Bidragsydere I•GIS, AU AGRO og AAU
I ReDoCO2-projektet er formålet at udarbejde en detaljeret kortlægning af tørvejorder, for derefter nøjagtigt at kunne estimere tørvens kulstofindhold og udledning af CO2 til atmosfæren. For at lave disse beregninger er det vigtigt at kunne kortlægge tørvens beskaffenhed, dens udbredelse, tykkelse og grundvandsniveau (grundvandsspejlet) så præcist som muligt. Til dette vil vi bringe flere forskellige kortlægningsmetoder i spil.
En udbredt metode til kortlægning af tørv er digital soil modelling (DSM). Denne metode bygger på Machine Learning, som muliggør automatiseret kortlægning af tørvetyper. Metodens styrke er evnen til at lære sammenhænge, som kan være svære for mennesker at se, mens den muliggør inddragelsen af enorme datamængder og er meget tidseffektiv. Udfordringen er behovet for et stort antal stikprøver af jorden (’sande’ datapunkter) til træning af algoritmerne, samt manglen på gennemsigtighed i forhold til, hvad algoritmerne præcist foretager sig. Disse Machine Learning-algoritmer udvikles og forbedres i arbejdspakke 4.
En anden tilgang til kortlægning af tørv er den mere manuelle og kognitive geologiske tolkning. Dette gøres i et 3D software, hvor en geolog kan samle alle tilgængelige data og kombinere dem med sin egen baggrundsviden om geologi og tilblivelsesforhold, for derefter at ’bygge’ en 3D model af undergrunden. Denne metodes styrker er muligheden for at visualisere og samle alle tilgængelige data, gennemsigtighed i processer og resultater, og ikke mindst muligheden for at kunne udnytte geologens baggrundsviden i kortlægningen. Ud over at være tidskrævende er en svaghed ved denne metode, at det vil være svært at inkludere og behandle al data konsistent i tolkningsarbejdet.
Disse kortlægningsmetoder er diametralt forskellige i deres natur, og har derfor meget forskellige styrker og svagheder. Denne arbejdspakke vil arbejde på at integrere de to tilgange i kortlægningen, og dermed lave løsninger som vil understøtte en samlet arbejdsgang, hvor begge metoder kommer i spil. Det vil sikre, at resultatet bliver en mere effektiv og præcis metode, end dem man kender i dag.
Denne arbejdspakke vil også være ansvarlige for at opbygge den IT-infrastruktur, som skal til for at Machine Learning-modellerne, data og den geologiske modellerings-software GeoScene3D, kan interagere.
Ansvarlig for arbejdspakken er Thomas Bager Rassmusen ved I•GIS.