Att införliva nya forskningsresultat i en befintlig produktionskedja. Naturtypskartering av Svenska fjällen

Transkript

1 Att införliva nya forskningsresultat i en befintlig produktionskedja Naturtypskartering av Svenska fjällen Rapport för Naturvårdsverket Mars 2013

2 ATT INFÖRLIVA NYA FORSKNINGSRESULTAT I EN BEFINTLIG PRODUKTIONSKEDJA NATURTYPSKARTERING AV SVENSKA FJÄLLEN MS Version 1.0 Text: Camilla Jönsson, Eva Ahlkrona, Esmeray Elcim, Heather Reese, Sandra Wennberg Bild framsida: Sarek. Fotograf David Wrangborg. För mer information kontakta: Camilla Jönsson (camilla.jonsson@metria.se) Heather Reese (heather.reese@slu.se) Sandra Wennberg (sandra.wennberg@naturvardsverket.se) Metria Box Stockholm Besöksadress: Karlavägen 108 Tfn växel:

3 Innehåll Förord... 5 Sammanfattning Inledning Bakgrund Mål och förväntade resultat Befintliga förutsättningar KNAS Indata Produktion Resultat SLU fjällklassning Indata Produktion Resultat Relaterade projekt CadasterENV EMMA THUF/MOTH SLU Studieområde och indata Studieområde Indata Satellitdata Höjddata Referensdata och valideringsdata Användarkrav Genomförande Metodstudier Jämförelse av befintliga karteringar samt dess robusthet Jämförelse av olika topografiska korrigeringar Segmentbaserad kontra pixelbaserad klassning Textur Wetness-index och laserdata Spektral variation Tolkning av utvärderingsytor Resultat... 31

4 4 6.1 Sammanfattning av resultat Delresultat Jämförelse av befintliga karteringar samt robusthet Jämförelse av olika topografiska korrigeringar Segmentbaserad kontra pixelbaserad klassning Textur Wetness-index och laserdata Spektral variation Klassningsresultat Implementering Produktionsflöde Slutsatser och rekommendationer Referenser Bilaga 1a. Kodlista KNAS Bilaga 1b. Kodlista fjällvegetationskartan Bilaga 2. Överrensstämmelse tre karteringar Bilaga 3. Robusthet KNAS Bilaga 4. Jämförelse topografiska korrigeringar Bilaga 5. Utvärderingsinstruktioner Bilaga 6. Noggrannhetsmatriser Bilaga 7a. Fuzzy Accuracy Assesment nyckel (scenario 1) Bilaga 7b. Fuzzy Accuracy Assesment till SPOT 2009 Abisko scen (scenario 1) Bilaga 7c. Fuzzy Accuracy Assesment till SPOT 2011 Abisko scen (scenario 1) Bilaga 8a. Fuzzy Accuracy Assesment nyckel (scenario 2) Bilaga 8b. Fuzzy Accuracy Assesment: SPOT 2009 Abisko (scenario 2) Bilaga 8c. Fuzzy Accuracy Assesment: SPOT 2011 Abisko (scenario 2)... 77

5 5 Förord Syftet med projektet är att svara på vilka metoder och vilken typ av indata som skall användas för att erhålla bästa möjliga naturtypskartering över den svenska fjällregionen till en rimlig kostnad. Projektet har finansierats gemensamt av Naturvårdsverket och Rymdstyrelsen. SLU och Metria har utfört analys och klassning av satellit- och flygbilder. Utvärdering av resultat har gjorts av SLU. Från Metria har Camilla Jönsson, Eva Ahlcrona, Esmeray Elcim deltagit och från SLU Heather Reese. Flygbildstolkning för referens och utvärdering har utförts av Maud Tybani på SLU. Medverkande i arbetsgrupp och referensgrupp har varit Sandra Wennberg och Ola Inghe från Naturvårdsveket, Håkan Olsson och Anna Allard från SLU, Lennart Bratt, Sarah Norling och Ville Pokela från Länsstyrelsen i Dalarna, Jonas Grahn från Länsstyrelsen i Västerbotten, Bengt Landström och Frédéric Forsmark från Länsstyrelsen i Norrbotten samt Tobias Ekendahl från Länsstyrelsen i Jämtland.

6 6 Sammanfattning Syftet med studien har varit att se hur SLUs forskningsresultat kan integreras vid kartering av fjällvegetation inom Naturvårdsverkets befintliga produktionslina för naturtypskartering av skyddade områden i fjällen. Denna studie har visat att det bästa resultatet vis satellitbildskartering av öppna fjällvegetationstyper erhålls med en metod som bygger på topografiskt korrigerade satellitbilder (företrädesvis C-korrigering), där klassningen är pixelbaserad och där höjdinformation och laserdata används som komplementära datakällor. Projektets referensgrupp är överens om att helheten i resultaten se bra ut och att det är angeläget att gå vidare i skarp produktion. Det finns ett stort behov av en förfinad naturtypskartering av fjällvegetationen enligt den indelning som projektet påvisat. Projektet har visat att det finns såväl indata, metoder och kunskap för att genomföra en heltäckande kartering av de svenska fjällen. Inom befintliga produktionskedjor finns metoder för hantering av stora datamängder som kan modifieras för att implementera metoder som projektet påvisat ger ett bra resultat.

7 7 1 Inledning 1.1 Bakgrund Med undantag för fjällen använder Naturvårdsverket fjärranalys för att samla in information om naturtypernas utbredning inom skyddade områden. Information om naturtyper i fjällregionen baseras idag på befintliga vegetationskartor av olika ålder och ursprung eftersom effektiva metoder för att kartera fjällvegetation med fjärranalys har saknats. Datainsamlingen har antingen varit för tidkrävande (t.ex. flygbildstolkning) eller för dyr (t.ex. på grund av att satellitdatakarteringar behöver kombineras med fler dataunderlag), men med Geodatasamverkan och kostnadsfria Saccess data verkar det nu möjligt att genomföra en effektiv kartering. Naturvårdsverkets satellitbildskartering KNAS (Kontinuerlig Naturtypskartering av Skyddade områden) produceras med en homogen metod för hela Sverige (Naturvårdsverket, 2004a). Karteringen har gett Naturvårdsverket möjlighet att sammanställa och presentera naturtypsstatistik över skyddade områden inom olika geografiska utsnitt (Naturvårdsverket2004b, SCB 2011). KNAS fokuserar på att kartera skogstyper inom skyddade områden och särskilja produktiv skog från icke-produktiv skog. Området som ligger ovanför fjällnära gränsen har tills nyligen inte ingått i satellitbildskarteringen. Under har Naturvårdsverket och Metria utvecklat en metod för att kartlägga skogsmarken inom den fjällnära regionen. Metoden bygger på en segmenterad operatörsstyrd klassificering där den spektrala informationen (huvudsakligen SPOT 5) sammanvägts med höjdinformation, textur från ortofoton och kartdata. Satellitdata har kalibrerats radiometriskt och topografiskt. Karteringen fokuserar på att klassa skogstyper. Icke skogsbeklädda områden delas inte in i några specifika naturtyper, utan lämnas schematiskt uppdelade i ett fåtal klasser baserat på kartdata och förekomst av vegetation. I samband med karteringen har man utvecklat en fungerande produktionslina. Mellan 2008 och 2011 har SLU utvecklat metoder för att kartera fjällvegetationstyper ovan trädgränsen (en del av Rymdstyrelsen Forskningsprojektet Mapping of mountain vegetation influence of sensor and amount of field data (SNSB DNR 94/07)). Metoden har applicerats på ett område i Västerbotten. Klassningsmetoden använder spektral information (SPOT 5) tillsammans med en höjdmodell. Klassningsmetoden är en så kallad Random Forests klassning och sker pixelvis. Träningsdata utgörs av NILS provytor, systematiskt utlagda flygbildstolkade provytor, samt subjektivt identifierade träningsytor. För att klassa myr och snölega har multitemporala satellitdata använts och en enkel ostyrd klassning har använts för att skilja fjällbjörkskog ifrån vegetationstyperna ovan trädgränsen. Naturtypsindelningen har sitt ursprung i Fjällvegetationskartan. Projektet syftar till att integrera SLUs forskningsresultat med Naturvårdsverkets befintliga produktionslina för kartering av skyddade områden i fjällen. Resultat ska ge Naturvårdsverket ett underlag för beslut om och hur fjällregionen skall karteras. 1.2 Mål och förväntade resultat Under 2012 var projektets mål att: att definiera en tematisk naturtypsindelning inom fjällregionen som är användbar för att beskriva naturtypernas utbredning på regional och nationell nivå och som kan användas för internationell rapportering; att jämföra metoder som bygger på SLUs forskningsresultat kring fjällvegetationskartering och den befintliga produktionen av KNAS;

8 8 att producera testkarteringar baserat på några kombinationer av använda metoder och utvärdera klassningsnoggrannhet kontra skattad kostnad för att välja metoden; att föreslå en metod och ett arbetsflöde för att genomföra en regiontäckande naturtypskartering, inklusive beräknad kostnad.

9 9 2 Befintliga förutsättningar I detta kapitel redovisas de befintliga arbetsflöden som ligger till grund för arbetet, d.v.s. KNAS produktionskedja som har utvecklats av Metria i samarbete med Naturvårdsverket samt SLUs utvecklade metod för fjällklassning. Dessutom ges också en översiktlig beskrivning av närliggande projekt och initiativ som har eller kan ha en påverkan på framtida kartering av de svenska fjällen. 2.1 KNAS Indata Satellitdata Satellitdata som använts vid karteringen är främst SPOT-5 som har 4 spektralband (se Tabell 1) och en geometrisk upplösning på 10 meter (20 meter för det mellan-infraröda bandet, MIR) samt en scenutbredning på 60*60 km. Tillhörande molnmasker har använts för att plocka bort områden täckta av moln från analyserna. Inom KNAS produktionen av fjällen har 72 scener klassats, varav 61 var SPOT-5 scener. Merparten av scenerna är registrerade under sommaren 2010, men det finns bilder från Tabell 1. Spektralband för SPOT-5 Band Färg Bandbredd 1 Grön 0,5-0,59 μm 2 Röd 0,61 0,68 μm 3 Nära infrarött (NIR) 0,79 0,89 μm 4 Mellan infrarött (MIR) 1,58 1,75 μm Figur 1. Pussel av de satellitbilder som använts inom KNAS produktionen över fjällen Kartdata Kartdata från Lantmäteriet (GGD) har använts för att stärka klassningen av våtmarker och skogsmark Höjddata I produktionen har Lantmäteriet höjddatabas (50 meters upplösning) använts. Dels för att styrka karteringen av produktiva skogar och kunna särskilja dessa från icke produktiva skogar (barrskogar såväl som fjällbjörkskog)men även för den toppgrafiska normaliseringen av satellitdata.

10 Ortofoton I produktionen har ortofoton från Lantmäteriet med 1 meters upplösning använts för framställning av texturbilder. Texturbilderna möjliggör en tydligare avgränsning mellan produktionsskog, fjällskog/buskmark, hed/videmarker och kalfjäll Produktion Karteringen bygger på en operatörsstyrd klassning av segmenterade satellitbilder. Ett översiktligt arbetsflöde presenteras i Figur 2. Satellitdata Höjdata 50 m Kartdata GGD Ortofoton LEGEND Indata Topografisk normalisering Delresultat (lagras för kommande användning) Segmentering Reflektanskalibrering Indexbaserad klassning Slutresultat Delprocess Segment/ Satellitdata Segment/ Höjddata Segment/ Kartdata Segment/ Fjällklasser Textur Sammanvägning/ omkodning Schematisk klassning Hyggen, vägar, kraftledningar, KNAS4 Signaturgenerering ML-Klassning Sammanvägning/ omkodning Skuggmask Höjd 50 m Kartering av naturtyper Kontroll & Editering Referensdata KNAS ovanför fjällnära gränsen Figur 2. Översiktligt arbetsflöde som beskriver produktionskedjan inom KNAS i fjällområdet.

11 Preparering av indata Satellitdata som används i produktionen registreras och tillhörande molnmask produceras. För varje satellitscen sker en topografisk normalisering och parameterar för reflektansnormaliseringen beräknas. Höjddata för varje scen prepareras Segmentering Satellitbilderna segmenteras för att skapa en generaliserad bild som ger mer sammanhållna ytor i slutresultatet. I segmenteringsprocessen genereras en bild som motsvarar satellitbilden men där pixlar som är spektralt homogena, samt ligger i anslutning till varandra, klumpas ihop till större objekt. Dessa objekt (segment) erhåller medelvärdet av de ingående pixlarna. Den segmenterade satellitbilden används sedan som underlag i klassningsprocessen Höjd Arbetssteget syftar till att dela in landskapet i fyra höjdintervaller som korrelerar till förekomsten av produktiv skog, fjällbarrskog, fjällbjörkskog och områden utan skog. 25 meters höjddata segmenteras och görs om till ett tematiskt raster med fyra klasser, se Tabell 2. Temperatursumman används som stöd vid indelning av de fyra höjdintervallerna. Tabell 2. Höjdintervaller inom KNAS Höjdintervall/Höjdklass Kalfjäll Fjällbjörkskog Fjällbarrskog Produktionsskog Beskrivning Skog saknas, buskmark samt gles/lågvuxen fjällbjörkskog kan förekomma Huvudsakligen fjällbjörkskog, inslag av barrskog kan förekomma. Huvudsakligen icke-produktiv fjällbarrskog dock kan produktiv skog förekomma i gynnsamma lägen Huvudsakligen produktivskog Indexbaserad klassning En klassning som bygger på ett antal gränsvärden i olika spektrala band eller index baserade på olika bandkombinationer som t.ex. NDVI (Normalized Difference Vegetation Index). Ett regelbaserat klassningssystem definieras, vilket tar hänsyn till kontext och hierarkier mellan klasser. Syftet med klassningen är att skilja ut icke-skogsklasser (vatten, myrar) och dela in områden ovanför produktionslandskapet i en översiktlig preliminär klassning (snö, kalfjäll, hed, buskmark och fjällbjörkskog). Operatören använder sig av referensdata, bildstatistik och visuell tolkning för att erhålla klassningsresultatet Texturbild Ortofoton används för att ta fram ett texturmått, dvs släta områden särskiljs från skrovliga och delas in i fem klasser. Operatören sätter tröskelvärden genom visuell tolkning av bilden där klass 1 2 är i huvudsak områden utan vegetation eller med mycket låg växande vegetation samt myrmark och vatten. Klass 3 ska fånga upp gles skog och buskmark medan klass 4 5 huvudsakligen ska fånga upp produktionsskog. Se Tabell 3.

12 12 Tabell 3 Klasser för textur. Textur klass Beskrivning 1 Släta områden, främst öppet fjäll och vatten 2 Fjäll samt buskmark och myrmark 3 Buskmark och mycket glesa skogar/fjällbjörkskog 4 Skog, främst fjällbjörkskog 5 Produktiv skog/barrskog ML-klassning Maximum Likelihood (ML)-klassningen är en operatörsstyrd klassning där referensytor för olika naturtyper definieras av operatören med stöd av referensdata, bildstatistik och visuell tolkning. Manuellt skapade signaturer ritas in av operatören med stöd av referensdata, bildstatistik och visuell tolkning. Signaturerna beräknas på pixelnivå, dvs. tas från den icke segmenterade satellitbilden och kompletteras eller ändras tills operatören anser att klassningen ger en god överensstämmelse med referensdata och den visuella tolkningen. Klassningen genomförs därefter på den segmenterade satellitbilden Sammanlagring Sammanlagringen sker i två steg. I den första sammanlagringen ingår höjddata, textur, den indexbaserade klassningen och kartdata. Resultatet blir en schematisk klassning som till viss del styr var skogs respektive fjällklasser får förekomma i sammanlagring 2. När ML-klassningen är färdig gör man en andra sammanlagring där ML-klassningen vägs samman med resultatet från sammanlagring 1 och övriga indata. Resultatet från sammanlagring 2 blir en heltäckande kartering där vägar, hyggen och kraftledningar vägs in i resultatet. Inom sammanlagring 1 och 2 görs flera omkodningar där olika naturtyper och förutsättningar för dessa skapas utifrån hur indata sammanfaller med klassningarna Kontroll och editering Vid kontrollen granskas objekt (skyddade områden) som är större än fem hektar. Man gör en visuell kontroll av klassningen och tar stöd av referensdata i bedömningen av resultatet. Referensdata som används som stöd vid bedömningen är tidigare KNAS-kartering (där denna finns tillgänglig), ängs- och betesmarksinventeringen, ortofoto, äldre satellitdata (SPOT-mosaik från 1999 och Landsatmosaik från ) samt visst stöd av Google Earth. Eventuella felklassningar korrigeras manuellt, särskilt fokus läggs på hyggen, områden där det på grund av topografi uppstår kraftiga skuggeffekter samt eventuell förekomst av barrskogsklasser ovanför barrskogsgränsen Resultat Resultatet (Figur 3) är en kartering av alla naturreservat, nationalparker, naturvårdsområden, Natura 2000 områden och pågående reservatsobjekt ovanför fjällnära gränsen. Utöver detta produceras en heltäckande kartering över landskapet (Figur 4). Denna heltäckande kartering ska man se som ett delresultat då den slutgiltiga kontrollen och editeringen endast utförs på objektsnivå.

13 13 Figur 3. Slutresultat, en tematisk kartering inom skyddade områden ovanför fjällnära gränsen. Bilden visar naturreservatet Vindelfjällen i Västerbottens län Delresultat Heltäckande kartering över landskapet. Genom att kombinera molnfria delar av karterade scener skapas en heltäckande mosaik över svenska fjällkedjan. Detta är dock ett delresultat där den slutgiltiga kontrollen och editeringen inte är utförd.

14 14 Figur 4. Heltäckande kartering över landskapet. Ska ses som ett delresultat då slutgiltig kontroll och editering endast utförs på objektsnivå. 2.2 SLU fjällklassning Indata Satellitdata Satellitdata som använts för karteringen kommer från SPOT-5. Alla fyra spektralband används i klassningen, bland annat för att skapa vegetationsindex NDVI och NDII (Normalized Difference Infrared Index; NIR-MIR/NIR+MIR). För reflektansnormalisering används Terra/Aqua MODIS bilder från samma datum som SPOT-bilden Höjddata Höjddata används både vid för-preparering samt inom klassningsprocessen. Vid för-prepareringen används 50 m DEM från Lantmäteriet för topografisk korrigering. Inom klassningsprocessen används höjddata samt derivater från höjddata, till exempel lutning och wetness index. I dagsläget finns bara en äldre 50 m DEM tillgänglig över hela fjällkedjan. I framtiden kan förhoppningsvis en 2 m DEM från NNH (Ny Nationell Höjddata) användas Laserdata Där laserdata finns tillgängligt, kan punktmolnen (med mätningar ovan på marken) används för att beskriva vegetationen. Punktmolnet bearbetas och lämpliga metriker beräknas fram och tillgängliggörs i rasterformat Referensdata Som referensdata (eller träningsdata ) i den styrda klassning används både fältbaserade ytor (från andra projekt, samt NILS och THUF inventeringar) och flygbildstolkade ytor. En blandning av

15 15 provytor med ett systematiskt utlägg samt subjektivt utvalda provytor (med 5m radie) används. Enligt tidigare erfarenheter med fjällklassning ger 30 referensytor per klass en stabil spektral beskrivning av en klass (Reese 2011). En kvalitetsgranskning av referensytorna bör göras innan klassningen och görs lämpligen baserad på statistik (t.ex. identifiering av avvikande mätvärden). Med Random Forests klassning kan det också vara fördelaktigt att ha en jämn fördelning av antalet provytor per klass, så att majoritetsklasser inte får för stor vikt inom klassningsprocessen. Tabell 4 och Tabell 5 är en sammanfattning av antalet provytor som har använts inom Vindelfjällen och Abisko. Tabell 4. Träningsdata som använts i SLUs klassning av Vindelfjällen. Klass Från flygbildstolkning Från Subjektiva ytor Total Block-/Hällmark Skarp rished Torr rished Frisk rished Våt rished Gräshed Lågörtäng Högörtäng Vide Vatten Total Tabell 5. Träningsdata som använts i SLUs klassning av Abisko. Klass Från Fältinventering Från Subjektiva ytor Totalt Total Balanserad Block-/Hällmark Gräshed Skarp rished Torr rished Frisk rished Lågörtäng Högörtäng Snölega Torrkärr Vått kärr Vide Fjällbjörk Snö/Is Vatten Total

16 Produktion Preparering av indata Klassningsprocessen visas översiktligt i Figur 5. För varje satellitscen sker en reflektans- och topografisk normalisering. Relativ reflektansnormalisering sker med hjälp av en MODIS reflektansbild, där SPOT bilden aggregeras till 500 m pixelstorlek, och slumpmässiga provytor (inom vissa marktäckeklasser, exklusiv vatten, snö, och myrmark) används för att ta fram linjära förhållanden för korrigering av SPOT bilden. Figur 5 Översiktligt arbetsflöde som beskriver SLUs produktionskedja. Indata som märkas med en * betyder att denna del av flödet inte är nödvändig (t.ex. om laserpunktmolnen inte är tillgängliga eller om bara en satellitbild används).

17 17 Topografisk normalisering är det andra steget i förpreparering av satellitdata där en c-korrektion används med c beräknad från ett stratifierat stickprov (Reese and Olsson, 2011). I detta steg måste 50 m DEM interpoleras till 10 m pixel storlek. Detta görs med en natural neighbor interpolering i ArcMap. Den framtagna 10 m pixel DEM används vid klassning där höjd över havet (HöH), lutning och wetness index inkluderas. Lutning kan beräknas utifrån flera olika mjukvaror medan wetness index enklast skapas från programmet R. Både reflektans- och topografisk normalisering kan hanteras med Erdas Imagine eller R. En kvalitetsgranskning av träningsdata kan ge stor förbättringar av slutresultatet. Träningsdata har granskats genom att köra en kvadratisk diskriminantanalys för att upptäcka avvikande mätvärden och potentiella fel i träningsdata. Därefter har en visuell granskning utförts av dessa avvikande mätvärden innan provytorna i fråga tas bort. Dessutom kan det vara fördelaktigt att se till att träningsdata inte blir obalanserat, med allt för många provytor inom en eller två av klasserna Random Forests klassning Random Forests är en icke-parametrisk metod som kan användas för både skattning och klassning (Breiman 2001). Metoden använder sig av ett stort antal klassnings- och regressionsträd där varje träd ger ett skattnings- eller klassningsresultat. Slutresultatet beräknas som ett medelvärde (i skattningsfallet) eller genom majoritet (vid klassning). Till fördelarna med Random Forests hör att man kan använda ett stort antal oberoende variabler, även sådana som är korrelerade med varandra. Både kontinuerliga samt tematiska data kan användas som input till klassningen. En annan fördel är att man inte behöver bygga modellen manuellt, vilket gör den lämplig för automatiserade tillämpningar. Gratisprogrammet R används för Random Forests klassning då det ännu inte finns en kommersiell mjukvara tillgänglig. Alla dataskikt (SPOT-bilden eller bilderna, höjdderivater, laserdatametriker) används som input, samt träningsdata som används för att skapa klassningsträdet. En korsvalidering från träningsdata kan också produceras för att ge preliminära resultat på klassningsresultatet. Användning av skript i R betyder att omkörningar och automatiseringar av klassningen lätt kan ske. Figur 6 Ett förenklat exempel på hur ett Random Forests klassningsträd kan fungera. Bilden från Karin Nordkvist Klasser Nomenklaturen som använts inom SLUs produktionen har följt den som använts i Lantmäteriets Fjällvegetationskarta (Rafstedt 1985). Klassningsschemat finns i Bilaga 1b. Klasserna skiljer sig

18 18 något mellan de två studieområden. Inom Vindelfjällen finns våt rished och ängsfjällbjörkskog, medan i Abisko området fanns inte tillräckligt med provytor för våt rished, medan ängsfjällbjörkskog slogs samman med mossrik fjällbjörkskog till en enda klass för fjällbjörkskog. I Abisko finns två våtmarksklasser (torr och våt) medan bara en våtmarksklass finns i Vindelfjällen eftersom det inte var ett mål för klassningen att skilja mellan olika våtmarkstyper Resultat Resultatet är en kartering av både Vindelfjällen (Figur 7) och Abisko studieområden (Figur 8-Figur 9). I Abisko studieområdet visas två fall, nämligen där punktmolnet från laserdata använts respektive inte använts. Figur 7 SLUs klassning av Vindelfjällens studieområde.

19 Figur 8 SLUs klassning av SPOT 2011 bild + höjd derivater från 2m NNH + laser data metriker över Abisko studieområde. 19

20 Figur 9 SLUs klassning av SPOT 2011 bild + höjd derivater från 50 m DEM över Abisko studieområde. 20

21 Relaterade projekt CadasterENV 1 Projektet är en del av ett övergripande initiativ från ESA vars huvudsyfte är att underlätta harmoniseringen av marktäckekarteringar bland europeiska länder för att kunna producera uppdaterad, detaljerad och harmoniserad information, i olika skalintervall och för olika applikationer. För marktäckekarteringen är målsättningen att fastställe en tematisk indelning samt en datamodell baserat på följande kriterier: homogen och rikstäckande marktäckdata produktionskostnaderna är rimliga kan vid behov uppdateras på ett kostnadseffektivt sätt tematisk indelning som på översta nivån möter behoven från flera olika discipliner väldefinierade tematiska klasser INSPIRE kompatibelt bygga på data som kan anses med dagens vetskap vara tryggad för en väsentlig tid framöver Arbete drivs av Metria och arbetsgruppen består av representanter från; Naturvårdsverket, SCB, Jordbruksverket, Lantmäteriet, Skogstyrelsen, Länsstyrelsen Västerbotten, Länsstyrelsen Stockholm, Länsstyrelsen Östergötland och SLU. Projektet skall försöka hitta den minsta gemensam nämnare inom arbetsgruppens behov/krav och som är möjlig att producera rikstäckande med ovan listade kriterier i bakhuvudet. Utvecklingsarbetet kommer att pågår från våren 2013-hösten Produktion med föreslagen metodik över tre län (Östergötland, Stockholm och Västerbotten) kommer att genomföras under EMMA 2 Under början av 2013 kommer SLU att testa användning av 3D punktmoln data från digitala flygbilder istället för laserdata för att undersöka ifall det finns ett fotogrammetriskt alternativ till laserdata. EMMA kommer att slutrapporteras under THUF/MOTH 3 Bearbetningen av flygbildstolkningsdata och fältdata inom THUF/MOTH kommer att fortsätta under MOTH flygbildstolkare kommer att utöka antalet variabler i flygbildstolkningen så att de bättre fungerar i träningssyfte för satellitbildskarteringar i fjällen SLU Under 2013 kommer Heather att jobba vidare med topografisk korrigering av Landsat och SPOT bilder i Abisko området, med den nya 2m NNH data. I projektet ingår jämförelse av olika korrigeringar på en tidsserie av Landsat-bilder. Det är ett 6-månaders forskningsprojekt finansierat av Rymdstyrelsen

22 22 3 Studieområde och indata 3.1 Studieområde Arbetet har utförts inom två studieområden motsvarande två SPOT-scener (60*60 km) ovanför fjällnära gränsen. Ett av studieområdena ligger i Abisko, Norrbottens län, och ett vid Vindelfjällen i Västerbottens län (Figur 10a). Metodstudierna kring laserdata har utförts i ett mindre studieområde (6*23 km) i Abisko (se Figur 10b). a) b) Figur 10. a) Översikt över valda områden för metodutveckling, områdena utgörs av Abisko i Norrbotten samt Vindelfjällen i Västerbottens län. Studieområdena utgörs av två SPOT-scener, d.v.s. 60*60 km. b) Mindre område i Abisko (6*23 km), Norrbottens län där laserdata finns tillgängligt.

23 Indata Tabell 6 och Tabell 7 ger en överblick av de indata som använts i detta projekt. Tabell 6. Indata - Satellitdata Studieområde Satellitsensor Ursprung Registreringsdatum Abisko SPOT-5/ Saccess Abisko SPOT-5/ Saccess Västerbotten SPOT-5/ Saccess Västerbotten SPOT-5/ Saccess Tabell 7. Indata Övriga data Studieområde Sensor Ursprung Registreringsdatum Abisko Laserdata/12I035 NNH 2011 Abisko/Västerbotten Ortofoto Geolex Abisko/Västerbotten Höjddata LM Abisko/Västerbotten Kartdata SMD Satellitdata SPOT 5 bilder med 10 m pixlar har grön, röd, Nära Infraröd (NIR) och Shortwave Infraröd (SWIR) spektralband. Utöver de spektrala banden är Normalized Difference Vegetation Index (NDVI = NIR-Red/NIR+RED) och Normalized Difference Infrared Index (NDII = NIR-SWIR/NIR+SWIR) användbara för alpin vegetation. I Abisko har två satellitbilder använts, en från den 28 juli 2011 och den andra från 3 juli 2009, som har mer snö och en senare vegetationsutveckling. I Västerbotten är bilderna registrerade den 24 augusti Satellitbilderna korrigerades för topografiska effekter med två olika metoder: Parlow och C- korrigering. Både en segmenterad bild och en bild med de ursprungliga pixlarna har klassificerats. Segmenteringen har gjorts med E-cognition mjukvara, för att skapa mer homogena områden Höjddata Höjd är viktigt för alpina vegetationstyper eftersom förekomst av olika vegetationstyper påverkas starkt av höjden. Med termen "höjd derivat" avses information som kan skapas från höjddata, t.ex. lutning och aspekt, som vi har använt, samt en "Wetness Index". Wetness Index beräknar upptagningsområden och hydrologiska avrinning, och anger vilka områden som bör vara mer eller mindre blöta. Användning av den digitala höjdmodellen (DEM) från både den "gamla" 50m DEM och den nya 2m NNH DEM jämfördes. För att kunna använda 50m DEM, har den interpolerats till 10m för att matcha pixelstorleken av SPOT bilden, medan 2m NNH DEM aggregerades upp till 10m. Korrelationen mellan dessa två datakällor (på 10m pixel nivå) är hög Ny nationell höjdmodell (NNH) NNH står för Ny Nationell Höjdmodell och är en laserskanning av hela Sverige. Lantmäteriet genomför på uppdrag av regeringen en laserskanning av Sveriges landyta för att ta fram en ny nationell höjdmodell med bättre upplösning än den befintliga. Skanningen kommer att pågå

24 24 mellan , specifikationen är 1 laserpunkt på varje 2m 2 och en höjdnoggrannhet på väldefinierade objekt bättre än 2 dm. I praktiken är tätheten högre och noggrannhet likaså. Genom att bearbeta detta kan data finjusteras och editeras i en än finare skala, ner till ca 0,5 meter. Laserdata som grund för en texturbild testades över ett mindre område i Abisko, Norrbottens län (Figur 10b). Figur m NNH DEM till vänster och 50 m DEM till höger Laserdata punktmoln Som en extra produkt inom NNH produktionen har Lantmäteriet tillhandahållit laserdata i form av punktmolnet ovan markytan. Dessa data kan användas för att beskriva vegetationens höjd och täthet. Dessa data finns tillgänglig som ett rått punktmoln i LAS format, som sedan bearbetas genom att ta bort vissa avvikande värden (extremt höga och låga värden) som sedan görs om till raster format. Olika metriker kan skapas till varje raster cell, baserad på data från punktmolnen. Exempel på dessa metriker är höjdpercentiler (den höjd inom en rastercell under vilken en viss andel av punkterna i trädskiktet återfinns, t.ex., 90 % av punkterna finns under den nittionde percentilen, h 90 ) och vegetationskvoten (antal laser punkter ovan på marken/total laser punkter på marken och ovan på). Statisitka mått kan också beräknas, t.ex., standardavvikelse av höjden inom en rastercell Referensdata och valideringsdata Träningsdata har tagits från en kombination av en fältinventering och en flygbildstolkning av subjektiva ytor. Valideringsdata flygbildstolkades av en oberoende professionell flygbildstolkare. Hur detta gick till beskrivs närmare i kapitel 5.2.

25 25 4 Användarkrav Användarkraven samlades in under ett referensgruppsmöte i mars 2012 där Naturvårdsverket samt tre berörda Länsstyrelser (BD, AC och W) deltog. Nedan redovisas de behov och önskemål som diskuterades under mötet. Naturvårdsverkets behov av information Regional/nationell täckande kartering. Kartering inom Skyddade områden. Rapporteringskrav. Planering av uppföljning inom Skyddade områden. Länsstyrelsernas behov av information En rikstäckande naturtypsindelning där även de öppna fjällklasserna är mer detaljerade är ett bra underlag för planering och uppföljning Behov finns mot uppföljning av N2000 och eventuellt miljöövervakning Information om andel av naturtyper i fjällen är viktigt så att det blir uppföljningsbart Högre noggrannhet behövs för ovanliga naturtyper Basinventeringens fjällhabitatkarta är missvisande och det finns behov av bättre underlag I detta projekt: behåll uppdelningen i vegetationskartan men tänk på att det skall gå att aggregera till N2000 klasser. En uppdelning på exempelvis geologi som finns inom N2000 (exempelvis kalkmarker) är ej nödvändigt. Vide karteras med sämre noggrannhet. Det är en viktig klass och projektet bör undersöka hur långt man kan komma med denna klass. Hur ofta bör en heltäckande fjällvegetationskartering ska kunna uppdateras är svårt att svara på. Bygg en flexibel produktionslina där mindre områden kan uppdateras vid behov. En helt ny uppdatering lär behövas när areal statistiken har ändrats nämnvärt.

26 26 5 Genomförande 5.1 Metodstudier De delmoment där KNAS och SLUs produktionsmetoder särskiljer sig har närmare studerats och testkarteringar har genomförts för att kunna utvärdera hur de olika metodvalen och indata påverkar slutresultatet. Inom projektet har följande moment studerats närmare och resultaten och slutsatserna testerna ligger till grund för projektets rekommendationer: Jämförelse av tre befintliga karteringar/metoder (KNAS, SLUs fjällklassning och fjällvegetationskartan) samt dess robusthet när satellitdata från olika tidpunkter används Jämförelse av två olika topografisk korrigeringar Jämförelse av segmentbaserad kontra pixelbaserad klassning Anpassning av befintliga metoder för att erhålla ett förbättrat texturmått Jämförelse av wetness-index framställt från 50 m DEM respektive 2 m DEM Studie av olika förutsättningar för att fånga upp den spektrala variationen Baserat på användarkraven har projektets klassificeringssystem följt Fjällvegetationskartan, vars klasser är baserade på höjd, täthet och artsammansättning (Bilaga 1b). Dessa klasser är: 1. Block-/Hällmark 2. Gräshed 3. Skarp rished 4. Torr rished 5. Frisk rished 6. Lågörtäng 7. Högörtäng 8. Torrkärr 9. Vått kärr 10. Vide 11. Snölega 12. Fjällbjörk (moss- och ängsbjörkskog har kombinerats) Jämförelse av befintliga karteringar samt dess robusthet För att ge underlag till hur SLUs fjällkartering ska kunna integreras med KNAS i de öppna fjällmarkerna gjordes en analys av överensstämmelse mellan karteringarna. Tre olika karteringar har jämförts mot varandra: 1. Fjällvegetationskartan, aktualitet 1976 (flygbilder som låg till grind för tolkningen är ifrån 1976) 2. SLUs fjällklassning, aktualitet För klasserna myr, snölega och snö användes också data från KNAS klassning, aktualitet och Analysen gjordes genom statistisk jämförelse och visuell granskning. Eftersom de tre karteringar har olika klassindelning och generaliseringsgrad och ingen av dem kan anses vara "sanning" ska analysen ses som en indikativ jämförelse. För att testa hur stabil KNAS klassning är när tidpunkt för källdata (satellitdata) skiljer så jämfördes KNAS klassning från två olika tidpunkter mot varandra. Klassningarna var gjorda med samma metod av samma operatör. Analysen gjordes i Västerbotten (Figur 10).

27 Jämförelse av olika topografiska korrigeringar KNAS KNAS är baserat på parametrar för topografisk korrigering från Parlow (Parlow 1996) och SLU:s fjällklassning är baserat på topografisk C-korrigering. För att ge underlag till bedömning om i vilken grad de olika korrigeringarna påverkar slutresultat gjordes en jämförelse mellan: 1. SPOT korrigerat med Parlow respektive C-korr. 2. KNAS klassning av SPOT korrigerat med Parlow respektive C-korr Individuella fjällklassers påverkan från topografisk korrigering För att jämföra påverkan av den topografiska normaliseringsmetoden på individuella klasser, har två varianter av samma scen i Abisko (dels normaliserad med Parlow metoden och dels med C- korrigeringsmetoden) klassats på exakt samma sätt med samma indata och träningsdata och sedan utvärderats mot samma dataset. Noggrannhetsmatriser har använts för att bedöma påverkan på individuella klasser Segmentbaserad kontra pixelbaserad klassning Vid utvärdering av en segmentbaserad kontra pixelbaserad klassning har ett punktvis utvärderingsdataset använts. Dessutom har ett större område omkring varje punkt utvärderats för att göra en bedömning av segmenten. Resultaten från noggrannhetsutvärderingen ger bara en del av utvärderingen av dessa kartprodukter; som en andra del bör man titta visuellt på resultaten. Segmenten har visuellt jämförts med satellitdata från 2009 och 2011 i Abisko Textur Inom KNAS produktionen används Lantmäteriets ortofoton för att ta fram ett texturmått. Den befintliga metoden är extrems svårjobbad och tidskrävande. Över ett mindre område i Abisko testades hur man kan använda NNH data för att ta fram texturbilder motsvarande ovan beskrivna metod. Metoden baseras på ett skogshöjdraster, där alla absoluthöjder tagits bort och normaliserats. Alla objekt som sticker upp ovan mark får en relativ höjd, sedan sker en rastrering till lämplig pixelstorlek. Se Figur 12. Figur 12. Den översta bilden visar markprofilen med NNH Lasermoln med absoluta höjder. Bilden nedan visar markprofilen med Skogshöjder, relativa höjder innan rastrering.

28 28 Inom detta projekt testades hur väl skogshöjdsrastret lämpar sig som en grund för att ta fram en texturbild. Ett mindre studieområde i Abisko där laserdata fanns tillgängligt valdes ut (Figur 13). Figur 13. Utsnitt som visar skogshöjdsrastret till höger, baserat på NNH-data från produktionsruta 12I035 över Abisko fjällstation till vänster. Med utgångspunkt från skogshöjdsrastret producerades ett täthetsmått, d.v.s. hur mycket vegetation som finns inom en given yta, sedan skapades ett 10 meters raster. Värdet 0 innehåller ingen vegetation som sticker upp över marken medan värdet 100 bara innehåller vegetation ovan mark. Denna rasterbild omkodades sedan till 6 klasser 0 %, upp till 20 %, upp till 40 %, 60 %, 80 % och 100 %. Täthetsmåttet kombineras med skogshöjdsrastret till ett tematiskt raster som redovisar både täthet på vegetation och vegetationens höjd Wetness-index och laserdata I SLUs produktion har SAGA Wetness Index använts. Detta index påminner om det oftare använda Topographic Wetness Index (TWI) med en modifierad beräkning av catchment area (Boehner et al. 2002). SAGA Wetness Index skapades med hjälp av RSAGA package (rsaga.wetness.index funktionen) i R (R Development Core Team 2012). NNH data har använts för att jämföra skillnad mellan att använda 2 meter DEM och 50 m DEM vid beräkning av wetness-index såväl som övriga DEM relaterade mått vid karteringen som lutning och HöH Spektral variation För träningsprocessen i SLUs metod behövs mellan provytor per vegetationsklass och satellitscen. I dagsläget finns ett systematiskt flygbildstolkat punktgitter med 200 provytor i varje NILS ruta som en del av MOTH projektet (THUF programmet). I framtiden (efter 2013) kan satellitdata från Sentinel-2 vara ett val för klassning av fjällen. Sentinel-2 har en spatial upplösning (10 m pixelstorlek) som är jämförbar med SPOT men har större scener (290 km x 290 km).

29 29 Scenernas storlek har en potential att effektivisera karteringen genom att de inkluderar ett tillräckligt antal träningsytor från NILS. Figur 14 MOTH utlägg av 200 provytor över ett 5 x 2 km område (vänster) och trakt utlägg över Abisko (höger). I bild till höger är enbart MOTH ytorna inom 3 av de befintliga trakterna kvalitetssäkrade och utritade. MOTH ytor finna inom alla trakter. En GIS-analys har gjorts för att få ett mått på hur många referensytor som i genomsnitt kan erhålls inom en produktion baserad på SPOT-scener jämfört med framtida Sentinel-2 bilder. 5.2 Tolkning av utvärderingsytor Utvärderingsdata flygbildstolkades av en oberoende och professionell flygbildstolkare. Inom studieområdet har fem områden med stereopar av digitala flygbilder tagna den 10:e september 2008 använts för flygbildstolkningen, där varje stereobildpar täcker ett ca 8 x 3.5 km stort område (Figur 15). Inom varje bild har en stratifiering baserad på höjd använts (fyra strata: m, m, m, and > 1100 m) och provytor per höjdstratum har slumpats ut med ungefär 100 provytor per bildpar. Eftersom några provytor låg utanför studieområdet eller hade andra problem (moln, skuggor från branter), blev det totalt 374 provytor som kunde användas. Tabell 8 ger detaljerna kring vilken klass som var i majoritet inom utvärderingsytorna. Provytorna var 10 x 10 m i storlek och vegetationstyp identifierades till närmaste 10 %. Majoritetens vegetationstyp användes för att ange klass i noggrannhetsbedömningen. Dessutom har ett större område utanför provytan bedömts för storlek av sammanhängande vegetationstyp. Idén med denna bedömning är att den kan användas för att utvärdera segmenten. Instruktionerna finns i Bilaga 5.

30 30 Figur 15 Utvärderings provytor i rött med stereobildpar områden i svart. Tabell 8 Utvärderingsytor och antal ytor per klass (som hade respektive klass som majoritetsklass). Klass Antal ytor Block-/Hällmark 50 Gräshed 17 Skarp rished 10 Torr rished 40 Frisk rished 53 Lågörtäng 24 Högörtäng 4 Snölega 39 Torrkärr 15 Vått kärr 5 Vide 44 Fjällbjörk 52 Snö/Is 11 Vatten 10 Total 374

31 31 6 Resultat 6.1 Sammanfattning av resultat Nedan följer en sammanfattning av de projektets resultat. I efterföljande kapitel följer en mer detaljerad redovisning av de olika delresultaten. Jämförelse av befintliga karteringar: Valet av satellitdata har stor betydelse för resultatet. Det gäller all kartering från bilddata men är extra känsligt i fjällen med den korta vegetationsperiod som finns här. Vid en samproduktion kan de öppna fjällklasserna i KNAS väl ersättas av de mer detaljerade öppna fjällklasserna i SLUs fjällklassning. Gränsen rekommenderas gå vid fjällbjörkskogen där de öppna fjällklasserna i SLUs fjällklassning får en högre prioritet än fjällbjörkskogen i KNAS. Utmaningar är att få till en bättre kartering av våtmarker och vide. Både KNAS eller SLUs fjällklassning bör kunna förbättras t.ex. med utnyttjande av kompletterande datakällor såsom laserdata. Robusthet i KNAS: Den befintliga KNAS produktionslinan och klassningsmetoden är robust och visar på förväntade skillnader mellan två karteringar (75 %). Jämförelse av olika topografiska korrigeringar: En bedömning är att val av Parlow eller C-korrektion har en viss betydelse för klassningen av fjällbjörkskog (främst på sydsluttningar) i KNAS men inte i den grad att val av topografisk korrigering bör vara styrande. I SLUs kartering har den topografiska korrektionen en påverkan på torr och frisk rished, men om klasserna slås samman till en rished klass, bör inte den topografiska korrigeringen ha en större påverkan. Vid nykartering rekommenderas C-korrigering även om skillnaderna i klassningsnoggrannhet var små jämfört med Parlow. C-korrigeringen ger en något större möjlighet att skapa en bra klassning av de olika öppna fjällnaturtyperna. Segmentbaseradkontra pixelbaserad: Pixelbaserad klassning rekommenderas före segmentbaseras på grund av de naturgivna förutsättningarna för öppna fjäll-naturtyper. Vid en generalisering föreslås en hierarkisk gruppering t ex till rished, gräshed osv. Pixelklassning av de öppna fjälltyperna bör överlagra den segmentbaserade KNAS karteringen. För en kartografisk produkt kan pixelklassningen generaliseras till segmentnivå. Hur det skall göras bör studeras vidare och exemplifieras. Wetness-index: Att inkludera ett wetness-index förbättrar klassningsnoggrannheten och är av särskild betydelse för möjligheten att avgränsa fuktiga och våta marker. Att ta fram skiktet är en engångsinsats och skiktet behöver inte uppdateras. Är av betydelse vid kartering av vide och myrmark.

32 32 Höjdmodell (2 m kontra 50 m): Den nya höjdmodellen (2 meter) bör kunna användas för exempelvis modellera fram vindblotter, potentiella snölegor, geomorfologiska strukturer. Samt även för att modellera fram ett förbättrat wetness-index. Ur projektets synvinkel är att det dock inte är någon väsentlig skillnad mellan att använda 2 meter eller 50 meters DEM. Om 50 m höjdmodellen interpoleras till 10 m raster blir skillnader i klassningsnoggrannheten inte stor jämfört med när man använder 2 m höjdmodellen. Användning av 50 m höjdmodellen i klassningsprocessen (utan att interpolera) ger däremot sämre resultat visuellt. Texturmått/Laserdata: Träningsdata: NNH-data har potential att förbättra och ge en mer finkänslig uppdelning av impediment, lägre vegetation och skog samt produktiva skogar kontra icke-produktiva skogar, men det krävs att datahanteringen anpassas till befintlig produktionslina. Den nuvarande metoden för framtagning av texturbilder (baserat på ortofoto), ger i de flesta fall ett fullgott resultat som motsvarar befintliga produktionskrav inom KNAS. Texturmåttet kan avsevärt förbättras med underlag från laserscanningen. Detta kommer att ge bättre möjligheter att avgränsa träd- buskmarker. Laserscanningen har också en potential att förbättra avgränsningen av våtmarker. Om punktmolnen från laserdata är tillgängliga kan detta förbättre klassningsnoggrannheten för flera klasser, främst fjällbjörk, vide, högörtäng, och frisk rished (Reese et al., 2013). Det kan ta flera år innan laserdata punktmolnen är tillgänglig över hela fjällkedjan. Forskning som finansieras av NV (under EMMA projektet) pågår under 2013 för att testa möjligheten att använda punktmoln ifrån LMs vanliga digital flygbilder istället för laserdata. Tidigare forskning i Västerbotten visade att subjektivt valda träningsytor var ett effektivt och bra sätt att erhålla träningsdata för klassning, samt att det är mycket mer kostnadseffektiv. En kombination av subjektiva och systematiska provytor fungerar bäst, och en källa med fältdata är alltid att föredra. Naturvårdverkets NILS och THUF program är en potentiell källa till fältbaserade träningsdata (med medföljande markbilder). Klassningsalgoritm (detta är ej undersökt i denna studie utan slutsatsen bygger på tidigare erfarenheter): KNAS metodiken har använt en ML-klassning av spektrala data medan SLUs metodik har använt sig av Random Forests. Dessa två metoder testades inte emot varandra i detta projekt, men i tidigare studier har klassningsresultaten blivit något bättre med Random Forests (Reese 2011). Om man vill lägga till andra datakällor (höjd över havet, lutning, osv), kan Random Forests hantera detta medan ML har en begränsad möjlighet att hantera av olika datakällor. Användning av Random Forests gör inom R, vilket har en inlärnings-tröskel. Men efter detta kan man lätt använda R till en automatiserad klassningskedja. Slutsatser kring nomenklatur och klassningsnoggrannheter: Torr/Frisk rished: Separation av torr och frisk rished var dålig i SLUs Abisko klassning, men något bättre i Västerbotten. Genom att kombinera dessa till en klass ökar noggrannheten (i Abisko ökade producentnoggrannheten från 60% till 67%). Från tidigare erfarenhet, är

33 33 ett mycket noggrant urval av träningsdata det som krävs för att uppnå en god klassificering, vilket troligen var fallet för SLUs Västerbotten klassningen. Snölega: Snölega är svårklassat då det är säsongsberoende. Ett alternativ är att klassa snölegsområden som snö, block, lågörtäng eller gräshed istället för snölega. Om det ska klassas som snölega får man bättre noggrannhet om satellitbilder från två olika datum använts, vilken kan vara SPOT eller Landsat bilder. Vide: Både laser metriker och Wetness Index är lovande för att får en bättre klassning av vide, särskilt när det gäller högre videbuskar. Kortare, glesare vide buskar kan vara svårare att klassa. Klassningsnoggrannheten kan förbättras utan hjälp av laser om definitionen av vide ändras till en högre täckningsprocents (t ex 70% istället för nuvarande 50%). Lågörtäng: Lågörtängar förväxlas ibland med gräshed och kan uppstå från problem i träningsdata som i sin tur kan bero på skillnader i fenologi mellan fältinventeringsdatum och satellitbildens registreringsdatum. Spektralt borde det gå lätt att skilja mellan gräshed och lågörtäng. Högörtäng: Är en klass som ockupera relativt små arealer, ofta i närheten till eller i fjällbjörkskogen. Fler träningsytor rekommenderas. Alternativt kan den kombineras med lågörtäng. Fjällbjörkskog: På grund av förväxling mellan mossrik fjällbjörkskog och ängsbjörkskog är det förmodligen lättast att kombinera dessa till en klass. Kärr: Är en klass med relativ låg noggrannhet. Nuvarande kartprodukter och KNAS underskattar myrmark i fjällen medan SLUs klassning med satellitbilder från två registreringstillfällen har överskattat myrmark. Vidare utveckling av metoder för bättre klassning av myrmark behövs där flera datums bilder samt radar kan spelar en roll i framtiden. 6.2 Delresultat Jämförelse av befintliga karteringar samt robusthet Jämförelse tre karteringar Resultat av jämförelse mellan karteringarna SLUs fjällklassning, KNAS och fjällvegetationskartan redovisas i Bilaga 2. I Tabell 9 har en sammanfattning gjorts. Nedan följer en sammanfattning utgående från några huvudgrupper. I Figur 16 - Figur 24 visas några bildexempel (utsnitt). Öppen mark i fjällen (ej myr) De 10-tal öppna fjällklasserna i SLUs fjällklassning motsvarar i huvudsak de fem öppna fjällklasserna i KNAS (Kalare områden samt Vegetation med högre respektive lägre textur på myr respektive inte på myr). KNAS-klassen Kalare områden i höjdlägen är en bred klass och här återfinns främst vegetationsklasserna (både SLU och fjällvegkartan) blockmark och gräsmark men även snölega samt skarp och torr rished. I KNAS-klassen Vegetation med lägre textur (ej myr) återfinns främst vegetationsklasserna (både SLU och fjällvegkartan) torr respektive frisk rished men även fuktig rished och lågörtäng.

34 34 I KNAS- klassen Vegetation med högre textur (ej myr) återfinns främst vegetationsklassen (både SLU och fjällvegkartan) frisk rished. Våtmark i fjällen Våtmark täcker stor areal och är generellt svårkarterat i satellitdata. KNAS har använt topografiska kartans sankmarksmask som stöd och SLU har karterat utan denna men med satellitdata från två tidpunkter (2008 och 2010). Generellt verkar arealen våtmarker underklassas i KNAS och överklassas i SLUs fjällklassning- Det är en utmaning är att få till en bättre våtmarkskartering. Eventuellt kan laserdata vara ett stöd för att säkra upp våtmarker och för att ta bort felklassade våtmarker. Buskbevuxen mark Videbuskmarker är svåra att kartera i satellitdata och en sammanblandning med både rished och björkskog är vanligt, vilket även denna jämförelse visar. En utmaning är att få till en bättre kartering av dessa marker. Skogsbevuxen mark Fjällbjörkskog har en relativt bra överenstämmelse mellan karteringarna och ligger även på ungefär samma totala areal ( ha). Fjällbarrskogen täcker en för liten areal för att man skall kunna dra några slutsatser. Tabell 9. Utvalda klasser från respektive kartering och vad de huvudsakligen motsvarar i de andra karteringarna. Klass i Fjällklassning (SLU) 2008 Area (ha) består främst av KNAS 2010 klass består främst av Fjällvegklass Snö/is 922 Snö och glaciär Glaciärer och permanenta snöfält Snölega Kalare områden i höjdläge Glaciärer och permanenta snöfält och Fjällblock- och hällmark Blockmark Kalare områden i höjdläge Fjällblock- och hällmark och Gräshed (inkl moderat snölega) Skarp rished Kalare områden i höjdläge Gräshed (inkl moderat snölega) och Torr rished Gräshed Kalare områden i höjdläge och Vegetation med lägre struktur (ej myr) Gräshed (inkl moderat snölega) och Torr rished Torr rished Vegetation med lägre struktur (ej myr) Torr rished Frisk rished Vegetation med lägre respektive högre struktur (ej myr) Frisk respektive Torr rished Fuktig rished Vegetation med lägre struktur (ej myr) och Fjällbjörkskog Frisk rished och Hedbjörkskog Låg örtäng Vegetation med lägre respektive högre struktur (ej myr) Frisk rished och Lågörtäng Hög örtäng 590 Fjällbjörkskog och Vegetation med lägre respektive högre struktur (ej myr) Hedbjörkskog Myr (båda) Vegetation med lägre struktur (ej myr) Torr respektive Frisk rished Vide Vegetation med lägre struktur (ej myr) Frisk rished Barrskog 941 Fjällbjörkskog Hedbjörkskog Fjällbjörkskog Mossrik Fjällbjörkskog Hedbjörkskog Ängsfjällbjörkskog Fjällbjörkskog Hedbjörkskog Klass i KNAS 2010 Area (ha) består främst av Klass i Fjällklassning (SLU) 2008 består främst av Fjällvegklass Snö och glaciär Snö/is och Blockmark Glaciärer och permanenta snöfält Kalare områden i höjdlägen Gräshed och Blockmark Gräshed (inkl moderat snölega) och Torr rished Vegetation med lägre struktur (ej myr) Torr respektive Frisk rished Torr respektive Frisk rished Vegetation med lägre struktur (myr) 471 Myr Myr Vegetation med högre struktur (ej myr) Fjällbjörkskog (mossrik), Myr och Frisk rished Frisk respektive Torr rished Vegetation med högre struktur (myr) Fjällbjörkskog Mossrik, Myr och Frisk rished Hedbjörkskog respektive Myr Våtmark (alla tre) Myr Myr Fjälltallskog 94 Myr, Fjällbjörkskog Mossrik Frisk rished och Hedbjörkskog Fjällgranskog 1 Vatten Hedbjörkskog Fjällbarrskog 4 Fjällbjörkskog Mossrik och Barrskog Fjällbarrskog Fjällblandskog 216 Fjällbjörkskog Mossrik och Barrskog Hedbjörkskog och Fjällbarrskog Fjällbjörkskog Fjällbjörkskog Mossrik Hedbjörkskog Klass i Fjällvegetationskartan Area (ha) består främst av Klass i Fjällklassning (SLU) 2008 består främst av KNAS 2010 klass Glaciärer och permanenta snöfält Blockmark och Gräshed Kalare områden i höjdlägen Fjällblock- och hällmark Blockmark Kalare områden i höjdlägen Gräshed (inkl moderat snölega) Gräshed Kalare områden i höjdlägen Skarp rished Gräshed och Torr rished Kalare områden i höjdlägen och Vegetation med lägre struktur (ej myr) Torr rished Torr respektive Frisk rished och Gräshed Vegetation med lägre struktur (ej myr) och Kalare områden i höjdlägen Frisk rished Frisk rished Vegetation med lägre respektive högre struktur (ej myr) Våt rished Frisk rished Vegetation med lägre struktur (ej myr) Lågörtäng Torr rished och Gräshed Vegetation med lägre struktur (ej myr) och Kalare områden i höjdlägen Högörtäng 99 Låg örtäng och Frisk rished Fjällbjörkskog och Vegetation med lägre struktur (ej myr) Buskmark Torr rished, Fjällbjörkskog Mossrik och Myr Fjällbjörkskog och Vegetation med lägre resp högre struktur (ej myr) Myr (båda) Hög örtäng Våtmark och Vegetation med lägre struktur (ej myr) Hedbjörkskog Fjällbjörkskog Mossrik Fjällbjörkskog Ängsbjörkskog Fjällbjörkskog Mossrik Fjällbjörkskog Fjällbarrskog 854 Barrskog och Fjällbjörkskog Mossrik Tall-, Gran och Barrblandskog Fjällgranskog 9 Barrskog Fjällbjörkskog och Triviallövskog

35 35 Figur 16 Fjällvegetationskartan Figur 17 SLUs fjällklassning Satellitbild i Figur 20 Figur 18. Knas Satellitbild i Figur 20.

36 36 Figur 19. KNAS Satellitbild i Figur Robusthet KNAS För att testa hur robust KNAS klassning är när tidpunkt för källdata (satellitdata) är olika så jämfördes KNAS klassning från två olika tidpunkter ( och ). I Bilaga 3 redovisas resultat och i Figur 18, Figur 19 och Figur 23 visas några bildexempel (utsnitt). De två SPOT-bilderna är synligt olika (Figur 20 och Figur 21) bilden har lägre solstånd (mer skuggor) och är torrare än Total överrensstämmelse mellan klassningarna är 73 %. Slås de fem öppna fjällklasseran ihop blir överensstämmelsen 90 % (91 % om även Snö och glaciär medräknas till de öppna fjällklasserna). Klasser som täcker en större areal är lämpliga att jämföra. De klasser som har en areal på > ha: Våtmark Arealen är ungefär samma mellan klassningarna men de täcker bara till 55 % exakt samma område. Våtmark sammanblandas med främst Kalare områden i höjdlägen, Vegetation med lägre textur (ej myr) och Vegetation med högre textur (myr). Sötvatten Bra överrensstämmelse, 96 %. Fjällbjörkskog 2008 klassningen har något mindre areal och överrensstämmelsen är 76 %. Sammanblandas främst med Vegetation med lägre respektive högre textur (ej myr) Snö och glaciär 2008 klassning har större areal än 2010 klassning (ca ha mot ca ha) vilket till stor del beror på att 2008 scenen har lägre solstånd vilket ger mer skuggade partier som felklassats till snö. Dessa områden är i 2010 klassningen Kalare områden i höjdlägen. Det är 2008 års klassning som är felaktig, ett fel som går att rätta till. Överenstämmelsen är 42 %. Kalare områden i höjdlägen Klassen täcker ungefär lika stor areal och överenstämmelsen är 83 %. Sammanblandningen är främst med Vegetation med lägre textur (ej myr.) Vegetation med lägre resp. högre textur (ej myr resp myr) Den arealmässigt största klassen är Vegetation med lägre textur (ej myr) och arealen är

37 37 ungefär samma mellan klassningarna. Överrensstämmelsen är 72 % och klassen sammanblandas främst med Kalare områden i höjdlägen och Vegetation med högre textur (ej myr). KNAS klassningen har bra överensstämmelse nedan det öppna fjället (90 %) i testat område. Den största klassen nedan det öppna fjället är fjällbjörkskog med en överrensstämmelse på 76 %. Med tanke på att de två ingående satellitbilderna är väldigt olika så är en bedömning att detta är ett troligt lägsta generellt mått på robustheten i KNAS klassningen. Figur 20. SPOT Klassning i Figur 17 och Figur 18 Figur 21. SPOT Klassning i Figur 19.

38 38 Figur 22. SPOT-5 datum (vänster) och (höger) Figur 23. KNAS klassning 2008 (vänster) och 2010 (höger) Figur 24. SLU fjällklassning 2008 (vänster) och ortofoto (höger) Jämförelse av olika topografiska korrigeringar KNAS KNAS är baserat på topografisk Parlow korrigering av satellitdata och SLU:s fjällklassning är baserat på topografisk C-korrigering. För att ge underlag till bedömning om i vilken grad de olika korrigeringarna påverkar slutresultat gjordes en jämförelse mellan: SPOT korrigerat med Parlow respektive C-korr.

39 39 KNAS klassning av SPOT korrigerat med Parlow respektive C-korr. Sambandet är högt mellan data som är korrigerat med Parlow och C-korr (Figur 25 - Figur 27). Skillnaderna återfinns naturligt i skuggiga och solbelysta områden. Skillnaderna och likheterna kan även ses i bilderna (Figur 26 - Figur 27). Figur 25. Samband mellan Parlow (y axel) och C-korrigerad (x axel) SPOT-5 (röda bandet), Om de olika topografiska korrigeringarna av SPOT data har betydelse vid klassning undersöktes och resultatet redovisas i Bilaga 4. Bildexempel visas i Figur 28. Total överrensstämmelse är 88 % och 95 % om de fem öppna fjällklasserna slås ihop. Av de fem öppna fjällklasserna på mer än ha (fyra klasser) har tre => 90 % överensstämmelse. Den öppna fjällklassen som har sämst överrensstämmelse är Vegetation med högre textur (ej myr) med en överrensstämmelse på 51 %. Sammanblandningen är med Fjällbjörkskog och Vegetation med lägre textur (ej myr). Sammanblandningen med den lägre texturen är kopplat till texturmåttet (från ortofotot) och därmed inte kopplat till typ av topografisk korrigering medan sammanblandningen med fjällbjörkskog mer är kopplat till den spektrala informationen och därmed till val av topografisk korrigering. Fjällbjörkskog har en överrensstämmelse på 88 %, där den c-korrigerade klassningen har något mer fjällbjörkskog. Sammanblandningen är främst med Vegetation med högre textur (ej myr), se Figur 28. Det är på sydsluttningarna som avvikelserna främst förekommer. Om det i verkligheten är fjällbjörkskog eller vegetation med högre textur är svårt att fastställa men baserat på ortofotot ser verkligheten ut att ligga någonstans mitt emellan. En bedömning är att val av Parlow eller C-korrektion har en viss betydelse för klassningen av fjällbjörkskog (främst på sydsluttningar) i KNAS men inte i den grad att val av topografisk korrigering bör vara styrande. För en mer detaljerad klassning i det öppna fjället kanske valet har en mer signifikant betydelse (se Kapitel ).

40 40 Figur 26. SPOT , topografiskt okorrigerad (vänster) och topografiskt Parlow korrigerad (höger). Figur 27. SPOT , topografiskt korrigerad med C-korr (vänster). Differens mellan Parlow och C- korrigerad i rött band (höger), grått = oförändrat/samma, svart/vitt = avvvikande.

41 41 Figur 28. KNAS klassning i SPOT baserat på Parlow (vänster) och C-korrektion (höger). Figur 29. SLU klassning i SPOT baserat på C-korrektion (vänster). Ortofoto (höger).

42 Klassning med Parlow korrektion Klassning med C-korrektion Satellitbilden från Individuella fjällklassers påverkan från topografisk korrigering En jämförelse av klassningen med samma inputdata (förutom topografisk korrigeringsmetod) i Abisko visar vad påverkan av den topografiska korrigeringen blev på olika klasser. Figur 30 visar två områden i Abisko klassningen där man kan jämföra resultaten visuellt. Norr om Torneträsk Söder om Torneträsk Figur 30 Resultat av klassning av satellitbilder korrigerade med Parlow kontra C-korrektions metoder. I bilder till vänster är största skillnad inom högörtäng (rött) klassen, medan i bilderna till höger är största skillnad inom frisk rished (mörk brun). Om man jämför noggrannhetsmatriser (Bilaga 6, tabell a och b), kan man se att den totala klassningsnoggrannhet blev något högre för C-korrigering (60.2%) jämfört med Parlow (57.5%). När man titta på individuella klasser, verkar skillnad mest bero på en överklassning av gräshed och

43 43 skarp rished (mer sparsam vegetation) i den Parlow korrigerad bilden, medan C-korrigering har överklassat torrkärr. C-korrigering gav bättre noggrannhet för klassning av torr rished (10 % skillnad), frisk rished (4 %), och vide (5 %). I vissa fall, t.ex., torrkärr, vått kärr, och skarp rished, var antalet utvärderings provytor få (15 provytor eller färre) vilket kan försvaga analysen av dessa klasser. För andra klasser som block, låg- och högörtäng, samt fjällbjörkskog var skillnaden mindre än 2 % Segmentbaserad kontra pixelbaserad klassning När man jämföra noggrannhetsmatriser (Bilaga 6, Tabell c och d) från en segmentbaserad kontra pixelbaserad klassning av SPOT 2011 bilden, ser man att den totalnoggrannheten blev 60.2% med den pixelbaserade klassningen och 53.5% med den segmentbaserade klassningen. När man tittar på individuella klasser, verkar skillnaden mest bero på en sämre noggrannhet inom torr rished, frisk rished och lågörtäng med 10-15% försämring av producentnoggrannheten med segmentering. Detta är förmodligen ett resultat av att segmentering är ett sätt att generalisera data, och beroende på segmenteringsmetoden, kommer små områden att läggas ihop med andra. Fjällen består av ett heterogent vegetationstäcke, där ett 10 m x 10 m område ofta innehåller mer än en vegetationstyp. Klasserna torr rished och frisk rished ligger spektralt nära till varandra, och kan vara anledningen till att segmenteringen hade förbättrade resultat för frisk rished medan det var sämre för torr rished. Eftersom ett nytt värde för varje skikt skapas till varje segment, kan det hände ibland att segmenten kan bli klassat som en hel annan klass jämfört med den pixelvisa klassningen (Figur 31). Detta kan särskilt hända i områden med flera mixels eller otypiska spektraldata. Om segment skapas där standardavvikelse är hög inom ett segment, eller om det finns några avvikande värden, kan det ha stor betydelse för segmentenen och klassningen. Det är möjligt att hänsyn borde tas till segment med hög standardavvikelse. Figur 31. Pixelvis klassning (vänster) och Segmentbaserad klassning (höger) av SPOT Cirklar visar skillnader i klassningen. Segmentering av 2009 SPOT bilden gjordes separat från 2011 SPOT bilden i Abisko. En jämförelse av segment är av intresse, eftersom det är ett tecken på robusthet (Figur 32).

44 Closeup of overlap SPOT 2011 SPOT Område norr om Torneträsk Område söder om Torneträsk Figur 32 Jämförelse av segment skapade med SPOT 2009 och SPOT 2011 bilder, samt överlapp mellan segmenteringar.

45 Textur Inom KNAS produceras ett skikt som baseras på ortofoton, som visar hur jämn eller ojämn en naturtyp är i terrängen, d.v.s. om en yta som ska karteras är homogen eller heterogen, en så kallad texturbild. Texturbilden är ett tematiskt raster i fem klasser se Figur 33. Figur 33. Bilden till höger visar ett utsnitt ur satellitscenen. Bilden till vänster visar texturbilden, ett tematiskt raster i fem klasser som visar texturen i landskapet från lågt till hög textur. Texturbild baserat på NNH ger en detaljerad bild över vegetationshöjd kopplat till vegetationstätheten (Figur 34), man får skarpa gränsdragningar mot impedimentsytor och en tydlig indikation på utbredning och täthet av skog respektive lägre vegetation. Figuren nedan visar det tematiska lagret med färgsättningen efter täthetsmått och vegetationshöjd. En fördel med texturbilder baserade på laserdata är att man får ett likvärdigt resultat i hela ytan och bestämda mått på vegetationstäthet och höjd vilket i teorin innebär att man kan producera ett resultat som ser likadant ut över stora områden/flera scener utifrån fastställda parametrar. Dock bör man notera att om resultatet ska användas i befintlig produktionslina behöver det bearbetas till en för KNAS-produktionen hanterbart format, se exempel i Figur 35.

46 46 Figur 34. Bilden till höger visar ett utsnitt ur satellitscenen. Tematiskt raster (till höger) visar vegetationstäthet från gles till tät vegetation, respektive vegetationshöjd från låg till hög. Figur 35. Bilden till höger visar ett utsnitt ur satellitscenen. Texturbild baserad på NNH-data bearbetad enligt befintlig KNAS-produktion.

47 Wetness-index och laserdata Wetness-indexet har förbättrat klassningen för främst torr- och vått kärr, och pekas ut som den viktigaste variabeln för att skilja dessa klasser från andra (Tabell 10). I tidigare studier (där punktmolnet från laserdata inte var tillgängligt) har det visat sig förbättra klassningen av vide. Saga Wetness Index är ganska lätt att skapa (fast något datorintensiv och kan ta en timme på en medelsnabb dator) och borde kunna användas i klassningar. Tabell 10. Den viktigast och näst viktigast variabel i klassningen (enligt Random Forest variable importance ), när indata var en SPOT bild+ laser metriker + höjd derivater. En * indikerar att det är samma variabel som för Klass Viktigast variabel 2:a viktigast variabel 1:a viktigast variabel 2:a viktigast variabel Block-/Hällmark NDII NDVI * * Gräshed HöH NDII * SWIR band Skarp rished NDVI H95 * * Torr rished NDVI H95 NIR band * Frisk rished NDVI HöH * * Lågörtäng HöH NIR band NIR band H95 Högörtäng NIR band * * Snölega NDVI HöH * * Torrkärr Wetness Index NDVI * * Vått kärr Wetness Index NDVI * * Vide NDVI H95 * H99 Fjällbjörk H95 HöH * NIR band Spektral variation En överlappsanalys gjordes för att söka ut hur många trakter från NILS inventeringen (och därmed hur många MOTH ytor) det är realistiskt att erhålla över en enskild scen. Analysen gjordes dels för de i KNAS 5 produktionen ingående satellitbilderna och dels för en simulerad Sentinel-2 scen. Inom KNAS produktionen som innefattar 72 scener (främst SPOT-5 som kompletteras av SPOT-4 eller IRS). Dessutom är 45 av dessa scener registrerade i stråk vilket betyder att de är registrerade under samma förhållande. I tabellen nedan visas hur många trakter som finns inom en scen. Tabell 11. Antal NILS trakter. Varje NILS trakt omfattar 200 flygbildstolkade punkter inom MOTH programmet. SPOT Sentinel-2 Sverige Totalt Varav fjällnära Totalt Varav fjällnära Totalt Varav fjällnära medel 4,2 3, min 0 0 max 8 8

48 48 Figur 36. Referens ytor inom SPOT samt Sentinel. 6.3 Klassningsresultat Inom projektet har följande kombinationer av metod och indata testklassats och utvärderats mot de inom projektet framtagna utvärderingsdata (kapitel 5.2). 1. SPOT laserdata + höjdderivater (pixelbaserad med C-korrigering) 2. SPOT höjdderivater (pixelbaserad med C-korrigering) 3. SPOT 2011 (pixelbaserad med C-korrigering) 4. SPOT laserdata + höjdderivater (pixelbaserad med C-korrigering) 5. SPOT höjdderivater (pixelbaserad med C-korrigering) 6. SPOT SPOT laserdata + höjdderivater (pixelbaserad med C-korrigering) 7. SPOT laserdata + höjdderivater (segmentbaserad med C-korrigering) 8. SPOT laserdata + höjdderivater (pixelbaserad med Parlow) Genom användning av utvärderingsytorna har felmatriser tagits fram för de olika metoder och indata som har använts. I Tabell 12 - Tabell 13 finns sammanställningar av resultaten. Bilaga 6 innehåller fullständiga felmatriser.

49 Tabell 12. Samanställning av producentnoggrannhet i procent (#rätt klassade /# valideringsprovytor) för individuella klasser, med olika indata och metoder. Om inget annat anges har c-korrigering använts och en pixel-baserade klassning sat + laser + höjd sat + höjd sat sat + laser + höjd sat + höjd sat + laser + höjd 2011 Segment (1 sat + laser + höjd) 2011 Parlow (1 sat + laser + höjd) Antal validerings provytor Block Snö Gräshed Skarp rished Torr rished Friskrished Lägörtäng Högörtäng Snölega Torrkärr Vått kärr Vide Fjällbjörk Total

50 Tabell 13 a-e. Andra variationer som testats och bör uppmarksammas. Total Noggrannhet a) Torr och Frisk rished 2 separata klasser 1 kombinerad klass 60.2% 66.6% b) 50 m DEM/2m NNH DEM 2011 Satellit + 50m DEM Höjd deriv Satellit + 2m NNH Höjd deriv. Total Noggrannhet 52.9% 54.6% c) Topografisk korrektion Parlow, 2011 Satellit + Höjd + Laser C-korr, 2011 Satellit + Höjd + Laser Total Noggrannhet 57.5% 60.2% c) Segment/Pixel Segment, 2011 Satellit + Höjd + Laser Pixel, 2011 Satellit + Höjd + Laser Total Noggrannhet 53.5% 60.2% e) Förbättring när laserdata används Vide Noggrannhet Fjällbjörkskog Noggrannhet satellit + höjd + laser satellit + höjd satellit 54.6% 40.9% 18.2% 80.8% 65.4% 55.8%

51 Overall Accuracy % Fuzzy Accuracy Assessment Ibland kan det kännas som noggrannhetsutvärdering av en tematisk karta är för oflexibel och svart/vit. Gopal och Woodcock (1994) introducerade idén om en utvärdering som tillåter fuzzy logic där man kan definiera vad som är acceptabla fel i klassningen. Fuzzy accuracy assessment tillåter fem olika noggrannhetsnivåer inklusive helt fel, förståelig men fel, acceptabelt fel, bra svar och helt rätt. I vårt fall har vi testat två scenarier. I båda scenarierna är det ett bra svar om torr och frisk rished kombineras, samt låg- och högörtäng, samt snölega med möjliga klasser. Skillnaden är att i Scenario 1 är det ett acceptabel fel när gräshed kombineras med örtäng samt att skarp rished kombineras med frisk och torr rished. I Scenario 2 är det enbart ett acceptabel fel om gräshed kombineras med skarp rished och blockmark. Resultaten sammanställs i Figur 37, medan de detaljerade resultat finns i Bilaga 7 och 8, där man kan se påverkan på individuella vegetationsklasser. 76 Fuzzy accuracy assessment summary - Abisko Scenario 1 - SPOT 2009 Scenario 2 - SPOT 2009 Scenario 1- SPOT 2011 Scenario 2 - SPOT Score 5 - Rätt Score 4 - Bra Score 3 - Acceptabel Fuzzy Accuracy Assessment Score Figur 37. Fuzzy Accuracy Assessment till Abisko klassningen från både 2009 och I både scenario, är det "Bra" om torr och frisk rished kombineras, samt låg och högörtäng, samt snölega med möjliga klasser. Scenario 1 = Acceptabel om gräshed kombineras med örtäng samt att skarprished kombineras med frisk och torr rished. Scenario 2 = Acceptabel om gräshed kombineras med skarp rished och block. En Fuzzy accuracy assessment utfördas också för SLUs klassningen i Västerbotten (Figur 38). Resultaten visar att det var en liten förbättring med Scenario 2. I denna klassning var förväxling mellan frisk och torr rished inte lika stor som i Abisko, förmodligen pga tiden som lades ner på kvalitetsgranskning av träningsdata samt att vegetationen är annorlunda i Västerbotten jämfört med Abisko (proportioner mellan torr och frisk rished är annorlunda i dessa två studieområden).

52 Overall Accuracy Assessment % Fuzzy accuracy assessment - Västerbotten Scenario 1 Scenario Score 5 - Rätt Score 4 - Bra Score 3 - Acceptabel Fuzzy Accuracy Assessment Score Figur 38. Fuzzy Accuracy Assessment till Västerbotten klassningen. I både scenario, är det "Bra" om torr och frisk rished kombineras, samt låg- och högörtäng, samt snölega med möjliga klasser. Scenario 1 = Acceptabel om gräshed kombineras med örtäng samt att skarp rished kombineras med frisk och torr rished. Scenario 2 = Acceptabel om gräshed kombineras med skarp rished och block. Sammanfattat, enligt Fuzzy utvärderingen, får man den största förbättring vid sammanlagring av torr och frisk rished. I både Abisko och Västerbottens ökade noggrannheten för lågörtäng mer med Scenario 1 än noggrannheten för gräshed i Scenario 2. I andra fall var det bara marginell förbättring av resultaten. Eftersom andra sammanslagningar av klasser inte visar en väldigt tydlig skillnad, kan man tycka att det förmodligen är bättre att inte slå tillsammans allt för många olika klasser.

53 53 7 Implementering I detta kapitel ges förslag på implementering samt en grov tidsuppskattning för att genomföra en heltäckande fjällkartering. Denna studie har visat att det bästa resultatet erhålls med en kartering som bygger på topografiskt korrigerade satellitbilder (företrädesvis C-korrigering), där klassningen är pixelbaserad och där höjdinformation och laserdata används som komplementära datakällor (Tabell 12). Inför implementering finns minst två olika alternativ: 1. Produktionen starta inom relativt omgående och använder sig av idag tillgängliga data. Vid implementeringen och uppdatering av befintliga produktionslinor tar man tar hänsyn till att bättre data kommer att bli tillgängligt i framtid, dvs. produktionslinan förbereds för att kunna hantera laserdata och/eller Sentinel-2 data när detta blir tillgängligt. 2. Man avvaktar med att dra igång produktionen till dess att de indata som behövs för en optimal produktion finns tillgängliga, vilket troligen ger ett tidperspektiv på minst fem år framåt i tiden vad det gäller att få tillgång till laserdata (alternativt likvärdig information från fotogrammetriska metoder). Budskapet från användargruppen är att informationen behövs nu och att det är bättre att börja producera ett efterfrågat material för att sedan framöver förbättras produkten den dagen laserdata blir tillgängligt. Tidsuppskattningen nedan bygger på scenario 1. Alla data som behövs inom produktionen ingår i geodatasamverkan alternativt är finansierade av Naturvårdsverket, exempelvis NILS och MOTH. Tabell 14. Uppskattning av tidsåtgång baserat på det antal scener (70-75 st) som bedöms behövas för att få en heltäckande kartering av de svenska fjällen. Moment Min antal timmar Max antal timmar Projektledning Justering av befintlig produktionslina Preparering av indata (inklusive wetness-index, höjdderivater etc) Test reflektanskalibrering Reflektansnormalisering C-korrigering (topgrafisk normalisering) Klassning, inkl signaturgenerering Efterbearbetningar (ex hyggen, skuggor etc) Editering Generalisering Summa Produktionsflöde KNAS befintliga produktionskedja behöver modifieras för att kunna hantera nytillkomna datakällor som exempelvis wetness-index. Utöver justering av produktionslina behöver ett antal

54 54 batch-funktioner för att effektivt kunna hantera många produktionsenheter. Produktionsenheterna inom KNAS har tidigare baserats på enskilda satellitscenernas utbredning. Föreslagsvis behålls dessa produktionsenheter. Detta kan komma att förändras ifall Santinel-2 data ingår i produktionen. De betydligt större scenerna kan komma att kräva en stratifiering för att arbeta med lämpliga områden. Lämpligheten bedöms utifrån en optimering av processtider, men även utifrån ett biogeografiskt perspektiv. Viktigt att bygga/implementera en produktionslina som är flexibel och kan kompletteras med tex LIDAR och/eller Sentinel-2. Figur 39. Översiktlig produktionsplan Preparering av indata bygger på en komplettering av idag befintliga indata. Kompletteringen innefattar att göra en ny sökning av satellitdata för att eventuellt byta ut vissa satellitscener. Reflektanskalibrering kan göras på flera olika sätt. Inom denna studie har inte effekterna av olika tillvägagångssätt för reflektanskalibrering studerats. Det i kostnadsuppskattningen stora gapet mellan min och max för denna post beror på detta. Exempelvis kan ett alternativ vara att använda sig av TOA (top of the atmosphere) kalibrering istället för beräkning av markreflektans som görs med hjälp av MODIS data i SLUS fjällkartering vilket ger en mer effektiv och snabbare hantering. SLU har genom Heather Reese arbete visat på styrkan med att använda en topografisk C- korrigering av satellitdata. Detta har utförligt utretts och dokumenterats i Reese et al (2011) och bör därför implementeras i produktionskedjan.

55 55 Klassningen skall vara en pixelbaserad klassning. Det befintliga steget med segmentering kan dock behållas som alternativ ifall man vill använda en segmentens avgränsning vid en eventuell generalisering av slutresultatet. Klassningsmetodik i den befintliga produktionskedjan bygger på en ML-klassning. Erfarenheter från SLU visar att man kan få bättre resultat från Random Forest klassning. Inom CadasterENV kommer Metria under våren/sommaren 2013 att jämför de olika metoderna och bestämma ifall Random Forest skall implementeras som en del av produktionskedjan. Den kritiska punkten för ett gott resultat är tillgången till systematiska såväl som subjektiva referensytor. Bland de systematiska tillhör data från MOTH, NILS och NFI. Det pågår studier inom MOTH där Heather Reese deltar i att anpassa/komplettera de flygbildstolkade parametrarna till de krav som en satellitbaserad fjällklassning har (enligt denna studies naturtypsindelning). Karteringen av våtmarker behöver förbättras. Inom CadasterENV skall en metodik tas fram för att förbättra avgränsingen mellan våtmarker och fastmark. Detta skall göras under våren/sommaren Data från två registreringstillfällen kan bli aktuellt som då ökar tidsåtgången främst gällande indataprepareringen. I framtiden kan säkert tidsserier från Sentinel-2 data bidra med en förbättrad avgränsning och indelning av våtmarkerna. Efter klassnigen kommer efterbearbetningar och editeringar enligt tidigare produktioner att genomföras. Eventuellt kan en generalisering av pixelprodukten bli aktuell vid sammanlagringen med KNAS. Hur utvärdering av slutresultatet skall genomföras har inte behandlat inom detta projekt.

56 56 8 Slutsatser och rekommendationer Slutsatserna och rekommendationerna baseras på resultatet från genomförda metodstudier samt genomförda referensgruppmöte och diskussioner med Naturvårdsverket samt Länsstyrelserna. Hela referensgruppen var överens om att helheten i resultaten se bra ut och att det är angeläget att gå vidare i skarp produktion. Det finns ett stort behov av en förfinad naturtypskartering av fjällvegetationen enligt den indelning som projektet påvisat. Projektet har visat att det finns såväl indata, metoder och kunskap för att genomföra en heltäckande kartering av de svenska fjällen. Inom KNAS produktionen finns en befintlig produktionskedja för hantering av stora data set som kan modifieras för att implementera de justeringar som projektet påvisat ger en kvalitetsförbättring av de öppna fjällklasserna. På frågan ifall man skall invänta laserdata om detta ger en bättre kartering av de öppna fjällklasser var Länsstyrelsernas svar var att informationen behövs nu men kan förbättras den dagen laser blir tillgängligt. Viktigt att implementera en produktionskedja som kan integrera laser den dagen data blir tillgängligt (laser alternativt likvärdiga fotogrametriska data). Noggrannheten är inte tillräckligt hög för att användas för uppföljning men tillräcklig för de ändamål som är produktens huvudsyfte. Användningsområdena är flera: Ett planeringsinstrument, Ett underlag för att förbättra skattningarna av Natura 2000-naturtyper. Inte som en direkt karteting av N2000 pga av noggrannheten och definitionerna En bas för vidare stickprovstagning vid övervakning/uppföljning Naturvårdsbyråkrati, statistik, rapportering, Natura 2000-habitat Rennäring Friluftsliv Terrängkörningsplanering och exploatering Kartering av dåligt kända miljöer, jfr VMI som slutar i fjällen Den nomenklatur och indelning som använts inom arbetet är väl lämpad och fångar väl upp de naturtyper som är av intresse. Vid hopslagning av klasser ökar noggrannheten. Referensgruppen var dock överens om att klasserna skall behållas separerade men kan slås ihop vid statistiksammanställningar eftersom man vet att förväxlingen mellan vissa klasser är stor. Exempelvis torr och frisk rished kan slås ihop. De ligger inom samma N20000-habitat (4060 rishedar) och det är då bättre att slå ihop för att få en högre noggrannhet (%). Mönstret i landskapet som man får fram då klasserna är separerade är värdefull i sig. Hopslagningar som kan göras vid statistik beräkningarna (noggrannheten skall beräknas på den aggregerade nivån)är sammanfattningsvis: torr rished med frisk rished Lågörtäng med gräshed Förslagsvis läggs en nivå läggs på i hierarkin så att torr/frisk blir undergrupper. Snölegor kan slås ihop med omkringliggande naturtyper

57 57 Det finns en möjlighet att använda MOTH/THUF som referensdata (samt NILS data) för att få systematiska träningsdata. Det är viktigt med subjektiva träningsytor utöver de systematiska ytorna. Erfarenheten säger att man bör få ihop ~30 ytor per tematisk klass. Våtmarker är det största problemet inom den genomförda karteringen, både inom KNAS och SLUs karteringar. Våtmarker är svårkarterade då de skiljer sig mycket både under året och mellan olika år. Vissa är torvbildande och därmed intressanta att särskilja, dock är det viktigaste är att kunna avgränsa våtmarker/myrar mot fastmark. Eventuellt att man kan ta med blöta gräsmarker inom samma klass om det inte går att särskilja. Slutsatsen var att det är bättre att överskatta än underskatta våtmarkerna i karteringen. Inom CadasterENV kommer metoder att tas fram under våren/sommaren 2013 för att bättre avgränsa våtmark mot fastmark.

58 58 9 Referenser Breiman, L. (2001). Random forests. Machine Learning, 45, Gopal, S., and C.E. Woodcock, Theory and Methods for Accuracy Assessment of Thematic Maps Using Fuzzy Sets, Photogrammetric Engineering and Remote Sensing, 60(2): Hedenås, H., Olsson, H., Jonasson, C., Bergstedt, J., Dahlberg, U., & Callaghan, T.V. (2011). Changes in tree growth, biomass and vegetation over a 13-year period in the Swedish Subarctic. Ambio, 40, Mapping of mountain vegetation influence of sensor and amount of field data (SNSB DNR 94/07) Naturvårdsverket 2004a: Kartering av skyddade områden - Kontinuerlig naturtypskartering Naturvårdsverkets rapport 5391 Naturvårdsverket 2004b: Frekvensanalys av skyddad Natur, Naturvårdsverkets rapport 5466 Parlow, E. (1996) Correction of terrain controlled illuminatin effects in satellite data. Progress in Environmental Remote Sensing Research and Applications Balkema, Rotterdam. R Development Core Team (2012). R: A language and environment for statistical computing. R Foundation for Statistical Computing. Vienna, Austria Rafstedt, T. (1985). Fjällensvegetation: Norrbottens län. Stockholm, Sweden: Naturgeografiska Intitutet, Stockholm University. Liber distribution. Reese, H. (2011). Classification of Sweden s Forest and Alpine Vegetation Using Optical Satellite and Inventory Data. Doctoral Dissertation, Swedish University of Agricultural Sciences. Reese, H., & Olsson, H. (2011). C-correction of optical satellite data over alpine vegetation areas: A comparison of sampling strategies for determining the empirical c-parameter. Remote Sensing of Environment, 115, Reese, H., Nyström, M., Nordkvist, K., and Olsson, H., (2013). Combining airborne laser scanning data and optical satellite data for classification of alpine vegetation. Journal of Earth Observation and Geomatics, accepted. SCB 2011: Skyddad natur, MI 41 SM 1201, korrigerad version

59 59 Bilaga 1a. Kodlista KNAS Kod Kodlista KNAS 1 Tallskogar 1 2 Granskogar 1 3 Barrblandskog 1 4 Barrsumpskog 1 5 Lövblandade barrskogar 1 6 Triviallövskogar 1 7 Ädellövskog 1,4 8 Triviallövskogar med ädellövinslag 1,4 9 Lövsumpskog 1 10 Hygge till yngre skog 1 11 Skogliga impediment 1 25 Sumpskogs/myrskogimpediment Fjälltallskog 2 Kod Kodlista SLU 102 Fjällgranskog 2 11 Blockmark 103 Fjällbarrskog 2 21 Skarp rished 105 Fjällblandskog 2 22 Torr rished 106 Fjällbjörkskog 2,3 23 Frisk rished 26 Snö och glaciär 3 24 Fuktig rished 29 Kalare områden i höjdlägen 3 25 Gräshed 30 Vegetation med lägre textur (ej myr) 3 31 Låg Örtäng 31 Vegetation med lägre textur (myr) 3 32 Hög Örtäng 32 Vegetation med högre textur (ej myr) 3 41 Vide 33 Vegetation med högre textur (myr) 3 51 Snölega 12 Våtmark 1,3 61 Snö/Is 13 Övrig våtmark 1,3 71 Fjällbjörkskog(mossrik) 14 Hävdad våtmark 1 72 Ängsbjörkskog 15 Torvtäkt 1 81 Myr 16 Odlad mark 1 91 Vatten 17 Äng 1 18 Betesmark 1 19 Substratmark 1 20 Övrig öppen mark 1 21 Exploaterad mark 1 22 Friluftsanläggningar 1 23 Sötvatten 1,3 24 Hav 1,4 1. Enligt befintliga KNAS definitioner nedanför fjällnära gränsen 2. Finns enbart ovanför fjällnära gränsen 3. Skall ersättas med Fjällvegetations koder enligt SLU:s klassindelning 4. N/A i fjällregionen

60 60 Bilaga 1b. Kodlista fjällvegetationskartan Class name Veg Height (dm) Characteristics and typical species Blockmark 0 Open, exposed bedrock. Lacks continuous cover. Can have sparse lichens, grass heath or dwarf willow. Can be block fields, boulders or gravel. Skarprished < 1 Low-growing plants and lichen in a non-continuous cover on exposed, windblown rises with visible mineral soil. Mountain bearberry (Arctostaphylos alpinus L. Sprengel), trailing azalea (Loiseleuria procumbens), Diapensia (Diapensia lapponica) crowberry (Empetrum nigrum), dwarf willow (Salix herbacea) Torr rished < 3 Low-growing shrubs dominate over grasses or forbs. Often less dense cover than mesic heath. Crowberry (Empetrum nigrum), dwarf birch (Betula nana). Frisk rished 3-10 Shrubs dominate over grasses or forbs. Blueberry (Vaccinium myrtillus), dwarf birch (Betula nana), blue heath (Phyllodoce caerulea L. Bab.), willow (Salix lapponum, Salix glauca, Salix lanata,, Salix spp.), juniper (Juniperus communis). Gräshed < 4 Low-growing grasses on poor soil, > 10% of area is grasses or half-grasses. Three-leaved rush (Juncus trifidus), Stiff Sedge (Carex bigelowii Torr. Ex Schwein), Sheep s-fescue (Festuca ovina), Wavy Hair-grass (Deschampsia flexuousa L. Trin.), Sweet vernal-grass (Anthoxanthum odoratum), Mat-grass (Nardus stricta). Lågörtäng < 5 Forbs and grasses dominate over shrubs. Meadow buttercup (Ranunculus acris), Alpine Lady s mantle (Alchemilla alpine), Mountain violet (Viola biflora), Sweet Vernalgrass (Anthoxanthum odoratum), Alpine Cat s tail (Phleum alpinum) Högörtäng 5-20 Forbs and grasses dominate over shrubs. Often on slopes with good water availability and near tree-line. Globeflower (Trollius europaeus), alpine bluesow-thistle (Cicerbita alpina), cow-parsley (Anthriscus sylvestris L. Hofm.), monk s-hood (Aconitum napellus), ferns (e.g. Alpine Lady-fern Athyrium distentifolium). Vide 5-20 Different species of willow (Salix lapponum, Salix glauca, Salix lanata, and other similar Salix spp.) with at least 50% willow composition in plot area. Fjällbjörk >20 Mountain Birch (Betula pubescens ssp. czerepanovii) with canopy > 10% of plot area. Understory can contain blueberry (Vaccinium myrtillus), crowberry (Empetrum nigrum), juniper (Juniperus communis), or grasses, ferns or forbs. Snölega < 2 Areas where the snow may or may not melt from one year to the next, resulting in vegetation ranging from moss to meadow-like species. Dwarf willow (Salix herbacea), mossljung (Cassiope hypnoides), Dwarf Cudweed (Gnaphalium supinum) Torrkärr 1-20 Wetland sustaining grass, forb, and shrub vegetation. Deer grass (Scirpus caespitosus), Slender Sedge (Carex lasiocarpa), Purple Moor-grass (Molinia caerulea) and Hare s Tail Cottongrass (Eriophorum vaginatum), also Heather (Calluna vulgaris) and Dwarf Birch (Betula nana). Vått kärr < 1 Primarily loose bottom wetland with surface water and very sparse vegetation, such as String Sedge (Carex chordorrhizza), Livid Sedge (C. livida). Zone High Alpine Low Alpine Low Alpine Low Alpine Low/ Mid Alpine Low Alpine Low Alpine Low Alpine Sub-alpine All Alpine Low/Mid Alpine Low Alpine Vatten 0 Open water without vegetation All

61 KNAS, KNAS, Bilaga 2. Överrensstämmelse tre karteringar Andel (%) som kartering X (gulmarkerad) består av kartering Y (gråmarkerad) Fjällblockoch hällmark Gräshed (inkl moderat snölega) Kulturmark och låglandsgräsma Exploaterad Tot areal rker o d mark (ha) Skarp Hedbjörks Ängsbjörks Fjällbarrs Fjällgrans Glaciärer och KNAS klasser består av % fjällveg.klasser rished Torr rished Frisk rished Våt rished Lågörtäng Högörtäng Buskmark Blöt myr Övrig myr kog kog kog kog Hygge perm. snöfält Vatten Tallskogar Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjälltallskog Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Kandidat ungskog/imp Tot areal (ha) Fjällblockoch hällmark Gräshed (inkl moderat snölega) Fjällvegetationskartan Fjällvegetationskartan Kulturmark och låglandsgräsma Exploaterad Tot areal rker o d mark (ha) Klasser i Fjällvegkarta består av % KNAS Skarp Hedbjörks Ängsbjörks Fjällbarrs Fjällgrans Glaciärer och klasser rished Torr rished Frisk rished Våt rished Lågörtäng Högörtäng Buskmark Blöt myr Övrig myr kog kog kog kog Hygge perm. snöfält Vatten Tallskogar Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjälltallskog Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Kandidat ungskog/imp Tot areal (ha)

62 Fjällklassning SLU Fjällklassning SLU Klasser i SLU fjällklassning består av % fjällveg. klasser Gräshed Fjällblock-(inkoch moderat Skarp hällmark snölega) rished Torr rished Frisk rished Våt rished Lågörtäng Högörtäng Buskmark Blöt myr Fjällvegetationskartan Övrig myr Hedbjörk skog Ängsbjörk skog Fjällbarr skog Fjällgran skog Hyggen Glaciärer och perm. snöfält Vatten Kulturmark och låglandsgrä Exploaterad Tot areal smarker o d mark (ha) Blockmark Skarp rished Torr rished Frisk rished Fuktig rished Låg örtäng Gräshed Hög örtäng Myr Myr Vide Barrskog Fjällbjörkskog_Mossrik Ängsfjällbjörkskog Moln-påverkad skog Snö/Is Snölega Vatten Skugga, brant, övrigt Tot areal (ha) Fjällvegetationskartan Gräshed Fjällblock-(inkoch Glaciärer Kulturmark och Klasser i Fjällvegkarta består av moderat Skarp Torr Frisk Våt Övrig Hedbjörk Ängsbjörk Fjällbarr Fjällgran och perm. låglandsgrä Exploaterad Tot areal % SLU fjällklasser hällmark snölega) rished rished rished rished Lågörtäng Högörtäng Buskmark Blöt myr myr skog skog skog skog Hyggen snöfält Vatten smarker o d mark (ha) Blockmark Skarp rished Torr rished Frisk rished Fuktig rished Låg örtäng Gräshed Hög örtäng Myr Myr Vide Barrskog Fjällbjörkskog_Mossrik Ängsfjällbjörkskog Moln-påverkad skog Snö/Is Snölega Vatten Skugga, brant, övrigt Tot areal (ha)

63 KNAS, KNAS, Fjällklassning SLU, 2008 KNAS 2010 klasser består av % klasser i SLU fjällklassning Skarp Blockmark rished Torr rished Frisk rished Fuktig rished Låg örtäng Gräshed Hög örtäng Myr Myr Vide Barrskog Fjällbjörks kog Mossrik Molnpåverkad Ängsfjäll björkskog skog Snö/Is Snölega Vatten Skugga, brant, övrigt Tot areal (ha) Tallskogar Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjälltallskog Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Kandidat ungskog/imp Tot areal (ha) Fjällklassning SLU, 2008 Klasser i SLU fjällklassning består av % KNAS 2010 klasser Skarp Blockmark rished Torr rished Frisk rished Fuktig rished Låg örtäng Gräshed Hög örtäng Myr Myr Vide Barrskog Fjällbjörks kog Mossrik Molnpåverkad Ängsfjäll björkskog skog Snö/Is Snölega Vatten Skugga, brant, övrigt Tot areal (ha) Tallskogar Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjälltallskog Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Kandidat ungskog/imp Tot areal (ha)

64 KNAS KNAS Fjällklassning SLU, 2008 KNAS 2008 klasser består av % klasser i SLU Skarp Torr Frisk Fuktig Låg Hög Fjällbjörk skog Ängsfjäll Molnpåverkad Skugga, brant, Tot areal fjällklassning Blockmark rished rished rished rished örtäng Gräshed örtäng Myr Myr Vide Barrskog Mossrik björkskog skog Snö/Is Snölega Vatten övrigt (ha) Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Tot areal (ha) * Tallskog/Fjälltallskog ej med 2008 Fjällklassning SLU, 2008 KNAS 2008 klasser består av % klasser i SLU Skarp Torr Frisk Fuktig Låg Hög Fjällbjörk skog Ängsfjäll Molnpåverkad Skugga, brant, Tot areal fjällklassning Blockmark rished rished rished rished örtäng Gräshed örtäng Myr Myr Vide Barrskog Mossrik björkskog skog Snö/Is Snölega Vatten övrigt (ha) Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Tot areal (ha)

65 KNAS, Bilaga 3. Robusthet KNAS 2008 vs KNAS, Vegetation Vegetation Vegetation Vegetation Arealöverensstämmelse KNAS 2010 vs KNAS 2008 Hygge till Skogliga Sumpskogs Kalare med lägre med lägre med högre med högre Tall- Gran- Barrbland- Barrsump Lövblandade Triviallöv Lövsump yngre impedim Övrig Hävdad Substrat Exploaterad Friluftsanl impedime Fjälltall Fjällgrans Fjällbarr Fjällbland Fjällbjörk Snö och områden i struktur (ej struktur struktur (ej struktur Total % Överrens vs 2010 skogar skogar skog skog barrskogar skogar skog skog ent Våtmark våtmark våtmark Äng Betesmark mark mark äggningar Sötvatten nt skog kog skog skog skog glaciär höjdlägen myr) (myr) myr) (myr) areal (ha) stämmelse (%) Tallskogar Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark Övrig våtmark Hävdad våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjälltallskog Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Total areal (ha) Total överrensst.: 73 % Total överrensstämmelse om de 5 öppna fjällklasserna slås ihop: 90%

66 KNAS, PARLOW Bilaga 4. Jämförelse topografiska korrigeringar KNAS 2008 (parlow korrigerat) vs KNAS 2008 (c-korrigerat) 66 KNAS, C-KORR Topografisk korrigering Vegetation Vegetation Vegetation Vegetation Arealöverens- PARLOW vs C-KORR Löv- Hygge till Skogliga Frilufts- Sumpskog Kalare med lägre med lägre med högre med högre stämmelse C- i KNAS kartering Granskogar Barrbla Barrsump blandade Triviallöv Lövsump yngre impedim Våtmark, Betes- Substra Exploater anläggni Sötvatt simpedim Fjällgran Fjällbarr Fjällbland Fjällbjörk Snö och områden i struktur (ej struktur struktur (ej struktur Total areal % Överrens- kor vs Parlow ndskog skog barrskogar skogar skog skog ent övr våtm Äng mark tmark ad mark ngar en ent skog skog skog skog glaciär höjdlägen myr) (myr) myr) (myr) (ha) stämmelse (%) Granskogar Barrblandskog Barrsumpskog Lövblandade barrskogar Triviallövskogar Lövsumpskog Hygge till yngre skog Skogliga impediment Våtmark, övr våtmark Äng Betesmark Substratmark Exploaterad mark Friluftsanläggningar Sötvatten Sumpskogsimpediment Fjällgranskog Fjällbarrskog Fjällblandskog Fjällbjörkskog Snö och glaciär Kalare områden i höjdlägen Vegetation med lägre struktur (ej myr) Vegetation med lägre struktur (myr) Vegetation med högre struktur (ej myr) Vegetation med högre struktur (myr) Total areal (ha) Total överrensst.: 88 % Total överrensstämmelse om de 5 öppna fjällklasserna slås ihop: 95%

67 Bilaga 5. Utvärderingsinstruktioner Mål: Tolka vegetationen på 10x10 m och 30x30 m yta (med samma mittpunkt) Inom 10 x 10 m yta runt punkten a) Fylla i procent av de olika vegetationstyperna inom 10 x 10 m ytan. Svar: I procent till närmaste 5 %, med minimum möjlig areal av 25 % - Minimumarea för att kvalificeras som en klass är 25 m 2 (ungefär 5 x 5 m eller 25 % av 5m radie yta). Vegetationstyper är Block (Blockmark), Skarp (Skarp rished), Torr (Torr rished), Frisk (Friskrished), Vathed (Våt rished), Grashed (Gräshed), Lagort (Lågörtäng), Hogort (Högörtäng), Vide (Vide), Snoleg (Snölega), Torrkarr (Torr kärr), Backkarr (Backkärr), Vattkarr (Vått kärr), FjBjMoss (Mossrik Hed Fjällbjörk), FjBjAng (Ängsbjörksskog), SkogMyr (Skogsklädd myr), Barrskog (Barrskog), och Vatten. b. StenJord10: Procent sten eller barmark inom 10 x 10 m ytan. Svar: Procent i heltal. (t.ex., 0, 1, 2,3 27,28,29 74,75 100) c. Patch10m: Är den mest dominanta vegetationstypen inom 10 x 10 m ytan en del av ett större sammanhängande patch i landskapet? Med patch, menar jag att den dominanta vegetationstypen är också dominant (> 50%) inom de 10 x 10 m områden som ligger i direkt anslutning till varandra. Jag har skapat grids över varje område (area1_grid.lyr, osv ) om det hjälper. Till exempel, (jag använder en satellitbild här, men i verkligheten, skulle det vara en flygbild i bakgrunden) om den ljusa pixeln i mitten är den som man tolkar, och områden som jag har markerat med en grön punkt är en del av sammanhängande vegetation liknande den i den ljusa pixeln, då är det 11 pixlar, och svaret blir Medium. När du tolkar, det behöver inte vara exakt, och jag tror att du kommer att få en känsla för den efter ett tag Svar: NEJ (Om vegetationstyp täcker bara < 0.01 ha eller < 100 m 2 eller 1 pixel, med olika vegetationstyper omkring den) SMALL (Om vegetationstypen täcker ha eller ungefär 2-10 sammanhängande pixlar) MEDIUM (Om vegetationstypen täcker ha eller sammanhängande pixlar) LARGE (Om vegetationstypen täcker > 0.20 ha eller > 20 sammanhängande pixlar) 2. Bedom10m: Sätta en siffra på hur säker du känner på din tolkning av vegetationstypen inom den 10x10 m yta: Svar: 1 betyder Helt säkert eller nästan helt säkert, 2 - betyder Lite tveksam, 3 - betyder Ganska tveksam, 4 - betyder Jag skulle inte lita på denna tolkning Kommentar: Fritext - skriv gärna om det var något krånglig/ovanlig med ytan, eller om du har funderingar om tolkningen av något slag.