Detection of hunting pits using airborne laser scanning and deep learning

SND-ID: 2023-188. Version: 1. DOI: https://doi.org/10.5878/en98-1b29

Citering

Alternativ titel

Training data for hunting pit detection

Skapare/primärforskare

William Lidberg - Sveriges lantbruksuniversitet, Skogens ekologi och skötsel orcid

Forskningshuvudman

Sveriges lantbruksuniversitet - Skogens ekologi och skötsel rorId

Diarienummer hos huvudman

SLU.seksko.2023.4.4.IÄ-2

Beskrivning

Det här är tränings och test-data för att detektera fångstgropar i laserdata med hjälp av maskininlärning. Datat är uppdelat i tre delar. 1: Data för förträning med hjälp av radarbilder och kratrar på månen. 2: Data för träning och testning av maskininlärningsmodellen. 3: Data över ett demonstrationsområde där modellen testas.

Datat från månen (1) användes för att förträna en maskininlärningsmodell och datat från jorden (2) användes för att träna modellen på att kartera fångstgropar på jorden. Demonstrationsområdet användes för att visuellt utvärdera resultatet.

All kod som används för att ta fram datat samt träna modellerna finns här: https://github.com/williamlidberg/Detection-of-hunting-pits-using-airborne-laser-scanning-and-deep-learning koden finns också i filen "code.zip"

Data innefattar personuppgifter

Nej

Språk

Metod och utfall

Analysenhet

Population

Digitaliserade fångstgropar

Urvalsmetod

Data täcker framför allt Norrland men ett fåtal gropar från södra Sverige finns med.

Tidsperiod(er) som undersökts

2022-06-09 – Pågående

Variabler

11

Antal individer/objekt

2519

Dataformat / datastruktur

Arkeologisk undersökningstyp

Antikvarisk kontroll

Arkeologisk lämningstyp

Fångstgrop, Fångstgropssystem

Datainsamling
Geografisk täckning

Geografisk utbredning

Geografisk plats: Sverige

Geografisk beskrivning: Centrala och norra Sverige

Administrativ information

Ansvarig institution/enhet

Skogens ekologi och skötsel

Övriga forskningshuvudmän

Medverkande

Lars Östlund - Sveriges lantbruksuniversitet, Skogens ekologi och skötsel orcid

Florian Westphal - Högskolan i Jönköping, Avdelningen för datavetenskap orcid

Camilla Sandström - Umeå universitet, Statsvetenskapliga institutionen orcid

Finansiering 1

  • Finansiär: Marianne och Marcus Wallenbergs stiftelse rorId
  • Projektnamn på ansökan: Wallenberg AI, Autonomous Systems and Software Program – Humanities and Society (WASP-HS)
  • Information om finansiering: Projektet "Challenges and social consequences of artificial intelligence in Swedish forests" i WASP-HS-programmet

Finansiering 2

  • Finansiär: Kempestiftelserna rorId
  • Projektnamn på ansökan: Framtidens kartor för klimatanpassad skogsskötsel

Finansiering 3

  • Finansiär: Stiftelsen Marcus och Amalia Wallenbergs minnesfond rorId
  • Projektnamn på ansökan: Wallenberg AI, Autonomous Systems and Software Program – Humanities and Society (WASP-HS)
  • Information om finansiering: Projektet "Challenges and social consequences of artificial intelligence in Swedish forests" i WASP-HS-programmet
Ämnesområde och nyckelord

Forskningsområde

Datavetenskap (datalogi) (Standard för svensk indelning av forskningsämnen 2011)

Datorseende och robotik (autonoma system) (Standard för svensk indelning av forskningsämnen 2011)

Naturgeografi (Standard för svensk indelning av forskningsämnen 2011)

Geoteknik (Standard för svensk indelning av forskningsämnen 2011)

Historia (Standard för svensk indelning av forskningsämnen 2011)

Samhälle och kultur (INSPIRE topic categories)

Publikationer
Publicerad: 2024-02-22
Senast uppdaterad: 2024-02-22