar 2025 kl. 14.00 - 16.00
På baggrund af de positive erfaringer med afholdelse af en virtuel nytårskur i Geoforum i de senere år, vil Kompetenceudvalget og Kortdagsudvalget også i år give medlemmerne en god fyraftensoplevelse på en råkold dag.
Grundlæggende programmering i Python
28. januar til 7.marts 2025
Python er et af de hurtigst voksende programmeringssprog. Dette skyldes ganske givet, at sproget er fleksibelt, let at læse, og har anvendelser i alt fra applikationsudvikling til datascience og machine learning. Python er et meget ’let læseligt’ kodesprog, og den simple syntaks gør det lettere at lære end andre kodesprog, hvilket
Deltag og oplev nogle af de mest velbesøgte foredrag fra Kortdage 2024. Et program for den virtuelle nytårskur er under udarbejdelse..
Program og tilmelding, se: geoforum.dk/kalender
vi på dette kursus udnytter til at få klædt dig på til selv at komme i gang med Python i dine opgaver.
Sted Odense
Program og tilmelding, se: geoforum.dk/kalender
Hvordan satellitdata anvendes i den offentlige forvaltning
23.marts 2025 kl. 15.00 - 17.00
Fokus for mødet vil være på, hvordan satellitdata benyttes operationelt til beslutningsstøtte i den offentlige forvaltning på alle niveauer (staten, regionerne og kommunerne). Det er ikke kun til vejrudsigter og forskningsmæssige anvendelser at satellitdata spiller en rolle. Tværtimod er satellitdata i dag en integreret del af det datagrundlag, som anvendes af offentlige myndigheder til beslutningstagning og planlæg-
ning. Der vil blive præsenteret eksempler på konkrete operationelle anvendelser af satellitdata fra alle niveauer af offentlige myndigheder.
Sted
DHI
Agern Allé 5 2970 Hørsholm
Program og tilmelding, se: geoforum.dk/kalender
ARR. ØST
Geodatabaseret samtykkeplatform til projekter
Geo udfører løbende projekter, hvor der er behov for at indhente samtykkeerklæringer fra borgere om tilladelse til arbejde på deres matrikler. Det kan mængdemæssigt være en udfordring, hvis projekterne påvirker mange borgeres ejendom.
Derfor har Geo udviklet en digital samtykkeplatform, som kan anvendes i forbindelse med borgerdialog, både før, under og efter undersøgelser er igangsat. Løsningen kan nemt kombineres med e-boks, breve osv., som der ønskes.
Platformen er meget fleksibel og kan på kort tid opbygges fra projekt til projekt. Løsningen udstiller både relevante kort- og projektdata, offentlige data som matrikler og BBRinformationer. Disse oplysninger kombineres så med beskrivelser af det planlagte arbejde på det aktuelle projekt.
Løsningen er allerede i brug på flere projekter, og der er opnået god erfaring. Tag fat i Geo, hvis I kan se en anvendelse i jeres borgerdialog og kommende projekter.
I NIRAS’ data science-afdeling arbejder vi med at skabe bedre indsigt i befolkningens bevægelsesmønstre ved hjælp af anonymiseret mobildata fra Telia.
En spændende ny dimension er, at vi har beriget data med avancerede ruteberegninger. Dette gør det muligt at vise, hvor langt personer i et givent område har rejst for at nå dertil. Denne indsigt åbner for nye anvendelser, bl.a. inden for byplanlægning, trafikoptimering og bæredygtighedsanalyser.
Ved hjælp af Power BI’s interaktive dashboards kan vi præsentere komplekse data på en letforståelig måde, der understøtter beslutningsprocesser. Samtidig drager vi fordel af Microsoft Fabric til at integrere, modellere og behandle store datamængder effektivt.
Projektet viser, hvordan moderne teknologi og innovative løsninger kan levere værdifuld indsigt, som skaber værdi på tværs af sektorer.
Kontaktperson: Jacob Tegner
Telefon: 2682 7986
E-mail: jact@niras.dk
Hjemmeside: https://niras.dk
GeoNote® Vintertjeneste –Jeres redning, når sneen falder
Når sneen pludselig falder, opstår et akut kommunalt behov for overblik over snerydningen og en effektiv opgaveløsning. Et højt serviceniveau for borgerne er essentielt. Det samme er planlægning, håndtering og sikring af dokumentation for kommunen.
GeoNote® Vintertjeneste er vores digitale løsning til håndtering af snerydning og saltspredning, udviklet i tæt samarbejde med kommunerne for at skabe en brugervenlig og omkostningseffektiv drift af jeres vintertjeneste. Få overblik over aktive sneryddere og saltspredere i realtid, håndter planlægningen fra kontoret og udførelsen i marken via realtidsfeedback, GPS-logning og dokumentation.
Det gør det nemt at holde overblikket og effektivt at håndtere udkald og igangsætning, når der er behov for snerydning og saltning.
Skal du trykprøve bidragsfordelingen ved kommunens
kystbeskyttelsesprojekt?
Arbejder du i forvaltningen med at trykprøve bidragsfordelingen i forbindelse med kommunens kystbeskyttelsesprojekt?
Med Mølbaks BidragsFordelingsSimulator kan du let og overskueligt få overblik over hvilke ejendomme, der ligger i hvilke risikozoner –og på den baggrund vurdere, om du skal ændre på grænserne for risikozonerne.
Du kan også se, hvad hver enkelt ejendom skal betale i bidrag og publicere dette på kommunens hjemmeside, så borgerne kan se, hvad hver enkelt ejendom betaler i bidrag.
Befolkningsprognoser er afgørende for den kommunale planlægning og budgettering. Skal I bygge nye skoler eller daginstitutioner, eller har I allerede de nødvendige tilbud?
Hos LIFA Digital har vi udviklet en befolkningsprognose, der bygger på omfattende data fra vores løsning Census – herunder historiske tendenser inden for fødsler, dødsfald og flyttemønstre.
Dette giver jer mulighed for at skabe nøjagtige og pålidelige fremskrivninger af befolkningsudviklingen i jeres kommune.
Med Befolkningsprognose 3.0 får I endnu højere præcision og større fleksibilitet – perfekt til at skræddersy løsningen til jeres behov.
Kontakt os for en præsentation og se, hvordan vores værktøj kan understøtte jeres arbejde inden for planlægning og budgettering med øje for den fremtidige befolkningsudvikling.
Kontaktperson: Nina Nowack-Rosenquist
Telefon: 63136965
E-mail: nnr@lifa.dk
Hjemmeside: lifadigital.dk
Nyt fra Geoinfo
Deltag i konkurrencen om at vinde en tur til verdens største GIS-konference i San Diego
Er du studerende, eller kender du én, der har lyst til at deltage i Esri Young Scholars Program 2025, hvor Geoinfo og Esri belønner det bedste GIS-studieprojekt med en gratis tur til Esri User Conference 2025 i San Diego, USA, så skynd dig at ansøge.
Ansøgningsfristen er 7. februar 2025. Se mere på geoinfo.dk.
Dansk Esri Konference 2025 – tilmeld dig nu og få early-bird rabat Tilmeld dig inden 1. februar og deltag i årets største GIS-begivenhed den 13.-14. maj 2025. Mød fagfolk fra hele landet, Grønland og Færøerne og få de nyeste opdateringer om ArcGIS. Vil du dele dit projekt? Kontakt os for mere info.
Hold dig opdateret Følg spændende GIS-arrangementer – tilmeld dig vores nyhedsbrev på geoinfo.dk.
SYSTRA har mange spændende eksempler på anvendelsen af machine learning/AI og geodata. Flere af disse blev præsenteret på Kortdage 2024. I dette nummer af GEOFORUM dykkes der lidt dybere ned i anvendelsen af AI i geoverden i forbindelse med en analyse af 7 års ulykkes-statistik for Storbritannien.
Ræk endelig ud, hvis du vil høre mere om vores kompetencer inden for data science og AI i geoverden. Nogle områder, hvor vi har anvendt AI i kombination med geoanalyse, er baneområdet, vandforsyningsområdet, trafik og mobilitet.
SYSTRA har yderligere forstærket data-science-holdet med tilføjelse af Mikael Lund, der kommer fra en rolle som senior maskinlæringsudvikler. Derudover har vi budt velkommen til Thomas Bergstedt som seniorudvikler og Ulla Francke som seniorkonsulent.
I SCALGO har vi længe arbejdet med AI, blandt andet til arealdækkekort. Vi bruger en UNETmodel, som vi træner til at aflæse ortofotos. Vi udvider jævnligt til nye lande, hvor modellen får nye træningsdata. På den måde bliver modellen hele tiden bedre, og det medfører, at vi hvert år kan producere et nyt arealdækkekort for Danmark, som ikke blot er up to date, men også mere nøjagtigt.
Sidste år producerede vi arealdækkekort i Tyskland, Frankrig og Storbritannien, svarende til et areal på 1.152.327 km2, eller 18,437,232,000,000 celler af 25x25 cm. Kortene skelner 11 forskellige klasser, heraf tre kunstige overfladetyper (bygninger, veje og andre befæstede arealer) og otte naturlige overfladetyper (høj vegetation, lav vegetation, bar jord, klippe, mark, vand, mm.). Log ind i Scalgo Live og tjek det i dit nærområde!
Kontaktperson: Sara Lerer Telefon: 88772659
E-mail: sara@scalgo.com
Hjemmeside: scalgo.com
Hexagon leverer GeoAI-løsning til spildevandshåndtering i Köln
Hexagon har leveret en GeoAI-løsning, der automatiserer spildevandsoperationer i Köln. Løsningen registrerer automatisk ændringer i befæstede arealer, hvilket gør det muligt for byens spildevandsmyndighed at beregne spildevandsskatter mere effektivt. Tidligere var processen tidskrævende, da ændringer i private arealer sjældent blev rapporteret, og data måtte indsamles manuelt.
Ved hjælp af billeddata, LiDAR og AI analyserer løsningen ejendomsoverflader og håndterer udfordringer som skygger og vegetation. Data integreres direkte i byens GIS-system, hvilket reducerer manuelt arbejde og forbedrer kvaliteten af beskatningen. Løsningen kan endvidere simulere konsekvenserne af kraftig regn og støtte klimaforbedringer igennem naturgenopretning.
Brugermøde
HUGdk 2025 afholdes d. 19-20/3 med masser af brugerpræsentationer og produktopdateringer.
Kontaktperson: Jackie Sandgård
Telefon: 5214 1535
E-mail: jackie.sandgaard@hexagon.com
Hjemmeside: hxgn.biz/gis-da
Få det gode overblik med skiltemodulet i Map Connect
Map Connects skiltemodul forenkler kommunikationen om skiltes placeringer og arbejdet med skilteplaner. Modulet indeholder Vejdirektoratets skilte og giver mulighed for at tilføje egne symboler. Med opdaterede kort og ’live’ baggrundskort er det enkelt at oprette og vedligeholde skilteplaner.
Projektfunktionen, der gør det muligt at skræddersy og gemme skiltemodulet, husker kortets tilstand. Tilsammen gemmes aktiverede og opdaterede luftfoto og tekniske baggrundskort, samt skiltenes placering. Skiltemodulet kan nemt deles via udskrifter, links og på hjemmesider.
Kontakt Lars Klindt for at høre mere om, hvordan du kan få flotte og professionelle skilteplaner til en konkurrencedygtig pris.
Kontaktperson: Lars Klindt
Telefon: 2858 1660
E-mail: lkm@geopartner.dk
Hjemmeside: https://www.geopartner.dk
Opdag kraften i digitale rapporter
Gør komplekse emner tilgængelige og engagerende for din målgruppe! Med vores digitale rapporteringsplatform kan du booste projektsynligheden, forbedre kommunikationen og skabe en fælles forståelse af projektet blandt alle stakeholdere.
Sig farvel til lange PDF’er og tunge papirdokumenter! Vores dynamiske rapporter visualiserer dine eksisterende data på en effektiv og interaktiv måde. Med elementer som 2D-kort og 3D-modeller, engagerende grafikker og animationer kan du nemt formidle dit budskab.
Hvorfor vælge digitale rapporter?
P Benyt allerede indsamlede data
P Engagerende tekst og grafikker
P Interaktive 2D- og 3D-kort
P Højkvalitetsbilleder og videoer
P Nem multiplatform-adgang via et link
Tag skridtet mod moderne projektkommunikation, og fortæl din historie på en måde, der skaber interesse og sikrer, at dit budskab bliver hørt.
