RAPPORT framtagen för SeaGIS. Marint kartunderlag för svenska delen av Kvarken Upprättad av: Christian Lundberg

Transkript

1 RAPPORT framtagen för SeaGIS Marint kartunderlag för svenska delen av Kvarken Upprättad av: Christian Lundberg

2 RAPPORT FRAMTAGEN FÖR SEAGIS Marint kartunderlag för svenska delen av Kvarken Kund Länsstyrelsen Västerbottens län Naturvårdsenheten UMEÅ Org nr: Konsult WSP Sverige AB Norra Skeppargatan Gävle Tel: WSP Sverige AB Org nr: Styrelsens säte: Stockholm Kontaktpersoner Johnny Berglund, Länsstyrelsen Västerbottens län, Carlos Paz von Friesen, Länsstyrelsen Västerbottens län, Christian Lundberg, WSP Sverige AB, Amy Åkerlund, WSP Sverige AB, (67)

3 Innehåll 1 Inledning 4 2 Underlagsdata Observationsdata Prediktionsvariabler 5 3 Tillvägagångssätt Val av prediktionsmetod Val av geometrisk upplösning Aggregering av klasser på HUB-nivåerna 5 och Programvaror och arbetsmetodik vid analyser 16 4 Resultat av analyser Out-Of-Bag estimate of error rate, OOB % Confusion matrix Variable importance Areastatistik för de predikterade klasserna Exempel på prediktionskartor 22 5 Sammanfattning/diskussion 29 BILAGA A - ModelBuilder-verktyg BILAGA B - Kartexempel BILAGA C - Confusion matrix BILAGA D - Variable importance 3 (67)

4 1 Inledning Uppdraget gick ut på att skapa ett heltäckande marint kartunderlag i form av en biotopkarta över den del av Norra Kvarken som ligger i Västerbottens län. Eftersom uppdraget genomförts som en del i ett svenskt-finskt samarbetsprojekt med namnet SeaGIS så har även ett motsvarande arbete utförts för den finska delen av Norra Kvarken. I Finland har Forsstyrelsen med stöd av personer vid Åbo Universitet utfört modelleringen. Projektet SeaGis (Stöd för Ekosystembaserad planering Av havsmiljön med hjälp av Geografiskt Informations System) stöds av Botnia- Atlantica programmet och är ett projekt vars syfte är att ta fram ett ökat kunskapsunderlag för havsplanering i Norra Kvarken. Vid startmötet för uppdraget träffades den svenska och den finska arbetsgruppen i Vasa, Finland. Metoder för prediktering av biotopklasser och möjliga prediktionsvariabler diskuterades bland annat vid detta möte. Grunden för det marina kartunderlaget skulle baseras på klassindelningen enligt Helcom Underwater Biotopes (HUB 1 ), som är ett hierarkiskt klassificeringssystem som beskriver naturtyper i Östersjön. HUB består av 6 nivåer, där nivå 1 separerar Östersjön från andra ekosystem, nivå 2 separerar habitaten utifrån djup och på nivå 3 utifrån substrat. Dessa tre första nivåerna fokuserar därmed på habitat, dvs abiotiska faktorer, medans de resterande nivåerna istället fokuserar på biotoper, dvs de biotiska faktorerna. På nivå 4 skiljer man på växt-och djurdominerande biotoper, på nivå 5 plockas habitatbildande växt och djurgrupper ut och på nivå 6 finns enskilda arter. Enbart växtbiotoper, ej djurbiotoper, modellerades. 2 Underlagsdata Underlagsdata fanns i form observationsdata och prediktionsvariabler. 2.1 Observationsdata Länsstyrelsen Västerbottens län har genomfört inventeringar av havsbotten inom många olika projekt. Det finns data från olika dykinventeringsinsatser, snorkelinventeringar och videoinventeringar. Huvudelen av data finns inmatat i det nationella databasverktyget MarTrans. Det användes även data från två inventeringar av fiskyngel där havsbotten och dess vegetation har noterats. Data samlades i en databas för att därefter kunna välja fram data som fanns i studieområdet, Norra Kvarken. Ett segment plockades ut från varje inventeringstransekt för att undvika autokorrelering mellan närliggande segment. I senare skedde var man tvungen att hitta nya inventeringsdata för HUB-klasser som hade alltför lite data. För att kunna göra det plockades alla segment fram i databasen som klassades i den sällsynta klassen. För att undvika auotkorrelering med närliggande redan använda segment, uteslöts alla segment som befann sig närmare än 100 meter från ett redan använt segment. 4 (67)

5 Dessa inventeringar har sedan klassats av Länsstyrelsen i Västerbotten enligt HELCOM HUB (Level3, Level4, Level5 och i cirka en fjärdedel av fallen även till Level6). I detta projekt har observationsdata i form av cirka 1200 punkter använts, se Figur 1. Figur 1 Analysområdet Norra Kvarken, samt de cirka 1200 punkterna med observationsdata. Utifrån observationsdata och prediktionsvariabler var målet att prediktera var de olika biotopklasserna kan finnas för att skapa ett heltäckande marint underlag. Kartunderlaget är tänkt att kunna användas av planerande och förvaltande myndigheter i Kvarken området. En HUB-baserad karta från Kvarken är tänkt att bli ett nytt och värdefullt tillägg i SeaGIS projektets portfölj av beslutsunderlag. 2.2 Prediktionsvariabler De prediktionsvariabler som slutligen användes i projektet var: Djup Vågexponering Salinitet Bottensubstrat Älvpåverkan Skärgårdsindex Topografisk position upp Topografisk position ned 5 (67)

6 Prediktionsvariabeln fotisk och icke-fotisk zon från BALANCE 1 -projektet fanns med i början av projektet men togs sedan bort på grund av låg geometrisk upplösning på data. Sjöfartsverket har i sin djupdatabas djupinformation som kan levereras i 20*20 metersupplösning, med varierande kvalitet beroende på vilken teknik som använts i aktuellt område vid datainsamlingen. Att nyttja de bästa djupdata från Sjöfartsverket visade sig vara mycket kostsamt. Om djupdata för hela delen av Norra Kvarken i Västerbottens län skulle köpas så skulle kostnaden för detta bli mer än kr. Djupdata som använts i detta projekt är en kombination av olika datakällor, där data över det geografiskt största området kommer från Länsstyrelsen Västerbottens län med hjälp av sjökortet hade tagit fram interpolerade djup, med mer detaljerade kompletteringar i områden över Sävarfjärden och Holmöarna. De två områdena har djupmätts med hjälp av LiDAR (Light Detecting and Ranging), vilket innebär en väldigt bra noggrannhet och detaljnivå. I södra delen av Norra Kvarken kommer djupdata från den fritt tillgängliga djupdatabasen BSBD 2 (Baltic Sea Bathymetry Database). Den geometriska upplösning på datakällorna för djupdata använda i detta projekt varierar enligt Tabell 1. Tabell 1 Prediktionsvariabler Dataset för djup Geometrisk upplösning Färgmarkering i Figur 2 Sävarfjärden 10 * 10 meter (LiDAR) Lila Holmöarna 10 * 10 meter (LiDAR) Grön Länsstyrelsen Västerbottens län 25 * 25 meter (interpolerade data) Orange BSBD cirka 400 * 400 meter Röd Figur 2 visar med färgmarkering utbredningen på de olika datakällor som använts i prediktionsvariabeln djup. Figur 3 visar resultatet efter sammanslagningen av de olika underlagen för prediktionsvariabeln djup. 1 BALANCE (Baltic Sea Management Nature Conservation and Sustainable Development of the Ecosystem through Spatial Planning) 2 BSBD (Baltic Sea Bathymetry Database) 6 (67)

7 Figur 2 Analysområdet Norra Kvarken, med underlagen för prediktionsvariabeln djup. Figur 3 De sammanslagna underlagen för prediktionsvariabeln djup. 7 (67)

8 Övriga prediktionsvariablers geometriska upplösning och datakälla anges i Tabell 2. Tabell 2 Övriga prediktionsvariabler Dataset för djup Geometrisk upplösning Datakälla Vågexponering 10 * 10 meter MDP 3 Salinitet 25 * 25 meter Lst AC 4 Bottensubstrat (vektordata, skalor 1: och 1: ) SGU 5 Älvpåverkan 100 * 100 meter Lst AC Skärgårdsindex 25 * 25 meter Lst AC Topografisk position upp 10 * 10 meter Lst AC Topografisk position ned 10 * 10 meter Lst AC Information om bottensubstrat från SGU fanns i två detaljeringsskalor, en kartering i skala 1: och en i skala 1: , se Figur 4. En av bottensubstratstyperna Sand /"klass 5" var ej representerade i observationsdata. Det var bara ett enstaka område i nordöstra hörnet av Norra Kvarken som berördes, se Figur 4. Så att även detta område skulle kunna ges en predikterad klassning så beslutades att bottensubstratstypen Sand / klass5 fick uppgå i den både geografiskt och typmässigt närliggande bottensubstratstypen Sand, coarse sand, gravel and pebbles / klass 6. Indelningen av bottensubstrattyperna från SGU i Norra Kvarken: 1. Cobbles, boulders and bedrock (rock) 2. Fine sand 3. Mud 4. Pebbles, cobbles and boulders 5. Sand 6. Sand, coarse sand, gravel and pebbles 3 MDP Miljödataportalen, Naturvårdsverket 4 Lst AC Länsstyrelsen Västerbottens län 5 SGU Sveriges geologiska undersökning 8 (67)

9 Figur 4 I kartan är bottensubstratklassen Sand / klass5 markerad. Vågexponering Vågexponeringsdata, se Figur 5, laddades ner från Naturvårdsverkets miljödataportal. Data finns tillgängligt från Naturvårdsverkets SAKU (Sammanställning av kustnära undervattens naturtyper) arbete. Underlaget bygger på modellen Simplified Wave Model (SWM, Isæus 2004). 9 (67)

10 Figur 5 Underlaget för prediktionsvariabeln vågexponering. Salinitet Salinitets data, se Figur 6, är en förbättrad salinitetsmodell som har sin grund i salinitetsmodell från Miljödataportalen därefter bearbetades genom att först ändra vissa värden med värden från SMHIs databas SHARK efter genomfördes en interpolering för att kunna få en mindre upplösning. 10 (67)

11 Figur 6 Underlaget för prediktionsvariabeln salinitet. Älvpåverkan Eftersom salinitetsdata enbart gav en bild på hur salinitet varierar i nord-sydlig riktning och kunde inte riktigt fånga småvariationer som finns runt älvmynningar så skapades ett skikt för att fånga det. Älvpåverkan, se Figur 7, är ett dataunderlag som ger en gradient från varje älvmynning. Påverkan avtar med avståndet från mynningen. För att ange enskilda älvars påverkan så togs även hänsyn till medelvattenflödet i varje vattendrag enlig SMHI:s databas SHARK ( Det innebar ett högt värde nära en mynning med stort medelvattenflöde. 11 (67)

12 Figur 7 Underlaget för prediktionsvariabeln älvpåverkan. Skärgårdsindex Bakgrunden till variabeln skärgårdsindex har tagits fram inom Botnia-Atlantica projektet INTERSIK och har använts för modellering av sikyngelförekomster ( Variabeln är tänkt att fånga komplexa skärgårdsmiljöer. Underlaget togs fram genom att räkna strandlinjens längd inom en radie på en kilometer, se Figur (67)

13 Figur 8 Underlaget för prediktionsvariabeln skärgårdsindex. Topografisk position upp och ned Underlaget togs fram genom en GIS-bearbetning av djupdata. Man använde verktyget Fill i Spatial Analyst Tools i ArcGIS. Vektyget söker sänkor i djupdata och avgränsade dem, se Figur 9. Dessa områden bör representera lugna miljöer. Efteråt bearbetades djupdata så att upphöjningar blev sänkor och sänkor upphöjningar. Sen användes samma verktyg för att avgränsa upphöjningar som då bör representera extra utsatta miljöer, se Figur (67)

14 Figur 9 Underlaget för prediktionsvariabeln topografisk position ned. Figur 10 Underlaget för prediktionsvariabeln topografisk position upp. 14 (67)

15 3 Tillvägagångssätt 3.1 Val av prediktionsmetod För att diskutera vilken metod skulle användas vid framtagande av HUB-habitat anordnades ett startmöte i Vasa, Finland. På mötet diskuterades några olika metoder för prediktering av biotopklassning i HUB-habitat: Regressionsanalys Maximum Entropy (MaxEnt) Maximum Likelihood (ML) Random Forest (RF) Generalized Additive Modelling (GAM) I startmöte deltog olika parter från projektet SeaGIS. Deltagare kom från Länsstyrelsen i Västerbotten, Forsstyrelsen i Finland, WSP och Åbo universitet. För svenska sidan togs beslut att använda Random Forest som verktyg för prediktering av biotopklasser på den svenska sidan av Norra Kvarken. Beslutet baserades på att Random Forest är ett relativt okomplicerat verktyg att använda jämfört med t ex GAM, som har fler parameterar att optimera, men att prediktionerna baserat på de båda metoderna GAM och Random Forest generellt bedöms ha likvärdig noggrannhet. Mer information om metodernas egenskaper finns i Bucas et al., 2013, Bergström et al., 2013, och Gonzales-Mirelis och Lindegarth, 2012 eller besök PRE- HAB.s hemsidan. Motsvarande arbete utfördes på den finska sidan av Norra Kvarken av Forsstyrelsen i Finland med hjälp från Åbos universitet. De använde sig av metoden Maximum Likelihood. Det bedömdes inte vara någon nackdel att använda en alternativ metod för prediktering av biotopklasser jämfört med Maximum Likelihood som användes på den finska sidan av Norra Kvarken. 3.2 Val av geometrisk upplösning Den allra bästa geometriska upplösningen (storleken på pixlarna) hos prediktionsvariablerna var 10 * 10 meter. Denna pixelupplösning valdes som geometrisk upplösning i analyserna. 3.3 Aggregering av klasser på HUB-nivåerna 5 och 6 Observationsdata var begränsade till cirka 1200 punkter totalt. Det fanns få observationer för vissa klasser i HUB-modellen. Beslut togs därför att göra gruppering av HUB-klasserna på Level5 och Level6, se Tabell 3 och Tabell 4, för att på så sätt få fler observationer att använda som underlag vid prediktionerna av den mer detaljerade indelningen av biotoper. Två olika grupperingar gjordes, där den första (Tabell 3), hade med substrat, medan den andra (Tabell 4) grupperade samma biotoper med olika substrat. I Tabell 3 finns det alltså flera biotoper med perenna alger, dock på olika substrat (här rock and boulders och mixed substrate). I Tabell 4 har dessa slagits ihop till en grupp (perennial algae). I många fall har man inte bra kringliggande 15 (67)

16 data på substrat, varför det kan vara svårt att få fram ett heltäckande kartunderlag utifrån Tabell 3. Förutom dessa så gjordes modelleringar på nivå 3 (substrat), nivå 4 (växt-och djurdominerande biotoper), nivå 5 (habitatbildande växter). Tabell 3 Gruppering av HUB-klasserna Level5 och Level6, till 18 grupper (LstAc18), samt därefter till 5 grupper (LstAc18till5) Gruppering 18 Om substrat tas med (nerifrån och upp) Gruppering 18 till 5 Perennial algae on rock and boulders AA.A1C+ AA.A1C1 + AA.A1C2 1 Perennial filamentous algae on rock and boulders AA.A1C5 1 Annual algae on rock and boulders AA.A1S 2 <10% macrocommunity on rock and boulders AA.A2T + AA.A4U 3 Submerged rooted plants on muddy sediment AA.H1B + AA.H1B2 + AA.H1B3 + AA.H1B4 + AA.H1B6 + AA.H1B8 4 Pondweed on muddy sediment AA.H1B1 4 Annual algae on muddy sediment AA.H1S + AA.H1S3 2 <10% macrocommunity on muddy sediment AA.H4U 3 <10% macrocommunity on coarse sediment AA.I2T + AA.I4U 3 >10% macrocommunity on coarse sediment AA.I1B + AA.I1B1 + AA.I1B4 + AA.I1C + AA.I1C5 + AA.I1S AA.I1V 5 Submerged rooted plants on sand AA.J1B +AA.J1B1 + AA.J1B2 + AA.J1B3 + AA.J1B4 + AA.J1B6 4 <10% macrocommunity on sand AA.J4U 3 Submerged rooted plants on mixed substrate AA.M1B + AA.M1B1 + AA.M1B3 + AA.M1B4 4 Perennial algae on mixed substrate AA.M1C + AA.M1C1 1 Perennial filamentous algae on mixed substrate AA.M1C5 1 Annual alage on mixed substrate AA.M1S 2 Filamentous annual algae on mixed substrate AA.M1S1 2 <10% macrocommunity on mixed substrate AA.M2T + AA.M4U 3 Tabell 4 Gruppering av HUB-klasserna Level5 och Level6, till 11 grupper (LstAc11), samt till 5 grupper (LstAc11till5) Gruppering 11 Om substrat inte tas med (uppifrån och ner) Gruppering 11 till 5 Perennial algae AA.A1C + AA.A1C1 + AA.A1C2 + AA.I1C + AA.M1C + AA.M1C1 1 Perennial filamentous algae AA.A1C5 + AA.I1C5 + AA.M1C5 1 Annual algae AA.A1S + AA.H1S + AA.I1S + AA.J1S + AA.M1S 2 Vaucheria AA.H1S3 + AA.J1S3 2 Filamentous annual algae AA.M1S1 2 Mixed epibenthic macrocomm AA.A1V + AA.H1V + AA.I1V + AA.J1V+ AA.M1V 3 Sparse epibenthic macrocomm AA.A2T + AA.I2T + AA.M2T 4 No macrocommunity AA.A4U + AA.H4U + AA.J4U + AA.M4U 4 Submerged rooted plants AA.H1B + AA.H1B2 + AA.H1B3 + AA.H1B6 + AA.H1B3 + AA.I1B + AA.J1B + AA.J1B2 + AA.J1B3 + Aa.J1B6 + AA.M1B + AA.M1B3 5 Pondweed AA.H1B1 + AA.I1B1 + AA.J1B1 + AA.M1B1 5 Charales AA.H1B4 + AA.I1B4 + AA.J1B4 + AA.M1B Programvaror och arbetsmetodik vid analyser Nedanstående programvaror har använts vid analyserna: ArcGIS Desktop 10.2, licensnivå Basic (tidigare ArcView) och ArcGIS Desktop-tillägget Spatial Analyst Marine Geospatial Ecology Tools (MGET), version 0.8a54 Python-bibliotek, version Statistikprogramvaran R, version Marine Geospatial Ecology Tools, MGET, kallas även GeoEco Python package, är ett open source bibliotek för bearbetning och analys av biologiska och marina data. 16 (67)

17 MGET har genom Python-bibliotek koppling till statistikverktyg i open source programvaran R. I ArcGIS Desktop finns verktyget ModelBuilder som använts för att bygga modellen/arbetsgången för bearbetning av data och analyser, se Figur 11. I modellen används verktyg från MGET, som i sin tur i en del fall använder sig av verktygen i statistikprogramvaran R, t ex verktyget Random Forest. Figur 11 Exempel på modell/arbetsgång för analys via ModelBuilder i ArcGIS. 17 (67)

18 Kort beskrivet bygger metoden Random Forest på ett stort antal så kallade beslutsträd (Breiman and Cutler, 2014). Varje beslutträd byggs baserat på ett eget slumpmässigt urval ur den totala mängden observationsdata. Varje beslutsträd bidrar med en röst till vilken klass ett visst område ska tillhöra vid predikteringen. När träningsdata för ett beslutsträd väljs så utelämnas omkring en tredjedel som testdata av beslutsträdets totala mängd observationsdata. Denna tredjedel kallas OOB (Out-Of- Bag) data och används bland annat för att uppskatta klassificeringsfelen när beslutsträden (decision trees) adderas till skogen (forest). OOB data används även för att ge uppskattningar av prediktionsvariablernas viktighet (variable importance) i prediktionen. Ur träningsdata sammanställs även en matris (confusion matrix) som visar hur prediktionerna fördelar sig på själva träningsdata. Random Forest har några mått som beskriver noggrannheten i predikteringen: OOB % Variable importance Confusion matrix Mer information om Random Forest finns i manualen för verktyget Random Forest i programvaran R samt i Breiman et al., Resultat av analyser Prediktioner av biotopers utbredning i Norra Kvarken utfördes för följande nivåer i HUB och grupperingar av nivåerna 5 och 6 i HUB: Level 3 i HUB Level 4 i HUB Level 5 i HUB LstAcGrp18 LstAcGrp18till5 LstAcGrp11 LstAcGrp11till5 LstAcGrp18 är en sammanslagning av observationer på Level5- och Level6-nivå i HUB-modellen. LstAcGrp18till5 (med substrat) är i sin tur en sammanslagning av grupperna LstAcGrp18. LstAcGrp11 är en sammanslagning av observationer på Level5- och Level6-nivå i HUB-modellen. LstAcGrp11till5 (ej med substrat) är i sin tur en sammanslagning av grupperna LstAcGrp (67)

19 4.1 Out-Of-Bag estimate of error rate, OOB % Out-Of-Bag estimate of error rate, OOB % från körningar av Random Forest för HUB klasserna på Level3, Level4 och Level5 samt och de aggregerade grupperna LstAc18, LstAc18till5, LstAc11 och LstAc11till5 visas i Tabell 5. För prediktion av HUB-klasser på Level6 var observationsdata begränsad, färre än 300 punkter fanns tillgängliga. Tabell 5 Out-Of-Bag estimate of error rate, OOB %, för olika nivåer och aggregerade grupper i HUB-klassificeringen. Level/Gruppering OOB % Level3 39,6 % Level4 46,0 % Level5 57,9 % Level6 För få observationspunkter (< 300) LstAcGrp18 60,3 % LstAcGrp18till5 38,6 % LstAcGrp11 50,9 % LstAcGrp11till5 39,9 % Resultatet från varje körning av Random Forest är unik, olika OOB % fås därför vid varje körning, OOB % har under detta projekts körningar skiljt sig cirka 0,5% till 1 % mellan två körningar, dvs t ex 37,3% i en körning och 38,1 % i nästa körning och 36,9 % i tredje körning osv. 4.2 Confusion matrix Confusion matrix visar klassningsfelen i respektive klass samt fördelningen av observationspunkter inom klasserna. I Figur 12 kan man se att de klasser med få observationer och höga class.error ej ger stor inverkan på OOB %. Figur 12 LstAcGrp18till5, Exempel på Out-Of-Bag estimate of error rate och confusion matrix. Se Bilaga C - Confusion matrix för grupperingarna LstAcGrp11, LstAcGrp11till5, LstAcGrp18 och LstAcGrp18till5. 19 (67)

20 4.3 Variable importance Olika prediktionsvariabler är i olika grad viktiga för prediktion av de separata biotopklasserna. Som delresultat från Random Forest i R går det att få värden och/eller en graf över Variable importance, se Figur 13 och Figur 14. Figur 13 Variable importance för klass 1 i LstAcGrp18till5 Figur 14 Variable importance för klass 3 i LstAcGrp18till5 Övriga diagram över Variable importance för grupperingarna LstAcGrp11, LstAcGrp11till5, LstAcGrp18 och LstAcGrp18till5 finns i Bilaga D Variable importance. 4.4 Areastatistik för de predikterade klasserna I tabellerna Tabell 6 till Tabell 9 redovisas den summerade arealen i hektar inom analysområdet Norra Kvarken för de predikterade klasserna i grupperingarna LstAcGrp11, LstAcGrp11till5, LstAcGrp18 och LstAcGrp18till5. 20 (67)

21 Tabell 6 Summering av total areal i hektar för varje klass inom grupperingen LstAcGrp18. LstAcGrp18_SHORT LstAcGrp18_TEXT Area (ha) 1 Perennial algae on rock and boulders Perennial filamentous algae on rock and boulders Annual algae on rock and boulders Less than 10% macrocommunity on rock and boulders Submerged rooted plants on muddy sediment Pondweed on muddy sediment Annual algae on muddy sediment Less than 10% macrocommunity on muddy sediment Less than 10% macrocommunity on coarse sediment More than 10% macrocommunity on coarse sediment Submerged rooted plants on sand Less than 10% macrocommunity on sand Submerged rooted plants on mixed substrate Perennial algae on mixed substrate Perennial filamentous algae on mixed substrate Annual alage on mixed substrate Filamentous annual algae on mixed substrate Less than 10% macrocommunity on mixed substrate Tabell 7 Summering av total areal i hektar för varje klass inom grupperingen LstAcGrp18till5. LstAcGrp18till5_SHORT LstAcGrp18till5_TEXT Area (ha) Perennial algae on rock and boulders' OR 'Perennial algae on mixed substrate' OR 'Perennial filamentous algae on rock and boulders' OR 1 'Perennial filamentous algae on mixed substrate' Annual algae on rock and boulders' OR 'Annual algae on muddy sediment' OR 'Annual alage on mixed substrate' OR 2 'Filamentous annual algae on mixed substrate' Less than 10% macrocommunity on rock and boulders' OR 'Less than 10% macrocommunity on muddy sediment' OR 'Less than 10% macrocommunity on coarse sediment' OR 'Less than 10% macrocommunity on sand' OR 3 'Less than 10% macrocommunity on mixed substrate' Pondweed on muddy sediment' OR 'Submerged rooted plants on muddy sediment' OR 'Submerged rooted plants on sand' OR 4 'Submerged rooted plants on mixed substrate' 'More than 10% macrocommunity on coarse sediment' 13 Tabell 8 Summering av total areal i hektar för varje klass inom grupperingen LstAcGrp (67)

22 LstAcGrp11_SHORT LstAcGrp11_TEXT Area (ha) 1 Perennial algae 3520,7 2 Perennial filamentous algea 32832,3 3 Annual algea 14795,8 4 Vaucheria 97,7 5 Filamentous annual algae 378,3 6 Mixed epibenthic macrocomm 35,2 7 Sparse epibenthic macrocomm 13576,6 8 No macrocommunity ,0 9 Submerged rooted plants 7768,0 10 Pondweed 388,4 11 Charales 0,1 Tabell 9 Summering av total areal i hektar för varje klass inom grupperingen LstAcGrp11till5. LstAcGrp11till5_SHORT LstAcGrp11till5_TEXT Area (ha) 1 'Perennial algae' OR 'Perennial filamentous algea' 70200,2 2 'Annual algea' OR 'Vaucheria' OR 'Filamentous annual algae' 14398,8 3 'Mixed epibenthic macrocomm' 16,6 4 'Sparse epibenthic macrocomm' OR 'No macrocommunity' ,5 5 'Submerged rooted plants' OR 'Pondweed' OR 'Charales' 8178,1 4.5 Exempel på prediktionskartor Figur 15 till Figur 21 visar prediktionsresultaten för grupperingarna Level3 Level4 Level5 LstAcGrp18 LstAcGrp18till5 LstAcGrp11 LstAcGrp11till5 I Bilaga B - Kartexempel finns även kartorna i Figur 15 till Figur (67)

23 Figur 15 Level3, exempel på resultat vid Holmöarnas södra del. 23 (67)

24 Figur 16 Level4, exempel på resultat vid Holmöarnas södra del. 24 (67)

25 Figur 17 Level5, exempel på resultat vid Holmöarnas södra del. 25 (67)

26 Figur 18 LstAcGrp18, exempel på resultat vid Holmöarnas södra del. 26 (67)

27 Figur 19 LstAcGrp18till5, exempel på resultat vid Holmöarnas södra del. 27 (67)

28 Figur 20 LstAcGrp11, exempel på resultat vid Holmöarnas södra del. 28 (67)

29 Figur 21 LstAcGrp11till5, exempel på resultat vid Holmöarnas södra del. 5 Sammanfattning/diskussion De fyra prediktionsvariablerna som överlag (dock ej i enstaka biotopklass) gav störst inverkan vid biotopklassningen i detta projekt var: djup vågexponering skärgårdsindex salinitet En sammanfattning av variablernas viktighet, det vill säga hur bra de förklarar HUB-klassernas modellering finns i Tabell 10. För sammanfattningen gjordes en genomgång av de fyra grupper (LstAcGrp18, LstAcGrp18till5, LstAcGrp11 och LstAcGrp11till5) och i varje klass delades 3 poäng ut för den mest förklarande variabeln, 2 poäng för den näst mest förklarande variabeln och slutligen 1 poäng för den tredje bäst förklarande variabeln. Denna information hämtades från diagrammen Variable importance. 29 (67)

30 Antal observationer Tabell 10 Sammanställning av de olika prediktionsvariablernas viktighet i HUB-klassers modellering via Random Forest. Prediktionsvariabel Totalpoäng Grp11 delpoäng Grp11till5 delpoäng Grp18 delpoäng Grp18till5 delpoäng Depth_RH WaveExposure Archipelago Salmean_PSU RiverEffect SeabedSediment_SHORT TopoUp_SHORT TopoDown_SHORT Figur 22 visar ett diagram där varje klassfel (classification error) ur Confusion matrix använts för att plottas mot antalet tillgängliga observationer för den aktuella klassen. Alla klasser i de fyra grupper LstAcGrp18, LstAcGrp18till5, LstAcGrp11 och LstAcGrp11till5 har använts ,2 0,4 0,6 0,8 1 Classification error Figur 22 En plottning av Classification error mot antalet observationspunkter i respektive klass (11, 11till5, 18 och 18till5). Baserat på erfarenheter och resultat från detta projekt så konstateras att bättre underlag för prediktionsvariablerna (högre noggrannhet på värden och/eller högre geometrisk upplösning) hade varit önskvärt. Fler observationspunkter hade troligen medfört en mer noggrann prediktering i verktyget Random Forest. 30 (67)

31 Litteratur Isæus, M Factors structuring Fucus communities at open and complex coastlines in the Baltic Sea. PhD thesis, Dept. of Botany, Stockholm University, Sweden. 40 sid. Bucas, M., Bergström, U., Downie, A-L., Sundbl, G., Gullström, M., von Numers, M., Siaulys, A. and Lindegarth, M Empirical modelling of benthic species distribution, abundance, and diversity in the Baltic Sea: evaluating the scope for predictive mapping using different modelling approaches. ICES Journal of Marine Science; doi: /icesjms/fst036 Gonzalez-Mirelis, Genoveva and Lindegarth, Mats Predicting the distribution of out-of-reach biotopes with decision trees in a Swedish marine protected area. Ecological Applications, 22(8), 2012, pp Bergström, U., Sundblad, G., Downie, A-L., Snickars, M., Boström, C. and Lindegarth, M Evaluating eutrophication management scenarios in the Baltic Sea using species distribution modelling. Journal of Applied Ecology 2013; doi: / Breiman Leo, Cutler Adele, 2014, Random Forests. (Aktuell ) Manualen för verktyget Random Forest i programvaran R. (Aktuell ) 31 (67)

32 BILAGA A ModelBuilder-verktyg Figur 23 visar filgeodatabasen SeaGIS_Swedish_part_of_The_Quark.gdb och dess innehåll. I featurdataset _Analysis_area finns analysområden Norra Kvarken som använts i projektet. I DATASOURCES finns observationspunkterna HUB_Kvarken. I RESULTS ligger resultaten av analysen. Direkt under roten i Sea- GIS_Swedish_part_of_The_Quark.gdb ligger prediktionsvariablerna, A_... för ursprungsdata och x_... för data klippt enligt analysområdet. I Toolbox ligger de ModelBuilder-verktyg som tagits fram och använts i projektet. Figur 23 Filgeodatabasen SeaGIS_Swedish_part_of_The_Quark.gdb och dess innehåll. Här nedan beskrivs de olika ModelBuilder-verktyg som tagits fram och använts under projektet. Verktygen är i vissa fall beroende av föregående verktyg, därav namnsättningen C01, C02,, C10 osv. C01_HUB_Kvarken_AddField_UNIKID C01_HUB_Kvarken_AddField_UNIKID lägger till ett nytt fält UNIKID och genererar unika identiteter för alla poster. Indata till C01 är: HUB_Kvarken Utdata från C01 är: Uppdaterad HUB_Kvarken Kommentarer: - 32 (67)

33 C02_ZonalStatisticsTable_Depth_HUB_Kvarken_ITERATE C02_ZonalStatisticsTable_Depth_HUB_Kvarken_ITERATE itererar genom alla observationspunkter mot djuprastret för att ta reda på djupet. Indata till C02 är: HUB_Kvarken x_depth_combined_10mres_sweref99tm Utdata från C02 är: Tabellen ZonalStat_Depth_HUB_Kvarken Kommentarer: C03 till C09 fungerar på motsvarande sätt för att plocka ut följande prediktionsvariabler för observationspunkterna: o o o o o o o WaveExposure Salinity Archipelago RiverEffect SeabedSediment_SHORT TopoUp_SHORT TopoDown_SHORT C10_HUB_Kvarken_ZonalStatisticsTable_JoinField C10_HUB_Kvarken_ZonalStatisticsTable_JoinField kopplar på prediktionsvariblerna till respektive observationspunkte (fältet UNIKID används för förening av poster i tabellerna). Indata till C10 är: HUB_Kvarken ZonalStat_Depth_HUB_Kvarken ZonalStat_WaveExposure_HUB_Kvarken ZonalStat_Salmean_PSU_HUB_Kvarken ZonalStat_Archipelago_HUB_Kvarken ZonalStat_RiverEffect_HUB_Kvarken ZonalStat_SeabedSediment_SHORT_HUB_Kvarken ZonalStat_TopoUp_SHORT_HUB_Kvarken ZonalStat_TopoDown_SHORT_HUB_Kvarken Utdata från C10 är: Uppdaterade HUB_Kvarken Kommentarer: - 33 (67)

34 D01_HUB_Kvarken_AddFields_LstAcGrp18 D01_HUB_Kvarken_AddFields_LstAcGrp18 lägger till två fält, LstAcGrp18_SHORT och LstAcGrp18_TEXT, samt fyller dessa med värden. Indata till D01 är: HUB_Kvarken Utdata från D01 är: Uppdaterad HUB_Kvarken Kommentarer: D02 till D07 fungerar på motsvarande sätt. Verktyget Random Forest kan inte hantera textsträngar därav lösningen med datatyperna SHORT och TEXT för att vid presentationen av analysresultatet kunna presentera klasserna med namn och inte bara med en siffra. E01_MGET_RandomForest_A_LstAcGrp18_SHORT E01_MGET_RandomForest_A_LstAcGrp18_SHORT genererar med hjälp av Random Forest en prediktion av de 18 grupperna i LstAcGrp18. Indata till E01 är: HUB_Kvarken x_depth_combined_10mres_sweref99tm x_waveexposure_mpd_10mres_thequark_sweref99tm x_archipelagocharacter1km_lstac_10mres_thequark_sweref99tm x_salinity_lstac_10mres_thequark_sweref99tm x_rivereffect_lstac_10mres_thequark_sweref99tm x_seabedsediments_combined_sgu_10mres_sweref99tm x_topodown_lstac_10mres_thequark_sweref99tm x_topoup_lstac_10mres_thequark_sweref99tm Utdata från E01 är: y_lstacgrp18_short_prediction_randomforest Kommentarer: E02 till E07 fungerar på motsvarande sätt. F01_RESULTS_LstAcGrp18_Dissolve F01_RESULTS_LstAcGrp18_Dissolve skapar två resultatfiler i vektorformat, den ena med originaldata konverterat till vektorformat och den andra generaliserad med Majority8-metoden och därefter konverterad till vektorformat. Indata till E01 är: y_lstacgrp18_short_prediction_randomforest Utdata från E01 är: 34 (67)

35 x_[datum]_lstacgrp_original x_[datum]_lstacgrp_majority8 Kommentarer: E02 till E07 fungerar på motsvarande sätt. 35 (67)

36 BILAGA B Kartexempel Figur 24 Level3, exempel på resultat vid Holmöarnas södra del. 36 (67)

37 Figur 25 Level4, exempel på resultat vid Holmöarnas södra del. 37 (67)

38 Figur 26 Level5, exempel på resultat vid Holmöarnas södra del. 38 (67)

39 Figur 27 LstAcGrp18, exempel på resultat vid Holmöarnas södra del. 39 (67)

40 Figur 28 LstAcGrp18till5, exempel på resultat vid Holmöarnas södra del. 40 (67)

41 Figur 29 LstAcGrp11, exempel på resultat vid Holmöarnas södra del. 41 (67)

42 Figur 30 LstAcGrp11till5, exempel på resultat vid Holmöarnas södra del. 42 (67)

43 BILAGA C Confusion matrix Figur 31 Confusion matrix för LstAcGrp11. Figur 32 Confusion matrix för LstAcGrp11till5. 43 (67)

44 Figur 33 Confusion matrix för LstAcGrp18. Figur 34 Confusion matrix för LstAcGrp18till5. 44 (67)

45 BILAGA D Variable importance LstAcGrp11 Figur 35 Variable importance generellt i Grp11. Figur 36 Variable importance för klass 1 i Grp (67)

46 Figur 37 Variable importance för klass 2 i Grp11. Figur 38 Variable importance för klass 3 i Grp (67)

47 Figur 39 Variable importance för klass 4 i Grp11. Figur 40 Variable importance för klass 5 i Grp (67)

48 Figur 41 Variable importance för klass 6 i Grp11. Figur 42 Variable importance för klass 7 i Grp (67)

49 Figur 43 Variable importance för klass 8 i Grp11. Figur 44 Variable importance för klass 9 i Grp (67)

50 Figur 45 Variable importance för klass 10 i Grp (67)

51 Figur 46 Variable importance för klass 11 i Grp (67)

52 LstAcGrp11till5 Figur 47 Variable importance generellt i Grp11till5. Figur 48 Variable importance för klass 1 i Grp11till5. 52 (67)

53 Figur 49 Variable importance för klass 2 i Grp11till5. Figur 50 Variable importance för klass 3 i Grp11till5. 53 (67)

54 Figur 51 Variable importance för klass 4 i Grp11till5. Figur 52 Variable importance för klass 5 i Grp11till5. 54 (67)

55 LstAcGrp18 Figur 53 Variable importance generellt i Grp18. Figur 54 Variable importance för klass 1 i Grp (67)

56 Figur 55 Variable importance för klass 2 i Grp18. Figur 56 Variable importance för klass 3 i Grp (67)

57 Figur 57 Variable importance för klass 4 i Grp18. Figur 58 Variable importance för klass 5 i Grp (67)

58 Figur 59 Variable importance för klass 6 i Grp18. Figur 60 Variable importance för klass 7 i Grp (67)

59 Figur 61 Variable importance för klass 8 i Grp18. Figur 62 Variable importance för klass 9 i Grp (67)

60 Figur 63 Variable importance för klass 10 i Grp18. Figur 64 Variable importance för klass 11 i Grp (67)

61 Figur 65 Variable importance för klass 12 i Grp18. Figur 66 Variable importance för klass 13 i Grp (67)

62 Figur 67 Variable importance för klass 14 i Grp18. Figur 68 Variable importance för klass 15 i Grp (67)

63 Figur 69 Variable importance för klass 16 i Grp18. Figur 70 Variable importance för klass 17 i Grp (67)

64 Figur 71 Variable importance för klass 18 i Grp (67)

65 LstAcGrp18till5 Figur 72 Variable importance generellt i Grp18till5. Figur 73 Variable importance för klass 1 i Grp18till5. 65 (67)

66 Figur 74 Variable importance för klass 1 i Grp18till5. Figur 75 Variable importance för klass 1 i Grp18till5. 66 (67)

67 Figur 76 Variable importance för klass 1 i Grp18till5. Figur 77 Variable importance för klass 1 i Grp18till5. 67 (67)