Årsrapport för Regional miljöövervakning i landskapsrutor 2016

Transkript

1 1(34) Institutionen för ekologi Årsrapport för Regional miljöövervakning i landskapsrutor 2016 Anders Glimskär, Merit Kindström, Assar Lundin Innehåll Bakgrund... 2 Rapporter om metodik och analysresultat... 3 Design och genomförd datainsamling Fältinventering av småbiotoper... 4 Flygbildstolkning av gräsmarker... 8 Fältinventering i gräsmarker Flygbildstolkning av våtmarker Vidareutveckling av fältapplikation och dataförvaltning Exempel: Nytt koncept för artregistreringar Utveckling av komplett datahanteringskedja Import av äldre data till arbets- och analysdatabaser Import av data från Gemensam struktur för data från Uppskattad kostnad och tidsplan Samordning med annan inventering Utvärdering av metodik och behov av justeringar Arbetsplan för 2017 års arbete Referenser

2 Bakgrund Denna årsrapport avser de uppdrag som SLU har haft från Länsstyrelsen i Örebro län m.fl. länsstyrelser under år 2016, att utföra miljöövervakning med riktad metodik för myrar, gräsmarker och småbiotoper i ett stickprov av landskapsrutor. År 2016 är det andra året av länsstyrelsernas löpande uppdrag med datainsamling som gäller för programperioden Miljöövervakningen utförs inom ramen för tre så kallade gemensamma delprogram inom regional miljöövervakning: Småbiotoper i åkerlandskapet Gräsmarkernas gröna infrastruktur Vegetation och ingrepp i våtmarker Metodiken bygger på en stickprovsdesign som baseras på ett representativt urval av landskapsrutor med storleken 3 x 3 km. Det stickprov som inventeras är anpassat för att det ska bli möjligt att göra regionala utvärderingar baserat på data från en grupp av län. Metodiken är en kombination av flygbildstolkning och fältinventering. Flygbildstolkningen av gräsmarker och våtmarker kan användas som en egen datakälla, men avgränsningen av polygoner i flygbildstolkningen av gräsmarker utgör urvalsramen som i sin tur styr var fältinventeringen utförs. Arbetet inom projekten genomförs av SLU, inst. för ekologi, på uppdrag av de länsstyrelser som deltar i respektive gemensamt delprogram. Länsstyrelsen i Örebro län ansvarar för projektledning och fungerar som kontaktlänk mellan deltagande länsstyrelser och SLU. I uppdraget ingår enligt avtalet med Länsstyrelsen i Örebro län för år 2016 att SLU ska: 1. flygbilds- och fältinventera småbiotoper och gräsmarker samt flygbildsinventera våtmarker i landskapsrutor enligt metodik framtagen för den nya programperioden i samråd med deltagande länsstyrelser 2. registrera och lagra insamlade data från 2016 års inventering 3. utvärdera metodik, tidsåtgång och kostnader för inventeringen efter att fältarbetet är avslutat och föreslå eventuella justeringar av metodiken 4. statistiskt utvärdera stickprovet och variablerna samt fortsätta utveckla rutiner för kvalitetssäkring 5. i samråd med länsstyrelserna presentera resultat från analyser med figurer och tabeller som är relevanta efter två års inventering inom inventeringsvarvet 6. ta fram en plan för 2017 års arbete Enligt avtalet ska den skriftliga redovisningen över årets verksamhet innehålla: uppgifter om vilka områden som inventerats information om datalagring och tillgängliggörande av data utvärdering av metodik, tidsåtgång och kostnader statistisk utvärdering av stickprovet och variablerna samt beskrivning av rutiner för kvalitetssäkring 2

3 resultat från analyser med figurer och tabeller som är relevanta efter två års inventering inom inventeringsvarvet beskrivning av eventuella behov av omprövning av metodik eller behov av metodutveckling en arbetsplan för 2017 års arbete En utförlig beskrivning av metodiken för regional miljöövervakning av gräsmarker, småbiotoper och våtmarker under den nya programperioden presenteras i en rapport som slutfördes under 2016 och som finns tillgänglig i länsstyrelsens rapportserie (Lundin m.fl. 2016). Sammanfattningsvis är de arbetsuppgifter som vi har genomfört under 2016 följande: 1. Slutförande av rapporter om metodikförändringar och analysresultat (se nedan) 2. Vidareutveckling av fältapplikation och rutiner för datahantering både före och efter datainsamlingen 3. Flygbildstolkning av gräsmarker och våtmarker 4. Fältinventering av gräsmarksprovytor och småbiotoper, inklusive rester från Skapande av arbetsdatabas med automatiserade importfunktioner direkt från fält, i samarbete med IT-avdelningen vid SLU 6. Deltagande i SLU:s gemensamma arbete för kvalitetsarbete, rutiner och dokumentation för dataförvaltning Rapporter om metodik och analysresultat Under 2014 påbörjades arbetet med att sammanställa data och resultat för det första inventeringsvarvet inom de gemensamma delprogrammen för småbiotoper, gräsmarker och våtmarker. Planeringen och prioriteringarna för arbetet med analyser och resultatpresentation gjordes i nära samarbete med länsstyrelserna. Arbetet med att sammanställa data i analyserbar form och att ta fram exempel som underlag för slutligt urval och utformning av rapporten fortsatte under 2015, och de slutliga analyserna och utformningen av analysrapporten sammanställdes under våren 2016 (Glimskär m.fl. 2016a). En stor del av de särskilda GIS-analyser som är en särskilt prioriterad del av analyserna gjordes inom ramen för ett separat analysprojekt om rumsliga indikatorer (finansierat av SLU:s så kallade foma-medel för verksamhetsområdet Fortlöpande miljöanalys). Mycket av arbetet under täcktes också av tilläggsfinansiering som hade beviljats av Naturvårdsverket. För slutförandet krävdes ändå en hel del ytterligare arbetsmoment med analyserna som en del av uppdraget från länsstyrelserna till SLU, även under I arbetsuppgifterna under våren 2016 ingick också en del arbete med att slutföra rapporten som dokumenterade de metodikförändringar som bildade grunden för de gemensamma delprogrammen för (Lundin m.fl. 2016). Under 2016 infördes en reviderad fältmetodik i Jordbruksverkets kvalitetsuppföljning i ängs- och betesmarksobjekt (Ä&B), som har pågått sedan Den 3

4 nya fältmetodiken i provytor bygger helt på Remiils metodik i gräsmarksprovytorna och använder samma version av fältapplikationen, med tillägg för några variabler och moment som ökar tidsåtgången, men som är tänkta att öka jämförbarheten med tidigare insamlade data. Syftet med förändringarna har varit att öka samordningen med länsstyrelsernas gräsmarksövervakning i Remiil, och samtidigt avsevärt minska kostnaderna för uppföljningen av ängs-och betesmarksobjekt (Karlsson 2016). Förändringarna i metodiken och erfarenheterna från 2016 beskrivs i en utvärderingsrapport (Glimskär m.fl. 2016). År 2017 kommer kvalitetsuppföljningen i Ä&B att genomföras helt och hållet med samma personal som gör Remiils inventeringar, vilket ger stora möjligheter till samordning av datainsamling, dataförvaltning och analyser. Design och genomförd datainsamling 2016 Fältinventering av småbiotoper Totalt i 2016 års ordinarie utlägg av rutor ingick 28 rutor med småbiotoper i de 11 deltagande länen (Tabell 1). I årsrapporten för 2015 nämnde vi att några rutor i Östergötlands och Jönköpings län inte blev fältinventerade. Detta hängde delvis ihop med att det var första året med den nya metodiken, med nya rutiner och med en helt nyutvecklad fältapplikation. I år tog vi med de kvarblivna rutorna från förra året i fältsäsongens beting, och därmed har vi kunnat jobba ikapp så att bara någon enstaka ruta finns kvar att hämta igen under Småbiotopsinventeringen har genomförts under september-oktober, med en kombination av SLU-anställd personal och konsulter, totalt fem personer. Tabell 1. Förtätat utlägg av landskapsrutor för småbiotoper i olika län jämfört med grundutlägget (= faktor ) samt motsvarande antal landskapsrutor i stickprovet för hela programperioden och för Småbiotoper Faktor Rutor Rutor Rutor 2015 Rutor 2016 Hallands län Jönköpings län Kalmar/fastlandet 0, Kalmar/Öland Skåne län 0, Stockholms län Södermanlands län Uppsala län Västmanlands län 1, Västra Götalands län 0, Örebro län Östergötlands län 0,

5 Totalt har drygt småbiotopsobjekt registrerats under 2016, jämfört med drygt småbiotopsobjekt 2015 (Figur 1 och 2). Av dessa registrerades ungefär 3000 (resp för 2015) i de tre län som tillkom i inventeringen från och med 2015, d.v.s. Halland, Kalmar och Västra Götaland (Figur 2). De vanligaste småbiotopstyperna är bärande träd och buskar samt stensubstrat, om man ser till antalet registrerade objekt. Antalet objekt är delvis beroende av hur detaljerad indelning inventeraren gör. Om man ser till t.ex. längd så blir förhållandena förmodligen annorlunda. För de län och rutor där småbiotoper inventerades under båda inventeringsvarven, så finns en svag tendens att fler objekt registrerades under andra varvet jämfört med motsvarande år under första varvet (Figur 1). Troligen motsvarar det inte någon reell förändring av mängden småbiotoper i landskapet. Figur 1. Antal registrerade objekt av småbiotoper i Stockholms, Uppsala, Södermanlands, Östergötlands, Jönköpings, Skåne, Örebro och Västmanlands län, för de första två åren i inventeringsvarv 1 och 2. För Halland, Kalmar och Västra Götaland ingår 2015 och 2016 i det första inventeringsvarvet, och därför finns inga data från att jämföra med. För 2015 var antalet objekt nästan lika stort som i alla övriga län tillsammans, men för 2016 var antalet för dessa län avsevärt mindre (Figur 2). Detta visar framför allt på variationen i data, som i sin tur beror på skillnader mellan rutorna i stickprovet. Med ett större stickprov (och/eller en mindre detaljerad indelning i undergrupper) så minskar variationen mellan år och säkerheten i jämförelserna blir större. Därför bör de egentliga jämförelserna göras i första hand utifrån data för hela det sexåriga inventeringsvarvet, och inte för enskilda år eller grupper av år. 5

6 Figur 2. Antal registrerade objekt av småbiotoper 2015 och 2016 i Hallands, Kalmar och Västra Götalands län, där första inventeringsvarvet började år För olika typer av stensubstrat har vi gjort motsvarande sammanställning, men separerat typerna (Figur 3 och 4). Där finns också en svag tendens till större antal andra inventeringsvarvet, framför allt för stenmurar. Men skillnaden mellan de två åren inom inventeringsvarvet är i många fall större, och tendensen att år två har färre röjningsrösen och fler block och hällar är lika stark för båda inventeringsvarven, så dessa tendenser är väldigt likartade mellan varven. Figur 3. Antal registrerade objekt av stensubstrat i Stockholms, Uppsala, Södermanlands, Östergötlands, Jönköpings, Skåne, Örebro och Västmanlands län, för de första två åren i inventeringsvarv 1 och 2. Tendensen i de nytillkomna länen att 2015 har betydligt fler registrerade småbiotoper än 2016 gäller i lika hög grad för stenmurar, röjningsrösen och block (Figur 4). 6

7 Figur 4. Antal registrerade objekt av stensubstrat 2015 och 2016 i Hallands, Kalmar och Västra Götalands län, där första inventeringsvarvet för länen började år Figur 5. Antal registrerade objekt av bärande och blommande träd och buskar i Stockholms, Uppsala, Södermanlands, Östergötlands, Jönköpings, Skåne, Örebro och Västmanlands län, för de första två åren i inventeringsvarv 1 och 2. 7

8 För bärande träd och buskar är fördelningen mellan arter ganska likartad mellan de två inventeringsvarven, men det totala antalet registrerade objekt skiljer sig markant mellan varven för i stort sett samtliga arter (Figur 5). Det tyder på en viss osäkerhet i registreringarna, som kan synas oroväckande. Men man bör samtidigt vara medveten om att registreringen för bärande träd och buskar är förhållandevis mycket beroende av hur inventerarna väljer att registrera. Denna valmöjlighet är avsiktlig, eftersom buskar och träd kan förekomma i alla möjliga former och storlekar. I detta fall tror vi att den huvudsakliga anledningen är att inventerarna i det andra inventeringsvarvet i högre har valt att dela upp i flera mindre objekt, snarare än att mängden faktiskt skulle ha ökat. Genom att i resultatsammanställningarna ta hänsyn till tätheten av varje enskild art av träd och buskar inom ett karterat linjeobjekt, så kan vi få en mer rättvisande bild av den egentliga mängden än genom att bara se till antalet registreringar, och därmed får vi goda möjligheter att fånga upp egentliga skillnader och förändringar. För de nytillkomna länen är det ungefär samma arter som är vanligast som i övriga län. Totala antalet objekt är lägre än totalt i övriga län, och för många arter finns en tendens till färre registreringar 2016 än 2015 (Figur 6). Figur 6. Antal registrerade objekt av bärande och blommande träd och buskar 2015 och 2016 i Hallands, Kalmar och Västra Götalands län, där första inventeringsvarvet för länen började år Flygbildstolkning av gräsmarker Flygbildstolkningen görs för samtliga landskapsrutor som ingår för de 18 deltagande länen (Tabell 2). Flygbildstolkningen av gräsmarker utgörs av polygonavgränsning av gräsmarker, baserat på en generell markslagsindelning (Glimskär & Skånes 2015), med komplettering av gräsmarkstyper inom vissa markslag (Lundin m.fl. 2016). Polygonerna bildar i sin tur underlag för provyteutlägget, med en aggregering till sju gräsmarkstyper (Tabell 4). Polygonerna som sådana kan också utgöra underlag för analys av areal och rumsliga samband, fristående eller i kombination med provytedata. För 2016 tog vi dock beslutet att 8

9 inte inkludera de anlagda gräsmarkerna vid gårdsmiljöer som ingår i markslaget jordbruksområde, i vare sig flygbildstolkningen eller fältinventeringen. Vi tror att vi måste se över kriterierna för avgränsning under 2017, eftersom ytorna är små och svårklassade, och ofta är det svårt att komma fram till provytorna i fält utan att störa de boende. En lösning för hur vi ska hantera detta måste tas fram i samråd med länsstyrelserna. Vi behöver besluta hur vi ska göra i fortsättningen och hur vi eventuellt ska komplettera det vi nu har utelämnat. Se även avsnittet om utvärdering och justeringsbehov nedan. Flygbildstolkningen har genomförts av Merit Kindström, med hjälp av Björn Nilsson vid SLU i Umeå. På grund av stor arbetsbelastning för både Merit och Björn har arbetet med flygbildstolkning behövt fortgå även en bit fram på sommaren, vilket har ställt stora krav på kontinuerlig uppdatering och kommunikation med fältinventerare. Till kommande år kommer vi att satsa arbetsresurser på att komma ikapp så att flygbildstolkningen slutförs i betydligt mer god tid, vilket kommer att effektivisera arbetet. Som ett led i att effektivisera arbetet har vi med hjälp av konsult tagit fram automatiserade skript i ArcGIS för att snabbare och säkrare ta fram provyteutlägget direkt från de flygbildstolkade rutorna. Under förra året gjordes det arbetet till stor del manuellt, och framtagandet av skripten har därför varit en viktig investering för att effektivisera arbetet framöver. Liknande utveckling av verktyg och rutiner kommer vi att fortsätta att arbeta intensivt med, för att göra hela datahanteringskedjan säker och effektiv. Arbetsgång för flygbildstolkningen Följande arbetsmoment ingår i flygbildstolkningen av gräsmarker: 1. Förberedelser inför flygbildstolkningen Beställa och ta emot flygbilder Sätta upp en flygbildstolkningsdatabas Hämta hem stöddata Skapa GIS-skikt till flygbildstolkningen 2. Flygbildstolkning Inhämtning och rektifiering av gamla ekonomiska kartan Flygbildstolkning av gräsmarker och åkermark Ta fram GIS-skikt inför provyteutlägget Flygbildstolkning av åkermarken i de nytillkomna småbiotopslänen 3. Fältförberedande GIS-bearbetningar Provyteutlägg Framställning av datafiler till handdatorerna 4. Avslut Dataimport Datakontroller Överföring av data till databasen/dataförvaltningen 9

10 Tabell 2. Förtätat utlägg av landskapsrutor för gräsmarker i olika län jämfört med grundutlägget (= faktor) samt motsvarande antal landskapsrutor i stickprovet för hela programperioden och för Gräsmarker Faktor Rutor Rutor Rutor 2015 Rutor 2016 Dalarnas län Gotlands län Gävleborgs län Jönköpings län Kalmar/fastlandet Kalmar/Öland Kronobergs län 1, Norrbotten/inlandet 0, Norrbotten/kusten Skåne län Stockholms län 1, Södermanlands län 1, Uppsala län 1, Värmlands län Västerbotten/inlandet 0, Västerbotten/kusten Västernorrlands län Västmanlands län Västra Götalands län 0, Örebro län 1, Östergötlands län Nedan presenteras arealer och antal flygbildstolkningspolygoner för de gräsmarkstyper som har använts som grund för provyteutlägget. Brukad åkermark är strikt sett inte gräsmark enligt vår klassificering, men kontrollytor läggs ändå ut där, för att undvika risken för underskattning av arealer beroende på felklassning eller ändrad markanvändning. Därför presenteras den marktypen också i resultaten. 10

11 Figur 7. Totalt antal karterade polygoner i de flygbildstolkade rutorna 2015 och 2016, fördelat på gräsmarkstyper (jfr. Tabell 3) för de län som deltar i delprogrammet om gräsmarker. Typen jordbruksområde har utelämnats Figur 8. Total area [hektar] av karterade polygoner i de flygbildstolkade rutorna 2015 och 2016, fördelat på gräsmarkstyper (jfr. Tabell 3) för de län som deltar i delprogrammet om gräsmarker. Typen jordbruksområde har utelämnats Fältinventering i gräsmarker Genomförd provyteinventering Fältinventeringen för gräsmarker har under 2016 genomförts av två säsongsanställda inventerare, som dessutom har arbetat parallellt med provytor i Svenska kraftnäts kraftledningsgator, Jordbruksverkets ängs- och betesmarksobjekt och Naturvårdsverkets uppföljning av hällmarkstorrängar. Den samordningen har fungerat bra och medfört stora samordningsvinster. 11

12 Brukad åkermark* Betad + obrukad åkermark / tid. åkermark Hävdad + ohävdad betesmark Strand- och våtäng Kant mellan åkerskiften Annan åkerkant Jordbruksområde*** Extensivt skött gräsmark I Tabell 3 presenteras förutom det teoretiska antalet provytor också det faktiska antalet utlagda provytepunkter, som i vissa fall är lägre än det teoretiska. Detta beror på hur många ytor av gräsmarkstypen som har påträffats i flygbildstolkningen och diskuteras mer utförligt i avsnittet Utvärdering av metodik och behov av justeringar, nedan i denna rapport. Tabell 3. Antal fältprovytor per gräsmarkstyp, län och år samt antal utlagda provytor 2015 och 2016, baserat på förekomst av karterade polygoner i rutorna. Antal provytor Stockholm 10* Uppsala 7* Östergötland 10* Kronoberg 10* Kalmar 10* Gotland** 7* 11** 11** 5** 5** 5** 5** 10** Skåne Västra Götaland Örebro 10* Västmanland 10* Dalarna 10* Gävleborg 10* Västerbotten 5* Norrbotten 5* Totalt antal 2015** Utlagd antal Totalt antal 2016** *** 130 Utlagt antal *** 126 * Kontrollytor i brukad åkermark, normalt med förenklad inventering ** Gotland är med i provyteinventeringen från och med år 2016 *** Under 2016 lades inga provytor ut i jordbruksområden Inventeringen av gräsmarksprovytorna har kunnat genomföras som planerat. Som nämns ovan kunde vi inte få med alla rutor i fältinventeringen av småbiotoper. Det vi tyvärr inte nämnde i förra årets årsrapport var att några provyterika rutor missades även för gräsmarker, av olika orsaker, men delvis på grund av att säsongen blev alltför sen, och vi bedömde att det var olämpligt att inventera växter 12

13 och vegetation. Detta underskott har vi i år i huvudsak arbetat in, och därför är det totala antalet inventerade gräsmarksprovytor större än det teoretiska för året (Tabell 4). I Tabell 4 ingår också de provytor i Kalmar som har tillkommit i och med att Kalmar län först inför 2016 anslöt sig till den högre nivån av datainsamling för provytor, och i uppdraget ingick att komplettera med de provytor som enligt den generella designen skulle ha ingått Denna komplettering sker alltså helt enligt plan. Därmed återstår endast något tiotal provytor av vår inventeringsskuld, som vi inkluderar i planeringen för 2017 års fältinventering (Tabell 4). Tabell 4. Inventerade provytor i gräsmarker i 2016 års ordinarie urval och sådana som har varit kvar att inventera från 2015 års urval. Där ingår dock också den överenskomna kompletteringen för Kalmar län (se asterisk). Län Kvar från 2015 Inventerade provytor 2016 Dalarna 0 48 Gävleborg 0 60 Gotland 0 53 Kalmar 40 * 65 Kronoberg 0 61 Norrbotten 2 30 Örebro Östergötland 3 75 Skåne 0 33 Stockholm Uppsala Västerbotten 0 30 Västmanland Västra Götaland Totalsumma * Komplettering från 2015 års urval, på grund av justering av uppdrag. Exempel från insamlade data Som ett sätt att illustrera skillnader i miljöförhållanden och artsammansättning mellan olika gräsmarkstyper och markslag, har vi klassificerat provytorna baserat på indikatorvärden för ljus, fuktighet, reaktionstal (ung. ph) och näring. Varje växtart har tilldelats ett värde baserat på kunskap om deras förekomst och habitatkrav (Ellenberg m.fl. 1992; Diekmann 2003), och vi har sedan fördelat provytorna på klasser baserat på det mängdviktade medelvärdet för alla kärlväxtoch mossarter som förekommer i en viss provyta (Figur 9). Markslagsindelningen i Figur 9 baseras på den klassning som har gjorts i fält, vilken i vissa fall avviker något från den som gjordes i flygbildstolkningen, vilket är en anledning till att klassen skog finns med (d.v.s. träd- och buskklädd mark med bedömd träd- och busktäckning högre än 60 %). 13

14 Figur 9. Andel av provytorna av olika gräsmarkstyper (bedömt i fält), fördelat på klasser som motsvarar olika indikatorvärden enligt Ellenbergs m.fl. (1992) system för klassning av växtarter (här: kärlväxter och mossor). 14

15 Figurerna visar att klassen skog (som förväntat) har fler provytor med skuggtåliga arter, medan våtmarker har fler provytor med fuktgynnade arter. Ytor i skog avviker också tydligt genom att oftare ha artsammansättning som indikerar surare och mer näringsfattiga förhållanden, vilket antagligen ofta innebär hedartad, risdominerad vegetation i barrskog. Det finns svaga tendenser att betad eller obrukad åkermark och åkerkanter har högre näringshalt än betesmark och att betad/obrukad åkermark är fuktigare, men den skillnaden ska nog inte övertolkas. Slutsatsen är i alla fall att sådana indikatorvärden kan vara till viss hjälp för att tolka skillnader i miljöfaktorer som är svåra att mäta på annat sätt. Ett annat sätt att illustrera skillnader i artsammansättning är att ordna in provytor längs en eller flera skalor baserat på skillnader och likheter i artsammansättning, med så kallad ordinationsanalys. Här har vi använt Detrended Correspondence Analysis, som är en relativt robust metod som lämpar sig för att förutsättningslöst beskriva variation i artsammansättning av växter i vegetationen (Jongman m.fl. 1987; Grandin m.fl. 2013). Analysen tilldelar både provytorna och växtarterna värden längs med samma variationsaxlar, så att fördelningen av provytor kan tolkas med hjälp av växtarterna, och vice versa. Mönster i provytornas fördelning kan illustreras grafiskt genom att plotta värdena längs med två av de viktigaste framräknade axlarna (Figur 10). Den första (horisontella) axeln beskriver den viktigaste variationsaxeln, och den andra (vertikala) axeln gör motsvarande procedur utgående ifrån den återstående variationen. Eftersom indelningen i gräsmarkstyper skiljer sig något mellan flygbildstolkningen och fältinventeringen, så har vi delat in provytorna enligt båda klassningarna, för att illustrera skillnaderna och likheterna (Figur 10). Anledningen till att klassningen skiljer sig åt kan behöva utvärderas vidare, om kriterierna behöver stramas upp. 15

16 Figur 10. Multivariat analys (Detrended Correspondence Analysis, DCA; Jongman m.fl. 1987). Varje punkt motsvarar en provyta. Ju närmare två punkter är varandra, desto mer lika är de i artsammansättning. Axlarna kan ofta tolkas i termer av någon ekologisk gradient. Den första (horisontella) axel beskriver den dominerande variationen i artsammansättning. Provytorna är märkta baserat på gräsmarkstyp och markslag bedömt i flygbild (övre bilden) respektive i fält (nedre bilden). Figurerna (Figur 10) visar att provytor klassade som våtmark i båda fallen hamnar långt till höger längs första axeln, vilket talar för att den axeln kan tolkas som en fuktighetsgradient (torr mark till vänster och fuktig till höger). Betesmark och extensivt skött mark förekommer oftast i den vänstra delen av axel 1 i båda 16

17 figurerna, vilket i så fall talar för att det främst är där som den torrare marken finns. I figuren med fältinventeringens klassificering finns provytorna i skog upptill längs axel 2, vilket möjligtvis skulle kunna tolkas som en ljusgradient. Å andra sidan visar resultaten för indikatorvärdena ovan (Figur 9) att skogsytorna också är surare och mer näringsfattiga, så möjligtvis kan flera miljöfaktorer samverka till att forma resultaten längs axel 2. Tabell 5. Arter längs ordinationsaxel 1. De 40 arter som har lägst respektive högst värden i vardera änden av den första (den viktigaste ) ordinationsaxeln i DCA-analysen. Detta motsvarar den vågräta axeln i Figur 10. Låga värden (vänster i Figur 10) Hedlavar Backklöver Darrgräs Hårbjörnmossa Hårnervmossa Tusch-/navellavar Luddhavre Vildmorot Sipperblindia Småborre Blåsippa Blodnäva Tulkört Blåeld Flentimotej Gul fetknopp Mjölon Älväxing Vildlin Axveronika Backnejlika Trift Påskrislav Bockrot Stensöta Slankstarr Klockgentiana Borsttåg Solvända Getväppling Ängshavre Revfibbla Backtimjan Brudbröd Grå-/mattfibbla Harklöver Renlavar Jungfrulin-arter Vit fetknopp Kärleksört Höga värden (höger i Figur 10) Skogsfräken Kärrfräken Andmat Blåsstarr Gökblomster Gulkämpar Kabbleka Vass Kärrviol Knölsyska Kråkklöver Topplösa Strätta Åkerbär Vitmossor övriga Strandklo Sumpmåra Tuv-/stylt-/bunkestarr Videört Kärrspira Tuvull Vattenklöver Gren-/brunrör Svalting Jättebalsamin Vattenmåra Gul svärdslilja Trådstarr Skräppor Bred-/smalkaveldun Flaskstarr Norrlandsstarr Älgört Skogssäv Spärrvitmossa Vasstarr Hundstarr Kärrsilja Sjöfräken Jättegröe Som hjälp och stöd för tolkningen av ordinationsaxlarna kan man också titta mer noggrant på hur enskilda växtarter fördelar sig längs axlarna. Förekomsten av växtarter i ytterändarna av axel 1 (Tabell 5) tyder på att tolkningen av den första axeln som en fuktighetsgradient skulle kunna stämma. Till vänster i Figur 10 (låga värden längs axeln) finns i huvudsak växter från torra gräsmarker (Tabell 5), medan till höger (höga värden) finns nästan enbart arter som är vanliga i fuktiga och blöta miljöer. 17

18 Tabell 6. Arter längs ordinationsaxel 2. De 40 arter som har lägst respektive högst värden i vardera änden av den andra (den näst viktigaste ) ordinationsaxeln i DCA-analysen. Detta motsvarar den lodräta axeln i Figur 10 Låga värden (neråt i Figur 10) Brudsporre Backtimjan Baldersbrå Flentimotej Fältmalört Vass Gåsört Åkerforgätmigej Gulkämpar Strandklo Åkervinda Solvända Säv/blåsäv Ältranunkel Blåklint Axveronika Cikoria Bred-/smalkaveldun Gul fetknopp Sparv-/mjuknäva Backklöver Smällglim Backnejlika Majveronika Mållor Vildlin Luddlosta Trampört Sandnarv Kardborre-arter Vildmorot Vår-/småfingerört Kärrspira Blåeld Åkerviol Slåtterfibbla Klockgentiana Korvskorpionmossa Mandelblom Adam och Eva Höga värden (uppåt i Figur 10) Norrlandsstarr Mjölkört Hedlavar Ekbräken Renlavar Åkerbär Ängs-/skogskovall Borsttåg Borsttistel Stenbär Mjölon Skogsstjärna Väggmossa Hagfibbla Piprör Blåbär Blodrot Harsyra Kvastmossor Stagg Hedsäv Kruståtel Ljung Odon Skogsfibbla Lundgröe Hårnervmossa Kråkbär Enbjörnmossa Gullris Sipperblindia Stor björnmossa Kärrviol Vårfryle Ekorrbär Skogsbjörnmossa Liljekonvalj Husmossa Lingon Påskrislav För arterna i ytterändarna av axel 2, så verkar de låga värdena (nedtill i Figur 10), domineras av arter från olika typer av jordbruksmark, både ogräs och betesmarksarter (Tabell 6), medan höga värden (upptill i Figur 10) är mer typiska för barrskogsmiljöer (Tabell 6). Alla dessa resonemang bekräftas av att det finns en mycket stark korrelation mellan indikatorvärdet för fuktighet längs med axel 1, där korrelationens R 2 -värde ( determinationskoefficienten, som beskriver hur stor andel av variationen som förklaras av korrelationen mellan variablerna, från 0 till 1) är 0,83, vilket är ett högt värde, som tyder på en mycket stark korrelation (Figur 11). För andra axeln är R 2 -värdena något lägre, men indikatorvärdena för näring, reaktionstal och ljus är alla tydligt korrelerade med axel 2 (Figur 12 och 13). Man kan alltså säga att axeln framför allt skiljer ut de sura och näringsfattiga ytorna med skogs- och hedartad vegetation från den öppnare jordbruksmarken (inklusive våtmarkerna). 18

19 Figur 11. Samband mellan den första axeln i DCA-analysen och det mängdviktade indikatorvärdet enligt Ellenbergs lista för fuktighet. R 2 är determinationskoefficienten som beskriver hur stor andel av den linjära korrelationen som förklaras av korrelationslinjen (värde från 0 till 1). Figur 12. Samband mellan den andra axeln i DCA-analysen och de mängdviktade indikatorvärdena för näring och reaktionstal (ung. ph). R 2 beskriver hur stor andel av den linjära korrelationen som förklaras av korrelationslinjen (värde från 0 till 1). 19

20 Figur 13. Determinationskoefficienten (R 2 ) som beskriver hur stor andel av den linjära korrelationen som förklaras av korrelationslinjen (värde från 0 till 1) mellan de två ordinationsaxlarna och indikatorvärdena för ljus, fuktighet, reaktionstal (ph) och näring. Ett högt värde (nära 1) tyder på en stark korrelation mellan axeln och indikatorvärdet. Flygbildstolkning av våtmarker För våtmarkerna genomförs all inventering i form av flygbildstolkning, med avgränsning av våtmarkerna, klassning till hydromorfologisk typ (jämförbar med VMI:s klasser) översiktlig kartering av träd- och buskskikt samt kartering av linjära ingrepp såsom stigar, körspår, vägar och diken. Eftersom denna flygbildstolkning inte är underlag för fältinventering, så har vi rutinen att genomföra den efter att gräsmarkstolkningen är avslutad för året. Eftersom tolkningsarbetet har varit försenat i förhållande till det planerade, så är våtmarkstolkningen för 2016 inte avslutad när denna rapport skrivs. Därför presenterar vi endast resultaten för 2015 års flygbildstolkning, för att ge en översikt över vilken typ av data som samlas in. Eftersom vi har satsat på mer personal för flygbildstolkningen under 2017, har vi ambitionen att ta igen en stor del av förseningen under året. Tabell 7. Förtätat utlägg av landskapsrutor för våtmarker i olika län jämfört med grundutlägget (= faktor ) samt motsvarande antal landskapsrutor i stickprovet för hela programperioden och för Våtmarker Faktor Rutor Rutor Rutor 2015 Rutor 2016 Stockholms län Södermanlands län Uppsala län Västmanlands län Örebro län 1,

21 För våtmarkerna har vi från och med 2015 utvidgat stickprovet avsevärt för de fem deltagande länen (Tabell 7), och vi har också lagt till många våtmarkstyper utöver myrarna. Flygbildstolkningen inkluderar framför allt noggrann avgränsning av våtmarkspolygoner, med en minsta karteringsenhet av 1 hektar. En viktig del av tolkningen är att kartera linjära ingrepp, inklusive kanter där myren gränsar direkt mot vägar eller anlagd mark. Indelningen i myrtyper baseras i grunden på vår generella markslagsindelning, men vi har också en underindelning i myrtyp, som är jämförbar med VMI:s indelning, men med något annorlunda benämningar, samt en indelning efter träd- och buskskiktstäckning i tre klasser (öppen <10 %; halvöppen %;träd- och buskklädd >60 %). Figur 14. Antal våtmarkspolygoner i flygbildstolkning av våtmarker

22 Figur 15. Area av våtmarkspolygoner i flygbildstolkning av våtmarker Den dominerande våtmarkstypen i 2015 års flygbildstolkning är plant kärr, tillsammans med skogklädd våtmark (sumpskog och trädklädd myr). De typerna har större dominans för areal än antal, vilket tyder på att de polygonerna i genomsnitt är större. I mindre mängd finns mossar och strandvåtmarker. Arealmässigt är myrarna fortfarande dominerande bland våtmarkerna. Överlappet gentemot gräsmarksövervakningen gäller marin och limnisk strandvåtäng/mad, som har relativt liten areal bland 2015 tolkade våtmarker. Övrig limnisk våtmarksstrand och bevuxen sjö innehåller bland annat vassbälten och högörtsvegetation vid stränder, medan strandvåtängar domineras av starrvegetation. 22

23 Figur 16. Area av våtmarkspolygoner för öppna/halvöppna våtmarker 2015 (utom semiakvatisk träd- och buskmark). Gränsen mellan öppna och halvöppna är satt vid 10 % trädtäckning, medan gränsen mot träd- och buskmark går vid 60 % träd- och busktäckning. I 2015 års flygbildstolkning är de halvöppna typerna relativt ovanliga för många våtmarkstyper (Figur 16). För plant kärr och övrig limnisk våtmarksstrand är öppna ytor klart vanligast. Däremot har en stor andel av svagt välvda mossar ett påtagligt träd- och buskskikt. För skogklädda våtmarker, se träd-/buskmark ovan (Figur 14 och 15). Figur 17. Antal linjeobjekt som representerar linjära ingrepp i flygbildstolkning av våtmarker

24 Figur 18. Längd av linjeobjekt som representerar linjära ingrepp i flygbildstolkning av våtmarker De klart vanligaste linjära ingreppen är diken, där det är ungefär jämn fördelning mellan mindre diken (smalare än 2 m) och större diken (Figur 17 och 18). Skillnaden är större för längd än för antal, vilket tyder på att de karterade dikena i genomsnitt har större längd än övriga linjära ingrepp. Det finns också ett antal fall med vägar som påverkar våtmarkerna. Till skillnad från kartering i tidigare utvecklingsprojekt (Kindström m.fl. 2014) har vi i 2015 års tolkning bara hittat obetydlig mängd stigar och körspår. Skillnaden beror antagligen på slumpen, och vi kommer att få en bättre bild med fler års data från flygbildstolkningen. 24

25 Vidareutveckling av fältapplikation och dataförvaltning Under året har ett antal andra förändringar gjorts i applikationen för fältdatainsamling, varav flertalet har direkt relevans för både Remiil och andra uppdrag, t.ex. Jordbruksverkets kvalitetsuppföljning av ängs- och betesmarker. Ett exempel är ett utvecklingsprojekt med särskild finansiering från Jordbruksverket, för utveckling av synkronisering av fältdata över mobilnätet (4G) och internet (Lundin & Glimskär 2016), som också är till stor hjälp för Remiils fältinventering. Alla dessa utvecklingsmoment är tänkta att användas för samtliga uppdrag som använder samma fältapplikation, och vi strävar efter att kostnaderna för sådan utveckling totalt sett fördelas i proportion till hur de kommer de olika uppdragen till del. Nytt gränssnitt för artinmatning med parallella provytor Växlingsbara paletter för olika byte mellan inventeringsmoment Fördröjd utritning av brytpunkter för objekt, vilket innebär att linjära objekt kan karteras i flera steg (t.ex. vattendrag och diken) Växlingsbara bakgrundsbilder, vilket ger möjlighet att enkelt använda flera kartor och flygfoton som stöd för inventering Flexibelt val av överlappande GIS-objekt Redigering av karterade linjer och polygoner Exempel: Nytt koncept för artregistreringar För att hantera praktiska problem att hantera långa artlistor och repetitiva inmatningar av samma art har vi tagit fram ett nytt förbättrat gränssnitt för artinmatning. Ett vanligt upplevt problem är att hålla i minnet vilka arter som man redan inventerat på provytan, vilket nu har blivit väsentligt lättare att hålla reda på. Vi har skapat en dynamisk artinmatningstabell som vid behov kan filtreras och krympas på olika sätt för att underlätta registreringar. Den viktigaste typen av filtrering är att man kan få presenterat vilka arter som redan har registrerats på tidigare artprovytor (inom samma större provyta), och man behöver då bara bekräfta om dessa finns även i den aktuella artprovytan (Figur 19). Inventerarna har upplevt detta som den kanske största förbättringen gentemot tidigare system för artinmatning. 25

26 Expanderad tabell, artinmatning. Kolumn för artprovyta 1 selekterad. Registreringskolumnen är synlig. Filter bokstavsordning + familjer möjliggör snabb sökning av arter ur en lång artlista. Artlista filtrerad med Redan Registrerade gör att arter kan jämföras med tidigare registeringar. Figur 19. Exempel på nytt gränssnitt för artinmatning från och med

27 Jordbruksverket har alltså också skjutit till särskilda medel för utveckling av synkronisering mot central server över internet (Lundin & Glimskär 2016). Med synkronisering avses kopiering av användarnas insamlade data (GIS-objekt, variabler och status) via WiFi och mobilt nät. Här ingår också att positioner för geografiska objekt ska visas upp och kan väljas av samtliga synkroniserade enheter. En användare ska kunna gå in i redan insamlade material och göra ändringar. Synkroniserade data ska sedan kunna exporteras på samma sätt som inventerarens egna data. Denna funktionalitet har tagits i bruk under fältsäsongen 2016 för alla fältinventeringar som använder appen för småbiotoper och gräsmarker. Figur 20. Schematisk bild av hur data fördelas mellan handenheter i fält och till databasen på kontoret vid synkronisering. 1. Säkring av data 2. Färdigmarkering för avslutat arbete 3. Dynamiskt arbetsval 4. Positionering av fältpersonal 5. Tidsstämpling av data Utveckling av komplett datahanteringskedja Som en del av vårt arbete med att ta fram en komplett, sammanhängande datahanteringskedja, har importfunktioner och en arbetsdatabas utvecklats under 2016, i samarbete med IT-avdelningen på SLU i Uppsala. En detaljerad kravlista En teknisk miljö upprättas mot fältapplikationen Modellering, skapande samt konfiguration av arbetsdatabasen Skapande av funktioner för att importera fältdata från de utvalda fältenheterna Test av ovannämnd funktionalitet 27

28 Figur 21. Datamodell för arbetsdatabasen för fältdata. Arbetsdatabasen har tagits i bruk under hösten 2016, och alla fältdata från alla ingående inventeringar för 2016 kan nu tas ut på kontoret via databasen med hjälp av SQL-skript. Detta är första steget inför ett bredare tillgängliggörande av data. Nästa steg i datahanteringskedjan, från arbetsdatabasen till ett mer långsiktigt och användarvänligt system för lagring och tillgängliggörande av data, är migreringen till SLU:s befintliga dataförvaltningssystem Miljödata MVM ( Projektet planeras nu att genomföras under hösten 2017, i samarbete med IT-avdelningen och institutionen för mark och miljö, SLU i Uppsala. Data lagras och kvalitetskontrolleras på ett säkert sätt. Data lagras geografiskt Data kan behörighetsklassas Data kan aggregeras och exporteras för olika analysbehov Behöriga externa användare kan nå skyddade data Aggregerade data kan nås av publika användare (utan särskild behörighet) Import av äldre data till arbets- och analysdatabaser Arbetet med migrering av data till Miljödata MVM kommer i första hand att göras baserat på innehållet och strukturen i den senaste versionen av arbetsdatabaserna för flygbildstolkning och fältinventering, eftersom det är så som arbetsdatabaserna kommer att se ut långsiktigt. 28

29 Förutsättningarna för hur fältdata ska kopplas till flygbildstolkningens GIS-skikt och liknande frågor kommer att bestämmas inom arbetet med analysdatabasen och migreringen till Miljödata MVM, som utförs under hösten 2017, eftersom det till stor del är behoven för bearbetning, analys och tillgängliggörande av data som är styrande för det. Där bestäms vilka kopplingar mellan olika dataset som behövs och var i datahanteringskedjan de görs. Det är alltså lämpligt att importen av äldre data till arbetsdatabaserna görs senare, helst så snart som möjligt under 2018 och Import av data från Tidigare insamlade fältdata från har lagrats i databaser med annan struktur, vid institutionen för skoglig resurshushållning på SLU i Umeå. Provytedata har där lagrats i en mellanlagringsdatabas, där bara de mest basala korrigeringarna och anpassningarna har gjorts. Ett stort arbete gjordes vid institutionen för ekologi, i samband med analyserna som utfördes under (Glimskär m.fl. 2016a), där fullständighetskontroller och sammanläggning av data från olika datatabeller gjordes till stor del manuellt, under stor tidspress. Dock hade vi bara möjlighet att göra det för de data som direkt skulle användas för analyserna, så vissa delar av insamlade data från det första inventeringsvarvet har inte genomgått den bearbetningen. Arbetet för provytorna bör göras gemensamt för Remiil och kvalitetsuppföljningen av ängs- och betesmarker, där äldre data har lagrats i samma format. En skillnad är dock att institutionen för skoglig resurshushållning under 2016 har genomfört ett arbete med kvalitetssäkring och rättning av kvalitetsuppföljningens data, med finansiering från Jordbruksverket, så man kan anta att behovet av sådan rättning av data där är något mindre än för Remiils data. Vad gäller provytedata måste vi också ta ställning till hur de variabler från förra inventeringsvarvet som har tagits bort från inventeringen ska lagras. Förmodligen kan data tills vidare fortsätta att lagras också i sitt tidigare format, men ett beslut om det behöver tas. Vissa data för borttagna variabler kan vara användbara även som underlag för framtida analyser, i de provytor som är gemensamma mellan inventeringsvarven, framför allt för sådana faktorer som inte kan förväntas ändras så mycket med tiden (t.ex. markegenskaper som textur och jordart). Provytor 1. Lagring av data i tidigare format 2. Anpassning till nytt variabelformat 3. Hantering av skillnader i format och innehåll Småbiotoper 1. Lagring av data i tidigare format 2. Anpassning till nytt variabelformat 3. Hantering av skillnader i format och innehåll 29

30 Andra GIS-skikt 1. Hantering av skillnader i polygonskikt och provyteutlägg 2. Utvärdering av skillnader i polygonskikt 3. Användning av GIS-skikt vid kvalitetssäkring och analyser Gemensam struktur för data från För flygbildstolkningen lagras data i en geodatabas, där strukturen har ändrats mellan åren 2015 och 2016, och vissa förändringar behöver göras även till Idag finns i praktiken tre olika databaser med något olika struktur. Dessa behöver läggas samman till en gemensam struktur. Vissa topologikontroller behövs också för att försäkra oss om att karteringsreglerna är uppfyllda i alla skikt. Detta gäller framför allt åkermarken, där polygongränser till stor del har hämtats från Blockdatabasen, med vissa enklare manuella redigeringar. Fältdata från 2015 är insamlade i samma format som för 2016 och framåt, men har ännu inte förts över till arbetsdatabasen. Rent tekniskt är det inte svårt, eftersom innehållet och formatet i grunden är detsamma, men eftersom funktionerna i handdatorn och fortfarande var under utveckling under 2015 behövs troligen arbete med detaljjusteringar och kompletteringar för att undvika dubbletter m.m. Uppskattad kostnad och tidsplan Vi räknar med att kunna påbörja detta arbete under 2018, och arbetet påskyndas om vi kan hitta kompletterande finansiering för det. Vi tror att det är en stor fördel att kunna göra allt arbete med anpassning av format, överföring och kvalitetskontroll koncentrerat under en begränsad period, vilket innebär att vi troligen inte kan frigöra alla resurser för det inom våra befintliga uppdrag. En mer genomarbetad kostnadsuppskattning kan göras när projektet för migrering av data till Miljödata MVM har genomförts. Vissa grundläggande förberedelser och kontroller skulle dock ändå kunna göras redan under Samordning med annan inventering Även under år 2016 har flygbildstolkningen och fältinventeringen genomförts samordnat med uppdraget från Svenska kraftnät om att inventera ängsartad gräsmark i kraftledningarnas skogsgator. Jordbruksverket genomförde under 2015 en översyn av uppdraget till SLU om kvalitetsuppföljning i ängs- och betesmarker, där inventering av provytor genomförs i knappt 700 ängs- och betesmarksobjekt med femåriga inventeringsvarv (Karlsson 2015). Detta ledde till att jordbruksverksfinansierade uppföljningen av markanvändning, vegetation och växter i provytor från och med 2016 genomförs med samma fältmetodik som i Remiils gräsmarksinventering. I den reviderade metodiken ingår även några variabler som har lagts till för ökad jämförbarhet med tidigare data, vilket har medfört ungefär fördubblad tidsåtgång per provyta jämfört med Remiils metodik. Även om man tar hänsyn till det, så har tidsåtgången per provyta i kvalitetsuppföljningen i Ä&B ändå halverats jämfört med tidigare, och kostnaderna för support och administration har också minskat 30

31 avsevärt (Glimskär m.fl. 2016b och 2017). Detta ger stora möjligheter till att samordna administration, dataförvaltning och framtida analyser mellan Remiil och kvalitetsuppföljningen. Från och med 2015 inventeras naturtypen Hällmarkstorräng (kod 8230) i ett förtätat stickprov av landskapsrutor av samma typ som i Remiil (Kindström m.fl. 2017). Intressanta hällmarker (ofta betespräglade) karteras i flygbild med en minsta karteringsenhet om 100 m 2 (d.v.s. 0,01 hektar), och därinom inventeras ett antal provytor med 3 m radie med en metodik som är jämförbar med Remiils gräsmarker, men något förenklad. Från och med 2017 påbörjas en liknande utökad biogeografisk uppföljning av naturtyperna Alvar (kod 6280), Basiska berghällar (kod 6110) och Karsthällmarker (kod 8240) på Öland och Gotland, där metodiken kommer att vara väldigt likartad den i Remiil, baserat på ett tätt stickprov av landskapsrutor med storleken 1 x 1 km (Kindström m.fl. 2017). I samma utredning har vi också tagit fram en metodik för uppföljning av naturtypen Svämäng (kod 6450). Utvärdering av metodik och behov av justeringar I årsrapporten för 2015 tog vi upp frågan om flygbildstolkning och fältinventering av gräsmarker vid gårdsmiljöer och annan bebyggelse, i den gräsmarkstyp på anlagd mark som vi har kallat Jordbruksområde (Lundin m.fl. 2016). Sådana marker är tidskrävande att flygbildstolka, eftersom det är en småbruten och komplex mosaik, där tolkaren ofta har svårt att avgöra karaktären hos miljön och vad som är rimligt att inkludera. Vi tog också upp problemet med att boende och lantbrukare i många fall blir störda eller misstänksamma när man rör sig i närheten av bebyggelse. Kontakten med boende tar tid, och det är ett orosmoment för fältinventeraren att ofta behöva röra sig nära bostadsbebyggelse. Många provytor kan helt enkelt inte fältbesökas, eftersom man då riskerar att bryta mot allemansrätten och/eller göra sig impopulär hos markägaren och de boende. Eftersom vi inte hade kommit fram till någon fungerande lösning eller kompromiss inför 2016 års säsong, så tog vi beslutet att inte inkludera dessa marker i vare sig flygbildstolkningen eller fältinventeringen. Vi bedömde att det var orealistiskt att avsätta tid åt moment med tveksamt värde eller osäker kvalitet, i en redan tidspressad arbetssituation under våren och sommaren Om vi enas om en lösning där dessa marker ändå ska ingå, så får vi hitta metoder att komplettera inventeringen så att vi får tillräckligt jämn och hög kvalitet i alla landskapsrutor som berörs. Inventeringen är upplagd så att man ska kunna styra antalet gräsmarksprovytor för att uppnå det teoretiska antalet, som styrs utifrån hur mycket resurser varje län har avsatt för inventeringen (Tabell 3). Det nät av provytepunkter som läggs ut i varje landskapsruta är tillräckligt tätt för att även gräsmarkstyper där de karterade polygonerna har liten areal ska få åtminstone någon provyta. Om en eller flera rutor i ett län saknar en viss gräsmarkstyp, så väljer man normalt istället ut fler punkter i de rutor som har gräsmarkstypen. Det kan dock uppkomma att antalet provytepunkter med en viss gräsmarkstyp ändå blir för litet för ett visst län ett visst år, eller att man inte påträffar gräsmarkstypen där alls. Förhoppningsvis är då antalet 31

32 träffar bättre andra år i inventeringsvarvet, men vi har hittills inte lagt in några rutiner om att utöka urvalet ett år om det blir för litet ett annat år. Det beror delvis på att det då blir asymmetriskt, i och med att man bara kan göra en sådan förändring i efterhand (ett efterföljande år), men inte i förväg under inventeringsvarvet. Inte heller då kan man alltid försäkra sig om att få det teoretiska antalet. Den gräsmarkstyp som framför allt drabbas av detta är strandoch våtängar, där bara ungefär hälften av provytorna har kunnat läggas ut, både 2015 och 2016 (Tabell 3). Vi föreslår därför att man helt enkelt accepterar att gräsmarkstypen är sällsynt i landskapet och nöjer sig med de data som kommer in. Alternativet skulle vara att man på något sätt utökar stickprovet av landskapsrutor, men vi tror inte att kostnaden för en sådan åtgärd skulle motsvara det man eventuellt vinner. Det skulle troligen kräva åtminstone en fördubbling av antalet landskapsrutor i vissa län, vilket inte kan göras utan att kostnaderna för flygbildstolkning och flygbildshantering ökar avsevärt. Arbetsplan för 2017 års arbete Inför 2017 har det mesta arbetet med att finjustera verktygen och rutinerna för datainsamlingen avslutats, så att vi kan räkna med att det löpande arbetet flyter effektivt och smärtfritt. Till det bidrar starkt att vi i samarbete med bl.a. ITavdelningen och konsulter har tagit fram fler verktyg för att automatisera arbetet med överföring av data från flygbildstolkningen till fältdatasamlarna (surfplattorna) och från fältdatasamlarna till arbetsdatabasen på kontoret. I synnerhet under 2015 innebar det en hel del manuellt arbete med att preparera underlaget från flygbildstolkningen till ett provyteutlägg som kan föras över till fältdatasamlarna, vilket också ökade risken för fel. Vi har också fram till nu åtgärdat en del buggar och lagt in ny funktionalitet i fältappen som förebygger inmatningsfel och underlättar för både inventerarnas planering och för fältsupporten. Under våren 2017 gör vi en satsning på att ha fler personer engagerade i flygbildstolkningen, för att bli klara med förberedelserna inför fältarbetet tidigare än 2016, då flygbildstolkningen blev klar i portioner under pågående fältsäsong, vilket då innebar en hel del merarbete på kontoret. 32