Machine Learning for Automatic Detection of Historic Stone Walls Using LiDAR Data
Authors
Fernandes, Ana Cristina Mosebo ; Trotter, Ezra Francis Leslie
Term
4. term
Publication year
2021
Submitted on
2021-06-04
Pages
39
Abstract
Stone walls are part of Denmark’s landscape and are protected for their cultural history and their role as habitats. Many have disappeared or been damaged, and municipal records are often out of date. We tested whether public, high‑resolution LiDAR terrain data (40 cm) combined with a convolutional neural network (CNN) inspired by U‑Net can detect and map stone walls to help update these records. Working in Ærø Municipality, we analyzed the Digital Terrain Model (DTM) alone and with two additions: Height Above Terrain (HAT) and a Sobel‑filtered DTM (a simple edge detector). Using pixel‑wise comparison with known walls, we found 93% overall agreement in a validation area and 88% across the full prediction area. The model transferred well to new data, recovering many registered walls and highlighting plausible new ones on visual inspection. Performance was strongest in open landscapes; forests also yielded positive results, while dense vegetation and urban areas were more challenging. Because no national reference dataset exists, evaluation relied on the municipal registry and visual checks on maps and in the field. Future improvements could include adding aerial imagery and other relevant data and further tuning of the CNN. Overall, the approach shows promise for automating the identification of stone walls and updating municipal registries in Denmark, and we recommend developing a decision support system to give municipalities access to the results.
Stengærder er en del af det danske landskab og er beskyttet både for deres kulturhistorie og som levesteder for arter. Mange er forsvundet eller beskadiget, og kommunale registre er ofte forældede. Vi undersøgte, om offentligt tilgængelige LiDAR‑terrændata i høj opløsning (40 cm) kombineret med et konvolutionsneuronalt netværk (CNN) inspireret af U‑Net kan finde og kortlægge stengærder og dermed hjælpe med at opdatere registrene. I Ærø Kommune analyserede vi den digitale terrænmodel (DTM) alene og med to ekstra lag: højde over terræn (HAT) og en Sobel‑filtreret DTM (en enkel kantdetektor). Ved pixel‑for‑pixel‑sammenligning med kendte stengærder fandt vi en samlet overensstemmelse på 93% i et valideringsområde og 88% i hele det forudsagte område. Modellen generaliserede godt til nye data, hvor den både genfandt mange registrerede stengærder og pegede på sandsynlige nye ved visuel inspektion. Metoden fungerede bedst i åbne områder; skov gav også positive resultater, mens tætte bevoksninger og byområder var mere udfordrende. Da der ikke findes et nationalt referencedatasæt, byggede evalueringen på det kommunale register samt visuelle kontroltjek på kort og i felten. Yderligere forbedringer kan komme fra at inddrage luftfotos og andre relevante data samt finjustere CNN‑modellen. Samlet set viser tilgangen potentiale for at automatisere identifikation og opdatering af registrene over stengærder i Danmark, og vi anbefaler at udvikle et beslutningsstøttesystem, som giver kommunerne adgang til resultaterne.
[This apstract has been rewritten with the help of AI based on the project's original abstract]