Användning av data från NNH projektet för detektion av landskapselement

Transkript

1 1(1) Regelutvecklingsenheten Användning av data från NNH projektet för detektion av landskapselement Tomas Jacobson, Regelutvecklingsenheten, Jordbruksverket Kristina och Dan Klang, GeoXD AB Sammanfattning Jordbruksverket, Regelutvecklingsenheten har uppdragit åt GeoXD AB att genomföra detektering och digitalisering av öppna diken och stenmurar i åkermark i ett område mellan Ockelbo och Sandviken. För uppdraget har höjddata ur Lantmäteriets nya nationella höjdmodell nyttjats. Bakgrund Till EU:s stöd till jordbruket är kopplat s.k. tvärvillkor. Tvärvillkoren är bestämmelser inom områdena miljö, folkhälsa, växtskydd, djurhälsa och djurskydd. Dessutom finns det tvärvillkor som handlar om hur jordbruksmarken ska skötas. Fr.o.m gäller i dessa skötselvillkor, en norm om bibehållande av landskapselement. Sverige har här valt att skydda stenmurar, öppna diken, småvatten och solitärträd belägna i åkermark i de mest intensivt odlade slättbygderna i södra Sverige. Att villkoren efterlevs måste kunna kontrolleras och det är därför lämpligt att dessa kartläggs och infogas i Jordbruksverkets blockdatabas. Jordbruksverket har tidigare studerat andra möjliga inventeringsmetoder för digitalisering av landskapselementen. I dessa studier har man noterat svårigheter att i traditionella ortofoton inventera bl a stenmurar och öppna diken. En annan möjlighet som nu öppnas är att använda de laserdata som samlas in för NNH. Dessa data har många andra användningsområden än framställning av markmodell. Lantmäteriet har också uppmärksammat detta och kommer att successivt tillhandahålla laserdata även för andra tillämpningar. Jordbruksverket Jönköping jordbruksverket@jordbruksverket.se

2 Hemlingby 31 maj Detektering av öppna diken och stenmurar i laserdata - på uppdrag av Jordbruksverket

3 Innehållsförteckning 1 Inledning Uppdragsformulering Data Flygburen laserskanning Lantmäteriet, NNH-parametrar Laserdata, NNH Storvik, Sandviken Vektordata, Jordbruksverket jordbruksblock Laserdata, Bondberget, Jönköpings kommun hög täthet Metodbeskrivning Metodval Metoder Generera höjdmodell Detektera linjära strukturer Digitalisera-matcha objekten diken och stenmurar Definiera profiler och buffertzoner Beräkna statistik och lagra i *.shp Resultat och diskussioner Öppna diken Stenmurar Analysens användbarhet Konfidensgrad och konfidensintervall Slutsatser...27 Lästips...28 Bilaga 1 Bilder, Storvik dike Bilaga 2 Bilder, Storvik dike Bilaga 3 Bilder, Storvik dike Bilaga 4 Bilder, Storvik dike Bilaga 5 Bilder, Storvik stenmur...33 Bilaga 6 Bilder, Bondberget dike Bilaga 7 Bilder, Bondberget dike Kontaktuppgifter

4 1 Inledning Jordbruksverket har inlett ett arbete med ambitionen att bibehålla hotade landskapselement i åkermark, framförallt då i fullåkersbygderna. De blockdatabaser Jordbruksverket lagrar landskapinformation i skall, för att möta dessa krav, kompletteras med objekten stenmurar och öppna diken. Tidigare studier som gjorts med ortofoton har visat att diken inte kan samlas in med tillräckligt hög kvalitet. Jordbruksverket har därför påbörjat en utvärdering av möjligheten att använda de höjddata som Lantmäteriet, på uppdrag av Regeringen, påbörjat skanningen av under Lantmäteriet har tillhandahållit data över ett provområde, Sandviken, där 70 st. jordbruksblock valts ut för en kompletterande studie. Vissa av dessa block har besökts i fält för att skapa ytterligare förståelse för tolkning av informationen från laserdata. Den studie som vi, GeoXD AB, nu genomfört kan förhoppningsvis skapa klarhet i om det är möjligt att effektivisera inventeringen av de högprioriterade landskapselementen, öppna diken och stenmurar. Rapporten sammanfattar inledningsvis den uppdragsbeskrivning som formulerades av Jordbruksverket, SJV, och som GeoXD sedan lämnade ett förslag på tillvägagångssätt för att möta SJVs krav. Därefter redovisas de data som använts i studien följt av en något förenklad beskrivning av de metoder som utvecklats. I kapitlet Resultat och diskussioner sammanfattas de tester som genomförts och motiven för de metodval som gjorts. Rapporten avslutas som sig bör med Slutsatser baserade på erfarenheter, dels från tidigare arbeten, men framförallt från det aktuella projektet. Lästips, för den vetgirige, samt bilder från fältstudierna återfinns som bilagor efter den ordinarie rapportens struktur. 2 Uppdragsformulering I det förslag vi lämnade den 15 januari 2010, baserat på Jordbruksverkets uppdragsspecifikation, detektering av öppna diken och stenmurar, daterad , sammanfattade vi uppdraget i nedanstående moment. Digitalisera vektorer som representerar stenmurar och öppna diken. Digitaliseringen skall om möjligt automatiseras och utföras med den lägesnoggrannhet som laserdata medger. De datakällor som finns till förfogande är Lantmäteriets nya rikstäckande höjdmodell, 2 m grid, NNH framställd från laserdata och Jordbruksverkets databas med jordbruksblock. I den till uppdragsspecifikationen medföljande bilagan beskrivs följande krav - Diken skall som medelvärde vara minst 0.5 meter breda och 0.3 meter djupa. - Stenmurar skall som medelvärde vara minst 0.3 meter höga och 0.5 meter breda. - Övrig information ur specifikationen skall också ligga till grund för de statistiska mått som etableras för att bedöma om ovanstående kriterier uppfyllts

5 Bild 1: Grafisk beskrivning, Jordbruksverket, av de parametrar som skall beräknas och statistiskt bedömas med avseende på ovanstående kriterier. Resultatet, diken och stenmurar, skall redovisas som Shape-filer (linjer) med tillhörande attribut som beskriver den statistik som beräknats för respektive objekt. Slutrapport där resultatet sammanställs och analyseras och där även eventuellt behov av kompletterande databearbetning bedöms. Alternativa kvalitetsmått för inventering av stenmurar och öppna diken skall utvärderas och sist men inte minst viktigt användbarheten av Lantmäteriets skannade laserdata. Projektet är formulerat som ett forskningsuppdrag med syfte att utvärdera möjligheten att detektera och automatisera en statistisk bedömning av öppna diken och stenmurar med avseende på vissa specificerade kriterier. Av den anledningen har vi i rapporten lagt tyngdpunkten på redovisning av utvärderingens resultat och diskussion kring vilken potential Lantmäteriets laserdata har för Jordbruksverket snarare än att i detalj beskriva de metoder som använts. 3 Data Lantmäteriet producerar data i de nationella referenssystem, plan SWEREF99TM och höjd RH2000, som etablerats under senare år som ett led i en internationell anpassning. Eftersom merparten av Jordbruksverket databaser finns lagrade i RT90 har Lantmäteriets laserdata transformerats till RT90 (med bibehållet höjdvärde i RH2000). All bearbetning sker således i RT90 vilket minimerar de bieffekter som kan uppstå vid transformation mellan olika referenssystem av bl.a. bilder och höjdmodeller (Digital Elevation Model - DEM). 3.1 Flygburen laserskanning Lantmäteriet, NNH-parametrar Den laserskanningen som genomförs enligt Lantmäteriets upphandling sker med målsättningen att uppnå en punkttäthet högre än 0.5 pkt/m 2. På plan öppen mark motsvarar den beskrivna punkttätheten också antalet träffar på marken men i områden med tät skog blir antalet träffar på marken väsentligt mindre per ytenhet vilket givetvis menligt påverkar höjdmodellens noggrannhet i skog men även utefter vattendrag där inslaget av vegetation ofta är betydande. Enligt Lantmäteriets specifikation skall södra delarna av Sverige skannas under icke-vegetationsperiod vilket med stor sannolikhet skapar goda förutsättningar för produktion av homogena höjdmodeller. Nedan följer en sammanställning, med kortfattade kommentarer, av de laserskanning-parametrar som kan anses vara av intresse för Jordbruksverket vid inventering av öppna diken och - 4 -

6 stenmurar. För utförligare beskrivning av den terminologi och de parametrar som används vid laserskanning och höjdmodellsframställning rekommenderas LMV-Rapport 2006:3, En ny svensk höjdmodell. Laserskanning, Testprojekt Falun (Burman, Klang. 2006). Produktionstid: 7 år ( ). Under de avslutande åren antas ingen datafångst ske utan dessa år är avsatta för kontroll och bearbetning, markfiltrering, i Lantmäteriets regi. 9 Produktionsområden: Den rikstäckande skanningen har delats in i produktionsområden. Lantmäteriets krav, framförallt gäller det vegetationsförhållanden, varierar mellan dessa områden. 385 Skanningområden: Standardstorleken på ett skanningområde är 50km*25 km. Avvikelser från detta finner man framförallt utefter strandlinjer och landets gränser där hänsyn måste tas till att dessa inte är orienterade i nord-syd eller öst-västlig riktning. Flyghöjd: Lantmäteriet har genomfört ett digert arbete för att optimera skanningen och de parametrar som ligger till grund för ett homogent slutresultat. Flyghöjden är som standard 2300 meter, avvikelser förekommer och då främst i regioner med stora höjdvariationer. Punkttäthet: Optimering av skanningparametrar har till stor del skett för att säkerställa att punkttätheten ligger inom intervallet pkt/m 2. Skannerns egenskaper medför att den nedre gränsen i intervallet - lägst täthet - uppstår rakt under flygplanet, i nadir, och högst täthet i de yttre kanterna av stråket. Motivet för den övre gränsen är att man vill begränsa den datamängd som skall bearbetas. Hög och homogen punkttäthet skapar goda förutsättningar för en bra höjdmodell vilket ofta är slutprodukten vid flygburen laserskanning. Registreringsvinkel: Ett skanningområde täcks av ett antal flygstråk. Registreringsvinkeln beskriver den maximala vinkel på var sida om varje flygstråk som skannern registrerar data. En större vinkel än de ± 20 som valts för NNH minskar möjligheten för laserpulsen att nå markytan i områden med vegetation. Övertäckning: Övertäckningen, för NNH 20%, mellan stråken har två huvudsakliga syften. Det första att säkerställa att det inte blir några hål i data, d.v.s. att man får en komplett täckning av ytan som skannas. Det andra skälet är att man använder överlappande data för att kontrollera och förbättra stråkens geometriska egenskaper relativt varandra. Geometrisk korrigering: De data som samlats in vid skanningen är inte bara laserdata utan även data som kontinuerligt beskriver sensorernas läge och riktningar. Den geometriska bearbetning som föregår markfiltrering och klassificering av laserdata inkluderar GPS/INS, blocktriangulering samt avslutningsvis en noggrann inpassning och kontroll mot terrestert mätta stöd- och kontrollytor. Resultat: Den noggrannhet som formulerats för NNH är beskriven som medelfel - rms plan: 0.6 m - rms höjd: 0.2 m, plana öppna ytor Notabelt är att detta inte är en beskrivning av noggrannheten i den slutliga höjdmodellen utan endast beskriver noggrannheten i de laserdata som samlats in. I de områden som täcks av mycket vegetation och där det är stora, snabba, variationer i höjd är ovanstående mått inte en relevant beskrivning därav formuleringen plana öppna ytor. Mark-filtrering: Lantmäteriet utför standardmässigt en filtrering, separera mark från icke-mark, innan laserdata distribueras för extern användning och vidareförädling

7 3.2 Laserdata, NNH Storvik, Sandviken De laserdata som tillgängliggjorts över provområdet skannades i slutet av maj 2009, d.v.s. under vegetationssäsong. Studerar man data så finns det tydliga inslag av ickemark, sannolikt vegetation, i och kring många av det vi bedömt vara potentiella diken. Skanning: maj 2009 Skanner: Leica ALS50-II Antal ståk: 21 st Tvärstråk: 3 st Punkttäthet: pkt/m 2 Bild 2: En punktsvärm av Lantmäteriets NNH - laserdata i ett område, Högbo, NO om Sandviken. 3.3 Vektordata, Jordbruksverket jordbruksblock Från Jordbruksverket har vi sedan tidigare fått blockområdesgränser som Shape-filer (polygon). Blockgränserna har endast använts som generellt underlag eftersom lägesnoggrannheten i blockens polygoner är påtagligt sämre än de krav som formulerats i uppdragsspecifikationen för Detektering av öppna diken och stenmurar. Filen med blockområdesgränser representerar 10 områden med inalles 70 stycken jordbruksblock. 3.4 Laserdata, Bondberget, Jönköpings kommun hög täthet Som komplement till de fältstudier vi genomfört för att verifiera våra resultat har vi fått tillgång till laserdata som Jönköpings kommun låtit skanna från helikopter. Vi har i tidigare studier använt laserdata med hög täthet för att simulera en lägre täthet och sedan jämföra hög med låg täthet. På så sätt kan man få en uppfattning om vilken noggrannhet man kan förvänta för olika täthet på data. Vi har genomfört en simulering av Jönköpingsdata för att efterlikna den rikstäckande laserskanningen samtidigt som originaldata med hög täthet kan användas som referens

8 Uppgifter som beskriver Lantmäteriets specifikation och en analys samt motsvarande information för Jönköpingsdata redovisas i tabell 1. Tabell 1: Sammanställning av Lantmäteriets laserdata, Jönköpingsdata samt simulering av Jkp-data. Info NNH Jkp Jkp->NNH Flyghöjd Markpkt/m Typ Flygplan Helikopter Datum Upphovsrätt Lantmäteriet Jönköpings kommun Blom Topeye Höjd koll (RMS) 51 mm 27 mm Jönköpings kommun Blom Topeye Bearbetning TerraScan - mark TerraScan - mark TerraScan - mark 4 Metodbeskrivning 4.1 Metodval Den metod som använts för att automatisera processen att detektera och med statistik beskriva öppna diken och stenmurar ur av Lantmäteriet distribuerade laserdata har delats upp i delmoment som beskrivs i sekventiell ordningsföljd i detta kapitel. I samband med att den första Landsat-satelliten placerades i bana runt jorden den 23 juli 1972 har forskare världen över haft ambitionen att uppnå en helt automatiserad tolkning/klassning av de bilddata satelliten registrerade. För vissa egenskaper såsom större homogena markarealer har man uppnått goda resultat men ju mindre och smalare objekten blir desto större blir kraven på data. Lägre flyghöjd och högre upplösning förbättrar situationen men det är i stort sett omöjligt att helt eliminera de bieffekter som uppstår om exempelvis vegetation skymmer ett objekt eller delar av det. De data Lantmäteriet samlar in är från relativt hög flyghöjd och provområdets data har dessutom samlats in under vegetationssäsong. Sammantaget reducerar detta påtagligt möjligheten att de utsända laserpulserna träffar dikets kanter eller dess botten. Markdata blir med det påtagligt inhomogent vilket gör det problematiskt att med full automatik länka ihop tänkbara dikes-segment med varandra till ett komplett dike. Vi har istället, baserat på egen forskning (Klang, 1999) och erfarenhet, valt ett koncept där urvalet och en förenklad digitalisering görs av en person med erfarenhet av bildtolkning. Därefter kan all vidare bearbetning ske automatiskt. Digitaliseringen förbättras genom bildmatchning där all information utefter objektet inkluderas i en beräkning som minimerar influensen av de lokala variationer som förekommer. Resultatet är en optimerad digitalisering som sedan ligger till grund för den statistik som beräknas för respektive objekt, öppet dike eller stenmur. Sammanfattningsvis kan man tolka ovanstående som att människan är bättre att tolka inhomogena bilddata än datorn. Av den anledningen skall man automatisera de delar där man med stor sannolikhet erhåller ett relevant resultat. I övriga fall skall processen styras i ett tidigt stadium så att man inte manuellt måste kontrollera stora delar av det som klassats automatiskt

9 4.2 Metoder Lantmäteriet har för avsikt att leverera en geometriskt korrigerad punktsvärm i filformatet LAS samt en höjdmodell som regelbundet rutnät med 2 meters markupplösning. De testdata som använts i denna studie är enligt Lantmäteriets hemsida automatklassificerade där markpunkter klassificerats och övriga punkter har lämnats oklassificerade. Lantmäteriets klassning kommer att användas för testerna, d.v.s. ingen förädling kommer att genomföras av laserdata. Data är som tidigare nämnts registrerade under vegetationssäsong vilket innebär att det kan finnas besvärande vegetation, främst då kring vattendragen. En komplett beskrivning av projektets produktionsflöde inkluderar beskrivning av det format som laserdata lagrats i, LAS, och hur man effektivt transformerar punktsvärmen från SWEREF99TM / RH2000 till RT90 / RH2000. Transformationen kan utföras i ett antal kommersiella programvaror och av den anledningen finns det inte skäl att i detalj beskriva detta moment. De metoder vi valt att beskriva är metoder vi specifikt anpassat till uppdraget att Detektera öppna diken och stenmurar ur laserdata för att effektivisera bearbetning och analys av Lantmäteriets laserdata - NNH. Motivet att inledningsvis skapa en höjdmodell som ett regelbundet rutnät och från det producera bilder för tolkning är enkel, det är lättare att accentuera och tolka strukturer i 2D än i 3 dimensioner. Förutom transformation mellan SWEREF99TM och RT90 ingår följande moment i det produktionsflöde vi etablerat Generera höjdmodell - DEM Detektera linjära strukturer Digitalisera-matcha objekten diken och stenmurar mot bild Definiera profiler + buffertzoner Beräkna statistik och lagra som attribut i ARC/INFO Shape-fil 4.3 Generera höjdmodell De höjdmodeller, DEM, med markupplösningen 2 m som Lantmäteriet distribuerar som en standardprodukt genererade från laserdata nyttjar inte den fulla potential som data medger. Vi har därför valt att producera höjdmodeller med 1 m upplösning, i form av ett regelbundet rutnät, från de laserdata som klassificerats som mark. Valet av markupplösning 1 m är sannolikt den optimala för uppdraget och kan relateras till tätheten på laserdata samtidigt som storleken på de DEM-filer som framställs blir hanterbar. Vi har jämfört olika interpolationsmetoder för framställning av höjdmodeller och valt att använda Kriging framför den snabbare metoden TIN. Kriging tar hänsyn till flera omgivande punkter vid beräkning av respektive rutnätspunkt vilket minskar oönskade effekter, i form av brus, p.g.a. små lokala höjdvariationer. 4.4 Detektera linjära strukturer I många fall nöjer man sig med att belysa höjdmodeller från en artificiell ljuskälla som ofta placeras NV om höjdmodellen, terrängskuggning. Strukturer i NO riktning syns tydligt men de som har samma riktning som ljuskällan får ingen skuggeffekt. Ändras ljuskällans placering framträder andra objekt. Läget på de objekt som belyses och skuggas förskjuts relativt höjdmodellens korrekta läge vilket är en bieffekt man vill undvika vid produktion av geografiska databaser. För att inte få denna negativa influens, förskjutning, som terrängskuggningen ger använder vi en metod som accentuerar linjära strukturer i höjdmodellerna med - 8 -

10 filterteknik och presenteras som bilder. Bilderna har i sitt ursprung en grånivå på 127 av 256 nivåer. Objekt som ligger lägre än sin omgivning blir mörkare och högre objekt blir ljusare relativt den grånivå, 127, som är normalfallet. Murar blir således ljusare och diken mörkare än sin omgivning. Filtreringen sker relativt höjddata så det uppstår inga geometriska avvikelser p.g.a. bearbetningsmetoden samtidigt som det bara behövs en bild för att framhäva de önskade linjära strukturerna. Ett större filter framhäver bredare strukturer på bekostnad av de finare detaljer som ett mindre filter tydliggör. Generellt kan filtrets egenskaper beskrivas som en kombination av tre filter som vart och ett accentuerar linjära strukturer i olika riktningar, NS ÖV NO. Det resultat som beräknas från de tre riktningarna bedöms vara rotationsinvariant vilket innebär att linjerna syns lika tydligt oavsett vilken riktning de har. Filtreringen beskrivs detaljerat i (Steger, 1996). I projektet används två bredder på filtret, ett för detektering och ett något mindre för att matchningen skall bli så bra som möjligt för de aktuella landskapselementen. Bild 3: Terrängskuggning till vänster och till höger den bild som accentuerar, detekterar, linjära strukturer. 4.5 Digitalisera-matcha objekten diken och stenmurar Detektering och digitalisering av stenmurar och öppna diken sker med automatiserade metoder och baseras på bilder som visar linjära strukturer. Som ett komplement till uppdragsformuleringen har vi sammanställt ett antal kriterier som vi i möjligaste mån försökt att följa för att uppnå ett så enhetligt förhållningssätt som möjligt. Samtidigt hoppas vi att nedanstående punkter direkt eller indirekt kan förklara de frågor vi ställts inför och de val vi gjort. 1. Nod-nod i ett tänkt nätverk av diken. Nätverket inkluderar även diken utanför aktuellt jordbruksblock. Undantag från denna regel kan i vissa fall ske om något av dikena som ansluter till en nod blir kortare än minimikravet på ett dikes längd

11 2. För att få ett så sammanhängande nätverk som möjligt görs inga avbrott på diken som besväras av vegetation (träd, buskar och gräs) och passager (broar och spänger). En konsekvens av ett sådant förhållningssätt blir eventuellt att man förkastar ett sådant dike om influensen på objektets statistik blir betydande. 3. Markanta tegdiken som inte uppfyller ovanstående krav har ändå digitaliserats för att få en så komplett bild av dikesanalysen som möjligt. Samma förhållningssätt gäller för slänter och terrasser. 4. I de fall två diken, som i det närmaste kan betraktas som två räta linjer, ansluter till varandra betraktas dessa som två separata diken om vinkeln mellan dem är mindre än 135 (180-45). Som tidigare, undantag bekräftar regeln. 5. Objektets längd skall vara minst 15 meter, detta för att skapa goda förutsättningar för den statistiska beräkningen. 6. I de fall vi kan anta att täckdikning redan genomförts föreslår vi att man delar upp diket i flera delar för att inte statistiken skall bli helt missvisande. Ex.vis.: _ , som inte ligger innanför ett jordbruksblock men ändå belyser problemet. 7. Vid beräkning av objektets statistik exkluderas 3 punkter i början och 3 punkter i slutet vilka ofta, speciellt gäller det diken, påtagligt avviker från objektets karaktär i övrigt. Vi har valt att beskriva insamlingen av objekten som två moment. Inledningsvis snabbdigitaliseras en linje, man behöver inte vara speciellt noggrann med läget förutom för de brytpunkter som beskriver start och slut på linjen. Därefter görs en automatisk anpassning av den förenklade linjen med digital bildmatchning där en optimal centrumlinje beräknas, d.v.s. det som bedöms vara botten på diket och högsta punkten på muren. Bild 4 visar en snabb-digitaliserad linje innan den matchas mot bilden. Matchningen resulterar i att linjens geografiska läge anpassas till bilden. Bild 4: En snabb-digitaliserad linje som i nästa moment matchas mot bilden

12 Bland de förtjänster man uppnår genom att styra urvalet är att det då baseras på mänsklig förmåga att tolka bilder, naturligt göra ett urval och dessutom lokalisera linjen genom snabb-digitalisering. Den linje som digitaliseras överbryggar otydliga delar av linjen vilket är en komplikation om man skall länka samman ett automatiskt urval av potentiella dikes-segment. Matchning och beräkning av statistik för objektet sker för övrigt helt automatiskt. Bild 5 visar de profiler, i rät vinkel mot diket, som används för beräkning av dikets statistiska mått. Spridningen kring dikets mitt, punkt 51, är som synes stor vilket är en följd av att man inte ännu matchat linjen utan det är resultatet från den snabb-digitaliserade linjen. Man inser lätt behovet av noggrann lokalisering av den linje som beskriver objekten, öppna diken och stenmurar, och att det inte är tillräckligt med den snabb-digitalisering som visas i bild 4 och resultatet i bild 5. Förenklad digitalisering meter meter Serie1 Serie2 Serie3 Serie4 Serie5 Serie6 Serie7 Serie8 Serie9 Serie10 Serie11 Serie12 Serie13 Serie14 Serie15 Serie16 Serie17 Serie18 Serie19 Serie20 Serie21 Serie22 Serie23 Serie24 Serie25 Serie26 Serie27 Serie28 Serie29 Serie30 Serie31 Serie32 Serie33 Serie34 Serie35 Serie36 Serie37 Serie38 Bild 5: Profiler från en snabb-digitaliserad linje. Spridningen är stor kring mittlinjen, dikesbotten på värde 51. Med automatisk bildmatchning anpassas den snabb-digitaliserade linjen till ett optimalt läge relativt de linjära strukturer som accentuerats i bilden. Matchningsmetoden som detaljerat beskrivs i (Klang, 1999) har sedan dess anpassats till att även fungera gentemot bilder som beskriver höjdmodeller. Man ser en markant förbättring av den matchade linjens läge i bild 6 vid visuell bedömning och profilerna i bild 7 visar tydligt hur förutsättningarna för en fortsatt analys av diket förbättrats

13 Bild 6: Linjen har automatiskt matchats mot bilden. Det geografiska läget har förbättrats och därmed skapas bättre förutsättningar för den fortsatta analysen. I bild 7 är profilerna centrerade kring värdet 51, dikets antagna mitt, och de variationer som återstår är av lokal karaktär utefter diket. Lokal karaktär inkluderar passager i form av broar (täckdikning), träd, vass, gräs och hur brant lutningen är på de olika sidorna om diket. Matchad linje Serie1 meter meter Bild 7: En matchad linje där profilerna har centrerats kring dikets botten, värde 51. Serie2 Serie3 Serie4 Serie5 Serie6 Serie7 Serie8 Serie9 Serie10 Serie11 Serie12 Serie13 Serie14 Serie15 Serie16 Serie17 Serie18 Serie19 Serie20 Serie21 Serie22 Serie23 Serie24 Serie25 Serie26 Serie27 Serie28 Serie29 Serie30 Serie31 Serie32 Serie33 Serie34 Serie35 Serie36 Serie37 Serie

14 4.6 Definiera profiler och buffertzoner Den ursprungliga formuleringen för studien av öppna diken och stenmurar i laserdata utgick från analyser av höjdmodeller. Tanken var att den höjdmodell som Lantmäteriet producerar, och tillgängliggör, innehöll tillräckligt mycket information för att kartlägga de objekt som inkluderades i den här studien. Det visade sig tämligen snart, som tidigare nämnts, att så icke var fallet så beslut togs om att generera en höjdmodell med 1 meters markupplösning istället för den 2 meters-modell Lantmäteriet erbjuder. Globalt finns det ingen signifikant skillnad mellan dessa modeller men utmed finare detaljer som exempelvis diken syns det en tydlig skillnad. Den matchade linjen i bild 6, centrum på dikesbotten, används som referens vid den fortsatta bedömningen av dikets bredd och djup. I bild 8 visas linjens 4 brytpunkter, 0 3, samt som gula punkter utefter diket positionerna för de profiler som används för beräkning av dikets statistik. På båda sidor om dikets mitt skapas buffertzoner. Bild 8: Förtätade brytpunkter utefter diket vilka även motsvarar centrumläget för de profiler som används för beräkning av dikets statistik. Buffertzonerna kring diket har sin förklaring i att vi konstaterat att det även finns behov av att använda de laserdata som filtrerats, mark och icke-mark, i den fortsatta analysen. I bild 9 får man en god uppfattning om tätheten på de laserdata som bedömts tillhöra markytan, röda punkter. Tätheten på data är i det här fallet ca 0.7 pkt/m 2 vilket stämmer väl överens med Lantmäteriets specifikation eftersom det är ytterst få av laserskotten inom bufferten som klassats som icke-mark

15 Bild 9: Information om de markklassade laserdata inom bufferten som används för beräkning av dikets statistik. 4.7 Beräkna statistik och lagra i *.shp Vi har kompletterat den ursprungliga tanken att med centrumlinjen som referens bestämma statistik för profiler, utplacerade med jämna mellanrum, i rät vinkel mot linjen utefter hela dess längd med laserdata inom i ovan beskrivna buffertzon. Statistiken beräknas från de höjdmodeller som skapats från laserdata eller i kombination med laserdata. Den metod som visat sig ge mest tillförlitliga resultat och som även används för den slutliga redovisningen av attributen i Shape-filerna är en kombination av de profiler som beräknats från höjdmodellen och laserdata. Bild 10: Laserpunkteras höjd utefter diket varierar påtagligt, mer till vänster än höger om centrum

16 De stora variationerna i bild 10 visar tydligt att det inte är tillräckligt att finna en bra centrumlinje för diket det krävs även höjd-korrigering i dikets riktning för dess lutning. En sådan korrigering inkluderas i beräkningen innan den slutliga dikesprofilen beräknas. De mått som beräknats, och redovisas i bild 11, är de 101 olika medianvärden, som visas i bild 5 och 7, och som vart och ett beräknats för de punkter som ligger på samma avstånd från diket. Den vänstra bilden visar resultatet då endast höjdmodellen använts för beräkningen. I den högra bilden har även laserdata inkluderats. Spridningsmåttet, medelfel rms, representerar alla profilers avvikelser relativt medianprofilen. Motivet att inte använda medelvärde utan medianvärde är profilernas inhomogenitet och att de är förhållandevis få till antalet. Med dessa förutsättningar är sannolikheten större att medelvärdet blir mer missvisande än att ett medianvärde blir det. Bild 11: Statistik från höjdmodell till vänster, i kombination med laserdata till höger. I Shape-filerna kommer nedanstående beskrivande data att redovisas, bild 12, där antal är det antal profiler som använts vid beräkningen. Bild 12: Statistik i form av de attribut som beskriver respektive objekt, öppet dike eller stenmur

17 5 Resultat och diskussioner Studien omfattar 70 jordbruksblock där totalt 424 öppna diken och 4 stenmurar detekterats och bedömts uppfylla vissa av ovanstående kriterier. Statistik för dessa diken och murar har beräknats med hjälp av de metoder och förutsättningar som beskrivits tidigare. Det kommer, av skäl som nämnts i kapitel 4.5, att finnas en överrepresentation av objekt i filerna, bl.a. för att skapa underlag för diskussion kring vilka toleranser som skall sättas vid det slutliga urvalet av vad som skall lagras respektive förkastas. Tabell 2: Antalet öppna diken och stenmurar som analyserats i studien. Studiens resultat, vid sidan om denna rapport, är ett antal Shape-filer, en för varje område och objektslag. Syftet med Shape-filerna, som innehåller statistik för varje unikt objekt och levereras tillsammans med denna rapport, är att de skall nyttjas för fortsatt analys inom Jordbruksverket. Av den anledningen innehåller detta kapitel snarare diskussioner kring de erfarenheter vi fått vid användande av Lantmäteriets laserdata, i syfte att detektera och med statistik beskriva öppna diken och stenmurar, än att ingående analysera resultatet. Vi har valt att beskriva de två objekt-typerna i separata avsnitt eftersom det visat sig finnas påtagliga olikheter mellan egenskaperna hos diken och murar trots att de i bilderna båda kan antas framträda som linjära objekt. 5.1 Öppna diken Vi har genomfört fältstudier i Storvik och på Bondberget för att bättre förstå den statistik som beräknats. Vi har besökt fyra diken i Storvik och noterat egenskaper som vi antagit också kan påverka laserdata och därmed förutsättningarna för den automatiska analysen. Vi börjar med att redovisa den statistik som bedömdes i fält för dikena i Storvik. Tabell 3: Sammanställning från fältstudier i Storvik

18 Parametern homogent har använts för att beskriva om dikets bredd och djup är någorlunda lika över hela dess längd eller inte. Effekten av homogent redovisas separat efter nedanstående beskrivning av de fyra diken som fältinventerats. Bilderna från besöket i Storvik finns samlade i bilagorna 1-4 och skapar förhoppningsvis klarhet för parametrarna i tabell 3. Det vi framförallt önskade förstå var hur verkligheten såg ut för att utifrån denna referens föra ett resonemang kring relevansen i den statistik vi beräknat. Bild 13 är samma bild som försättsbladet och visar de fyra diken vi besökte i Storvik. Den statistik som beräknats för dike 1-4 redovisas i bild 14 och 15. Bild 13: Öppna diken i Storvik som efter flera fältbesök är väl dokumenterade

19 Bild 14: Till vänster statistik från dike 1 och till höger dito från dike 2. Bild 15: Statistik från dike 3 till vänster och dike 4 till höger. Frågan man givetvis ställer sig efter ett besök i fält är - om det är möjligt att bättre tolka och förklara den statistik som beräknats automatiskt för dike 1-4? Dike 1: Fältstudien visade ett relativt tydligt dike men i den beräknade statistiken bedöms det bara vara en slänt. Orsaken till att diket inte syns i höjddata är att det med stor sannolikhet var tämligen högt gräs då skanningen genomfördes. Gräset täckte stora delar av diket. Statistiken ur höjdmodellen visar också att diket snarare är en slänt än ett dike vilket också kan tolkas ur linjestrukturen eftersom det bara är ljust på ena sidan av diket. Dike 2: Djupet överensstämmer väl mellan fältstudier och den beräknade statistiken. Detta trots att det både finns en passage över diket och att det i en av dikets slutpunkter växer buskar. Bredden däremot skiljer sig påtagligt vilket till stor del beror på avståndet mellan laserpunkterna. Betänk att man vid ett optimalt skanning-svep kan få en träff på vardera dikeskant och en träff på dikets botten. Med den täthet på data som formulerats blir avståndet mellan varje laserskott alltid större än 1 meter, d.v.s. diket blir minst 2 meter brett. Detta generella resonemang gäller inte i de områden då två eller flera flygstråk täcker över varandra, men då uppstår istället krav på bra geometrisk korrigering mellan stråken. Om så inte är fallet kan en systematisk avvikelse i höjd få till följd att bara det ena stråkets markpunkter klassificeras som mark. Det andra stråket markpunkter kan i så fall ligga så pass högt ovanför den lägsta punkten i dess närhet att den inte bedöms tillhöra markytan. Finns det istället en systematisk avvikelse i plan kommer det statistiska resultatet få samma bieffekter som vid den mindre noggranna digitalisering som visades i bild 5. Dike 3: Likt dike 2 stämmer det beräknade djupet väl överens med den bedömning som gjordes i fält. Detsamma gäller den beräknade bredden som även i detta fall är påtagligt större än den fältmätta. Argumentet för att så är fallet är också detsamma, d.v.s. det krävs högre punkttäthet för att bestämma en mer korrekt bredd på smala diken. Dike 4: Det längsta diket som inventerats i fält. Bilderna i bilaga 4 visar också de relativt stora variationerna samt att diket i ena änden alltmer övergår till att vara en slänt. Då

20 statistiken beräknas för hela dikets längd bibehålls trots den släntliknande karaktären en markant dikesfåra. Diket har i fält bedömts vara inhomogent vilket i detta fall sannolikt får till följd att diket inte anses tillräckligt tydligt för att accepteras som ett dike som uppfyller de kriterier som formulerats i detta uppdrag. Homogenitet, är ett begrepp som vi använder för att beskriva om objektets karaktär varierar och även om förutsättningarna från skanningen skiljer sig för olika delar av objektet. Bild 16 visar ett dike som vi för att belysa homogenitet har delat upp i två separata delar och därefter beräknat statistik för respektive del. Bild 16: Ett dike som delats upp i två delar för separat beräkning av statistik. De profiler som bestämts för den SÖ delen av diket visas i den vänstra figuren i bild 17. Den röda, lite tjockare linjen, representerar det dike som beräknats från de övriga profilerna. Djupet har beräknats till 42 cm med ett medelfel på 5 cm. Medelfelets storlek är en indikation på hur mycket profilerna avviker från det beräknade diket och är i det här fallet relativt litet i förhållande till det beräknade djupet

21 Bild 17: Figuren till vänster visar profilerna för den SÖ delen av diket där den röda linjen är det beräknade diket. Till höger redovisas statistiken som beräknats för diket. Den NV delens profiler för diket visas i den vänstra figuren i bild 18. Den röda linjen representerar p.s.s. som i den förra bilden det dike som beräknats från de övriga profilerna. Djupet har i det här fallet beräknats till 22 cm med ett medelfel på 8 cm. Medelfelets storlek är i det här fallet relativt stort i förhållande till det beräknade djupet vilket innebär att denna del av diket inte är lika homogen som i den SÖ delen. Bild 18: Figuren till vänster visar profilerna för den NV delen av diket där den röda linjen är det beräknade diket. Till höger redovisas den statistik som beräknats för diket. Oavsett de beslutskriterier man har för att acceptera eller förkasta det beräknade diket kan man utan tvekan konstatera att det finns stora variationer mellan profilerna som ligger till grund för beräkningen. I exemplet är det till stor del den omgivande markens variation, lutning, som påverkar resultatet. Vid sidan om markens variationer påverkas objektets homogenitet bl.a. av gräs, buskar, träd, passager broar och vatten i diket vid skanningen. Denna inhomogenitet skiljer sig givetvis mellan olika objekt och beror bl.a. på tidpunkten för skanningen samt objektens omgivande egenskaper. 5.2 Stenmurar Uppdraget inkluderade även detektering och beräkning av statistik för stenmurar med antagandet att dessa fanns representerade i det som vid markfiltreringen bedömts vara markytan höjdmodellen. Inom jordbruksblockens begränsningslinjer hittade vi inte någon potentiell kandidat till stenmur. Murarna kan generellt beskrivas som ett inverterat dike i de bilder som framhäver linjestrukturer, m.a.o. ljusa med en mörk omgivning. När vi utökade sökområdet till hela bilden återfann vi ett objekt med de beskrivna egenskaperna utefter en järnväg, bild

22 Bild 19: Den ljusa linjen, till vänster om den nord-sydliga järnvägen, antogs möta uppsatta kriterier för en stenmur. Profil och statistik, bild 20, som beräknades indikerade också att vi efter en tids sökande hittat en mur - men fältstudier i området skulle tyvärr visa att så inte var fallet. De bilder som finns i bilaga 5 visar att den antagna muren istället var en jordvall, som dessutom var bevuxen. Bild 20: En digitaliserad, orange, mur i den vänstra bilden och till höger den statistik som beräknats. Med den lokalkännedom vi har så infann sig tämligen snart frågan, var är alla Gästriklands stenmurar i laserdata? Eftersom dom inte tycks finnas i det som klassats som mark så blev vårt antagande att det rimligtvis bör gå att återfinna linjära strukturer i de laserdata som klassats som icke-mark. En inventering där murar bedömdes vara objekt upp till 2 meter över markytan, ljusgröna punkter, gav resultatet som visas i bild 21. Röda punkter är markpunkter, mörkgröna och blå mer än 2 meter över markytan. Statistik beräknades för den orangea muren och för att öka sannolikheten att vi verkligen hittat en mur kontrollerade vi med en bild från till vänster i bild

23 Bild 21: Den ljusgröna struktur som med största sannolikhet är en mur beräknades det statistik för. Övriga ljusgröna punkter bedömdes vara höga häckar, se bild 22. Till skillnad från de diken som detekterats och statistiskt bedömts finns det, oavsett om murens data är klassat som mark eller icke-mark, inte tillräckligt med information i laserdata för att bestämma om muren är av sten eller om det är en välansad häck. Det krävs kompletterande data för att säkerställa egenskaperna hos de linjära objekt som likt exemplet har form som en mur. Bild 22: Till vänster stenmuren i en bild från hitta.se. Till höger murens profil med beräknad statistik. På motsvarande sätt som för diken påverkas detektering och bestämning av murar av objekts homogenitet. Störande vegetation, markytans nivåvariationer samt objektets varierande bredd och höjd har alla menlig inverkan på den statistiska noggrannheten. 5.3 Analysens användbarhet Med alla komplikationer som beskrivits kan man fråga sig om det finns någon relevans i den statistik som beräknats? Svaret på frågan är utan minsta tvekan JA, frågan är snarare hur man skall bedöma den statistik som beräknas för att andelen felbedömda

24 objekt ska bli så litet som möjligt. Om man lyckas etablera erfarenhetstal som korrigerar för de olika situationer som kan uppstå i samband med skanningen så är det sannolikt möjligt att med relativt god noggrannhet korrigera analysen från skanningen så att den bättre efterliknar verkligheten. De fältstudier som gjordes av SJV i höstas och den vi själva genomförde i början av maj 2010 har definitivt tydliggjort hur de yttre förutsättningarna vid skanningen påverkar homogeniteten och därmed resultatet. Att bredden på objekten är för stor kan något förenklat förklaras med att avståndet mellan de laserpunkter som klassats som mark inte medger en noggrannare bestämning. Höjden eller djupet å andra sidan påverkas till stor del av den mätnoggrannhet lasersensorn har, främst i höjd, men givetvis också av punkttätheten. Relationen mellan det djup som mätts i fält och det som beräknats ur laserdata är liksom motsvarande relation mellan mätt och beräknad bredd exempel på det vi valt att benämna erfarenhetstal. Som ett alternativ till fältstudierna i Storvik har vi från laserdata med hög punkttäthet reducerat punktantalet till att motsvara den täthet som formulerats för Lantmäteriets NNH. Denna simulering av lägre punkttäthet har åstadkommits genom att man med statistiska metoder slumpmässigt tagit bort punkter så att de data som återstår kan anses representera tätheten i NNH. Ur de data, med hög täthet, som tillhandahållits av Jönköpings kommun har vi valt ut två diken för att exemplifiera möjligheten att använda högkvalitativa data som underlag för bedömning av försämringens omfattning vid lägre täthet på laserdata. Fältstudier skapar alltid ytterligare förståelse därför har vi också mätt och dokumenterat ett antal komplikationer kring dessa två diken. Bild 23 visar de två diken vi besökt, olyckligtvis fanns det inte diken på öppen mark så vi fick nöja oss med de två på väg upp mot Bondbergets högsta mast. 1 2 Bild 23: Dike 1 uppe till vänster och dike 2 nere till höger. Profilerna som beräknats för dessa två diken visas i bild 24 där man i den vänstra profilen tydligt ser vägen och dess kanter till höger om diket. I den högra profilen ligger vägen till vänster om diket och man ser en tydlig sluttning ner mot diket och vägen

25 Bild 24: Dike 1 till vänster och dike 2 till höger. I tabell 4 har vi sammanställt resultatet från de tre olika metoderna, fält, laserdata med hög täthet och laserdata med simulerad LM täthet. Tydligt är att de mätningar vi gjorde i fält resulterade i diken som är smalare och djupare än de som samlats in med laserskanning. Att så är fallet är inte svårt att förstå om man studerar bilderna i bilaga 6 och 7. Man kan snarare fascineras över att man över huvud taget lyckas registrera någonting genom de täta granarna som bitvis täcker både dike 1 och dike 2. Tabell 4: Tabellen visar en sammanställning av fältmätningar, laserdata med hög täthet respektive laserdata med den täthet som formulerats för NNH. Det bör noteras att ovanstående simulering endast har till uppgift att exemplifiera olika metoder som kan ligga till grund för etablering av relevanta erfarenhetstal Konfidensgrad och konfidensintervall Eftersom de objekt som skall kartläggas tydligen inte är vare sig helt raka lika djupa höga - utefter hela sin utbredning och omgivningen inte heller är en jämn och fin yta så räcker det inte med att beskriva bredd och djup/höjd. Det medelfel, σ, som beräknats beskriver precisionen, relativt den redovisade profilen, för alla de profiler som ligger till grund för beräkningen. Precisionen kan således betraktas som graden av osäkerhet i mätningarna. Ett stort medelfel innebär således att det finns många faktorer som menligt påverkat resultatet. Förutsätter man, något förenklat, att mätningarna kan anses vara normalfördelade är det möjligt att med hjälp av den statistik som beräknats bestämma ett intervall som med viss sannolikhet, konfidensgrad, täcker över det beräknade medelvärdet θ

26 Bestämmer man att man vill uppnå en konfidensgrad på 0.95 innebär det att det intervall man beräknar täcker över medelvärdet θ med sannolikheten 95%. Med de förutsättningar som råder för öppna diken och stenmurar så kan man acceptera mätningar som är större än ett visst värde men inte mindre. För att möta dessa krav är det lämpligt att man istället för det vanligen använda tvåsidiga konfidensintervallet använder ett ensidigt intervall, formel (1). I bild 25 visas ett ensidigt konfidensintervall med konfidensgrad Konfidensgrad (1- α) 0.95 Ur tabell area, α=0.05 ger λα= % konfidensintervall X 1.64σ < θ < (1) Där X representerar mätningarna x i..x n θ: medelvärde σ: medelfel Bild 25: Ensidigt konfidensintervall, konfidensgrad Applicerar man detta resonemang på det djup som beräknats för dike 2 i Storvik blir resultatet ett ensidigt konfidensintervall för θ med den nedre gränsen och den övre gränsen, formel (2). 95% konfidensintervall Dike 2 θ : 0.31m σ :0.10 m * 0.10 <θ < < θ < (2) Den diskussion som förts tidigare i rapporten kring etablering av erfarenhetstal ligger till grund för följande förädling av det tidigare beskrivna konfidensintervallet. Antar man att det finns tillräcklig signifikans i den differens, ΔE = 10 cm, vi erhöll mellan fältmätningar och den simulering vi genomförde för att efterlikna tätheten i NNH blir, med 0.95 sannolikheten, den nedre gränsen och den övre gränsen, formel (3). 95% konfidensintervall Dike 2 - inklusive erfarenhetstal (ΔE) X + ΔE 1.64σ < θ < (3) * 0.10 < θ < < θ < Den konfidensgrad som använts i exemplet och det ensidiga intervall som beräknats får bara ses som ett förslag till hur man kan använda den statistiska information som beräknats för objekten, öppna diken och stenmurar. En framtida redovisning bör följa de

27 riktlinjer, direktiv, som ges av bl.a. Jordbruksverket, EU-kommissionen och Joint Research Centre (JRC)

28 6 Slutsatser Relativt smala linjära dalar och åsar går att detektera i laserdata från NNH. I kategorin dalar ingår diken, bäckar o.d.. Kategorin åsar inkluderar häckar, jordvallar och murar. För att med tillräcklig tillförlitlighet klassificera en ås som stenmur finns det behov av kompletterande information, eventuellt kan man få den från flygbilder. Den statistiska analysen bör baseras på laserdata, eventuellt i kombination med en höjdmodell. Bestämningen av objektets planläge är av central betydelse för att den statistiska analysen skall bli tillförlitlig. Bristfällig lägesbestämning ökar den beräknade bredden samtidigt som djup och höjd minskar. Objektens beräknade bredd påverkas i väsentlig grad av punkttätheten i laserdata. Av den anledningen kan man inte förvänta sig en korrekt bestämning av bredden med tätheten i NNH. Givetvis påverkas även beräkningen av objektens djup och höjd av tätheten men viktigast är att det finns tillräckligt många punkter i eller i närheten av dikets botten eller på murens topp. Om så är fallet är det laserns mätnoggrannhet och objektets inhomogenitet som främst begränsar noggrannheten vid beräkning av djup och höjd. Förutsättningar i södra Sverige blir bättre än de data som utvärderats i Storvik av flera skäl, bl.a. - icke vegetationssäsong - tydligare diken De rutiner för markklassningen som Lantmäteriet använt på provområdet har vidareutvecklats vilket bl.a. innebär - tätare data i överlappen mellan stråk - klassning av vatten - förbättrad kompetens Man bör anpassa kravspecifikationen till den nyvunna kunskap kring NNH laserdata som projektet resulterat i. Detta gäller bl.a. bredd, djup/höjd, längd och osäkerhet beskrivet med konfidensgrad och ensidigt konfidensintervall. Etablera erfarenhetstal för vatten, vegetation, inhomogenitet, punkttäthet o.d. De metoder som använts i projektet kan sannolikt vidareutvecklas för både diken och stenmurar. Stenmurar kan exempelvis detekteras i ortofoton för att därefter analyseras m.h.a. laserdata. Kvalitetsmått kan koordineras till de uppdaterade krav som beskrivs av Jordbruksverket. Alternativa metoder ortofoto, stereokartering, fältrekognosering eller laserskanning från lägre flyghöjd - för insamling och analys av dikes- och stenmursdata ter sig i sammanhanget inte vara konkurrenskraftiga vare sig vad gäller ekonomi eller kvalitet

29 Lästips Klang, D., Reconstruction of geometric road data using remotely sensed imagery. Dissertation. Royal Institute of Technology, Klang, D., KRIS-GIS -projekt i Eskilstuna. Kvalitet i höjdmodeller. Lantmäteriet. LMV-Rapport 2006:4. Burman, Klang En ny svensk höjdmodell. Laserskanning, Testprojekt Falun. LMV-Rapport 2006:3. Klang, D, Klang, K., Analys av höjdmodeller för översvämningsmodellering. Myndigheten för samhällsskydd och beredskap och Lantmäteriet. LAS Specification Version 1.2. Approved by ASPRS Board Steger, C., Extracting lines using differential geometry and Gaussian smoothing. International Archives of Photogrammetry and Remote Sensing. Vol XXXI, Part 3B, pp

30 Bilaga 1 Bilder, Storvik dike

31 Bilaga 2 Bilder, Storvik dike

32 Bilaga 3 Bilder, Storvik dike

33 Bilaga 4 Bilder, Storvik dike

34 Bilaga 5 Bilder, Storvik stenmur

35 Bilaga 6 Bilder, Bondberget dike

36 Bilaga 7 Bilder, Bondberget dike

37 Kontaktuppgifter GeoXD AB Dan Klang, Tekn. Dr. Fotogrammetri och geoinformatik Kristina Klang, Civ. Ing. Tekniskt lantmäteri Fridalsvägen Gävle Tel: