Idag har många av oss digitala kartor nära till hands i våra smartphones, men dessa kartor är inte anpassade för att vägleda oss när vi går till fots eller ska hitta i nya miljöer, till exempel som turister i en ny storstad. Att skapa sådana kartor kräver ingående kunskaper om kartors utformning och kan bli ännu bättre med hjälp av ny teknik som kan hantera stora datamängder.
- Vi samarbetar med företag och över olika discipliner inom akademin för att både förstå vilka behoven är och för att utveckla nya metoder baserade på maskinlärning, berättar Lars Harrie, professor i geografisk informationsvetenskap, Lunds universitet.
Ett problem i stora städer idag är att det är för många fordon, vilket både skapar trängsel och dålig miljö. Genom olika initiativ försöker man uppmuntra till ökat gående. Utöver att förbättra trottoarer, gångstråk och belysning så har man insett att det är viktigt hur information om navigering till fots förmedlas så att invånarna ser promenerandet som ett attraktivt alternativ.
Tiotusentals kartexempel krävs
Alla kartor är förenklade bilder av verkligen. De ser olika ut beroende på hur de ska hjälpa oss att tolka olika miljöer eller hitta till en viss plats. Förståelse för hur kartor utformas och hur människor söker information är en specialistkompetens. Det finns en stor mängd litteratur och regler för hur olika former av symboler och geografiska data ska förhålla sig till varandra. Kartor kan innehålla många olika lager av information och genom att till exempel använda olika färger, former eller storlekar beskrivs hur viktiga de är eller vad de föreställer.
– En av utmaningarna i dagens kartproduktion är att placeringen av ikoner och texter och liknande hanteras manuellt och det är väldigt kostsamt, förklarar Lars Harrie och fortsätter: Vi vill undersöka hur artificiell intelligens kan både ge oss forskare ny kunskap och bidra till innovation och minskade produktionskostnader.
I projektet arbetar Rachid Oucheikh, postdoktor i maskininlärning, med olika nya metoder för hur ett data-drivet arbetssätt kan skapa förbättringar och förenklingar. Det som krävs är tiotusentals kartor som läses in och analyseras med syfte att träna ett AI-nätverk i att känna igen bra placeringar av ikoner och texter.
– Vi ska angripa problemet utifrån flera metoder. Den vi arbetar med först omfattar överföring eller översättning av information från en bildkälla till en målbild och att det sker så att relevant innehåll bibehålls, förklarar Rachid Oucheikh. Detta kommer vi sen att jämföra med en annan metod som går ut på att identifiera de viktigaste nyckelpositionerna i en karta.
En tredje metod baseras på bildkomposition och utgår ifrån att via maskininlärning lära sig kartbilders dolda egenskaper och strukturer vad det gäller placering av texter och ikoner; denna metod kommer att utvärderas under slutet av projektet första år. Därefter väljs en av metoderna som passar bäst för vidare utveckling under det andra året.
Vi hoppas kunna bidra till nya öppna verktyg som kan användas av många
Testdata från storstäder
En stor utmaning överhuvudtaget är att få tillgång till tillräckligt mycket kartdata. Eftersom kartor finns överallt och digitalisering har pågått länge skulle man kunna tro att det inte skulle vara ett problem. Men oftast har kartdata från myndigheter och privata företag användarlicenser som inte tillåter storskalig maskininlärning.
– Kartdata finns men de är oftast inte öppna eller tillgängliga. Därför är vi så glada för samarbetet med T-kartor som har många storstäder som kunder och genom dom kan vi nu testa med riktiga data i vårt projekt, förklarar Lars Harrie.
Det svenska företaget T-kartor har sitt ursprung i Skåne men är verksamma på en global marknad och gör bland annat turistkartor för storstäder som New York, London och Paris. Samarbetet mellan företaget och forskarna är värdefullt för båda parter. T-kartor får tillgång till kartografisk kunskap och metoder som kan leda till innovation av nya avancerade geografiska produkter. Forskarna får bättre förståelse för den praktiska tillämpningen och olika problemställningar som måste hanteras.
Tyst kunskap blir hörd
Under de två år som Rachid Oucheikh kommer att arbeta med projektet hinner man inte utveckla praktiska tillämpningar från teorierna. Det är ändå av stort värde att på längre sikt kunna använda ny teknik för utveckling av kartor. Till exempel har City of London ett 100-sidigt dokument över alla regler som styr designen av kartor med anvisningar av olika slag baserat på åtskilliga användartester. Ofta har erfarna kartografer denna typ av tyst kunskap intuitivt men det är svårt att översätta till formaliserad kunskap. Detta kan maskininlärning ge svar på genom att studera stora mängder välgjorda kartor.
– Det är vanligt att vi får fram det vi kallar dold kunskap med hjälp av tillämpad AI, säger Rachid Oucheikh, som har två tidigare postdoktorstjänster bakom sig i Norge och i Jönköping fast då med inriktning på självkörande fordon.
Informationshantering i stadskartor är ett ganska outforskat fält när det gäller tillämpning av maskininlärning och avsikten är att dela resultat och insikter som öppen källkod för andra att använda och förädla.
– Även om vi samarbetar med ett företag så är det inte bara de som får del av vårt projekt. Vi hoppas kunna bidra till nya öppna verktyg som kan användas av många och som kan sänka kostnaderna över lag, avslutar Lars Harrie.
Om bättre kartinformation även leder till minskad miljöpåverkan då fler väljer att ta sig fram till fots i stora städer tack vare bättre vägledning - det är en extra bonus att hoppas på.
Hämtad från https://www.lu.se/artikel/morgondagens-digitala-kartor-hjalper-oss-att-hitta-battre.