Fjällvegetationskartering med satellitdata och NNH data

HTML
DOWNLOAD

Storlek: px

Starta visningen från sidan:

Download "Fjällvegetationskartering med satellitdata och NNH data"

Lena Dahlberg
för 7 år sedan
Visningar:

1 Fjällvegetationskartering med satellitdata och NNH data Heather Reese Avdelning för skoglig fjärranalys Institutionen för skoglig resurshushållning Sveriges Lantbruksuniversitet (SLU) Umeå Rymdstyrelsens Fjärranalysdagarna 9-10 April 2013 i Solna

2 Hänt sedan sist I. Påverkan av olika faktorer på fjällvegetationsklassning Sista artikeln i doktorandsavhandlingen 2011 II. Kartering av fjällvegetation med satellit & NNH laser data Rymdstyrelsen användarprojekt 2012 med Naturvårdsverket och Lantmäteriet III. Naturtypskartering av Svenska fjällen Rymdstyrelsen användarprojekt 2012 med Metria och Naturvårdsverket IV. Topografisk normalisering av SPOT & Landsat med NNH data Rymdstyrelsen forskningsprojekt 2013

3 Klasser från Fjällvegetationskartan Definitioner baserade på arter, vegetationshöjd och täthet, samt fuktighet Block- Hällmark Hed Skarp rished Torr rished Frisk rished Fuktig/Våt rished Gräshed Örtäng Lågörtäng Högörtäng Vide Snölega Myr Fjällbjörk Snö/Is Vatten Skarp rished Frisk rished Vide Torr rished Gräshed Lågörtäng

4 I. Påverkan av olika faktorer på fjällvegetationsklassning Mål Undersöka påverkan av: Satellitdata källa (SPOT 5, Landsat TM, AWiFS) Antal provytor träningsdata Klassningsmetoden (Random Forest vs Maximum Likelihood) Studieområdet: Västerbotten

flygbildspar) Tolkning inom 5, 10, 20 och 30

5 Kort om metoden Flygbildstolkning av systematisk punktgitter till träningsdata Flygbilder från en 2 x NILS schema 110 provytor per flygbildspar (total 21 flygbildspar) Tolkning inom 5, 10, 20 och 30 m radius Samt tolkning av subjektiva provytor per flygbildspar

6 Kort om metoden Höjd över havet Satellitdata + Lutning Wetness index

7 Kort om metoden Utvärdering med ~ 700 systematisk utlagd provytor Högupplöste färg-ir flygbilder (5 cm pixlar) 350 m 700 m

8 Resultat: Satellitdata källa SPOT 5 hade högsta noggrannhet 10 m pixel storlek passar bäst till fjällens heterogenitet Metoder som skattar andelar av klasser (t.ex., regression) passar bra till data som Landsat och AWiFS med större pixelstorlek Total noggrannhet med Random Forest tematisk klassning SPOT Landsat AWiFS 73% 63% 47%

9 Resultat: Träningsdata Största träningsdataset gav högsta noggrannheten (73%) Den mindre, subjektiva träningsdataset gav relativ hög noggrannhet Att kombinera subjektiv + systematisk träningsdata är bäst Färre provytor från fler områden bättre än fler provytor från få områden Ungefär träningsytor per vegetationsklass var bra 800 2xNILS 440 2xNILS 50% Total noggrannhet 530 1xNILS 270 1XNILS 50% 200 Subjektiv 73% 67% 65% 64% 70%

10 Resultat: Metoden och Data Random Forest gav 3% högre noggrannhet än Maximum Likelihood Tillägg av höjddata ökade noggrannheten med 9% Tillägg av en wetness index ökade noggrannheten av vide och myr Total noggrannhet Random Forest Random Forest Maximum Likelihood SPOT + Höjddata Endast SPOT Endast SPOT 73% 64% 61%

11 Resultat: Klassnoggrannhet Torr och frisk rished: Bra resultat men kvalitetsgranskning av träningsdata behövs Vide Dålig resultat men Wetness index ökade noggrannhet med 8% Klass Noggrannheten Blockmark 76% Torr rished 73% Frisk rished 80% Gräshed 93% Vide 31% Lågörtäng 50% Fjällbjörk 88%

12 II. Satellit + NNH Laserdata Kombinera SPOT 5 + höjddata + laserdata metriker från NNH data Studieområdet i Abisko

Kort om metoden Träningsdata (gröna cirklar) 440 fältprovytor + 180

13 Kort om metoden Träningsdata (gröna cirklar) 440 fältprovytor subjektiva ytor Utvärderingsdata (röda cirklar) 400 flygbildstolkade provytor

14 95:e höjdpercentil Kort om metoden Random Forest klassning av SPOT + höjddata + laserdata Laserdata metriker skapas från punktmolnen, t.ex. Höjd och densitets percentiler Vegetationsratio med varierande höjdgräns (0, 0.1, 0.2,,1 m) Standard avvikelse av vegetationshöjd

15 Resultat Laser data metriker ökade total noggrannheten med 5 % SPOT + Höjd + Laser SPOT + Höjd SPOT Laser 60 % 55 % 49 % 41 %

16 Resultat Laser data metriker ökade noggrannheten mest för vide och fjällbjörk SPOT + Höjd SPOT SPOT + Laser + Höjd Vide 55 % 41 % 18 % Fjällbjörk 81 % 65 % 56 % Reese, H., Nyström, M., Nordkvist, K., and Olsson, H. (In press). Combining airborne laser scanning data and optical satellite data for classification of alpine vegetation. Journal of Applied Earth Observation and Geoinformation.

17 Resultat Satellit + höjddata + laser Fjällvegetationkartan 60.2%

18 Resultat Satellit + höjddata + laser Satellit + höjddata (utan laser)

19 Resultat Satellit + höjddata + laser Fjällvegetationkartan

20 Jämföra resultat Abisko och Västerbotten Västerbotten Indata Satellitdata + Höjddata (50m) Abisko Satellitdata + Höjddata (2m) + Laser Arbetstid 6 månader 2 månader

21 Resultat Jämföra Abisko och Västerbotten Västerb. Noggrannhet Abisko Noggrannhet Blockmark 76 % 83 % Gräshed 93 % 71 % Skarp hed 100 % 50 % Torr hed 73 % 78 % Frisk hed 79 % 26 % Lågörtäng 49 % 54 % Högörtäng 50 % 25 % Vide 31 % 55 % Total 73% 63 %

22 Resultat Jämföra Abisko och Västerbotten Västerb. Abisko Västerb. Abisko Noggrannhet Noggrannhet Antal Träning Antal Träning Blockmark 76 % 83 % Gräshed 93 % 71 % Skarp hed 100 % 50 % Torr hed 73 % 78 % Frisk hed 79 % 26 % Lågörtäng 49 % 54 % Högörtäng 50 % 25 % Vide 31 % 55 % Total 73% 63 % 800* 615* * Alla klasser (inkl klasser som inte presenteras här i tabellen)

23 III. Naturtypskartering till framtidens FjällKNAS Mål Undersöka påverkan av följande på fjällvegetationskartering Satellitbilds datum Höjddata NNH vs 50m DEM Topografisk normaliseringsmetod m.fl Studieområden

24 Påverkan: Datum SPOT 3 juli 2009 SPOT 28 juli 2011

25 Påverkan: Datum SPOT m höjd + laser SPOT m höjd + laser

26 Resultat Total noggrannhet från SPOT + Höjddata + Laserdata SPOT 2009 SPOT 2011 SPOT % 60% 62% Det finns skillnader i resultaten mellan 2009 och 2011 pga fenologi Att lägga till höjddata och laserdata metriker kan gör resultat stabilare Normalt ska 2 datums satellitbilder vara till fördel särskilt pga fenologin, våtmark, och snölegor, men det är svårt att få två molnfria satellitbilder i fjällen.

27 Påverkan: Höjddata SPOT m höjddata SPOT m höjddata Både DEM sedan interpoleras till 10 m grid cell

28 Påverkan: Höjddata SPOT m höjddata SPOT m höjddata

29 Resultat Total Noggrannhet 2011 Satellit Satellit + 50m DEM Höjd 2m DEM Höjd 53% 55% I klassnings noggrannhet är det inte stor skillnad Visuellt ger den 2 m DEM mer detalj (särskilt i gräshed, myr dvs klasser som är beroende på höjddata)

30 Påverkan: Topografisk Normaliseringsmetod C-korrektion* Parlow * Enligt metod i Reese & Olsson, 2011

31 Påverkan: Topografisk Normaliseringsmetod C-korrektion Parlow

32 Påverkan: Topografisk Normaliseringsmetod C-korrektion Parlow Klassning av SPOT m höjd + laser

33 Results Total Noggrannhet C-Corr Parlow 60% 57% Med klassning av 2011 SPOT + Höjddata + Laser

34 IV. Topografisk normalisering av SPOT & Landsat med NNH data Forskningsprojekt pågående under 2013 Undersöka topografisknormalisering med NNH data Testa på Landsat tidsserien (inkl Landsat 8) Studieområdet Abisko

35 IV. Topografisk normalisering av SPOT & Landsat med NNH data Resultaten är inte bra och vidare forskning är nu finansierat av Rymdstyrelsen Resultat kommer under 2014

36 Tack!

Relevanta dokument

SLUs forskning om 3D fjärranalysdata för kartering och skattning av skog och fjällvegetation

SLUs forskning om 3D fjärranalysdata för kartering och skattning av skog och fjällvegetation Avdelning för skoglig fjärranalys Institutionen för skoglig resurshushållning Sveriges Lantbruksuniversitet