Hur kan Maskininlärning och Djupinlärning förändra kartografi och geografisk datahantering?

I takt med att nya teknologier utvecklas för att hantera stora mängder data, har artificiell intelligens (AI) blivit en central aktör inom många fält, inklusive medicin, finans och geovetenskap. AI-system, som bygger på data-driven lösningar, ersätter traditionella regler baserade på mänsklig kognition. Genom att tillämpa maskininlärning (ML) och djupinlärning (DL) på geografiska data kan vi automatisera processer som tidigare krävde manuell bearbetning och upptäcka mönster som är osynliga för det mänskliga ögat.

AI och maskininlärning i synnerhet, har visat sig vara särskilt användbara för att analysera realtidsdata och identifiera mönster i stora datamängder. För geografiska data innebär det att traditionella metoder som kartografisk generalisering kan ersättas av AI-modeller som lär sig att känna igen specifika mönster, som hur byggnader grupperas i block, baserat på exempel från kartor i olika skala. Detta sparar tid och resurser och ger ofta mer precisa resultat än traditionella metoder.

Djupinlärning (DL) är en mer avancerad gren av maskininlärning som använder artificiella neurala nätverk med flera lager för att upptäcka komplexa mönster och samband i data. Den största skillnaden mellan ML och DL är att medan ML ofta kräver strukturerad och mänskligt bearbetad data, använder DL ofta ostrukturad data och behöver mycket större datamängder för att ge tillförlitliga resultat. För att träningsdata ska kunna användas effektivt krävs stora beräkningsresurser och mer sofistikerade algoritmer.

En annan aspekt av ML och DL är att de inte bara används för att analysera och förutsäga utan också för att skapa nya data. Generativ AI, en delmängd av AI, kan till exempel skapa nya texter, bilder eller kartor baserat på tidigare inlärda mönster. Detta kan vara användbart för att skapa simuleringar av geografiska förändringar eller för att generera nya kartbilder från existerande data. Här är dock den största utmaningen hur väl dessa algoritmer kan efterlikna den komplexa och ofta subjektiva karaktären av mänsklig kartografi.

För att skapa tillförlitliga resultat med ML och DL behöver stora mängder data bearbetas och kodas på ett sätt som gör den läsbar och användbar för algoritmerna. I kartografiska sammanhang innebär detta att data ofta behöver konverteras till rasterformat, vilket innebär att informationen delas upp i små pixlar. Detta kan leda till förlust av detaljer, särskilt när det gäller geografisk upplösning. Alternativa metoder som grafrepresentationer eller rasterlager kan användas för att bevara mer information, men det finns fortfarande ingen enhetlig metod för hur geografiska data bäst ska kodas för användning i ML och DL.

En annan viktig aspekt av AI och geografiska data är vikten av att förstå de inneboende begränsningarna och osäkerheterna i de resultat som genereras. Även om maskininlärning och djupinlärning erbjuder stora möjligheter att automatisera och förbättra analysen av geografiska data, finns det fortfarande utmaningar när det gäller tolkning av resultaten. AI-modeller kan vara svåra att förklara och förstå, vilket kan göra det svårt att avgöra varför ett visst resultat har uppnåtts, särskilt när komplexa mönster lärs utifrån enorma datamängder.

AI och maskininlärning kan förbättra kartografiska metoder avsevärt, men det är också viktigt att beakta den kritiska betydelsen av att ha korrekt och representativ data. Det är också avgörande att förstå att AI inte är en lösning för alla problem – mänsklig expertis och insikt är fortfarande avgörande för att tolka och använda AI-genererade resultat på ett ansvarsfullt sätt.

Hur kartografi och kartografisk kommunikation definieras och utvecklas

Kartografi är ett område som behandlar skapandet, produktionen, spridningen och studien av kartor. Denna definition har genomgått flera förändringar under årens lopp, särskilt genom den teknologiska utvecklingen och digitaliseringens framväxt. Vid sidan av det traditionella arbetet med att skapa kartor har kartografi idag också en viktig roll när det gäller att samla, bearbeta och tolka geospatial data. Genom dessa processer kan kartor och kartrelaterade representationer bli effektiva verktyg för att kommunicera geografisk information.

Det är avgörande att förstå skillnaden mellan data och information när man arbetar med kartografi. Data, även kallad rådata, skapas genom insamling, observation eller mätning av värden, medan information uppstår när dessa data bearbetas och sätts in i ett sammanhang. Till exempel kan de uppmätta koordinaterna för flera punkter användas för att härleda avstånd och restid, vilket är en form av information. Denna information kan sedan presenteras på en karta för att förmedla praktisk användbar kunskap till användaren.

Kartografi omfattar även aktiviteter före och efter själva kartproduktionen, såsom insamling och modellering av geodata, geospatiala analyser och datatransformationer. Detta innebär att kartografi inte bara är en konst att skapa visuella representationer av världen, utan också en vetenskap som omfattar en mängd andra processer, inklusive datainsamling, analys och spridning. För att skapa en karta krävs en omfattande förberedelse, där samarbete mellan olika discipliner som geoinformatik, geodesi, webbdesign och datavetenskap ofta är nödvändigt.

Kartan kan betraktas som ett gränssnitt mellan människa och miljö, där genom modellering och grafisk kodning, geospatial data och information effektivt kommuniceras. Kartan fungerar därmed som ett viktigt verktyg för att visa och förstå geografiska relationer och förhållanden. Det är dock viktigt att notera att kartan, även om den är en central produkt inom kartografin, inte nödvändigtvis är en statisk representation av den verkliga världen. Istället kan kartor vara dynamiska och interaktiva, med många olika former, från traditionella papperskartor till digitala kartor på skärmar eller integrerade kartor i virtuella och förstärkta verkligheter.

Inom kartografins domän är det också viktigt att förstå begreppet kartografisk kommunikation, vilket handlar om utbytet av geospatial data och information mellan individer eller system. Ett användbart teoretiskt ramverk för att förstå denna kommunikation är Shannon-Weaver-modellen, som ursprungligen utvecklades för telekommunikation på 1940-talet. I kartografins sammanhang innebär detta att kartskapare fungerar som "sändare" som kodar information i en grafisk form (t.ex. en karta) och användare fungerar som "mottagare" som dekodar denna information för att förstå de geospatiala relationerna.

I kartografins praktik handlar det inte enbart om att skapa kartor, utan också om att säkerställa att dessa kartor är användbara och effektiva. Detta inkluderar användartester, där man säkerställer att kartan förmedlar information på ett begripligt sätt, och att den uppfyller de behov som användarna har. Användbarheten av kartan är därmed en central aspekt av hela kartografiprocessen, och det är avgörande att ta hänsyn till både den tekniska och visuella designen för att säkerställa att användaren kan navigera kartan och förstå dess budskap.

För att ytterligare förbättra kartografisk kommunikation bör man även tänka på de olika typerna av kartor och hur de kan anpassas för specifika ändamål. Topografiska kartor, till exempel, visar den fysiska miljön, medan tematiska kartor fokuserar på specifika data, som politiska valresultat eller miljöföroreningar. Detta innebär att varje karta måste utformas med hänsyn till syftet med kommunikationen och målgruppen som kommer att använda den.

Det är också viktigt att komma ihåg att kartor, för att vara effektiva, måste vara anpassade till användarens behov och kontexten i vilken de används. Detta innebär att man måste överväga både den tekniska sidan av kartproduktionen och de mänskliga faktorerna som påverkar hur kartan uppfattas och används. För att skapa en effektiv kartografisk kommunikation är det därför avgörande att tänka på hela processen – från insamling av data till den slutliga presentationen av informationen.

Hur kan användarbeteende analyseras och förstås i relation till kartanvändning?

Användbarheten av en karta kan bedömas genom att fråga om den uppfyller användarens mål på ett effektivt sätt. Detta innebär att inte bara de uppgifter som en användare ska lösa måste beaktas, utan även vilka arbetssteg och vilken grad av interaktivitet som behövs för att lösa dessa uppgifter. När man undersöker användarbeteende är det avgörande att analysera om olika användargrupper verkligen har distinkta egenskaper och hur dessa påverkar deras interaktion med kartor.

För att bättre förstå hur användaren interagerar med kartan och vilken typ av uppgifter denne ska lösa, behöver vi också titta på kartans användningsområden. Generellt kan uppgifter delas in i olika klasser beroende på hur kartan används. En karta för att visa väderinformation på nyheterna är till exempel ett enkelt presentationsverktyg där informationen (som temperaturer) redan är känd, och användaren är ofta en lekman. Här krävs ingen interaktivitet. Å andra sidan, mer komplexa kartor som används av experter kan kräva mer detaljerad interaktivitet och bearbetning av data för att identifiera mönster eller samband.

MacEachren och Kraak (1997) presenterade en grov modell för att klassificera kartuppgifter, den så kallade Map Use-Cube. Enligt denna modell kan uppgifter delas upp i kategorier som presentationsuppgifter, där användaren bara behöver läsa av kända värden, och utforskningsuppgifter, där användaren interagerar med kartan för att upptäcka och analysera data. Men i praktiken kan denna grova modell vara för enkel för många designprocesser. Ett mer detaljerat alternativ till denna modell är Triad Model of Spatial-Temporal Analysis av Peuquet (1994), som delar upp uppgifter i tre huvudkomponenter: plats (Var?), tema (Vad?) och tid (När?). Detta gör det möjligt att strukturera uppgifter baserat på vilket input och output som krävs för att lösa dem.

Kartuppgifter kan delas in i olika typer, där enklare uppgifter (t.ex. att hitta ett värde eller jämföra två värden) kräver lägre interaktivitet, medan mer komplexa synoptiska uppgifter (t.ex. att identifiera mönster i stora datasets) innebär att användaren måste arbeta mer iterativt och interaktivt. Andrienko och Andrienkos (2006) klassificering av kartuppgifter ger en ytterligare detaljrik beskrivning, där uppgifter som att identifiera mönster, jämföra dessa mönster eller söka relationer mellan olika datakomponenter kräver specifika operationer och arbetssteg som måste följas för att uppnå ett användbart resultat.

I praktiken innebär detta att designen av kartor måste vara mycket noggrant genomtänkt för att säkerställa att den stödjer de uppgifter som användaren behöver lösa på ett effektivt och användarvänligt sätt. Användargrupperna och deras mål måste beaktas, likaså deras förmåga att hantera interaktiva funktioner i kartan. Att förstå skillnader mellan användargrupper är avgörande för att kunna skapa kartor som inte bara är funktionella utan också intuitiva att använda. Att exempelvis låta en expert hantera komplexa spatial-temporala analyser kan kräva en annan typ av gränssnitt än om en lekman bara ska läsa av en väderkarta.

Det är också viktigt att förstå hur användare tolkar och använder kartor i olika sammanhang, eftersom denna förståelse kan påverka hur vi designar kartor och interaktioner med dem. Genom att ta hänsyn till dessa olika behov och nivåer av interaktivitet kan vi skapa kartor som inte bara visar information, utan också stödjer användarna i att effektivt bearbeta och dra slutsatser från denna information.

Hur kan terrängens lutning och orientering påverka reflektion och kartografisk avbildning?

Reflektionen av en terrängcell bestäms av dess egen lutning och orientering i förhållande till ljuskällans motsvarande parametrar. Denna process bygger på antagandet om en ideal lambertisk reflektion, där ljuset sprids lika i alla riktningar. Reflektionsintensiteten för en cell beräknas utifrån fyra vinklar: ljuskällans lutning (αL) och azimut (βL), samt terrängcellens lutning (αG) och azimut (βG). Formeln som används är:

L = cos(βG − βL) * cosαG * cosαL + sinαG * sinαL

Denna relation visar att största reflektion uppnås när azimutskillnaden är noll (dvs. βG − βL = 0°). För konstanta azimuter ökar reflektionen med ökande vertikala vinklar. Det beräknade reflektionsvärdet, som har ett teoretiskt intervall mellan 0 och 1, skalas sedan till bildens tillgängliga radiometriska upplösning, vanligtvis mellan 0 och 255 gråskalnivåer. Detta värde ligger till grund för digital skuggning av terrängen.

Terränglinjer är linjära element som kompletterar area-baserade metoder som höjdkurvor eller hypsometriska lager. Dessa inkluderar fallinjer, skelettlinjer, form-linjer och brytlinjer. Fallinjer visar den brantaste lutningsriktningen och är vinkelräta mot höjdkurvorna. De illustrerar terrängens naturliga avvattningsmönster och används som konstruktionshjälp vid manuell kartritning.

Brytlinjer markerar platser där terrängens lutning förändras abrupt. Dessa kan sammanfalla med rygglinjer men är särskilt viktiga där dramatiska höjdskillnader förekommer, exempelvis vid släntkanter eller jordvallar. I äldre kartografi användes ofta snedstreck, s.k. schraffyr, för att illustrera dessa förändringar. Dessa streck följer fallinjen och blir längre och tätare med ökande lutning. Lehmanns skala exemplifierar detta genom att ange relationen mellan svarta och vita ytor för olika lutningar: exempelvis 1:8 vid 5°, 4:5 vid 20° och 6:3 vid 30°. På så sätt förmörkas bilden med ökande branthet, något som i vissa sammanhang ses som estetiskt störande.

Denna typ av grafisk kodning är inte bara en estetisk komponent utan fungerar även som kognitiv förstärkning i kartläsning. Den påverkar hur människan uppfattar höjd och form, där till exempel högre områden kan tolkas som lägre beroende på skuggans riktning, vilket påvisar vikten av konsekvent orientering.

Att förstå dessa principer är avgörande för korrekt tolkning av topografiska bilder och kan ge vägledning i val av kartografiska tekniker, särskilt när det gäller att välja mellan automatiserade och manuella metoder beroende på syfte, precision och estetisk kravbild.

För att uppnå en mer effektiv topografisk visualisering är det nödvändigt att inte enbart fokusera på datadrivna beräkningar, utan även att ta hänsyn till perceptuella faktorer och användarens mentala modell av landskapet. Den mänskliga hjärnan tenderar att tolka ljus och skuggor enligt invanda mönster (t.ex. ljus från nordväst), vilket påverkar hur höjd och lutning tolkas i kartbilden.