Deep learning i ArcGIS Pro til automatisk kortlægning af markdræn
Oversat titel
Deep Learning in ArcGIS Pro for Automated Mapping of Subsurface Agricultural Drainage Systems
Forfattere
Djernæs, Rikke Arenskov ; Jensen, Maria Degn
Semester
4. semester
Uddannelse
Udgivelsesår
2026
Afleveret
2026-06-04
Resumé
Specialet undersøger, hvordan fjernmåling, GIS og deep learning i ArcGIS Pro kan anvendes til automatisk kortlægning af markdræn i danske landbrugsarealer. Med udgangspunkt i ortofotos (RGB) og digitale terrænmodeller (DTM) opstilles et metodisk workflow, hvor geodata indsamles, bearbejdes til afledte lag og annoteres for at etablere et ground truth‑grundlag for drænspor. På denne baggrund trænes både pixelsegmenteringsmodeller og objektdetekteringsmodeller til at skelne mellem drænsystemer og baggrund, og deres præstation vurderes på et uafhængigt testområde ved hjælp af præcision, recall og F1‑score. Resultaterne viser, at RGB‑baserede input generelt giver bedre klassifikationsresultater end DTM‑baserede lag, og at lysstyrke (value) fremstår som det mest robuste enkeltlag. Specialet peger samtidig på, at modellernes prædiktionsevne er stærkt afhængig af, at drænspor er synlige i ortofotoet, samt af træningsdataenes omfang, vejrforhold og muligheden for rumlig generalisering. Samlet konkluderes det, at deep learning i ArcGIS Pro rummer et betydeligt potentiale til identifikation af synlige drænmønstre, men at der fortsat er væsentlige begrænsninger i forhold til data, modelvalg og overførbarhed til nye områder.
This thesis examines how remote sensing, GIS and deep learning in ArcGIS Pro can be used to automatically map subsurface agricultural drainage systems in Danish farmland. Using orthophotos (RGB) and digital terrain models (DTM), a methodological workflow is established in which geodata are collected, processed into derived input layers and annotated to create a ground truth of drainage traces. On this basis, pixel segmentation models and object detection models are trained to distinguish drainage systems from background, and their performance is evaluated on an independent test field using precision, recall and F1‑score. The results indicate that RGB‑based inputs generally outperform DTM‑based layers, with brightness (value) providing the most robust single‑layer results. The thesis also shows that model performance depends strongly on the visibility of drainage patterns in the orthophotos, the quantity and quality of training data, prevailing weather and soil moisture conditions, and the ability to generalise spatially. Overall, the study concludes that deep learning in ArcGIS Pro has considerable potential for identifying visible drainage patterns, while important limitations related to input data, model design and transferability between areas remain.
[Dette resumé er genereret med hjælp fra AI direkte fra projektet fuldtekst]