Laserdata för miljöövervakning

Transkript

1 Laserdata för miljöövervakning Håkan Olsson, SLU, Umeå, baserat på bidrag från: Johan Holmgren, Mats Nilsson, Heather Reese, Eva Lindberg, Mattias Nyström, Ann-Helen Granholm, Jonas Bohlin Karin Nordkvist, Mattias Nyström, Anders Glimskär, SLU, Umeå Helle Skånes, Stockholms universitet Michael Tulldahl, FOI, Linköping Sofia Wikström, AquaBiota Bengt Rydell och Linda Blied, SGI ULI NNH

2 Vad är EMMA? - Forskningsprogram finansierat av Naturvårdsverket Syftar att utveckla metoder (och utbilda experter) som tar tillvara den snabba utvecklingen inom flygburen laserskanning och digital fotogrammetri för Naturvårdens behov. - 2 delar: 50 % terrestra 50 % akvatiska tillämpningar - Hemsida: Slutseminarium öppet för alla intresserade kommer att hållas på Stockholms universitet hösten 2013

3 Medverkande i EMMA-programmet Deltagare Terrestra Håkan Olsson, hakan.olsson@slu.se (Prog chef)anna Allard, Anders Glimskär, Ann-Helen Granholm, Johan Holmgren, Eva Lindberg, Mats Nilsson, Mattias Nyström, SLU. Helle Skånes, SU Akvatiska Michael Tulldahl, FOI, michael.tulldahl@foi.se (Bitr. prog chef), Sofia Wikström, AquaBiota Water Research, Hans Kautsky, SU, Ove Steinvall, Division of Sensor Systems, FOI, Niklas Strömbeck, Strömbeck Consulting Bengt Rydell, Linda Blied, SGI Erik Årnfelt, Länsstyrelsen I Östergötland Referensgrupp Naturvårdsverket Cecilia Lindblad IVL Ola Inghe Naturvårdsverket Akvatiska delen Patrik Wiberg Sjöfartsverket Ulf Bergström Fiskeriverket Bertil Håkansson SMHI Terrestra delen Mikael Johansson Lantmäteriet Hans Gardfjell SLU Information Jan Eklöf Umeå Universitet

4 Disposition 1. Klassning av akvatisk vegetation och havsbottnar 2. Kustzonsexempel Åhus 3. Mer om skattningar av terrester vegetation med laserdata 4. Förändringsanalys med laserdata 5. Användning av punktmoln från digital fotogrammetri 6. Vegetationsklassning med laser + satellitdata 7. Slutord

5 Flygburen laserskanning i akvatiska miljöer AHAB i Jönköping tillverkar HawkEye systemen Grön laser 532 nm Främst för grunda områden, djupräckvidd m (ca 2-3 ggr siktdjupet) Behöver siktdjup (Secchidjup) > ca. 3 m Horisontell upplösning ca. 2 m Djupnoggrannhet ca m

6 Exempel, klassning av bottnar, Sävarfjärden, Umeå med HawkEye II batymetrilaser data Noggrannhet Topo Topo+Vågform Antal klasser 2 var 4 variabler 5 65% 77% 3 84% 88% 6

7 Vegetationstyper, habitat, bottensubstrat Klassning av bottentyp i 3-5 klasser baserat på - sediment/hårdbotten - vegetation/ingen vegetation Användningsområden - Översiktlig kartläggning av habitat - Natura 2000 Bilder från Sofie Wikström, AquaBiota

8 Korrigering av havsbottens färg I flygbilder med batymetrilaser -exempel från Askö Bilder från Michael Tulldahl, FOI

9 DMC flygbild av havsvik vid Askö

10 Korrigering av bottenfärg med hänsyn till LiDAR-mätt vattendjup (FOI)

11 Områden för försök med kartering av akvatisk vegetation och bottenegenskaper med laserdata Exempel på akvatiska laserskanning projekt Genomförda studier: Ystad (förstudie ålgräs), 2006 Arkö (separerbarhet), 2009 Sävar ( fullskalekartering ), 2010 Råneå Sävar Pågående studier inom EMMA: Askö (flygbilder, repeterbarhet), 2011 Åhus (kustzonstudie), Koster (test, västkusten), 2012 Koster Askö Arkö Missjö Åhus Lomma Ystad AHAB + berörda kommuner + SGU planerar skanning av hela Skånes kust

12 2) Kustzonsexempel från Åhus Akvatisk DEM från laserskanning, utanför Åhus 12

13 Fältmätning undervattensvideo Sthlm Univ. Systemekologen AquaBiota Tolkning av data (7000 transektavsnitt)

14 Klassning av bottnar utanför Åhus

15 Variabler som använts vid klassificering av den akvatiska miljön utanför Åhus Resultat framtagna av FOI och AquaBiota

16 Utvärdering av klassificeringens noggrannhet för enskilda klasser (PA och UA) samt "Total Accuracy". Vid utvärdingen användes 4886 lidarpunkter som inte använts vid träningen av klassificeringsmodellen. Resultat framtagna av FOI och AquaBiota

17 17 Terrester DEM från NNH skanningen, Äspet, Åhus

18 18 Integrerad djup-/höjdmodell, Äspet, Åhus data från NNH respektive HawkEye II

19 19 Krontaksmodell från NNH skanningen, Äspet

20 Översiktlig kartering av buskvegetation under trädkronor från NNH skanningen över Äspet 20 Kartering gjord av Helle Skånes, SU

21 Även en del liggande döda träd kan upptäckas i NNH data 21 Kartering gjord av Helle Skånes, SU

22 Integrerad vegetationskarta över land och vatten, Äspet, Åhus 22 Bild SGI

23 Terrängskuggad terrester + akvatisk karta 23 SGI

24 3 Exempel på mått från laserdata som används vid klassning och skattning av trädvegetation, för rasterceller i landskapet beräknas t.ex. : - Höjden över marken (m) för olika andel (t.ex. 90 %) av alla laserreturer från vegetationen över en tröskel på t.ex. 2 m. - Kvoten av andel laserreturer från vegetationen dividerat med alla laserreturer inom rastercellen.

25 Skattning av vegetationsstruktur Full vågform > punkter från vågform > punkter från systemet. Eva Lindbergs avhandling Estimation of canopy structure and indivudual trees from laser scanning data SLU,

26 Skattningar av fjällbjörk nära trädgränsen

27 FAO-skog Abisko Mörkt grönt = fjällbjörkskog kring Abisko som uppfyller FAO s skogsmarks definition om: 10 % kronslutenhet 5 m höjd 0,5 ha Torneträsk Abisko Kartan framtagen från Lantmäteriets NNH- data tränade med provytor. eckenförklaring Skogsmark Från Nils LindgrensVägar Träd/buskar >1,3 m. SLU Järnväg Examensarbete Bebyggelse Riksgräns Sjöar 0 1,25 2,5 5 Km Lantmäteriet, I2011/0032

28 Biomassa fjällbjörk Abisko, 10x10 meter pixlar Bild från Mattias Nyström SLU

29 Biomassa fjällbjörk Abisko fältmätt vs laserbestämd, för 10 m radie provytor TopEye från helikopeter (6 13 returer/m 2 ) Optech (NNH), 1.4 returer/m 2 ) RMSE ytnivå 19.3% RMSE ytnivå 21.4% Bild från Mattias Nyström SLU

30 4. Förändringsanalys av vegetation med laserdata Restaurering av hagmark Bild från Helle Skånes, SU

31 En typisk 6 m radie provyta vid kontrollerat förändrings-experiment i trädgränsekotonen Abisko

32 2008 Skanning med TopEye, helikopter 6 13 returer / m Fjällbjörkar klipps på provytor 2010 Skanning, med Optech, test för NNH, 1,4 returer / m2 Det är naturligt att olika skanningsystem och skanningtidpunkter ger olika lasermetriker vid skanning av vegetation. Histogrammatchning kan eliminera dessa skillnader, givet en oförändrad referens

33 Resultat Förändringsanalys i trädgränsekotonen, Abisko Förändringar på provytor med >10 träd / 100m 2 klassas säkrare Lasermetriker baserade på vegetationens täthet behövs för att hitta delvis förändrade ytor (50% av träden borrtagna)

34 Pågående studie: Under vilka förutsättningar kan igenväxande jordbruksmark upptäckas med hjälp av laserskannerdata från två tidpunkter?

35 5. 3D punktmoln från digital fotogrammetri Flygbilder ger även färginformation Markhöjden kan då tas från lasermarkmodellen! 3D Punkter från digitala flygbilder Laserskannerdata Bild, J. Bohlin, SLU

36 36 Krontaksmodell NNH (laser)

37 Krontaksmodell DMC (flygbild) Fördel kan göras om för övervakning med samma markmodell men nya flygbilder! 37

38 Vegetationens färg från 6. Vegetationsklassning med laser + satellitbildsdata Vegetationens höjd från Laser Foto- grammetri Satellit- bild Remningstorp Gävle Abisko Flygbild

39 Satellitbilder - SACCESS - Fri databas med årliga satellitbilder

40 Laserskanning, ger 3D information om vegetationens höjd och täthet SPOT, ger färg i 2D Referensytor från fält eller flygbildstolkning Automatisk pixelvis klassning

41 Pixelvis noggrannhet för tre försök med vegetationsklassning med satellit + laserdata Abisko (Preliminärt resultat) NNH testflygning, Leica ALS 50-II, 1.4 punkter m -2 Fjällhed och fjällbjörkskog, vegetationskartans klasser SPOT: 76 % SPOT + Laser 81 % Gävle NNH laser data, Optech ALTM Gemini, 1.6 punkter m -2 Boreal skog och myr, GSD Marktäcke klasser SPOT: 56 % Laser :58 % SPOT + Laser 72 % Remningstorp Hemiboreal skog, GSD Marktäcke klasser TopEye Mk II, 26 punkter m -2 SPOT: 67 % Laser : 59 % SPOT + Laser 78 %

42 Resultat Gävle Maximum likelihood och ett enkelt klassningsträd. 520 flygbildstolkade ytor för träning, 260 för utvärdering. Data: Fyra SPOT-band, höjd- och täthetsmått från LiDAR. Datakällor Hygge 0-2 m Ungskog 2-5 m Barrskog 5-15 m Barrskog > 15 m Lövskog Blandskog Myr Totalt SPOT LiDAR SPOT + LiDAR

43 Fjällvegetationsklassning med SPOT satellitbilder + laserdata pågående studie Resultat (preliminärt) 10x korsvaliderings resultat (% korrekt) Ovan trädgränsen (11 klasser) 2 satellitbilder + laser 74.4 % 72.4 % 2 satellitbilder (ingen laser*) 72.7 % 70.2 % 1 satellitbild + laser 72.8 % 69.7 % 1 satellitbild (ingen laser*) 68.9 % 68.3 % 1 satellitbild, ingen höjddata 60.8 % 60.5 % *Ingen laserdata använts, men höh från Lantmäteriets 50m DEM har använts Inklusive träd (14 klasser) - Approx. 4 % förbättring om 1 satellitbild använts tillsammans med laserdata - Den bästa resultaten kommer ifrån multitemporal satellitbilder + laserdata EMMA Möte September 2012

44 Fjällvegetationsklassning med SPOT satellitbilder + laserdata pågående studie Resultat (preliminärt) Klass Viktigaste variabler Viktigaste laser variabler Blockmark NDII, NDVI Gräshed HöH, NDVI, SWIR HöH, Antal grund punkter, d0 Skarp rished NDVI Antal ground punkter, Specifik VegRatio 1dm Torr rished NDVI Antal ground punkter Frisk rished NDVI, HöH HöH, Antal ground punkter Lågörtäng NDVI, HöH HöH, Vegratio 1dm Högörtäng NDVI, HöH HöH, p60, d9, Standardavvikelse_ground Vide NDVI Standardavvikelse_ground Snölega NDVI, NDII Antal ground punkter, Standardavvikelse Torrt kärr NDVI, Wetness Index Wetness Index, Antal ground punkter Fjällbjörkskog NDVI, HöH, p95 HöH, p95, Antal ground punkter EMMA Möte September 2012

45 Fjällvegetationsklassning med SPOT satellitbilder + laserdata Sammanfattning: - Topografisk korrigering av satellitdata med laserdata kräver mer forskning. - Satellitdata är viktiga för fjällvegetationsklassning, och användning av multitemporala SPOT-bilder ger bra resultat. NDVI är den viktigaste variabel. - Laserdata tillför en förbättring av vegetationsklassningen i fjällen, dock inte med många procent (~2-4 %, beroende på om 1 eller 2 satellitbilder använts). Nästa steg: Utvärdering av kartprodukten med 400 flygbildstolkade provytor EMMA Möte September 2012

46 7 Slutord 3D data punktmoln + färgbilder + fältdata, analyserade med en kombination av automatiska och manuella metoder, möjliggör rationellare kartering och ny information. På en terrestra sidan är alla datakällor på plats, men nationella strategier för vegetationskartering behövs. På den marina sidan finns brist på data och legala hinder, men kanske kan en samplingstrategi (jämför NILS), vara en väg framåt om målet främst är att få bättre statistik?

47 Tack till - Medverkande i EMMA programmet - Naturvårdsverket för finansiering av EMMA - Rymdstyrelsen för finansiering av satellitbildsdelarna - Lantmäteriet för testflygningar med DMC

48 Tack för att ni lyssnade Tack Frågor? Frågor?