Uppdatering av blockdatabasen med stöd av satellitdata

Transkript

1 Uppdatering av blockdatabasen med stöd av satellitdata Klassning av satellitdata kan användas som ett verktyg för att uppdatera blockdatabasen... i blockinventeringen för resursstyrning, i blockinventeringen för kvalitetskontroll, i den kontinuerliga uppdateringen för att hitta förändringar. Rapport 2009:3

2

3 Förord I denna studie har vi utvärderat om klassning av satellitdata kan användas som ett stöd vid uppdatering av blockdatabasen. Arbetet har möjliggjorts via finansiering från användardelen i Rymdstyrelsens fjärranalysprogram. Projektet beviljades av Rymdstyrelsen i januari 2008 och har genomförts under Jordbruksverket har uppdragit åt Metria att utveckla metoden och att utföra klassningsarbetet. Metrias arbete har finansierats via Rymdstyrelsen. Arbetet har bedrivits i projektform med en projektgrupp bestående av Anders Forsberg (projektledare) och Ali Nad från Jordbruksverket samt Lars-Erik Gustafsson, Camilla Jönsson och Tobias Edman från Metria. Styrgrupp för projektet har varit Patrik Alenfelt (styrgruppsordförande), Anders Elfström och Örjan Zetterqvist, samtliga från Jordbruksverket. En referensgrupp för projektet har också funnits där medlemmarna har varit Anders Lind Länsstyrelsen i Västra Götaland, Mats Gustavsson Länsstyrelsen i Skåne, Ove Sundström Lantmäteriet, samt Per Eklund, Arne Andersson och Torben Söderberg från Jordbruksverket. Rapporten har författats gemensamt av Anders Forsberg och Lars-Erik Gustafsson. Vi tackar alla som medverkat i detta projekt samt Rymdstyrelsen som möjliggjort arbetet. Anders Forsberg och Lars-Erik Gustafsson IT-förvaltningsenheten

4

5 Sammanfattning Jordbruksverket äger en geografisk databas över Sveriges jordbruksmark kallad blockdatabasen. Dess primära syfte är att säkerställa korrekta finansiella stöd till jordbruket. Att blockdatabasen håller hög kvalitet har stor betydelse för att möjliggöra en effektiv och korrekt hantering av stöden. Sedan blockdatabasen skapades har kraven EU-kommissionen ställer på blockens riktighet ökat, och det finns block i databasen som inte uppfyller dessa höjda krav. Jordbruksverket har därför beslutat genomföra en blockinventering under där samtliga ansökta block kommer att inventeras, och vid behov redigeras. Efter inventeringen kommer det behövas olika verktyg för att identifiera block som förändrats och behöver uppdateras. En metod har utvecklats där s.k. styrd klassning nyttjats för att klassa trädskiktet. Satellitdata från två tidpunkter och statistik från alla åtta våglängdsbanden, fyra från varje tidpunkt, har använts i klassningen. Enbart signaturer för trädbevuxna områden har skapats. I klassningsprocessen har en s.k. distansbild skapats som innehåller mått på hur sannolik den klassade bildpunkten är att tillhöra den signatur den etiketterats till. Via en iterativ process där distansbilden trösklats har ett klassningsresultat med trädbevuxna områden skapats. Dessutom har vatten klassats utifrån digitalnivåerna i det mellaninfraröda bandet. Utvärdering av metoden visar att klassningen av trädbevuxna områden kan göras med tillräckligt hög säkerhet för att vara möjlig att använda som ett verktyg för att identifiera block med trädbevuxna områden. För 61 av 70 slumpvis utvalda block i Kinnekulleområdet bedömdes klassningen som godkänd (87 %). Då klassningen inte godkändes, var det huvudsakliga felet överklassning. Detta är mindre allvarligt vid identifiering av block, eftersom felen kan korrigeras i den manuella granskningen. Klassningen visar att det inom Kinnekulleområdet finns tämligen få blocklagda områden som är täckta av vatten. En del av dessa områden är redan kända medan några kan behöva justeras vid blockuppdateringen. Dessutom finns låglänta stränder i Vänern som är klassificerade som vatten. Följande tillämpningar bedöms vara de mest intressanta: - I blockinventeringen för att styra resurser genom att identifiera block utan trädbevuxna områden då dessa block troligen inte behöver besökas i fält utan kan skärminventeras. - Som en kvalitetskontroll av inventerade åkermarksblock då i princip inga trädbevuxna områden bör återfinnas på åkermark. - Efter inventeringen i den kontinuerliga revideringen för att identifiera trädbevuxna områden som tillkommit och försvunnit och på så sätt identifiera block som kan behöva uppdateras. Målet med projektet var att utveckla en metod där satellitdata kan nyttjas för att identifiera block som med hög sannolikhet består av trädbevuxna ytor eller anlagda våtmarker. Detta mål anses uppfyllt. Utvecklad metod är träffsäker på att identifiera trädbevuxna ytor. Metoden bör därför vara ett verktyg som Jordbruksverket kan nyttja för att säkerställa en blockdatabas av hög kvalitet.

6

7 Innehåll 1 Inledning Bakgrund Projektidé och genomförande Syfte och mål Arbetsgång Studieområden och indata Studieområden Satellitdata och flygfoton Övriga data Metodik Inledning Klassning Klassning av skog Klassning av vatten Efterbearbetning Resultat och utvärdering Utvärdering av metodutvecklingsarbete Klassning Kinnekulle Klassning av vatten Klassning av barrplanteringar Klassning av övriga trädbevuxna ytor Utvärdering av klassningsresultat Kinnekulle Utvärdering klassning av vatten Utvärdering klassning av trädbevuxna ytor Diskussion och slutsats Diskussion av resultat Utnyttjande av resultat Resultatspridning Slutsats Bilaga 1, fältdag i Söderköping Bilaga 2, klassning av vatten Bilaga 3, klassning av trädbevuxna ytor... 35

8

9 1 Inledning 1.1 Bakgrund Jordbruksverket äger och förvaltar en geografisk databas över Sveriges jordbruksmark kallad blockdatabasen. Ett jordbruksblock är ett sammanhängande markområde som har en relativt beständig indelning från år till år. Totalt innehåller blockdatabasen cirka 1,2 miljoner block med en sammanlagd areal om cirka 3,5 miljoner ha. Blockdatabasen används på ett antal olika sätt: Vid administrationen av EU:s jordbruksstöd Analyser av jordbrukspolitikens miljöeffekter Forskningsändamål Ca bönder söker jordbruksstöd varje år. Ansökningarna skickas in till länsstyrelserna som sköter handläggningen. För att kontrollera arealuppgifterna i ansökningarna används blockdatabasen. Administrativ kontroll görs för att säkerställa att för stor areal inte angetts i ansökningarna eller att samma mark dubbelansöks. Varje sommar sker även fältkontroller av ansökningarnas riktighet. Dessa kontroller är mycket kostsamma för länsstyrelserna. Kontrollfrekvensen dvs. andelen ansökningar som ska kontrolleras - har de senaste åren ökat dramatiskt ligger de på mellan 5 % och 12,5 % beroende på län. Ökningen beror främst på att nya EU-regler införts för hur kontrollfrekvenserna ska beräknas. Att blockdatabasen håller hög kvalitet har stor betydelse för att möjliggöra en effektiv hantering av stöden och för att analyser som baseras på blockdatabasen ska vara tillförlitliga. Även för jordbrukaren är en det viktigt med en korrekt databas då det minskar risken för oro och felaktiga ansökningar. Blockdatabasen skapades 1998 och har sedan dess kontinuerligt uppdaterats av länsstyrelserna. Uppdateringarna har hittills endast skett på begäran av jordbrukare eller då felaktigheter upptäckts vid kontroller. Sedan blockdatabasen skapades har kraven EU-kommissionen ställer på blockens riktighet ökat. Från början var syftet med blocken att ge en lägesangivelse för jordbruksmarken och en indikation på blockets areal. Sedan 2005 gäller dock högre kvalitetskrav, blockens avgränsning och areal ska vara korrekta och blocken ska endast innehålla stödberättigande mark. Det finns block i databasen som inte uppfyller dessa höjda kvalitetskrav. De största problemen förekommer i avgränsningen av block och att hela block, eller delar av block, felaktigt ingår i blockdatabasen, trots att de inte är att betrakta som jordbruksmark. EU-kommissionen har efter revisionsbesök sommaren 2007 också påtalat brister i blockdatabasen. I det fall kommissionen bedömer kvalitetsbristerna som allvarliga kommer Sverige att drabbas av finansiella korrigeringsåtgärder. Det vill säga, EU kan komma att återkräva delar av det stödbelopp som betalats ut med uppgifter i databasen som grund. Vidare, om blockdatabasen skulle ha högre kvalitet är det troligt att andelen felaktiga ansökningar skulle minska. Detta leder till att behoven av kontroller minskar och ger därmed lägre kostnader för länsstyrelserna. 1

10 Jordbruksverket har därför beslutat genomföra en blockinventering under där samtliga ansökta block kommer att inventeras, och vid behov redigeras. 1.2 Projektidé och genomförande Kan fjärranalys och klassning av satellitdata nyttjas som ett verktyg för att identifiera områden där blockdatabasen behöver uppdateras? Detta var idéen bakom den projektansökan Jordbruksverket gjorde till Rymdstyrelsens fjärranalysprogram (användardelen). Projektet beviljades av Rymdstyrelsen i januari 2008 och har genomförts under Jordbruksverket har uppdragit åt Metria att utveckla metoden och att utföra klassningsarbetet. Metrias arbete har finansierats via Rymdstyrelsen. Efter att projektansökan beviljats så beslutade Jordbruksverket att genomföra blockinventeringen. Metodiken i projektet har därför under våren 2008 anpassats för att öka möjligheten till att projektets resultat kan nyttjas i blockinventeringen eller i den fortsatta revideringen av blockdatabasen. Metodförändringen innebär främst att SPOT-data nyttjas istället för AWiFS och att fokus läggs på att identifiera trädbevuxna områden inom block. 1.3 Syfte och mål Syftet med projektet är att producera underlag för uppdatering av Jordbruksverkets blockdatabas och därmed kunna höja dess kvalitet genom att avföra områden som inte är jordbruksmark. Målet är att utveckla en metod där satellitdata kan nyttjas för att identifiera block eller delar av block som med hög sannolikhet består av trädbevuxna ytor eller områden med vatten. Resultatet är ett vektorskikt som innehåller denna information och som därmed kan användas vid uppdatering av blockdatabasen. Målet är att metoden kan nyttjas i blockinventeringen eller i den fortsatta revideringen av blockdatabasen. 1.4 Arbetsgång Arbetet har genomförts i följande steg: Preparering av indata. Utveckling av klassningsmetodik. Klassning med hjälp av den bestämda metodiken. Utvärdering av klassningarna. Rapportskrivning. 2

11 2 Studieområden och indata 2.1 Studieområden Testområden i två län i södra Sverige ingår i studien. Det ena området, som är nära 700 km 2 stort, ligger i trakten av Söderköping i Östergötlands län (figur 1 och 2). Där har arealkontroller med hjälp av satellitbilder skett av jordbrukarnas ansökningar sommaren Tillgången till högupplösande satellitdata och kontrollerna var orsaken till att Söderköpingsområdet valdes som studieområde. Det andra området innehåller Kinnekulle och området öster därom och ligger i Västra Götalands län. Detta område har använts för utvärdering av utvecklad metod och är drygt 800 km 2 stort. Dock upptar Vänern en stor yta i väster och norr (figur 3). 2.2 Satellitdata och flygfoton Inom studieområdet Söderköping har SPOT5-data från 25 maj och 13 juni 2007 använts (figur 1 och 2). Satellitbilderna är i 10 meters raster och projicerade till RT90. För Kinnekulleområdet har SPOT5-data från 1 september 2005 och 15 juli 2006 nyttjats (figur 3). I bilden från 2006 finns smärre områden med moln, medan bilden från 2005 är helt molnfri. SPOT-5 har fyra våglängdsintervall, grönt (0,50 0,59 µm), röd (0,61 0,68 µm), nära infraröd (0,79 0,89 µm) och mellaninfraröd (1,58 1,75 µm). Under våren 2008 har satellitdatabasen Saccess lanserats, vilket gjort SPOT-data allmänt tillgängliga utan kostnad. Från både Söderköpings- och Kinnekulleområdet har SJV tillgång till flygbilder från år 2007 tagna med Lantmäteriets DMC. Dessa ortofoton är i färg och kombinerade med pankromatiska bilder till 50 centimeters rasterstorlek och projicerade i RT90. Ortofotona från Söderköping har använts vid utveckling av metoden medan ortofotona från Kinnekulle enbart nyttjats vid utvärderingen. I Kinnekulleområdet har istället äldre färgsatta ortofoton med 2 meters upplösning använts som stöd vid klassificeringen. Ursprungligen avsågs satellitdata från den indiska sensorn AWiFS vara den huvudsakliga datakällan. Men redan i inledningen av projektet kom arbetet helt att inriktas på användning av SPOT-data. En AWiFS-scen från 21 april 2007 införskaffades dock innan beslut togs att enbart arbeta med SPOT-data. Denna AWiFS-scen har inte använts i studien. De bilder från de högupplösande satelliterna Quickbird och IKONOS från år 2007 som SJV införskaffade i samband med den ovan nämnda arealkontrollen har inte heller nyttjats i projektet. 2.3 Övriga data Avgränsningarna i blockdatabasen från 2007 har använts i båda områdena. Kombinerat med information från jordbruksverkets stöddatabas ARARAT har blocken delats upp i åkerblock, betesblock, block med både åker och betesmark och block som det inte har sökts stöd för. De osökta blocken har inte tagits med i studien. 3

12 Figur 1. Studieområde Söderköping. SPOT-5 från 23 maj Området är ca 23x29 km i storlek. Gröna åker- och betesmarker är i bilden gula eller brunaktiga. Vegetationsfria åkrar är blåaktiga i bilden. 4

13 Figur 2. Studieområde Söderköping. SPOT-5 13 juni

14 Figur 3. Studieområde Kinnekulle. Överst SPOT-5 från 1 september 2005 och nederst från 15 juli

15 3 Metodik 3.1 Inledning I tidigare arbeten genomförda av Metria har det framgått att framförallt barrskogsplanteringar och nyanlagda vatten kan tolkas i AWiFS-data och därmed bör dessa områden gå att klassificera och kunna användas för att förbättra blockdatabasen. Den stora kontroll och korrigering av blockdatabasen som inletts år 2008 har gjort att SJV:s behov förändrats sedan projektet startades (februari 2008). I uppstarten av projektet har intresset av att kartera trädskikt inom sökta block ställts i fokus. Behovet av att kartera vatten kvarstår. I och med att SPOT-data har blivit gratis försvinner delvis argumentet att inte använda SPOTdata. Metodarbetet har beroende på förändrade behov och förbättrad tillgång till satellitdata helt inriktats på användning av SPOT-data istället för, som från början var tänkt, AWiFS-data. Metodutvecklingen har koncentrerats till block från 2007 som i ansökningarna angetts som åker- eller betesmark. Arbetet har delats upp i två delar, metodutveckling i Söderköpingsområdet och med användande av utvecklad metod i Kinnekulleområdet. Där har även den slutliga utvärderingen av resultatet skett. 3.2 Klassning Klassning av skog För att skapa en klassning av trädskiktet har s.k. styrd klassning valts som klassningsmetod. Det betyder att ett antal homogena områden (signaturer) innehållande en viss trädtyp har identifierats i satellitbilden med ortofotot som underlag (figur 4-6). För de avgränsade områdena beräknas medelvärden och spridning i de olika våglängdsbanden. Inledningsvis användes satellitdata från endast en tidpunkt. I Söderköpingstrakten data från 13 juni Ganska snart visade det sig att det inte gick att separera alla typer av lövträd från framförallt vissa varianter av åkermark. Därför beslöts att satellitdata från två tidpunkter skulle användas. Dessa tidpunkter kan med fördel vara från olika år eftersom det är en fördel om den spektrala informationen från ett visst åkerfält är olika i de bägge bilderna, medan skogen är mer homogen. Statistik från alla åtta våglängdsbanden, fyra från varje tidpunkt, har använts i klassningen. Enbart signaturer för trädbevuxna områden har skapats. Samtidigt med klassningen av bilden, då varje bildpunkt erhåller en kod för den signatur bildpunkten mest liknar produceras en s.k. distansbild (figur 7), som innehåller mått på hur sannolik den klassade bildpunkten är att tillhöra den signatur den etiketterats till. Genom att endast tillåta de mest sannolika värdena för varje signatur kommer bildpunkter som inte innehåller träd att bli oklassade, dvs. tillhöra klassen icke trädbevuxna punkter. Arbetsgången är att skaffa sig signaturer som representerar olika typer av trädbevuxen mark. Sedan sätter man trösklar i den distansbild som skapas i samband med klassningen. Trösklarna ska sättas så lågt att inga bildpunkter klassas som träd där träd saknas. Trösklarna ska dock inte sättas lägre än nödvändigt. Om det efter detta förfarande ändå finns trädbevuxna områden som inte klassats som träd måste man tillföra nya signaturer och upprepa proceduren. 7

16 Som avslutning kodas resultatet om till de klasser som redovisas i resultatet. Dessa klasser är: Barrföryngring Övrig barrdominerad yta Lövdominerad yta Icke trädbevuxen yta För att separera de klassade bildpunkterna i löv- eller barrdominerade har en tröskling utförts i en bild som visar ett vegetationsindex (nära infrarött - rött) / (nära infrarött + rött). Trädklassade bildpunkter med högt vegetationsindex har getts koden lövdominerat och bildpunkter med lägre vegetationsindex, barrdominerat. Brytpunkten bestäms interaktivt med hjälp av satellitbild och ortofoto. Figur 4. Träningsyta, eklövskog, RT / SPOT-5 från 23 maj Figur 5. Träningsyta,barrplantering, RT / SPOT-5 från 23 maj

17 Figur 6. Träningsyta för hällmarksskog, RT / SPOT-5 från 23 maj Figur 7. Till vänster SPOT-5 från 1 september 2005 från Kinnekulle och till höger distansbild över motsvarande område. Ljusa ytor betyder att områdena är mindre sannolika som trädbevuxna Klassning av vatten Vatten klassas utifrån digitalnivåerna i mellaninfraröda bandet. Alla digitalvärden lägre än en viss tröskel är vatten. Tröskeln bestäms interaktivt mot bildskärm. Det är lämpligt att utföra trösklingen på satellitdata från den tidpunkt där vattnet kan anses ha störst utbredning. För att erhålla vatten som en klass måste bildpunkter mellan digitalvärde 1 upp till tröskeln ges en kod som betyder vatten. Digitalvärde 0 används i SPOT-data för att beteckna att bilddata saknas. 9

18 3.3 Efterbearbetning De områden som har klassificerats som trädbevuxna har vektoriserats för att underlätta statistiska beräkningar och implementering i blockuppdateringen. Alla närliggande bildpunkter med skog har tilldelats en unik identitet. Därefter har områdena vektoriserats och de resulterande polygonerna slagits samman med hjälp av de unika identiteterna. Blocken generaliserades till ett 10 meters rasterskikt med samma geografiska egenskaper som SPOT-bilderna. De båda ogeneraliserade vektorlagren överlagrades och en ny vektorfil med information om trädtäckning och blocktillhörighet skapades. Utifrån den beräknades procentandel och areal trädbevuxna ytor per block. Två olika vektorskikt skapades: ett med ytor som är större än 0,1 ha och ett med alla ytor inkluderade. 10

19 4 Resultat och utvärdering Kapitlet inleds med en redogörelse för den utvärdering som skedde i samband med metodutvecklingsarbetet i Söderköping. Därefter följer i avsnitt 4.2 en presentation av de resultat som togs fram från Kinnekulleområdet. Utvärdering av resultaten i Kinnekulle behandlas i avsnitt Utvärdering av metodutvecklingsarbete Den 23 september 2008 gjordes ett fältbesök i Söderköping för att utvärdera den utvecklade metoden. Under fältdagen studerades nio block. I bilaga 1 redovisas bilder, klassningsresultat och kommentarer för sex av dessa block. Kriterium för godkänd klassning var om klassningen till största del bedömdes som korrekt och om den skulle kunna nyttjas som ett verktyg i blockinventeringen för att identifiera block som behöver granskas ytterligare och eventuellt redigeras. Utvärderingen fokuserade på trädbevuxna områden och gav följande resultat: Klassningen av trädbevuxna områden var godkänd för sju av nio block. För två block noterades en överklassning (block , bilaga 1) samt en underklassning (block , bilaga 1), i övrigt var klassningen av trädbevuxna områden för dessa block godkänd. 4.2 Klassning Kinnekulle Resultatet av klassningen i Kinnekulle är rasterbilder med 10 meters bildpunkter omfattande vatten och trädbevuxna marker. De trädbevuxna markerna indelades i barrföryngring, löv- och barrdominerade ytor. Den sammanslagna klassen trädbevuxna ytor vektoriserades och en viss generalisering skedde (se avsnitt 3.3), medan de andra klasserna producerades endast i rasterform Klassning av vatten Åtta större områden karterades som vatten. Det minsta av dessa klassade områden var 0,12 ha och det största var 5,88 ha (figur 9 visar det största området). I figur 8 visas en karterad vattenyta inom ett åkerblock. Vattenytans utbredning avviker något i jämförelse med vad som syns i flygbilden från Betesmarksblocket i figur 9 består vid tidpunkten för satellitregistreringen 15 juli 2006 delvis av vatten. Skillnaden mellan de olika tidpunkterna beror på variationer i Vänerns vattenstånd. 11

20 Figur 8. Klassning vatten på åkermark. RT / Flygfoto från Figur 9. Klassning från 15 juli 2006 av vatten i betesmark. RT / Gråa ytan i övre högra delen är Vänern. Flygbild från Klassning av barrplanteringar Som ett specialfall av trädbevuxna ytor klassades barrplanteringar. Ett exempel av det fåtal områden som klassades som planteringar visas i figur 10. Ingen vidare utvärdering av klassning av barrföryngringar har utförts. 12

21 Figur 10. Klassning av plantering RT / Flygfoto från Klassning av övriga trädbevuxna ytor Klassningen av trädbevuxna ytor redovisades uppdelad i barr- eller lövdominerad yta, se figur 11. Uppdelningen redovisades endast i rasterform. Utvärderingen har helt fokuserats på den sammanlagda klassen trädbevuxna ytor (avsnitt 4.2 och 4.3). Figur 11. Klassning av trädbärande ytor, RT / Gult är lövdominerade områden och grönt, barrdominerade. Flygbild från

22 4.3 Utvärdering av klassningsresultat Kinnekulle I Kinnekulle har 865 betesmarksblock och 3538 åkermarksblock klassats, se figur 12. Figur 12. Klassning av trädbevuxna ytor i Kinnekulleområdet. Gula ytor är åkermark och gröna ytor är betesmark. Området är 34 x 26 km stort. Utvärderingen har fokuserats på klassningen av trädbevuxna områden, men även klassning av vatten har studerats Utvärdering klassning av vatten Totalt klassades åtta större områden som vatten i Kinnekulle. Bilaga 2 visar dessa områden. Utvärdering av dessa områden gav följande resultat: Två block var åkerblock med ansökt miljöersättning för våtmark, dvs. känt vatten och godkänt som jordbruksmark. Fyra block var betesmarksblock vid strandlinje eller med områden med vattenspegel. Det är svårt att utvärdera klassningen av denna typ av mark då vattenlinjen normalt kan vara lägre och betesmarken därmed kan vara godkänd. Två block såg ut som de borde korrigeras, och de områden som är klassade som vatten ska redigeras bort. Detta har också skett för ett av blocken i blockinventeringen. 14

23 4.3.2 Utvärdering klassning av trädbevuxna ytor Minsta möjliga resulterande yta från klassningen är 0,01 ha (1 bildpunkt). Ofta ligger dock små ytor vid blockgränser och är då i regel trädbevuxen mark precis utanför blocket som fallit ut i klassningen (figur 13). Utvärderingen har därför koncentrerats på större ytor, där ytor under 0,1 ha filtrerats bort. Figur 13. Åkermarksblock där kanteffekt tydligt framträder. Ytor mindre än 0,1 ha är markerade med tunn röd linje, ytor större än eller lika med 0,1 ha är markerade med tjock röd linje. Tabell 1 och 2 visar antalet åkermarksblock och betesmarksblock klassade som trädbevuxna områden inom olika arealklasser. Tabell 1. Resultat klassning av trädbevuxna ytor i Kinnekulleområdet för åkermark. Åkermark, alla klassade ytor Area (ha) Antal % ,5 0,01-0, ,4 0,1-0, ,1 0, , , ,0 Åkermark, klassade ytor under 0,1 ha bortfiltrerade Area (ha) Antal % ,9 0,1-0, ,5 0, , , ,0 15

24 Tabell 2. Resultat klassning av trädbevuxna ytor i Kinnekulleområdet för betesmark. Betesmark, alla klassade ytor Area (ha) Antal % ,1 0,01-0, ,9 0,1-0, ,0 0, , , , , ,0 Betesmark, klassade ytor under 0,1 ha bortfiltrerade Area (ha) Antal % ,6 0,1-0, ,7 0, , , , , ,0 Ur statistiken i tabell 1 och 2 kan man t ex utläsa att ca 10 % av åkerblocken har trädbevuxna områden även då man filtrerar bort klassade trädbevuxna områden under 0,1 ha. Motsvarande siffra för betesmarkerna är 60%. För att utvärdera klassningen av trädbevuxna områden valdes slumpvis ett antal block ut. Totalt slumpades 70 block ut för olika arealklasser. Klassningen av dessa block studerades på bildskärm med ortofoto och blockgränser som bakgrund. En bedömning gjordes om gjord klassning var korrekt eller om över- eller underklassning skett. Resultatet redovisas i tabell 3. Tabell 3. Resultat av utvärdering av slumpvis utvalda block med trädbevuxna ytor i Kinnekulleområdet inom olika arealklasser. Ägoslag Kategori Ok Över- Under- Summa Åker 0 ha Åker 0,1-0,5 ha Åker > 0,5 ha Bete 0 ha Bete 0,1-0,5 ha Bete 0,5-1 ha Bete > 1 ha Summa Summerar man resultatet får man att 24 av 30 åkermarksblock bedömts som korrekta klassade (80%). Motsvarande siffra för betesmarksblock är att 37 av 40 block bedömts som korrekta klassade (92,5%). För nio block bedömdes klassningen som delvis felaktig. Av dessa block var sju överklassade och två underklassade. Många överklassningar berodde på att skuggor från träd utanför blocket felaktigt klassats som trädbevuxet. Bilaga 3 visar att antal exempel på åkermark och betesmark klassade som trädbevuxna. 16

25 5 Diskussion och slutsats 5.1 Diskussion av resultat Metoden som tagits fram i projektet visar att det går att särskilja trädbevuxna marker från öppna gräs- och åkerytor med klassning av bitemporala SPOT5-bilder. Under fältdagen i Söderköping i september 2008 ansåg deltagarna från SJV att metoden fungerade väl och att den med något undantag gav ett gott resultat. Träd- och buskbevuxna områden inom blocken identifierades med hög säkerhet. Även utvärderingen av klassning av trädbevuxna områden i Kinnekulleområdet visar att metoden är relativt träffsäker. För 61 av 70 slumpvis utvalda block (87%) bedömdes klassningen som godkänd (se avsnitt 4.3.2). Klassningen visar att det inom Kinnekulleområdet finns tämligen få blocklagda områden som är täckta av vatten (se avsnitt 4.3.1). En del av dessa områden är redan kända medan några kan behöva justeras vid blockuppdateringen. Dessutom finns låglänta stränder i Vänern som är klassificerade som vatten. Vid metodutveckling och utvärdering har dock ett antal observationer gjorts som bör beaktas: Kanteffekter I Kinnekulleklassningen togs områden som klassats som trädbevuxna och var under 0,1 ha i yta bort inför utvärderingen, då dessa områden ofta är falsklarm pga kanteffekter (se avsnitt 4.3.2). Men då små klassade områden helt ligger inom blocket är de intressanta, se figur 14. En metodförbättring är därför att bara utesluta små områden då de ligger vid kant av ett block. Figur 14. Block där 0,09 ha klassat som trädbevuxet. Över- och underklassning. Vid klassificeringsarbetet kan operatören påverka hur många bildpunkter som ska klassificeras. Naturligtvis eftersträvas ett så sant resultat som möjligt. Men ett perfekt resultat kan inte uppnås. Därför bör det finnas anledning att antingen göra en klassning som innehåller så få felaktigt klassade bildpunkter som möjligt eller att försöka uppnå att alla bildpunkter som innehåller t ex träd klassas och då även få felklassningar. Vilket val man ska göra beror på hur resultatet ska användas. I utvärderingen av Kinnekulle såg man att överklassning av trädbevuxna ytor var ett vanligare fel än underklassning. Som ett verktyg vid blockuppdatering är överklassning ett mindre allvarligt fel då vi tänker oss att metoden ska nyttjas för att 17

26 identifiera block som kan behöva uppdateras. Block som faller ut får därefter granskas av en operatör. Därför är det att föredra att för många ytor än för få faller ut då man annars riskerar att missa block som behöver uppdateras. Dock är det naturligtvis inte bra om för många ytor överklassas då för många falsklarm gör metoden mindre användbar. Attribut vektorskikt Vektorskiktet med trädbevuxna områden innehåller 4 attribut som skapats i efterarbetningen av klassningen: - Areal trädbevuxet i hektar totalt - Areal trädbevuxet i hektar efter bortfiltrering av ytor mindre än 0,1 ha - Andel trädbevuxen blockareal totalt - Andel trädbevuxen blockareal efter bortfiltrering av ytor mindre än 0,1 ha. Dessa attribut har nyttjats i utvärderingen. Andra mått kan vara möjliga. Upplösning Bildpunktsstorleken i klassat SPOT-data är 10 meter. Det innebär att små träddungar inte alltid faller ut i klassningen. Men det finns fördelar med att inte ha för hög upplösning vid digital klassificering. Blir upplösningen i meterstorlek eller bättre måste man använda metoder som delvis är dåligt utvecklade. Gleshet I detta arbete har inte någon utvärdering kunnat ske som ger ett svar på frågan om hur tätt träden måste stå för att de ska bli klassade. Det är naturligtvis möjligt att i efterhand göra fältinventeringar av klassade områden för att belysa sambanden. 5.2 Utnyttjande av resultat Metoden är träffsäker på att fånga upp trädbevuxna områden inom block. Följande tillämpningar bedöms vara de mest intressanta: I samband med pågående blockinventering I blockinventeringen för att styra resurser Gjorda utvärderingar under projektet visar att trädbevuxna marker med god säkerhet kan fångas. Betesmarker som inte fått någon träff för trädbevuxna marker kan enkelt tas fram och majoriteten av dessa block bör kunna skärminventeras. Detta kan vara en möjlighet att nyttja i blockinventeringsprojektet. Inventeringsuppdrag för "betesmark som bör kunna skärminventeras" kan överföras till inventerare som är specialiserade på skärminventering. Därigenom minskar antalet betesmarksblock som måste inventeras i fält. Det bör kunna minska totalkostnaden för inventeringen alternativt möjliggöra att fler block kan inventeras till samma kostnad, se figur 15. Antalet block i de olika kategorierna visas i tabell 4. (se även tabell 3 i avsnitt 4.3.2). Fler än hälften av alla betesblock i Kinnekulleområdet har enligt klassningen mindre än 20% trädbevuxen yta. Denna information måste kombineras med storleken på de olika trädbevuxna ytorna inom blocken. 18

27 Figur 15. Betesmarksblock i Kinnekulleområdet indelade i kategorier utifrån hur stor andel av ytan som är trädbevuxna. Tabell 4. Andel betesmarksblock i Kinnekulleområdet fördelat i kategorier efter procentuell andel trädbevuxen areal. Endast trädbevuxna ytor > 0.1 ha ingår Antal block Andel trädklädd areal (%) I pågående avgränsning av trädbevuxna marker Försök visar att användning av klassningen direkt i inventeringen är begränsad, det beror främst på det sätt arbetet är upplagt. Möjligen kan klassningen vara till nytta då ortofotona är tagna innan löven slagit ut och träd då är svårare att se. Kvalitetskontroll Efter inventeringen bör i princip inga trädbevuxna marker återfinnas på åkermark. Därför bör metoden kunna ingå som en kvalitetskontroll av inventeringen av åkermark. Klassningen ger också svar på hur mycket skog inom betesmark som accepterats. 19

28 Användning på längre sikt Jämförelse efter inventering och om några år i den kontinuerliga revideringen Om klassningen görs inom blockens avgränsning efter inventeringen har SJV ett grundresultat för de trädbevuxna marker inom block som godkänts vid inventeringen. Om SJV om 3-4 år åter gör klassningen eller utför förändringsanalys för hela Sverige kan bestämning ske av de trädbevuxna marker som tillkommit och försvunnit. På så sätt kan identifiering ske av block som kan behöva uppdateras. 5.3 Resultatspridning Rapporten distribueras inom Jordbruksverket och blockinventeringsprojeketet samt till personal på länsstyrelsen som arbetar med blockredigering. Rapporten finns tillgänglig på Jordbrukverkets hemsida Projektet har presenterats på JRC s årliga fjärranalyskonferens Geomatics in support of the CAP (se Slutsats Målet med projektet var att utveckla en metod där satellitdata kan nyttjas för att identifiera block eller delar av block som med hög sannolikhet består av trädbevuxna ytor eller anlagda våtmarker. Resultatet var att skapa ett vektorskikt som innehåller denna information och som därmed kan användas vid uppdatering av blockdatabasen. Detta mål anses uppfyllt. Utvecklad metod är träffsäker på att identifiera trädbevuxna ytor. Metoden bör därför vara ett verktyg som Jordbruksverket kan nyttja för att säkerställa en blockdatabas av hög kvalitet. 20

29 Bilaga 1, fältdag i Söderköping Den 23 september 2008 gjordes ett fältbesök i Söderköping för att utvärdera den utvecklade metoden. Utvärderingen fokuserades på att bedöma om klassning av trädbevuxna områden var godkänd. Under fältdagen studerades nio block, i denna bilaga redovisas bilder, klassningsresultat och kommentarer från sex block. Block Blockets areal (2007) är 8,39 ha. Ansökt betesmark på blocket (2007) är gårdsstöd 0,80 ha, och miljöersättning allmänna värden 2,30 ha. Klassningen av blocket är godkänd. Figur 16. Block redovisad med ortofoto, vägar och höjdkurvor i den övre bilden. Klassning av blocket i den nedre bilden. Färgade rutor är klassade som trädbevuxna ytor. Gult och grönt är säkert klassade rutor. Rött och turkos är mindre säkert klassade områden. Figur 17. Betesmarksblocket har en tydligt skogspräglad vegetation. 21

30 Block Blockets areal (2007) är 5,55 ha. Ansökt betesmark på blocket (2007) är gårdsstöd 5,40 ha, och miljöersättning allmänna värden 5,40 ha. Klassningen av blocket är godkänd. Figur 18. Block , ortofoto samt klassning av trädbevuxen mark. Figur 19. Betesmarksblock med tydligt skogspräglad vegetation, men med öppna delar. 22

31 Block Blockets areal (2007) är 2,83 ha. Ansökt betesmark på blocket (2007) är gårdsstöd 2,83 ha och ingen ansökan för miljöersättning. Klassningen av blocket är godkänd. Figur 20. Block , ortofoto samt klassning av trädbevuxen mark. Figur 21. Öppen betesmark med buskpartier av igenväxningskaraktär. 23

32 Block Blockets areal (2007) är 8,10 ha. Ansökt betesmark på blocket (2007) är gårdsstöd 7,60 ha, miljöersättning allmänna värden 1,40 ha och särskilda värden 6,20 ha. Klassningen av blocket är godkänd. Figur 22. Block , ortofoto samt klassning av trädbevuxen mark. Figur 23. Betesmark med jätteekar, granparti och stora delar igenväxande med slån, ek och ask. 24

33 Block Blockets areal (2007) är 7,41 ha. Ansökt betesmark på blocket (2007) är gårdsstöd 7,30 ha, miljöersättning allmänna värden 7,30 ha. Överklassning noterades där ett fuktigt parti felaktigt klassats som trädbevuxet (fig 24). I övrigt var klassningen av blocket godkänd. Figur 24. Block , ortofoto samt klassning av trädbevuxen mark. Ett fuktigt parti (inringat) felaktigt klassat som trädbevuxet. Notera att felaktigt klassat område är röd i klassningen vilket betyder att det är lägre klassningssannolikhet. Figur 25. Öppen betesmark på till största delen gammal åker, men med solitärträd och åkerholmar. 25

34 Block Blockets areal (2007) är 7,87 ha. Ansökt betesmark på blocket (2007) är gårdsstöd 4,16 ha, miljöersättning allmänna värden 7,76 ha. Underklassning noterades vid utvärderingen i ett område med ekskog i brant terräng som inte föll ut i klassningen (figur 27). Troligen pga att löven inte slagit ut i den ena av satellitbilderna. Klassningen av blocket var i övrigt godkänd. Figur 26. Block , ortofoto samt klassning av trädbevuxen mark. Figur 27. Betesmarksblock med täta ekskogspartier Detta område föll inte ut i klassningen. 26

35 Bilaga 2, klassning av vatten Totalt klassades 1008 pixlar (10x10 m) som vatten i Kinnekulleområdet med en sammanlagd area av 10,1 ha. Klassningsresultatet gjordes om till polygoner, och 39 stycken polygoner skapades där den minsta hade en areal på 100 m 2 och den största m 2. Många klassade områden var mycket små (27 stycken under 500 m 2 ). Åtta områden var dock större och här visas bilder över dessa. Block Åkermarksblock med area 2,00 ha där 0,25 ha klassats som vatten. Ett våtmarksåtagande är sökt på blocket. Figur 28. Block där totalt 0,25 ha klassats som vatten. 27

36 Block Åkermarksblock med area 2,06 ha där 0,9 ha klassats som vatten. Ett våtmarksåtagande är sökt på blocket. Figur 29. Block där totalt 0,9 ha klassats som vatten. 28

37 Block Åkermarksblock med area 8,40 ha (2007) där 0,13 ha klassats som vatten var det ansökt 3,40 ha vete på blocket. Här har klassningen hittat vatten som inte ska ingå i blocket. Blocket har också redigerats under blockinventeringen, röd linje är blockets utseende 2007, gul linje är nuvarande utseende. Figur 30. Block där 0,13 ha klassats som vatten. 29

38 Block Åkermarksblock med area 5,96 ha där 0,07 ha klassats som vatten. Inget vatten syns i flygfotot i området som klassats. Eventuellt har en förändring skett och vattenspegeln försvunnit efter att satellitbilden togs. Figur 31. Block där 0,07 ha klassats som vatten. 30

39 Block m. fl. angränsande till Vänern Flera betesmarksblock som angränsar till Vänern med områden som klassats som vatten. Vattennivån kan variera vid betesmarker som angränsar till sjöar och vattendrag. Därför kan det vara svårt att avgöra om blocklagd mark klassad som vatten är godkänd betesmark. Figur 32. Flera betesmarksblock med områden klassade som vatten. 31

40 Block Betesmarksblock med area 27,87 ha där 5,88 ha klassats som vatten. Ansökt betesmark 2007 var 19,70 ha. Det var det största klassade området med vatten. Figur 33. Block där 5,88 ha klassats som vatten. 32

41 Block Betesmarksblock med area 6,71 ha där 1,67 ha klassats som vatten. Blockets areal (2007) är 6,71 ha. Ansökt betesmark 2007 var 5,00 ha. Här ska blocket eventuellt redigeras, men om detta ska ske, och i så fall hur gränsen ska dras, kan först avgöras efter fältbesök. Figur 34. Block där 1,67 ha klassats som vatten. 33

42 Block Åkermarksblock med area 18,43 ha där 0,12 ha klassats som vatten. Ansökt betesmark 2007 var 18,00 ha. Här ska blocket förmodligen redigeras, men exakt hur kan först avgöras efter fältbesök. Figur 35. Block där 0,12 ha klassats som vatten. 34

43 Bilaga 3, klassning av trädbevuxna ytor I denna bilaga visas några exempel på block där områden klassats som trädbevuxna. De flesta exemplena är valda från de utslumpade blocken som utvärderades i avsnitt Block Åkermarksblock där 4,54 ha klassats som trädbevuxet. Detta är det åkermarksblock som hade mest areal klassat som trädbevuxet. Figur 36. Åkermarksblock där 4,54 ha klassats som trädbevuxet. 35

44 Block Åkermarksblock där 0,57 ha klassats som trädbevuxet. I södra delen av blocket finns ett skogsområde som av okänd anledning inte föll ut i klassningen. Figur 37. Åkermarksblock där 0,57 ha klassats som trädbevuxet. I södra delen av blocket finns ett skogsområde som inte föll ut i klassningen. 36

45 Block Åkermarksblock där 1,26 ha klassats som trädbevuxet. Figur 38. Åkermarksblock där 1,26 ha klassats som trädbevuxet. 37

46 Block Åkermarksblock där 0,72 ha klassats som trädbevuxet. Om man även inkluderar områden under 0,1 ha (visad med tunn röd linje i figur 39) så klassades 1,08 ha som trädbevuxet. I exemplet ser man att flera av de klassade områdena under 0,1 ha är korrekt klassade och bör föranleda en blockredigering. Figur 39. Åkermarksblock där 0,72 ha klassats som trädbevuxet. Lägg märke till många små klassade områden under 0,1 ha (tunn röd linje) där blocket bör redigeras. 38

47 Block Betesmarksblock där 61 ha klassats som trädbevuxet. Detta var det betesmarksblock som hade mest areal klassat som trädbevuxet. Figur 40. Betesmarksblock där 61 ha klassats som trädbevuxet. 39

48 Block Betesmarksblock där 9,79 ha klassats som trädbevuxet. Figur 41. Betesmarksblock där 9,79 ha klassats som trädbevuxet. 40

49 Block Betesmarksblock där 0,80 ha klassats som trädbevuxet. Figur 42. Betesmarksblock där 0,80 ha klassats som trädbevuxet 41

50

51

52 Rapporten kan beställas från Jordbruksverket, Jönköping Tfn (vx) ISSN Fax ISRN SJV-R-09/3-SE E-post: SJV offset, Jönköping, 2009 Internet: RA09:3