Data for Improving Stream Network Accuracy with Deep Learning-Enhanced Detection of Road Culverts in High-Resolution Digital Elevation Models

Simple item page
dc.contributor.authorWilliam Lidberg
dc.date.accessioned2025-03-03T08:09:11Z
dc.date.available2025-03-03T08:09:11Z
dc.date.issued2025-02-25T07:27:20.712248Z
dc.descriptionThis is the training and testing data used to train a Residual Attention UNet for segmentation and detection of road culverts. The data consists of pairs of images with the size 256x256 pixels where one image is a labeled mask and the other a image with four channels containing the remote sensing data. The remote sensing data is a combination of topographical data extracted from arial laser scanning and ortophotos from arial imagery. An extensive culvert survey was conducted in 25 watersheds in central Sweden by the Swedish Forest Agency during the snow-free periods of 2014–2017. A total of 24,083 culverts were mapped with a handheld GPS with a horizontal accuracy of 0.3 m. Densely populated urban areas with underground drainage systems were excluded from the survey (0.3% of the combined area). The coordinates of both ends of each culvert were measured, and metrics such as diameter, length, material, working condition, and sediment accumulation were collected for most of the culverts. Additional metrics, such as the elevation difference between the outlet and stream water level, were manually measured with a ruler. The inventoried watersheds were split up into training and testing data, where 20 watersheds (23,304 culverts) were used for training, and five watersheds (5,208 culverts) were used for testing. A compact laser-based system (Leica ALS80-HP-8236) was used to collect the ALS data from an aircraft flying at 2888–3000 m. The ALS point clouds had a point density of 1–2 points m-2 and were divided into tiles with a size of 2.5 x 2.5 km each. A DEM with 0.5 m resolution was created from the ALS point clouds using a TIN gridding approach implemented in Whitebox tools 2.2.0. The topographical index max downslope elevation change was calculated from the DEM using Whitebox Tools . Max downslope elevation change represents the maximum elevation drop between each grid cell and its neighbouring cells within a DEM. This typically resulted in values between 0 and 10. Orthophotos from aerial imagery captured at the same time as the lidar data is also included. The orthophotos had three bands (red, green and blue) in 8-bit color depth and had a resolution of 0.5 m. The LiDAR data and orthophotos were downloaded from the Swedish mapping, cadastral and land registration authority. The topographical data and the ortophotos were merged into 8-bit four band images where the first three band is red, green and blue, and the last band is max downslope elevation change. The merged images where then split into smaller tiles with the size 256x256 pixels. The trained model was used to predict culverts in Sweden and the file PredictedCulvertsByIsobasins.zip contains the predicted culverts stored as shapefiles split by the watersheds in the file "isobasins.zip".en_EN
dc.descriptionDetta är tränings- och testdata som används för att träna ett Residual Attention UNet för segmentering och detektion av vägtrummor. Data består av bildpar med storleken 256x256 pixlar där ena bilden är en binär mask och den andra en bild med fyra kanaler som innehåller fjärranalysdata. Fjärranalysdatan är en kombination av topografiska data extraherade från flygburen laserskanning och ortofoton från flygburen bildinsamling. En omfattande undersökning av kulvertar genomfördes i 25 avrinningsområden i Gävleborgs län av Skogsstyrelsen under snöfria perioder 2014–2017. Totalt kartlades 24 083 vägtrummor med en handhållen GPS med en horisontell noggrannhet på 0,3 m. Tättbefolkade stadsområden med underjordiska avloppssystem exkluderades från undersökningen (0,3% av den sammanslagna ytan). Koordinaterna för båda ändar av varje trumma mättes in, och mått som diameter, längd, material, skick och sedimentansamling samlades in för de flesta kulvertarna. Ytterligare mått, som höjdskillnaden mellan utloppet och vattenståndet i strömmen, mättes manuellt i fält. De inventerade avrinningsområdena delades upp i tränings- och testdata, där 20 avrinningsområden (23 304 trummor) användes för träning, och fem avrinningsområden (5 208 trummor) användes för utvärdering. Ett kompakt lasersystem (Leica ALS80-HP-8236) användes för att samla in data från ett flygplan som flög på 2888–3000 m höjd. Punktmolnen hade en punkttäthet på 1–2 punkter m^-2 och delades in i rutor med en storlek på 2,5 x 2,5 km vardera. En DEM med 0,5 m upplösning skapades från ALS-punktmolnen med en TIN-rutnätsmetod implementerad i Whitebox tools 2.2.0. Topografisk index för maximal höjdskillnad med omgivande pixlar beräknades från höjdmodellen med hjälp av Whitebox Tools. Ortofoton från flygplan som togs vid samma tidpunkt som LiDAR-data ingår också. Ortofotona hade tre band (rött, grönt och blått) i 8-bitars färgdjup och hade en upplösning av 0,5 m. Topografiska data och ortofoton laddades ner från Lantmäteriet. Topografiska data och ortofoton slogs samman till 8-bitars fyra band-bilder där de första tre banden är rött, grönt och blått, och det sista bandet är det topografiska datat. De sammanslagna bilderna delades sedan upp i mindre bitar med storleken 256x256 pixlar. Den tränade modellen användes för att prediktera vägtrummor på nationell skala och resultatet är i mappen PredictedCulvertsByIsobasins.zip där de predikterade trummorna sparats som shapefiler uppdelade efter avrinningsområden som finns i filen "isobasins.zip".sv_SE
dc.description.sponsorshipKempe Foundationen_EN
dc.description.sponsorshipKempestiftelsernasv_SE
dc.description.sponsorshipMarcus and Amalia Wallenberg Foundationen_EN
dc.description.sponsorshipMarcus och Amalia Wallenbergs Stiftelsesv_SE
dc.identifier.govdocSLU.seksko.2025.4.2.IÄ-2
dc.identifier.urihttps://doi.org/10.5878/rjpg-ec44
dc.identifier.urihttps://doi.org/10.5878/y8h2-a835
dc.identifier.urihttps://hdl.handle.net/20.500.12703/5541
dc.languageotheren_EN
dc.publisherSwedish National Data Serviceen_EN
dc.publisherSvensk Nationell Datatjänstsv_SE
dc.subjectEarth and Related Environmental Sciencesen_EN
dc.subjectGeovetenskap och miljövetenskapsv_SE
dc.subjectEnvironmental Sciencesen_EN
dc.subjectMiljövetenskapsv_SE
dc.subjectComputer and Information Scienceen_EN
dc.subjectData- och informationsvetenskap (Datateknik)sv_SE
dc.subjectInfrastructure Engineeringen_EN
dc.subjectInfrastrukturtekniksv_SE
dc.subjectTransport Systems and Logisticsen_EN
dc.subjectTransportteknik och logistiksv_SE
dc.subjectWater Engineeringen_EN
dc.subjectVattentekniksv_SE
dc.subjectRemote Sensingen_EN
dc.subjectFjärranalystekniksv_SE
dc.subjectPlanning / Cadastreen_EN
dc.subjectFastigheter och fysisk planeringsv_SE
dc.subjectGeoscientific Informationen_EN
dc.subjectGeovetenskapsv_SE
dc.subjectEnvironmenten_EN
dc.subjectMiljösv_SE
dc.subjectTransportationen_EN
dc.subjectTransportersv_SE
dc.subjectNatural Sciencesen_EN
dc.subjectNaturvetenskapsv_SE
dc.subjectCivil Engineeringen_EN
dc.subjectSamhällsbyggnadstekniksv_SE
dc.subjectEnvironmental Engineeringen_EN
dc.subjectNaturresurstekniksv_SE
dc.subjectEngineering and Technologyen_EN
dc.subjectTekniksv_SE
dc.subjectcomputer scienceen_EN
dc.subjectsensorsen_EN
dc.subjectScience Keywordsen_EN
dc.subjectScience Keywordssv_SE
dc.subjectTerrestrial Hydrosphereen_EN
dc.subjectTerrestrial Hydrospheresv_SE
dc.subjectsciencesen_EN
dc.subjectmeasuring instrumentsen_EN
dc.subjectsubjectsen_EN
dc.subjectequipmenten_EN
dc.subjectobjectsen_EN
dc.titleData for Improving Stream Network Accuracy with Deep Learning-Enhanced Detection of Road Culverts in High-Resolution Digital Elevation Modelsen_EN
dc.titleData för Improving Stream Network Accuracy with Deep Learning-Enhanced Detection of Road Culverts in High-Resolution Digital Elevation Modelssv_SE
dc.typeDatasetsv_SE
Files
Original bundle
Now showing 1 - 10 of 15
Thumbnail Image
Name:
code.zip
Size:
1.5 GB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
culvertData.zip
Size:
2.24 MB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
isobasins.zip
Size:
8.99 MB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
PredictedCulvertByIsobasins.zip
Size:
1.31 GB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
testing.zip
Size:
949.7 MB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
training.zip
Size:
4.22 GB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
weights.zip
Size:
1.44 GB
Format:
Unknown data format
Description:
Download
Thumbnail Image
Name:
codesum.sha256.txt
Size:
75 B
Format:
Plain Text
Description:
Download
Thumbnail Image
Name:
culvertsum.sha256.txt
Size:
82 B
Format:
Plain Text
Description:
Download
Thumbnail Image
Name:
Documentation.pdf
Size:
68.81 KB
Format:
Adobe Portable Document Format
Description:
Download
Collections
Data for Improving Stream Network Accuracy with Deep Learning-Enhanced Detection of Road Culverts in High-Resolution Digital Elevation Models