Remote sensing – Satellitbaserede services

Jordobservationsdata fra satellitter bliver mere og mere relevante som informationskilde for beslutningstagere, fordi sensorteknologi forbedres, algoritmer/machine learning videreudvikles og ikke mindst fordi data er langt mere tilgængelige end tidligere. Herunder bl.a. Sentinel data fra det det europæiske Copernicus program.

NIRAS har opbygget stor ekspertise og erfaring i at levere løsninger fra både frie og højtopløselige kommercielle satellitter. Det kan være enkle løsninger med registrering i billeder, eller mere komplekse løsning som inkluderer billedanalyse, machine learning og inddragelse af mange andre datakilder.

Eksempler på anvendelsesområder:

• Topografisk kortlægning (f.eks. i udviklingslande og Arktis)
• Monitering af skov
• Kortlægning af oversvømmelser
• Udpegning af bygningsændringer
• Klassifikation af invasive plantearter
• Fremme af finansiel inklusion

Case: Satellitdata understøtter finansiel inklusion i udviklingslandene

I NIRAS lægger vi stor vægt på verdensmålene for bæredygtig udvikling, og anvendelsen af satellitdata kan i mange henseender bidrage til at monitere og fremme udviklingen.

Det mest oplagte område er klimaet. Men at fremme finansiel inklusion er også en vigtig del af at nå flere af verdensmålene for bæredygtig udvikling.

Finansiel inklusion bliver beskrevet som målet at sikre lige rettigheder og adgang til finansielle ydelser. For at nå målene er det nødvendigt at sikre, at ydelserne når landdistrikter og fattige områder.

Tidligere research har vist, at det ikke kun er den fysiske afstand til ydelser, der indikerer, om servicerne bliver anvendt, men også en social afstand.

NIRAS har i et samarbejde med Oxford Policy Management og Mastercard Fonden gennemført et projekt og udviklet et beslutningsstøttende værktøj målrettet udviklingslande, hvor der er meget lidt grunddata tilgængeligt. 

Ved at analysere på radar og spektrale satellitbilleder og kombinere med åbne data om f.eks. veje, bygninger og sundhedsklinikker, er det muligt at lave estimater om indkomst, bebyggelsestyper, befolkningstæthed og lign. som alle er essentielle data i beslutningsprocessen om finansiel inklusion i udviklingslande.

Konkret vil det være et værktøj for lokale banker til f.eks. få udpeget områder, som er mest beboede og mindst servicerede og f.eks. med et ønske om, at der skal vær maks. ½ times gang til en filial eller pengeagent.