Historiallisten Peruskarttojen syväoppiva karttaprosessointi : Pellot ja suot Suomessa 1949–1978

Abstract

Historialliset kartat sisältävät paljon arvokasta tietoa menneiden aikojen maankäytöstä. Tämän takia skannattujen karttojen muuttamista paikkatiedoksi, eli karttaprosessointia on tutkittu jo pitkään. Suomalaisia peruskarttoja on tosin karttaprosessoitu vain yhdessä aiemmassa tutkimuksessa, joka oli hyvin pienialainen. Tämän tutkielman tavoitteena oli laajentaa tämä alue peltojen ja ojitettujen sekä ojittamattomien soiden osalta kattamaan kaikki ensimmäisen valtakunnan peruskartoituksen aikana tuotetut ja myöhemmin skannatut peruskartat, eli lähes koko Suomen alue. Lisäksi tavoitteena oli arvioida tuotetun aineiston käyttökelpoisuutta. Aluksi skannatut kartat georeferoitiin, ja georeferoinnin tarkkuus mitattiin. Tämän jälkeen digitoitiin käsin 359 km2 koulutusaineistoa. Seuraavaksi syväoppiva konvoluutioneuroverkko, joka pohjautui U- net-arkkitehtuuriin, opetettiin tunnistamaan pellot sekä ojitetut ja ojittamattomat suot kaikista ennen vuotta 1979 valmistuneista peruskarttalehdistä, ja koulutuksen laatu arvioitiin. Lopuksi koulutetulla mallilla prosessoitiin 3090 peruskarttalehteä, jotka jälkikäsiteltin ja kursittiin yhdeksi yhtenäiseksi aineistoksi. Mallin kokonaistarkkuus oli 96,6 % ja Cohenin kappa oli 0,93. Georeferoitujen karttakohteiden sijaintivirheet olivat pääasiassa noin kymmenen metrin luokkaa. Tuotetun osituksen laatu vastaa aiemmassa tutkimuksessa peruskartoille tehtyä karttaprosessointia, mutta on tehty yli 300 kertaa suuremmalle alueelle. Tuotettu aineisto tarjoaa mahdollisuuksia monenlaiseen peltojen ja soiden muutosten tutkimukseen 1950-luvulta eteenpäin.

Historical maps include plenty of valuable information about land usage in times past. Therefore transforming scanned maps to digital geospatial data, also called map processing, has been researched for a long time. Despite this, there has been only one previous study, that has map processed historical Finnish Basic maps, and its study area was relatively limited. The objective of this Master's thesis was to expand the map processed area to cover almost the entire Finland, matching the extent of the first Basic mapping of Finland. Additional goal was to assess the usability of the produced dataset. The land use classes that were the focus of the study were fields, drained mires and undrained mires. At first, the scanned maps were georeferenced, and the accuracy of the georeferencing was measured. Following that, 359 km2 of the maps were digitized manually to create a training dataset. Next, a deep learning convolutional neural network based on the U-net architecture was trained to extract the fields, drained mires and undrained mires from the scanned maps, and the performance was evaluated. Finally the trained model was used to process 3090 Basic map sheets, and the results were postprocessed and combined to one dataset. The total accuracy of the model was 96,6 %, and the Cohen's kappa was 0,93. Location accuracy of the georeferenced map objects was usually around 10 m. The produced segmentation's quality matches or exceeds the previous study on map processing Finnish Basic maps, but covers an area that is 300 times larger. The produced dataset provides opportunities for many types of land use change research that concerns fields and mires from 1950's onward.