VI HAR EN LØSNING

ALBEDO EFFEKTEN SOM KLIMATILTAG

Teknisk forståelse

Tal på sorte flader

Kan vi sætte tal på sorte flader, så har vi et værktøj som de store tandhjul i samfundet kan bruge. For så kan politikere eller erhvervslivet sætte et mål på eksempelvis x antal procens reduktion i arealet af sorte flader.

Men hvordan kan dette gøres. Her får du dels, hvad Chat GPT giver af svar. Dels for du sidst på siden det svar, som en ung studerende fik ved at bruge tid på internettet til at finde værktøjer til at måle Albedo effekten.

Spørgsmål stillet til ChatGPT 

Jeg vil gerne lave et system, der kan analysere Google Maps satellitbilleder for at vurdere hvor mange huse i Danmark, der har sorte tage i forhold til at farver. Kan du komme med et forslag til, hvordan dette kan automatiseres?

ChatGPT
ChatGPT

At udvikle et system til automatisk analyse af Google Maps satellitbilleder for at vurdere antallet af huse i Danmark med sorte tage sammenlignet med andre farver indebærer flere trin og teknologier. Her er en overordnet plan for, hvordan dette kan gennemføres:

1. Dataindsamling:

  • Adgang til Satellitbilleder: Først og fremmest skal du have adgang til satellitbilleder af høj kvalitet. Google Maps API kan bruges til at hente disse billeder, men det er vigtigt at overholde Googles brugsvilkår.
  • Geografisk Afgrænsning: Definer de specifikke områder i Danmark, du vil analysere.

2. Billedbehandling og -analyse:

  • Forbehandling af Billeder: Dette kan inkludere justering af lysstyrke, kontrast og muligvis omformatering af billederne for at standardisere input til din analysemodel.
  • Segmentering: Anvendelse af billedsegmenteringsteknikker for at identificere individuelle huse på billederne. Dette kan involvere deep learning-modeller som f.eks. U-Net eller Mask R-CNN.

3. Farvegenkendelse:

  • Træning af en Model til Farvegenkendelse: Du skal træne en model, der kan skelne mellem sorte tage og tage med andre farver. Dette kan gøres ved at anvende klassificeringsalgoritmer inden for maskinlæring eller dyb læring.
  • Datasæt til Træning: For at træne denne model skal du have et datasæt med mærkede billeder, hvor tagfarven allerede er identificeret.

4. Dataanalyse og Rapportering:

  • Analyse af Resultater: Efter at have behandlet billederne, vil du have data, som kan analyseres for at bestemme fordelingen af tagfarver.
  • Visualisering: Brug værktøjer som GIS (Geografiske Informationssystemer) til at visualisere dataene på en måde, der let kan forstås og analyseres.

5. Yderligere Overvejelser:

  • Skalering og Performance: Afhængigt af datamængden skal du måske anvende cloud computing-løsninger eller distribueret databehandling.
  • Juridiske og Etiske Overvejelser: Overholdelse af privatlivets fred og datahåndteringslovgivningen, især når det kommer til brugen af satellitbilleder.
  • Opdatering af Data: Planlæg hvordan og hvor ofte datasættet skal opdateres for at vedligeholde systemets nøjagtighed.

6. Teknologier og Værktøjer:

  • Programmeringssprog: Python er ofte foretrukket for denne type opgave på grund af dets robuste biblioteker til billedbehandling og maskinlæring (som OpenCV, TensorFlow, PyTorch).
  • Cloud Services: AWS, Google Cloud eller Azure for datalagring og beregning.
  • GIS Software: Til visualisering og yderligere analyse af geografiske data.

Denne plan er ret højniveau og vil kræve betydelig teknisk ekspertise inden for områderne maskinlæring, billedbehandling og datavidenskab.

Albedo effekten

Kan klimabelastningen fra sorte tagflader beregnes udfra luftfoto?

Her er en bud på, hvad internettet giver af muligheder

Liste med albedo-værdier for typiske materialer

https://nomoreplanet.com/albedo-effect/

Metode 1 – NASA

Jeg har prøvet at finde frem til NASA’s albedo-målinger, men indrømmet, jeg synes virkelig at hjemmesiden er indviklet, når man først har fundet frem til sit område, og ønsker at trække dataene ud. Her får du lige nogle af de steder, hvor jeg er gået i stå, men som er godt på vej (tror jeg).

https://modis.gsfc.nasa.gov/data/dataprod/mod43.php

Metode 2 – Regne ved hjælp af ImageJ.JS og albedo-værdier

I sammenhæng med listen over albedo-værdier for typiske materialer har jeg også fundet følgende program (https://ij.imjoy.io/#), der forholdsvist nemt kan måle arealer i et billede.

På ovenstående billede har jeg taget et billede af vores grund fra google-maps og kopieret det ind i programmet. Jeg gjorde følgende: 

  1. Sæt et billede ind vha. ctrl-v
  2. Tryk på Analyze → set measurements → area og perimeter → OK
  3. Tryk på , og mål en tilfældig, letgenkendelig længde i billedet, hvor du kender (eller kan finde) den rigtige afstand i virkeligheden. F.eks. målte jeg længden af vores grund, hvorefter jeg fandt afstanden i maps. Læg mærke til, hvor mange pixels længden er.
  4. Tryk på analyze → set scale Indtast din længde i pixels, og derefter den virkelige længde.

 

5. Markér et bestemt areal (f.eks. hustaget) ved at trykke på figurerne oppe i menulinjen. 

6. Tryk på analyze → measure.

Nu burde du kunne se arealet af fladen i Results-boksen.

Ved derefter at gange fladens størrelse med albedo-værdien (f.eks. fra boksen – og hvis det skal være mere præcist, kan man jo også måle på den konkrete flade – det er der massere af eksempler på online, f.eks. den virkelig fine side: http://albedodreams.info/how_to/how-to-calculate-albedo-yourself/, der også benytter ImageJ.JS) kan man få et overblik over cirka-albedoværdien.

Fordele: 

  1. Metoden tager højde for de farveforvridninger, som kan opstå på et billede. 
  2. Det kræver som udgangspunkt ikke, at husejerne selv bliver involveret. 
  3. Det er gratis og ukompliceret. 

 
Ulemper: 

  1. Det er temmelig besværligt at måle alle de forskellige flader i et billede. 
  2. Billederne vil ofte vil være taget i en lidt skrå vinkel. 
  3. Tabellen over typiske albedoværdier er meget generel. 
  4. Det vil være meget omstændigt, hvis man skulle måle den konkrete albedoværdi for en bestemt overflade på folks matrikler. 

Metode 3 – billedredigering

Jeg har hørt, at man på de fleste kameraer kan indstille det sådan, at kameraet måler, hvor meget de forskellige farver i billedet udgør. Jeg har ikke selv noget kamera, så det har jeg ikke rodet med 😉
Ulempen er selvfølgelig, at et sådant billede ville skulle tages lige ovenfra, plus det faktum, at albedo-effekten jo også afhænger meget af lys/skygge og årstiden. Det kan man dog tage højde for ved at kalibrere med en hvid flade, men det gør ikke ligefrem processen simplere.

Metode 4 – Landsat + formel

Jeg fandt denne her side på nettet, og syntes umiddelbart, at det så virkelig spændende ud. Og så skader det ikke, at det er fra Yale. Med den metode kan man direkte udregne albedoeffekten ud fra et billede – men præcis hvordan, må du finde ud af 🙂
Måske ville den også kunne kombineres med metode 3.?

https://yceo.yale.edu/how-convert-landsat-dns-albedo

Metode 5 – Solargis

Hjemmesiden Solargis lover også, at de har albedo-værdier, men det kræver, at man køber abonnement, så det har jeg ikke prøvet. Men du får lige linket: 

https://apps.solargis.com/dashboard/?s=55.109039,8.71747 

Opsummering fra person som lavede undersøgelsen

Som du kan se, er det jo ikke ligefrem noget voldsomt prangende, jeg er nået frem til, og det er i hvert fald temmelig besværligt og upræcist alt sammen. Men jeg må nok indrømme, at selvom jeg synes vældig godt om projektet, er jeg ikke den store computer-/redigering-/teknik-/research-/dataekspert, så dette her er nok det bedste bud fra min side på området. 

Jeg håber, at det i det mindste kan inspirere.