GeoAI-based Afforestation Suitability Screening: A planning-oriented decision-support workflow for the Danish Green Tripartite
Translated title
GeoAI-based Afforestation Suitability Screening: Et planlægningsorienteret beslutningsstøtte-workflow til Den Grønne Trepart
Authors
Shahri, Ali Nikoorazm ; Kashkouli, Arvin
Term
2. semester
Publication year
2026
Submitted on
2026-05-29
Abstract
This project explores how a GeoAI-based screening workflow can support early-stage forest establishment (afforestation) planning in Viborg Municipality, Denmark. GeoAI refers to the use of artificial intelligence on geographic data. The workflow combines rule-based screening of where afforestation is legally and practically possible with machine learning models that estimate which locations are most suitable, plus spatial validation, model interpretation, and map outputs that can be used directly in planning. First, legal, environmental, and planning constraints are used to define the area where afforestation may be considered. Within this area, three machine learning methods (LightGBM, Random Forest, and PU-LightGBM) are applied to rank potential afforestation sites based on geographic predictors such as terrain, hydrology, soil type, nitrogen retention capacity, current land cover, and the broader landscape context. The models are evaluated using spatial cross-validation to examine how well the results transfer across different parts of the municipality. The findings show that GeoAI can provide a transparent and reproducible screening layer that highlights areas where more detailed afforestation assessment may be relevant. The workflow is not intended to replace municipal planning judgement, dialogue with landowners, or formal approval procedures, but can support the selection and prioritisation of candidate areas under the Danish Green Tripartite framework.
Dette projekt undersøger, hvordan en GeoAI-baseret screeningsproces kan hjælpe Viborg Kommune med den tidlige planlægning af skovrejsning. GeoAI betyder, at man bruger kunstig intelligens på geografiske data. Arbejdet kombinerer en regelbaseret gennemgang af, hvor skovrejsning overhovedet er mulig, med maskinlæringsmodeller, der vurderer, hvor skovrejsning sandsynligvis vil være mest egnet, samt rumlig validering, fortolkning af modellerne og kort, der kan bruges direkte i planlægningen. Først afgrænses det område, hvor skovrejsning kan komme på tale, ved hjælp af juridiske, miljømæssige og planlægningsmæssige begrænsninger. Inden for dette område bruges tre maskinlæringsmetoder (LightGBM, Random Forest og PU-LightGBM) til at rangordne mulige skovrejsningsarealer ud fra geografiske faktorer som terræn, vandforhold, jordtype, evne til at tilbageholde kvælstof, nuværende arealanvendelse og landskabets sammenhæng. Modellerne testes med rumlig krydsvalidering for at se, om resultaterne kan overføres til forskellige dele af kommunen. Resultaterne viser, at GeoAI kan skabe et gennemsigtigt og gentageligt screeningslag, der peger på områder, hvor det kan være relevant at undersøge skovrejsning nærmere. Arbejdsgangen skal ikke erstatte kommunens faglige vurderinger, dialog med lodsejere eller formelle godkendelser, men kan støtte udvælgelsen og prioriteringen af mulige skovrejsningsområder inden for den danske Grønne Trepartsramme.
[This abstract has been rewritten with the help of AI based on the project's original abstract]
Keywords