Aarhus University Seal / Aarhus Universitets segl

Deep learning som metode til kortlægning af potentiel sur sulfatjord

Deep learning, er det fremtidens værktøj til kortlægning af jordbunden? Potentialet er stort, mener forskere, der har sammenlignet deep learning med mere traditionelle metoder for kortlægning. Deep learning kan nemlig håndtere såkaldt big data, og metoderne viser lovende resultater indenfor klassificering af jord samt kortlægning af lavbundsjorde, CO2-emissioner og kulstofbinding.

Deep learning viser lovende resultater indenfor klassificering af jord samt kortlægning af lavbundsjorde, CO2-emissioner og kulstofbinding. Foto: AU Foto

Digital jordbundskortlægning udgør ikke kun et vigtigt forskningsdomæne, det spiller også en afgørende rolle, når forskningsresultater skal formidles. Kort over jordens egenskaber eller decideret klassificering af jorden kan nemlig bruges til at understøtte vurderinger af f.eks. udvaskning af næringsstoffer, jorderosion eller emission af drivhusgasser.

"De klassiske digitale jordbundskortlægningsteknikker er baseret på punktinformation fra varierende miljøforhold fra det område, der undersøges. Deep learning teknikken derimod formår at inkorporere mere rumlig kontekstuel information fra miljøforholdene. Det giver et mere realistisk og ikke mindst lokalt billede af området. Deep learning teknikkens potentiale til forudsigelse af jordbundens egenskaber er tidligere blevet vurderet, så vi har her undersøgt to metoder: en til jordklassificering samt en fortolkningsmetode, der kun fortolker inden for modellens datagrundlag, og dermed hjælper os med at forklare resultaterne,” siger postdoc Amélie Beucher fra Institut for Agroøkologi ved Aarhus Universitet.

Et undersøgelsesområde på cirka 6.500 km2

"Først og fremmest ville vi vurdere deep learning metoden ”convolutional neural networks” evne til at klassificere sur sulfatjord. Det gjorde vi ved at sammenligne den med en mere klassisk metode kaldet ”random forest”. For det andet og nok vigtigst, ønskede vi at anvende en fortolkningsmetode til at forklare de resultater, vi nåede frem til ved at bruge deep learning metoden,” forklarer Amélie Beucher.

For at teste forskellige metoder fokuserede forskerholdet på vådområderne i Jylland. Med cirka 6.500 km2 udgør arealerne næsten 20 % af landsdelen.

"Vi ønskede at kortlægge potentiel sur sulfatjord, fordi de kan være problematiske i drænet tilstand. Når jorden er drænet, oxideres den nemlig, og en giftig kombination af syrlighed og metaller kan udvaskes til nærliggende vandområder. Det er problematisk for vandkvaliteten, idet mikroorganismer og fisk vil blive påvirket af disse stoffer,” siger Amélie Beucher.

Store mængder data

Deep learning metoder er state-of-the-art metoder, som kan håndtere meget store mængder data, også kaldet big data. Så informationsniveauet er også potentielt højere end ved de traditionelle metoder.

"Sammenlignet med klassiske metoder kan deep learning-teknikker ofte blive fravalgt, fordi de er mere indviklede at bruge, og deres resultater kan være svære at fortolke. I sidste ende vil det altså også være sværere at formidle resultater til beslutningstagere, rådgivere og landmænd. Men de store mængder inputdata og metodens implementering genererer også mere information. Vi fandt ud af, at ”convolutional neural networks” gav bedre resultater end den klassiske metode, vi sammenlignede med,” siger Amélie Beucher.

Og i kombination med en modelfortolkningsteknik bliver resultaterne lettere forklaret og bedre visuelt præsenteret. Ifølge Amélie Beucher er brugen af ​​en sådan fortolkningsmetode noget helt nyt at bruge i digital jordbundskortlægning. Men metoden har et stort potentiale og vil kunne hjælpe forskere med at formidle deres modelleringsresultater på en visuel og mere forståelig måde.

"Der er helt klart et potentiale for at bruge deep learning til jordklassificering. I denne undersøgelse testede vi med held metoden på en enten/eller case: er det sur sulfatjord eller ej, men man kan inkludere mange flere klasser og informationer i deep learning modellen. Og vi fandt, at når man også bruger en fortolkningsmetode, så er det lettere at fortolke resultaterne. Det er næsten det vigtigste resultat. Så efter min mening vil deep learning være et vigtigt værktøj til digital jordbundskortlægning i fremtiden,” siger Amélie Beucher.

Vil bruge metoderne i fremtidige projekter

Ifølge Amélie Beucher har deep learning metoden og modelfortolkningsteknikken et stort potentiale. Faktisk fortsætter hun med at bruge og udvikle modeller med deep learning i et stort projekt, der kortlægger lavbundsjorde i Danmark. ReDoCO2 hedder projektet, og det har til formål at udvikle en overordnet metode til at kortlægge lavbundsjorde i detaljer, samt muliggøre nøjagtige estimater af CO2-emissioner og potentielle kulstoflagre. Metoden vil give beslutningstagere detaljeret information og omkostningseffektive værktøjer til at vælge, hvilke lavbundsjorde, der skal tages ud af landbrugsproduktionen og vådlægges.

”Vi vil bruge den her viden om deep learning i ReDoCO2-projektet, faktisk har vi allerede inkluderet det. Det er vores første implementering af en deep learning metode, men mange flere vil forhåbentlig komme til med tiden. Så vi er meget spændte på at se og fortolke resultaterne,” siger Amélie Beucher.

Faktaboks – ReDoCO2

ReDoCO2 er et dansk forsknings- og udviklingsprojekt, finansieret af Innovationsfonden. Projektet startede i efteråret 2020 og løber i fire år. Det samlede projektbudget er på 32,3 millioner kroner, hvor 24,3 millioner kroner er finansieret af Innovationsfonden. Projektkonsortiet omfatter repræsentanter fra Institut for Agroøkologi ved Aarhus Universitet, Aalborg Universitet, Region Midtjylland, SkyTEM og I∙GIS.

Yderligere Information

Vi bestræber os på, at alle vores artikler lever op til Danske Universiteters principper for god forskningskommunikation. På den baggrund er artiklen suppleret med følgende oplysninger:Vi bestræber os på, at alle vores artikler lever op til Danske Universiteters principper for god forskningskommunikation. På den baggrund er artiklen suppleret med følgende oplysninger:

Samarbejdspartnere Institut for Agroøkologi ved Aarhus Universitet og Institut for Arkitektur, Design og Medieteknologi ved Aalborg Universitet.
Finansiering Undersøgelsen er støttet af ReDoCO2-projektet med støtte fra Innovationsfonden (bevillingsnummer: 0177-00086A)
Interessekonflikter Ingen
Læs mere Publikationen "Interpretation of Convolutional Neural Networks for Acid Sulfate Soil Classification" er udgivet i Frontiers in Environmental Science. Det er skrevet af Amélie Beucher, Christoffer B. Rasmussen, Thomas B. Moeslund og Mogens H. Greve.
Kontakt

Postdoc Amélie Beucher, Institut for Agroøkologi, Aarhus Universitet. E-mail: amelie.beucher@agro.au.dk